Diseño y Análisis de Experimentos 2a Ed. Ampliada

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA
FACULTAD DE AGRONOMA
DISEO Y ANLISIS DE
EXPERIMENTOS
FUNDAMENTOS Y APLICACIONES EN AGRONOMA
2. Edicin
Revisada y Ampliada
Ezequiel Abraham Lpez Bautista

Byron Humberto Gonzlez Ramrez
Docentes Investigadores
GUATEMALA, ENERO DE 2013
Autores
Ezequiel Lpez es actualmente Profesor Titular III en las Subreas de Mtodos de

Cuantificacin e Investigacin y de Ejercicio Profesional Supervisado, de la
Facultad de Agronoma, USAC. Agrnomo egresado de la Escuela Nacional
Central de Agricultura ENCA- (1991), Ingeniero Agronmo en Sistemas de
Produccin Agrcola graduado en la Facultad de Agronoma de la Universidad de
San Carlos de Guatemala (1999), realiz estudios de Maestra en Agronoma, rea
de concentracin Estadstica y Experimentacin Agronmica en la Escuela
Superior de Agricultura Luiz de Queiroz de la Universidad de So Paulo (2002),
donde actualmente se encuentra en la fase final del Doctorado en Ciencias en la
misma rea. Se ha desempeado como docente de Estadstica Aplicada en
Agronoma y ciencias afines, en pre y postgrado en la FAUSAC y en diferentes
Universidades Privadas de Guatemala. Adems como asesor de trabajos de
investigacin y consultor estadstico en proyectos de investigacin. Su rea de
inters incluye: diseo y anlisis de experimentos aplicados en Agronoma y
ciencias afines, mtodos estadsticos multivariados, anlisis de regresin,
geoestadstica y aplicacin de modelos lineales mixtos en experimentacin
agronmica.
Byron Gonzlez es actualmente Profesor Titular VI y Director del Centro de

Telemtica CETE- de la Facultad de Agronoma, USAC. Agrnomo egresado de
la Escuela Nacional Central de Agricultura ENCA- (1991), Ingeniero Agronmo
en Sistemas de Produccin Agrcola graduado en la Facultad de Agronoma de la
Universidad de San Carlos de Guatemala (1999), realiz estudios de Maestra en
Administracin de Empresas en la Universidad Rafael Landvar de Guatemala,
actualmente se encuentra en la fase final del Doctorado en Investigacin Social de
la Universidad Panamericana de Guatemala. Se ha desempeado como docente de
Informtica, Estadstica Aplicada en Administracin, Economa y Agronoma, en
pregrado en la FAUSAC y posgrado en diversas Universidades Privadas de
Guatemala. Adems como asesor de trabajos de investigacin y consultor
estadstico en proyectos de investigacin. Su rea de inters incluye: diseo y
anlisis de experimentos aplicados en Agronoma y ciencias afines, mtodos
estadsticos aplicados en el Control de la Calidad, y modelacin de regresin.
Consultas y sugerencias:
Oficina C 20, Edificio T-8, Universidad de San Carlos de Guatemala, Facultad de
Agronoma, Ciudad Universitaria zona 12. Ciudad de Guatemala.
e-mails:
lopez_ezequiel@usac.edu.gt
byrong@usac.edu.gt
Dedicatoria
El tiempo y esfuerzo dedicado en escribir, editar y elaborar este documento, ha sido cuantioso.
El fuerte deseo de contribuir a mejorar constantemente la enseanza de la Estadstica
Experimental a nivel universitario en Guatemala, nos ha brindado las fuerzas para avanzar y
poder concluir este material educativo.
Esta obra est dedicada a la memoria de nuestro profesor, compaero y amigo de muchas
jornadas, Ing. Agr. M.C. Vctor Manuel lvarez Cajas.
Agradecimientos
Deseamos expresar nuestro agradecimiento ms sincero a:
Los profesores de Estadstica de la Facultad de Agronoma (FAUSAC): M.Sc. Marino

Barrientos y M.C. Vctor lvarez Cajas (QEPD); quienes nos acompaaron desde nuestros
inicios como Auxiliares de Ctedra en la Subrea de Mtodos de Cuantificacin e
Investigacin.
Los profesores del Programa de Estadstica y Experimentacin Agronmica de la
ESALQ/USP: Dra. Clarice Garcia Borges Demtrio, Dr. Dcio Barbin, Dr. Silvio Sandoval
Zocchi, Dr. Carlos Tadeu Dos Santos Dias y Dra. Snia Maria Di Estfano Piedade, por los
conocimientos transmitidos.
Los Doctores Mario Melgar y Jos Luis Quem del Centro de Investigacin y Capacitacin de
la Caa de Azcar (CENGICAA), por la amistad y motivacin para seguir adelante.
Los estudiantes de los cursos de Estadstica Aplicada (Agrcola y Forestal) de la FAUSAC y
de Diseo y Anlisis de Experimentos de la carrera de Ingeniera Forestal del Campus San
Pedro Clver de la Universidad Rafael Landvar, en Chamelco, Alta Verapaz; que con sus
dudas en clase o fuera de ella, al utilizar las versiones iniciales de este documento, han
contribuido a enriquecerlo.
PRESENTACIN
El propsito de la Estadstica es ofrecer una base objetiva para el anlisis de datos observados o
medidos, los cuales estn sujetos a la variacin del azar. Estos datos, en muchos casos, son
provenientes de estudios realizados a propsito y en condiciones previamente especificadas y
controladas (experimentos). El estudio de los experimentos y sus etapas: planeacin, ejecucin, toma y
anlisis de datos es lo que constituye el objetivo de la Estadstica Experimental.
La Estadstica Experimental en el mundo moderno es una necesidad real, est presente en todas las
reas del conocimiento humano como una herramienta para auxiliar las decisiones a ser tomadas,
permitiendo mayor seguridad a la investigacin a ser transformada en tecnologa y utilizada por la
humanidad o por parte de ella.
El inters original de escribir este documento es describir de manera introductoria los conceptos
fundamentales del anlisis estadstico de experimentos e ilustralos con ejemplos numricos aplicados
en las ciencias agrcolas. Y as poner a disposicin del alumno notas que reemplacen a las suyas, para
evitar que estn anotando, porque muchas veces no prestan atencin por estar preocupados en escribir.
El material no pretende reemplazar a los libros, aunque algunas veces las circunstancias han llevado a
situaciones de este tipo. Otro de los objetivos es que los alumnos e investigadores dispongan de un
material actualizado que les permita estudiar, repasar y practicar, con ejemplos reales, producto de
investigaciones realizadas en su mayor parte en Guatemala, tanto en tesis de grado de la Facultad de
Agronoma de la Universidad de San Carlos, como por otras instituciones nacionales e internacionales.
En este documento se recopila informacin bibliogrfica muy valiosa de estadsticos de renombre en
Amrica Latina, como el Dr. ngel Martnez Garza y Dr. Mario Miguel Ojeda (Mxico), Dr. Frederico
Pimentel Gomes, Dra. Maria Cristina Stolf Nogueira, Dr. Decio Barbin y Dra. Clarice Garca Borges
Demtrio (Brasil), Dr. Ral Macchiavelli (Puerto Rico), Grupo Infostat de la Universidad Nacional de
Crdoba (Argentina), entre otros; tambin de autores clsicos de diseos experimentales (Montgomery,
Kempthorne, Steel y Torrie, Ostle, Cochran y Cox, por ejemplo). As como algunas anotaciones
propias, producto de nuestra experiencia adquirida como docentes e investigadores y en los estudios de
postgrado. Este texto incluye tambin programas y salidas proporcionadas por el software SAS v. 9.13
(SAS Institute, Cary, NC).
Esta segunda edicin contiene ms ejercicios prcticos e interpretacin de los mismos, una ampliacin
de los captulos 4 y 8 referentes a verificacin de los supuestos experimentos fundamentales del
Anlisis de Varianza y Experimentos Factoriales, respectivamente, y ms referencias bibliogrficas.
As mismo hemos incorporado secciones dentro de los captulos, con salidas del software Infostat v.
2012.
Guatemala, diciembre de 2012
CONTENIDO
Pgina
1.
2.
3.
4.
5.
ASPECTOS GENERALES DEL DISEO Y ANLISIS DE EXPERIMENTOS

1.1
INTRODUCCIN
1.2
PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL
1.3
ERROR EXPERIMENTAL
1.4
CARACTERISTICAS DEL DISEO EXPERIMENTAL
1.5
ALGUNAS RECOMENDACIONES EN LA APLICACIN DE LOS
MTODOS ESTADSTICOS EN LA EXPERIMENTACIN
1.6
VALIDEZ EXPERIMENTAL
1.7
RESEA HISTORICA Y TENDENCIAS ACTUALES EN EL ANLISIS
DE DATOS EXPERIMENTALES
DISEO COMPLETAMENTE AL AZAR
2.1
INTRODUCCIN
2.2
ANLISIS ESTADSTICO
2.3
ANLISIS DE VARIANZA PARA UN EXPERIMENTO REALIZADO EN
UN DISEO COMPLETAMENTE AL AZAR DESBALANCEADO
2.4
PROGRAMA EN SAS PARA EL ANLISIS DE UN EXPERIMENTO EN
UN DISEO COMPLETAMENTE AL AZAR
2.5
INGRESO DE DATOS EN INFOSTAT PARA EL ANLISIS DE UN
EXPERIMENTO EN UN DISEO COMPLETAMENTE AL AZAR
2.6
ANLISIS DE VARIANZA PARA UN EXPERIMENTO REALIZADO
MEDIANTE UN DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
2.7
UN DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
2.8
EXPERIMENTO EN UN DISEO COMPLETAMENTE AL AZAR CON
SUBMUESTREO
2.9
EJERCICIOS PROPUESTOS
PRUEBAS DE COMPARACIN MLTIPLE DE MEDIAS
3.1
INTRODUCCIN
3.2
COMPARACI0N MLTIPLE DE MEDIAS SEGN EL CRITERIO DE
TUKEY
3.3
COMPARACIN MLTIPLE DE MEDIAS SEGN EL CRITERIO DE
DUNCAN
3.4
MTODO DE DUNNETT
3.5
3.6
PROGRAMA EN SAS PARA EL ANLISIS POSTANDEVA DE UN
EXPERIMENTO
3.7
EXPERIMENTO Y APLICACIN DE PRUEBAS DE COMPARACIN
MLTIPLE DE MEDIAS
SUPUESTOS FUNDAMENTALES DEL ANLISIS DE VARIANZA,
VERIFICACIN Y TRANSFORMACIN DE DATOS
4.1
INTRODUCCIN
4.2
TRANSFORMACIN DE DATOS
4.3
PROGRAMA EN SAS PARA EL ANLISIS DE LOS SUPUESTOS DE
NORMALIDAD Y DE HOMOGENEIDAD DE VARIANZAS
4.4
1
1
10
13
15
15
DISEO EN BLOQUES COMPLETOS AL AZAR

5.1
INTRODUCCIN
72
72
16
18
19
19
20
28
30
31
33
37
38
39
45
45
45
50
52
53
54
55
56
56
58
68
70
5.2
5.3
5.4
5.5
6.
7.
8.
9.
10.
ANLISIS ESTADSTICO
EJERCICIOS PROPUESTOS, DBA
ANLISIS POST ANDEVA: CONTRASTES
UN DISEO BLOQUES COMPLETOS AL AZAR, CON CONTRASTES
ORTOGONALES
5.6
DISEO BLOQUES AL AZAR CON DATOS FALTANTES
5.7
ANLISIS DE VARIANZA PARA UN DISEO BLOQUES AL AZAR
CON SUBMUESTREO
5.8
UN DISEO BLOQUES COMPLETOS AL AZAR, CON SUBMUESTREO
5.9
5.10 EFICIENCIA DEL DISEO EN BLOQUES COMPLETOS AL AZAR
USO DE LA REGRESIN EN EL ANLISIS DE VARIANZA: POLINOMIOS
ORTOGONALES
6.1
INTRODUCCIN
6.2
MODELOS DE REGRESIN POLINOMIAL
6.3
EJEMPLO DE APLICACIN
6.4
PROGRAMA EN SAS PARA EL ANLISIS DE REGRESIN
POLINOMIAL EN UN EXPERIMENTO
6.5
DISEO CUADRADO LATINO
7.1
INTRODUCCIN
7.2
ANLISIS ESTADSTICO
7.3
DISEO CUADRADO LATINO (DCL) CON DATOS FALTANTES
7.4
UN DISEO CUADRADO LATINO
7.5
DISEO CUADRADO LATINO (DCL) CON SUBMUESTREO
7.6
UN DISEO CUADRADO LATINO CON SUBMUESTREO
7.7
EXPERIMENTOS FACTORIALES
8.1
INTRODUCCIN
8.2
EXPERIMENTOS FACTORIALES EN ARREGLO COMBINATORIO
8.3
EXPERIMENTOS FACTORIALES CON ARREGLO EN PARCELAS
DIVIDIDAS
8.4
EXPERIMENTOS FACTORIALES CON ARREGLO EN PARCELAS
SUBDIVIDIDAS
8.5
EXPERIMENTOS TRIFACTORIALES EN ARREGLO COMBINATORIO
EXPERIMENTOS EN FRANJAS
9.1
INTRODUCCIN
9.2
MODELO ESTADSTICO-MATEMTICO
9.3
HIPTESIS
9.4
ESQUEMA DEL ANLISIS DE VARIANZA
9.5
9.6
PROGRAMA EN SAS PARA UN EXPERIMENTO BIFACTORIAL CON
ARREGLO EN FRANJAS DIVIDIDAS
9.7
ANLISIS DE COVARIANZA (ANCOVA)
10.1 INTRODUCCIN
10.2 SUPOSICIONES BSICAS DEL ANLISIS DE COVARIANZA
10.3 EJEMPLO DE APLICACIN
10.4
PROGRAMA EN SAS PARA UN EXPERIMENTO DONDE SE UTILIZ
ANLISIS DE COVARIANZA SIMPLE
10.5 EJERCICIOS PROPUESTOS
74
77
81
87
89
94
96
97
100
102
102
102
104
109
110
112
112
114
118
120
121
125
126
128
128
133
152
169
175
182
182
183
183
183
185
188
189
191
191
191
193
197
198
11.
ANLISIS DE GRUPOS DE EXPERIMENTOS

11.1 INTRODUCCIN
11.2 EJEMPLO DE APLICACIN
11.3 PROGRAMA EN SAS PARA UNA SERIE DE EXPERIMENTOS
11.4 EJERCICIOS PROPUESTO
BIBLIOGRAFIA
APENDICE
202
202
203
208
213
215
219
CAPTULO 1
ASPECTOS GENERALES DEL DISEO Y ANLISIS DE EXPERIMENTOS
1.1
INTRODUCCIN
Los investigadores realizan experimentos virtualmente en todos los campos del saber, por lo
general para descubrir algo acerca de un proceso o sistema en particular (Montgomery, 2004).
Literalmente, un experimento es una prueba o ensayo. Un experimento diseado es una prueba o serie
de pruebas en las cuales se inducen cambios deliberados en las variables de entrada de un proceso o
sistema, de manera que sea posible observar e identificar las causas de los cambios en la respuesta de
salida. Un experimento, tambin es definido como un procedimiento que le permite al investigador,
reproducir bajo condiciones controladas un fenmeno real con el objeto de obtener la informacin
necesaria para la contrastacin objetiva de hiptesis relativas al efecto de factores especficos de la
produccin.
Existen diversas razones que hacen imperiosa la necesidad de realizar investigacin agrcola.
Desde un punto de vista muy simple, se podra partir de la necesidad de satisfacer una demanda de
alimentos, cada da mayor, tanto en cantidad como en calidad. Los fenmenos biolgicos, al no ser
determinsticos, requieren de la inferencia estadstica para determinar el grado de incertidumbre que
existe en los resultados y poder llegar a conclusiones y recomendaciones vlidas. En la Agronoma a
diferencia de otras ciencias, debido a los efectos de la variabilidad gentica y ambiental, es necesario
realizar investigacin de carcter local.
El conjunto de aspectos que deben resolverse antes de la realizacin de un experimento son
una clara evidencia de que la etapa de planificacin de cualquier investigacin experimental no debe
ser olvidada. Antes de realizar un experimento hay que planificarlo de tal manera que permita obtener
la informacin pertinente al problema bajo investigacin, a esta etapa se le conoce como diseo del
experimento, y puede concebirse como la secuencia completa de pasos a realizar para asegurar que se
obtendr la informacin necesaria para el contraste de la (s) hiptesis planteada (s). Nogueira (2007)
indica que una investigacin planificada consiste en las siguientes etapas que dependen de un perfecto
entendimiento entre el investigador y el estadstico.
a)
Enunciado del problema con formulacin de hiptesis (no en trminos estadsticos)
Estas hiptesis son primero formuladas en trminos cientficos dentro del rea de estudio
(hiptesis cientfica), y enseguida deben ser expresadas en trminos estadsticos (hiptesis estadstica).
Debe haber una correspondencia perfecta entre las hiptesis cientfica y estadstica para evitar
ambigedades. Por tanto, en el enunciado del problema, la hiptesis cientfica debe ser formulada de
manera precisa y objetiva.
b)
Seleccin de los factores y sus respectivos niveles
En una investigacin experimental, generalmente su objetivo es observar de que manera una o

ms condiciones impuestas puedan interferir en el comportamiento de variables importantes dentro del
contexto de la investigacin. Estas condiciones impuestas y distintas presentes en un experimento son
denominadas: factores.
En otras palabras, un factor es cada una de las variables independientes cuyo efecto se est
interesado en evaluar. Si un experimento consta de un solo factor se llama experimento simple, y si
incluye dos o ms factores se llama experimento factorial.
2
Los niveles de un factor pueden ser definidos como las alternativas de ese factor. Por ejemplo,
si se est interesado en estudiar el efecto del factor frecuencias de riego en el rendimiento y
evapotranspiracin del maz (Zea mays) en la unidad de riego San Cristbal Acasaguastln, El
Progreso. Las frecuencias: 8, 10, 12 y 14 das, son los niveles (o tratamientos) de este factor.
Si el inters fuera disear un experimento para estudiar el efecto de 4 niveles de nitrgeno (0,
50, 100 y 150 kg/ha/ao) y 4 niveles de fsforo (0, 40, 80 y 120 kg/ha/ao) en el rendimiento de
cardamomo (Elettaria cardamomun M.) en la Serie de Suelos Tamahu, en aldea Choval, Cobn, Alta
Verapaz; se tendran dos factores: nitrgeno con 4 niveles y fsforo con 4 niveles. Se puede decir
tambin que este experimento involucra 16 tratamientos, correspondientes a las combinaciones de
niveles de los dos factores considerados.
En cuanto al tipo de nivel, un factor podr ser cualitativo o cuantitativo. Por otra parte, los
factores pueden, de acuerdo a la manera como fueron seleccionados los niveles que los componen, ser
considerados como un factor de efecto fijo o de tipo I o como un factor de efecto aleatorio o de tipo
II.
Los factores sern considerados de efecto fijo cuando sus niveles usados por el experimentador
son de inters especfico. Esto implica que las inferencias estadsticas que se hacen acerca de estos
factores se restringen a los niveles especficos estudiados. En general, cuando se trabaja con un efecto
fijo, se dice que el espacio inferencial del experimento es el conjunto especfico de los niveles de los
factores estudiados.
Por otra parte, en algunas situaciones experimentales, los niveles de los factores se eligen al
azar de una poblacin mayor de niveles posibles, y el experimentador desea obtener conclusiones
acerca de la poblacin completa de los niveles, no slo de los que se usaron en el experimento. En esta
situacin se dice que se trata de un factor aleatorio. En el ejemplo b.1 se dice que el factor
variedades es fijo, y en el ejemplo b.2 el factor variedades es aleatorio.
Ejemplo b.1
Un investigador tiene 8 variedades de caa de azcar para realizar un experimento de
evaluacin de variedades promisorias.
Ejemplo b.2
Un investigador, entre todas las variedades de caa de azcar disponibles en el
Programa de Mejoramiento Gentico, sorte 6 variedades y con ellas desea realizar un experimento de
seleccin de variedades.
Un experimento factorial podr existir bsicamente tres tipos bsicos de relacin entre los
factores, generando los factores cruzados, factores jerrquicos y los mixtos. De esta forma, los
factores pueden ser clasificados en:
Clasificacin cruzada: cuando los factores son todos cruzados, y es posible estudiar las interacciones,
una vez que al repetirse el mismo nivel del factor en cada uno de los niveles del otro factor es posible
estudiar el comportamiento diferencial de un factor cuando el otro cambia de nivel.
Clasificacin jerrquica: cuando al cambiar el nivel de un factor (factor de agrupamiento principal)
cambian tambin los niveles del otro factor (factor de subagrupamiento). Se nota, en estos casos, que
existe una jerarqua entre los factores, o sea, existe un factor principal y el otro factor est anidado o
dentro de l. Se observa que el factor de subagrupamiento no puede ser considerado sin que se indique
en cual nivel del factor principal est anidado. En este caso no es posible estudiar la interaccin entre
los factores, pues cuando se cambia de nivel de un factor, los niveles del otro factor pasan a ser otros,
imposibilitando evaluar ese tipo de efecto.
3
Las ideas de interaccin o anidamiento, si fuera el caso, son de gran importancia en el proceso
de inferencia de datos de experimentos que involucran ms de un factor.
Clasificacin mixta: surge cuando, en el mismo conjunto de datos, aparecen factores cruzados y
jerrquicos. O bien cuando se tienen factores de efectos fijos y aleatorios, adems de la media y el
error experimental.
Por el propio concepto de factor, se observa que en experimento, la seleccin de los factores y
de sus respectivos niveles (que harn parte del experimento), es bsicamente un problema del
investigador. En cursos avanzados trataremos el tema de modelos de efectos aleatorios, mixtos y con
clasificacin jerrquica.
c)
Seleccin de la unidad experimental
En una gran cantidad de situaciones prcticas, la unidad experimental es determinada por la

propia naturaleza del material experimental, se llama parcela a la unidad experimental usada y que
recibir un tratamiento. En otras palabras, puede ser considerada como la menor subdivisin del
material experimental de tal forma que cualquier unidad experimental podr recibir tratamientos
distintos.
Es interesante observar la diferencia entre unidad experimental y unidad de observacin. A las
unidades experimentales se les aplican los tratamientos, y una unidad de observacin es aquella unidad
realmente observada dentro del experimento y que corresponde a una fraccin de la unidad
experimental, por ejemplo: en experimentos de campo es usual considerar el efecto de borde, en este
caso, la unidad de observacin es considerada como el rea til (parcela neta).
La unidad experimental puede asumir las ms diferentes formas y tamaos, dependiendo del
objetivo del trabajo y del material experimental.
Con relacin al tamao de la unidad experimental, el estadstico debe hacerse las siguientes
preguntas:
Se han realizado experimentos con la especie que va a investigar?
Si se han realizado, y los resultados fueron satisfactorios, con un coeficiente de variacin bajo,
se debe trabajar con el mismo tamao de parcela.
Si no se han realizado, se debe preguntar al investigador sobre la homogeneidad del material

experimental.
a)
Si es homogneo: las parcelas pueden ser pequeas.
b)
Si es heterogneo: las parcelas deben ser grandes, pero, de acuerdo con la

disponibilidad del material experimental y del personal capacitado para trabajar con
ese material.
Cuando existe duda sobre el tamao de la unidad experimental, el investigador debe ser
orientado en el sentido de ofrecer al estadstico, o aquel que ir hacer los anlisis estadsticos, las
mediciones individuales, pues, con eso se puede medir la VARIACIN DENTRO Y ENTRE LAS
UNIDADES EXPERIMENTALES. Esto dar una orientacin sobre el tamao de la unidad
experimental. Por ejemplo, tomando el caso de dos unidades experimentales:
e21
d1
2
sd21
sd2 =
d2
sd22
varianza estimada de las muestras dentro de las unidades experimentales (est dada por
el error de muestreo.
e2 = Varianza estimada entre unidades experimentales (dada por el error experimental)

Algunas conclusiones importantes:
d2
e2 : Se debe aumentar el tamao de la unidad experimental.
d2
e2 : Se puede mantener o aumentar el tamao de la unidad experimental.
EJEMPLO 1.1
Considere los siguientes resultados de un experimento que se realiz con submuestreo:
Cuadrado medio del error de muestreo ( s d2 ):
7.93
Cuadrado medio del error experimental ( s e2 ):

Nmero de muestras (m):
11.278
3
Con esta informacin, encuentre el valor de
2
e
y discuta los resultados.
Solucin:
se2
Como
2
d
2
d
2
e
puede ser estimada a travs de s d2 , se tiene que: se2
Y el valor de
2
e
se obtiene as:
sd2
2
e
2
e
se2
sd2
m
11.278 7.93
3
1.2 (Varianza real entre unidades experimentales)
Conclusin:
Como d2 > e2 : se plantea la necesidad de aumentar el tamao de las unidades experimentales, y la
precisin del muestreo.
Chacn (1976) indica que los factores que influyen en el tamao y la forma de la parcela:
1
2
3
4
5
Extensin superficial del terreno disponible

Tipo de suelo
Clase de cultivo
Objetivo de la investigacin
Uniformidad del material experimental
6
7
8
9
10
Mtodo de cultivo
Nmero de tratamientos y de repeticiones
Recursos econmicos disponibles
Muestreo dentro de la unidad experimental
Grado de precisin deseado.
Chacn (1976) tambin cita que el mtodo de la Mxima Curvatura fue el primero que se
utiliz para conseguir tamao de parcela, es el mtodo general; hace uso de los llamados ensayos en
blanco que consisten en sembrar un rea relativamente grande de un solo cultivo aplicando las mismas
tcnicas, los mismos mtodos culturales, tratando de que exista la mayor uniformidad posible; por ello
se denominan ensayos de uniformidad, ya que el nico factor que se desea que vare es la
heterogeneidad del suelo.
E1 rea es cosechada en unidades bsicas (rea pequea de cosecha en la cual es dividida el
rea total), a estas unidades se les calcula posteriormente la varianza, la desviacin estndar, la media y
el coeficiente de variacin. Estos tambin son calculados para parcelas ms grandes creadas con la
unin de unidades bsicas contiguas. Luego se plantean en una curva la desviacin estndar con los
diferentes tamaos de parcela obtenidas, tambin se puede utilizar el coeficiente de variacin. Se
localiza entonces el punto de curvatura mxima y la consiguiente estimacin del tamao ptimo de
parcela en forma grfica. E1 punto donde se encuentra el tamao ptimo es aquel donde un aumento
en X (rea) no produce un descenso marcado en el coeficiente de variacin, localizndose el punto
de mxima curvatura.
Para mayor informacin sobre el procedimiento, consulte las tesis de
Barrientos Garca, M. (1981), lvarez Cajas, VM (1982) y Hernndez Dvila, A. (1982).
En cuanto a la forma de la parcela, Chacin (1976) afirma que tiene menos influencia que el
tamao en la disminucin de los coeficientes de variacin, por lo tanto en la deteccin de diferencia
entre tratamientos. Sin embargo, algunas veces la forma de parcela puede ser muy importante, ella
depende mucho del manejo de las diferentes prcticas culturales, forma general del campo y exigencia
del cultivo que se trate.
Existe una gran variacin en la forma de la parcela, puede haber parcelas rectangulares de
diferentes dimensiones y en diferentes sentidos, al igual que forma de parcela cuadrada. La forma
rectangular tiene las ventajas de que muchas veces facilita las prcticas culturales del cultivo, uso de
mquina, riego, fertilizacin, control de plagas, etc. Segn Banzatto y Kronka (2011) las parcelas
rectangulares son ms eficientes en la superacin de la heterogeneidad del suelo cuando su eje mayor
est en la direccin de la mayor variacin del suelo.
A continuacin se presenta una recopilacin de algunos tamaos de unidad experimental
utilizados en experimentos que se han realizado en Guatemala.
6
Caa de azcar.
6 surcos con caa, de 10 metros de largo, con una distancia de 1.5 m entre surco; haciendo un
rea de 90 m2 por unidad experimental.
5 surcos con caa, de 10 metros de largo, con una distancia de 1.5 m entre surco; haciendo un
rea de 75 m2 por unidad experimental.
Gramneas (maz, arroz, sorgo, etc.)
3 a 10 surcos de plantas, de 10 m de largo.
Ctricos.
1 hasta 4 plantas por parcela
Pia.
16 plantas, distanciadas 0.35 m entre planta y 1.6 m entre surco. 2 surcos/unidad experimental
de 3.15 m de largo y 2.1 m de ancho (6.62 m2)
de 3 m de largo y 2 m de ancho. (6 m2)
de 4 m de largo y 1.2 m de ancho. (4.8 m2)
Brcoli.
132 plantas, distanciadas 0.45 m entre planta y 0.5 m entre surco. 11 surcos/unidad
experimental de 5.4 m de largo y 6 m de ancho. (32.4 m2)
Chile pimiento.
18 plantas ( en 6.48 m2), 23 plantas ( en 7.68 m2), 27 plantas ( en 8.64 m2), 48 plantas ( en
11.20 m2), hasta 180 plantas ( en 57.6 m2)
Experimentos en laboratorio.
3 semillas germinadas dentro de un tubo de ensayo.
1 explante de aproximadamente 5 mm colocado en frascos de vidrio con 25 ml de medio de
propagacin.
1 meristemo con 2 primordios florales en cada tubo de 25 150 mm. En total 10 meristemos
por unidad experimental.
Finalmente, la seleccin de la unidad experimental, de un modo general, debe ser orientada en
el sentido de minimizar el error experimental, esto es, las unidades experimentales deben ser lo ms
homogneas posibles, para que, cuando sean sometidas a tratamientos diferentes, sus efectos sean
fcilmente detectados.
7
d)
Seleccin de las variables a ser medidas en las unidades experimentales.
En los experimentos, los factores y sus niveles son definidos y aplicados, y sus efectos son
observados en las variables de inters, denominadas: variables de respuesta (variables dependientes).
Su anlisis es el objetivo bsico de un experimento, una vez que el estudio de la influencia de los
factores sobre ellas es el que deber responder a las preguntas de la investigacin.
Las medidas realizadas en las unidades experimentales luego de ser sometidas a los
tratamientos, constituyen los valores de la variable de respuesta, la cual en general, es determinada a
priori por el investigador, o sea que, l sabe cul es la variable que quiere medir. Lo que constituye
un problema, algunas veces, es la manera como la variable es medida, pues de esto depende la
precisin de las observaciones y la distribucin de probabilidad de la variable, lo cual es esencial para
la seleccin del mtodo de anlisis estadstico.
Debe seleccionarse la o las variables ms idneas que realmente permitan juzgar o evaluar el
comportamiento o efecto de los tratamientos en estudio. Por ejemplo, Castillo Fratti (1996) realiz un
experimento para evaluar el efecto de la incisin anular sobre la calidad y el rendimiento de la fruta de
uva de mesa en dos localidades del nororiente de Guatemala. Utiliz un diseo de bloques completos
al azar, con 5 tratamientos y 4 repeticiones; la unidad experimental estuvo constituida por 3 plantas de
uva completamente desarrolladas (adultas) y podadas (en un rea de 6 m2). Las variables de respuesta
medidas las clasific en:
De rendimiento: nmero de racimos por planta, peso del racimo individual y promedio por
planta, nmero de bayas por racimo, peso y volumen de la baya.
De calidad: tamao de la fruta, grados brix y prueba de aceptacin.
Otras variables: relacin de yemas vegetativas y yemas florales y das a la cosecha.
e)
Seleccin del diseo experimental.
Para elegir el diseo es necesario considerar el nmero de repeticiones, las condiciones del
sitio experimental y las condiciones de manejo del ensayo. De acuerdo con Martnez (1994), cuando
se proyecta un experimento, el investigador debe tener en mente dos aspectos bsicos a saber: (1) la
eleccin, propiamente hablando, del arreglo geomtrico o diseo experimental, que tiene por objetivo
definir el arreglo de los tratamientos sobre las unidades experimentales, y (2) la composicin o
proyecto de los tratamientos, lo cual constituye el diseo de los tratamientos, que se refiere al proyecto
de las combinaciones de niveles, cuando se examina el efecto de dos ms factores, sobre una
caracterstica en estudio.
f)
Anlisis estadstico de los datos experimentales
Deben emplearse mtodos estadsticos para analizar los datos, de modo que los resultados y
conclusiones sean objetivos ms que apreciativos. Si el experimento se dise correctamente y si se ha
realizado conforme al diseo, los mtodos estadsticos que se requieren no son complicados. Existen
diversos paquetes estadsticos para el anlisis de datos, por ejemplo: SAS, R, STATISTICA, SYSTAT,
SPSS, INFOSTAT, MSTAT, GENSTAT, GENES, etc.; y varios mtodos grficos sencillos que son
importantes en la interpretacin de tales datos. En las computadoras del Centro de Telemtica (CETE)
de la FAUSAC actualmente disponemos de la licencia del Infostat v. 2012. Este programa tambin est
disponible en versin estudiantil, para obtenerla ingrese a www.infostat.com.ar
8
Las tcnicas estadsticas, aunadas a un buen conocimiento tcnico o del proceso y al sentido
comn, suelen llevar a conclusiones razonables.
Uno de los mtodos de anlisis de datos provenientes de experimentos es el del anlisis de
varianza (ANOVA), generalmente atribuido a Ronald Fisher. El anlisis de varianza es un proceso
aritmtico y estadstico que consiste en descomponer la variacin total en fuentes o causas de
variacin. La variacin total se entiende como la variacin entre las unidades experimentales. Este
proceso permite la descomposicin de la variacin y no de la varianza. Para utilizarse correctamente
este proceso es fundamental conocer, adems de la variacin inherente a las unidades experimentales,
cules son las otras fuentes previstas de variacin.
Las fuentes de variacin presentes en un anlisis de varianza debern ser los efectos
principales, los efectos de interaccin, los efectos de anidamiento y el residuo, que estimar la
variabilidad inherente a las unidades experimentales.
El efecto principal corresponde al efecto de un factor tomado como una media de los dems
factores, incluyendo las repeticiones, presentes en el experimento.
El efecto referente a las interacciones mide el diferencial de un factor cuando el otro cambia de
nivel. Cuando involucra ms de dos factores su significado es ms complejo.
El efecto anidado tambin es un efecto medio con relacin a los dems factores dentro de los
cuales l no est anidado.
El residuo es la fuente de variacin que representa toda la variacin no provocada por el
investigador. Si ninguna fuente sistemtica estuviera contenida en el residuo, entonces l es un
estimador no sesgado de la varianza poblacional de la variable de respuesta.
La identificacin de todas las fuentes de variacin presentes en un experimento, puede ser
fcilmente ser realizado a travs de un diagrama esquemtico conocido como diagrama de Hasse, que
es uma herramienta grfica que tiene como objetivo facilitar la comprensin de la estructura presente
entre los factores experimentales, por muy complejos que sean los ensayos. Adems de una mejor
visualizacin del experimento, provee atravs de reglas propuestas en la literatura, los nmeros de
grados de libertad de cada fator. Bajo condicin de ortogonalidad del diseo, se pueden obtener
tambien las matrices ncleo de las formas cuadrticas para las sumas de cuadrados y las esperanzas de
los cuadrados medios, propiciando la relacin adecuada para la aplicacin de la prueba de F (Alcarde,
2007).
El diagrama de Hasse es un resultado de conceptos matemticos referidos a estructura ltice y
diseos de estructura experimental, discutidos por Trockmorton (1961), Kempthorne (1961, 1994),
Zyskind (1961) y Kempthorne en asocio con Folks (1961), todos ellos citados por Restrepo, L. (2007).
A continuacin se presenta un diagrama de Hasse que contiene los grados libertad, para un
experimento bifactorial en bloques al azar con arreglo en parcelas divididas; fueron evaluadas 4
variedades de avena (Var), 4 tratamientos para desinfeccin de semillas (Trsem), distribuidos en 4
bloques. Los niveles de las variedades fueron colocados en las parcelas grandes y los tratamientos de
desinfeccin de semillas en las parcelas pequeas. La descripcin detallada de este tipo de ensayos se
encuentra en el captulo 8.
9
Factores no aleatorizados
Factores aleatorizados
Bloque
4
Var
4
B
3
Bloque^Parcela
16
Bloque^Parcela^Sub
64
P [B]
12
V
3
Trsem
4
Var^Trsem
16
T
3
V#T
9
S [B^P]
48
Efectos cruzados: se representan as, por ejemplo: V #T, significa todas las posibles combinaciones de
los niveles de variedades con los de tratamiento de las semillas.
Efectos aninados: se representan as, por ejemplo: P[B], significa que las parcelas estn anidadas
dentro de los bloques.
El esquema del ANOVA con los grados de libertad queda de la siguiente manera:
Fuentes de Variacin
Bloques
Parcelas [Bloques]
Variedades
Residuo (a)
Subparcelas [Bloques ^ Parcelas]
Trsem
Trsem#Variedades
Residuo (b)
Grados de Libertad
3
12
3
9
48
3
9
36
10
1.2
PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL
1.2.1
Repeticin
La repeticin se refiere al nmero de veces que el tratamiento aparece en el experimento, y es

determinado a partir de informaciones sobre la variabilidad de las unidades experimentales en trminos
de la variable dependiente.
La importancia de la repeticin est en proporcionar una estimacin del error experimental
(varianza), aumentar el poder de las pruebas estadsticas como F y las pruebas de mdias y aumentar la
precisin de las estimaciones de las medias de los tratamientos. El nmero de repeticiones a ser
utilizado es fijado por la experiencia del investigador y depender de la grandeza del error deseado y
de la variabilidad del material en estudio. En general se tiene como regla prctica, que el nmero
mnimo de parcelas que ir a componer un experimento es de 20 y que el error experimental (residuo)
debe tener por lo menos 10 grados de libertad (Gomes, 2000). Una solucin para determinar el
nmero de repeticiones es citada por Gomes (2000), y consiste en el uso de la prueba de Tukey y es
dada por la siguiente ecuacin:
Nmero de repeticiones
Siendo:
q
=
s2
q 2 s 2 F(n1 ,n 2 ,
d
amplitud total estudentizada para el experimento a ser realizado (valor tabulado)
F(n1 ,n 2 , ) =
es el cuadrado medio del error (o residuo) del experimento anterior, con n2 grados de
libertad.
valor tabulado para el nivel de significancia seleccionado.
diferencia mnima que deber ser estadsticamente probada por el experimento.
Es de notar, que el uso de esta ecuacin requiere datos de experimentos semejantes. Este nmero de
repeticiones garantizar una probabilidad de que el ensayo no vaya a comprobar una diferencia d,
esto es, una probabilidad 1 de que sea comprobada estadsticamente por la prueba de Tukey. Como
los valores de q y de F a ser usados en el segundo miembro dependen del nmero de repeticiones, es
claro que solo se puede obtener una solucin por aproximaciones sucesivas, a partir de una tentativa
inicial cualquiera. A continuacin se presenta un ejemplo ilustrativo.
EJEMPLO 1.2
Se planific un experimento con 5 variedades de caa de azcar, de un ensayo anterior se obtuvo una
estimacin de la desviacin estndar del residuo (la raz cuadrada del cuadrado medio del error
experimental), s2 = 7.44 TCH (toneladas mtricas de caa por hectrea), con n2 = 60 grados de libertad,
y considerando que el nuevo experimento deba comprobar por la prueba de Tukey cualquier diferencia
de produccin de 15 TCH o ms. Si en el experimento se utilizar el diseo bloques completos al azar
y se considerarn 5 repeticiones, como valor inicial.
En este caso, se tendrn 4 grados de libertad (t 1) para tratamientos (variedades) y n1 = 16 grados de
libertad para el residuo (gl residuo = (t 1) (r 1) = (5 1) (5 1) = 16), luego, con un nivel de 5% de
probabilidad se encuentra en la Tabla 2 que q = 4.33. Por otra parte, el valor de F, tambin con un
nivel de significancia de 5% de probabilidad, con n1 = 16 y n2 = 60 grados de libertad, es F = 1.81.
Con estos datos se tiene que:
11
4.332 7.442 1.81

8.3
152
Si se contina con el procedimiento iterativo, se generar la tabla y grfica siguientes:

r inicial
n1
n2
r definitivo
16
60
4.33
1.82
8.3
20
60
4.23
1.75
7.6
24
60
4.17
1.70
7.2
28
60
4.13
1.66
6.9
32
60
4.096
1.64
6.7
10
36
60
4.082
1.61
6.5
11
40
60
4.04
1.59
6.3
12
44
60
4.028
1.58
6.2
13
48
60
4.016
1.57
6.14
14
52
60
4.004
1.55
6.06
15
56
60
3.992
1.54
5.99
16
60
60
3.98
1.53
5.92
51
200
60
3.86
1.44
5.21
No. repeticiones definitivo
5
4
12
16
20
24
28
32
36
40
44
48
52
No. repeticiones inicial
A partir de esta grfica, se puede concluir que el nmero de repeticiones estara entre 5 y 6.
Gomes, FP (2000) tambin indica que una solucin interesante se obtiene de manera anloga, cuando
se conoce el coeficiente de variacin (CV) y la diferencia mnima d, en porcentaje, a ser comprobada.
Se tiene entonces que:
q 2 (CV%) 2 F(n1 ,n 2 , )
(d%)2
12
Si por ejemplo, el caso de un coeficiente de variacin, del experimento anterior, CV =15%,
calculado con una desviacin estndar del residuo que tena n2 = 60 grados de libertad. Si se desea
saber el nmero necesario de repeticiones de un experimento a ser realizado, con 8 tratamientos y d
=25%, tomando como punto de partida 3 repeticiones, se encuentra:
4.992 (15) 2 1.86

16.7
(25) 2
Si se contina con el procedimiento iterativo, se generar la tabla y grfica siguientes:

r inicial
n1
n2
r definitivo
14
60
4.99
1.86
16.7
21
60
4.75
1.73
14.1
28
60
4.63
1.66
12.8
35
60
4.56
1.62
12.1
42
60
4.51
1.59
11.6
49
60
4.48
1.56
11.3
56
60
4.46
1.54
11.0
10
63
60
4.44
1.53
10.8
11
70
60
4.43
1.52
10.7
12
77
60
4.42
1.51
10.6
13
84
60
4.41
1.50
10.5
14
91
60
4.40
1.49
10.4
15
98
60
4.39
1.48
10.3
16
105
60
4.38
1.48
10.2
30
203
60
4.29
1.44
9.5
16
r definitivo
14
10 repeticiones sera el nmero ptimo.

