PARCELAS DIVIDIDAS Este diseo est asociado a los experimentos factoriales.

Por ejemplo, si los tratamientos estn conformados por dos factores, el diseo en parcelas divididas tiene la particularidad de asociar los niveles de un factor a parcelas o unidades experimentales grandes (parcelas principales) y los niveles del otro factor a subparcelas obtenidas por divisin de las parcelas principales. Las parcelas principales pueden no mostrar estructura y el factor principal asignarse al azar a un nmero r de parcelas principales (diseo de parcelas divididas completamente aleatorizado) o bien las parcelas principales pueden estructurarse en bloques (diseo de parcelas divididas en bloques). La caracterstica ms sobresaliente de este diseo es la presencia de dos errores experimentales diferentes. Uno que representa la variabilidad entre parcelas principales tratadas de la misma forma (error de las parcelas principales) y otro que representa la variabilidad entre subparcelas tratadas de la misma forma (error de las subparcelas). El cuadrado medio asociado al error experimental de las parcelas principales se utiliza como denominador del estadstico F en los contrastes de hiptesis de los factores asociados a las parcelas principales, as como tambin en las pruebas de comparaciones mltiples entre las medias de los tratamientos aplicados a las parcelas principales. El cuadrado medio del error de subparcela se utiliza para el contraste de hiptesis de los factores asociados a las subparcelas y de las interacciones de stos con el o los factores asociados a las parcelas principales as como para las correspondientes comparaciones mltiples. Una representacin grfica de un diseo en parcelas divididas en bloques se mas adelante. A modo de ejemplo, en la investigacin agronoma un factor, como el mtodo de cultivo, puede requerir equipos que slo se pueden usar en parcelas grandes (parcela principal); mientras que otros factores, como la fertilizacin, con sus distintas variantes, se podran aplicar a una parcela ms pequea (subparcela). En el rea de investigacin educativa se pueden aplicar diferentes mtodos de enseanza a los alumnos de distintas divisiones (parcelas principales) y estudiar un factor adicional, como puede ser el uso de ciertos materiales didcticos o computadoras, aplicado a subgrupos de alumnos (subparcelas). En la investigacin industrial un fabricante de papel puede probar tres

mtodos diferentes para preparar pulpa y cuatro diferentes mtodos de coccin, evaluando la resistencia del papel. Para ello, podra producir con cada mtodo un lote de pulpa (parcela principal) y subdividirlo en cuatro partes (subparcelas), asignndose a cada una de ellas los distintos mtodos de coccin. El modelo lineal, para un experimento bifactoral conducido segn un diseo en parcelas divididas en bloques es el siguiente:

Donde Yijk representa la observacin en el k-simo nivel del factor aplicado a la subparcela, de la i-sima parcela principal en el j-simo bloque, i representa el i-simo nivel del factor aplicado a la parcela principal, j el jsimo bloque, ( )ij el error experimental de las parcelas principales (variacin aleatoria entre parcelas principales tratadas de la misma forma), que se simboliza como la interaccin entre el factor principal y los bloques ya que su suma de cuadrados se calcula como la suma de cuadrados de esa interaccin, ijk representa el efecto del k-simo nivel del factor asociado a la subparcela dentro de la i-sima parcela principal del j-simo bloque, ()ik representa la interaccin del factor principal con el factor aplicado a las subparcelas y ijk el error experimental a nivel de subparcelas.

ANLISIS DE COVARIANZA (ANCOVA)

Uno de los problemas con el que frecuentemente se enfrenta el investigador, es el de controlar aquellos factores que no le he es posible medir y cuyo efecto no puede justificar, los cuales constituyen el error experimental. Una de las formas de minimizar este error es mediante la aleatorizacin de los tratamientos y la utilizacin de material experimental muy homogneo. Sin embargo, la aleatorizacin difcilmente cancela la influencia de las variables involucradas en el error y la disponibilidad de material experimental homogneo no es frecuente en algunos experimentos, principalmente con animales, quedando restringidos a experimentos de laboratorio, invernadero o con animales de bioterio. Ronald Fisher en 1932 desarroll una tcnica conocida como Anlisis de Covarianza, que combina el Anlisis de Regresin con el Anlisis de Varianza. Covarianza significa variacin simultnea de dos variables que se asume estn influyendo sobre la variable respuesta. En este caso se tiene la variable independiente tratamientos y otra variable que no es efecto de tratamientos pero que influye en la variable de respuesta, llamada a menudo: covariable. El Anlisis de Covarianza consiste bsicamente en elegir una o ms variables adicionales o covariables que estn relacionadas con la variable de respuesta, evitando que los promedios de tratamientos se confundan con los de las covariables, incrementando de esa manera la precisin del experimento. Por ejemplo: nmero de plantas por unidad experimental, pesos iniciales en animales, grado de infestacin de garrapatas, das de lactancia o edad de destete, etc.; pueden ser covariables que influyan en el resultado final y cuyo efecto de regresin sobre la variable respuesta el investigador desea eliminar, ajustando las medias de tratamientos a una media comn de X. En este anlisis se asume que la variable dependiente Y est asociada en forma lineal con la variable independiente X, existiendo homogeneidad de pendientes.

El procedimiento de anlisis comprende: ANDEVA para X (covariable), ANDEVA para Y (variable de respuesta), Estimacin del coeficiente angular de la regresin. Obtencin de la ecuacin de regresin y ajuste a los promedios de la variable de respuesta.

SUPOSICIONES BSICAS DEL ANLISIS DE COVARIANZA Como es de esperarse, las suposiciones que se hacen cuando se efecta un anlisis de covarianza son similares a las requeridas para la regresin lineal y el anlisis de varianza. De esta manera, se encuentran las suposiciones usuales de independencia, normalidad, homocedasticidad, X fijas, etc. Para ser ms exactos, se presenta a continuacin los modelos estadstico matemticos asociados con algunos de los diseos ms comunes cuando se realiza un anlisis de covarianza.