12
10
10
15
r inicial
20
25
30
13
1.2.2
Aleatorizacin
Se refiere a la asignacin de los tratamientos a las unidades experimentales, de tal manera que
todas las unidades tengan la misma probabilidad de recibir un determinado tratamiento, a travs de
sorteo o de la tabla de nmeros aleatorios. Aleatorizar los tratamientos significa eliminar tendencias,
errores sistemticos y preferencias que puedan darse en la distribucin de los tratamientos a las
unidades experimentales. Si la repeticin hace posible una prueba de hiptesis, la aleatorizacin
contribuye a hacerla vlida. Su funcin es evitar posibles inducciones en las conclusiones de la
investigacin y garantizar la independencia de los datos, tornando las estimaciones de las medias de
los tratamientos y del error experimental no tendencioso. El proceso de aleatorizacin de los
tratamientos en las unidades experimentales puede ser realizado en los programas SAS y R.
Los principios bsicos de repeticin y de la aleatorizacin son obligatorios en cualquier diseo
experimental.
1.2.3
Control local
Se refiere a restringir la aleatorizacin de los tratamientos a grupos de unidades experimentales

con poca variabilidad entre s. Este principio es aplicado cuando se sabe a priori de la existencia de
variacin en el ambiente experimental, no pudiendo correr el riesgo de efectuar una aleatorizacin
completa de los tratamientos en las unidades experimentales. Esta situacin puede y es muchas veces
resuelta de forma satisfactoria a travs de un agrupamiento de unidades experimentales homogneas
entre si y, dentro de esos grupos de unidades homogneas, tambin conocido como bloques, es
realizada la aleatorizacin.
Este procedimiento es adoptado con la finalidad de hacer ms eficiente el experimento,
incrementando la sensibilidad de las pruebas de significancia al reducir la magnitud del error
experimental.
1.3
ERROR EXPERIMENTAL
Es un trmino propio de la experimentacin y no es sinnimo de equivocacin o descuido sino

se refiere a la imposibilidad de poder llegar a resultados idnticos con unidades experimentales
tratadas de la misma manera. Existen diferencias debidas a factores genticos y ambientales que van
ms all del control que el investigador pueda ejercer. Al error experimental tambin se le define
como la variabilidad no controlada que existe entre las unidades experimentales que reciben la
aplicacin del mismo tratamiento. La existencia del error experimental hace necesarias las tcnicas
estadsticas de anlisis de los resultados para obtener buenas estimaciones del efecto de los
tratamientos y de las diferencias entre los mismos, las primeras mediante el promedio de los resultados
de las unidades experimentales que recibieron cada tratamiento, y el segundo determinando la
probabilidad de que las diferencias entre tratamientos hayan ocurrido por casualidad. Se establecen
dos fuentes principales de error experimental:
1.
Variabilidad inherente al material experimental sobre el cual se aplican los tratamientos. En

general, esta variabilidad no es posible evitarla y comprende la heterogeneidad del suelo, la
variabilidad gentica, la variabilidad del clima, etc.
2.
Variabilidad resultante de cualquier falta de uniformidad en la ejecucin del experimento, es

decir, la deficiencia de poder uniformizar la tcnica experimental, tal el caso de: la preparacin
del suelo, densidad de siembra, prcticas culturales, mediciones y toma de datos, etc.
14
Segn su magnitud, el error experimental producir un enmascaramiento de los verdaderos
efectos de los tratamientos, lo que a su vez producir un incremento en el riesgo de obtener
conclusiones equivocadas. Por esta razn es imperativo reducir (puesto que no es posible eliminar), el
efecto de todos aquellos factores que no son lo que interesan en el estudio.
Mayor error experimental equivale a menor precisin1. Como un criterio para juzgar la
magnitud del error experimental se utiliza el coeficiente de variacin, para una misma variable de
respuesta, el incremento del coeficiente de variacin significa un mayor error experimental, lo cual
puede deberse a deficiencias en el diseo o a poco cuidado en la ejecucin de las diversas actividades
que el experimento conlleva, si se supone que el experimento fue bien diseado, un coeficiente de
variacin alto, generalmente significa mal manejo del experimento, (esto depende del tipo de
experimento y de la escala utilizada en la medicin de la variable respuesta).
Los procedimientos que se pueden emplear para incrementar la precisin de un experimento
consisten en tratar de reducir el error experimental, esto puede lograrse por medio de las siguientes
acciones:
a)
Incrementando el nmero de repeticiones, aunque el grado de mejoramiento decrece

rpidamente cuando el nmero de repeticiones aumenta, por ejemplo, para duplicar la
precisin de un experimento con 4 repeticiones stas se debern aumentar a 16.
b)
Seleccionando material experimental tan homogneo como sea posible o estratificacin

cuidadosa del existente (buscar el material experimental que tenga las caractersticas deseadas
o seleccionar el diseo ms apropiado a las caractersticas del material con que se cuente). Es
deseable seleccionar material uniforme pero no se debe olvidar de la poblacin acerca de la
cual se desea hacer inferencias, razn por la cual en agronoma es recomendable usar material
experimental de los tipos que se emplearn en la produccin real y estratificar adecuadamente.
c)
Ejecutando cuidadosamente el experimento, de manera que se logre uniformidad en la tcnica

empleada para que se tenga la oportunidad de medir las diferencias entre los efectos de los
tratamientos.
d)
Seleccionando el tamao y forma de la unidad experimental. Generalmente a mayor tamao se

conseguir menor error experimental. Las parcelas rectangulares de terreno deben ubicarse
con sus ejes mayores en el sentido de la mayor variabilidad del suelo. En animales es
preferible usar un animal como unidad experimental en lugar de tener varios y as obtener
mayor nmero de repeticiones.
e)
Usando informaciones proporcionadas por variables aleatorias relacionadas (llamadas

covariables), esto se refiere a la toma de datos adicionales, el peso final o la ganancia de peso
de un animal depende del peso inicial, el rendimiento depende del nmero de plantas
cosechadas, del contenido de humedad, etc. Esta informacin adicional es utilizada en el
anlisis de covarianza.
f)
Tomando los datos de variables de respuesta solo en la parcela til para evitar el efecto de
bordes y cabeceras.
g)
Utilizando mtodos de anlisis adecuados al diseo y a la naturaleza de los datos.
Precisin: es la capacidad de detectar diferencias verdaderas entre los promedios de los tratamientos
15
1.4
CARACTERSTICAS DEL DISEO EXPERIMENTAL
Un buen diseo experimental es aquel que proporciona la informacin requerida con el

mnimo esfuerzo experimental. La informacin requerida se refiere a que los datos permitan un
anlisis objetivo que conduzca a conclusiones vlidas con respecto al problema que se estudia, en
cuanto al esfuerzo experimental se entiende por el ahorro de tiempo, dinero, personal y material
experimental. Vale hacer nfasis en caractersticas como:
1.
Simplicidad: la seleccin de los tratamientos y su disposicin en el experimento debe ser lo

ms simple posible, pero consistente con los objetivos del problema.
2.
Grado de precisin: el experimento debe ser capaz de medir diferencias entre tratamientos,
con el grado de precisin deseado, lo cual est muy asociado a diseo empleado, al tamao de
la unidad experimental y al nmero de repeticiones.
3.
Ausencia de errores sistemticos: las unidades experimentales que reciben el mismo

tratamiento no deben tener diferencias sistemticas con las que reciben cualquier otro
tratamiento, para poder obtener una buena estimacin del efecto de los tratamientos.
4.
Amplio rango de validez de las conclusiones: es deseable tratar de que las conclusiones a las
que se llegue, tengan un rango de validez lo ms amplio posible. Repetir en el tiempo y/o
espacio un experimento ayuda para esto, los experimentos factoriales tambin son tiles para
este propsito.
5.
Grado de incertidumbre: un buen experimento deber permitir calcular la probabilidad de que

los resultados hayan sido obtenidos nicamente por casualidad, es decir, que debe proveer los
datos suficientes y necesarios para contrastar objetivamente la hiptesis nula.
1.5
ALGUNAS RECOMENDACIONES EN LA APLICACIN DE LOS MTODOS

ESTADSTICOS EN LA EXPERIMENTACIN
Montgomery (2004) cita que el uso inteligente de las tcnicas estadsticas en la

experimentacin requiere que el investigador tenga en mente los siguientes puntos:
1.
Uso del conocimiento no estadstico del problema. Generalmente los investigadores conocen a
fondo su campo de especialidad. En algunos campos puede utilizarse una gran cantidad de
teora para explicar las relaciones que hay entre los factores y las respuestas. Este tipo de
conocimiento no estadstico es invaluable al elegir los factores y sus niveles, al decidir el
nmero de repeticiones que se desean realizar, al analizar los resultados, etc. La estadstica no
puede sustituir el hecho de reflexionar sobre el problema.
2.
Mantener el diseo y el anlisis tan simple como sea posible. No se debe exagerar el uso de
tcnicas estadsticas complejas y muy refinadas. Por lo general, lo ms adecuado son los
mtodos de diseo y anlisis relativamente simples. Si se realiza el diseo cuidadosa y
correctamente, el anlisis ser con frecuencia, relativamente directo.
3.
Reconocer la diferencia entre la significacin prctica y la estadstica. No hay seguridad de que

una diferencia sea suficientemente grande, desde el punto de vista prctico, por el solo hecho
de que dos condiciones experimentales producen respuestas medias, estadsticamente
diferentes.
16
4.
Usualmente los experimentos son iterativos. Generalmente, al inicio de un experimento no se

est en condiciones de responder adecuadamente a todas las preguntas de investigacin, pero
es posible conocer las respuestas a medida que se avanza en la experimentacin. Esto favorece
el empleo del enfoque iterativo o secuencial.
1.6
VALIDEZ EXPERIMENTAL
Un experimento es vlido si llega a comprobar lo que en realidad siempre ha sido cierto. En

otras palabras, un experimento es vlido s:
1)
Los resultados obtenidos se deben solamente a la variable independiente, y
2)
Se pueden generalizar los resultados con respecto a situaciones ajenas al ambiente donde se
lleva a cabo el experimento.
Cuando los resultados que se obtienen se deben solamente a la variable independiente, se dice
que tienen validez interna. Cuando se pueden generalizar los resultados con respecto a otras
situaciones se llama: validez externa. Una de las dificultades que se nos presentan al realizar una
investigacin experimental, es que es difcil (si no imposible) aumentar al mximo un tipo de validez,
a la vez que el otro se aumenta al mximo.
Las variables extraas que afectan a la variable dependiente constituyen amenazas a la validez
interna de un experimento. Para poder controlar todas las variables extraas (validez interna) sera
necesario contar con una situacin tan especial, que se hara difcil generalizar con respecto a otras
situaciones (falta de validez externa). Si la situacin experimental es muy natural y constituye un buen
ejemplo de lo que son muchas situaciones (validez externa), generalmente es porque existen muchas
variables extraas (falta de validez interna).
1.6.1
Amenazas a la Validez Interna
Campbell, D. y Stanley, J. (1982) identificaron ocho variables extraas que constituyen las
principales amenazas a la validez interna de un experimento:
1)
Historia: es todo aquello que sucede fuera de la situacin experimental sobre lo cual el
investigador no tiene algn control, pero que puede influir en la variable dependiente.
2)
Maduracin: se refiere al crecimiento fsico, emocional e intelectual que sucede por obra
natural a travs del tiempo. A veces, los cambios de esta naturaleza explican que haya
diferencias en la variable dependiente.
3)
Uso de tests: constituye una amenaza a la validez interna cuando el pre-test mismo influye en
la calificacin que se obtenga en el post-test.
4)
Instrumentacin: se refiere a los problemas de confiabilidad que puedan existir en los

instrumentos de investigacin. La instrumentacin puede adems resultar problemtica, si el
post-test que se aplica es muy distinto al pre-test y si se cambia la manera de calificarlos.
17
5)
Regresin estadstica: puede suceder cuando los grupos se seleccionan con base en
calificaciones extremas. Existe una tendencia estadstica cuando se trata de grupos altos y
bajos, de regresar hacia la media a travs de la aplicacin de otro test.
6)
Seleccin diferencial de sujetos: es otro nombre que reciben algunos sesgos de muestreo. Se
refiere especficamente al hecho de que si los sujetos de los grupos experimentales no se
seleccionan aleatoriamente, las diferencias que se encuentren en el experimento tal vez
obedezcan a diferencias iniciales que haba entre los grupos y no al tratamiento experimental.
7)
Mortalidad: es sinnimo de prdida de individuos, es decir, otro tipo de sesgo de muestreo.
8)
Interaccin: se refiere al efecto que produce la combinacin de dos o ms de las otras

amenazas mencionadas anteriormente.
1.6.2
Amenazas a la Validez Externa

Campbell, D. y Stanley, J. (1982) identificaron cuatro amenazas a la validez externa:
1)
Efecto reactivo del pre-test: significa que cabe la posibilidad de que el tratamiento
experimental no funcione sin haber aplicado previamente el pre-test. Si en otra situacin se
aplicara el tratamiento, sin el pre-test, es posible que no se obtuvieran los resultados esperados.
2)
Interaccin entre la seleccin y el tratamiento: es semejante a la amenaza a la validez

interna que se conoce como seleccin diferencial de sujetos. La diferencia es que, quizs la
diferencia entre el grupo experimental y el grupo de control sea verdadera, pero esos dos
grupos son tan particulares que esa misma diferencia no va a encontrarse empleando otras
muestras de la poblacin.
3)
Situaciones reactivas: se refieren a la manera de realizar el experimento.
4)
Interferencia de tratamientos mltiples: se refiere a lo que puede pasar cuando los sujetos
reciben ms de un tratamiento. Es posible que el efecto que se haya medido despus de aplicar
un segundo tratamiento tenga que ver con el primer tratamiento.
En los siguientes 10 captulos se presenta la descripcin de los principales diseos

experimentales utilizados en Agronoma y ciencias afines. En cada captulo se desarrollan ejemplos
detalladamente, mostrando paso a paso los clculos realizados. Adems se presentan los respectivos
programas elaborados en SAS (Statistical Analysis System, v. 9.13) y en algunos casos salidas de
Infostat v.2012 (puede consultar el manual del usuario disponible dentro del programa). Para ampliar
sus conocimientos sobre el uso de SAS y su aplicacin en Estadstica Experimental, pueden consultar
las pginas web siguientes:
a)
Diseo y Anlisis de Experimentos usando SAS. S.P. Sinha. Instituto de Estadstica Aplicada
y Computacin, Universidad de Los Andes, Mrida, Venezuela.
http://webdelprofesor.ula.ve/economia/sinha/index.htm#beg
b)
LCE-602 Estatstica Experimental (aulas prticas) A.A. Franco Garca, D. Barbin y S. De

Stefano. Departamento de Ciencias Exactas, Escola Superior de Agricultura Luiz de
Queiroz, Universidad de So Paulo, Brasil. http://www.lce.esalq.usp.br/sonia.html
18
1.7
RESEA HISTRICA Y TENDENCIAS ACTUALES EN EL ANLISIS DE

DATOS EXPERIMENTALES
Los fundamentos de la Estadstica Experimental surgieron a partir de 1919, cuando Sir Ronald Fisher
(Londres, 1890-Adelaida, Australia, 1962) asumi la direccin del Departamento de Estadstica de la
Estacin Experimental de Rothamspstead en Londres, Inglaterra. La Rothamsted Experimental Station
fue fundada en 1843, como instituto pionero de investigacin agropecuaria mundial. En 1919, el
director del referido instituto decidi contratar un matemtico para crear un departamento de
Estadstica, con el objetivo de analizar la gran cantidad de datos acumulados de los llamados
experimentos clsicos instalados desde 1843. Fisher fue contratado y permaneci como jefe de este
departamento durante un largo perodo. Estando en Rothamsted, escribi dos artculos de gran
importancia, uno en 1922 sobre mxima verosimilitud, y otro en 1925 sobre pequeas muestras
experimentales, aclarando la diferencia entre estadstica muestral y valores de poblacin.
En 1925 Fisher desarroll el anlisis de varianza (ANOVA) con implicaciones en la estimacin de los
componentes de varianza y diseos experimentales. En 1926 enfantiz el papel crucial de la repeticin,
aleatorizacin y del control local en la eficiencia de los experimentos. Cre entonces el diseo de
bloques completos al azar.
Yates (1940) cre los diseos en bloques incompletos o ltices, los cuales permiten un mejor control
de la heterogeneidad experimental, que es equivalente al anlisis de modelos mixtos con bloques
aleatorios. Eisenhart (1947) identific formalmente efecto aleatorio, efecto fijo y modelos mixtos.
Siendo as, que los mtodos experimentales surgieron primero en las ciencias biolgicas y a partir de
entonces se generalizaron para todas las reas del conocimiento humano. A mediados de la dcada de
1950, se tena prcticamente definido el conjunto de esquemas experimentales, con los cuales se poda
resolver cualquier problema de la investigacin agronmica.
Henderson (1953) fue el primero en usar explcitamente la metodologa de los modelos mixtos para
estudios de mejoramiento gentico animal. Harville (1976, 1977) public la teora formal y completa
de los modelos mixtos. Aunque el anlisis de casos especiales de respuestas no normalmente
distribuidas como anlisis probit (Bliss, 1935) y anlisis Logit (Berkson, 1944) existan en el contexto
de bioensayos, textos sobre mtodos estadsticos estndar, tales como Steel et al. (1997) y Snedecor y
Cochran (1989) trataban el problema de falta de normalidad por medio del uso de transformaciones. El
propsito de las transformaciones, tal como logartmica, arcoseno y raz cuadrada fue permitir al
investigador obtener anlisis aproximados usando los mtodos estndar de la teora normal. Box y Cox
(1964) propusieron una clase general de trasnformaciones que incluia las antes mencionadas como
casos especiales. Con la misma finalidad, de permitir el uso de los mtodos estadsticos basados en la
distribucin normal.
Nelder y Wedderburn (1972) articularon la teora completa de modelos lineales para variables de
respuesta que no siguen una distribucin normal. Ellos asumieron que la distribucin de probabilidad
de la variable de respuesta pertenece a la familia exponencial. Esta familia de distribuciones de
probabilidad contiene un diverso conjunto de distribuciones continuas (normal, lognormal, gamma,
beta) y discretas (binomial, multinomial, Poisson, binomial negativa). Estos modelos fueron referidos
como Modelos Lineales Generalizados MLG (no debe ser confundido este trmino con el de
Modelos Lineales Generales, que es utilizado para variables de respuesta que siguen solamente una
distribucin normal). McCullagh y Nelder (1989) dieron inicio a la investigacin de los modelos
lineales generalizados de efectos mixtos. El software SAS tiene incorporados los procedimientos:
MIXED (para modelos mixtos), GENMOD (para MLG con efectos fixos) y GLIMMIX (para MLG
con efectos mixtos). En los programas R e Infostat tambin es posible trabajar estas metodologas.
19
CAPTULO 2
2.1
INTRODUCCIN
En este tipo de diseo estn incluidos los principios de repeticin y de aleatorizacin, o sea
que, es utilizado cuando no hay necesidad del control local, debido a que el ambiente experimental y
las condiciones de manejo son homogneos y los tratamientos se asignan a las unidades
experimentales mediante una aleatorizacin completa, sin ninguna restriccin.
2.1.1
Ventajas
a. La estructura del anlisis estadstico es simple.
b. Permite mxima flexibilidad en cuanto al nmero de tratamientos y nmero de
repeticiones.
c. La prdida de observaciones durante la conduccin del experimento no genera dificultades
en el anlisis y en la interpretacin de los resultados.
d. Rene el mayor nmero de grados de libertad en el residuo, en comparacin con otros
diseos.
2.1.2
Inconvenientes
a. Cuando el nmero de unidades experimentales es muy grande es difcil encontrar lugares
grandes que presenten la homogeneidad requerida.
b. Debido a que las fuentes de variacin no asociadas a los tratamientos o a los niveles del
factor en estudio, estn incluidas en el residuo como variacin del azar, la buena precisin
de los anlisis se ve comprometida.
2.1.3
Aleatorizacin
Considerando un experimento con t = 5 niveles del factor A (tratamientos) y r = 4 repeticiones

para cada nivel, se tiene que el nmero total de unidades experimentales (parcelas) incluidas en el
experimento es t r = 5 4 = 20. Las (t r) parcelas sern aleatorizadas sin restricciones, los t niveles
del factor A en estudio con sus r repeticiones, conforme se muestra en el siguiente croquis.
A1
A4
A3
A4
A2
A4
A2
A1
A5
A3
A2
A5
A2
A1
A3
A5
A3
A4
A5
A1
20
Las respuestas obtenidas en funcin de la aplicacin de cada nivel del factor A en estudio en
sus respectivas repeticiones pueden ser representadas por yij, que es considerada como una variable
aleatoria.
2.2
ANLISIS ESTADSTICO
A continuacin se muestra la representacin de las observaciones de un experimento, con un

factor con t tratamientos (o niveles) y r repeticiones.
Repeticiones
Tratamientos
2.2.1
...
y11
y12
y13
...
y1r
y1.
y21
y22
y23
...
y2r
y2.
y31
Y32
y33
...
y3r
y3.
.
.
.
T
.
.
.
yt1
.
.
.
yt2
.
.
.
yt3
.
.
.
...
.
.
.
ytr
.
.
.
yt.
Y..
Hiptesis
Ho:
Ha:
2.2.2
yi.
Y..
tr
(Todos los tratamientos producen el mismo efecto)

para al menos un i; i = 1,2, . . . t. (al menos uno de los tratamientos produce
efectos distintos)
Modelo Estadstico
Yij = +
ij
i = 1,2, . . . t
j = 1,2, . . . r
siendo,
2.2.3
Yij
= variable de respuesta de la ij-sima unidad experimental
= media general de la variable de respuesta
= efecto del i - simo tratamiento (nivel del factor) en la variable dependiente.
ij
= error experimental asociado a la ij-sima unidad experimental
Supuestos
Las suposiciones que validan el anlisis de varianza son:
21
a.
b.
c.
d.
Los errores son independientes.

Los errores estn normalmente distribuidos con media cero y varianza constante
Existe homogeneidad de varianzas entre los tratamientos
El modelo es lineal y de efectos aditivos.
2.2.4
Descomposicin de la suma de cuadrados total
El anlisis de varianza es un proceso aritmtico y estadstico, que consiste en descomponer la

variacin total en fuentes o causas de variacin. Por variacin total se entiende, la variacin entre las
unidades experimentales (o parcelas).
La variabilidad total de las observaciones Yij, cuando no se considera la informacin acerca de
los tratamientos, es medida en trminos de la desviacin total de cada observacin, esto es, la
desviacin de los Yij alrededor de la media general Y . . :
Yij
Y ..
(1)
Cuando se utiliza informacin acerca de tratamientos, las desviaciones entre cada observacin
Yij alrededor de la media estimada de su respectivo tratamiento, reflejan la incertidumbre restante en
los datos, y es dada por:
Yij
Y i.
(2)
La diferencia entre las desviaciones (1) y (2) refleja la diferencia entre la media estimada de
tratamientos y la media general:
(Yij
Y .. )
Yij
Y i. )
Y i. Y . .
(3)
Y . . en dos
Note que a partir de la ecuacin (3), se puede descomponer la desviacin total Yij
componentes:
Yij
Y ..
Desviacin total
Y i. Y . .
Desviacin de la media
estimada de tratamiento
alrededor de la media
general
A partir de esto, la desviacin total Yij
Yij
Y i.
(4)
Desviacin alrededor de
la media estimada de
tratamiento.
Y . . puede ser vista como la suma de dos componentes:
1. La desviacin de la media estimada de tratamientos alrededor de la media general.

2. La desviacin de Yij alrededor de la media estimada de su tratamiento, que es simplemente, el
residuo eij.
22
A partir de la ecuacin (4) se pueden obtener las expresiones matemticas utilizadas para
calcular las sumas de cuadrados de tratamientos, error experimental y total. Para realizarlo, se inicia
obteniendo la suma de cuadrados de la desviacin total:
Y . . )2 = [( Y i. Y . . ) + (Yij
( Yij
Y i . ) ]2
Luego, se obtiene la sumatoria de las desviaciones totales al cuadrado:

t
__
__
__
__
(Y i. Y ..) (Yij
i 1 j 1
Y ..)2
(Yij
(5)
Y i. )
i 1 j 1
__
Y ..) 2 = Suma cuadrados total, y desarrollando el binomio de lado derecho de la
(Yij
Como
i 1 j 1
ecuacin (5), sta quedara as:

t
__
__
__
(Y i. Y ..) 2
SCtotal
__
__
2(Y i. Y ..)( Yij
__
Y i. ) 2
Y i. ) (Yij
(6)
i 1 j 1
Sumando primero sobre j, la ecuacin (6) queda:

t
__
__
__
r (Y i. Y ..)2
SCtotal
__
2 (Y i. Y ..)
i 1
__
(Yij
Donde:
__
__
Y i. )
j 1
Y i. )
j 1
__
(Yij
__
Yij
r Y i.
Yi.
Yi.
r
j 1
__
(Yij
j 1
Yi.
Yi.
0 , por tanto
__
2 (Y i. Y ..)
(Yij
Y i. ) = 0, entonces:
j 1
SCtotal
__
__
(Y i. Y ..) 2
r
i 1
i 1 j 1
Suma de cuadrados
de tratamientos
t
__
Y i. ) 2
(Yij
__
Suma de cuadrados del

error experimental
__
(Y i. Y ..) 2
SCtrat = r
i 1
= r
__
(Y i.
i 1
__
__
__
2 Y i. Y .. Y .. 2 ) = r
__
Y i.
i 1
__
2r Y ..
__
Y i.
i 1
Y i. ) 2
__
(tr ) Y .. 2 (7)
23
t __
Yi .
2
, r Y i. = r
r
i 1
__
Para el primer trmino de la ecuacin (7), como: Y i .
__
i 1
__
Yij
Y i.
i 1
, y Y ..
2 r Y ..
Y i. =
2r
t
t
tr
t
, se tiene que:
i 1 j 1
Yij
i 1 j 1
tr
Yij
Yij
i 1 j 1
Yij
Yij
i 1 j 1
Yij
2
i 1 j 1
i 1
Yi .2
1 r
entonces:
tr
Yij
__
i 1
i 1 j 1
t
__
Yij
Yi .2
2
1 r
Yij
__
i 1 j 1
__
__
Y i. , se sabe que Y i.
2 r Y ..
En el caso del segundo trmino
i 1 j 1
i 1 j 1
= 2
tr
tr
Para finalizar, analicemos el tercer trmino:

t
__
Yij
Y ..
tr
S Y ..
Y ..2
, entonces (tr ) Y .. = (tr )
(tr ) 2
__
i 1 j 1
tr
2
Yij
2
i 1 j 1
i 1 j 1
tr
, entonces:
Yij
i 1 j 1
tr
Yij
i 1 j 1
Yij
tr
Y ..2
(tr )
tr
La expresin de suma de cuadrados para tratamientos (o sea, entre tratamientos) queda de la siguiente
manera:
t
t
i
Yij
Yi .2
1 r
i 1 j 1
tr
t
__
(Yij
Para el caso de la suma de cuadrados total:
Y ..) 2 , se tiene al desarrollar el binomio:
i 1 j 1
__
(Yij )2
SCtotal
i 1 j 1
__
2(Yij Y ..) (Y ..)2 , y al distribuir las sumatorias:
24
t
SCtotal
Yij
__
__
2 Y ..
i 1 j 1
tr Y ..2 , y como:
Yij
i 1 j 1
Y ..2
(tr ) Y .. = (tr )
(tr ) 2
__
t
t
i 1 j 1
, la suma de cuadrados total queda:
tr
Yij
SCtotal
Yij
Y ..2
(tr )
Yij
Yij
i 1 j 1
i 1 j 1
tr
tr
i 1 j 1
t
t
Yij
Yij
i 1 j 1
tr
i 1 j 1
La suma de cuadrados del error ( o sea, dentro de tratamientos), se obtiene por diferencia:
SCee = SCtotal SCtrat.,
t
t
Yij
SCee =
Yij
Yij
i 1 j 1
tr
i 1 j 1
SCee =
i 1 j 1
2.2.5
t
i
Yij
Yi .2
i 1 r
t
i 1 j 1
tr
Yi .2
1 r
Prueba de F
La estadstica F es definida como la razn de dos variables aleatorias independientes con

distribucin 2 (Ji-cuadrada o Chi-Square), cada una de ellas dividida por sus respectivos grados de
libertad, o sea:
Q1 / n1
,
Q2 / n 2
siendo Q1 una variable aleatoria con distribucin 2 y n1 grados de libertad y Q2 una variable aleatoria
con distribucin 2 y n2 grados de libertad, ambas independientes.
As, considerando que SCtrat/ 2 tiene distribucin 2 con (t 1) grados de libertad, bajo Ho, y
SCeet/ tiene distribucin 2 con t (r 1) grados de libertad y, son independientes, entonces el cociente
entre esas variables aleatorias, o sea:
2
SC trat /(t 1)
SCee / t(r 1)
CM trat
CM ee
Fo ,
tiene distribucin F de Fisher & Snedecor con (t 1) y t (r 1) grados de libertad, bajo Ho. Ese cociente
es la estadstica apropiada para evaluar la Ho, o sea: t1 = . . . = tI = 0.
25
As, se puede decidir por el rechazo de Ho, al nivel
Fo
F(
de significancia s:
; t 1; t (r 1)),
en que F( ;t 1; t (r 1)), es el cuantil de orden (1 ) de la distribucin F con (t 1) y t (r 1) grados de

libertad, como se muestra en la grfica siguiente:
Regin de aceptacin
F ( ; (o
t 1;no
t (r rechazo)
1))
de la hiptesis nula
Regin de rechazo (o no aceptacin)

de la hiptesis nula
F(
;t 1; t (r 1))
S el valor observado de F (Fo) es superior al valor crtico F( ;t 1; t (r 1)), la Ho es rechazada, por lo tanto
se concluye que existen diferencias significativas entre los efectos de los tratamientos.
2.2.6
Anlisis de varianza o variacin con aplicacin de la prueba de F
El esquema del anlisis de varianza abreviado como ANDEVA, ANOVA (ANalysis Of

VAriance) o bien ANVA; y las expresiones necesarias para la aplicacin de la estadstica F, para la
prueba de hiptesis se presentan en el siguiente cuadro.
Fuentes de
variacin (FV)
Grados de
libertad
(gl)
Suma de
Cuadrados (SC)
Y..2
tr
SCtrat / gl trat
SCtotal SCtrat
SCee / gl ee
Tratamientos
Error
t 1
t(r-1)
tr-1
Total
i 1
Yi2.
r
Cuadrados
Medios (CM)
i 1
j 1
Yij
Y..2
tr
Valor de F
CMtrat / CMee
26
Regla de Decisin
Rechazar Ho.
No Rechazar Ho.
Fcrtica =
2.2.7
Si Valor de F F crtico (gl trat; gl error;

Si Valor de F < F crtico (gl trat; gl error;
)
)
Valor crtico de F encontrado en la tabla F de Fisher & Snedecor, considerando los grados
de libertad de tratamientos (v1), los grados de libertad del error (v2) y un determinado nivel
de significancia ( )
Coeficiente de Variacin (CV)
Se le puede considerar como medida relativa de la variacin que no es posible controlar en el

experimento (error experimental) y se calcula de la siguiente forma:
CV
CMee
100
Y..
El coeficiente de variacin da una idea de la precisin del experimento, a un valor alto de CV
corresponde un alto error experimental, lo cual indica que existe poca capacidad del experimento para
detectar diferencias significativas entre los tratamientos.
De modo general, altos coeficientes de variacin indican experimentos mal manejados, pero
no siempre. El hecho de que el coeficiente de variacin sea alto puede deberse no solamente al mal
manejo del experimento, sino tambin a:
a) tipo de variable de respuesta (escala de medicin),
b) tipo de tratamientos,
c) errores en el anlisis de la informacin, etc.
El CV puede ser utilizado para comparar la precisin experimental de variables experimentales
semejantes. Es conveniente que el investigador revise bibliografa sobre los valores de coeficiente de
variacin obtenidos en cada cultivo y condicin donde se realiz el experimento (por ejemplo, un valor
de CV=10% puede ser considerado un valor bajo, pero para algunas condiciones no).
Considere la siguiente situacin donde se tienen las siguientes observaciones de una variable
de respuesta:
Variable de respuesta
Media
Desviacin estndar
CV%
36
16
9
4
16.25
14.06
86.50
Variable de respuesta
transformada (con raz
cuadrada)
6
4
3
2
3.75
1.71
45.54
Observe que hubo una reduccin del valor del CV% para la variable transformada. Por eso, el CV%
no siempre es un buen indicador de la precisin experimental (Dos Anjos, 2003). Para ms
informacin sobre control de calidad de experimentos puede consultar el texto de Storck et al. (2011).
27
2.2.8
Ejemplo de Aplicacin
Un silvicultor quiso comparar los efectos de cinco tratamientos de preparacin del terreno
sobre el crecimiento inicial en altura de plntulas de pino maximinoii. Dispuso de 25 parcelas y aplic
cada tratamiento a cinco parcelas seleccionadas al azar. La plantacin fue realizada manualmente y, al
final de cinco aos, se midi la altura de todos los pinos y se calcul la altura promedio de cada
parcela. Las medidas de las parcelas (en pies) fueron como sigue:
Yi.
A
15
14
12
13
13
67
B
16
14
13
15
14
72
Tratamientos
C
13
12
11
12
10
58
Y i.
13.4
14.4
11.6
SCtrat
67 2 722 582 57 2 592

=
5
SCtotal = 152 142
. . . 112
3132
25
3132
25
D
11
13
10
12
11
57
E
14
12
12
10
11
59
313
11.4
11.8
12.52
34.64
64.24
SCerror = 64.24 34.64

El resumen del anlisis de varianza es presentado a continuacin:
Fuentes de variacin
Tratamientos
Error Experimental
Total
Grados de
libertad
Suma de
cuadrados
Cuadrados
Medios
4
20
24
34.64
29.6
64.24
8.66
1.48
Valor crtico
F
5.85
2.87
CV = 9.72%
Nota: El valor crtico de F lo puede obtener directamente de la Tabla 1 del Apndice, o en MS
Excel, en el men INSERTAR busque funcin (fx) y luego seleccione la categora Estadsticas, y
dentro de stas DISTR.F.INV (probabilidad, grados_de_libertad1, grados_de_libertad2). Otra manera
de poder concluir, es obteniendo el valor p (p value), si ste es menor a 0.05, se rechaza la hiptesis
nula. Para este caso valor p = 0.0027607. Ms informacin sobre el valor p y su interpretacin puede
encontrarla en el texto del curso de Estadstica Geral (LPEZ BAUTISTA, 2010).
Conclusin:
Los tratamientos de preparacin en el sitio afectan significativamente el crecimiento inicial en
altura de plntulas de pino en el terreno; debido a que el valor de F es superior al valor crtico. Se
recomienda realizar un anlisis posterior al ANOVA para poder identificar el mejor tratamiento.
28
2.3
ANLISIS DE VARIANZA PARA UN EXPERIMENTO REALIZADO EN UN

DISEO COMPLETAMENTE AL AZAR DESBALANCEADO
El diseo completamente al azar es NO BALANCEADO (o DESBALANCEADO), cuando

los niveles del factor en estudio no poseen el mismo nmero de repeticiones, debido a parcelas
perdidas o a la falta de material experimental.
En este modelo, el hecho de no ser balanceado no trae alteraciones en el proceso del ANOVA,
pero las pruebas utilizadas en las comparaciones mltiples pasan a ser apenas aproximadas.
Modelo estadstico: Yij =
i = 1, 2,, t
j = 1, 2,, ri
ij
siendo
ri
el nmero de repeticiones del tratamiento i , y
ri
n , el total de unidades
i 1
experimentales involucradas en el experimento.

Las hiptesis y los supuestos no varan, con respecto al DCA balanceado.
CUADRO DE RESUMEN DEL ANLISIS DE VARIANZA
Fuentes de
variacin
Grados de
libertad
Tratamientos
t 1
Cuadrados
Medios
Y..2
n
SCtrat / gl trat
CMtrat / CMee
SCtotal SCtrat
SCee / gl ee
Suma de cuadrados
t
i 1
Error
Experimental
t
ri
i 1
t
Total
ri 1
i 1
t
i 1
Yi.2
ri
ri
Yij2
j 1
Y..2
n
ri
t ri
t ri
Y..
Yij
i 1j 1
Y..
Yij
i 1j 1
t
ri
i 1
Yi.
Yij
j 1
ri
29
Considere las siguientes producciones diarias (kg) de leche (con 4% de grasa) de vacas para
lactacin, sometidas a la administracin de races y tubrculos, como suplemento de invierno en la
alimentacin; datos de un experimento citado por Gomes, FP (2000).
Yi..
SIN
SUPLEMENTO
19.58
21.07
23.43
25.42
22.81
23.52
135.83
MANDIOCA
(Manihot esculenta)
23.40
22.37
24.36
25.12
22.94
118.19
ARARUTA
(Maranta arundinacea)
35.43
32.47
34.48
33.79
35.04
35.19
206.40
BATATA DOCE
(Ipomoea batata)
22.15
24.37
26.54
20.37
19.54
24.06
137.03
22.64
23.64
34.40
22.84
Yr i.
SCtrat =
135.832
6
118.19 2
5
206.40 2 137.03 2
6
6
SCtotal = 19.582 21.07 2 . . . 24.06 2

SCee = 646.06
Y..
597.45
23
597.452
23
597.45 2
23
579.02
646.06
579.02 = 67.04
25.98 kg
RESUMEN DEL ANLISIS DE VARIANZA
Fuentes de
variacin
Grados de
libertad
Suma de
cuadrados
Suplemento
579.02
193.01
Error experimental
19
67.04
3.53
Total
22
646.06
** significativo al 1%
Cuadrados
Valor de F
Medios
F(3, 19, 0.01)
54.68**
5.01
CV = 7.23%
Conclusin: Con un nivel de significancia de 1% se rechaza la Ho, verificndose que existe efecto de
la suplementacin alimentcia sobre la produccin diaria de leche.
30
2.4
PROGRAMA EN SAS PARA EL ANLISIS DE UN EXPERIMENTO EN UN

OPTIONS nodate nonumber; /*para que en la salida no aparezca fecha ni paginacin*/

DATA dca;
INPUT trat $ alt; /*el signo de dlar $ indica que la variable es de tipo alfanumrica*/
LABEL alt = "altura del rbol en pies"; /*Label indica la etiqueta, el nombre de la variable alt*/
CARDS;
A
15
A
14
DATA: es el nombre del archivo temporal que utilizar SAS para
A
12
ejecutar el programa.
A
13
A
13
INPUT: aqu se enlistan las variables que incluye la base de datos a
B
16
analizar. En este caso una columna corresponde a trat
B
14
(tratamientos) y otra a alt (altura). El signo $ sirve para indicar
B
13
que la variable trat es alfanumrica.
B
15
B
14
CARDS: indica que a continuacin se presentan los datos.
C
13
C
12
PROC: abreviatura de PROCEDURE, indica el tipo de procedimiento
C
11
solicitado a SAS, en este caso ANOVA (anlisis de varianza)
C
12
C
10
CLASS: aqu se indica cules son las variables independientes.
D
11
D
13
MODEL: describe el modelo a analizar.
D
10
D
12
MEANS: esta instruccin se utiliza para indicar el tipo de prueba de
D
11
comparacin mltiple de medias se va a solicitar a SAS que
E
14
ejecute. Adems de Tukey, otras opciones pueden ser: BON,
E
12
DUNCAN, LSD, SCHEFFE, SNK o T.
E
12
E
10
En el caso de datos faltantes la opcin es: MEANS trat/tukey lines;
E
11
La opcin lines genera la media armnica de las repeticiones para ser
;
usada en la prueba de Tukey.
TITLE "DCA Bal.";
PROC anova;
En el captulo 3 se ampliar el tema de las pruebas de comparacin
CLASS trat;
mltiple de medias.
MODEL alt = trat;
MEANS trat/Tukey;
RUN;
Observacin: En el caso de presentarse datos faltantes, se pueden presentar dos situaciones:
1. Ausencia de datos: por ejemplo, s la variable de respuesta fue nmero de insectos vivos (o
muertos) por planta y al momento de realizar el muestreo no se encontr presencia del insecto;
el valor reportado ser 0.
2. Parcela perdida: retomando el ejemplo citado en el inciso anterior, en caso de que, al realizar la
toma de datos, exista prdida de las plantas, en la base de datos se digitar un punto (.) para
indicarle al programa que se trata de una observacin perdida.
31
2.5

EXPERIMENTO EN UN DISEO COMPLETAMENTE AL AZAR
Los datos del ejercicio 2.2.8 quedaran organizados de la siguiente manera en el entorno de
Infostat:
Para solicitar los resultados del anlisis de varianza se sigue la ruta:
32
Y los resultados obtenidos son:
33
2.6
ANLISIS DE VARIANZA PARA UN EXPERIMENTO REALIZADO

MEDIANTE UN DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
En la experimentacin agronmica en algunas situaciones no es posible realizar la medicin de

todos los individuos que conforman la unidad experimental, debido al tamao de la misma o al costo
de las mediciones. Por lo que se hace necesario tomar muestras de elementos que existen en cada
parcela o unidad experimental. De esta manera tendremos ms de un dato por unidad experimental,
sin que esto constituya una repeticin.
En este caso, el proceso para obtener estos datos se denomina: submuestreo. Considerando el
caso ms simtrico y tal vez el ms til, cuando se tienen r repeticiones para cada uno de los t
tratamientos y se toman m muestras dentro de cada unidad experimental, se tendrn en total trm
observaciones. Algunos ejemplos de submuestreo se presentan a continuacin:
a)
En un experimento de campo, el investigador puede no tener tiempo para cosechar

(totalmente) cada unidad experimental. De esta manera, podr seleccionar al azar varios
cuadros por parcela y cosechar el grano en cada cuadro seleccionado. De nuevo,
describiramos estas observaciones como muestras dentro de unidades experimentales.
b)
En un experimento de tecnologa de alimentos que implic el almacenamiento de fresas

congeladas, se almacenaron 10 cajas (unidades experimentales) a cada cinco lapsos de
almacenamiento (tratamientos). Cuando se hicieron las determinaciones del cido
ascrbico despus del almacenamiento, se hicieron dos determinaciones en caja (muestras
dentro de unidades experimentales).
El modelo lineal apropiado para interpretar los resultados de un experimento como los
descritos es:
i = 1, 2, ... , t
1. Modelo Estadstico: Yijk = + i + j(i) + k(ij)
j = 1, 2, , r
k = 1, 2,,m
En que:
Yijk =
valor de la variable de respuesta correspondiente a la k-sima muestra sobre la unidad

experimental que lleva el tratamiento i en la repeticin j.
Media general de la variable respuesta.
Efecto del i-simo tratamiento.
error experimental asociado a la ij-sima unidad experimental (error a nivel de parcelas)
error de muestreo dentro de la ij-sima unidad experimental.
=
i =
j(i) =
k(ij) =
2. Hiptesis
Ho:
Ha:
i
i
i = 1,2,. . . / i =
i = 1,2,. . . i
3. Supuestos:
a)
ij ~ NID (0, e)
ij son los errores de parcela, y se asume que son variables aleatorias no correlacionadas, con
media 0 y varianza constante desconocida e (varianza residual o varianza entre parcelas)
34
b)
4.
~ NID (0 m)
ijk son los errores de muestreo, y se consideran como variables aleatorias no correlacionadas
entre s, ni con los errores de parcela, con media 0 y varianza constante desconocida m
(varianza muestral o varianza dentro de parcelas)
ijk
Anlisis de varianza
Fuentes de
variacin
Grados de
libertad
Suma de cuadrados
t
Tratamientos
t 1
i 1
Error
Experimental
t(r 1)
Error de
Muestreo
tr (m 1 )
Yi..2
rm
Yi j.2
i 1
Yi..2
rm
i 1 j 1
Y...2
rtm
Yi jk
i 1 j 1 k 1
Total
trm
Yi jk
1
i 1 j 1 k 1
Y...
Yijk
Y...
i 1 j 1 k 1
SCtrat / gl trat
F2
SCee / gl ee
F1
CM ee
CM em
SCem / gl em
Yij.2
i 1 j 1
Cuadrados
Medios
Y...2
rtm
Y...
trm
Pruebas preliminares de significancia

Para evaluar el efecto de submuestreo, se realiza una prueba de hiptesis:
Ho:
Ha:
=0
>
0,
e
comparando el cuadrado medio del error experimental, contra el cuadrado medio del error de
muestreo. Bajo la hiptesis nula, el cociente F1 = ( CMee / CMem ), se distribuye como una F
con t(r-1) y tr(m-1) grados de libertad.
Luego se presentan dos alternativas:
Si F1
F (glee, glem, ), se rechaza Ho, indicando que el submuestreo fue efectivo, en otras
palabras, la varianza entre plantas dentro de parcelas es mayor que la varianza entre parcelas, por
lo que F2 se calcula de la siguiente forma: F2
CM t r a t
, y se compara con el valor crtico de
CM ee
F(glt, glee, ). El coeficiente de variacin se obtiene as:
CV
CMee
Y ...
100
35
Si F1 < F (glee, glem, ), se acepta Ho, lo cual indica que el submuestreo no fue efectivo o no
es importante en este experimento, por lo que los errores deben mancomunarse as:
CMep
y F2 se obtiene de la siguiente manera: F2
SCee SCem
,
glee glem
CM trat
, y se compara con: Fcrtica (glt, glep,
CM ep
).
El coeficiente de variacin se obtiene de la siguiente manera:
CV
CMep
100
Y ...
2.6.1 Ejemplo de Aplicacin
Considere los siguientes resultados, obtenidos en un experimento con tres tratamientos (A, B y
C) con 4 repeticiones y 2 submuestras, donde fue utilizado un DCA con submuestreo:
Repeticiones
Tratamientos
A
Yij.
B
Yij.
C
Yij.
I
5.6
5.7
11.30
6.7
8.7
15.4
7.6
7.8
II
5.0
5.1
10.1
4.7
3.7
8.4
7.4
7.2
III
5.5
5.4
10.9
5.7
6.5
12.2
7.5
7.6
IV
5.3
5.5
10.8
6.2
5.8
12.0
5.7
6.7
15.4
14.6
15.1
12.40
t = 3 ( A, B, C)
r = 4 (I,II,III,IV)
m= 2 (submuestras)
SCtrat
43.102 482 57.52

(4)(2)
SCee
11.30 2 10.12 ... 12.402

2
SCem
SCtotal
Yi..
Yi..
43.10
5.39
48
6.00
57.5
7.19
148.6
6.19
(148.6)2
12.92
(4)(3)(2)
43.102 482 57.52
(4) (2)
15.25
11.302 10.12 ... 12.402

5.62 5.72 5.02 ... 6.72
2
2
(148.6)
5.62 5.72 5.02 ... 6.72
31.73
(4) (3) (2)
3.555
36
RESUMEN DEL ANLISIS DE VARIANZA
Fuentes de variacin
Tratamientos
Error Experimental
Error de Muestreo
Total
Grados de
libertad
2
9
12
23
Suma de
cuadrados
12.92
15.25
3.55
31.73
Cuadrados
Medios
6.46
1.69
0.296
Valor de F
F crtico
(5%)
5.72*
2.80
* significativo al 0.05
Como F1 = 5.90 es
F crtica (9,12,0.05) = 2.80, se tiene evidencia para rechazar Ho: e = 0,
concluyendo que el submuestreo fue efectivo en este experimento. Y por lo tanto se procede a calcular
F2 de la manera habitual, utilizando el CMee:
F2
CM trat
CMee
6.4629
1.6943
3.8144
Regin de aceptacin (o no rechazo)

de la hiptesis nula
DISTRIBUCIN F DE FISHERSNEDECOR
F(2,9,0.05) 4.26
Conclusin:
Como F2
Ft(2,9,0.05): se acepta Ho, por lo tanto todos los tratamientos producen el mismo
efecto.
CV
CMee
100
CV
1.71
100
6.19
21.13%
Y...
Nota: para obtener el valor p (p value) en MS Excel, ingrese en el men INSERTAR,

busque funcin (fx) y luego seleccione la categora Estadsticas, y dentro de stas DISTR.F. (X,
grados_de_libertad1, grados_de_libertad2). X es el valor al que desea evaluar la funcin, un nmero
no negativo. En X debe ingresar el valor de F2 = 3.8184, grados_de_libertad1 = 2 y
grados_de_libertad2 = 9. El valor p resultante = 0.06299081, que es mayor al valor de = 0.05;
concluyendo que todos los tratamientos producen el mismo efecto.
37
2.7

DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
OPTIONS nodate nonumber;

DATA dca2;
INPUT trat $ rep resp;
LABEL resp = "variable de respuesta";
CARDS;
A
1
5.6
A
1
5.7
A
2
5
Otra alternativa, es digitando luego del conjunto de datos, esta
A
2
5.4
parte del programa:
A
3
5.5
A
3
5.4
PROC GLM DATA= dca2;
A
4
5.3
CLASS trat rep; /*con submuestreo*/
A
4
5.5
MODEL resp = trat rep(trat)/SS3; /*rep(trat) = error
B
1
6.7
experimental*/
B
1
8.7
RANDOM rep(trat)/TEST; /*se define como aleatoria la
B
2
4.7
unidad experimental REP dentro de TRAT y a travs de
B
2
3.7
la opcin TEST se obtienen las pruebas estadsticas
correctas*/
B
3
5.7
B
3
6.5
/*Anlisis de Varianza para un Modelo Mixto*/
B
4
6.2
PROC MIXED DATA=dca2;
B
4
5.8
CLASS trat rep;
C
1
7.6
MODEL resp = trat; /*se colocan los efectos fijos
C
1
7.8
involucrados en el modelo*/
C
2
7.4
RANDOM rep(trat);
C
2
7.2
RUN;
C
3
7.5
C
3
7.6
C
4
5.7
C
4
6.7
;
PROC anova;
TITLE "DCA con submuestreo";
CLASS trat rep; /*con submuestreo*/
MODEL resp = trat rep(trat); /*rep(trat) = error experimental*/
TEST h = trat e = rep(trat);
RUN;
PROC anova;
TITLE "mancomunando errores"; /*sin efecto de submuestreo*/
CLASS trat;
MODEL resp = trat;
run;
38
2.8

EXPERIMENTO EN UN DISEO COMPLETAMENTE AL AZAR CON
SUBMUESTREO
Los datos ingresados en Infostat para el ejemplo 2.6.1 quedaran de la siguiente manera:
Para solicitar los resultados del anlisis de varianza se sigue la ruta en el men principal Estadsticas /
Anlisis de varianza y se definen las siguientes alternativas:
39
Los resultados obtenidos son los siguientes. (Compare con los resultados manuales del ANOVA del
apartado 2.6.1)
2.9
1.
Mendoza (2001) evalu el efecto de la pulpa del caf (Coffea arabica L.) sobre el rendimiento
y eficiencia biolgica de la cepa ECS-0110 de Pleurotas ostreatus utilizando estopa de coco
(Cocus nucifera L.) y estrbilos de pino (Pinus spp.) como sustratos. Los resultados obtenidos
para la variable rendimiento, expresado en gramos de hongo fresco obtenido por cada 454
gramos de sustrato seco, se presentan a continuacin:
Tratamientos
T1
T2
T3
T4
T5
T6
T7
T8
T9
T10
T11
T12
T13
a)
b)
c)
Coco 100%
Coco-Pulpa 9:1
Coco-Pulpa 8:2
Coco-Pulpa 7:3
Coco-Pulpa 6:4
Coco-Pulpa 5:5
Pino 100%
Pino-Pulpa 9:1
Pino-Pulpa 8:2
Pino-Pulpa 7:3
Pino-Pulpa 6:4
Pino-Pulpa 5:5
Pulpa 100% (Testigo)
I
271.09
265.15
254.09
433.68
472.91
372.59
147.64
227.30
197.14
349.87
355.67
527.66
565.82
II
468.24
371.24
171.39
278.76
439.14
484.37
210.93
231.85
234.13
296.03
385.31
428.75
615.15
Repeticiones
III
IV
345.02 335.15
291.68 318.46
314.33 265.67
309.75 278.80
489.80 371.60
465.79 447.14
164.52 147.62
181.83 195.48
189.77 246.46
376.77 242.20
355.66 281.57
346.29 303.43
552.05 580.26
Los tratamientos son expresados en proporciones de sustrato en peso seco.

Plantee las hiptesis a evaluar.
Describa el modelo estadstico matemtico
Realice el ANOVA y concluya en trminos del problema
V
320.37
318.30
285.78
309.78
448.25
484.39
189.84
215.92
246.46
376.77
385.28
362.79
605.12
40
2.
Sosa Leonardo (1999) evalu cuatro substancias diluyentes-dispersantes de polen para

producir semilla hbrida en cuatro cultivares de Marigold (Tagetes erecta L.) mediante
polinizacin artificial en condiciones de invernadero. A continuacin se presentan los datos de
campo de las variables: cantidad de aquenios y peso de aquenios (en gramos) medidas en
Tagetes erecta P-702-1 Discovery Orange.
Cantidad de aquenios
Peso de Aquenios (gramos)
I
II
III
I
II
III
Testigo
912
830
835
1.80
1.50
1.50
Leche 25%
712
671
630
1.70
1.41
1.20
Leche 50%
690
828
759
1.20
1.48
1.34
Leche 75%
656
673
769
1.50
1.68
1.70
Gelatina 25%
519
535
550
1.31
1.04
1.35
Gelatina 50%
658
635
611
1.70
1.31
1.66
Gelatina 75%
888
806
723
1.85
1.81
1.64
Harina Arroz 25%
240
195
120
1.00
0.90
0.75
Harina Arroz 50%
218
160
190
0.98
0.40
0.55
Harina Arroz 75%
120
102
135
0.32
0.25
0.70
Portulaca 25%
655
628
601
1.33
1.04
1.18
Portulaca 50%
750
1123
999
1.68
1.83
2.35
Portulaca 75%
570
595
545
1.11
1.40
1.22
Realice el ANOVA para cada variable y concluya en trminos del problema
Tratamientos
a)
b)
c)
3.
Se realiz un experimento para evaluar el efecto de la adicin de compuestos vitamnicos al

alimento balanceado en la ganancia de peso en cerdos. Tres diferentes compuestos fueron
evaluados (A, B y C) y un control (D sin la adicin de compuesto vitamnico). El aumento
de peso tras una semana en una muestra aleatoria de 22 cerdos se da a continuacin:
Variable de respuesta: aumento de peso (en libras) tras una semana.
A
B
C
D
11.1
11.5
10.1
9.2
a)
b)
c)
d)
10.9
11
10.6
9.8
10.8
10.8
11.2
10.1
10.6
10.2
9.7
11.4
11.2
10.4
10.4
10.7
10.9
9.5
Describa el modelo estadstico-matemtico.

Cite los supuestos del anlisis de varianza, as como el nombre de las pruebas estadsticas
que se utilizan para evaluarlos. Qu es lo que se hace cuando no se cumplen los
supuestos?
Plantee las hiptesis
Realice el anlisis de varianza
41
4.
Se realiz un experimento con el propsito de determinar si existen diferencias entre cinco

variedades de menta (M. spicata var. crispata), denominadas: A, B, C, D y E, para lo cual se
sembr cada variedad en tres macetas y se midieron los crecimientos (en cm.) en una semana,
de los tallos de cuatro plantas por maceta. Los resultados se presentan a continuacin:
No de planta
Variedad
A
Maceta
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
5.0
3.5
4.5
5.0
5.5
5.5
8.5
6.5
7.0
6.0
6.0
6.5
7.0
6.0
11
2
5.5
3.5
4.0
4.5
6.0
4.5
6.0
7.0
7.0
5.5
8.5
6.5
9.0
7.0
7.0
3
4.0
3.0
4.0
5.0
5.0
6.5
9.0
8.0
7.0
3.5
4.5
8.5
8.5
7.0
9.0
4
3.5
4.0
5.0
4.5
5.0
5.5
8.5
6.5
7.0
7.0
7.5
7.5
8.5
7.0
8.0
Realice el ANOVA y concluya, presente en forma ordena el procedimiento.
5.
Un experimento fue realizado con la finalidad de comparar cuatro lneas avcolas

(tratamientos), dos especializadas en produccin de carne y dos de doble propsito, los cuales
se asignaron en forma aleatoria a cuatro corrales dentro de cada granja (unidad experimental).
Las observaciones se hicieron en corrales individuales (muestra) y se midi la conversin
alimenticia de las aves. Los datos para las lneas de produccin se presentan a continuacin:
Engorda
1
2.5
2.3
2.2
2.4
A
No.de granja
2
3
2.3 2.1
2.0 2.5
2.0 2.4
2.5 2.0
4
2.0
2.0
2.5
2.0
1
2.5
2.5
2.0
2.0
Doble propsito
B
No.de granja
2
3
1.8 2.0
2.0 1.7
2.0 2.0
1.9 1.9
4
1.8
1.9
2.0
2.0
1
3.5
4.0
4.0
3.5
C
No.de granja
2
3
3.5 4.0
4.0 3.0
4.3 3.5
3.5 3.0
4
4.0
3.5
3.5
4.0
1
5.5
4.5
4.5
5.5
D
No.de granja
2
3
4.0 4.0
5.0 5.0
5.5 5.0
5.5 5.5
4
5.0
4.0
4.5
5.0
Con los datos anteriores realice el anlisis de varianza y emita las respectivas conclusiones.
Utilice un nivel de 5% de significancia.
42
6.
En un ensayo de campo se incluy cinco tratamientos de fertilizacin para evaluar su efecto

sobre el rendimiento de cebada (Hordeum vulgare). De las 30 parcelas experimentales
homogneas que se dispona, se asignaron al azar seis a cada tratamiento. Al momento de la
cosecha se tomaron al azar tres cuadros muestra en cada parcela, cuyos resultados
(codificados) se presentan en el siguiente cuadro.
Repeticin
I
1
57
46
28
2
67
72
66
Tratamiento de fertilizante
3
95
90
89
4
102
88
109
5
123
101
113
26
38
20
44
68
64
92
89
106
96
89
106
93
110
115
39
39
43
57
61
61
91
82
98
102
93
98
112
104
112
23
36
18
74
47
69
105
85
85
103
90
105
120
101
111
48
35
48
61
60
75
78
89
95
99
87
113
113
109
111
50
37
19
68
65
61
85
74
80
117
93
107
124
102
118
Yi1.
II
Yi2.
III
Yi3.
IV
Yi4.
V
Yi5.
VI
Yi6.
Yi..
Yi1.
a)
b)
c)
d)

Realice el ANOVA y concluya en trminos del problema.
Comente sobre la efectividad de usar submuestreo.
43
7.
En el curso de Industrializacin de la Madera fue realizado un ensayo de tres productos

qumicos tendientes a retardar la expansin del fuego cuando es usado en el tratamiento de
pneles para piso de madera. El investigador obtuvo 12 pneles y aplic cada uno de los
productos a cuatro de ellos. Para tener mayor precisin, cada pnel fue cortado en dos piezas y
luego midi el tiempo requerido (minutos) por cada uno de ellos para ser consumido por el
fuego. Los resultados se resumen en la siguiente tabla:
Producto Qumico
Pnel
(Repeticin)
Muestra
1
2
1
2
1
2
1
2
10.3
9.8
20.1
5.8
5.4
11.2
8.7
10.0
18.7
8.9
9.4
18.3
68.3
4.4
4.7
9.1
2.7
1.6
4.3
4.6
4.0
8.6
5.6
3.4
9.0
31.0
3.1
3.3
6.4
6.5
5.4
11.9
5.1
7.5
12.6
5.6
4.2
9.8
40.7
Yi..
e)
f)
g)
h)
8.

Realice el ANOVA y concluya en trminos del problema.
Comente sobre la efectividad de usar submuestreo.
Banzatto y Kronka (2011) citan los resultados obtenidos por Cardoso Filho (1974) 1/, referentes
a la evaluacin de 5 cultivares de sorgo (Sorghum spp.), la variable de respuesta medida fue la
produccin de materia seca, expresada en tm ha-1. Los datos se presentan a continuacin:
Cultivares
NK 300 (hbrido)
Sordan 67 (hbrido)
Pioneer 988 (hbrido)
Pioneer 93 (hbrido)
SART (Variedad)
R1
10.3
9.8
9.9
21.2
20.2
R2
11.6
10.0
9.6
20.6
20.6
R3
11.7
10.2
10.0
22.3
22.1
1/
R4
11.4
11.9
10.4
19.9
20.8
R5
11.2
10.4
--21.0
20.9
R6
11.2
10.5
----20.9
Cardoso Filho, AR. 1974. Competio de sorgos forrageiros (Sorghum bicolor L. Moench) na regio de
Jaboticabal. Rendimento de massa verde, matria seca e composio bromatolgica da silagem. Trabalho de
concluso de Curso (Graduao em Agronomia) Faculdade de Cincias Agrrias e Veterinrias, Universidade
Estadual Paulista, Jaboticabal. 40 p.
a) Plantee las hiptesis a evaluar.

b) Describa el modelo estadstico matemtico
c) Realice el ANOVA y concluya en trminos del problema.
44
9.
Un experimento fue realizado para probar el efecto de cinco fuentes de energa utilizadas en
dietas para engorda de toretes (T1. Testigo, T2. Melaza, T3. Cebo, T4. Maz, T5. Sorgo) en las
cuales se midi la ganancia de peso (GP) durante el perodo de engorda. Se consideraron 5
repeticiones por tratamientos (25 animales) y se plante la hiptesis de igualdad de medias de
tratamientos.
Repeticin
1
2
3
4
5
T1
980
1050
1100
1000
1120
Tratamientos
T3
1300
1180
1200
1170
1050
T2
1200
1230
1150
1390
1250
T4
1400
1350
1380
1420
1500
T5
1350
1420
1550
1600
1490

10.
En un experimento reportado por Banzatto y Kronka (2011) realizado bajo un diseo

completamente al azar, fueron evaluados 5 cultivares de yuca (Manihot esculenta L.):
A. IAC 5
B. IAC 7
C. IAC 11
D. Iracema
E. Mantiqueira.
IAC = Instituto Agronmico de Campinas (www.iac.sp.gov.br)

La asignacin de los tratamientos a las parcelas en el campo, junto con las producciones en tm
ha-1 se presentan en la figura siguiente:
(A3)
20.3
(B4)
28.3
(E2)
47.8
(C2)
27.0
(E5)
56.4
(E1)
47.8
(D2)
43.2
(A2)
25.4
(D5)
40.3
(A4)
25.7
(C3)
25.8
(A5)
29.3
(E4)
50.5
(B3)
32.3
(C5)
22.3
(B5)
28.7
(A1)
38.9
(D1)
38.7
(C4)
26.9
(E3)
44.7
(B1)
20.9
(D3)
41.7
(C1)
28.1
(B2)
26.2
(D4)
39.0

11.
Planifique un experimento, utilizando un diseo completamente al azar. Describa los

tratamientos, nmero de repeticiones, justifique el uso de este diseo. Haga el croquis de
campo y muestre la aleatorizacin.
12.
Revise tres trabajos de investigacin agropecuaria, en los cuales haya sido utilizado el diseo
completamente al azar con submuestreo. Presente el cuadro de resumen de los datos y
analcelos siguiendo el procedimiento explicado en el texto.
45
CAPTULO 3
PRUEBAS DE COMPARACIN MLTIPLE DE MEDIAS
3.1
INTRODUCCIN
Para poder tener una mayor comprensin sobre este tema, inicialmente se respondern algunas
interrogantes:
a)
Para qu se utiliza un anlisis posterior al anlisis de varianza?
Se requiere del uso de algn mtodo de anlisis posterior al ANOVA para contrastar diferentes
subhiptesis de inters, despus que se verifica que el valor de la estadstica F para alguna de las
hiptesis en la tabla de ANOVA es significativa. Cada una de las hiptesis que se rechaza en la tabla
del ANOVA, comprobada por el valor crtico respectivo de F, le corresponde una o varias subhiptesis
que se deben contrastar por un mtodo apropiado de anlisis posterior.
b)
Qu mtodos de anlisis posterior existen?
b.1)
Pruebas de comparacin mltiple de medias, de acuerdo con los criterios de:

Tukey (1953)
Duncan (1955)
SNK (Student-Newman-Keuls). Diseada por Newman (1939) y estudiada por Keuls
(1952)
Bonferroni (el uso moderno de esta prueba es atribudo a Dun, O.J., 1961)
Scheff (1953)
Dunnett (1955, 1964)
Scott Knott (1974), entre otras.
b.2)
Contrastes lineales ortogonales y no ortogonales
b.3)
Polinomios ortogonales.
Nota:
El nivel de significancia que ha sido utilizado para determinar la significancia de un valor de F
en la tabla de ANOVA, es el que debe ser utilizado para el anlisis posterior.
Estos mtodos se aplican regularmente cuando la hiptesis de igualdad de las medias de los
tratamientos en el anlisis de varianza ha sido rechazada. A continuacin se presenta la descripcin de
algunas pruebas de comparacin mltiple de medias.
3.2
COMPARACIN MLTIPLE
PROPUESTO POR TUKEY
DE
MEDIAS,
SEGN
EL
CRITERIO
Este mtodo sirve para comparar las medias de los tratamientos, dos a dos, o sea, para evaluar
las hiptesis:
Ho:
Ha:
i
i
(media del tratamiento i es igual a la media del tratamiento j, con i j)

j (media del tratamiento i es diferente a la media del tratamiento j, con i
j
j)
46
Caso I:
DCA Balanceado
Ejemplo:
El anlisis de varianza que a continuacin se presenta, corresponde a un experimento
realizado en arroz (Oryza sativa L.), en el que se evalu nueve insecticidas para el control de larvas de
una determinada plaga. La variable de respuesta medida fue el nmero de larvas vivas, a la cual se le
aplic la transformacin raz cuadrada. El diseo experimental utilizado fue completamente al azar,
con 4 repeticiones. El cuadro resumen del ANOVA se presenta a continuacin:
Fuentes de
variacin
Grados de
libertad
Insecticidas
Error Experimental
Total
8
27
35
Suma de Cuadrados
cuadrados
Medios
46.04
36.43
82.48
5.76
1.35
Valor crtico de F
4.26*
2.31
* significativo al 5%
Debido a que se detectaron diferencias significativas en el efecto de los insecticidas, se
aplicar la prueba de comparacin mltiple de medias de acuerdo con el criterio de Tukey. El
procedimiento se detalla a continuacin:
1.
Se deben obtener las medias de los tratamientos

Medias (*)
1.87
2.02
2.55
2.42
3.91
4.12
0.25
1.39
2.82
Insecticida
1
2
3
4
5
6
7
8
9
(*) Las medias fueron obtenidas a partir de los datos transformados.

2.
Se construye una matriz de diferencias entre todos los posibles pares de medias
Insecticida medias
7
8
1
2
4
3
9
5
6
0.25
1.39
1.87
2.02
2.42
2.55
2.82
3.91
4.12
6
4.12
3.87
2.73
2.25
2.1
1.7
1.57
1.3
0.21
5
3.91
3.66
2.52
2.04
1.89
1.49
1.36
1.09
9
2.82
2.57
1.43
0.95
0.8
0.4
0.27
3
2.55
2.3
1.16
0.68
0.53
0.13
4
2.42
2.17
1.03
0.55
0.4
2
2.02
1.77
0.63
0.15
1
1.87
1.62
0.48
8
1.39
1.14
7
0.25
47
Cada una de las diferencias (dii ) fueron obtenidas con la siguiente ecuacin:
dii' = Yi. -Yi.' , siendo que i i

3.
Se calcula W, la diferencia mnima significativa a un cierto nivel de significancia ( ), dada

por la siguiente expresin:
q(t , glee ,
CMee
r
siendo:
q
=
=
t
=
glee
=
CMee =
r
=
amplitud total estudentizada. Valor encontrado en tablas y que est en funcin de:
(nivel de significancia)
(nmero de tratamientos), y
(grados de libertad del error experimental)
cuadrado medio del error experimental
nmero de repeticiones de las medias de los tratamientos a ser comparadas.
Para nuestro ejemplo tenemos que al consultar la Tabla 2 del Apndice, se obtiene:
q(9,27,0.05) = 4.774
Como en la tabla no se encuentra el valor exacto de q, se efectu una interpolacin:
glee
20
4.90
27 20 = 7
10
10 0.18
7 X
27
30
4.72
4.72 = 0.18
X = (7 0.18) / 10 = 0.126
q = 4.90 0.126 = 4.774
4.
4.90
4.774
1.349
4
2.7724
Volvemos a la matriz de diferencias (Paso 2) y observamos columna por columna, si d ii

W, significa que existen diferencias significativas entre los efectos de los pares de
tratamientos, y colocamos un asterisco para resaltar esas diferencias.
48
Insecticida
7
8
1
2
4
3
9
5
6
5.
6
medias 4.12
0.25 3.87*
1.39
2.73
1.87
2.25
2.02
2.1
2.42
1.7
2.55
1.57
2.82
1.3
3.91
0.21
4.12
5
3.91
3.66*
2.52
2.04
1.89
1.49
1.36
1.09
9
2.82
2.57
1.43
0.95
0.8
0.4
0.27
3
2.55
2.3
1.16
0.68
0.53
0.13
4
2.42
2.17
1.03
0.55
0.4
2
2.02
1.77
0.63
0.15
1
1.87
1.62
0.48
8
1.39
1.14
7
0.25
W=2.774
Presentacin de los resultados

Insecticida
6
5
9
3
4
2
1
8
7
Medias
4.12 (20)
3.91 (16)
2.82 (8.50)
2.55 (7.25)
2.42 (6)
2.02 (4.5)
1.87 (5.5)
1.39 (3.25)
0.25 (0.25)
Grupo Tukey
A
A
a b
a b
a b
a b
a b
a b
B
Entre ( ) aparecen los promedios de los datos originales (sin transformar).

Conclusin: la aplicacin del insecticida 7 presenta los mejores resultados en cuanto al control de
larvas.
Caso II:
DCA No balanceado
Se tomarn los datos del ejemplo desarrollado en la clase.

1. Matriz de diferencias
Suplemento
Media (ri)
Sin Suplemento
Batata Doce
Mandioca
Araruta
22.64 (6)
22.84 (6)
23.64 (5)
34.40 (6)
Araruta
34.40 (6)
11.76 *
11.56 *
10.76 *
Mandioca
23.64 (5)
1
0.8
Batata doce
22.84 (6)
0.2
Sin Supl.
22.64 (6)
2. Comparador de Tukey
a)
Entre medias con el mismo nmero de repeticiones, esto es ri = ri , para i
49
b)
q(4,19,0.05)
3.98
CMee
r
3.53
6
3.05
Entre medias con nmero diferente de repeticiones, esto es: ri = 5 y ri = 6, para i
1
1
CMee
2
ri
W ' q(4,19,0.05)
W ' 3.98
c)
1
1 1
3.53
2
5 6
1
ri '
3.20

Produccin media
Grupo
diaria de leche
Tukey
(kg)
Araruta
34.40
a
Mandioca
23.64
b
Batata doce
22.84
b
Sin Supl.
22.64
b
Suplemento
Se concluye que el suplemento alimenticio que proporcion la mayor produccin diaria (kg) de
leche fue el suplemento preparado con la planta Araruta.
Caso III:
DCA con submuestreo
Recuerde que primero se realiza una prueba de F con el error de muestreo y el error de muestreo:
F1
S el valor de F1 F(glee,glem,
F2
S F1 < F(glee,glem,
CM trat
CM ee
q(t , glee ,
CMee
r
Valor crtico de F(glt,glep,
q( t , glep ,
CM trat
CM ep
F2
Valor crtico de F(glt,glee,
CMee
CMem
CMep
rm
50
Nogueira (2007) indica algunas consideraciones referentes a este mtodo:
a)
El mtodo Tukey fue basado en la distribucin de la diferencia entre la menor y la mayor

estadstica de orden (range) de una muestra;
b)
Este mtodo es vlido en la totalidad de los contrastes de medias, dos a dos;
c)
El mtodo de Tukey es exacto, cuando los tratamientos estn balanceados;
d)
El mtodo de Tukey es exacto para evaluar la mayor diferencia entre dos medias, en los dems
casos es conservador.
3.3
COMPARACIN MLTIPLE DE MEDIAS, SEGN EL CRITERIO DE

DUNCAN
Un procedimiento usado ampliamente para comparar todas las parejas de medias es el de la

prueba de intervalos mltiples desarrollada por Duncan (1955). La aplicacin de esta prueba es ms
laboriosa que la prueba de Tukey, pero se llega a resultados ms detallados y se discrimina con mayor
facilidad entre los tratamientos, o sea que, la prueba de Duncan indica resultados significativos en
casos en que la prueba de Tukey no permite obtener significancia estadstica. Tal como la prueba de
Tukey, la de Duncan exige, para ser exacto, que todos los tratamientos tengan el mismo nmero de
repeticiones.
Para el uso de esta prueba se necesitan tablas especiales (Tabla 3). A continuacin se presenta
un ejemplo ilustrativo.
Orellana Najarro (2006) evalu la selectividad de los herbicidas Acetoclor y Alaclor en seis
cultivos hortcolas en el municipio de Monjas, Jalapa. Una de las variables utilizadas fue altura de
planta (cm) 30 das despus del transplante. El diseo experimental utilizado fue bloques al azar, con
3 repeticiones; el cuadrado medio del error = 18.8827 y los grados de libertad = 10. Los promedios de
los tratamientos en orden descendente son:
No.
tratamiento
1
2
3
4
5
6
Tratamientos
Sin herbicida (testigo limpio)
Alaclor aplicado 2 das antes del transplante
Alaclor aplicado 2 das despus del transplante
Sin herbicida (testigo enmalezado)
Acetoclor aplicado 2 das antes del transplante
Acetoclor aplicado 2 das despus del transplante
Altura
promedio
26.40
23.13
22.07
21.80
19.00
13.13
CMee
18.8827
2.5088 . Usando la Tabla
r
3
3, para 10 grados de libertad y
= 0.05, inicialmente se calcula una amplitud total mnima
significativa (shortest significative range, en ingls) para el contraste de pares de medias, dependiendo
de la distancia entre cada par. Con estos datos se calculan los t 1 comparadores, usando la ecuacin:
El error estndar de cada promedio es: S x
Dp
d ( p , glee,
CMee
, p = 2, 3, . . , t (tratamientos)
r
51
Siendo:
d
=
=
p
=
glee
=
CMee =
r
=
amplitud total mnima significativa. Valor encontrado en tablas y que depende de:
(nivel de significancia)
distancia entre dos medias comparadas, y
(grados de libertad del error experimental)
cuadrado medio del error experimental
nmero de repeticiones de las medias de los tratamientos a ser comparadas.
Las diferencias mnimas significativas para el nivel de proteccin

D2 = 7.90
D3 = 8.28
D4 = 8.45
D5 = 8.61
D6 = 8.68
=0.05 son las siguientes:
d0.05 (2,10) = 3.15

d0.05 (3,10) = 3.30
d0.05 (4,10) = 3.37
d0.05 (5,10) = 3.43
d0.05 (6,10) = 3.46
En la tabla siguiente se presentan las diferencias entre las medias de las variedades
confrontadas con el D respectivo.
Contrastes
entre medias de
tratamientos
1 2
dii' = Yi. -Yi.'
Comparador
3.27
Distancia entre
medias
2
7.90
n.s.
4.33
8.28
n.s.
4.60
8.45
n.s.
7.40
8.61
n.s.
13.27
8.68
1.06
7.90
n.s.
1.33
8.28
n.s.
4.13
8.45
n.s.
10.00
8.61
0.27
7.90
n.s.
3.07
8.28
n.s.
8.94
8.45
2.80
7.90
n.s.
8.67
8.28
5.87
7.90
n.s.
La presentacin final queda de la siguiente forma:

Tratamientos
1
2
3
4
5
6
Sin herbicida (testigo limpio)

Alaclor aplicado 2 das antes del transplante
Alaclor aplicado 2 das despus del transplante
Sin herbicida (testigo enmalezado)
Acetoclor aplicado 2 das antes del transplante
Acetoclor aplicado 2 das despus del transplante
Altura
promedio
26.40
23.13
22.07
21.80
19.00
13.13
Grupo Duncan
A
a
a
a
a b
b
52
3.4
MTODO DE DUNNETT
En varias ocasiones se ejecutan experimentos, en los que el objetivo principal es comparar

determinados tratamientos con un control o testigo, siendo las comparaciones entre los dems
tratamientos de inters secundario. As, este mtodo es recomendado cuando se desea evaluar un
contraste de tipo:
Y
i.
a ,
donde:
a
i.
=
=
se refiere a la media poblacional del tratamiento testigo o control, y

se refiere a la media poblacional del i-simo tratamiento o nivel del factor.
Las hiptesis a ser evaluadas son:

H0 :
0, o H 0 :
contra
Ha : i
0, o H a :
para i = 1, . . . , a 1. El procedimiento de Dunnett (1964) es una modificacin de la prueba de t. Para

cada hiptesis se calculan las diferencias que se observan en las medias muestrales:
yi.
La hiptesis nula H0 :
yi.
ya
ya , i = 1,2 . . . , a 1.
0 es rechazada con un nivel de error tipo I segn
d (a 1,gle)
yi.
ya
si:
2 CMee
, y en el caso de ser desbalancedado:
r
d (a 1,gle)
CMee
1
ri
1
ri '
en donde la constante d (a 1,gle) se encuentra en la Tabla 4 del Apndice (son posibles tanto pruebas
unilaterales como bilaterales). Hay que notar que
representa el nivel de significancia conjunto
asociado a las a 1 pruebas.
Ejemplo:
Se evaluaron 4 variedades de caa de azcar: CP-722086 (utilizada como testigo), 1, 2 y 3; las
variables de respuesta medidas fueron: toneladas de caa por hectrea (TCH) y libras de azcar por
tonelada de caa (LATC). En el ensayo se utiliz un diseo de bloques completos al azar, con 5
repeticiones. Para la variable TCH se presenta a continuacin el anlisis de varianza:
FV
Variedades
Bloques
Residuos
Total
GL
3
4
12
19
SC
1637.00
103.30
1763.50
3503.80
CM
545.67
Fo
3.71
F crtica
3.49
146.96
CV = 10.20%
53
En este ejemplo, a = 4, a 1 = 3, glee = 12, r = 5, y con un nivel de 5% de significancia se encuentra en
la Tabla 4 del Apndice que d0.05 (3,12) = 2.68. Por lo tanto la diferencia crtica es:
d 0.05 (3,12)
2 146.96
5
2.68 7.67 20.55
En consecuencia, una variedad debe considerarse significativamente diferente del control s la

diferencia es mayor que 20.55. Las diferencias observadas entre las medias son:
Variedad 1 vs. CP-722086:
y1
ya = 132.00 109.8 = 22.20 *
y2
ya = 111.20 109.8 =
y3
ya = 122.60 109.8 = 12.80
1.40
Slo la diferencia y1 ya indica una diferencia significativa al ser comparada con el testigo (control);
por lo tanto se concluye que 1
a
Ejercicio:
Relacionado con el ejercicio anterior, realice la prueba de Dunnett, usando un 5% de significancia,
para la variable LATC. Los resultados del ANOVA se presentan a continuacin:
FV
Variedades
Bloques
Resduos
Total
GL
3
4
12
19
SC
2978.80
2373.7
3094.70
8447.2
CM
992.93
Fo
3.85
Fcrtica
3.49
CV
5.21 %
257.89
Las medias de las variedades son:

Variedades
CP-722086
1
2
3
3.5
Promedio
327.6
303.4
307.6
294.2
En los casos en que se presenten diferencias significativas, en los ejercicios propuestos en 2.7, realice
las pruebas de comparacin mltiple de medias que considere adecuadas.
54
3.6
PROGRAMA EN SAS PARA EL ANLISIS

EXPERIMENTO

DATA medias;
INPUT var rep latc;
LABEL latc = "libras de azcar por tonelada de caa;
CARDS;
1
1
320
2
1
322
3
1
307
4
1
285
1
2
330
2
2
267
3
2
297
4
2
288
1
3
339
2
3
288
3
3
306
4
3
287
1
4
331
2
4
299
3
4
295
4
4
290
1
5
318
2
5
341
3
5
333
4
5
321
;
PROC anova;
TITLE "Anlisis de varianza prueba de Tukey";
CLASS var rep;
MODEL latc = var rep/*diseo bloques completos al azar*/
MEANS var/TUKEY;
MEANS var/TUKEY ALPHA=0.01;
RUN;
PROC anova;
TITLE "Anlisis de varianza prueba de Duncan";
CLASS var rep;
MODEL latc = var rep/*diseo bloques completos al azar*/
MEANS var/DUNCAN;
RUN;
PROC anova;
TITLE "Anlisis de varianza prueba de Dunnett bilateral";
CLASS var rep;
MODEL latc = var rep;/*diseo bloques completos al azar*/
MEANS var/DUNNETT (1); /*1 es la variedad testigo*/
RUN;
POSTANOVA DE UN
55
3.7

EXPERIMENTO Y APLICACIN DE PRUEBAS DE COMPARACIN
MLTIPLE DE MEDIAS
Los datos ingresados en Infostat para el ejemplo sobre variedadades de caa quedaran de la siguiente
manera:
Las pruebas de comparacin mltiple de medias disponibles en Infostat se presentan en el cuadro

siguiente:
56
CAPTULO 4
SUPUESTOS FUNDAMENTALES DEL ANLISIS DE VARIANZA,
VERIFICACIN Y TRANSFORMACIN DE DATOS
4.1
INTRODUCCIN
Para el anlisis e interpretacin de un conjunto de datos provenientes de un experimento, se

hace uso del anlisis de varianza o del anlisis de regresin, considerando un modelo matemticoestadstico (Gauss-Markov), lo cual presupone un modelo lineal y la aceptacin de algunas
suposiciones bsicas, las cuales son:
1.
Los diversos efectos son aditivos. Esa condicin es impuesta por el modelo adoptado. Esta
suposicin puede ser verificada por la prueba de Aditividad de Tukey (Tukey test for
additivity, 1949).
2.
Los errores o desvos (eij) son independientes, esto es, la probabilidad de que el error de una
observacin cualquiera tenga un determinado valor, no debe depender de los valores de los
otros errores. De donde resulta, que los errores no son correlacionados. El cumplimiento de
esta suposicin se garantiza, hasta cierto punto, por la aleatorizacin de los tratamientos en las
unidades experimentales y mediante una buena tcnica experimental (uso de borduras, evitar
contagio entre unidades experimentales, etc). Puede ser utilizada la prueba de las rachas o
corridas (run test) o la prueba de Durbin-Watson para verificar la existencia de correlacin
serial entre los errores. Una forma de poder tomar en cuenta la correlacin espacial de
parcelas, esto es, tendencia de observaciones que estn en parcelas cercanas a ser ms
parecidas que las estn ms lejos, es utilizando modelos geoestadsticos que incorporen
correlacin espacial a nivel de los trminos de error. Para ms informacin sobre este tema
puede consultar el texto: Aplicaciones de Modelos Mixtos en Agricultura y Forestera de
Balzarini, Macchiavelli y Casanoves (2010).
3.
Los errores (eij) tienen la misma variancia 2 (a esto se le conoce como homocedasticidad u
homogeneidad de varianzas). Cuando las varianzas no son homogneas, se dice que existe
heterocedasticidad. La hetegoneidad de varianzas, segn Banzatto y Kronka (2011) puede ser
de dos tipos:
a) Heterogeneidad irregular: ocurre cuando ciertos tratamientos presentan mayor
variabilidad que otros, como en los experimentos con insecticidas, en los cuales es
considerado un grupo de parcelas no tratadas (testigo). De un modo general, verificamos
que los nmeros de insectos vivos en las parcelas tratadas son menores y ms homogneos
que los del testigo, que presentan mayor variabilidad.
b) Heterogeneidad regular: ocurre debido a la falta de normalidad de los datos
experimentales, existiendo, frecuentemente, cierta relacin entre la media y la varianza de
los diversos tratamientos evaluados. Si la distribucin de los datos es conocida, la relacin
entre media y varianza de los tratamientos tambin lo ser, y los datos podrn ser
transformados de forma que pasen a tener una distribucin aproximadamente normal y las
medias y varianzas se tornen independientes, permitiendo estructurar el anlisis de
varianza.
Para evaluar la heterogeneidad (o la homogeneidadad) de varianzas, se utilizan las pruebas
que se describen a continuacin:
57
Hartley (o de F mximo): es sencilla, pero se puede aplicar nicamente cuando los
tamaos de muestra (repeticiones) son iguales y si los errores estn normalmente
distribuidos.
Bartlett: esta prueba puede utilizarse cuando los tamaos de muestra (repeticiones) son
iguales o diferentes. Presenta tambin el inconveniente de ser sensible a la falta de
normalidad de los datos.
Levene modificado: Esta prueba es til an cuando no se cumple con el supuesto de
normalidad y adems, no se requiere que los tamaos de muestra sean los mismos para
todos los tratamientos.
4.
Los errores eij tienen distribucin normal (o estn normalmente distribuidos). Pruebas de
bondad de ajuste, como la de J-cuadrado ( 2), Shapiro-Wilks, Kolmogorov-Smirnov y su
modificacin conocida como la prueba de Lilliefors, pueden ser utilizadas para examinar esta
suposicin. Adems, la normalidad de los errores puede ser examinada mediante el uso de
histogramas, grficos de cajas de dispersin (box plot) y grficos de probabilidad normal
(normal probability plots), como se ilustra a continuacin:
Box Plot
18
20
16
15
14
10
5
10
-5
6
-10
4
-15
2
-20
0
<= -20
(-20,-15] (-15,-10]
(-10,-5]
(-5,0]
(0,5]
(5,10]
(10,15]
> 15
-25
RESIDUOS
RESIDUOS
a)
Histograma
b)
Diagrama de cajas y alambres (box plot)
Normal Probability Plot

RESIDUOS
2.5
1.5
Expected Normal Value
frecuencia
12
0.5
-0.5
-1.5
-2.5
-25
-20
-15
-10
-5
10
15
20
Value
c)
Grfico de probabilidad normal (pp-plot)
58
Segn Nogueira (2007), las suposiciones anteriores tienen por objetivo facilitar la
interpretacin de los resultados, tornando las tcnicas estadsticas ms simples, y posibilitando la
aplicacin de las pruebas de hiptesis. Entretanto, la validez exacta de esas suposiciones es
esencialmente terica, en la prctica, lo que se espera es su validez aproximada, una vez que los
procedimientos obtenidos a travs de los modelos lineares son razonablemente robustos y se pierde
poco s la validez de las suposiciones fuere apenas aproximada. Cuando esas suposiciones no son
satisfechas, esto es, cuando hay desvos, sus efectos son variados y la gravedad del problema, depende
de la situacin. De esto modo, se verifica que:
a)
La aditividad est asociada a la facilidad de interpretacin del modelo, de modo que, si ella es
vlida, entonces los datos observados sern siempre combinaciones lineares de los efectos
estudiados. Esta suposicin no es siempre necesaria, sea en la estimacin o en las pruebas de
hiptesis.
b)
La homocedasticidad, o sea, la homogeneidad de varianzas es en la mayora de veces, el

requisito necesario. Cuando se tiene heterogeneidad de varianzas, el mtodo de los mnimos
cuadrados no ofrece los mejores estimadores. La prueba de F, los mtodos de comparaciones
mltiples, y la estimacin de los componentes de varianza pueden ser grandemente afectada.
c)
En cuanto a la normalidad, es necesaria en las pruebas de hiptesis. En algunas situaciones, no

es una suposicin crtica, a no ser que vaya acompaada de heterogeneidad de varianzas.
Muchas pruebas aplicadas en el anlisis de varianza son robustas con relacin a la falta de
normalidad.
De acuerdo con Macchiavelli (2003), en forma general, la consecuencia del no cumplimiento

de los supuestos es que las conclusiones de los anlisis realizados pueden no ser vlidas (los niveles de
error pueden ser diferentes a los establecidos, los errores estndar pueden subestimar o sobreestimar
los verdaderos errores poblacionales, los lmites de confianza pueden ser incorrectos, etc.).
Observando cualquier desvo importante en las suposiciones del anlisis de varianza, algunas
alternativas pueden ser tomadas:
1.
Aplicacin de tcnicas estadsticas donde no exista la necesidad de suposiciones, tales como:

Estadstica No Paramtrica, mtodo de los mnimos cuadrados ponderados, mtodo de los
residuos especficos.
2.
En vez de realizar el anlisis estadstico con los datos originales, los cuales no cumplen las
suposiciones, se pueden utilizar funciones construidas, de tal modo, que las suposiciones sean
cumplidas. Esas funciones construidas son conocidas como: Funciones de transformacin de
datos (funcin estabilizadora de la varianza).
3.
Uso de Modelos Lineales Generalizados (MLG).
4.2
TRANSFORMACIN DE DATOS
La heterogeneidad de varianzas puede ocurrir debido a los tratamientos evaluados, esto es,
ciertos tratamientos presentan mayor variabilidad que otros, sin que haya necesariamente una relacin
entre la media y la varianza, o puede haber sido que si exista esta relacin. Esto ltimo significa que
la varianza de y es una funcin de la media, o sea, E(y) = y V(y) = D2( ). En este caso, el
procedimiento adoptado se refiere a la transformacin de los datos observados a otra escala, antes de
realizar el anlisis de varianza.
59
4.2.1
Verificacin de los supuestos.
A continuacin se presenta un ejemplo tomado del libro Experimentao Agronmica I de la

Dra. Mara Cristina Stolf Nogueira (2007), con el objetivo de ilustrar la metodologa para la
verificacin de los supuestos del Anlisis de Varianza y ms adelante para mostrar los diferentes tipos
de transformaciones que se pueden realizar.
Los siguientes datos se refieren al nmero de larvas vivas encontradas en un rea experimental
plantada con arroz (Oryza sativa L.), tratada con diferentes insecticidas. El diseo experimental
utilizado fue el completamente al azar (DCA).
Tratamiento
Repeticiones
II
III
12
0
8
5
15
6
6
4
17
10
28
2
0
0
0
2
10
15
I
9
4
6
9
27
35
1
10
4
1
2
3
4
5
6
7
8
9
Modelo matemtico-estadstico:
Yij
=
=
=
=
i
ij
Yij =
IV
1
1
2
5
10
15
0
1
5
Yi..
Yi..
22
18
29
24
64
80
1
13
34
5.50
4.50
7.25
6.00
16.00
20.00
0.25
3.25
8.50
i..
35.00
8.33
30.25
4.67
64.67
212.67
0.25
20.92
25.67
i = 1, 2, . . . , t
j = 1, 2, . . . , r
ij
nmero de larvas vivas observado en la ij-sima unidad experimental.

media general del nmero de larvas vivas.
efecto del i-simo insectida.
error experimental asociado a la ij-sima unidad experimental.
ANLISIS DE VARIANZA
1.
Hiptesis
= i
i
(todos los tratamientos producen el mismo efecto)

para al menos un i; i = 1,2, . . . , t (al menos uno de los tratamientos produce
efectos distintos).
2.
Supuestos
2
ij ~ NID (0, )
Los errores son independientes y normalmente distribuidos, con media cero y varianza
constante (homogeneidad de varianzas).
3.
Diagnstico de los supuestos

Las posibles violaciones a las suposiciones bsicas del modelo estadstico pueden ser
investigadas fcilmente examinando los residuos. El residuo de la observacin j del
tratamiento i se define mediante:
e ij
Yij
ij
Y
60
ij una estimacin de la observacin correspondiente, calculada por:
Siendo Y
ij
Y
ij
Y
Y..
( Y i . Y..)
entonces eij
Yij
Y i . , en un diseo completamente al azar (DCA).
Para un diseo aleatorizado por bloques tenemos que:
ij
Y
Y..
Yi .
Yij
e ij
i j
( Y i . Y..) ( Y . j Y..)
Y . j Y.. , por lo tanto:
Y i. Y . j Y..
En un diseo cuadrado latino los residuos se obtienen de la siguiente manera:
e ij k
ij k , o sea:
Y
Yij k
e ij k
Yij k
Y i..
Y . j.
Y .. k
2 Y..
4.2.2 Grfico de residuos contra el valor ajustado Y ij .

El examen de los residuos debe ser automtico en el anlisis de varianza. Si el modelo es
correcto y las suposiciones se satisfacen, los residuos no deben tener algn patrn, ni deben estar
relacionados con alguna otra variable, incluyendo la respuesta yij. Una comprobacin sencilla consiste
ij (en el caso de un DCA, recordemos que
en graficar los residuos contra los valores ajustados Y
ij = Y i. , el promedio del i-simo tratamiento). En esta grfica no debe revelarse algn patrn obvio.
Y
Un defecto que en ocasiones revela el grfico es el de una varianza variable. Algunas veces
la varianza de las observaciones aumenta a medida que la magnitud de las observaciones lo hace. Esto
resulta cuando el error es proporcional a la magnitud de la observacin. Si ste es el caso, los residuos
aumentan a medida que Yij lo hace. A continuacin se presentan el grfico de predichos contra
residuos y el de Quantil-Quantil (QQ-Plot):
Grfico de Predichos contra Residuos
Cuantiles observados(RDUO_Larvas)
16,65
Residuos
7,57
-1,50
-10,57
-19,65
-0,74
QQ-Plot
4,69
10,13
15,56
Valores Predichos
20,99
15,00
n= 36 r= 0,962 (RDUO_Larvas)
6,75
-1,50
-9,75
-18,00
-18,00
-9,75
-1,50
6,75
Cuantiles de una Normal
15,00
61
Clculo de los residuos para el ejemplo ilustrativo:
I
3.50
- 0.50
-1.25
3.00
11.00
15.00
0.75
6.75
-4.50
Repeticiones
II
III
6.50
-5.50
3.50
0.50
7.75
-1.25
0
-2.00
1.00
-6.00
8.00
-18.00
-0.25
-0.25
-3.25
-1.25
1.50
6.50
e11 = 9
5.50 = 3.50,
e13 = 0
5.50 = 3.50,
e12 =12
5.50 = 6.50,
e14 = 1
5.50 =
Tratamiento
1
2
3
4
5
6
7
8
9
Ejemplo:
IV
-4.50
-3.50
-5.25
-1.00
-6.00
-5.00
-0.25
-2.25
-3.50
4.50.
Otra alternativa, segn Barbin (2003), es el uso de los residuos estandarizados (dij), que son
calculados usando la siguiente ecuacin:
dij
eij
eij
CMee
s2
cuando son colocados en un grfico, contra los valores estimados (yij), pueden darnos las
siguientes orientaciones (patrones de comportamiento):
62
Fuente: Barbin (2003)
4.2.3
Prueba de Shapiro Wilk para evaluar el supuesto de normalidad de los errores
En la prueba de normalidad de Shapiro-Wilk, la hiptesis nula que se evala es que los errores
siguen aproximadamente una distribucin normal, y la alternativa es que no siguen esa distribucin. Es
necesario recordar que si el valor p (Pr < W) es mayor que el nivel de significancia (en general 0.05),
entonces concluimos que no se cuenta con evidencia suficiente para rechazar la hiptesis nula, por lo
tanto, los errores siguen una distribucin normal.
Shapiro-Wilk
Variable
RDUO_Rendimiento
n
20
Media
0.00
W*
0.96
Pr < W
0.7824
En este ejemplo el supuesto de normalidad se acepta Ho , debido a que p = 0.7824 es mayor

que el valor de (0.05).
4.2.4
Pruebas estadsticas para evaluar la homocedasticidad
Adems de los grficos de residuos que frecuentemente se utilizan para diagnosticar la

igualdad en las varianzas, se han propuesto algunas pruebas estadsticas. stas son pruebas formales
para las hiptesis:
63
2
Ho :
2
2
2
i
Ha :
2
i
2
3
...
2
i
, para algn i i
PRUEBA DE HARTLEY O DE F MXIMA

Esta prueba consiste en calcular el cociente:
2
i
2
i
Hc
(mx)
,i 1, 2 , . . . , t
( min )
siendo:
2
i
1
r 1
Yij
j 1
Yi.
r
, siendo
t = nmero de tratamiento y
r= nmero de repeticiones
Regla de decisin:
Si Hc H (t, r-1, ), se rechaza Ho, con un nivel de significancia . Siendo H (t, r-1, ) obtenido de
la Tabla 5 del Apndice. Esta tabla fue generada por Pearson & Hartley en 1956.
Para el ejemplo ilustrativo, se tiene que en el tratamiento con el insecticida 6 se obtuvo la
mayor varianza estimada:
2
i
4 1
(352
282
22
152 )
802
4
212.67 u 2
Por otra parte, los datos observados en el tratamiento 7 presentaron el menor valor de
2
i
0.25 u 2 . Por tanto,
Hc
212.67
0.25
850.68 y H (9,3,0.05) = 93.9 (vea la Tabla 1)
Como Hc
H, se rechaza la hiptesis nula y se concluye que existen evidencias de ocurrencia

de heterocedasticidad (o sea, heterogeneidad de varianzas).
PRUEBA DE BARTLETT (Snedecor e Cochran, 1983)

Consiste en calcular una estadstica cuya distribucin muestral es, aproximadamente Ji
cuadrada con k-1 grados de libertad, cuando las k muestras aleatorias (o grupos) provienen de
poblaciones normales e independientes. La estadstica de prueba es:
2
o
2.3026
q
c
(N
k ) log10 S p 2
(ni 1) log10 Si 2
i 1
64
c 1
k
( n i 1) Si
Sp
1
3(k 1)
(ni 1)
(N k)
i 1
, siendo Si2 es la varianza muestral de la i-sima poblacin.
i 1
N k
Regla de decisin:
2
o
>
Se rechaza Ho para valores grandes de o2; en otras palabras, se rechaza Ho, slo si:
2
(k-1, ). El valor de
(k-1, ) se obtiene de la Tabla 6 del Apndice.
Nota: Varios estudios indican que la prueba de Bartlett es muy sensible a la suposicin de
normalidad y no debe ser aplicada cuando exista alguna duda en cuanto a esta suposicin
(Montgomery, 2004).
Retomando al ejemplo ilustrativo que se ha venido trabajando, tenemos que:
N = total de observaciones
k = nmero de grupos (o tratamientos)
Cuando todas las estimativas Si2 son obtenidas con el mismo nmero de observaciones
tenemos que Sp2 se obtiene de la siguiente manera:

Sp
( 4 1)
(35 8.33 30 .25 . . . 25 .67 )

(36 9)
44 .71
q (36 9) log10 (44.71) (4 1) log10 (35) log10 (8.33) ... log10 (25.67)
c 1
1
3(9 1)
2
o
4.2.5
2
o
>
(8,0.05) ,
1
(36 9)
11.92
1.12
24.51
(4 1)
2.3026
2
Como
(8,0.05) =
11.92
1.12
15.51
se rechaza Ho, concluyendo que las varianzas son heterogneas.
Algunas transformaciones comnmente utilizadas
El proceso de obtencin de la transformacin de datos depende del objetivo que se desea

alcanzar con esa transformacin. Es sabido que difcilmente una transformacin de datos ir atender a
todos los objetivos, aunque no sea raro, se busca homogeneidad de varianzas y se consigue junto con
ella una mejor aproximacin normal.
65
En la prctica, raramente se realizaba la verificacin de las condiciones exigidas por el modelo
matemtico, debido a que, datos de peso y altura (variables cuantitativas continuas), generalmente
tienen distribucin normal. A continuacin se describen los cuatro principales tipos de
transformaciones comnmente utilizados:
Raz cuadrada.
Es una transformacin usualmente utilizada para datos con varianzas que cambian
proporcionalmente con la media, frecuentemente cuando la variable observada Y se refiere a datos de
conteo de insectos u otros organismos, permitiendo suponer que Y tiene distribucin de Poisson.
Variables de este tipo deben transformarse mediante la raz cuadrada:
y ij *
siendo
y ij o bien
y ij *
y ij
= 0, , 3/8, etc.
Gomes (2000) indica que cuando se incluyen valores de yij inferiores a 15, conviene tomar =
3/8 (que es lo que comnmente ocurre con experimentos con insectos en laboratorio). Cuando los
valores de yij son mayores de 15, se puede tomar = 0.
Angular
Otro caso a considerar es el que trata de porcentajes p= (x/n) 100, relativas a n observaciones
por parcela. Los porcentajes deben estar basados en un denominador comn (por ejemplo, porcentaje
de germinacin calculado a partir de 50 semillas bajo distintos tratamientos). En tales condiciones, los
datos tienen, en general, distribucin binomial y la transformacin indicada es:
yij
arcsen (yij )1/ 2 o sea yij * sen 1 (yij )1/ 2
Gomes (2000) recomienda que se efecte este tipo de transformacin cuando los porcentajes
sean menores de 15% o excedan 85%. As, si todos los datos se encuentran en el intervalo [ 15%, 85%
], la transformacin no es necesaria. Adems, en el caso en que x=0, el valor de 0/n debe ser
substituido por (1/4n), y en el caso de x=n, el valor de n/n ser substituido por 1 1/4n).
Los datos transformados se expresan en grados (y no en radianes), por ejemplo, si y ij = 5%,
yij*= arcsen(0.05)1/2 =12.92.
Logartmica
Cuando se verifica una proporcionalidad entre medias y desviaciones estndar, se puede usar
la transformacin:
y ij
log ( y ij ) o sea
y ij *
log ( y ij 1)
Macchiavelli (2003) indica que esta transformacin se utiliza para datos que exhiben efectos
multiplicativos (una forma de falta de aditividad) o cuando las varianzas son proporcionales al
cuadrado de las medias. Gomes (2000) cita que, la transformacin logartmica puede utilizarse
tambin, cuando los datos siguen una distribucin log-normal.
66
Recproca
Surge en las situaciones en que V (yij)
(es proporcional) a
y ij *
. Entonces:
1
y ij
La utilizacin de esta transformacin es adecuada cuando y est relacionada con el tiempo de

sobrevivencia, luego 1/y puede ser considerada como la tasa de mortalidad, o cuando y est relacionada
con el tiempo transcurrido hasta un acontecimiento o un nmero de ocurrencias para una unidad de
tiempo.
4.2.6
Seleccin de la transformacin.
Montgomery (2004) indica que si el experimentador conoce la relacin entre la varianza y la

media de las observaciones, puede utilizar esa informacin como gua al seleccionar la forma de la
transformacin apropiada.
Sea E(y)= , la media de los valores de y. Y Suponiendo que la varianza V(y)= 2y, es
proporcional a alguna potencia de la media de y, tal que: 2y
, se desea determinar la
transformacin de y que produzca una varianza constante.
La transformacin recomendable frecuentemente puede ser obtenida con el auxilio de la
b , en donde es una constante de proporcionalidad. Al aplicar
ecuacin de regresin: V ( y )
logaritmo a ambos lados de la anterior ecuacin de regresin, se obtiene la ecuacin (1):
Ln( i2 )
b Ln( yi. )
i 1, 2,..., t
La metodologa se describe a continuacin:

1.
2.
Se deben obtener las estimativas de la media y varianza de los tratamientos.

Luego se debe realizar un anlisis de regresin entre los valores de Ln( i2 ) en funcin de los
valores de Ln(yi. ) utilizando la ecuacin (1).
Para el ejemplo ilustrativo que hemos venido trabajando, tenemos los siguientes resultados:
Insecticida
yi .
1
2
3
4
5
6
7
8
9
Total
5.50
4.50
7.25
6.00
16.00
20.00
0.25
3.25
8.50
xi
Ln( yi. )
i2
1.7047
1.5041
1.9810
1.7918
2.7726
2.9957
-1.3863
1.1787
2.1401
14.6824
35.00
8.33
30.25
4.67
64.67
212.67
0.25
20.92
25.67
yi
Ln( i2 )
3.5553
2.12
3.4095
1.5412
4.1693
5.3597
-1.3863
3.0407
3.2453
25.0547
67
Con esta informacin obtenemos la estimativa del coeficiente angular de la regresin lineal
simple:
xi
xi yi
i 1
yi
i 1
i 1
1.3918
xi
n
2
i
x
i 1
i 1
Para evaluar la hiptesis Ho: =0 contra Ha: 0, se realiza el anlisis de varianza para la
regresin lineal, y los resultados se presentan en el siguiente cuadro:
Fuentes de
variacin
Regresin
Desvos
Total
Grados de
libertad
1
7
8
Suma de
cuadrados
24.99375
4.20259
29.19634
Cuadrados
medios
24.99375
0.60037
Valor de F
F crtica
41.6306*
5.59
Coeficiente de determinacin (R2) = 0.8561
Por el resultado obtenido, con un 5% de significancia, no se encontr evidencia suficiente para

rechazar la hiptesis nula, por lo tanto se concluye que existe relacin entre la media y la varianza de
los tratamientos incluidos en el experimento del ejemplo ilustrativo.
La seleccin de la transformacin adecuada depende de la estimativa del coeficiente angular de
la regresin ( b ). En la siguiente tabla se presentan las principales transformaciones a ser adoptadas,

en funcin del valor del coeficiente b
Relacin entre
V(y)= 2 y
2
b
2
Constante
Transformacin
Ninguna
y
log y
1
y
Observacin:
puede asumir valores tales como: 0, 3/8, , 1, 2, . . . , con el objetivo de corregir
valores nulos o negativos. La transformacin a utilizar en nuestro ejemplo sera:
b
2
b
1.3918
0.3041
yij* yij
1
0.3041
2
2
Al utilizar la tabla anterior, se puede verificar que la transformacin adecuada es raz
cuadrada, considerando b 1.3916 1 .
1
*
ij
yij
68
4.3
PROGRAMA EN SAS PARA EL ANLISIS DE LOS SUPUESTOS DE

NORMALIDAD Y DE HOMOGENEIDAD DE VARIANZAS

DATA supos; /*evaluacion de los supuestos de normalidad y homocedasticidad*/
INPUT insec larvas;
CARDS;
1
9
2
4
Otra alternativa, es digitando luego del conjunto de datos, esta parte del
3
6
programa:
4
9
5
27
PROC GLM DATA=supos;
6
35
CLASS insec;
7
1
MODEL larvas=insec;
OUTPUT OUT=resi P =preditos R=resid STUDENT=res_pad; /*se
8
10
guardan los residuos y los residuos estudentizados en el
9
4
archivo RESI*/
1
12
/*obtencin de las pruebas de normalidad y grfico de
2
8
probabilidad normal*/
3
15
PROC UNIVARIATE DATA=resi NORMAL PLOT; /*con la opcin
4
6
NORMAL se muestran las pruebas de normalidad y con PLOT el
5
17
grfico de probabilidad NORMAL*/
6
28
VAR resid;
7
0
QQPLOT resid; /*se presenta el grfico QQPLOT*/
/*obtencin de las pruebas de homocedasticidad de los
8
0
residuos agrupados por insecticida*/
9
10
PROC GLM DATA=resi;
1
0
CLASS insec;
2
5
MODEL larvas=insec;
3
6
MEANS insec/HOVTEST=BARTLETT; /*se obtienen las pruebas de
4
4
BARTLETT*/
5
10
MEANS insec/HOVTEST welch; /*se obtienen las pruebas de
6
2
LEVENE y WELCH*/
RUN;
7
0
title 'Grfico dos resduos padronizados - independncia';
8
2
proc plot; plot res_pad*preditos;
9
15
run;
1
1
2
1
3
2
4
5
5
10
6
15
7
0
8
1
9
5
;
PROC glm;
TITLE Prueba de normalidad;
CLASS insec;
MODEL larvas=insec/SS1;
output out=res r=rlar p=pred;
RUN;
69
PROC print data=res; RUN;
PROC univariate plot normal data=res;
var rlar;
RUN;
TITLE "Verificacin de la homocedasticidad usando la prueba de Hartley";
proc means mean var CV;
by insec;
var larvas;
RUN;
PROC SUMMARY NWAY;/* Calcula y guarda varianza estimada */
TITLE Prueba de Bartlett para contrastar igualdad de varianzas;
CLASS insec;/* el nmero de observaciones para cada nivel de trat*/
VAR larvas;
OUTPUT OUT= salida VAR=VARIANCE N=NUM;
PROC PRINT;
RUN;
DATA _NULL_;
SET SALIDA END=EOF;
LOGVARI=LOG(VARIANCE);
N=NUM-1;
SLOGVAR+LOGVARI*N;
TOTN+N;
NVAR=N*VARIANCE;
SNVAR+NVAR;
A+1;
SFRACT+1/N;
IF EOF THEN DO;
M=TOTN*LOG(SNVAR/TOTN)-SLOGVAR;
C=1+(1/(3*(A-1)))*(SFRACT-1/TOTN);
CHISQ=M/C;
PROBCHI=PROBCHI(CHISQ,(A-1));
ALPHA=1-PROBCHI;
FILE PRINT;
PUT Test de Bartlett para contrastar igualdad de varianzas;
PUT ;
PUT CHI-CUADRADO = CHISQ ALPHA = ALPHA . ;
END;
RUN;
70
4.4
1.
Efecte el anlisis de varianza para la variable raz cuadrada del nmero de larvas vivas. Los
datos (ya transformados) se presentan en el cuadro siguiente:
TRAT.
1
2
3
4
5
6
7
8
9
2.
I
3.00
2.00
2.45
3.00
5.20
5.92
1.00
3.16
2.00
Repeticiones
II
III
3.46
0
2.83
2.24
3.87
2.45
2.45
2.00
4.12
3.16
5.29
1.41
0
0
0
1.41
3.16
3.87
Yi..
7.46
8.07
10.18
9.69
15.64
16.49
1.00
5.57
11.27
Yi.
1.87
2.02
2.55
2.42
3.91
4.12
0.25
1.39
2.89
Navarro (1996) evalu el efecto de aceites y detergentes para el control de fidos (Homptera:
Aphididae) en el cultivo del brcoli (Brassica oleracea var. Itlica Plenk), en el municipio de
Patzica, departamento de Chimaltenango. A continuacin se presentan los datos de campo del
conteo del nmero de fidos por parcela neta, 7 das despus de la segunda aplicacin de los
tratamientos. El diseo experimental utilizado fue el de bloques completos al azar.
Tratamientos
Saf-T-Side
(Aceite parafinado)
Triona o Medopaz (Aceite mineral de uso
agrcola)
Carrier
(Aceite vegetal de uso agrcola)
Olmeca
(Aceite vegetal de uso domstico)
Bioambar
(Detergente biodegradable)
Glicerina
(Detergente en formulacin lquida)
Sulfonato de potasio
(Detergente en formulacin semislida)
ACT-92
(Carbonato de sodio)
Naled
(Testigo
qumico,
insecticida
organofosforado)
Testigo absoluto
(Agua)
a)
b)
IV
1.00
1.00
1.41
2.24
3.16
3.87
0
1.00
2.24
Repeticiones
II
III
49
26
35
19
49
27
32
43
42
13
13
17
41
40
51
123
10
60
70
87
26
70
14
61
43
43
37
62
Evale los supuestos del Anlisis de Varianza.

En caso de ser necesario, indique y demuestre cul es la transformacin ms adecuada.
71
3.
Un experimento reportado por Macedo (1970) y citado por Banzatto y Kronka (2011) fue
realizado con el objetivo de evaluar 5 tratamientos para el control del pulgn (Aphis gossypii
Glover) en el cultivo del pepino (Cucumis sativus), fueran utilizadas 6 repeticiones y el diseo
adoptado fue el de completamente al azar. Los datos obtenidos referentes al nmero de
pulgones colectados 36 horas despus de la fumigacin, son presentados en el cuadro
siguiente:
Tratamientos
A
B
C
D
E
1
2370
1282
562
173
193
2
1687
1527
321
127
71
Repeticiones
3
4
2592
2283
871
1025
636
317
132
150
82
62
5
2910
825
485
129
96
6
3020
920
842
227
44
s2
233750
75559
40126
1502
2792
a) Verifique el cumpliento de los supuestos del modelo estadstico matemtico: normalidad

de los residuos y homogeneidad de las varianzas.
b) Indique el tipo de heterogeneidad. Puede utilizar grficos de los residuos.
c) Justifique el tipo de transformacin ms adecuada y aplquela.
d) Con los datos transformados verifique de nuevo los supuestos del modelo estadstico
matemtico.
e) Realice el ANOVA con los datos transformados.
f) En caso de ser necesario, realice la prueba de comparacin mltiple de medias de acuerdo
con el criterio propuesto por Tukey.
4.
El porcentaje de humedad relativa (HR) es determinante para el ataque (%) de hongos en

semillas. Para evaluar la susceptibilidad de las semillas de man al ataque de un hongo, Di
Rienzo et al., citan un experimento que se realiz en cmaras de cra con tres porcentajes de
HR: 70%, 80% y 90%. Cinco observaciones fueron tomadas para cada porcentaje de HR,
registrndose el porcentaje de semillas atacadas en un grupo de cien semillas (unidad
experimental). Los resultados se presentan a continuacin:
Porcentaje de
HR
70
80
90
7
12
14
Observaciones
(Porcentaje de semillas infectadas)
6
9
5
15
17
18
16
18
21
9
20
15
a) Verifique el cumpliento de los supuestos del modelo estadstico matemtico: normalidad

de los residuos y homogeneidad de las varianzas.
b) Indique el tipo de heterogeneidad. Puede utilizar grficos de los residuos.
c) Realice el ANOVA.
5.
Revise tres trabajos de investigacin en los que la variable de respuesta medida sea una
variable cuantitativa discreta, analice los datos y verifique si los supuestos del modelo
estadstico matemtico fueron cumplidos. Indique qu tipo de transformacin es la ms
adecuada para cada caso, justificando su seleccin.
72
CAPTULO 5
DISEO EN BLOQUES COMPLETOS AL AZAR
5.1
INTRODUCCIN
El diseo en bloques completos al azar (DBA) toma en cuenta los tres principios bsicos de la
experimentacin: repeticin, aleatorizacin y control local. En este diseo las unidades experimentales
se distribuyen en grupos homogneos. Cada uno de estos grupos es llamado: bloque. El nmero de
unidades experimentales dentro de cada bloque es igual al nmero de tratamientos incluidos en el
experimento. Un caso particular de diseo de bloques es el que aparece relacionado con la prueba de t
para muestras pareadas, aunque el nmero de tratamientos es slo dos.
Los tratamientos son distribuidos en las unidades experimentales dentro de cada bloque
aleatoriamente, as, cada bloque ir a constituir una repeticin. Este tipo de experimento es
seleccionado cuando se tienen dudas acerca de la homogeneidad del ambiente o cuando, por
experiencia, se sabe de su heterogeneidad.
5.1.1
Criterios de bloqueo
Este diseo es conveniente cuando se logra determinar una gradiente de variabilidad en un

sentido, que est influyendo sobre los tratamientos, por ejemplo: grado de inclinacin del terreno
donde se realizar el experimento, direccin del viento, gradiente de temperatura, etc. Los bloques se
construyen perpendiculares a la direccin de la gradiente de variabilidad.
5.1.2
Aleatorizacin
Se aleatorizan las tratamientos dentro de cada bloque. Debe considerarse que la aleatorizacin
se realizar de forma independiente para cada bloque.
Ejemplo
Suponiendo que se tiene un experimento que incluye un factor con 5 niveles (denotados con las letras
A, B, C, D y E), distribuidos en 4 bloques, y considerando que en cada bloque los niveles del factor
fueron totalmente aleatorizados, el croquis de campo quedara de la siguiente forma:
A
BLOQUE I
BLOQUE II
BLOQUE III
BLOQUE IV
73
El proceso de aleatorizacin puede ser simplificado, utilizando el procedimiento PROC PLAN del
programa SAS, conforme se presenta a continuacin, para el ejemplo anterior, 5 tratamientos en 4
bloques.
**********************************************************************************
Programa
Title "Aleatorizacin de los tratamientos en un DBA";
PROC Plan seed=1820403;
Factors bloques=4 parcelas=5 ORDERED;
Treatments Trat=5 RANDOM;
Output out=croquis Trat cvals= ("A" "B" "C" "D" "E");
RUN;
PROC Print DATA=croquis;
RUN;
**********************************************************************************
Salida
Aleatorizacin de los tratamientos en un DBA
The PLAN Procedure
Plot Factors
Factor
Select Levels
Order
Bloques
Random
Parcelas
Ordered
Treatment Factors
Factor Select Levels
Trat
bloques
5
parcelas
Order
Random
Trat
1 2 3 4 5 3 1 2 4 5
1 2 3 4 5 2 1 5 3 4
1 2 3 4 5 1 2 5 4 3
1 2 3 4 5 5 1 4 2 3
Para realizar el proceso de aleatorizacin en otros diseos experimentales utilizando PROC Plan de
SAS, puede consultar el libro Experimentao Agronmica I de la Dra. Maria Cristina Stolf
Nogueira (2007). En el programa R tambin es posible realizar la aleatorizacin de los tratamientos.
Para ampliar esta parte puede comunicarse por email con los autores del presente texto (Ezequiel
Lpez o Byron Gonzlez).
El croquis de campo para este ejemplo se presenta a continuacin.
74
Obs
1
2
3
4
5
6
7
8
9
10
5.2
Bloques
2
2
2
2
2
4
4
4
4
4
Parcelas
1
2
3
4
5
1
2
3
4
5
Trat
C
A
B
D
E
B
A
E
C
D
Obs
11
12
13
14
15
16
17
18
19
20
Bloques
1
1
1
1
1
3
3
3
3
3
Parcelas
1
2
3
4
5
1
2
3
4
5
Trat
A
B
E
D
C
E
A
D
B
C
ANLISIS ESTADSTICO
Sea t el nmero de niveles del factor A (tratamientos) distribuidos en r bloques. La notacin

adoptada para representar los valores de la variable de respuesta es dada en la tabla siguiente:
Repeticiones
2
3
...
Y11
Y12
Y13
...
Y1r
Y1.
Y21
Y22
Y23
...
Y2r
Y2.
Y31
Y32
Y33
...
Y3r
Y3.
...
...
T
Y.j
Yt1
Yt2
Yt3
...
Ytr
Yt.
Y. 1
Y. 2
Y. 3
...
Y. r
Y ..
Siendo que:
t
Y. j
Yij es el total obtenido en el j-simo bloque o repeticin

i 1
r
Yi.
Yij es el total obtenido en el i-simo tratamiento

j 1
Y..
Yij es el total general o gran total

i 1 j 1
Y ..
Yi.
Tratamientos
Y..
es la media general
tr
Y i.
Yi.
es la media del i-simo tratamiento
r
75
5.2.1
Hiptesis a evaluar
Ho :
Ha:
5.2.2
i = 1,2, . . . /
i = 1,2, . . . /
Modelo estadstico
El modelo asociado a este diseo experimental se muestra a continuacin:
Yij =
Siendo:
Yij
=
=
=
=
=
i
j
ij
5.2.3
ij
i = 1, 2, 3, . . . , t
j = 1, 2, 3, . . . , r
variable de respuesta observada o medida en el i-simo tratamiento y el j-simo

bloque.
media general de la variable de respuesta
efecto del i-simo tratamiento
efecto del j-simo bloque
error asociado a la ij-sima unidad experimental.
Supuestos
~ NID (0, 2)
No existe interaccin entre bloque y tratamiento, lo que significa que un tratamiento no debe
modificar su accin (o efecto) por estar en uno u otro bloque.
ij
5.2.4
Anlisis de Varianza
FV
Bloques
GL
SC
r
Y. 2j
j 1
r- 1
t1
Tratamientos
Error
experimental
t
i
(t -1) (r -1)
Total
Yij
i 1
SCtrat /gltrat
Y..2
tr
SCtrat SC bloque)
tr 1
j 1
Valor de F
Y..2
tr
Yi.2
1 r
SCtotal
CM
CMtrat/CMee
SCee /glee
Y..2
tr
CV(%)
CME
100
Y..
76
Regla de Decisin
Rechazar Ho.
No Rechazar Ho.
5.2.5
S el valor de F F crtica (gl trat; gl error;

S el valor de F < F crtica (gl trat; gl error;
)
)
Ejemplo de aplicacin
En un experimento se evalu la aplicacin de productos qumicos para el control de nematodos.

Fueron utilizados los siguientes tratamientos:
A.
B.
C.
D.
E.
F.
Testigo absoluto (sin aplicacin).

Oxamyl 1.5 lt (forma de aplicacin: foliar)
Oxamyl 1.5 lt (forma de aplicacin: al suelo)
Oxamyl 2.0 lt (forma de aplicacin: foliar)
Carbofuran 15 gr. (aplicado al suelo)
Oxamyl 2.0 lt (forma de aplicacin: al suelo)
Los tratamientos fueron analizados en un diseo bloques al azar con cinco repeticiones. La
variable de respuesta medida fue el nmero de nematodos vivos por unidad experimental. Los datos
obtenidos se presentan en la siguiente tabla:
Nematicidas
A
B
C
D
E
F
Y.j
I
307
187
277
115
173
195
1254
II
371
192
328
235
267
131
1524
Bloques
III
379
320
363
248
251
171
1732
IV
360
243
195
267
254
253
1572
V
339
296
344
256
200
253
1688
Yi.
Y i.
1756
1238
1507
1121
1145
1003
7770
351.2
247.6
301.4
224.2
229.0
200.6
259
Se le solicita realizar el anlisis de varianza y emitir las respectivas conclusiones.

Solucin:
SCtrat
(1756) 2 (1238) 2 (1507) 2 (1121) 2 (1145) 2 (1003) 2

5
SCbloques
(1254) 2
(1524) 2
(1732) 2
6
SCtotal (307 2 3712 379 2 . . . 2532 )
(1572)2
(7770) 2
(5)(6)
(1688)2
148,922
(7770) 2
(5)(6)
(7770)2
(5)(6)
79, 750.8
23, 477.33
77
Resumen del anlisis de varianza
Fuentes de variacin
Nematicidas
Bloques
Error Experimental
Total
Grados de
libertad
5
4
20
29
Suma de
cuadrados
79750.80
23477.33
45693.87
178922.00
Cuadrados
medios
15950.16
5869.33
2284.69
CV(%)
Conclusin:
Valor de F
6.98*
Valor crtico
de F
2.71
2284.69
100 18.45%
259
Los nematicidas evaluados producen diferente efecto en el control de nematodos.
5.3
EJERCICIOS PROPUESTOS, DBA
1.
Los datos siguientes fueron obtenidos de un experimento realizado en el Departamento de

Botnica de la ESALQ/USP en 1988. Fue utilizado un diseo en bloques completos al azar, con
4 bloques y 5 tratamientos (T1 = control, T2 = Giberelina 50 ppm, T3 = cido naftalenoactico
100 ppm, T4 = Chlormequat 1,500 ppm y T5=Daminozide 3,000 ppm). La variable de respuesta
fue rendimiento de frutos (gramos por parcela) de la variedad de fresa (Fragaria vesca)
Campinas. Cada unidad experimental estuvo formada por dos lneas de 1.5 2.0 m, con 10
plantas. Los resultados se presentan a continuacin:
Tratamientos
T1
T2
T3
T4
T5
I
374.68
524.67
329.10
164.02
451.57
II
459.15
281.95
258.81
378.15
417.70
Bloques
III
306.79
294.41
294.04
297.22
348.12
IV
350.32
405.91
443.72
275.75
351.56
Yi.
1490.94
1506.94
1325.67
1115.14
1568.95
Realice el ANOVA y en caso de ser necesario una prueba post-ANOVA.

2.
En un experimento de riegos en el cultivo de algodn (Gossypium hirsutum L.) se evaluaron los

siguientes tratamientos que estn expresados en metros cbicos de agua absorbidos por
hectrea: T1=5400, T2=4800, T3=4200 y T4=3600. El experimento se condujo en parcelas de
300 m2 de rea til y los resultados estn expresados en kilogramos por unidad experimental.
Bloques
I
II
III
a)
b)
c)
T1
68
86
68
T2
73
90
71
Tratamientos
T3
53
62
46
T4
50
62
50
Plantee el modelo y defina sus componentes

Defina las hiptesis y construya el cuadro de ANOVA. Utilice =0.05
Efecte la prueba de Tukey para comparar las medias de los tratamientos.
Y.j
244
300
235
78
3.
Dentro de los estndares de calidad del fruto de mango (Mangifera indica L.) para que sea
exportable como un fruto de primera debe de cumplir con lo siguiente: poseer por lo menos un
20% de coloracin rojiza, sin ningn dao mecnico y que no se encuentre manchado; en la
regin de la costa sur est el problema de la falta de coloracin rojiza del fruto, por lo cual se
llev a cabo una investigacin en el cultivo de mango (Mangifera ndica L. Var. Tommy
atkins) en la cual se evalu el efecto de la fertilizacin foliar en la poca de floracin y
crecimiento del fruto sobre la calidad del fruto.
Una de las variables de respuesta evaluadas fue el nmero de frutos con coloracin roja. Se
utiliz el diseo de bloques al azar debido a que existe una gradiente de variabilidad en la
plantacin. Los resultados obtenidos se presentan a continuacin:
CUADRO 1: Tratamientos evaluados
Tratamiento
Potasio + Magnesio + Balanceador + cobre
Mono-di-tri-polisacaridos + cidos urnicos + MgO,
CaO +B, Zn, Co.
Nitrato de Potasio + Aminocidos +cido flico +
Nutrientes
Testigo
CUADRO 2
Mezcla 1
Mezcla 2
Mezcla 3
Sin mezcla
Sin mezcla
I
637
731
687
547
Repeticin
II
III
572
858
603
530
561
489
640
644
IV
732
797
582
586
En Crdoba, Argentina se realiz un ensayo para evaluar el rendimiento en kg de materia seca

por hectrea de una forrajera megatrmica con distintos aportes de N2 en forma de urea. Las
dosis de urea probadas fueron: 0 (control), 75, 150, 225 y 300 kg.ha-1. El ensayo se realiz en
distintas zonas, en las que por razones edficas y climticas se podan prever rendimientos
diferentes. Las zonas en este caso actuaron como bloques. Los resultados obtenidos por
tratamiento y bloque se presentan a continuacin:
Bloque
I
II
III
IV
0 (control)
2010
1832
2170
1879
75
2915
2175
2610
2294
150
3049
2908
2964
2971
225
3199
3235
3003
2937
300
3381
3270
3129
3171
Plantee el modelo y defina sus componentes
Defina la hiptesis y construya el cuadro de ANOVA. Utilice =0.05
Efecte la prueba de Duncan para comparar las medias de los tratamientos.
Urea (kg/ha)
a)
b)
c)
Mezcla 3
Nmero de frutos con coloracin roja en parcelas donde se realiz una

poda de aclareo en la etapa de floracin
Tratamiento
4.
Cdigo
Mezcla 1
Mezcla 2
79
5.
Pea Hernndez (1997) realiz una investigacin en tres localidades del departamento de El
Progreso (Guatemala), con el objetivo de evaluar el rendimento de catorce lneas de frijol
Tepary, procedentes de Hermosillo, Estado de Sonora, Mxico. El diseo experimental
utilizado en cada local fue bloques al azar, con cuatro repeticiones. La unidad experimental fue
de dimensiones 9,40 m 48 m, con distanciamiento de 0.30 m entre por plantas y 0.40 m entre
surcos. La variable de resposta medida fue el rendimiento de granos de frijol (kg.ha-1). Realice
el anlisis de varianza para cada local con alfa =5%, y en caso de ser necesario, aplique una
prueba de comparacin mltiple de medias. Compare los resultados obtenidos.
El Jcaro
Bloques
Variedades
L-18
L-242-43
L-242-7
L-39
L-246-19
L-242-22
L-242-9
L-246-9
L-242-25
L-242-38
L-38
L-30
L-35
L-37
1
405.56
755.35
348.87
232.4
400.48
373.49
265.69
529.96
724.5
619.41
194.96
340.16
492.41
375.00
2
526.35
555.96
359.16
341.65
526.23
867.97
266.96
405.34
538.13
687.92
195.03
520.01
442.01
301.27
3
245.10
615.70
467.32
209.17
284.02
589.55
443.40
345.05
736.51
450.99
285.66
600.51
481.07
259.94
4
458.81
533.27
465.94
462.48
389.48
686.75
477.13
426.80
452.48
492.21
217.95
400.02
284.00
269.94
El Rancho
Bloques
Variedades
L-18
L-242-43
L-242-7
L-39
L-246-19
L-242-22
L-242-9
L-246-9
L-242-25
L-242-38
L-38
L-30
L-35
L-37
1
266.75
408.98
462.64
277.73
497.13
853.19
549.84
503.10
708.12
182.53
166.55
453.70
523.09
201.07
2
666.92
276.25
265.23
383.88
325.92
154.22
203.22
338.67
797.18
425.06
151.68
557.82
467.08
361.75
3
300.71
287.03
193.46
548.41
621.40
559.49
801.02
147.07
213.28
138.54
235.65
372.81
461.54
552.94
4
312.04
951.19
450.74
320.56
444.88
501.63
392.00
352.18
407.10
440.86
236.25
263.11
407.48
399.51
80
Estancia de la Virgen
Bloques
Variedades
L-18
L-242-43
L-242-7
L-39
L-246-19
L-242-22
L-242-9
L-246-9
L-242-25
L-242-38
L-38
L-30
L-35
L-37
6.
1
131.96
185.33
209.25
165.92
220.12
169.98
426.59
175.23
284.19
155.72
149.3
187.67
170.8
300.34
2
90.04
280.97
222.75
229.05
278.65
160.02
370.1
198.11
199.76
152.88
189.38
242.06
134.32
336.65
3
59.62
147.5
112.24
158.74
232.63
289.52
412.75
152.27
128.65
169.88
143.22
193.34
208.88
153.94
4
103.49
240.24
145.57
124.45
190.80
190.06
399.55
189.24
178.3
141.3
156.3
167.51
235.17
230.44
El siguiente conjunto de datos, se refieren a un experimento en bloques al azar con 8 variedades

de papa (Solanum tuberosum L.) y 4 bloques. La variable de respuesta medida fue el
rendimiento de tubrculos, expresado en tm.ha-1.
Bloques
Variedades
A (Kennebec)
B (Huinkul)
C (Sta. Rafaela)
D (Buena Vista)
E (B 25-50 E)
F (B 1-52)
G (B 116-51)
H (B 72-53 A)
a)
b)
c)
d)
7.
1
9.2
21.1
22.6
15.4
12.7
20.0
23.1
18.0
2
13.4
27.0
29.9
11.9
18.0
21.1
24.2
24.6
3
11.0
26.4
24.2
10.1
18.2
20.0
26.4
24.0
4
9.2
25.7
25.1
12.3
17.1
28.0
16.3
24.6
Construya dos conjuntos de box plots, uno para bloques y otro para variedades.
Verifique los supuestos del ANOVA.
Realice el ANOVA.
En caso de ser necesario realice el anlisis post-ANOVA.
Revise 5 trabajos de graduacin o tesis, en lo que se haya utilizado diseo bloques completos
al azar. Investigue qu gradiente de variabilidad usaron para definir los bloques y a su criterio
indique si estuvo correcto.
81
5.4
ANLISIS POST ANOVA: CONTRASTES
En muchos mtodos de comparacin mltiple de medias se utiliza la idea de un contraste. Para

definir este trmino, se considerar un experimento con 5 tratamientos, todos con el mismo nmero de
repeticiones ( r ), en el cual la hiptesis nula Ho: i =0 fue rechazada. Por lo tanto se sabe que los
tratamientos influyen en la variable de respuesta, o sea, algunos de los tratamientos producen diferente
efecto; sin embargo cules son estos tratamientos?
Si se supone que luego de realizar el experimento, los tratamientos 4 y 5 producen el mismo
efecto sobre la variable de respuesta, implica que es deseable probar las hiptesis:
Ho:
Ha:
4=
Estas hiptesis pueden ser probadas investigando una combinacin lineal apropiada de los totales
de tratamientos, por ejemplo:
Y4. Y5. = 0
De haber supuesto que el promedio de los tratamientos 1 y 3 no difiere del promedio de los
tratamientos 4 y 5, las hiptesis que deben probarse son:
Ho:
Ha:
+
+
1
1
4+
4+
5,
y esto implica la combinacin lineal:

Y1. + Y3. Y4. Y5. = 0
En general, la comparacin de medias de tratamientos conlleva una combinacin lineal de totales de
tratamientos de la forma:
t
CiYi. ,
i 1
siendo,
Ci
=
Yi.
=
coeficiente del contraste ortogonal asociado a Yi.

total del tratamiento i incluido en el contraste;
t
Ci
imponiendo la restriccin
0 a la funcin lineal C, sta se denomina: contraste. La suma de
i 1
cuadrados de un contraste es dada por la siguiente expresin:

2
CiYi.
SCc
i 1
Y tiene un solo grado de libertad.
Ci 2
r
i 1
Para probar un contraste se debe comparar su suma de cuadrados con el cuadrado medio del error
experimental. La estadstica que resulta tiene una distribucin F con 1 y k grados de libertad, siendo k
el nmero de grados de libertad asociado a la suma de cuadrados del error experimental.
82
5.4.1 Contrastes Ortogonales
Un caso especial del procedimiento anterior es el de los contrastes ortogonales. Dos contrastes
t
Ci Ci `
con coeficientes Ci y Ci son ortogonales s:
i 1
Si se tiene t tratamientos, el conjunto de t 1 contrastes ortogonales descomponen la suma de

cuadrados debida a tratamientos en t componentes independientes con un grado de libertad. Por
tanto, las pruebas realizadas sobre los contrastes ortogonales son independientes, lo que significa que
no contienen informacin redundante. En otras palabras, la informacin que proporciona un contraste
no se traslapa con la proporcionada por otro.
Cmo obtener los coeficientes para contrastes ortogonales?
Existen muchas maneras de elegir coeficientes de los contrastes ortogonales para un conjunto
de tratamientos. Usualmente, algo de la naturaleza del experimento debe sugerir las comparaciones
que resultan de inters. Por ejemplo, si se tienen t=3 tratamientos, siendo el tratamiento 1 el control, y
los tratamientos 2 y 3 los niveles reales del factor de inters para quien realiza el experimento, los
contrastes ortogonales apropiados podras ser los siguientes:
Tratamientos
1 (control)
2 (nivel 1)
3 (nivel 2)
Coeficientes para contrastes

ortogonales
0
2
1
1
1
1
Debe observarse que:

Contraste 1 con Ci = 2, 1, 1 compara el efecto promedio de los niveles de inters con el
control, mientras que:
Contraste 2 con Ci` = 0, 1, 1 compara los dos niveles del factor de inters.
Nota: Los coeficientes de los contrastes deben ser elegidos antes de realizar el experimento y analizar
los datos.
5.4.2 Ejemplo de aplicacin

Se utilizar el ejemplo de los nematicidas para ilustrar la aplicacin de la tcnica estadstica de
contrastes ortogonales, la cual se puede resumir en los siguientes pasos:
1. Definir con anterioridad un conjunto de (t 1) contrastes ortogonales. En este caso, como se tienen
6 tratamientos, los grados de libertad para los tratamientos es de 5, por lo tanto se pueden generar 5
subgrupos, los cuales se describen a seguir:
1.
2.
3.
4.
5.
Testigo (A) contra Nematicidas (B, C, D, E, F)

Carbofuran (E) contra Oxamyl (B,C,D,F)
Oxamyl aplicado al follaje (1.5 y 2.0 lts) contra Oxamyl aplicado al suelo (1.5 y 2.0 lts)
Oxamyl 1.5 lt (aplicado al follaje) contra Oxamyl 2.0 lt (aplicado al suelo)
Oxamyl 1.5 lt (aplicado al suelo) contra Oxamyl 2.0 lt (aplicado al suelo)
83
2.
Definir los coeficientes de los contrastes (Ci)

Tratamientos
Contrastes
C1
C2
C3
C4
C5
3.
A = B+C+D+E+F
E = B+C+D+F
B+D=C+F
B=D
C=F
5
0
0
0
0
1
1
1
1
1
0
1
1
0
0
0
1
0
1
1
0
Ci
i 1
0
0
0
0
0
Comprobar la ortogonalidad de los contrastes:
Recuerde que: dos contrastes con coeficientes Ci y Ci son ortogonales si el producto entre los
t
Ci Ci '
coeficientes de los contrastes, dos a dos, es nulo, o sea, Ci y Ci son ortogonales s:
i 1
Si se tienen t tratamientos, el conjunto de t 1 contrastes ortogonales descomponen la suma de

cuadrados debida a los tratamientos en t 1 componentes independientes con un solo grado de
libertad. Por tanto, las pruebas realizadas sobre los contrastes ortogonales son independientes.
Ejemplo: A continuacin se evaluar la segunda condicin de ortogonalidad entre los contrastes 1 y 2.
0
1
5 1 1 1 1 1
1
1
( 5 0) (1 1) (1 1) (1 1) (1
4) (1 1) 0
4
1
Para evaluar la ortogonalidad entre C1 y C3, se tiene:
0
1
5 1 1 1 1 1
1
1
( 5 0) (1
1) (1 1) (1
1) (1 0) (1 1) 0
0
1
y as sucesivamente se va verificando la ortogonalidad por pares de contrastes: C 1 y C4, C1 y C5, C2 y
C3, C2 y C4,. . . , C4 y C5.
4.
Plantear las subhiptesis.
En este caso se trabajarn con los totales de cada tratamiento,
identificados como: i, i=1,2,. . ., t
84
Ho:
Ho:
Ho:
=0
Ho:
=0
Ho:
=0
5.
6
5
=0
=0
Obtener el valor numrico de los contrastes, la suma de cuadrados de contrastes (igual a

cuadrado medio de contrastes) y evaluar las subhiptesis a travs de la prueba de F.
1
2
3
4
5
6
Yii 1756 1238 1507 1121 1145 1003
Contrastes
A = B+C+D+E+F .
1
1
1
1
1
5
C1
C2
C3
C4
C5
E = B+C+D+F
B+D=C+F
B=D
C=F
0
0
0
0
1
1
0
1
0
0
0
1
0
1
0
1
CiYi.
SC
Contrastes
150
2766
00
289
20
151
10
117
10
504
SC tratamientos =
51005.04
835.21
1140.05
1368.90
25401.60
79750.80
Ci
i 1
i 1
Valor de
F
22.32*
0.37
0.50
0.60
11.12*
Clculos:
2
Ci
i 1
Contraste 1: 5 ( 52 + 12 + 12 + 12 + 12 + 12)
5(30)
= 150
Contraste 2: 5 02 + 12 + 12 + 12 +( 42 )+ 12
5(20)
= 100
Contraste 3: 5 02 + ( 12 ) +12 + ( 12 ) + 02 +12
5(4)
= 20
Contraste 4: 5 02 + ( 12 ) + 02 + 12 + 02+ 02
5(2)
= 10
Contraste 5: 5 02 + 02 + ( 12 ) + 02 + 02+ 12
5(2)
= 10
CiYi.
i 1
Contraste 1: ( 5)(1756) +(1)(1238)+(1 )(1507) +(1 )(1121) + (1 )(1145) + (1 )(1003) = 2766

t
Tarea: obtener los valores de
CiYi.
para los restantes 4 contrastes.
i 1
Suma de cuadrados de contrastes (SCc): como se tiene 1 grado de libertad por contraste, la suma de
cuadrados de contraste es igual a cuadrado medio de contraste.
2
CiYi.
SCc
CM c
i 1
r
Contraste 1:
SCc
CM c
2766
150
Ci
i 1
51005.04
85
Valor de F para el contraste 1:
CM c
CM ee
F
Valor crtico de F:
6.
Fc (1,20,0.05)
51005.04
2284.70
22.32
4.35
Emitir las respectivas conclusiones

Existe efecto diferenciado entre aplicar y no aplicar nematicidas. Se recomienda aplicar
nematicidas ya que se reduce la cantidad de nematodos.
Existen diferencias significativas en el efecto producido por el Oxamyl 1.5 lt y Oxamyl 2.0 lt
ambos aplicados al suelo. Se recomienda la aplicacin de este ltimo, porque dej el menor
total de nematodos vivos.
5.4.3
Obtencin de las sumas de cuadrados de contrastes en el Diseo Completamente al Azar

(DCA)
DCA BALANCEADO
2
Ci
CiYi.
i 1
SCc
Ci
i 1
Ci Ci `
i 1
i 1
DCA DESBALANCEADO
2
Ci
CiYi.
i 1
t
SCc
,
rC
i i
rC
i i Ci `
i 1
Ci
CiYi.
Cuando se utiliza CMee:
SCc
i 1
Ci
Ci Ci `
i 1
i 1
CiYi.
Cuando se utiliza CMep:
SCc
i 1
rm
Ci
i 1
i 1
b)
i 1
DCA CON SUBMUESTREO

a)
i 1
86
5.4.4
Ejercicios sobre contrastes ortogonales
1.
Los siguientes datos son los resultados de un experimento realizado para determinar si cinco
fuentes de nitrgeno difirieron en sus efectos sobre la produccin de arroz. Se aplicaron los
tratamientos al azar a 20 parcelas en un diseo completamente aleatorizado. La tasa de N era
constante y los tratamientos eran: T1=Ca(NO3)2, T2=Na NO3 , T3= NH4NO3, T4=(NH2)2CO,
T5=(NH4)2SO4.
Tratamientos
T1
T2
T3
T4
T5
Rep. 1
57.2
40.6
36.9
23.3
36.8
Rep. 2
51.1
43.0
29.0
23.2
38.7
Rep. 3
48.5
52.2
33.7
24.4
31.7
Rep. 4
54.9
32.3
37.0
17.0
43.6
a)
b)
Realice el anlisis de varianza, utilizando un nivel de significancia del 5%.

Dada la naturaleza de los tratamientos, interesa realizar las siguientes comparaciones:
i. Tratamientos 1, 2 y 3 versus 4 y 5 (nitratos vs. no-nitratos).
ii. Tratamientos 1 y 2 versus 3.
iii. Tratamiento 1 versus 2.
iv. Tratamiento 4 versus 5. Defina los coeficientes necesarios y realice estos contrastes.
c)
Son ortogonales estos contrastes? Si lo son, verifique que la sumatoria de sus sumas de
cuadrados es igual a la suma de cuadrados de tratamiento.

2.
En un experimento se desea conocer si hay alguna variedad de geranio que produce ms flores.
Se probaron 5 variedades (B1 y B2, dos hbridos belgas; S1 y S2, dos hbridos canadienses, y
Te, una variedad comnmente usada). Se realiz un DBCA con 4 repeticiones.
Tratamiento Repeticin No. Flores
B1
1
67
B2
1
50
S1
1
46
S2
1
43
Te
1
36
B1
2
51
B2
2
43
S1
2
29
S2
2
33
Te
2
28
a)
b)
c)
Tratamiento Repeticin No. Flores

B1
3
48
B2
3
52
S1
3
33
S2
3
34
Te
3
31
B1
4
54
B2
4
32
S1
4
37
S2
4
27
Te
4
33
Realice el anlisis de varianza.

Formule y pruebe los contrastes ortogonales de inters e interprete sus resultados.
Formule y pruebe contrastes ortogonales de inters e interprete sus resultados.
87
5.5

DISEO BLOQUES COMPLETOS AL AZAR, CON CONTRASTES
ORTOGONALES

DATA contras;
INPUT rep nema $ var;
CARDS;
1
A
307
1
B
187
1
C
277
1
D
115
1
E
173
1
F
195
2
A
371
2
B
192
2
C
328
2
D
235
2
E
267
2
F
131
3
A
379
3
B
320
3
C
363
3
D
248
3
E
251
3
F
171
4
A
360
4
B
243
4
C
195
4
D
267
4
E
254
4
F
253
5
A
339
5
B
296
5
C
344
5
D
256
5
E
200
5
F
253
;
PROC glm;
CLASS rep nema;
MODEL var = rep nema/SS1;
CONTRAST "T. Abs. vr otros" nema -5 1 1 1 1 1;
CONTRAST "Carbofuran vs Oxamyl" nema 0 1 1 1 -4 1;
CONTRAST "Oxamylf vs Oxamyls" nema 0 -1 1 -1 0 1;
CONTRAST "Oxamyl1.5f vs Oxamyl2s" nema 0 -1 0 1 0 0;
CONTRAST "Oxamyl1.5s vs Oxamyl2s" nema 0 0 -1 0 0 1;
LSMEANS nema;
RUN;
88
Para realizar el procedimiento en Infostat, luego de ingresar los datos y definido el modelo, similar a
como fue explicado en el inciso 3.7, seleccione la opcin CONTRASTES, como se muestra en el
cuadro siguiente:
1
2
Algunas observaciones:
1. Seleccione el nombre del factor con el que construir los contrastes.
2. Verifique que est activa la opcin Controlar ortogonalidad.
3. Una opcin es digitar directamente en el cuadro Matriz de contrastes, los nombres de los
contrastes y sus respectivos coeficientes.
Luego al dar un clic en Aceptar, obtendremos los resultados siguientes:
Anlisis de la varianza
Variable
Var
N
30
R
0.69
R Aj
0.56
CV
18.46
Cuadro de Anlisis de la Varianza (SC tipo III)

F.V.
SC
gl
CM
F
Modelo. 103228.13
9
11469.79
5.02
Rep
23477.33
4
5869.33
2.57
Nema
79750.80
5
15950.16
6.98
Error
45693.87
20
2284.69
Total 148922.00
29
Contrastes
Nema
Contraste
Testigo vr otros
-553.20
Carbofuran vs Oxamyl
57.80
Oxamylf vs Oxamyls
30.20
Oxamyl1.5f vs Oxamyl2s
-23.40
Oxamyl1.5s vs Oxamyl2s -100.80
Total
SC
51005.04
835.21
1140.05
1368.90
25401.60
79750.80
p-valor
0.0013
0.0695
0.0006
gl
1
1
1
1
1
5
CM
51005.04
835.21
1140.05
1368.90
25401.60
15950.16
F
22.32
0.37
0.50
0.60
11.12
6.98
p-valor
0.0001
0.5522
0.4881
0.4480
0.0033
0.0006
Compare los resultados con los obtenidos al realizar el ejercicio manualmente y con la salida
proporcionada por SAS.
89
5.6
DISEO BLOQUES AL AZAR CON DATOS FALTANTES
Para ejemplificar esta situacin, se utilizarn los datos de contenido de protena (expresados en
porcentaje), obtenidos en el experimento sobre amaranto realizado por Alfaro Villatoro (1985).
CASO I:
Supongamos que al realizar los anlisis de protena, la muestra correspondiente al

corte a 25 das en el 4 bloque fue extraviada.
Cuadro de datos
Bloque
25
30.6
28.5
29.1
Y14
30.6
30.6
28.3
28.7
206.4 = T
1
2
3
4
5
6
7
8
Yi.
a)
Ho :
Ha:
b)
i= 1, 2, . . . /
i =1,2, . . . /
Edad al corte (das)

40
22.4
24.1
26.3
24.3
18.6
20.9
21.1
23.7
181.4
60
13.6
13.1
15.8
20.2
13.8
12.0
12.7
13.7
114.9
Y.j
66.6
65.7
71.2
44.5 = B
63.0
63.5
62.1
66.1
502.7 = S
Modelo Estadstico:
Yij =
i+
j+
ij
i = 1, 2, 3, . . . , t
j = 1, 2, 3, . . . , r
Siendo:
Yij
i
j
ij
c)
=
=
=
=
=
contenido de protena (%) en la i-sima poca de corte y el j-simo bloque.

media general del contenido de protena.
efecto de la i-sima poca de corte sobre el contenido de protena
efecto del j-simo bloque sobre el contenido de protena.
Supuestos
~ NID (0, 2)
No existe interaccin bloque por poca de corte
ij
d)
Estimacin del dato faltante
Siendo que:
t
=
T
=
r
=
B
=
S
=
Yij
tT rB S
(t 1) ( r 1)
nmero de tratamientos
total del tratamiento donde est el dato faltante.
nmero de repeticiones
total del bloque donde est el dato faltante
gran total.
90
Para nuestro caso tenemos que:
3(206.4) 8(44.5) 502.7

(3 1) (8 1)
Y14
e)
33.8
Anlisis de varianza
Los clculos para el anlisis de varianza se hacen como habitualmente, con la nica diferencia
de que al total y al error experimental se le resta un grado de libertad.
Incorporando la estimativa del dato faltante, tenemos que:
T = 240.2
B = 78.3
S = 536.5, y las sumas de cuadrados son:
(30.6)2 (28.5) 2 . . . (13.7) 2
SCtot
SCbloques
SCtrats
(536.5) 2
24
(66.6) 2 (65.7) 2 . . . (66.1) 2

3
(240.2) 2 (181.4) 2 (114.9) 2

8
1094.24
(536.5) 2
24
(536.5) 2
24
66.74
982.49
El resumen de anlisis de varianza se presenta a continuacin:
Fuentes de variacin
Edad al corte
Bloques
Error Experimental
Total
Grados
de
libertad
2
7
13
22
Suma de
cuadrados
Cuadrados Valor de
medios
F
982.49
66.74
45.01
1094.24
491.24
141.98*
Valor
crtico de
F
3.81
3.46
CV = 8.32 %
Conclusin: El contenido de protena en las hojas de amaranto vara significativamente con la edad en
que la planta se corta.
f)
Comparacin mltiple de medias de acuerdo con el criterio de Tukey

Para medias donde no hubo parcelas perdidas, se utiliza el comparador (W)
q(t , glee ,
CMee
r
Cuando una de las medias a comparar es la que no tuvo prdida de parcela, W se calcula as:
q(t , glee,
1
2
CMee
2
r
t
r (r 1)(t 1)
91
CASO II:
Supongamos ahora que por alguna razn hace falta los datos correspondientes a las
observaciones Y14 y Y35.
Cuadro de datos
Bloque
1
2
3
4
5
6
7
8
Yi.
Edad al corte (das)

40
22.4
24.1
26.3
24.3
18.6
20.9
21.1
23.7
181.4
25
30.6
28.5
29.1
Y14
30.6
30.6
28.3
28.7
206.4
Y.j
60
13.6
13.1
15.8
20.2
Y35
12.0
12.7
13.7
101.1
66.6
65.7
71.2
44.5
49.2
63.5
62.1
66.1
488.9
Estimacin de los datos faltantes: Y14 y Y35.

a.1)
Se debe obtener una estimativa inicial para uno de los datos:
Y14
Y 1.
Y .4
2
(206.4 / 7) (44.5 / 2)
2
25.87
a.2)
Luego se debe suponer que slo hay un dato faltante y se estima con la siguiente ecuacin:
T
B
S
=
=
=
101.1
49.2
488.9 + 25.87 = 514.77
Y35
3(101 .1) 8(49 .2) 514 .77

(3 1) (8 1)
a.3)
Se ignora la primera estimacin de Y14 y se aplica la ecuacin:
T
B
S
=
=
=
13 .01
206.4
44.5
488.9 + 13.01 = 501.91
Y14
3(206 .4) 8(44 .5) 501 .91

(3 1) (8 1)
a.4)
Se repite el paso (a.2) usando la nueva estimacin de Y14
T
B
S
=
=
=
101.1
49.2
488.9 + 33.81 = 522.71
33 .81
92
Y
35
3(101.1) 8(49.2) 522.71

12.44
(3 1) (8 1)
a.5)
Se repite el paso (a.3) con Y35 =12.44
T
B
S
=
=
=
206.4
44.5
488.9 + 12.44 = 501.34
Y
14
3(206.4) 8(44.5) 501.34

(3 1) (8 1)
Las estimaciones definitivas son: Y14
33 .85 y Y35
33.85
12 .44

En el anlisis de varianza la nica modificacin es que disminuye en dos, los grados de libertad para el
total y para el error experimental.
Fuentes de variacin
Edad al corte
Bloques
Error Experimental
Total
Grados
de
libertad
2
7
12
21
Suma de
cuadrados
1005.16
71.34
43.93
1120.43
Cuadrados Valor de Valor crtico

medios
F
de F
502.58
137.29*
3.89
3.66
CV = 8.58 %
Conclusin: la misma que en el caso 1.
El programa en SAS para poder obtener las estimaciones de los 2 datos faltantes, se presenta a
continuacin:
DATA w1;
do trat= 1 to 3;
do bloque= 1 to 8;
input prot @;
output;
end;
end;
datalines;
30.6 28.5 29.1 0
30.6 30.6 28.3 28.7
22.4 24.1 26.3 24.3 18.6 20.9 21.1 23.7
13.6 13.1 15.8 20.2 0
12
12.7 13.7
;
/* covariable X, referente a la primera parcela perdida*/
93
data w2;
do trat= 1 to 3;
do bloque= 1 to 8;
input X @;
output;
end; end;
datalines;
0
0
0
-1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
;
/* covariable X, referente a la segunda parcela perdida*/
data w3;
do trat= 1 to 3;
do bloque= 1 to 8;
input Y @;
output;
end; end;
datalines;
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
0
0
0
;
/* Concatenacin horizontal de los archivos w1, w2 y w3*/
data w; merge w1 w2 w3;
proc print data=w;
title "archivos concatenados";
run;
proc glm data=w;
class trat bloque;
model prot=trat bloque X Y/solution SS1 SS4;
run;
*********************************
Los valores de las estimaciones de los valores perdidos, proporcionadas por SAS se presentan a
continuacin, compare los resultados con los obtenidos con el procedimiento presentado en el texto.
Parameter
Estimate
Standard Error t Value Pr > |t|
33.84717949
2.51165199
13.48 <.0001
12.43948718
2.51165199
4.95 0.0003
94
5.7
ANLISIS DE VARIANZA PARA UN DISEO BLOQUES AL AZAR CON

SUBMUESTREO
Con el objetivo de determinar la cantidad mnima efectiva del atrayente sinttico de machos
(trimedlure) a fin de mejorar el mtodo de deteccin de adultos de la mosca del mediterrneo
(Ceratitis capitata Wiedemann), se realiz un experimento utilizando trampas tipo Jackson con
mechas de algodn como dispensadores.
Los tratamientos consistieron en 0.8, 1.6, 2.6, 3.5 y 7.0 ml de trimedlure aplicados en mechas
de tamao proporcional al volumen. Las trampas se distribuyeron en un rea con mosca del
mediterrneo mediante un diseo en bloques al azar, colocando dos trampas en cada unidad
experimental. En el cuadro 1 se reportan los datos del nmero total de insectos capturados en cada
trampa, 16 das despus de su instalacin.
Cuadro 1.
Nmero de machos de mosca del mediterrneo capturados bajo diferentes cantidades

de atrayente sexual.
Volumen de
Trimedlure
(ml)
Repeticin
0.8
Y1j.
1.6
Y2j.
2.6
Y3j.
3.5
Y4j.
7.0
Y5j.
Y.j.
55
19
74
60
31
91
62
51
113
82
58
140
99
104
203
621
25
13
38
15
60
75
39
19
58
68
24
92
12
44
56
319
44
22
66
35
11
46
14
40
54
28
48
76
72
101
173
415
63
13
76
19
25
44
14
20
34
27
44
71
88
222
310
535
32
15
47
35
27
62
39
71
110
95
11
106
30
64
94
419
100
81
181
122
51
173
122
66
188
121
101
222
117
59
176
940
83
39
122
60
29
89
77
41
118
34
97
131
129
11
140
600
93 145
23
64
116 209
94 110
154 222
248 332
138 228
130 97
268 325
81 105
46
89
127 194
46
80
79 129
125 209
884 1269
10
110
80
190
111
162
273
93
207
300
273
119
392
128
104
232
1387
(*) Los datos fueron tomados de la tesis de Ing Agr. Salazar Rodrguez, J.A. (1985)
1. Hiptesis
Ho : i i = 1,2, . . . /
Ha: i i = 1,2, . . . /
2.
Modelo Estadstico:
Yijk =
ij +
ijk
i = 1, 2, . . . , t
j = 1, 2, . . . , r
k = 1,2, . . . , m
Yi..
1119
1433
1568
1551
1718
7389
95
Siendo:
Yijk
=
=
=
=
=
=
i
j
ij
ijk
nmero de moscas machos de mosca del mediterrneo capturadas en el k-cuadro

muestra en la i-sima poca de corte y el j-simo bloque.
media general del nmero de moscas machos.
efecto del i-simo volumen de trimedlure
efecto del i-simo bloque sobre el nmero de moscas machos capturadas.
error experimental asociado a la ij-sima unidad experimental.
error de muestreo asociado a la ij-sima unidad experimental.
3. Supuestos
ij ~ NID (0, 2)
2
ijk ~ NID (0, n )
No existe interaccin bloque por poca de corte
4. ANOVA
a)
Nmero de grados de libertad

Total
Dosis
Bloques
Error Experimental
Error de Muestreo
b)
trm 1
t1
r1
(r 1) (t 1)
tr(m 1)
=
=
=
=
=
=
=
=
=
=
(5)(10)(2) 1
51
10 1
(9) (4)
(5 10)(2 1)
=
=
=
=
=
99
4
9
36
50
Suma de cuadrados
FC =
7389 2
(5)(10)(2)
Y...
trm
t
545,973.21
Yijk 2
SC total =
FC
i=1 j=1 k 1
= (552 192
252 . . . 1082 ) 545,973.21 278,381.79
Yi ..2
SC trat. =
=
i=1
FC
rm
(1119 2 1437 2 . . . 17182 )

(10)(2)
545,973.21 10,096.74
Y. j . 2
SC bloques =
=
i=1
tm
(6212
FC
319 2 . . . 1387 2 )
(10)(2)
545,973.21 122,086.69
96
t
Yij .2
SCee =
=
i=1 j 1
(742
FC SCtrat
382 . . . 2322 )
2
SCbloques
545,973.21 10,096.74 122,086.69
62,833.80

Fuentes de
variacin
Dosis
Bloques
Error
Experimental
Error de Muestreo
Total
Grados de
libertad
4
9
Suma de
cuadrados
10,096.74
122,086.69
Cuadrado
medios
2,524.185
F(1) = 1.48 NS
36
62,833.80
1,745.39
F(2) = 1.047NS
50
99
83,374.50
278,391.79
1,667.496
Valor crtico de F (1) = 1.65

CV = 57.2%
Valor de F
Valor crtico de F (2)= 2.48
Escriba las conclusiones y recomendaciones correspondientes.
5.8

DISEO BLOQUES COMPLETOS AL AZAR, CON SUBMUESTREO

DATA dbam;
INPUT dos rep nm;
Otra alternativa, es digitando luego del conjunto de datos, esta parte
CARDS;
del programa:
0.8
1
55
0.8
1
19
PROC GLM DATA=dbam;
1.6
1
60
CLASS dos rep;
1.6
1
31
MODEL nm=dos rep dos*rep/SS1;
2.6
1
62
RANDOM dos*rep/TEST;/*se define el error experimental
2.6
1
51
como la interaccin (dos*rep)*/
3.5
1
82
RUN;
3.5
1
58
7
1
99
O digitar:
7
1
104
/*Anlisis de Varianza para un Modelo Mixto*/
..
..
..
PROC MIXED DATA=dbam;
..
..
..
CLASS dos rep;
..
..
..
MODEL nm = dos rep; /*se colocan los efectos fijos
..
..
..
involucrados en el modelo*/
0.8
10
110
RANDOM dos*rep; /*por defecto el error de submuestreo
0.8
10
80
es el que aparece en la salida como error*/
1.6
10
111
RUN;
1.6
10
162
97
2.6
10
93
2.6
10
207
3.5
10
273
3.5
10
119
7
10
128
7
10
104
;
PROC glm;
CLASS dos rep; /*con submuestreo*/
MODEL nm =rep dos rep*dos/SS1;
TEST h=dos E=rep*dos; /*rep*dos representa el error experimental*/
RUN;
PROC glm;
TITLE "mancomunando errores";/*sin efecto de submuestreo*/
CLASS dos rep;
MODEL nm=rep dos/ss1;
RUN;
5.9
1.
Se desea determinar el efecto de cuatro dietas sobre la ganancia de peso (kg.) postdestete de
cabritos, durante una prueba de 200 das. Se utilizaron 32 cabritos en 16 corraletas (dos
cabritos por corraleta) distribuyndose los tratamientos por bloques. Se midi la ganancia en
peso durante la prueba para cada cabrito. Los resultados se presentan a continuacin:
Bloque
Dieta
A
B
C
D
Cabrito
1
2
1
2
1
2
1
2
I
63.0
62.7
51.2
52.0
47.9
44.8
38.9
37.2
II
62.8
62.0
60.9
59.9
56.7
52.8
32.9
41.5
III
63.5
64.0
54.7
69.5
56.2
51.2
32.2
35.9
IV
740.3
72.5
54.3
55.6
54.3
54.8
34.9
33.8
Con esta informacin, efecte el anlisis de varianza y en caso de ser necesario, el anlisis
post-ANOVA.
2.
En un experimento se evaluaron cinco atrayentes alimenticios en trampa Mcphail, para

deteccin de mosca de la fruta en mango (Manguifera indica L.). Los tratamientos
consistieron en:
A.
C.
E.
Vinagre de mango + melaza + agua

Melaza + agua
Incaparina + agua.
B.
D.
Vinagre de pia + melaza + agua

Protena hidrolizada + agua
Las trampas se distribuyeron mediante un diseo en bloques al azar, colocando dos trampas en
cada unidad experimental. El cuadro siguiente se reportan los datos del nmero total de
insectos capturados por trampa.
98
Trats.
A
B
C
D
E
1
95
105
55
20
55
25
75
55
80
50
2
35
55
25
15
15
60
45
20
15
45
Repeticiones
4
5
90
30
200
70
60
30
15
10
20
30
25
25
15
40
35
80
80
30
200
65
3
60
101
44
20
40
10
25
55
70
105
6
100
60
80
75
100
50
120
70
120
60
7
120
20
83
40
65
25
75
45
100
15
8
50
80
90
25
90
130
135
120
40
75
Para los resultados del experimento anterior realice el ANLISIS DE VARIANZA.

3.
Navarro (2003) evalu el efecto de cuatro lminas de riego sobre el rendimiento de Pltano
(Musa paradisaca var. Currar) bajo las condiciones de la Aldea Los Encuentros,
Coatepeque, Quetzaltenango. Como las unidades experimentales fueron demasiado grandes,
se llev a cabo un submuestreo. Se tomaron cinco submuestras (1 submuestra = 1 planta de
pltano). Una de las variables de respuesta medida fue el rendimiento del fruto de pltano (en
kg/ha). Los resultados por tratamiento y bloque se presentan a continuacin:
Tratamiento
(lmina total
aplicada, en mm)
345.63
626.08
830.28
1,003.20
Bloque
Muestra
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
II
III
IV
21950.11
47891.15
27437.64
21451.24
29931.97
30929.70
39909.29
34920.63
31927.43
29931.97
38911.56
41904.76
44399.09
42403.62
54875.28
45895.69
36018.14
29433.10
39909.209
35918.36
34421.76
26938.77
31927.43
29931.97
33922.90
28934.24
38911.56
45895.69
39916.09
39909.29
36417.23
37414.96
45895.69
31428.57
37015.80
41904.76
42902.49
31927.43
30929.70
44897.95
24943.31
19954.64
25941.04
37913.83
29931.97
34920.63
35918.36
27936.50
43900.22
27936.50
40408.16
44399.00
46394.55
34920.63
28435.37
50884.35
51882.08
39410.43
33922.90
35419.50
36417.23
32426.30
32426.30
37913.83
33424.03
41904.76
36916.09
39909.29
40907.02
44897.95
43900.22
40408.16
45895.69
38412.69
40907.02
45396.82
35918.36
44399.09
39909.29
38911.56
Con esta informacin, efecte el anlisis de varianza y en caso de ser necesario, el anlisis
post-ANOVA.
99
4.
Un Ingeniero Agrnomo realiz un experimento en el Altiplano Occidental de Guatemala, que

consisti en asperjar hojas de manzana (Pyrus malus) con tres concentraciones de un
compuesto orgnico nitrogenado, luego determin la cantidad de nitrgeno (mg/dm2) que
permaneci en las hojas inmediatamente despus de la aplicacin y al final de ciertos tiempos
pre-establecidos. La finalidad de este experimento fue determinar la rapidez con la que el
nitrgeno es absorbido por las hojas, se realizaron dos reproducciones de cada tratamiento
como se muestra en la tabla siguiente:
Tiempo
To
T1
T2
Concentraciones de nitrgeno
N1
N2
N3
2.29
6.80
8.75
2.54
5.94
9.52
0.46
3.03
2.49
0.19
1.00
2.04
0.05
0.75
1.40
0.26
1.16
1.81
Considerando un bloqueo por tiempos, realice el anlisis de varianza y emita las conclusiones
en trminos estadsticos y prcticos.
5.
En un ensayo realizado por el Dr. Joaquim Tefilo Sobrinho en la Estacin Experimental de

Limeira (So Paulo), del Instituto Agronmico de Campinas (IAC), fueron evaluados 13
clones de naranja Pra-do-Rio. Los resultados de produccin, en kg de frutos por planta, en el
ao 1987 (plantas con 16 aos de edad) son presentados a continuacin:
Clones
Umbigo
P Franco
Premunizada
Ipigu CV2
Messias CV
Santa Irene CN
Tardia CV4
Ipigu CV1
Bianchi
Santa Tereza
Paulo Rosa
Tardia CV3
Cassiano 2
Bloque 1
Planta 1
Planta 2
36.50
32.40
71.40
109.70
104.90
72.00
71.20
58.00
73.20
47.20
87.70
41.30
74.20
5.60
41.60
57.30
85.20
66.30
36.90
30.10
57.30
23.00
10.00
12.10
59.70
33.80
Bloque 2
Planta 1
Planta 2
28.10
35.60
62.80
57.00
59.20
89.20
91.60
93.60
47.80
50.00
45.70
73.00
18.20
20.10
41.50
26.00
79.00
82.10
29.60
28.10
29.50
0.00
4.40
15.50
2.40
11.30
Bloque 3
Planta 1
Planta 2
39.80
45.10
102.60
23.10
38.70
103.10
44.30
26.20
50.40
29.90
49.20
70.20
23.40
28.30
32.50
27.20
51.20
98.60
31.30
31.80
14.50
34.20
4.00
9.50
10.20
14.40
Fuente: Barbin, D. (2003)
a)
Realice el anlisis de varianza, incluyendo la fuente de variacin: entre plantas dentro

de parcelas.
b)
Realice el anlisis de varianza con las producciones medias de las parcelas.
c)
Aplique la prueba de Tukey en la comparacin de medias de los tratamientos (para los

incisos anteriores)
100
5.10
EFICIENCIA DEL DISEO EN BLOQUES COMPLETOS AL AZAR
5.10.1 Introduccin
Este procedimiento es utilizado para verificar la eficiencia de este diseo con relacin al
diseo completamente al azar, indicando si realmente era necesario la construccin de bloques, y est
expresado por:
(y y )
V
1
i.
i'.
,
V2 (yi. yi'. )
siendo V1 yi.
yi. correspondiente a la estimacin de la varianza de la diferencia de dos medias
referentes al diseo completamente al azar, siendo:
(y y )
V
1
i.
i'.
2 CM Residuo1
,
r
donde r es el nmero de repeticiones, y
CM Re siduo1
V2 y i.
SCTotal SCTrat
t(r 1)
SC Re siduo1
t(r 1)
y i. corresponde a la estimacin de la varianza de la varianza de la diferencia de dos medias
referentes al diseo de bloques completos al azar, siendo:
(y y )
V
2
i.
i'.
2 CM Residuo 2
,
r
siendo r el nmero de repeticiones, y
CM Residuo2
SCTotal SCTrat SCBloques

(t 1) (r 1)
SC Residuo2
.
(t 1) (r 1)
As, se obtiene el cociente:
CM Re siduo1
,
CM Re siduo 2
que es denominado de eficiencia relativa para el diseo en bloques completos al azar con relacin al
diseo completamente al azar, se expresa en porcentaje, indicando cuanto de eficiencia el diseo en
bloques completos al azar aument sobre el diseo completamente al azar.
5.10.2 Ejemplo de aplicacin

Los datos que se presentan a continuacin se refieren al rendimiento expresado en toneladas de
caa por hectrea (TCH) obtenido en un experimento realizado por Gonzlez, B.H. (1999) para evaluar
alternativas de intercalamiento, en la finca Bougambilia del Ingenio Magdalena, en el municipio de La
Democracia, Escuintla. El diseo utilizado fue el de bloques completos al azar.
101
Bloques
Modalidades de intercalamiento
Caa intercalada con girasol Z-1296 a 15 cm
87.62
106.20
78.81
72.38
85.71
Caa en monocultivo
115.00
126.19
105.12
110.48
97.81
Caa intercalada con girasol Z-1296 a 25 cm
105.48
121.90
130.95
110.00
83.81
Caa intercalada con girasol J-1296 a 15 cm
111.91
105.71
98.10
83.33
141.43
Caa intercalada con girasol J-1296 a 25 cm
105.71
100.95
114.76
123.80
96.67
Con estos datos se realiz un ANOVA, dando como resultado:

F.V.
Alternativas de intercaLamiento
Bloques
Residuo (2)
Total
G.L.
S.C.
C.M.
Valor de
F
F crtica
Valor p
2204.20
551.05
2.07
3.01
0.132
4
16
24
460.71
4251.21
6916.12
115.18
265.70
0.43
3.01
0.782
Confrontando el valor obtenido para F con el valor de F crtico, no existe evidencia suficiente
para rechazar la hiptesis nula a un nivel de =0.05 de significancia, concluyendo que las diferentes
alternativas de intercalamiento no afectan la produccin de caa por hectrea, considerando las
condiciones particulares edficas y climticas del sitio experimental.
Clculo de la Eficiencia:
CM Re siduo1
=
CM Re siduo 2
CM Re siduo1
CM Re siduo 2
Cuadrado medio del error experimental

estimado para un diseo Completamente al Azar
Cuadrado medio del error experimental
estimado para un diseo Bloques Completos al Azar
6916.12 2204.20
5(5 1)
4711.922
20
235.5961
265.70 , de esta manera, la eficiencia es:
E = (235.5961/265.70) = 0.89 u 89%

Se aprecia que no se obtuvo ganancia apreciable en la eficiencia por la formacin de bloques y
el uso del anlisis en bloques completos al azar (BCA), ya que el valor de E fue inferior al 100%. Esto
es, aparte del hecho de seguridad del diseo BCA, el esfuerzo adicional (de hacer bloques) no fue
fructfero (Ostle, 1992).
Observacin:
Si por ejemplo, el valor de E hubiese sido de 102.05 %, se concluira que el diseo en bloques
completos al azar increment 2.05% de eficiencia relativa al diseo completamente al azar.
102
CAPTULO 6
USO DE LA REGRESIN EN EL ANLISIS DE VARIANZA: POLINOMIOS
ORTOGONALES
6.1
INTRODUCCIN
Cuando se planean experimentos, puede darse el caso que los niveles de los factores o los
tratamientos sean cuantitativos. Por ejemplo, cuando se evala la aplicacin de dosis crecientes de un
fertilizante en un determinado cultivo con el objetivo de observar su efecto sobre la produccin. Si
adems, los niveles o tratamientos de inters tienen incrementos igualmente espaciados, es interesante
conocer la naturaleza de la respuesta ms que la comparacin entre tratamientos o niveles; para ello se
recurre a la tcnica de polinomios ortogonales.
Un polinomio ortogonal es una ecuacin de regresin. As, se puede suponer que existe una
variable dependiente o variable de respuesta, representada por y, dependiendo de k variables
independientes o predictoras, por ejemplo: X1, X2, . . . , Xk. Esa relacin entre las variables es
caracterizada por un modelo matemtico estadstico. Este modelo es fijo para un conjunto de datos.
Si el investigador conoce la forma verdadera de la relacin funcional existente entre y y X1, X2, . . . ,
Xk, puede considerar que:
y = f (X1 , X2 , . . . , Xk ) ,
en la mayora de los casos, esa relacin funcional es desconocida, y el investigador puede seleccionar
una funcin apropiada para aproximar f. Los modelos polinomiales son ampliamente utilizados como
funciones aproximadas de f, y en ellos est incluido el modelo de regresin lineal simple.
6.2
MODELOS DE REGRESIN POLINOMIAL
El modelo de regresin polinomial de grado p para una nica variable independiente es

representado por:
2
3
p
(1)
yi
. . . p Xi
0
1X i
2 Xi
3 Xi
i
con:
i = 1, 2, . . . , n
0 , 1,
2,
3, ... ,
i
N (0,
son los parmetros de la regresin que sern estimados.
) y son independientes.
Suponiendo n pares de datos (y1, x1), (y2,x2) , . . . , (yn,xn) y todos los niveles referentes a la
variable X son equidistantes, es decir: X1 = X1 ; X2= X1+q; X3= X2+q; . . . , Xn= Xn 1+q. El modelo
(1) entonces, puede ser escrito de la siguiente manera:
yi
b0
b1 P1 (X i )
b 2 P2 (X i ) . . . b p Pp (X i )
siendo:
i = 1, 2, . . . , n
N (0, 2) y son independientes.
i
b 0 , b1 , b 2 , b 3 , . . . , b p son las estimaciones de los parmetros de la regresin.
Pk (Xi) es un polinomio ortogonal de orden k = 1, . . . , p; siendo:
103
(i)
P0 (Xi) = 1 ;
n
(ii)
Pk (X i ) 0 ;
i 1
n
,
(iii)
k, ;
Pk (X i ) Pk (X i ) 0 , para k
i 1
p
(iv)
Pk (X i )
k 1
Los valores de Pk (Xi), k = 1 , . . . , p; cuando los niveles de la variable X son equidistantes,

pueden ser obtenidos a travs de las siguientes expresiones, encontradas en Gomes (2000):
Xi X
P1 (Xi) = xi ; siendo x i
;
q
siendo que:
Xi son los valores de la variable predictora o independiente,
X
1
n
Xi ;
i 1
q = amplitud entre dos niveles consecutivos.

n2 1
2
, siendo n = nmero de variables independientes.
P2 (X i ) x i
12
P3 (X i ) x i
P4 (X i )
xi
P5 (X i )
xi
3n 2 7
xi ,
20
3n 2 13
2
xi
14
5 ( n 2 7)
3
xi
18
3 (n 2
1) (n 2
560
15n 4
9)
230 n 2
1008
407
xi .
A travs de la aplicacin del mtodo de los mnimos cuadrados, se obtiene b k , un estimador

de mnimos cuadrados de bk, con k = 1 , . . . , p; cuya ecuacin es:
n
Pk (X i ) y i.
bk
i 1
n
2
Pk (X i )
i 1
siendo:
Pk (X i ) = coeficientes del polinomio ortogonal de grado k asociado al nivel del factor.
yi.
= total del nivel i del factor en estudio.
r
= nmero de repeticiones.
104
Las hiptesis a ser evaluadas son:
H0: bk = 0 contra Ha: bk
0, a travs de la estadstica:
CM Re g k
, siendo:
CM Re sduo
Fo
CM Re g k
SC Re g k
, y SC Re g k
1
Pk ( X i ) y i.
i 1
, asociada a 1 grado de libertad,
n
2
Pk (X i )
i 1
y se rechaza H0 con un nivel
de significancia cuando Fo
F (1,m, ).
Con estas consideraciones y aplicando el teorema de Cochran (Neter, 1996, pginas 76-77) se
tiene que:
SC Re g k
(i)
, bajo la hiptesis nula, tiene distribucin
SC Re siduo
(ii)
(iii)
, tiene distribucin
con 1 grado de libertad.
con m grados de libertad.
SC Regk y SC Residuo son independientes.

Entonces, el cociente entre esas variables aleatorias, o sea,
SC Re g k
1
SC Re siduo
CM Re g k
CM Re siduo
Fo
que tiene distribucin de F (Fisher Snedecor) con 1 y m grados de libertad.
6.3
En un experimento de fertilizacin en Eucalipto (Eucalyptus camaldulensis), realizado en

vivero, fueron usadas 4 dosis de potasio (0, 30, 60 y 90 ppm), obtenindose las alturas (en cm)
presentadas en el cuadro 1.
El diseo utilizado fue: completamente al azar, con 3 repeticiones. Se solicita:
a)
Obtener los polinomios ortogonales hasta el 3er. grado.
b)
Verificar el ajuste de un polinomio de 3er grado a esos datos.
c)
Obtener la ecuacin de regresin polinomial ms adecuada.
105
Cuadro 1. Alturas (expresadas en cm) de plantas de Eucalipto.
Dosis K
I
80
144
151
70
0
30
60
90
Repeticiones
II
86
151
127
85
III
71
97
117
92
y i.
y i.
237
392
395
247
79.00
130.67
131.67
82.33
Solucin:
El modelo adoptado para el anlisis de varianza fue el siguiente:
Yij
ij
con i = 1,2, 3, 4 y j = 1, 2, 3.; siendo:

Yij el valor observado referente a la i-sima dosis de potasio aplicada en la j-sima repeticin.
i es el efecto de la i-sima dosis de potasio,
N (0, 2) e independiente.
ij es el error experimental asociado a Yij, tal que ij
A continuacin se presentan as hiptesis a ser evaluadas:
H0:
Ha:
i
i
= 0, para todo i, contra

0, para algn i,
por medio de la prueba de F, aplicado al anlisis de varianza, cuyos resultados se encuentran en el

cuadro 2.
Cuadro 2. Anlisis de Varianza con prueba F
F.V.
Dosis
Residuo
Total
GL
3
8
11
SC
7668.92
2702.00
10370.92
CM
2556.31
337.75
Valor de F
7.57 *
F crtica
4.07
Se rechaza H0 con un nivel de 5% de significancia, concluyendo que existe efecto de dosis

crecientes de potasio sobre la altura de las plantas de Eucalipto. Continuando
con
el
anlisis
estadstico, se efectu el anlisis de regresin polinomial, considerando el modelo de regresin
polinomial de tercer grado, representado por el modelo que se muestra a continuacin:
2
3
yi
0
1X i
2Xi
3Xi
i, o
yi
b0
b1P1 (X i ) b 2 P2 (X i ) b 3 P3 (X i )
con i = 1, 2, 3, 4.
Las hiptesis a ser evaluadas:
H01: b1 = 0
H02: b2 = 0
H01: b3 = 0
contra Ha1: b1
contra Ha2: b2
contra Ha3: b3
0,
0,
0,
Usando la prueba F y aplicando el anlisis de varianza, llegamos a los resultados que se muestran en el
cuadro 3.
106
Cuadro 3. Anlisis de regresin polinomial con aplicacin de la prueba F
F.V.
Reg. Lineal
Reg. Cuadrtica
Reg. Cbica
(Dosis)
Residuo
Total
GL
1
1
1
(3)
8
11
SC
18.15
7650.75
0.01666
(7668.92)
2702.00
10370.92
CM
18.15
7650.75
0.01666
Valor de F
0.05374
22.652 *
0.000049
F crtica
5.32
5.32
5.32
337.75
Se verifica por la prueba de F, significancia para la regresin de grado 2.

Clculo de las sumas de cuadrados de Regresin
(i)
Obtencin de los coeficientes que componen los P1 (Xi), P2 (Xi) y P3 (Xi):

Dosis K
0
30
60
90
( ii )
y i.
237
392
395
247
P1 (Xi)
3
1
1
3
P2 (Xi)
1
1
1
1
P3 (Xi)
1
3
3
1
Obtencin de las sumas de cuadrados.

2
P1 (X i ) y i.
i 1
SC Re g 1
[( 3) 237
( 1) 392 (1) 395

3 (20)
(3) 247 ] 2
33 2
60
[(1) 237
( 1) 392 ( 1) 395
3 (4)
(1) 247 ] 2
( 303) 2
12
(3) 392 ( 3) 395

3 (20)
(1) 247 ] 2
12
60
4
2
P1 (X i )
18.15
i 1
P2 (X i ) y i.
i 1
SC Re g 2
4
2
P2 (X i )
7650 .75
i 1
P3 (X i ) y i.
i 1
SC Re g 3
[( 1) 237
4
2
P3 (X i )
i 1
Ecuacin de Regresin
b 0
y..
1
rt
y i.
i 1
1271
105 .91667
(3) (4)
0.016666
107
4
P1 (X i ) y i.
b1
n
2
P2 (X i ) y i.
33
60
i 1
P1 (X i )
0.55
i 1
b2
n
2
i 1
P2 (X i )
303
60
25.25
i 1
Y tambin se tiene que:

Xi
P1 (Xi) = x i
P2 (X i ) x i
Xi
n2 1
12
45
Xi
30
30
Xi
30
1.5
1.5 , y
42 1
12
Xi
30
Xi
30
1.5
1.5
1.25 .
Luego:
Xi
30
y i
105 .91667
0.55
y i
105.91667
0.018333 X i
0.825 2.25
y i
105.91667
0.018333 X i
0.825 0.028056 X i
1.5
2.25
1.25
Xi
900
3X i
30
2
2.25
1.25
2.525 X i
25.25
y i 79.8417 2.54333 X i 0.028056 X i . Vlida para valores de Xi

grfico se muestra a continuacin:
[ 0 ; 90 ] ppm de K, cuyo
108
De la ecuacin de regresin obtenida se pueden estimar las medias de la altura asociadas a cada una de
las dosis de potasio:
Dosis K
0
30
60
90
y i.
y i.
79.00
130.67
131.67
82.33
79.845
130.854
131.283
81.132
Los coeficientes de determinacin (R2) se calculan de la siguiente manera:
SC Re g k
, con 0 R2 1.
SC Dosis
R 2 R.g .k
18.15
7668.92
R 2 R.g.1
7650.75
7668.92
R 2 R.g.2
0.0023667
0.9976
Determinacin de la produccin mxima

Para el ejemplo ilustrativo, la dosis de potasio que proporciona la altura mxima de planta, es
dado por la maximizacin de la funcin de produccin obtenida, es decir, a travs de la aplicacin del
clculo diferencial a la ecuacin de regresin obtenida, o sea, derivando la funcin de produccin:
2
y i 79.8417 2.54333 X i 0.028056 X i (2) con relacin a la variable Xi, se tiene:
y i
2.54333 2 (0.028056 X i ) (3)
Xi
y i
y considerando que
0 , se obtiene: 2.54333 0.0562 X i * 0 ; 2.54333 0.0562 X i *
Xi
Xi *
2.54333
0.0562
45.25 45 ppm.
El valor de Xi* se refiere a la abscisa del punto mximo, esto es verificado cuando se deriva la
ecuacin (3) con relacin a la variable X, y se observa que su signo es negativo, esto es:
2
y i
Xi
0.0562 X i .
As, sustituyendo el valor de X*=45 en la ecuacin (2) se obtiene la altura mxima de

Eucalipto, o sea:
y i 79.8417 2.54333 (45) 0.028056 (45) 2
137.39 cm
109
Comentarios finales
1.
Gomes FP (2009) resalta que, aunque la regresin polinomial sea de gran utilidad en
numerosos casos, en experimentos de fertilizantes, ella no es muy apropiada y debe, siempre
que sea posible, ser reemplazada por la Ley Mitscherlich, biolgicamente ms aceptable y de
interpretacin ms objetiva. Por otra parte, los polinomios son funciones poco apropiadas para
representar fenmenos biolgicos. Lo que los recomienda es principalmente la facilidad de su
uso, pues son funciones ms simples.
2.
En los experimentos con fertilizantes, aunque sea significativo el componente de 3er. grado, es
preferible considerar un polinomio de 2 grado, de propiedades matemticas ms acordes con
el fenmeno biolgico estudiado. En algunos casos se prefiere hacer uso de la regresin lineal
Plateau (tambin conocida como regresin segmentada)
Coeficientes para interpolacin de polinomios ortogonales
n = 3 niveles
1er
2
grado
grado
+1
1
0
2
+1
+1
1er
grado
3
1
1
+3
n = 4 niveles
2
3er.
grado
grado
1
1
+3
1
1
3
1
1
1er
grado
2
1
0
1
2
n = 5 niveles
2
3er.
grado
grado
2
1
+2
1
0
2
1
2
2
1
4
grado
1
4
+6
4
1
Coeficientes para ms niveles, pueden ser consultados en: Gomes, FP. (2000) Curso de Estadstica
Experimental. Piracicaba: ESALQ p. 252 260
6.4
PROGRAMA EN SAS PARA EL ANLISIS DE REGRESIN POLINOMIAL

EN UN EXPERIMENTO.

DATA polin;
INPUT dos alt;
CARDS;
0
80
30
144
60
151
90
70
0
86
30
151
60
127
90
85
0
71
30
97
60
117
90
92
;
PROC print; RUN;

TITLE Anlisis de regresin polinomial;
PROC glm;
CLASS dos;
MODEL alt=dos/SS3;
CONTRAST Reg.1 dos -3 -1 1 3;
CONTRAST Reg.2 dos 1 -1 -1 1;
RUN;
TITLE Modelo de regresin polinomial de grado 1;
PROC GLM DATA=polin;
MODEL alt=dos/SS1;
RUN;
TITLE Modelo de regresin polinomial de grado 2;
PROC GLM DATA=polin;
MODEL alt=dos dos*dos/SS1;
RUN;
110
6.5
1.
Los datos siguientes se refieren a un experimento de fertilizacin en maz (Zea mays L.), en
bloques al azar. Los tratamientos constaron de fertilizacin con: 0, 25, 50, 75 y 100 kg/ha de
P2O5.
Dosis
Bloques
25
50
75
100
I
II
III
IV
3.38
5.77
4.90
4.54
7.15
9.78
9.99
10.10
10.07
9.73
7.92
9.48
9.55
8.95
10.24
8.66
9.14
10.17
9.75
9.50
a)
b)
c)
d)
2.
Totales de
bloques
39.29
44.40
42.80
42.28

Ajuste un modelo de regresin polinomial.
Grafique la ecuacin de regresin calculada en el inciso b.
Concluya.
Se realiz un experimento para conocer el efecto de la suplementacin de vitamina A en la

dieta de gallinas de postura, a travs de la masa del huevo. Para ello se suplementaron
cantidades crecientes de vitamina A en la dieta de gallinas. Se consider como unidad
experimental un grupo de 20 jaulas individuales y se realizaron cuatro repeticiones por
tratamiento en un diseo completamente al azar. Adems de las comparaciones entre
tratamientos, el investigador deseaba conocer la dosis ptima recomendada, por lo cual se
realiz un anlisis de polinomios ortogonales, dado que los tratamientos de vitamina A estaban
igualmente espaciados.
Repeticin
1
2
3
4
2000
27.9
32.3
38.6
34.5
4000
48.3
50.1
38.4
50.8
Niveles de vitamina A (UI/kg)

6000
8000
10,000
50.8
54.5
54.2
52.4
52.4
51.0
49.6
48.0
46.5
51.6
51.3
52.0
12,000
56.6
50.3
49.0
50.4
Fuente: Herrera, J. G.; Barreras, A. (2001)
En este caso se tienen seis tratamientos y por lo tanto se puede ajustar un polinomio y probar
los efectos lineales, cuadrticos, cbicos, curticos y quntuples.
3.
Los datos que se presentan a continuacin se refieren a la produccin de soya (Glycine max
L.), en kg/ha, obtenidos en el primer ao de un experimento instalado con el objetivo de
verificar la respuesta de la soya a la aplicacin de dosis crecientes de cal. Se utiliz un diseo
completamente al azar, con las siguientes dosis: 0, 2, 4, 6, 8, 10 y 12 tm/ha de cal, y seis
repeticiones.
111
Dosis
I
1458
2559
3050
3059
2842
2300
2375
0
2
4
6
8
10
12
Repeticiones
III
IV
1792
2200
2917
2317
2659
2600
3292
2675
2734
3017
2784
2217
2792
2325
II
1709
2617
2392
2517
2825
2400
2517
V
1075
2259
2959
2834
3000
2409
2504
VI
1850
2150
2369
2700
3059
2650
2519
Fuente: Quaggio, J. A.; Mascarenhas, H. A. A. ; Bataglia, O. C. (1982)
Con estos datos:

a)
Realice el Anlisis de Varianza y calcule los polinomios ortogonales hasta el 3er. grado.
b)
c)
Determine la produccin mxima
4.
En el trabajo Efecto de dosis de yeso en el cultivo del frijol (Phaseolus vulgaris L.), Ragazzi
(1979) utiliz un diseo completamente al azar con 4 repeticiones, para estudiar los efectos de
7 dosis de yeso: 0,50,100,150,200, 250 y 300 kg/ha sobre diversas caractersticas del frijol.
Para la variable peso de 1000 semillas, los resultados obtenidos, en gramos, son presentados a
continuacin:
Dosis
0
50
100
150
200
250
300
5.
I
134.8
161.7
160.7
169.8
165.7
171.8
154.5
Repeticiones
II
III
139.7
147.6
157.7
150.3
172.7
163.4
168.2
160.7
160.0
158.2
157.3
150.4
160.4
148.8
IV
132.3
144.7
161.3
161.0
151.0
160.4
154.0
a)
b)
c)
Realice el ANOVA
Efectue el procedimiento de
polinomios ortogonales.
Emita sus conclusiones
En un experimento en camote (Ipomoea batatas L.) se aplicaron seis niveles de potasio (K1=0,
K2=10, K3=15, K4=30, K5=45, K6=60). El objetivo fue evaluar el rendimiento (peso de
tubrculos en kg/100 m2) obtenido al aplicar los diferentes niveles de potasio. Las repeticiones
fueron ubicadas en cuatro suelos con diferente fertilidad; los resultados son presentados en la
tabla siguiente:
Bloques
I
II
III
IV
K1
40
38
35
25
K2
30
36
35
26
Niveles de Potasio
K3
K4
29
25
39
31
25
29
28
27
Con estos datos:

a)
Realice el Anlisis de Varianza
b)
Obtenga los polinomios ortogonales hasta el 3er. grado.
c)
d)
Determine la produccin mxima
K5
40
37
38
29
K6
23
25
24
26
112
CAPTULO 7
7.1
INTRODUCCIN
Este diseo tambin es conocido como diseo con un factor y dos restricciones en la
aleatorizacin. De esta forma se tiene que el control local, representado por los bloques, es organizado
de dos maneras diferentes, siendo uno organizado en el sentido de las filas (o hileras) y otro
organizado en el sentido de las columnas.
En los experimentos que se realizan en el campo, este diseo es utilizado cuando existe
necesidad de eliminar la heterogeneidad del suelo en dos direcciones perpendiculares, esto es, las filas
en una direccin y las columnas en otra direccin.
En general, un cuadrado latino para p factores, o sea, un cuadrado latino de tamao p p, es un
cuadrado que contiene p fila y p columnas. Cada una de las p2 celdas contiene una de las p letras que
corresponden a un tratamiento, y cada letra aparece una sola vez en cada fila y en cada columna, de tal
manera que cualquier comparacin de tratamientos no se vea afectada por las diferencias existentes
entre hileras o entre columnas. En este diseo el nmero de filas o hileras (h), el nmero de columnas
(c) y el nmero de tratamientos (t) debe ser igual.
7.1.1
Criterios de bloqueo
Se tiene un experimento planeado en un diseo cuadrado latino, con cinco tratamientos, identificados
como: A, B, C, D y E, por lo que, se deben tener cinco filas y cinco columnas. La localizacin de las
parcelas en el rea experimental se muestra en el siguiente croquis:
Gradientes de heterogeneidad
Columna 1
Columna 2
Columna 3
Columna 4
Columna 5
Fila 1
Fila2
Fila 3
Fila 4
Fila 5
Nota: Recuerde que la estructura de distribucin de las unidades experimentales es conceptual y no

necesariamente fsica. A continuacin se presentan algunos ejemplos, para ilustrar esta situacin.
113
Ejemplo 7.1
Se encuentran bajo estudio el efecto que tienen cinco reactivos distintos (A, B, C, D y E) sobre
el tiempo de reaccin de un proceso qumico. Cada lote de material nuevo es lo suficientemente
grande para permitir que slo se realicen cinco ensayos. Mas an, cada ensayo tarda aproximadamente
una hora y media, por lo que solo pueden realizarse cinco ensayos por da. El investigador decide
efectuar el experimento utilizando el diseo cuadrado latino, con el fin de controlar sistemticamente
las variables lote de material y da
La distribucin de los tratamientos se muestra a continuacin:
Lote
1
A
C
B
D
E
1
2
3
4
5
Da
3
D
A
C
E
B
2
B
E
A
C
D
4
C
D
E
B
A
5
E
B
D
A
C
Ejemplo 7.2
Un ingeniero industrial est investigando el efecto que tienen cuatro mtodos de ensamblaje
(A, B, C y D) sobre el tiempo de ensamblaje de un componente para televisores a color. Se
seleccionaron cuatro operadores para realizar el estudio. Por otra parte, el ingeniero sabe que cada
mtodo de ensamblaje produce fatiga, por lo que el tiempo que se tarda en el ltimo ensamblaje puede
ser mayor que en el primero, independientemente del mtodo. En otras palabras, se produce un patrn
en el tiempo de ensamblaje. Para controlar esta posible fuente de variacin (variabilidad), el ingeniero
utiliz el diseo cuadrado latino, que aparece a continuacin:
Orden de
montaje
1
2
3
4
7.1.2
Operador
1
C
B
A
D
2
D
C
B
A
3
A
D
C
B
4
B
A
D
C
Aleatorizacin
Cuadrado Latino Reducido:

Es aquel en el cual la primera hilera y la primera columna estn dispuestas en orden alfabtico.
Procedimiento para la aleatorizacin
a. Seleccionar un cuadrado latino reducido
b. Permutar hileras aleatoriamente
c. Permutar columnas aleatoriamente
d. Asignar los tratamientos a las letras al azar.
114
Los incisos b,c,d se pueden realizar usando una tabla de nmeros aleatorios, o bien a travs de
un simple sorteo. A continuacin se muestra un ejemplo de aleatorizacin para un cuadrado latino de
tamao 5 5
a) Cuadrado latino reducido
F1 A
F2 B
F3 C
F4 D
F5 E
7.2
B
C
D
E
A
C
D
E
A
B
D
E
A
B
C
E
A
B
C
D
b) Aleatorizar filas
C1
F3 C
F1 A
F5 E
F2 B
F4 D
C2
D
B
A
C
E
C3
E
C
B
D
A
C4
A
D
C
E
B
c) Aleatorizar columnas
C5
B
E
D
A
C
C4
A
D
C
E
B
C1
C
A
E
B
D
C3
E
C
B
D
A
C2
D
B
A
C
E
C5
B
E
D
A
C
ANLISIS ESTADSTICO
A continuacin se presentan una tabla de datos para un cuadrado latino 4 x 4:
Columnas
Y11k
2
Y12k
3
Y13k
4
Y14k
Total filas
Yi..
Y1. .
Y21k
Y22k
Y23k
Y24k
Y2. .
Y31k
Y32k
Y33k
Y34k
Y3. .
Y41k
Y42k
Y43k
Y44k
Y4. .
Y. 4 .
Y. . .
(Gran total)
Filas
Total columnas
Y.j.
Y. 1 .
Y. 2 .
Y. 3 .
siendo k = 1,2,3,4.
La tabla anterior se obtiene sin modificar el croquis de campo. Puede generarse una tabla
adicional para los tratamientos, sumando todas las veces que se repiti cada tratamiento, obteniendo
as el respectivo total (Y. . k), como se indica a continuacin:
Tratamientos
Total Tratamientos
Y. . k
Media Tratamientos
y..k
1
Yij1
2
Yij2
3
Yij3
4
Yij4
Yij1
Yij2
Yij3
Yij4
Yij1
Yij2
Yij3
Yij4
Yij1
Yij2
Yij3
Yij4
Y. . 1
Y. . 2
Y. . 3
Y. . 4
y..1
y..2
y..3
y..4
115
Media general = y ...
7.2.1
y...
t2
Modelo Estadstico Matemtico
Yijk = + Fi + Cj +
i = 1,2,3, . . . t
j = 1,2,3, . . . t
k =1,2,3, . . . t
ijk
h =c = t
siendo que:
Yijk
Valor observado correspondiente al k simo tratamiento en la i-sima fila con la j-sima

columna.
Media general de la variable de respuesta.
Fi
Efecto de la i - sima fila en la variable dependiente y mide la separacin de la media i..

en relacin a la media , esto es: Fi =i.. ; i..= media poblacional de la i-sima lnea.
Cj
Efecto de la j - sima columna en la variable dependiente y mide la separacin de la media

.j. en relacin a la media , esto es: Cj = .j. ; .j. = media poblacional de la j-sima
columna.
Efecto del k - simo tratamiento en la variable dependiente y mide la separacin de la

media ..k en relacin a la media , esto es:
simo tratamiento.
ijk
7.2.2
ijk ~
= .j.
; ..k = media poblacional del k-
Error experimental asociado al valor observado Yijk.
Supuestos
NID (0,
No existe interaccin entre filas y tratamientos.

No existe interaccin entre columnas y tratamientos.
7.2.3
Ho:
Ha:
Hiptesis
=

para al menos un i; i = 1,2, . . . t. (Al menos uno de los tratamientos produce efectos
distintos)
116
7.2.4
Tabla de Anlisis de Varianza

FV
GL
SC
CM
Valor de F
Tratamientos
Y..2k
SCtrat/GLtrat
Y..2.
k 1
CMtrat/CMee
Filas
Y i2..
Y...2
i 1
t2
Columnas
Y. 2j .
Y...2
j 1
t2
t
Error
experimental
(t 1) (t
t2
Total
SC total (SC trat + SCH +

SCC)
2)
t
2
ijk
Y
i 1
j 1
k 1
SCee/GLee
Y..2.
t2
Regla de Decisin
Rechazar Ho.
No Rechazar Ho.
7.2.5
s Valor de F Valor crtico de F (gl trat; gl error;

s Valor de F < Valor crtico de F (gl trat; gl error;
)
)
Ejemplo de aplicacin
En un experimento sobre evaluacin de variedades de caa de azcar realizado en Brasil,

citado por Gomes,FP (2000), fueron usadas cinco variedades: Co-290 (A), Co-421 (B), Co-419 (C),
POJ-2878 (D) y CP-3613 (E), dispuestas en un cuadrado latino de tamao 5 5. Las producciones de
caa en kilogramos por parcela son dadas en la tabla siguiente:
Y.j.
D 432
C 724
E 489
B 494
A 515
2654
A 518
E 478
B 384
D 500
C 660
2540
B 458
A 524
C 556
E 313
D 438
2289
C 583
B 550
D 297
A 486
E 394
2310
E 331
D 400
A 420
C 501
B 318
1970
Yi..
2322
2676
2146
2294
2325
11763
117
Cuadro Auxiliar
Total
Tratamientos
Y. . k
Media
Tratamientos
Co-290 (A)
2463
492.6
Co-421 (B)
2204
440.8
Co-419 (C)
3024
604.8
POJ-2878 (D)
2067
413.4
CP-3613 (E)
2005
401.0
11763
2352.6
Variedad
SCtrats
SCfilas
(2, 463) 2
. . . (2, 005) 2
5
11, 7632
25
137, 488
(2,322) 2
. . . (2,325) 2
5
11, 7632
25
30, 480
SCcolumnas
(2, 654) 2
SCtotal (432) 2 (518) 2
SCerror
. . . (1,970) 2
5
11, 7632
25
55, 640
. . . (318) 2
11, 7632
25
257, 724
Y.. k
257,724 137, 488 30, 480 55,640 34,116

Fuentes de
variacin
Variedades
Filas
Columnas
Error
Experimental
Total
CV
Grados de
libertad
4
4
4
Suma de
cuadrados
137,488
30,480
55,640
Cuadrados
Medios
34,372
12
34,116
2,843
24
257,724
CME
100
Y...
Valor de F
12.09*
F crtica
(4,12,0.05)
3.26
2,843
100 11.33%
470.52
De acuerdo con los resultados del anlisis de varianza, se concluye que las variedades
presentan efectos diferenciados en cuanto a la produccin de caa de azcar, por lo tanto se
recomienda efectuar el respectivo anlisis post-anova.
118
Prueba de comparacin mltiple de medias de acuerdo al criterio de Tukey
1.
Matriz de diferencias
Variedad
CP-3613
POJ-2878
Co-421
Co-290
Co-419
2.
Media
401.00
413.40
440.80
492.60
604.80
7.3
Co-290
492.60
91.60
79.20
51.80
Co-421
440.80
39.80
27.40
POJ-2878
413.40
12.40
CP-3613
401.00
Clculo del comparador W
W
3.
Co-419
604.80
203.80 *
191.40 *
164.0 *
112.20 *
q(t , glee ,
CMee
t
4.51
2843
5
107.54

Variedad
Media
Co-419
Co-290
Co-421
POJ-2878
CP-3613
604.80
492.60
440.80
413.40
401.00
Grupo Tukey
a
b
b
b
b
DISEO CUADRADO LATINO (DCL) CON DATOS FALTANTES
7.3.1
Un dato faltante
Cuando se tiene una unidad experimental perdida se utiliza la ecuacin que se presenta a
continuacin:
Yijk
t ( H C T ) 2S
(t 1) (t 2)
Siendo:
t
= nmero de tratamientos
H = total de valores observados para la hilera que contiene la unidad faltante

C = total de valores observados para la columna que contiene la unidad faltante
T
= total del tratamiento que contiene la unidad faltante
= gran total de valores observados.
119
Luego se efecta el ANOVA, restando uno (1) a los grados de libertad del total y del error
experimental. Cuando se efectan las comparaciones de medias de tratamientos se deben observar las
mismas precauciones mencionadas para el diseo en bloques al azar; es decir, que cuando se est
comparando el tratamiento al cual le estimamos el valor se deber usar el error estndar siguiente:
Sx
7.3.2
1
2
CME
2
t
t
(t 1) (t 2)
Dos datos faltantes
Si los valores perdidos son dos o ms usar el mtodo iterativo (descrito en bloques al azar)
empleando las siguientes ecuaciones:
1.
Para calcular el primero de los datos faltantes
a
2.
Y i ,,
Y . j.
3
Y ..k
Para calcular el segundo dato faltante y continuar con el proceso iterativo:
Yijk
t ( H C T ) 2S
(t 1) (t 2)
Luego se efecta el ANOVA, restando dos (2) a los grados de libertad del total y del error
experimental.
7.3.3
Ejercicio de aplicacin
Los datos a seguir se refieren a la produccin de yuca (kg) en un experimento citado por
Nogueira (1997) que involucr cuatro sistemas de plantacin de estacas de yuca, conducido mediante
un diseo cuadrado latino de tamao 4 4. Los tratamientos evaluados fueron:
A. Estacas con 0.30 m de largo plantadas con el sistema tradicional (o comn).
B. Estacas con 0.30 m de largo plantadas con 0.15 m enterradas e inclinadas.
C. Estacas con 0.30 m de largo plantadas con 0.15 m enterradas, inclinadas y en camelln.
D. Estacas con 0.30 m de largo plantadas en forma horizontal en la superficie del camelln.
Columnas
Filas
1
2
3
4
A
B
D
E
1
X
126.3
83.1
96.7
D
A
C
B
2
98.8
110.3
106.4
107.2
B
C
A
D
3
122.6
110.1
100.6
75.7
4
C 102.5
D 53.7
B 93.4
A 80.2
120
a) Estime el dato correspondiente al tratamiento A en la fila 1 y columna 1 y realice el
anlisis de varianza.
b) Con los siguientes resultados, estime los datos faltantes (tratamiento A en la fila 1 y
columna 1 y el tratamiento C en la fila 2 y columna 3) y realice el anlisis de varianza
Filas
1
2
3
4
7.4
A
B
D
E
1
X
126.3
83.1
96.7
D
A
C
B
Columnas
2
98.8
B
110.3
C
106.4
A
107.2
D
3
122.6
X
100.6
75.7
4
C 102.5
D 53.7
B 93.4
A 80.2


DATA dcl;
INPUT var $ fil col prod;
CARDS;
D
1
1
432
C
2
1
724
E
3
1
489
B
4
1
494
A
5
1
515
A
1
2
518
E
2
2
478
B
3
2
384
D
4
2
500
C
5
2
660
B
1
3
458
A
2
3
524
C
3
3
556
E
4
3
313
D
5
3
438
C
1
4
583
B
2
4
550
D
3
4
297
A
4
4
486
E
5
4
394
E
1
5
331
D
2
5
400
A
3
5
420
C
4
5
501
B
5
5
318
;
PROC anova;
CLASS var fil col;
MODEL prod= var fil col;
MEANS var/TUKEY; RUN;
121
7.5
DISEO CUADRADO LATINO (DCL) CON SUBMUESTREO
En un experimento con la variedad de tomate Imperial Rojo (ejemplo hipottico), se evaluaron

cuatro distanciamientos de siembra:
A.
B.
0.6 metros
0.8 metros
C.
D.
1.0 metros
1.2 metros,
determinando su efecto sobre el rendimiento de frutos (expresado en kilogramos por parcela neta).
Los resultados se muestran en el siguiente croquis de campo:
Filas (i)
A
Yijk.
C
Yijk.
D
Yijk.
B
Yijk.
Y.j..
1
15
14
29
19
15
34
12
14
26
17
13
30
119
Columnas (j)
2
3
18
D
15
17
15
35
30
13
B
12
13
16
26
28
16
C
18
15
16
31
34
20
A
13
16
15
36
28
128
120
4
14
13
27
17
16
33
16
15
31
13
12
25
116
Fuente: datos hipotticos.

Cuadro auxiliar
Total
Tratamientos
Y. . k
Media
Tratamientos
(A)
121
15.13
(B)
124
15.50
(C)
131
16.38
(D)
107
13.38
Distanciamiento
El modelo estadstico matemtico asociado a este diseo es:

Yijkl = + Fi + Cj + k + ijk +
i = 1,2,3, . . . t
j = 1,2,3, . . . t
k =1,2,3, . . . t
l = 1,2,3,. . . m (muestras)
h =c = t
Y.. k
ijkl
Yi...
121
121
122
119
483
122
siendo que:
Yijkl
valor de la variable de respuesta correspondiente a la l-sima muestra sobre la unidad

experimental que lleva el tratamiento k en la fila i y columna j.
Media general de la variable de respuesta.
Fi
Efecto de la i - sima fila
Cj
Efecto de la j - sima columna
Efecto del k - simo tratamiento
Error de muestreo dentro de la ijk-sima unidad experimental.
Error experimental asociado a la ijk - sima unidad experimental
ijkl
ijk
Supuestos
ijk ~
NID (0,
No existe interaccin entre filas y tratamientos.

No existe interaccin entre columnas y tratamientos.
ijkl ~
NID (0,
2
m )
Hiptesis
Ho:
Ha:

para al menos un i; i = 1,2, . . . t. (Al menos uno de los tratamientos produce
efectos distintos)
Anlisis de Varianza
El cuadro resumen del anlisis de varianza se presenta en la tabla siguiente:
FV
GL
SC
CM
Tratamientos
Y..2k .
1
k 1
tm
Y....2
t 2m
Filas
Yi2...
1
i 1
tm
Y....2
t 2m
SCtrat/GLtrat
123
Y. 2j ..
Columnas
Y....2
j 1
t 2m
tm
Error
experimental
(t 1) (t
Error de
muestreo
t2 (m
2)
SCtotal Scem SCcol SCfilas SCtrat
i 1 j 1 k 1 l 1
t 2m
Total
t
2
ijkl
Y
i 1
SCtrats
SCfilas
(121) 2
j 1
k 1
(124) 2 (131) 2 (107) 2

(4)(2)
(121) 2 (121) 2 (122) 2 (119) 2

(4)(2)
SCcolumnas
SCem 7421
4832
32
. . . (12) 2
292 352 . . . 252

2
4832
32
Yijk2 .
i 1 j 1 k 1
Y....2
t 2m
4832
(4) 2 (2)
(119) 2 (128) 2 (120) 2 (116) 2

(4)(2)
SCtotal (15) 2 (14) 2
2
Yijkl
1)
38.09
0.59
4832
32
9.84
7421 7290.28 130.72
41.50
SCee 130.72 (0.59 9.84 38.09 41.50) 40.70

El resumen del anlisis de varianza se presenta en el siguiente cuadro:
SCee/GLee
SCem/GLem
124
FV
GL
SC
CM
Valor de F
Tratamientos
38.09
12.70
F2 = 3.40 *
Filas
0.59
F1 = 2.62 NS
Columnas
9.84
Error
experimental
40.70
6.78
Error de
muestreo
16
41.50
2.59
31
130.72
Total
F1
CMee
CMem
6.78
2.59
2.62
Fcritica (6,16,0.05)
2.74
Conclusin:
Como el valor de la estadstica F1 es menor que el valor crtico de F, entonces, se procede a calcular el
valor de la estadstica F2, con el valor de cuadrado medio de tratamientos (CMtrat) y el cuadrado medio
del error ponderado (CMep) de la siguiente forma:
CMep
F2
CMtrat
CMep
12.70
3.74
SCee SCem
glee glem
40.70 41.50
6 16
3.74
3.40 , que se compara con el valor crtico de F que est en funcin de los
grados de libertad de tratamientos, grados de libertad del error ponderado y un determinado nivel de
significancia y cuyo valor es Fcrtica(3,22,0.05) = 3.05
Como F2
F crtica(3,22,0.05) , se concluye que los distanciamientos de siembra evaluados producen
diferentes efectos en la produccin de frutos de tomate. Por lo que se recomienda efectuar un anlisis
post-andeva.
125
7.6

DISEO CUADRADO LATINO CON SUBMUESTREO

DATA dclsub;
INPUT trat $ fil col rend;
CARDS;
A
1
1
15
A
1
1
14
C
2
1
19
C
2
1
15
D
3
1
12
D
3
1
14
B
4
1
17
B
4
1
13
B
1
2
18
B
1
2
17
D
2
2
13
D
2
2
13
A
3
2
16
A
3
2
15
C
4
2
20
C
4
2
16
D
1
3
15
D
1
3
15
B
2
3
12
B
2
3
16
C
3
3
18
C
3
3
16
A
4
3
13
A
4
3
15
C
1
4
14
C
1
4
13
A
2
4
17
A
2
4
16
B
3
4
16
B
3
4
15
D
4
4
13
D
4
4
12
;
PROC anova;
TITLE "DCL con submuestreo";
CLASS trat fil col;/*con submuestreo*/
MODEL rend=trat fil col trat(fil*col);/*trat(fil*col)=error experimental*/
TEST h=trat e=trat(fil*col);
RUN;
PROC anova;
TITLE "mancomunando errores"; /*sin efecto de submuestreo*/
CLASS trat fil col;
MODEL rend = trat fil col;
RUN;
126
7.7
1.
Los siguientes datos se refieren al promedio de produccin de leche durante un mes de

experimento, de vacas Holstein altas productoras, las cuales fueron alimentadas con una dieta
en la cual se vari la cantidad de niacina (0, 4, 8, 12 y 16 g/kg de materia seca). Los animales
fueron agrupados por edades (filas) y condicin corporal (columnas) al inicio del experimento,
la cual fue evaluada en escala de 1 a 10.
Edades:
Condicin corporal:
Tratamientos:
26, 40, 43, 58 y 60 meses de edad.

>9, 8, 7, 6 y 5.
A = 0, B = 4, C= 8, D= 12 y E= 16 g/kg de MS
La produccin de leche agrupada por filas, columnas y tratamientos se muestra a continuacin:
Filas
(D) 732
(A) 728
(E) 1010
(C) 900
(B) 980
(E) 854
(B) 730
(A) 750
(D) 1100
(C) 970
Columnas
(C) 641
(D) 854
(B) 860
(A) 860
(E) 1250
(B) 610
(C) 762
(D) 720
(E) 1200
(A) 930
(A) 549
(E) 976
(C) 1000
(B) 920
(D) 1070
Fuente: Herrera, J.; Barrera, A. (2001)
Realice el anlisis de varianza, incluyendo una prueba de Tukey si fuese necesario. Indique sus
conclusiones claramente.
2.
Se probaron 4 raciones alimenticias para pollos, criados en jaula tipo batera de 4 pisos (filas) y
4 casilleros (columnas). La variable analizada fue: peso del pollo (kg.) a las 8 semanas de edad
Casilleros
Pisos
1
2
3
4
1
1.40(A)
1.35(B)
1.38(C)
1.39(D)
2
1.38(B)
1.28(A)
1.40(D)
1.39(C)
3
1.40(C)
1.45(D)
1.42(B)
1.40(A)
4
1.60(D)
1.62(C)
1.63(A)
1.60(B)
a) Presente el Modelo Aditivo Lineal

b) Realice la Prueba de Hiptesis correspondiente. Use =0.05
c) Realice la Prueba de Tukey para comparar si existe diferencias entre los tratamientos en estudio.
Use =0.05
3.
En un ensayo de alimentacin de cerdos reportado por Gomes, FP (2009), se us un diseo

cuadrado latino 4 x 4, con los resultados siguientes, referentes a la ganancia en peso, expresada
en kilogramos, al final de 252 das.
Filas
Camada 1
Camada 2
Camada 3
Camada 4
Columnas
1
A=93.0
B=115.4
C=102.1
D=117.6
2
B=108.6
D=96.5
A=94.9
C=114.1
3
C=108.9
A =77.9
D=116.9
B=118.7
4
D=102.0
C=100.2
B=96.0
A=97.6
127
Los tratamientos fueron: A: Castracin a los 56 das de edad; B: Animales enteros; C:
Castracin a los 7 das de edad; D: Castracin a los 21 das. Las columnas tenan como
objetivo controlar la variacin de peso de los lechones dentro de cada camada.
Con esta
informacin analice los datos y compare las medias de los tratamientos.
4.
Veras, E. (1992) realiz el trabajo de tesis de grado Evaluacin de dos atrayentes sexuales y
tres mezclas de stos en captura de mosca de la fruta del mediterrneo (Ceratitis capitata
Wied). Los tratamientos evaluados fueron:
Tratamiento
T1
T2
T3
T4
T5
Descripcin
Trimedlure
Capilure
50% Capilure + 50% Trimedlure
La variable de respuesta evaluada fue: nmero de moscas atrapadas por tratamiento. Los
resultados para la semana 16 se presentan a continuacin:
a)
b)
c)
Fila
Columna
Tratamiento
Nmero de moscas
atrapadas.
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
5
3
2
1
4
4
5
3
2
1
1
4
5
3
2
2
1
4
5
3
3
2
1
4
5
0
65
102
0
28
55
0
27
55
0
0
99
9
44
17
19
2
55
2
12
16
53
1
4
1
Verifique los supuestos de normalidad y de homogeneidad de varianzas; y en caso de ser

necesario, realice la transformacin ms adecuada.
Realice el ANOVA y concluya.
De ser necesario aplique una prueba de comparacin mltiple de medias.
128
CAPTULO 8
EXPERIMENTOS FACTORIALES
8.1
INTRODUCCIN
Experimentos factoriales son aquellos en los que se estudia simultneamente el efecto de dos o
ms factores, y donde los tratamientos se forman por la combinacin de los diferentes niveles de cada
uno de los factores. Los experimentos factoriales en si no constituyen un diseo experimental si no
que ellos deben ser llevados en cualquiera de los diseos tal como: completamente al azar, bloques al
azar, cuadrado latino, etc.
Pueden considerarse dos tipos fundamentales de experimentos factoriales: a) factorial
completo, el cual ensaya todas las posibles combinaciones de tratamientos que se generan con los
distintos niveles de los factores en estudio; b) factorial fraccionado, el cual ensaya solo alguna de las
posibles combinaciones de tratamientos que pueden generarse.
Dentro de los factoriales completos pueden distinguirse los factoriales simtricos en donde
cada factor presenta igual nmero de niveles, pudindose representar mediante la notacin pn, siendo p
el nmero de niveles de los factores y n el nmero de factores, ejemplo: 32 indica que tenemos 2
factores con 3 niveles cada uno, y en total tendremos 9 tratamientos. Y los asimtricos en donde cada
factor presenta desigual nmero de niveles, pudiendo representarse como p x q, siendo p y q los niveles
del factor A y del factor B, respectivamente.
8.1.1
Conceptos fundamentales
a) Factor: Un factor es cada una de las variables independientes, cuyo efecto se est interesado en
evaluar. Generalmente se denotan con letras maysculas (A,B, . . . Z o con las iniciales de los
factores a probar). Los factores pueden ser cuantitativos (cantidad de fertilizante, de insecticida,
una hormona, de tiempo, temperatura, concentracin, etc.) o cualitativos (variedades, mtodos de
aplicacin, marcas de producto, razas, procedencia, etc.).
b) Nivel: Un nivel de un factor es un cada uno de los valores o modalidades que constituyen un
factor. Si el factor es cuantitativo, los niveles estn formados por las cantidades o dosis del mismo;
si el factor es cualitativo los niveles los constituyen las manifestaciones del mismo o los
tratamientos dentro del factor (nombres de las variedades, diferentes mtodos de aplicacin, las
diferentes marcas del producto, las diferentes razas, etc.). Por lo general se identifican con letras
minsculas (a1, a2, . . . ; b1, b2, . . .; v1, v2, . . .; etc.)
c) Efecto de un factor: El efecto de un factor se define como el cambio en la respuesta producida por
un cambio en el nivel del factor. Con frecuencia, ste se conoce como: EFECTO PRINCIPAL,
porque se refiere a los factores de inters primordial del experimento. Por ejemplo, considere los
datos de la siguiente tabla, referentes a un experimento factorial 2 2.
Factor B
Factor A
Niveles
A1
A2
B1
20
40
B2
30
52
129
El efecto principal del factor A podra interpretarse como la diferencia entre la respuesta
promedio en el primero y segundo nivel de ese factor. Numricamente,
40 52
2
20 30
2
21
Esto es, incrementar el factor A del nivel 1 al nivel 2 produce un cambio en la respuesta promedio de
21 unidades. De forma anloga, el efecto principal de B es:
30 52
2
20 40
11
2
d) Efecto de la interaccin: en algunos experimentos puede encontrarse que la diferencia en la

respuesta entre los niveles de un factor no es la misma en todos los niveles de los otros factores.
Cuando esto ocurre existe una interaccin entre los factores. Por ejemplo, los siguientes datos
referentes a un experimento factorial 22 con interaccin:
Factor B
Niveles
A1
A2
Factor A
B1
20
50
B2
40
12
En el primer nivel del factor B, el efecto de A es: A = 50 20 = 30, mientras que en el segundo nivel
de B, el efecto de A es: A = 12 40 = 28.
Puede observarse que existe una interaccin entre los factores A y B porque el efecto de A
depende del nivel seleccionado de B. Estas ideas pueden ilustrarse grficamente. En la Figura 1 se
muestra una grfica de la respuesta de los datos de la Tabla 1 contra los niveles del factor A para
ambos niveles del factor B.
60
B1
Respuesta
50
B2
40
30
20
10
0
A1
Factor A
A2
Figura 1 Ejemplo de un experimento bifactorial sin interaccin

Note que las rectas B1 y B2 son aproximadamente paralelas.
interaccin entre los factores A y B.
Esto indica que no hay
De igual forma, en la Figura 2 se presenta una grfica de la respuesta de los datos de la Tabla
2. En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una interaccin
entre A y B.
130
60
B1
50
Respuesta
40
30
20
10
B2
A1
A2
Figura0 2 Ejemplo de un experimento bifactorial con interaccin

Factor A
Con frecuencia estas grficas son muy tiles para interpretar interacciones significativas, sin
embargo, no debe ser la nica tcnica para analizar los datos, porque su interpretacin es subjetiva y su
apariencia, a menudo, es engaosa.
8.1.2
Ventajas
a. Se logra una gran eficiencia en el uso de los recursos experimentales disponibles, al
estudiar dos o ms factores en un nico experimento.
b. Los resultados experimentales son aplicables a un rango de condiciones ms amplio
debido a las combinaciones de los diversos factores en un solo experimento. Los
resultados son de naturaleza ms comprensiva.
c. Se obtiene informacin respecto a las diversas interacciones. Por medio de los efectos de
las interacciones se verifica si un factor es independiente o dependiente del o los otro(s).
Si la prueba de F de una interaccin da resultados no significativos, concluimos que los factores son
independientes, esto es, el comportamiento de un factor independe de la variacin (ausencia o
presencia) del otro factor. Las conclusiones por separado para uno y otro factor son vlidas.
Por otra parte, si la prueba de F de una interaccin da significativa, entonces concluimos que la
respuesta de un factor es dependiente de la presencia o ausencia del otro factor, o sea que ellos son
dependientes. En esas condiciones, debemos estudiar el comportamiento de un factor, dentro de cada
nivel del otro factor. Por ejemplo, estudiaramos (si la interaccin A B es significativa):
Entre A dentro de B1, o alternativamente,
Entre B dentro de A1
Entre A dentro de B2
Entre B dentro de a2
Entre A dentro de Bj
Entre B dentro de Ai,
Si pretendemos estudiar el comportamiento de 4 cultivares de maz en 3 distanciamientos en 5 bloques;

el clculo de los grados de libertad queda de la siguiente manera:
131
Fuentes de Variacin
Cultivares (C)
Distanciamientos (D)
Interaccin C x D
(Tratamentos)
Bloques
Resduo
Total
Grados de libertad
a1
b1
(a1) (b1)
(ab1)
r1
(ab 1) (r 1)
abr 1
La parte inferior de ese cuadro es un anlisis en bloques al azar con ab tratamientos y r bloques. Este
anlisis es llamado anlisis preliminar. La parte superior es anlisis en arreglo combinatorio que
corresponde al desdoblamiento de los (ab 1) grados de libertad de los tratamientos.
Considerando que a = 4 cultivares, b = 3 distanciamientos y r = 5 bloques, la tabla con grados de
libertad queda de la siguiente manera:
Fuentes de Variacin
Cultivares (C)
Interaccin C x D
(Tratamentos)
Bloques
Resduo
Total
Grados de libertad
3
2
6
(11)
4
44
59
El desdoblamiento de los grados de libertad que as:

Fuentes de Variacin
Entre cultivares dentro de D1
Distanciamientos
(Tratamentos)
Bloques
Resduo
Total
Grados de libertad
3
3
3
2
(11)
4
44
59
O alternativamente,
Fuentes de Variacin
Entre distanciamientos dentro de C1
Cultivares
(Tratamentos)
Bloques
Resduo
Total
Grados de libertad
2
2
2
2
3
(11)
4
44
59
132
8.1.3
Inconvenientes
a. El resultado del experimento y el anlisis estadstico resultante son ms complejos.
b.
El nmero de tratamientos o combinaciones aumentan rpidamente, por ejemplo:

Factores
AyB
AyB
A, B y C
A, B y C
Niveles
3y4
5y5
3, 4 y 2
3, 4 y 3
Tratamientos
12
25
24
36
c. Con un gran nmero de combinaciones de tratamientos, tener unidades experimentales

homogneas es ms difcil.
d.
Convencidos de que algunas de las combinaciones de tratamientos pueden ser de muy

poco o ningn inters, algunos de los recursos experimentales pueden ser malgastados.
Como alternativas para solucionar este problema, Barbin (2003) menciona las siguientes:
1. Usar factoriales fraccionados,
2. Usar bloques incompletos,
3. Usar confusin de los efectos, que consiste en repartir un bloque en 2 ms subbloques, de modo que se confunda el efecto de alguna interaccin sin inters
prctico com el efecto de bloques.
Un ejemplo de interaccin sin inters prctico es la interaccin N P K (nitrgeno fsforo
potasio) en ensayos de fertilizantes, que generalmente presenta F no significativa (Barbin, 2003).
Importante: en los ensayos sobre fertilizantes tienen mucha importancia los esquemas factoriales de
las series 2n y 3n, especialmente los 23 y 33. La base indica el nmero de niveles del nutriente (o factor)
y el exponente indica el nmero de nutrientes. Por tanto en el 23 tenemos los nutrientes: N, P y K, con
dos niveles (0 y 1) cada uno. Las combinaciones del 23 = 2 2 2 = 8.
8.1.4 Arreglos
Los tipos de arreglos ms utilizados en experimentos factoriales son:
a)
Combinatorio
c)
Parcelas subdivididas
b)
Parcelas divididas
d)
Franjas divididas.
En el caso de experimentos trifactoriales, por ejemplo, se puede utilizar el arreglo en parcelas
divididas. Considerando lo siguiente:
e) Ubicar un factor en la parcela grande, y los otros dos factores en arreglo combinatorio en
la parcela pequea.
f)
Ubicar dos factores en arreglo combinatorio en la parcela grande, y el factor restante en la

parcela pequea.
133
8.2
EXPERIMENTOS FACTORIALES EN ARREGLO COMBINATORIO
8.2.1
Modelo estadstico
El modelo que se describe corresponde a un experimento bifactorial, en arreglo combinatorio

dispuesto en un diseo en bloques completos al azar, debido a que es el ms usado.
Yijk =
+(
)ij +
ijk
i = 1,2, . . . , a
j = 1,2, . . . , b
k =1,2, . . . , r
Siendo que:
Yijk
Variable de respuesta observada o medida en la ijk - sima unidad experimental
Media general
Efecto del i - simo nivel del factor "A"
Efecto del j - simo nivel del factor "B"
)ij = Efecto de la interaccin entre el i - simo nivel del factor "A" y el j - simo nivel del factor
"B"
k
Efecto del k - simo bloque
ijk
Error experimental asociado a la ijk - sima unidad experimental
8.2.2
Hiptesis
Ho:
Ha:
= 0, para todo i, contra,

0, para algn i;
Ho: 1.. = . . . = a.., contra

Ha: por lo menos i.. i .. para i i ;
Ho:
Ha:
= 0, para todo j, contra,

j 0, para algn j;
Ho: .1.= . . . = .b., contra

Ha: por lo menos .j. .j . para j j ;
Ho: (
Ha: (
)ij = 0, para todo i y j, contra,

)ij 0, para algn i y j.
Ho: ij. i..

Ha: ij. i..
.j.+ = 0, contra
.j.+ 0 para algn i y j.
8.2.3 Anlisis de Varianza

Tabla de Datos para un experimento factorial 3
2 en bloques al azar.
134
A1
A2
A3
Bloques
B1
B2
B1
B2
B1
B2
Y..k
Y111
Y121
Y211
Y221
Y311
Y321
Y. . 1
II
Y112
Y122
Y212
Y222
Y312
Y322
Y. . 2
III
Y11r
Y12r
Y21r
Y22r
Y31r
Y32r
Y.. r
Yij.
Y11.
Y12.
Y21.
Y22.
Y31.
Y32.
Y...
Tabla adicional para factores

Factor "A"
Factor "B"
Y.j.
A1
A2
A3
B1
Y11.
Y21.
Y31.
Y.1.
B2
Y12.
Y22.
Y32.
Y.2.
Yi..
Y1..
Y2..
Y3..
Y...
Y..k . = Total de bloques

Yij. = Total de las interacciones
Yi.. . = Total del factor "A"
Y.j. = Total del factor "B"

Y... = Gran total
Cuadro resumen del Anlisis de Varianza

FV
GL
Bloque
r1
SC
r
k
a1
b1
Yi..2
1 rb
Y. 2j .
j 1
ra
Valor de F
SCA/glA
CMA/CMee
SCB/glB
CMB/CMee
Y...2
abr
Y...2
abr
a
i
Y..2k
1 ab
CM
Y...2
abr
135
(a 1) (b 1)
AB
i 1
ab 1 ( r 1)
Error
j 1
Yij.2
Y...2
abr
SCAB/glAB
SCA SCB
SCTOTAL SCBLOQUES SCA

SCB SCAB
a
Yijk2
abr 1
Total
i 1
j 1
k 1
CMAB/CMee
Scee/glee
Y...2
abr
Los valores de F que aparecen en la tabla sirven para probar hiptesis de la siguiente manera:
1.
Para el factor A
F = CMA/CMee ; Fcrtica ( a 1;
2.
glee ;
Para el factor B
F = CMB/CMee ; Fcrtica ( b 1;
3.
glee ;
Para la interaccin AB
F = CMAB/CMee ; Fcrtica
( a 1, b 1 ; glee ;
Regla de Decisin
Si F Fcrtica
Si F< Fcrtica
8.2.4
Se rechaza la hiptesis nula

No se rechaza la hiptesis nula
Anlisis post-ANOVA
Para efectuar la prueba de Tukey o SNK seguir el procedimiento anteriormente descrito,

considerando los comparadores de la manera siguiente:
1. Para el factor A
Wp
q (a ,glee,
Sx
CMee
rb
q
a
=
=
=
CMee =
r
=
b
=
Sx , siendo
valor obtenido en la tabla de Tukey

niveles del factor A.
nivel de significancia
cuadrado medio del error
nmero de repeticiones
nmero de niveles del factor B.
136
2. Para el factor B
Wp
q (b,glee,
CMee
ra
Sx , siendo: Sx
3. Para la interaccin AB
Wp
q (ab,glee,
CMee
r
Sx , siendo: Sx
A qu factor o interaccin debe aplicarle la prueba de Tukey? Consulte la siguiente tabla:

Efecto
Resultado de la Prueba
NS
NS
NS
NS
NS
NS
NS
NS
AB
NS
NS
NS
NS
Efectuar la
prueba a:
AB
AB
AB
AB
A;B
----
*
NS
Indica diferencias significativas

Indica no se presentaron diferencias significativas
8.2.5
Ejemplo de Aplicacin 1
Se estudi el efecto de diferentes dosis de fertilizante fosforado sobre dos tipos de planta de
haba (Vicia faba). Se pens que los tipos de planta bien podan responder en forma diferente a la
fertilizacin, as que se decidi llevar a cabo un experimento factorial con dos factores:
Factor
1
Corto
0 kg/ha P2O5
A. Tipo de Planta
B. Dsis de Fsforo
Nivel
2
Alto
25 kg/ha P2O5
3
50 kg/ha P2O5
El experimento se llev a cabo en un diseo en bloques completos al azar en arreglo

combinatorio, con cuatro repeticiones. Los resultados (produccin en kg/ha) se aprecian en el cuadro 1.
Cuadro 1: Produccin (kg/ha) de dos tipos de haba bajo diferentes niveles de fertilizacin de fsforo.
Tipo de
Planta
Corto
Bloques
Dosis de
Fsforo
II
III
IV
11.5
13.6
14.3
14.5
53.90
25
17.1
17.6
17.6
18.1
70.40
50
18.2
17.6
18.2
18.9
72.90
Yij.
137
Largo
11.0
11.2
12.1
12.6
46.90
25
8.3
10.5
9.1
12.8
40.70
50
15.7
16.7
16.6
17.5
66.50
Y..k
81.8
87.2
87.9
94.4
Solucin:
Y... = 351.30
Y ... = 14.64
Tabla adicional:
Tipo de planta
Dosis de
fsforo
A1
A2
B1
53.90
46.90
B2
70.40
B3
72.90
66.50
Yi..
197.20
154.10
Yi..
16.43
12.84
40.70
Y.j.
Y. j.
100.80
12.60
111.10
13.89
139.40
17.43
El grfico para la interaccin se presenta a continuacin:
Note la presencia de un aumento de la produccin a medida que aumenta la dosis de fsforo y que el
tipo de planta corto supera al tipo de planta alto.
138
b
Yi..
Y i..
i 1
197.22 154.102
(4)(3)
SC B
100.82 111.10 2 139.40 2

(4)(2)
SCTOTAL
351.30 2
(4)(3)(2)
99.87
351.30 2
77.40 99.87
(4)(3)(2)
81.802 87.20 2 87.90 2 94.40 2

(3)(2)
11.52 17.10 2
Y...
ra
i 1 j 1
77.40
53.92 70.402 . . . 66.50 2

4
SC BLOQUES
SCEE
351.302
(4)(3)(2)
Yij.
j 1
Y. j.
rb
SC A
SCAB
Y. j.
. . . 17.50 2
44.10
351.30 2
13.32
(4)(3)(2)
351.302
(4)(3)(2)
243.38
243.38 77.40 99.87 44.1 13.32 8.68

Cuadro resumen del Anlisis de Varianza
Grados
de
libertad
Suma de
cuadrados
13.32
Fuentes de
Variacin
Cuadrados
medios
Valor de F
F crtica
77.40
77.40
133.45*
4.54
99.87
49.94
86.10*
3.68
AB
44.11
22.06
38.03*
3.68
Error
Experimental
15
8.68
0.58
23
243.38
Bloque
Total
CV
0.58
100 5.20%
14.64
139
Prueba de comparacin mltiple de medias de acuerdo con el criterio de Tukey, para la interaccin
a) Medias de las interacciones

Interaccin
Y ij.
A1B1
13.48
A1B2
17.60
A1B3
18.23
A2B1
11.73
A2B2
10.18
A2B3
16.63
b) Comparador
Wp
0.58
4
q (6,15,0.05)
4.59
0.3807 =
1.7474
c) Matriz de diferencias
Interaccin
A2B2
A2B1
A1B1
A2B3
A1B2
A1B3
Media
10.18
11.73
13.48
16.63
17.6
18.23
A1B3
18.23
8.05*
6.50*
4.75*
1.60
0.63
A1B2
17.6
7.42*
5.87*
4.12*
0.97
A2B3
16.63
6.45*
4.9*
3.15*
A1B1
13.48
3.30*
1.75*
A2B1
11.73
1.55
A2B2
10.18
d) Presentacin de resultados
Interaccin
Produccin promedio
(kg/ha) de haba
Grupo Tukey
(A1B3) Corto
50 kg/ha
18.23
(A1B2) Corto
25 kg/ha
17.60
(A2B3) Alto
50 kg/ha
16.63
(A1B1) Corto
0 kg/ha
13.48
(A2B1) Alto
0 kg/ha
11.73
(A2B2) Alto
25 kg/ha
10.18
140
8.2.6
Ejemplo de Aplicacin 2
Vamos a considerar los datos de un experimento realizado en un diseo completamente al azar

con 4 repeticiones, en arreglo combinatorio 3 2, para evaluar los efectos de 3 recipientes (R1, R2 y
R3) para produccin de plntulas y 2 especies de eucaliptos (E1 y E2), la variable de respuesta medida
fue la altura media de las plntulas, en cm, a los 80 das de edad. Los recipientes y las especies
evaluadas fueron:
R1 = bolsa plstica pequea
R2 = bolsa plstica grande, y
R3 = laminado.
E1 = Eucalyptus citriodora y
E2 = Eucalyptus grandis.
Los resultados se presentan en el cuadro siguiente:

Repeticiones
Especies
Recipientes
E1
E2
Yij.
II
III
IV
R1
26.2
26.0
25.0
25.4
102.6
R2
25.7
26.3
25.1
26.4
103.5
R3
22.8
19.4
18.8
19.2
80.2
R1
24.8
24.6
26.7
25.2
101.3
R2
19.6
21.1
19.0
18.6
78.3
R3
19.8
21.4
22.8
21.3
85.3
Estos datos fueron reportados por Banzatto y Kronka (2011) del trabajo Mtodos de produccin de
plntulas de eucalipto, realizado por Simes (1970). Los clculos para el anlisis de varianza se
presentan a continuacin:
SCTOTAL
26.22
26.02
551.202
2 3 4
. . . 21.32
198.79
Ti 2
SCTRATS
i 1
102.62 103.52
4
. . . 85.32
551.202
2 3 4
175.70
El anlisis de varianza preliminar de los datos de altura de las plntulas a los 80 das es presentado a
continuacin:
Fuentes de
Variacin
Grados
de
libertad
Suma de
cuadrados
Cuadrados
medios
Valor de F
F crtica
Tratamientos
175.70
35.14
27.45**
2.77
Resduo
18
23.09
1.28
Total
23
141
Verificamos que existen diferencias significativas, indicando que los tratamientos presentan
diferentes efectos sobre las alturas de las plntulas. Debemos proceder al desdoblamiento de los 5
grados de libertad de los tratamientos, para estudiar los efectos de los recipientes (R), de las especies
(E) y de la interaccin R E, se la siguiente forma:
Tratamientos. 5 gl
Recipientes (R)
2 gl
Especies (E)
1 gl
Interaccin R
2 gl
Para el clculo de las sumas de cuadrados correspondientes a los efectos principales de los
factores y a la interaccin entre ellos, debemos organizar un cuadro auxiliar, que relaciona los niveles
de los dos factores:
R1
102.6
101.3
203.9
E1
E2
Total de R
SCR
203.92 181.82 165.52

2 4
SCE
286.32 264.92
3 4
SCR
551.20 2
2 3 4
551.202
2 3 4
SCTRATS SCR SCE
R2
103.5
78.3
181.8
R3
80.2
85.3
165.5
Total de E
286.3
264.9
551.2
92.86
19.08
175.70 92.86 19.08 63.76
El anlisis de varianza con desboblamiento de los grados de libertad de los tratamientos, de acuerdo
con el arreglo combinatorio 3 2, es presentado en el cuadro siguiente:
Fuentes de
Variacin
Grados
de
libertad
Suma de
cuadrados
Cuadrados
medios
Valor de F
F crtica
Recipientes (R)
92.86
46.43
36.27**
3.55
Especies (E)
19.08
19.08
14.91**
4.41
63.76
31.88
24.91**
3.55
Tratamientos
(175.70)
Resduo
18
23.09
Total
23
Interaccin R
1.28
142
Verificamos por la prueba de F, que la Interaccin R E fue significativa (p<0.05), indicando
que existe una dependencia entre los efectos de los factores Recipientes (R) y Especies (E).
Entonces las conclusiones que podemos obtener para los efectos principales de Recipientes (R)
y de Especies (E) quedan perjudicadas, pues:
-
Los efectos de los recipientes dependen de la especie utilizada; o

Los efectos de las especies dependen del recipiente utilizado.
Entonces, debemos proceder al desdoblamiento de la interaccin R E, lo que puede ser

realizado de dos maneras: a) para estudiar el comportamiento de las especies dentro de cada recipiente;
b) para estudiar el comportamiento de los recipientes dentro de cada especie.
a)
Desdoblamiento de la interaccin R
dentro de cada Recipiente
E para estudiar el comportamiento de las Especies
SC.Especies d. R1
102.62 101.32
4
SC.Especies d. R 2
103.62 78.32
4
181.82
2 4
79.38
80.22 85.32
4
165.52
2 4
3.25
SC.Especies d. R 3
203.92
2 4
0.21
Se puede verificar que: SC Especies dentro de R1 + SC Especies dentro de R2 + SC Especies dentro de

R3 = SC Especies + SC R E = 0.21+79.38+3.25 = 19.08 + 63.76 = 82.84. El cuadro de ANOVA se
presenta a continuacin:
Fuentes de
Variacin
Grados
de
libertad
Suma de
cuadrados
Cuadrados
medios
Valor de F
F crtica
SC Especies d. R1
0.21
0.21
0.16
4.41
SC Especies d. R2
79.38
79.38
62.02**
4.41
SC Especies d. R3
3.25
3.25
2.54
4.41
Residuo
18
23.09
1.28
Conclusiones:
a) Cuando se utiliza el Recipiente 1 (bolsa plstica pequea), no hay diferencia significativa en el
crecimiento de las plntulas de las 2 especies.
b) Cuando se utiliza el Recipiente 2 (bolsa plstica grande), hay diferencia significativa en el
crecimiento de las plntulas de las 2 especies, siendo mejor para la especie E1 (E. citriodora)
c) Cuando se utiliza el Recipiente 3 (laminado), no hay diferencia significativa en el crecimiento
de las plntulas de las 2 especies.
143
Grficamente:
b)
Desdoblamiento de la interaccin R
Recipientes dentro de cada Especie
E para estudiar el comportamiento de los
SC.Re cipientes d. E1
102.62 103.52 80.22

4
286.32
3 4
87.12
SC.Re cipientes d. E 2
101.32 78.32 85.32

4
264.92
3 4
69.50
Se puede verificar que: SC Recipientes dentro de E1 + SC Recipientes dentro de E2 = SC Recipientes +

SC R E = 87.12+69.50 = 92.86 + 63.76 = 156.62. El cuadro de ANOVA se presenta a continuacin:
Fuentes de Variacin
Grados
de
libertad
Suma de
cuadrados
Cuadrados
medios
Valor de F
F crtica
SC Recipientes d. E1
87.12
43.56
34.03**
3.55
SC Recipientes d. E2
69.50
34.50
27.15**
3.55
Residuo
18
23.09
1.28
Conclusiones:
a) Los 3 recipientes tienen efectos diferentes sobre el crecimiento de las plntulas de la Especie 1
(E. citriodora)
b) Los 3 recipientes tienen efectos diferentes sobre el crecimiento de las plntulas de la Especie 2
(E. grandis)
144
Grficamente:
Debemos entonces, comparar las medias de los recipientes:

a) Dentro de la Especie 1 (E. citriodora)
b) Dentro de la Especie 2 (E. grandis)
Vamos a calcular esas medias y comparrlas por medio de la prueba de Tukey
a) Recipientes dentro de Especie 1 (E. citriodora)
R1E1
m
102.6
4

s(m)
s
r
25.7 cm
1.28
4
R 2E1
m
103.5
4
q
0.6 cm
25.9 cm
s
r
3.65 0.6
R 3E1
m
80.2
4
20.1 cm
2.2 cm
El valor q se obtuvo considerando 3 niveles de R, 18 grados de libertad del residuo y 5% de

significancia.
R 2 E1
m
R1E1
m
R 3E1
m
NS
5.8 *
R 2 E1 a
m
0.2
R1E1 a
m
5.6 *
R 3E1 b
m
Para la Especie 1 (E. citriodora), los mejores recipientes fueron: R1 (bolsa plstica pequea) y R2
(bolsa plstica grande), que determinaron el crecimiento de las plntulas significativamente mayores
que R3 (laminado), sin diferir entre si.
145
b) Recipientes dentro de Especie 2 (E. grandis)
R1E2
m
101.3
4
R 2 E2
m
25.3 cm

s(m)
0.6 cm
78.3
19.6 cm
4
R 3E2
m
85.3
4
21.3 cm
2.2 cm
R 1E 2
m
R 3E 2
m
R 2E2
m
5.7 *
R 1E 2 a
m
4.0
R 3E 2 b
m
1.7 NS
R 2E2 b
m
Para la Especie 2 (E. grandis), el mejor recipiente fue: R1 (bolsa plstica pequea) que
determino el crecimiento de las plntulas significativamente mayores que R2 (bolsa plstica grande) y
R3 (laminado). Las medias de R2 y R3 (dentro de Especie 2) no difieren significativamente entre si.
Los resultados del experimento pueden resumirse en el cuadro siguiente:
E1
E2
R1
25.7 a A
25.3 a A
R2
25.9 a A
19.6 b B
R3
20.1 b A
21.3 b A
a, b
Para cada Especie, medias de Recipientes seguidas de la misma letra minscula no difieren
significativamente entre si.
A, B
Para cada Recipiente, medias de Especies seguidas de la misma letra mayscula no difieren
entre significativamente entre si.
La salida generada por Infostat v. 2012 se presenta a continuacin:

Nueva tabla: 10/12/2011 - 03:49:06 a.m.
Variable
altura
N
24
R
0.88
R Aj CV
0.85 4.93

F.V.
SC
gl
CM
F
p-valor
Modelo.
175.70
5
35.14 27.39 <0.0001
Especie
19.08
1
19.08 14.88 0.0012
Recip
92.86
2
46.43 36.20 <0.0001
Especie*Recip
63.76
2
31.88 24.85 <0.0001
Error
23.09
18
1.28
Total
198.79
23
146
8.2.7
Programa en SAS para un experimento bifactorial con arreglo combinatorio
OPTIONS nodate nonumber; /*Para que en la salida no aparezca fecha ni paginacin*/

DATA combin;
INPUT bloque planta $ fosforo rend;
CARDS;
1
corto 0
11.5
1
corto 25
17.1
1
corto 50
18.2
1
largo 0
11
1
largo 25
8.3
1
largo 50
15.7
2
corto 0
13.6
2
corto 25
17.6
2
corto 50
17.6
2
largo 0
11.5
2
largo 25
10.5
2
largo 50
16.7
3
corto 0
14.3
3
corto 25
17.6
3
corto 50
18.2
3
largo 0
12.1
3
largo 25
9.1
3
largo 50
16.6
4
corto 0
14.5
4
corto 25
18.1
4
corto 50
18.9
4
largo 0
12.6
4
largo 25
12.8
4
largo 50
17.5
;
PROC GLM;
CLASS bloque planta fosforo;
MODEL rend=bloque planta fosforo planta*fosforo/SS1;
LSMEANS planta*fosforo/PDIFF;
RUN;
****************************
Dado que en este anlisis la interaccin entre tipo de planta y dosis de fsforo es significativa,
podemos estudiar si hay diferencia entre las dosis de fsforo para cada tipo de planta (con Tukey):
PROC GLM;
CLASS bloque planta fosforo;
MODEL rend=bloque planta fosforo planta*fosforo/SS1;
LSMEANS planta*fosforo/slice=planta adjust=tukey PDIFF=all;
RUN;
147
8.2.7
Ejercicios propuestos
1.
Se realiz un ensayo en el departamento de Chimaltenango en el cual se evalo la respuesta

del rendimiento del cultivo de haba (Vicia faba) frente a cuatro niveles de Nitrgeno y cuatro
niveles de Fsforo, en el rea exista una gradiente de variabilidad por lo cual se utiliz el
diseo de bloques al azar. Llos resultados se presentan en los siguientes cuadros:
Niveles de los factores evaluados
FACTOR
Nitrgeno
Fsforo
NIVEL (kg/ha)
0
50
100
150
0
50
100
150
CODIGO
0
1
2
3
0
1
2
3
Rendimiento en (kg/ha) de haba (Vicia faba)

Niveles de
Nitrgeno
0
1
2
3
0
1
2
3
0
1
2
3
0
1
2
3
Niveles de
fsforo
0
0
0
0
1
1
1
1
2
2
2
2
3
3
3
3
I
833
450
450
1083
1250
1083
1083
917
833
1167
1417
1583
750
1500
1333
1167
Repeticiones
II
III
450
450
834
450
833
667
833
917
1083
917
1083
583
1583
1167
1167
1000
583
750
833
1500
1167
1000
1500
583
450
667
1167
667
917
833
833
1083
IV
1083
833
833
833
1250
1083
1000
1250
1333
750
833
1417
417
1083
1167
1250
a) Construya una grfica para mostrar la posible interaccin entre los niveles de los factores
nitrgeno y fsforo.
b) Realice el ANOVA y concluya
c) En caso de ser necesario realice el anlisis post-ANOVA
148
2.
Realize el anlisis de varianza para el siguiente experimento bifactorial en Bamb (Bambusa

arundinacea) en el que se consideraron dos espaciamientos (Factor A) y 3 edades de los
rizomas para la plantacin (Factor B), dispuesto en un diseo de bloques completos al azar
con tres repeticiones (Jayaraman, K. 1999). Los niveles de cada factor y sus combinaciones,
se presentan en el cuadro siguiente.
Edad de los rizomas para
la plantacin (meses)
6 (B1)
12 (B2)
24 (B3)
Espaciamiento (metros)
10 m x 10 m
12 m x 12 m
(A1)
(A2)
A1 B1
A2 B1
A1 B2
A2 B2
A1 B3
A2 B3
La variable de respuesta medida fue altura mxima promedio de los tallos (caas), expresada
en centmetros. Los resultados se presentan a continuacin:
Combinacin
A1 B1
A1 B2
A1 B3
A2B1
A2 B2
A2 B3
Total Y..k
I
46.50
49.50
127.70
49.30
65.50
67.90
Repeticiones
II
55.90
59.50
134.10
53.20
65.00
112.70
III
78.70
78.70
137.10
65.30
74.00
129.00
a) Construya una grfica para mostrar la posible interaccin entre los niveles de los factores
edad de los rizomas y espaciamiento.
b) Realice el ANOVA y concluya
c) En caso de ser necesario realice el anlisis post-ANOVA
3.
Rivera, F. (2001) realiz el trabajo de tesis de grado Evaluacin de N y P, en el rendimiento

de cardamomo (Elettaria cardamomun M.) en la serie de suelos Tamah, aldea Choval,
Cobn, Alta Verapaz. Los niveles de nitrgeno evaluados fueron: 0, 50, 100 y 150 kg/ha/ao;
y los de fsforo: 0, 40, 80 y 120 kg/ha/ao. La variable de respuesta medida fue la produccin
de cardamomo en cereza, expresada en kg/planta. El resumen del ANDEVA se presenta a
continuacin:
FV
GL
SC
CM
Valor de F
Pr > F
Repeticin
0.20820634
Nitrgeno
24.81599830
8.27199943
36.89
0.0001
Fsforo
6.66365625
2.22121975
9.91
0.0001
NxP
12.50315497
1.38923944
6.20
0.0001
Residuo
30
6.72683850
0.22422795
Total
47
50.91785737
149
Las medias para las interacciones se presentan en el cuadro siguiente:
Nitrgeno
Fsforo
Rendimiento
Promedio
0
0
0
0
50
50
50
50
100
100
100
100
150
150
150
150
0
40
80
120
0
40
80
120
0
40
80
120
0
40
80
120
1.89942333
2.42085333
2.45696667
2.02227000
2.47586667
2.71211333
2.27741667
2.81606000
3.05296000
4.55483333
4.16739000
4.06344333
2.50773000
4.73571667
4.62098333
2.49463333
a) Interprete el ANOVA y concluya

b) Analice el comportamiento de los niveles de fsforo en presencia de cada uno de los
niveles de nitrgeno (sugerencia: ajuste un modelo de regresin)
4.
Alfaro, M. R. (1999) realiz el trabajo de tesis Evaluacin inicial del efecto de tres
intensidades de raleo y tres de poda en el crecimiento de una plantacin de Pinus caribaea
Morelet Var. hondurensis, en Livingston, Izabal.
En esta investigacin se utiliz un diseo de bloques completos al azar y se evaluaron dos
factores: Factor A (raleos): se utiliz el ndice Hart (S%), con intensidades: S%= actual, S%=
22 y S%=28, debido a que el ndice de Hart establece que entre 20 y 30% del espaciamiento,
una plantacin puede crecer adecuadamente sin competencia. Factor B (poda): se hizo con las
siguientes intensidades: sin poda (SP), y de la altura de la copa viva. Las variables de
respuesta medidas fueron: dimetro, altura, rea basal y volumen. A continuacin se presentan
los datos para la variable volumen (m3), correspondientes a la tercera medicin.
Poda
S.P.
h
Raleos
S%A
S%22
S%28
S%A
S%22
S%28
S%A
S%22
S%28
I
0.0803
0.0965
0.1130
0.1020
0.0860
0.1390
0.0739
0.0953
0.1300
Repeticiones
II
III
0.0569
0.0548
0.0643
0.0673
0.0833
0.0612
0.0542
0.0594
0.0756
0.0869
0.0857
0.0793
0.0625
0.0577
0.0635
0.0105
0.0558
0.0811
a) Realice el ANOVA y concluya

b) En caso de ser necesario realice el anlisis post-ANOVA
IV
0.0691
0.0589
0.0581
0.0466
0.0488
0.0872
0.0417
0.0708
0.1160
150
5.
Un Ingeniero Forestal realiz un experimento con el objetivo de estudiar la influencia del tipo
de aparato y del operador del mismo, en la medicin de alturas (metros) de rboles de
Eucaliptus saligna de 7 aos de edad. Fueron evaluados 5 diferentes aparatos, por 4
operadores (factorial 5 x 4), en 10 rboles (cada rbol fue considerado como un bloque). Los
resultados se presentan a continuacin:
rbol
Operario Aparato
10
22.4
20.85
23.6
21
19.1
19.8
16.55
14.75
21.1
14.3
22.9
21.4
23.95
22.25
21.4
21
16.9
14.85
22
15
23.5
21
23.75
20.75
19.5
19.5
17.5
14.5
20
14
22.5
20.5
23.2
21
21
18.9
17.8
14.3
20.6
14.2
21.45
19.2
23.35
20.35
19.95
19.35
17.45
14.45
22
14.75
22.65
20.65
23
20.75
20.25
19.8
17.25
15
19.75
14.25
23
20.7
22.5
20.95
22.25
20.75
18
14.75
20.5
15.25
22
19.5
23.25
20.5
21.25
19.75
17.75
14.75
20.5
14.25
22.9
21.2
24.6
21.5
21.2
20
18.7
15
21.5
14.2
21.45
18.9
23.2
20.25
19.95
19.2
17.35
14.35
21.8
14.65
22.5
21.25
23.1
20.6
21
19.5
16.6
14.35
20.75
14.1
22.5
21
23
21.75
22.75
20.35
17.2
14.85
22.35
16
22.75
20.5
22.75
19.5
20.5
19.75
17.25
14.25
21.5
14.25
21.75
19.35
21.75
19.5
20.5
19
16.35
14.1
20.85
13.85
21.35
19.2
23.2
20.3
20
19.3
17.5
14.4
21.9
14.8
21.25
21.25
22.25
21.25
18
20
17.25
14.65
21
14.25
22.1
21.6
22.35
21.75
19.75
20.65
16.7
15.75
20.85
15.4
21.25
21.5
22.1
21.7
19.75
19.75
18.2
14.6
21.25
14.75
21.9
21
22.75
20.75
19.7
20
18.45
14.3
20.75
15.1
21.2
18.9
23.3
20.3
19.9
19.3
17.4
14.5
22
14.4
Fuente: Barbin (2003)
Aparatos: 1. Hipsmetro de Blume-Leis, 2. Hipsmetro de Haga, 3. Hipsmetro Weise, 4.

Plancheta dasomtrica y 5. Trena.
a) Realice el ANOVA, indicando las hiptesis evaluadas, y concluya
b) En caso de ser necesario realice el anlisis post-ANOVA.
6.
Los datos que se presentan a continuacin se refieren al dimetro medio (cm) a los 5 aos de
edad, de las plantas tiles de cada parcela, de un ensayo factorial 2 x 4, en bloques completos
al azar con 3 repeticiones, realizado entre 1966 y 1971 por H.A. Mello en el Huerto Santa
Terezinha en Mogi-Iguau, un municipio brasileo del Estado de Sao Paulo que est a una
altitud de 591 metros. Cada parcela era constituida de 224 rboles (l4x16) para el
distanciamiento 3.0 x l.5 m y de 168 rboles (14x12) para el de 3.0 x 2.0 m. Solamente 168 e
120 rboles, respectivamente, fueron usados, dejando una bordadura simple en cada parcela.
Las especies de Eucalipto evaluadas fueron: E. saligna, E. grandis, E. alba y E. propinqua.
151
Distanciamiento
3.0 x 1.5 m
3.0 x 2.0 m
E. saligna
10.69
10.05
10.31
12.95
10.89
12.37
E. grandis
9.68
10.58
10.44
11.78
12.28
12.82
E. alba
9.59
9.78
10.17
11.46
10.89
10.97
E. propinqua
9.40
7.50
8.66
10.02
10.45
10.71
Adems foi medido o rendimiento de madera seca a los 5 aos de edad, expresados en toneladas por
hectrea:
Distanciamiento
3.0 x 1.5 m
3.0 x 2.0 m
E. saligna
79.65
88.94
80.54
89.21
94.40
95.81
E. grandis
83.97
84.93
87.53
81.23
93.51
81.13
E. alba
83.97
84.93
87.53
72.98
92.11
83.62
E. propinqua
55.86
55.16
59.05
59.71
61.41
53.43
Y la altura media (metros) de 10 plantas de 5 aos de edad, por cada parcela.

Distanciamiento
3.0 x 1.5 m
3.0 x 2.0 m
E. saligna
15.25
17.14
16.00
19.20
15.80
17.05
E. grandis
15.45
12.30
17.85
15.55
17.45
16.90
E. alba
15.70
17.40
16.95
16.90
17.95
17.80
E. propinqua
14.90
13.90
14.45
14.90
15.80
16.65
Fuente: Mello, H.A.; Simes, J.W.; Mascarenhas, J.; Couto, H. T. 1971. Influncia do espaamento na produo
de madeira de eucalipto em solo de cerrado. IPEF n.2/3, p.3-30. Disponible en:
http://www.ipef.br/publicacoes/scientia/nr02-03/cap01.pdf
Para cada variable realice lo siguiente:

a) Verifique grficamente si existe interaccin entre especies x distanciamiento.
b) Haga el Anlisis de Varianza.
c) Haga el desdoblamiento del nmero de grados de libertad de especies (S) ms el de la
interaccin (S E). Obtenga conclusiones.
d) Haga el desdoblamiento del nmero de grados de libertad de distanciamientos (E) ms el de la
interaccin (S E). Obtenga conclusiones.
e) Obtenga el CV(%) del ensayo e interprtelo.
f) Realice la prueba de comparacin de medias usando el criterio propuesto por Tukey, para la
interaccin especies distanciamientos.
g) Lea el artculo original y haga un resumen de la importancia de este estudio y explique el
manejo del experimento.
152
8.3
EXPERIMENTOS FACTORIALES CON ARREGLO EN PARCELAS DIVIDIDAS
8.3.1
Introduccin
Los experimentos en parcelas divididas (split-plot design, en ingls) as como los experimentos
en arreglo combinatorio, incluyen todas las posibles combinaciones de dos ms factores en sus
diferentes niveles, y la diferencia entre esos tipos de arreglos est en la manera de instalacin de los
experimentos y en el esquema del anlisis de varianza.
Si se considera un diseo en bloques al azar, con r bloques y a niveles del factor A. Si cada
una de las ra parcelas se divide en b subparcelas, y entre esas b subparcelas se distribuyen al azar los b
niveles de un factor B, se tiene entonces, una generalizacin del diseo en bloques al azar, conocida
como arreglo en parcelas divididas.
Este tipo de arreglo es til cuando ciertos niveles de un factor A, para que sean aplicados en el
experimento, requieren grandes parcelas, como ocurre en los sistemas de riego, los distanciamientos
entre surcos, etc.; y adems, esos niveles sern combinados con los niveles del factor B, pudiendo ser:
fertilizantes, variedades, etc.
Los niveles del factor A son distribuidos entre las parcelas grandes, las cuales sufrirn una
divisin, de tal modo que los niveles del factor B, que no requieren grandes parcelas, puedan ser
distribuidos entre las subparcelas (parcelas pequeas). De esta manera, se crean dos estructuras, una
estructura a nivel de parcelas grandes, con los niveles del factor A, y otra estructura a nivel de
subparcelas dentro de cada parcela grande, con los niveles del factor B.
Los niveles aplicados en las parcelas grandes son denominados: tratamientos primarios, y los
niveles del factor aplicado en las parcelas pequeas son denominados: tratamientos secundarios.
Debido a esta estructura, los tratamientos primarios son confundidos con las parcelas grandes, en tanto
que los tratamientos secundarios no son confundidos, por eso se debe asignar el factor de mayor
inters, en la medida de lo posible, a las parcelas pequeas. Este tipo de arreglo, es muchas veces
preferido (en comparacin con el arreglo combinatorio), debido a las facilidades de instalacin de los
tratamientos en el rea experimental.
Desde el punto de vista estadstico, los experimentos que utilizan arreglo combinatorio, por lo
general, son ms eficientes que los experimentos donde se utiliza arreglo en parcelas divididas, puesto
que, en tanto en el arreglo combinatorio existe un nico residuo para el clculo de F y en las
comparaciones mltiples, en los experimentos donde se utiliza arreglo en parcelas divididas hay dos
residuos, uno referente a parcelas grandes y otro referente a parcelas pequeas, siendo que el residuo
de parcelas grandes, generalmente tiene un nmero de grados de libertad pequeo, llevando a poca
sensibilidad en el anlisis.
Se pueden distinguir dos tipos de parcelas divididas, de conformidad con la estructura de las
parcelas pequeas, o sea:
i)
Parcelas divididas en el espacio
Cuando cada parcela grande es dividida en subreas, constituyendo las subparcelas (o parcelas
pequeas). Suponiendo, por ejemplo, que se aplica en las parcelas grandes 3 distanciamientos entre
surcos, y en las parcelas pequeas, 4 variedades de caa de azcar, distribuidos en 3 bloques, cuyo
croquis es el siguiente:
153
E2
V1
V3
E1
V2
V4
V2
V3
E1
V2
V4
V2
V1
V4
V3
V1
E3
V1
V3
V1
V2
E3
V3
E3
V1
V1
V3
V4
Bloque I
V3
V2
Bloque II
V4
V1
Bloque III
E2
V3
V4
V4
V1
E2
V4
V2
E1
V2
V4
V3
V2
Observando el croquis anterior, se verifica que cada parcela grande, independiente del diseo
experimental adoptado, constituye un bloque para las parcelas pequeas.
ii) Parcelas divididas en el tiempo
Las parcelas grandes no son divididas en reas, pero peridicamente son tomadas muestras de
cada parcela, constituyendo cada muestra como una parcela pequea. Por ejemplo, aplicando en las
parcelas grandes reguladores de crecimiento y considerando a nivel de parcelas pequeas las pocas o
periodos, caracterizadas por las muestras retiradas de las unidades experimentales durante un cierto
periodo de tiempo, pudiendo ser, por ejemplo, a cada 15 das durante 6 meses.
La estructura de parcelas divididas en el tiempo, es caracterizada cuando se aplica a las
parcelas los niveles de un nico factor A y se toman medidas repetidas en ocasiones sucesivas sobre la
misma parcela, admitiendo que esas medidas tomadas en ocasiones distintas tienen varianzas
homogneas y son igualmente correlacionadas. En el caso de que esas suposiciones no sean
satisfechas, se tiene la estructura de medidas repetidas en el tiempo, cuya metodologa de anlisis de
los datos experimentales pasa a ser el anlisis multivariado, que adopta una hiptesis ms general
sobre la estructura de covarianzas entre medidas repetidas tomadas sobre una misma parcela, que es el
anlisis de perfil.
El objetivo del anlisis de ese tipo de experimento es estudiar el efecto global de los niveles
del factor A a lo largo del periodo definido, y la variacin de esos niveles a lo largo del tiempo.
En ese caso, es interesante observar que la caracterizacin de las parcelas pequeas conduce a
una sistematizacin, puesto que no es posible aleatorizarlas dentro de cada parcela. Las parcelas
pueden estar dispuestas en cualquier diseo experimental, pero lo usual es utilizar el diseo
completamente al azar o en bloques al azar.
8.3.2
Modelo estadstico
Para un experimento bifactorial dispuesto en un diseo en bloques al azar con arreglo en

parcelas divididas, el modelo estadstico es el siguiente:
154
Yijk =
+(
)ij +
+(
)ik +
i = 1,2, . . . , a
j = 1,2, . . . , r
k =1,2, . . . , b
ijk
siendo:
Yijk
=
=
=
=
=
i
(
)ij
=
=
)ik
ijk
8.3.3
Variable de respuesta medida en la ijk - sima unidad experimental

Media general
Efecto del j - simo bloque
Efecto del i - simo nivel del factor A.
Efecto de la interaccin del i-simo nivel del factor A con el j - simo bloque, que
es utilizado como residuo de parcelas grandes y es representado por error(a)
Efecto del k - simo nivel del factor B
Efecto debido a la interaccin del i-simo nivel del factor A con el k - simo nivel
del factor B.
Error experimental asociado a Yijk , es utilizado como residuo a nivel de parcela
pequea, y es definido como: Error(b)
Hiptesis
Ho: 1.. = . . . = a.., contra

Ha: por lo menos i.. i .. para i i ;
Ho: i.k i..
Ha: i.k i..
8.3.4
Ho: ..1= . . . = ..k contra

Ha: por lo menos ..k ..k para k k ;
..k + = 0, contra
..k + 0 para algn i y k.
Anlisis de varianza
A continuacin se muestra la forma de presentar los datos, previo a su anlisis.
Tratamiento
primario
Tratamiento
secundario
BLOQUES
Y i.k
Y 121
III
Y131
Y112
Y 122
Y132
Y1.2
B3
Y113
Y 123
Y133
Y1.3
Total parcela grande
Y11.
Y12.
Y13.
Y 1. .
B1
Y211
Y221
Y231
Y2.1
B2
Y212
Y222
Y232
Y2.2
B3
Y213
Y223
Y233
Y2.3
Total parcela grande
Y21.
Y22.
Y23.
Y2 . .
Total bloques
Y.1.
Y.2.
Y.3.
Y. . .
A1
A2
B1
I
Y111
B2
II
Y1.1
155
Tabla adicional: Esta tabla es til para calcular la suma de cuadrados para ambos factores.
Factor "A"
Total
Factor "B"
A1
A2
B1
Y1.1
Y2. 1
Y...1
B2
Y1. 2
Y2. 2
Y...2
B3
Y1. 3
Y2. 3
Y.. 3
Total
Y1..
Y2..
Y...
Cuadro de Anlisis de Varianza

Fuente de
variacin
Grados de
libertad
r1
Y.2j.
j 1
ab
Y...2
arb
Yi..2
rb
Y...2
arb
Bloques
a1
A
Error (a)
i 1
Yij.2
j 1
i 1
b1
AB
Error (b)
(a 1) (b 1)
a (b 1) (r 1)
j 1
b
k
Abr 1
Y..k2
1 ar
2
Yi.k
1 r
Y...2
arb
Y...2
arb
SCA
Yijk2
j 1
i 1
k 1
Valor de
F
CMA/CM(a)
SC(a)/GL(a)
Y...2
arb
SCB
SCtot - Scsubt - SCB SCAB

r
Total
SCA/GLA
SCsubt - SCbloque SCA
(a 1) (r 1)
Subtotal
Cuadrados
medios
Suma de Cuadrados
Y...2
arb
SCB/GLB
CMB/CM(b)
SCAB/GLAB
CMAB/CM(b)
SC(b)/GL(b)
156
8.3.5
Anlisis post-Andeva: prueba de comparacin mltiple de medias, de acuerdo con el

criterio de Tukey
a)
Prueba de Tukey para el factor ubicado en la parcela grande
W
b)
CM(a)
rb
q (b,gl(b), ) * Sx
Sx
CM(b)
ra
Prueba de Tukey para la interaccin "AB"
W
8.3.6
Sx
Prueba de Tukey para el factor ubicado en la parcela pequea
W
c)
q (a ,gl(a ), ) * Sx
q (ab,gl(b), ) * Sx ,
Sx
CM(b)
r
En un experimento se probaron dos mtodos de siembra y tres variedades de arroz. Por

razones de facilidad en el manejo del mismo, se decidi utilizar un arreglo en parcelas divididas, en
donde las parcelas grandes correspondieron a los mtodos de siembra y en las parcelas pequeas se
sembraron las tres variedades de arroz (Oryza sativa).
Los tratamientos se distribuyeron mediante un diseo en bloques completos al azar con 4
repeticiones. La variable de respuesta fu kg/parcela de 72 m2. A continuacin se detallan los factores
evaluados.
Mtodos de siembra:
Variedades:
S: Secano
BB: Blue Bonnett
I: Inundacin
BP: Belle Patna
CR: Criolla
Rendimiento de arroz en kg/parcela de 72 m2 , al comparar distintos mtodos de siembra en diferentes

variedades de arroz.
Mtodos
de siembra
Bloques
Variedades
II
III
IV
BB
8.5
8.2
8.0
7.6
BP
8.0
7.0
7.3
6.9
CR
10.0
10.8
11.0
11.6
BB
5.8
5.6
5.2
5.8
BP
7.0
7.1
7.3
7.3
CR
8.3
8.0
8.0
8.7
157
Tabla adicional:
Mtodos de siembra
Y..k
Y ..k
22.40
54.70
6.84
29.20
28.70
57.90
7.24
CR
43.40
33.00
76.40
9.55
Yi..
104.90
84.10
Yi..
8.74
7.01
Variedades
Secano
Inundacin
BB
32.30
BP
El grfico de las interacciones se presenta a continuacin:
SC A
104.92 84.102
12
SCSubtotal
SC Bloques
SC Error (a )
1892
18.03
(2)(3)(4)
26.52
262
26.32
47.62
46.7 2 46.82
(2)(3)
26.12
21.12
3
47.9 2
18.41 0.175 18.03 0.205
20.7 2
189 2
(2)(3)(4)
20.52 21.82
0.175
189 2
18.41
(2)(3)(4)
158
54.7 2 57.92 76.42
(2)(4)
SCB
32.32
SCAB
29.22
1892
(2)(3)(4)
43.42 22.42
4
34.308
28.7 2 332
SCError(b)
63.225 18.41 34.308 7.772
SCTOTAL
8.52 8.02 102
. . . 8.7 2
1892
18.03 34.308 7.772
(2)(3)(4)
2.735
1892
(2)(3)(4)
63.225
Cuadro resumen del ANOVA

F.V.
G.L.
S.C.
C.M.
Valor de F
F crtica
Bloques
0.175
18.03
18.03
265.15*
10.13
Error (a)
0.205
0.068
34.308
17.154
75.24*
3.89
AB
7.772
3.886
17.04*
3.89
12
2.735
0.228
23
63.225
Error (b)
Total
CV
CM A
CM Error (a )
18.03
0.068
CM AB
CM Error (b)
3.886
17.04
0.228
265.15
0.228
100 6.064%
7.88
CM B
CM Error (b)
17.154
0.228
75.237
159
Prueba de comparacin mltiple de medias de acuerdo con el criterio de Tukey, para la
interaccin
a) Medias de las interacciones
Interaccin
Y ij.
A1B1
8.08
A1B2
7.30
A1B3
10.85
A2B1
5.60
A2B2
7.18
A2B3
8.25
b) Comparador
Wp
q (6,12,0.05)
0.228
4
4.75
0.239 = 1.134
c) Matriz de diferencias
Interaccin
A2B1
A2B2
A1B2
A1B1
A2B3
A1B3
Media
5.60
7.18
7.30
8.08
8.25
10.85
A1B3
10.85
5.25*
3.67*
3.55*
2.77*
2.60*
A2B3
8.25
2.65*
1.07
0.95
0.17
A1B1
8.08
2.48*
0.90
0.78
A1B2
7.30
1.70*
0.12
A2B2
7.18
1.58*
A2B1
5.60
d) Presentacin de resultados
Interacciones
Produccin promedio de
arroz
Grupo Tukey
A1B3
10.87
A2B3
8.25
A1B1
8.08
A1B2
7.30
A2B2
7.18
A2B1
5.60
160
8.3.7
Ejercicios propuestos
1.
En un estudio con pasto Napier (Pennisetum purpureum) se evaluaron dos mtodos de siembra
y tres densidades de siembra, bajo un arreglo en parcelas divididas y distribucin en bloques al
azar. En la parcela grande se ubic el factor mtodos de siembra y en las parcelas pequeas la
densidad (kg.ha-1)
Factor A: Mtodos de siembra:
M1= al voleo.
M2=20 cm. entre surco
Factor B: Densidades:
D1=15 kg.ha-1
D2=25 kg.ha-1
D3=35 kg.ha-1
La variable de respuesta medida fue el rendimiento expresado en toneladas mtricas por
hectrea (peso fresco) de pasto. Los resultados obtenidos se presentan a continuacin, tal
como fueron obtenidos en el campo:
M1
M2
D1
D3
D2
D2
D1
49.6
49.9
50.2
44.6
40
M2
2.
Bloque I
40.2
M1
D2
D1
D3
D3
D1
D2
45.8
46.7
55.3
42.7
43.4
52
M1
a)
b)
D3
Bloque II
M2
D3
D2
D1
D1
D3
D2
48.7
44.8
41.4
39.2
39.2
40
Bloque III
Construya una tabla para resumir la informacin y realice el ANOVA

Realice la prueba de comparacin mltiple de medias (en caso sea necesario)
Un experimento fue realizado con el objetivo de evaluar 5 variedades de caa de azcar

(tratamientos principales) y 2 distanciamientos de plantio (tratamientos secundarios), en un
diseo bloques al azar con 4 repeticiones. La variable de respuesta medida fue la produccin
de caa en tm.ha-1.
Variedades
V1
V2
V3
V4
V5
Distanciamientos
D1
D2
D1
D2
D1
D2
D1
D2
D1
D2
I
105.0
94.3
101.8
86.3
83.4
90.7
72.6
65.7
57.3
51.6
Repeticiones
II
III
101.4
97.2
91.7
93.5
96.3
110.0
90.7
92.4
60.7
71.3
58.4
65.2
54.2
60.5
56.3
51.3
50.2
61.3
53.4
51.9
IV
89.6
81.8
90.5
85.8
62.6
58.9
57.4
52.6
65.2
48.7
161
a)
b)
c)
d)
e)
3.
Describa el modelo estadstico matemtico asociado a este experimento

Realice, en caso sea necesario, el anlisis PostAnova que considere ms adecuado.
Emita las conclusiones respectivas.
Complete la siguiente tabla de ANOVA.

F.V.
G.L.
S.C.
Bloques
52.97
28.97
2.72
C.M.
Valor de F
F crtica
Error (a)
B
AB
9.26
Error (b)
41
170.56
Total
CV = 10.81%, promedio general del experimento = 13.81 toneladas de azcar/hectrea.
4.
Lpez, EA. (1999) evalu la influencia de la lmina de riego en el efecto del madurante en
caa de azcar (Saccharum spp.) variedad CP-722086; en la finca El Blsamo, ingenio
Pantalen. Los datos de produccin expresados en toneladas de caa por hectrea (TCH) se
presentan en la tabla siguiente; y con los cuales se le solicita realizar el ANOVA
correspondiente.
Parcela grande
6/0
3/0
6/4
0/2
0/0
0/4
2/0
Parcela pequea
Con madurante
Sin madurante
Con madurante
Sin madurante
Con madurante
Sin madurante
Con madurante
Sin madurante
Con madurante
Sin madurante
Con madurante
Sin madurante
Con madurante
Sin madurante
I
119.32
108.71
134.09
131.06
123.87
143.18
115.91
112.88
131.44
130.31
117.43
109.09
118.56
107.96
Repeticiones
II
131.44
116.67
137.12
144.70
118.94
119.70
122.35
114.02
102.27
122.73
125.76
113.64
128.79
142.43
III
130.31
140.91
130.31
146.22
154.55
136.37
138.64
120.46
134.09
141.29
131.06
129.93
146.22
159.09
162
Referencias:
0/0 =
Sin aplicacin de riego
2/0 =
Distribucin de la lmina de riego en 2 riegos previos a la aplicacin del madurante y frecuencia de 50 das.
3/0 =
0/2 =
Distribucin de la lmina de riego en 2 riegos posteriores a la aplicacin del madurante y frecuencia de 25 das.
6/0 =
6/4 =
Distribucin de la lmina de riego en 6 riegos previos y 4 posteriores a la aplicacin del madurante y frecuencia de 10 das.
5.
Se realiz un experimento para conocer la respuesta (cantidad de materia seca MS producida

anualmente, tm.ha-1) de tres tipos de praderas (Estrella Africana, Guinea y Jaragu)
deterioradas, a las cuales se les aplicaron diferentes prcticas culturales (quema, chapeo y
aplicacin de herbicida) para su recuperacin. El diseo aplicado fue bloques al azar,
considerando en la parcela grande el tipo de pradera. Los resultados se presentan a
continuacin:
Pradera
Estrella
Africana
Guinea
Jaragu
Prcticas
culturales
Quema
Chapeo
Herbicidas
Quema
Chapeo
Herbicidas
Quema
Chapeo
Herbicidas
I
12.0
13.5
15.5
10.0
11.0
13.0
7.5
8.0
9.0
Repeticiones
II
III
13.5
11.0
14.8
10.8
16.3
12.4
10.5
8.7
11.8
9.6
12.5
11.2
7.1
6.7
6.8
7.8
8.3
9.6
IV
9.8
10.0
10.5
7.6
8.3
13.1
6.3
7.0
7.5
Fuente: Herrera, J.; Barreras, A. 2001.
a)
b)
c)
d)
e)
6.

Realice la prueba de comparacin mltiple de medias (en caso sea necesario)
Batres, De Len, Salazar y Saquimux (2000) realizaron una investigacin para determinar la
mejor edad de los rboles semilleros de pinabete (Abies guatemalensis), as como el perodo
ptimo que debe transcurrir entre la coleccin y la siembra de la semilla. El estudio se realiz
en el paraje Chuisapn de la aldea Chimente del municipio de Totonicapn. Se utiliz un
diseo de bloques completos al azar con arreglo en parcelas divididas y cuatro repeticiones.
Cada unidad experimental estuvo conformada por 500 semillas sembradas en cada caja
germinadora de madera, en donde se utiliz arena de ro como sustrato y fue desinfectada con
hervida (en ebullicin). Los factores evaluados y sus respectivos niveles se citan a
continuacin:
Factor
A. Edad de los rboles
semilleros o portagranos
B. Fecha de siembra
A1.
A2.
A3.
B1.
B2.
B3.
Niveles
20 a 40 aos
40 a 50 aos
Mayores de 50 aos
Al momento de la extraccin de la semilla de los conos.
Tres semanas despus de la extraccin de las semillas.
Seis semanas despus de la extraccin de las semillas.
163
Los resultados para la variable porcentaje de germinacin (datos transformados) se muestran a
continuacin:
Bloques
Parcela grande
Parcela pequea
II
III
IV
20 a 40 aos
B1
B2
B3
40 a 50 aos
B1
B2
B3
> 50 aos
B1
B2
B3
2.408
2.145
2.793
2.757
2.408
2.828
2.683
2.324
2.898
2.324
2.324
2.145
3.131
2.569
2.79
3.606
2.683
2.683
2.236
2.098
2.569
2.646
2.324
2.967
3.606
2.967
2.236
2.324
2.324
2.00
3.098
2.098
2.408
3.742
3.00
2.967
En el caso de la variable altura de plntulas de pinabete, expresada en centmetros, los datos obtenidos
se muestran a continuacin. Para ambas variables realice el ANDEVA y concluya.
Bloques
Parcela grande
7.
Parcela pequea
II
III
IV
20 a 40 aos
B1
B2
B3
40 a 50 aos
B1
B2
B3
> 50 aos
B1
B2
B3
7.82
7.4
7.5
7.25
8.7
7.7
8.1
7.9
8
6.02
7.87
7.1
6.9
7.85
7.1
7.5
7.45
7.6
6.7
7.5
7.55
8.95
77.5
7.9
9
4.2
8.3
8.8
7.8
8.35
8.8
6.78
7.38
7.6
7.20
7.9
Los datos que se presentan a continuacin se refieren a % de brix en el caldo, de un

experimento de aplicacin de madurantes qumicos en caa de azcar en PLANALSUCAR
(Programa Nacional de Melhoramento da Cana-de-Acar). El diseo utilizado fue
aleatorizado em bloques (8 bloques) con 3 tratamientos. De cada parcela, fueron colectadas
muestras de caa despus de 0, 2, 4, 6, 8 y 10 semanas de la apliccin de los madurantes. Los
resultados se presentan en la tabla siguiente:
Bloques
Productos
Semana
II
III
IV
VI
VII
VIII
17.7
17.5
17.95
17.9
17.3
17.6
17.4
17.75
16.95
18.6
17.05
18
19.4
18.55
17.8
18.05
18.95
18.1
17.6
18.35
19.2
18.9
18.25
18.7
18.65
18.5
19.65
18.3
20.1
18.75
19.25
17.4
19.7
20.2
19.7
19.7
20.55
20.25
19.8
18.7
10
20.75
19
19.85
20.8
19.45
21.7
19.1
18.25
112.7
111.9
111.8
113.05
116
115.75
111.6
108.85
Testigo
Subtotales
164
Polaris
16.83
16.96
17.25
18.22
17.75
16.9
16.7
17.19
17.7
17.56
18.17
17.72
19.48
18.2
18.58
18.14
18
18.05
18.55
19.52
20.7
18.85
18.41
19.2
18.68
18.83
17.65
20.4
20.03
19.63
18.7
19.71
19.55
19.38
18.1
20.85
20.8
20.42
19.33
21.1
10
15.56
17.18
19
19.4
20.45
19.92
20
19.65
Subtotales
Ethrel
a)
b)
c)
d)
e)
8.
106.32
107.96
108.72
116.11
119.21
113.92
111.72
114.99
16.63
17.7
17.52
17.52
17.26
17.18
17.43
16.52
17.18
17.75
17.65
17.55
18.61
18.26
18
16.56
18.05
18.2
18.57
19.57
19.03
18.91
18.48
17.73
18.5
19.53
19.08
19.03
19.48
18.95
18.77
16.54
20.65
20.9
18.68
18.55
20.28
20.25
19.27
15.6
10
19.9
23.96
19.08
19.03
20.62
20.33
20.06
18.85

Un investigador de una compaa de mariscos quiere estudiar el crecimiento bacterial en

ostiones y mejillones sujetos a tres temperaturas de almacenamiento. Estn disponibles nueve
unidades de enfriamiento. Se selecionaron aleatoriamente tres unidades para cada una de las
temperaturas. Los ostiones (1) y los mejillones (2) se guardaron por dos semanas en cada una
de las unidades de enfriamiento, despus de lo cual se cont el nmero de bacterias en una
muestra de ostiones y mejillones. Se registr el logaritmo del conteo bacterial (Y).
Unidad
1
1
2
2
3
3
4
4
5
Temp (C)
0
0
0
0
0
0
5
5
5
Marisco
1
2
1
2
1
2
1
2
1
Y
3.6882
0.3505
1.8275
1.7023
5.2327
4.5780
7.1950
5.0169
9.3224
Unidad
5
6
6
7
7
8
8
9
9
Temp (C)
5
5
5
10
10
10
10
10
10
Marisco
2
1
2
1
2
1
2
1
2
Y
7.9519
7.4195
6.3861
9.7812
10.1352
6.4703
5.0482
9.4442
11.0329
Este es un experimento de parcelas divididas en diseo completamente al azar. El modelo para este
experimento es: yijk = + Ti + Uj(i) +Mk + (TM)ik + ijk
i = 1, 2, 3 (temperaturas)
j = 1, 2, 3 (repeticiones)
k = 1, 2 (tipo de mariscos)
siendo:
165
Ti el efecto de la temperatura (aleatorizadas en las parcelas grandes)
Uj(i) es el error asociado a la parcela grande (aleatorio)
Mk es el efecto del tipo de marisco (aleatorizado en las parcelas pequeas)
(TM)ik es el efecto de la interaccin entre temperatura tipo de marisco
ijk error asociado a la parcela pequea (aleatorio)
a)
b)
c)
d)

9.
Tavico Laguarca, D.M. (1990) realiz el trabajo de tesis titulado Evaluacin del efecto de
cinco momentos de cosecha sobre la calidad molinera de cuatro lneas promisrias de arroz y
una variedad de arroz (Oryza sativa L.) en el Centro de Produccin Agrcola Cristina, Los
Amates, Izabal. El diseo utilizado fue bloques completos al azar, con 3 repeticiones, y un
esquema en parcelas divididas. En la parcela grande fueron colocados los niveles del factor A,
materiales de arroz: A1= lnea IG 2237; A2= lnea CU 4032; A3= lnea IG 2237, A4= lnea IG
2213; A5= variedad ICTA Polochic. En las parcelas pequeas fueron aleatorizados los niveles
del factor B, momentos de cosecha a partir de la madurez fisiolgica del arroz: B1= 0 das; B2=
5 das; B3= 10 das; B4= 15 das y B5= 20 das. La unidad experimental estuvo constituida por
6 surcos de 5 m de largo y 0.3 m entre si (5 m 1.8 m 9 m2). La parcela neta estuvo formada
por los 3 surcos centrales.
Dos de las variables medidas fueron:
a) Rendimiento de grano cosechado: en los diferentes momentos de corte establecidos, se
tom el peso del arroz en granza (grano con cscara) obtendio en la parcela neta y se midi
el contenido de humedad del grano. Posteriormente se determin el peso del grano con
12% de humedad (humedad de almacenamiento). El rendimiento de grano se expres en
toneladas mtricas por hectrea.
b) Rendimiento de molino (%): se determin el rendimiento de molino, definido como el
porcentaje de arroz molinado, entero y quebrado, que se obtiene de la muestra original (1
kg) de arroz en granza. Los resultados se presentan en el cuadro siguiente:
Lneas
A1
A2
Momentos
B1
B2
B3
B4
B5
B1
B2
B3
B4
B5
Rendimento en granza (tm/ha)

Bloques
I
II
III
3.385
4.595
3.720
3.317
4.470
3.244
2.995
3.526
3.237
3.781
3.142
3.104
2.938
3.248
2.718
3.738
3.202
4.314
2.773
3.898
5.122
1.954
2.389
4.579
1.925
2.599
3.529
2.774
1.954
2.646
Rendimiento en molino (%)

Bloques
I
II
III
70
68
70
69
66
70
68
68
70
69
67
68
67
66
68
64
66
66
62
65
59
57
61
62
54
61
52
51
61
52
166
A3
A4
A5
a)
b)
c)
d)
e)
10.
B1
B2
B3
B4
B5
B1
B2
B3
B4
B5
B1
B2
B3
B4
B5
4.396
4.422
4.072
3.356
3.586
4.728
4.173
4.122
3.626
4.283
3.661
4.084
3.908
2.865
2.699
3.935
3.797
3.916
3.046
3.600
4.878
4.503
3.947
3.591
2.828
4.014
4.128
3.333
3.093
2.974
4.276
4.248
4.100
3.712
3.423
4.519
4.859
4.493
3.469
2.348
4.407
2.696
3.517
2.695
2.901
67
66
65
65
65
66
68
65
65
62
67
64
64
62
63
66
66
68
64
64
66
66
62
67
66
67
66
65
64
64
64
66
67
66
64
64
64
68
65
62
67
64
62
62
62

Plantee las hiptesis a evaluar
Realice el anlisis de varianza para cada una de las variables medidas
Planifique un experimento bifactorial en parcelas divididas, indique los factores y sus niveles,
justifique la ubicacin de los niveles de cada factor, en las parcelas grandes o en las parcelas
pequeas. Presente el croquis de campo, junto con la aleatorizacin. Describa el modelo
estadstico-matemtico asociado a este ensayo, as como las hiptesis a evaluar.
167
8.3.8
Programa en SAS para un experimento bifactorial con arreglo en parcelas divididas
8.3.8.1 Diseo: bloques completos al azar

DATA parcela;
INPUT bloque metodo $ variedad $ rend;
CARDS;
1
S
BB
8.5
1
S
BP
8
1
S
CR
10
1
I
BB
5.8
1
I
BP
7
1
I
CR
8.3
2
S
BB
8.2
2
S
BP
7
2
S
CR
10.8
2
I
BB
5.6
2
I
BP
7.1
2
I
CR
8
3
S
BB
8
3
S
BP
7.3
3
S
CR
11
3
I
BB
5.2
3
I
BP
7.3
3
I
CR
8
4
S
BB
7.6
4
S
BP
6.9
4
S
CR
11.6
4
I
BB
5.8
4
I
BP
7.3
4
I
CR
8.7
;
PROC GLM;
CLASS bloque metodo variedad;
MODEL rend=bloque metodo variedad metodo*variedad bloque*metodo/ss1;
TEST h=metodo e=bloque*metodo;
MEANS metodo/TUKEY E=bloque*metodo;
MEANS variedad/TUKEY
LSMEANS metodo*variedad/PDIFF E=bloque*metodo;
RUN;
168
8.3.8.2 Diseo: completamente al azar
OPTIONS NODATE NONUMBER;
DATA dcaPD;
INPUT agua rep temp resis;
CARDS;
50
1
15
55.78
Ejemplo:
50
2
15
59.51
50
3
15
61.64
En un ensayo de resistencia de cartn se realizaron preparados
de pasta bsica con tres distintas cantidades de agua (50, 75 y
75
1
20
59.56
75
2
20
64.89
100 litros). Cada uno de los preparados (parcelas principales)
75
3
20
58.64
se repiti tres veces en orden aleatorio a lo largo del tiempo.
100
1
25
67.53
100
2
25
72.77
Luego, se dividieron los preparados en cuatro fracciones
iguales (subparcelas) y se los someti a distintas temperaturas
100
3
25
66.93
50
1
30
57.00
de coccin (20, 25, 30 y 35 grados), las que fueron asignadas
al azar.
50
2
30
60.16
50
3
30
63.87
75
1
15
65.26
La variable en estudio fue la resistencia del cartn obtenido.
75
2
15
58.19
Fuente: Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di
75
3
15
59.96
Rienzo J.A., Robledo C.W. (2008). Infostat, Manual del
100
1
20
64.71
Usuario, Editorial Brujas, Crdoba, Argentina.
100
2
20
62.81
100
3
20
62.03
50
1
25
53.69
50
2
25
61.87
50
3
25
54.50
75
1
30
70.96
75
2
30
62.85
75
3
30
64.11
100
1
15
64.40
100
2
15
60.51
100
3
15
62.41
50
1
20
56.30
50
2
20
56.79
50
3
20
51.96
75
1
25
63.37
75
2
25
62.55
75
3
25
61.81
100
1
30
72.59
100
2
30
73.79
100
3
30
74.55
;
PROC GLM;
CLASS agua rep temp;
MODEL resis= agua rep(agua) temp agua*temp;
TEST H=agua E=rep(agua);
run;
169
8.4
EXPERIMENTOS
SUBDIVIDIDAS
8.4.1
Introduccin
TRIFACTORIALES
CON
ARREGLO
EN
PARCELAS
En algunas situaciones prcticas, las condiciones experimentales hacen necesario subdividir

cada parcela pequea en diversos niveles de un tercer factor, caracterizndose as, las subpacelas. En
ese caso, el ensayo es denominado experimento en parcelas subdivididas o split-spli-plot. Entonces,
en este tipo de experimentos, podemos estudiar, simultneamente, los efectos de tres factores, siendo
los tratamientos principales asignados al azar en las parcelas grandes (completamente al azar, en
bloques al azar, etc.), los subtratamientos aleatorizados en las parcelas medianas y los
subsubtratamientos aleatorizados en las parcelas pequeas de cada parcela mediana.
As, por ejemplo, en un experimento en parcelas subdivididas, con los factores distanciamiento
(tratamientos principales), frecuencias de riego (tratamientos secundrios) e variedades
(subsubtratamientos), siendo utilizados: 3 distanciamientos (D1, D2 y D3), 2 frecuencias de riego (F1 y
F2) y 3 variedades (V1, V2 y V3), si el experimento es instalado en 5 bloques al azar, el croquis de uno
de los bloques se presenta a continuacin:
D2
D1
D3
F1
F2
F2
F1
F1
F2
V2
V2
V1
V2
V3
V1
V1
V3
V3
V3
V2
V3
V3
V1
V2
V1
V1
V2
El esquema de anlisis de varianza para este experimento es presentado a continuacin:

Fuentes de variacin
Bloques
Residuo (a)
(Parcelas)
Frecuencias de riego (F)
Interaccin D F
Residuo (b)
(Subparcelas)
Variedades (V)
Interaccin V D
Interaccin V F
Interaccin V D F
Residuo (c)
Total
Grados de libertad
4
2
8
(14)
1
2
12
(29)
2
4
2
4
48
89
Como podr notar, el experimento en parcelas subdivididas implica tres instancias de

aleatorizacin, por lo tanto para el anlisis se debern tener en cuenta tres errores diferentes: uno para
la parcela principal (PP), uno para la subparcela (SP) y otro para las sub-subparcelas. En SAS solo se
170
deben declarar los errores correspondientes a la PP y a la SP, ya que el tercero de los errores queda
declarado por defecto. El error para la parcela principal es la interaccin entre bloque y el factor que
fue asignado en la PP, en este ejemplo, los distanciamientos. El error para la SP esta dado por la
interaccin entre el bloque y el factor que esta en la subparcela, en este ejemplo bloque frecuencias
de riego dentro de distanciamientos.
8.4.2
Modelo estadstico-matemtico
Para un experimento dispuesto en un diseo en bloques al azar con arreglo en parcelas

subdivididas, el modelo estadstico-matemtico es el siguiente:
Yijkl =
+ (a) il +
ij
ik
jk
ijk
+ (b) ijkl
siendo:
Yijkl
l
(a)il
i
j
k
(b)ijkl
ij ,
=
=
=
=
=
=
=
=
ik
ijk
8.4.3
variable de respuesta medida en la ijkl - sima unidad experimental

media geral,
efecto del l-simo bloque,
error asociado a las parcelas grandes,
efecto del i-simo distanciamiento,
efecto de la j-sima frecuencia de riego,
efecto de la k-sima variedad,
error associado a la parcela pequea.
jk = interacciones dobles, y
= interaccin triple.
Ejemplo
Considere los datos de un experimento em parcelas subdivididas, con 3 fechas de siembra (S1,
S2 y S3) del cultivo de remolacha (Beta vulgaris L.), como tratamientos principales, 2 niveles de
aplicacin de insecticidas (I0 = sin insecticida y I1= con insecticida), como tratamientos secundrios, y
3 pocas de siembra (E1, E2 y E3), como subtratamientos. El experimento fue realizado en 4 bloques, la
variable respuesta medida fue la produccin por rea. Los resultados se presentan a continuacin:
Fechas de siembra Insecticidas pocas de Cosecha
(S)
(I)
(E)
I0
S1
I1
S2
I0
E1
E2
E3
E1
E2
E3
E1
E2
E3
Bloques
1
25.7
31.8
34.6
27.7
38
42.1
28.9
37.5
38.4
25.4
29.5
37.2
30.3
40.6
43.6
24.7
31.5
32.5
23.8
28.7
29.1
30.2
34.6
44.6
27.8
31
31.2
22
26.4
23.7
33.2
31
42.7
23.4
27.8
29.8
Totales
96.9
116.4
124.6
121.4
144.2
173.0
104.8
127.8
131.9
171
E1
E2
E3
E1
E2
E3
E1
E2
E3
I1
I0
S3
I1
38
36.9
44.2
23.4
25.3
29.8
20.8
29
36.6
588.7
Totales
31
31.9
41.6
24.2
27.7
29.9
23
32
37.8
574.4
29.5
31.5
38.9
21.2
23.7
24.3
25.3
26.5
34.8
536.6
30.7
35.9
37.6
20.9
24.3
23.8
23.1
31.2
40.2
527.7
129.2
136.2
162.3
89.7
101.0
107.8
92.1
118.7
149.4
2227.4
Fuente: Banzatto y Kronka (2011)
Con estos datos se realizar el anlisis de varianza y en caso de ser necesaria una prueba de
comparacin mltiple de medias, utilizando un nivel de 5% de significancia.
F.C.
2227.42
(3)(2)(3)(4)
SCTOTAL
SCBLOQUES
(25.7 2
68907.09
25.42 . . . 40.2 2 ) F.C. 2840.61
1
(588.7 2 574.42 . . . 527.7 2 ) F.C. 143.46
(3)(2)(3)
Debemos, inicialmente, organizar el cuadro auxiliar con los totales de cada parcela:
SCS
Totales S
Bloques
Fechas de siembra
(6)
S1
S2
S3
Totales de bloques
199.9
223.9
164.9
588.7
206.6
193.2
174.6
574.4
191.0
189.9
163.5
536.6
179.0
185.2
163.5
527.7
776.5
792.2
658.7
2227.4
1
(776.52 792.22 658.7 2 ) F.C. 443.69
24
SCPARCELAS
1
(199.92 206.62 ... 163.52 ) F.C. 698.90
6
SC Residuo(a )
SCPARCELAS SCBLOQUES SCS
111.75
A continuacin, organizamos el cuadro auxiliar con los totales de cada subparcela, de la siguiente
forma:
172
Bloques
Interacciones
S I
(3)
S1I0
S1I1
S2I0
S2I1
S3I0
S3I1
Totales de bloques
92.1
107.8
104.8
119.1
78.5
86.4
588.7
92.1
114.5
88.7
104.5
81.8
92.8
574.4
81.6
109.4
90.0
99.9
69.2
86.5
536.6
72.1
106.9
81.0
104.2
69.0
94.5
527.7
SCSUBPARCELAS
Totales S
337.9
438.6
364.5
427.7
298.5
360.2
2227.4
1
(92.12 92.12 ... 94.52 ) F.C. 1524.81
3
En seguida, debemos organizar el cuadro auxiliar para la interaccin S

(12)
I0
I1
Totales S
S1
337.9
438.6
776.5
S2
364.5
427.7
792.2
I:
S3
298.5
360.2
658.7
Totales I
1000.9
1226.5
2227.4
1
(1000.92 1226.52 ) F.C. 706.88
36
SCI
SCS,I
1
(337.92 364.52 ... 360.22 ) F.C. 1191.26
12
SCS
SCS,I SCS SC I
Entonces: SC Residuo(b)
40.69
SCSUBPARCELAS SCPARCELAS SCI SCS
A continuacin, organizamos el cuadro auxiliar para la interaccin E

(12)
I0
I1
Totales E
E1
291.4
342.7
634.1
E2
345.2
399.1
744.3
SCE
1
(634.12 744.32 849.02 ) F.C. 962.34
24
SCE,I
1
(291.42 345.22 ... 484.72 ) F.C. 1797.05
12
SC E
SC E,I SC E SC I
127.83
78.34
I:
E3
364.3
484.7
849.0
Totales I
1000.9
1226.5
2227.4
173
Finalmente, debemos organizar el cuadro auxiliar para la interaccin E
(8)
S1
S2
S3
Totales E
E1
218.3
234.0
181.8
634.1
E2
260.6
264.0
219.7
744.3
E3
297.6
294.2
257.2
849.0
SCS,E
1
(218.32 260.62 ... 257.22 ) F.C. 1419.13
8
SCS
SCS,E SCS SC E
I:
Totales S
776.5
792.2
658.7
2227.4
13.10 .
Para la triple interaccin, se deben realizar los siguientes clculos:
SCS,I,E
1
(96.92 116.42 ... 149.42 ) F.C. 2338.55
4
SCS
SCS,I,E SCS SCI SCE SCS
I E
SC Residuo(c)
SCS
SCTOTAL SCSUBPARCELAS SC E SCS
SC I
SC I
44.02
SCS
I E
168.51
El cuadro resumen del ANOVA queda de la siguiente manera:

FV
Bloques
Fechas de Siembra (S)
S Bloques,residuo (a)
Insecticidas (I)
S I
I Bloques(S),residuo (b)
pocas de cosecha (E)
S E
I E
S I E
Error, residuo (c)
Total
GL
3
2
6
1
2
9
2
4
2
4
36
71
SC
143.46
443.69
111.75
706.88
40.69
78.34
962.34
13.10
127.83
44.02
168.51
2840.61
Valores de la tabla de F
F (2,6,0.05) = 5.14
F (1,9,0.05) = 5.12
F (2,36,0.05) = 3.27
F (2,9,0.05) = 4.26
F (4,36,0.05) = 2.64
CM
Valor F
221.85
18.63
706.88
20.35
8.70
481.17
3.28
63.92
11.01
4.68
11.91**
81.25**
2.34
102.81**
0.70
13.66
2.35
174
8.4.3
Programa en SAS

DATA sub;
INPUT FS $ Ins $ Ecos $ rep $ prod;
DATALINES;
PROC GLM; S1
I0
E1
1
25.7
S1
I0
E2
1
31.8
S1
I0
E3
1
34.6
S1
I1
E1
1
27.7
S1
I1
E2
1
38
S1
I1
E3
1
42.1
S2
I0
E1
1
28.9
S2
I0
E2
1
37.5
S2
I0
E3
1
38.4
S2
I1
E1
1
38
S2
I1
E2
1
36.9
S2
I1
E3
1
44.2
S3
I0
E1
1
23.4
S3
I0
E2
1
25.3
S3
I0
E3
1
29.8
S3
I1
E1
1
20.8
S3
I1
E2
1
29
S3
I1
E3
1
36.6
...
...
..
...
...
...
...
...
...
...
S1
I0
E1
4
22
S1
I0
E2
4
26.4
S1
I0
E3
4
23.7
S1
I1
E1
4
33.2
S1
I1
E2
4
31
S1
I1
E3
4
42.7
S2
I0
E1
4
23.4
S2
I0
E2
4
27.8
S2
I0
E3
4
29.8
S2
I1
E1
4
30.7
S2
I1
E2
4
35.9
S2
I1
E3
4
37.6
S3
I0
E1
4
20.9
S3
I0
E2
4
24.3
S3
I0
E3
4
23.8
S3
I1
E1
4
23.1
S3
I1
E2
4
31.2
S3
I1
E3
4
40.2
;
CLASS FS Ins Ecos rep;
MODEL prod = rep FS FS*rep
Ins Ins*FS rep*Ins(FS)
Ecos Ecos*FS Ecos*Ins Ecos*FS*Ins/ss3;
TEST H = rep FS E = FS*rep;
TEST H = Ins Ins*FS E = rep*Ins(FS);
MEANS FS/tukey E=FS*rep;
LSMEANS Ins*Ecos/slice=Ins adjust=tukey PDIFF=all;
LSMEANS Ins*Ecos/slice=Ecos adjust=tukey PDIFF=all;
RUN;
175
8.5
EXPERIMENTOS TRIFACTORIALES EN ARREGLO COMBINATORIO
Para mostrar el anlisis e interpretacin de resultados de este tipo de experimentos, se utilizarn los
datos provenientes del trabajo de investigacin de Vargas, VC (2012) que evalu tres dosis (% de
hierro en solucin, A1 = 0.2, A2 = 0.4 y A3 =0.6), dos fuentes (B1= sulfato y B2= nitrato de hierro) y
dos fomas de aplicacin (C1 = foliar y C2 = al tronco) del micronutriente hierro (Fe) en el cultivo de
mango (Mangifera indica cv Tommy Atkins) en la finca El Tintero, El Jcaro, departamento de El
Progreso.
El diseo experimental utilizado fue de bloques completos al azar, con tres repeticiones y arreglo
combinatorio. La unidad experimental estuvo constituida por 2 rboles de mango de doce aos de
edad, plantados a un distanciamiento de ocho metros entre plantas y ocho metros entre surcos. El
experimento fue finalizado al tomar las muestras foliares en el mes de enero, que fue la poca de
plena floracin. La variable de respuesta medida fue la concentracin de hierro foliar en la poca
de floracin del cultivo expresado en mg kg-1. El manejo agronmico del cultivo se realiz de
acuerdo a las recomendaciones de la finca El Tintero, excepto en cuanto a los tratamientos con
micronutrientes que fueron evaluados.
Los resultados obtenidos se presentan en el cuadro siguiente:

% de hierro
Forma de
Repeticiones
em solucin
Fuente
aplicacin
II
III
Totales
Medias
0.2
Sulfato
Foliar
125
150
175
450
150.00
0.2
Sulfato
Al tronco
60
100
90
250
83.33
0.2
Nitrato
Foliar
130
145
180
455
151.67
0.2
Nitrato
Al tronco
90
75
80
245
81.67
0.4
Sulfato
Foliar
150
235
250
635
211.67
0.4
Sulfato
Al tronco
105
130
130
365
121.67
0.4
Nitrato
Foliar
150
175
195
520
173.33
0.4
Nitrato
Al tronco
50
75
85
210
70.00
0.6
Sulfato
Foliar
215
415
275
905
301.67
0.6
Sulfato
Al tronco
105
110
100
315
105.00
0.6
Nitrato
Foliar
220
195
205
620
206.67
0.6
Nitrato
Al tronco
175
180
100
455
151.67
Total bloques
1575
1985
1865
5425
150.69
A partir de este cuadro, se pueden obtener los 3 cuadros siguientes que resumen la informacin de
las interacciones dobles.
Fuente
Sulfato
Nitrato
Total % Fe
0.2
700
700
1400
% Hierro
0.4
1000
730
1730
0.6
1220
1075
2295
Total Fuente
2920
2505
5425
176
F. Aplic.
Foliar
Al tronco
Total % Fe
Fuente
Sulfato
Nitrato
Total F. Aplic.
0.2
905
495
1400
% Hierro
0.4
1155
575
1730
F. Aplic.
Foliar
Al tronco
1990
930
1595
910
3585
1840
0.6
1525
770
2295
Total
F. Aplic.
3585
1840
5425
Total
Fuente
2920
2505
5425
El programa en SAS para analizar este conjunto de datos es el siguiente:

*******************************************************************************
PROC glm data = tri;
CLASS Fue Fe Form Rep;
MODEL Conc = Fue|Fe|Form Rep;
lsmeans Fue*Fe*Form/slice=Fue;
lsmeans Fue*Fe*Form/slice=Fe;
lsmeans Fue*Fe*Form/slice=Form;
RUN;
*******************************************************************************
La salida generada por el programa se presenta a continuacin:
177
Diferencias significativas fueron observadas en las dosis de hierro aplicadas (Fe), en las formas de
aplicacin (Form) y en la triple interaccin (Fue Fe Form). Siendo esta ltima la ms difcil
de interpretar, pues ella puede ser considerada de tres formas: interaccin de la interaccin Fue
Fe con el factor Form; interaccin de la interaccin Fue Form con el factor Fe; interaccin de
la interaccin Fe Form con el factor Fue. A continuacin se presentan cada uno de estos
desdoblamientos:
a)
Desdoblamiento de la interaccin triple para estudiar el comportamiento de las dosis (% de

hierro en solucin (factor A) en cada combinacin de los niveles de Fuente (factor B) y Forma
de Aplicacin (factor C). Para ello, es necesario construir el cuadro auxiliar siguiente:
A
A1
A2
A3
Total
B1C1
450
635
905
1990
B1C2
250
365
315
930
B2C1
455
520
620
1595
B2C2
245
210
455
910
Total
1400
1730
2295
5425
De ese cuadro calculamos:
SC A d. B1C1
1
19002
(4502 6352 9052 )
3
9
34905.56
SC A d. B1C2
1
9302
(2502 3652 3152 )
3
9
2216.67
SC A d. B2C1
1
15952
(4552 5202 620 2 )
3
9
4605.56
SC A d. B2C2
1
9102
(2452 2102 4552 )
3
9
11705.56
Verificacin:
SC A d. B1C1 + SC A d. B1C2 + SC A d. B2C1 + SC A d. B2C2 = SC A + SC AB + SC AC + SC ABC.
El resumen del anlisis de varianza para estudiar el comportamiento de las dosis (% de hierro en
solucin en cada combinacin de los niveles de Fuente y Forma de Aplicacin se presenta a
continuacin:
FV
A d. B1C1
A d. B1C2
A d. B2C1
A d. B2C2
Residuo
GL
2
2
2
2
22
SC
34905.56
2216.67
4605.56
11705.56
29494.45
CM
17452.78
1108.33
2302.78
5852.78
1340.66
F
13.02 **
0.83
1.72
4.37 **
178
Verificamos que existen diferencias entre las dosis de Fe en las combinaciones: Sulfato de Fe y
aplicacin foliar (B1C1) y Nitrato de Fe y aplicacin al tronco del rbol (B2C2). Para detectar esas
diferencias, vamos a aplicar la prueba de Tukey a las medias de dosis en cada combinacin de Fuente y
forma de aplicacin.
%Fe
A1
A2
A3
B1C1
150.00 b
211.67 b
301.67 a
B1C2
83.33 a
121.67 a
105.0 a
B2C1
151.67 a
173.33 a
206.67 a
B2C2
81.67 a
70.00 b
151.67 a
a, b en cada columna, medias seguidas de la misma letra no difieren de acuerdo con la prueba de
Tukey (p > 0.05).
El valor de la diferencia mnima significativa es calculado por la ecuacin:
q(t, glee, )
CMee
, en que q es obtenido a partir de la tabla de Tukey para los 3 niveles de
r
A y 22 grados de libertad del error experimental (o residuo).
1340.6566
3
3.55
b)
Desdoblamiento de la interaccin triple para estudiar el comportamiento de las fuentes de

hierro (factor B) en cada combinacin de los niveles de dosis (factor A) y Forma de Aplicacin
(factor C). Para ello, es necesario construir el cuadro auxiliar siguiente:
B
B1
B2
Total
75.04582
A1C1
450
455
905
A1C2
250
245
495
A2C1
635
520
1155
SC B d. A1C1
1
9052
(4502 4552 )
3
6
4.17
SC B d. A1C2
1
4952
(2502 2452 )
3
6
4.17
SC B d. A 2C1
1
11552
(6352 5202 )
3
6
2204.17
SC B d. A 2C2
1
5752
(3652 2102 )
3
6
4004.17
A2C2
365
210
575
A3C1
905
620
1525
A3C2
315
455
770
Total
2920
2505
5425
179
SC B d. A 3C1
1
15252
(9052 6202 )
3
6
SC B d. A 3C2
1
(3152
3
4552 )
7702
6
13537.50
3266.67
Verificacin:
SC B d. A1C1 + SC B d. A1C2 + SC B d. A2C1 + SC B d. A2C2 + SC B d. A3C1 + SC B d. A3C2 = SC B
+ SC AB + SC BC + SC ABC.
El resumen del anlisis de varianza para estudiar el comportamiento de las fuentes en cada
combinacin de los niveles de dosis (% de hierro en solucin) y Forma de Aplicacin se presenta a
continuacin:
FV
B d. A1C1
B d. A1C2
B d. A2C1
B d. A2C2
B d. A3C1
B d. A3C2
Residuo
GL
1
1
1
1
1
1
22
SC
4.17
4.17
2204.17
4004.17
13537.5
3266.67
29494.45
CM
4.17
4.17
2204.17
4004.17
13537.50
3266.67
1340.66
F
0.003
0.003
1.64
2.99
10.10 **
2.44
Verificamos que existe diferencias entre las fuentes de Fe en la combinacin: 0.6% de Fe y aplicacin
foliar (A3C1). Para detectar esa diferencia, vamos a aplicar la prueba de Tukey a las medias de fuente
en cada combinacin de dosis y forma de aplicacin.
Fuente
A1C1
B1
150.00 a
B2
151.67 a
A1C2
83.33 a
81.67 a
A2C1
211.67 a
173.33 a
A2C2
121.67 a
70.00 a
A3C1
301.67 a
206.67 b
A3C2
105.00 a
151.67 a
Tukey (p > 0.05).
2.935
1340.6566
3
62.045
q es obtenido a partir de la tabla de Tukey para los 2 niveles de B y 22 grados de libertad del error
experimental (o residuo).
180
c)
Desdoblamiento de la interaccin triple para estudiar el comportamiento de las formas de

aplicacin (factor C) en cada combinacin de los niveles de dosis (factor A) y fuente de Fe
(factor B). Para ello, es necesario construir el cuadro auxiliar siguiente:
Forma
C1
C2
Total
A1B1
450
250
700
A1B2
455
245
700
A2B1
635
365
1000
A2B2
520
210
730
A3B1
905
315
1220
A3B2
620
455
1075
Total
3585
1840
5425
SC C d. A1B1
1
7002
2
2
(450 250 )
3
6
6666.67
SC C d. A1B2
1
7002
(4552 2452 )
3
6
7350
SC C d. A 2 B1
1
10002
(6352 3652 )
3
6
12150.0
SC C d. A 2 B2
SC C d. A 3B1
SC C d. A3B2
1
7302
(5202 2102 )
16016.67
3
6
1
12202
2
2
(905 315 )
58016.67
3
6
1
10752
(6202 4552 )
3
6
4537.50
Verificacin:
SC C d. A1B1 + SC C d. A1B2 + SC C d. A2B1 + SC C d. A2B2 + SC C d. A3B1 + SC C d. A3B2 = SC C
+ SC AC + SC BC + SC ABC.
El resumen del anlisis de varianza para estudiar el comportamiento de las formas de aplicacin en
cada combinacin de los niveles de dosis (% de hierro en solucin) y fuentes de Fe se presenta a
continuacin:
FV
C d. A1B1
C d. A1B2
C d. A2B1
C d. A2B2
C d. A3B1
C d. A3B2
Residuo
GL
1
1
1
1
1
1
22
SC
6666.67
7350.00
12150.00
16016.67
58016.67
4537.50
29494.45
CM
6666.67
7350.00
12150.00
16016.67
58016.67
4537.50
1340.66
F
4.97 **
5.48 **
9.06 **
11.95 **
43.27 **
3.38
181
Verificamos que no existe diferencias nicamente entre las formas de aplicacin en la combinacin:
0.6% de Fe y la fuente nitrato de Fe (A3B2). Para detectar las diferencias con las otras combinaciones,
vamos a aplicar la prueba de Tukey a las medias de forma de aplicacin en cada combinacin de dosis
y fuente de Fe.
Forma de aplicacin
A1B1
C1
150.00 a
C2
83.33 b
A1B2
151.67 a
81.67 b
A2B1
211.67 a
121.67 b
A2B2
173.33 a
70.00 b
A3B1
301.67 a
105.00 b
A3B2
206.67 a
151.67 a
Tukey (p > 0.05).
2.935
1340.6566
3
62.045
q es obtenido a partir de la tabla de Tukey para los 2 niveles de C y 22 grados de libertad del error
experimental (o residuo).
La forma de aplicacin foliar fue la que mostr los mejores resultados.
Observacin:
De los tres desdoblamientos realizados en la interaccin triple, puede ser utilizado cualquiera de ellos,
dependiendo apenas del inters del investigador.
182
CAPTULO 9
EXPERIMENTOS EN FRANJAS
9.1
INTRODUCCIN
Los experimentos en parcelas divididas (split-plot) son frecuentemente utilizados en la

experimentacin agronmica cuando, en un experimento de tipo factorial, el material experimental o la
propia conduccin del experimento no permite una completa aleatorizacin de todas las combinaciones
de los niveles de los factores.
Una variacin de los experimentos en parcelas divididas es caracterizada cuando, por diversas
razones, aunque se estructuren las parcelas pequeas, no hay posibilidad de una aleatorizacin total de
estas parcelas. En este caso, las parcelas relativas a cada factor se posicionan en franjas (fajas o split block)), tanto en filas como en las columnas.
Considerando 2 factores, A y B, con a y b niveles, respectivamente, de forma que en cada nivel
de A se tienen los niveles de B como subparcelas y viceversa, tanto los niveles de A como los niveles
de B son considerados parcelas (factores principales), en tanto que la interaccin (A B) en cada uno de
los ndices de A y B constituyen las subparcelas (parcelas pequeas).
Para ilustrar este caso, considere un experimento con dos factores A y B, con 3 y 4 niveles,
respectivamente, y cada bloque constituido por fajas horizontales Ai y fajas verticales Bj, resultando,
para un bloque cualquiera, el siguiente esquema:
B1
B4
B2
B3
A3
A3B1
A3B4
A3B2
A3B3
A2
A2B1
A2B4
A2B2
A2B3
A1
A1B1
A1B4
A1B2
A1B3
Y de igual manera para los dems bloques, los cuales difieren entre s apenas en lo referente a la
aleatorizacin.
De acuerdo con Gomes, FP (2000) el anlisis de los experimentos en franjas son ms complejos, en
comparacin con los dispuestos en un arreglo en parcelas divididas; y dan menor precisin a las
comparaciones entre los niveles del factor que se ubica en la parcela pequea. Por ello, los
experimentos en franjas deben ser evitados, siempre que sea posible. Sin embargo, existen varias
situaciones en que razones de orden prctica nos llevan a adoptarlos. Dentro de estas situaciones, se
puede citar: experimentos con pocas de cosecha (cuando la cosecha es mecanizada), tipos de
preparacin del suelo, aplicacin mecanizada de fertilizantes, aplicacin de correcciones al suelo,
aplicacin de madurantes en caa de azcar, en evaluaciones de distanciamientos de siembra, etc.
183
9.2
MODELO ESTADSTICO MATEMTICO
Segn Kempthorne (1952), citado por Nogueira (2000), el modelo adecuado con dos factores y
un diseo bloques completos al azar es el siguiente:
i = 1,2, . . . , a
j = 1,2, . . . , r
Yijk = + i + j + ( )ij + k + ( )jk + ( )ik + (
)ijk
k =1,2, . . . , b
siendo:
Yijk
)ij
=
=
=
=
=
)jk
=
=
)ik
i
(
(
9.3
)ijk
Variable de respuesta medida en la ijk - sima unidad experimental

Media general
Efecto del j - simo bloque
Efecto del i - simo nivel del factor A.
Efecto de la interaccin entre el i-simo nivel del factor A con el j - simo bloque,
o sea, es el error experimental asociado al factor A, tal que ( )ij ~ N (0, 21) e
independientes, es utilizado como error(a).
Efecto del k - simo nivel del factor B
Efecto de la interaccin entre el k-simo nivel del factor A con el j - simo bloque,
o sea, es el error experimental asociado al factor B, tal que ( )jk ~ N (0, 22) e
independientes, es utilizado como error(b).
Efecto debido a la interaccin del i-simo nivel del factor A con el k - simo nivel
del factor B.
Error experimental asociado a Yijk, tal que (
)ijk ~ N (0, 2) e independientes,
es utilizado como trmino de error o residuo.
HIPTESIS
Ho: i = 0, para todo i, contra,

Ho: k = 0, para todo k, contra,
Ho: ( )ik = 0, para todo i y k, contra,
9.4
Ha: i 0, para algn i;

Ha: k 0, para algn k;
Ha: ( )ik 0, para algn i y k.
ESQUEMA DEL ANLISIS DE VARIANZA

FV
Bloques
GL
(r 1)
SC
SCBloques
(a 1)
SCA
Error (a)
(a 1)(r 1)
SCerror(a)
SCA/GLA
SCerror(a)/GLerror(a)
(b 1)
SCB
SCB/GLB
Error (b)
(b 1)(r 1)
SCerror(b)
SCerror(b)/GLerror(b)
AxB
(a 1)(b 1)
Residuo
(a 1) (b 1) (r 1 )
Total
abr 1
SCA x B
SCresiduo
SCTotal
CM
SCAB/GLAB
SCresiduo/GLresiduo
Valor de F
CMA/CMerror (a)
CMB/CMerror (b)
CMAxB/CMresiduo
184
Descripcin
Suma de Cuadrados
r
Y. j.2
Bloques
Y...2
abr
j 1
SCBLOQUES
ab
a
Yi..2
br
a
Yij.2
A, Bloques
error (a)
Y...2
abr
i 1
SC A
SC(A x BLOQUES)
Y...2
abr
i 1 j 1
SC(A,BLOQUES)
SC(A,BLOQUES) SCA SCBLOQUES
SCerror (a )
Y..k 2
ar
a
i 1 j 1
SC(B,BLOQUES)
SC(B x BLOQUES)
SC(A,B)
SC(A x B)
Residuo
SCresiduo
Y...2
abr
i 1 k 1
SC(A,B) SCA SC B
SCTOTAL SCBLOQUES SCA SCerror(a ) SCB

a
Total
SCerror(b)
Yik.2
A,B
Y...2
abr
SC(B,BLOQUES) SC B SC BLOQUES
a
Y. jk 2
B, Bloques
error (b)
Y...2
abr
k 1
SCB
SCTOTAL
Yijk
i 1 j 1 k 1
Y...2
abr
SCerror(b) SCAxB
185
Decisin: Se rechaza Ho a un nivel
de significancia, cuando:
(1)
(2)
(3)
FA F ( , a 1, ( a 1 ) ( r 1 ));
FB F ( , b 1, ( b 1 ) ( r 1 ));
FAB F ( ,(a 1) (b 1), (a 1) ( b 1 ) ( r 1 )).
9.5
Los datos que se presentan a continuacin se refieren al Pol% de la caa de azcar, obtenido
de un experimento en franjas en el ingenio Santa Cruz, citado por Nogueira (2000), que involucr 2
factores A y B; correspondientes a tipos de surcos, asociado con distanciamientos entre surcos y
densidades de siembra, con 4 y 3 niveles respectivamente, siendo:
A1:
A2:
A3:
A4:
B1:
B2:
B3:
surco simple y distanciamiento de 1.40 m.

surco doble y distanciamiento de 1.40 m x 0.90 m.
surco de base larga y distanciamiento de 1.70 m.
surco de base larga y distanciamiento de 1.90 m.
4 toneladas de semilla/ha
Bloques
Surcos
A1
A2
B1
B2
I
17.67
17.31
17.49
52.47
17.19
17.21
B3
18.04
16.38
17.23
17.14
68.79
B1
B2
B3
52.44
17.39
17.39
17.69
51.49
17.54
17.67
17.02
51.38
16.61
16.77
17.34
52.22
17.51
17.61
18.02
69.05
69.44
70.07
B1
B2
52.47
17.19
16.78
52.23
17.57
17.57
50.72
17.72
17.79
53.14
17.73
18.27
70.21
70.41
B3
17.86
16.85
18.12
17.94
70.77
51.83
51.99
53.63
53.94
209.21
207.84
207.89
212.09
A3
A4
Y. j.
II
17.23
17.6
17.3
52.13
17.85
17.26
III
17.43
17.05
17.68
52.16
17.44
16.71
IV
17.61
16.91
18.27
52.79
17.56
17.52
Yik.
Densidades
B1
B2
B3
Con estos datos se construyen los 3 cuadros auxiliares siguientes:
69.94
68.87
70.74
70.04
68.7
837.03
186
Cuadro Auxiliar 1
Bloques
Yi..
Surcos
A1
A2
A3
A4
I
52.47
52.44
52.47
51.83
II
52.13
51.49
52.23
51.99
III
52.16
51.38
50.72
53.63
IV
52.79
52.22
53.14
53.94
209.55
207.53
208.56
211.39
Y. j.
209.21
207.84
207.89
212.09
837.03
Y..k
Cuadro Auxiliar 2
Bloques
Densidad
B1
B2
B3
I
69.44
68.69
71.08
II
70.19
70.1
67.55
III
69.2
68.32
70.37
IV
70.41
70.31
71.37
279.24
277.42
280.37
Y. j.
209.21
207.84
207.89
212.09
837.03
Cuadro Auxiliar 3
Densidades
Yi..
Surcos
A1
A2
A3
A4
B1
69.94
70.04
69.05
70.21
B2
68.87
68.7
69.44
70.41
B3
70.74
68.79
70.07
70.77
209.55
207.53
208.56
211.39
Y..k
279.24
277.42
280.37
837.03
Clculo de las sumas de cuadrados
SCBLOQUES
SCA
1
(209.212
12
1
(209.552
12
SC(A,BLOQUES)
1
(52.47 2
3
212.092 )
837.032
48
837.032
211.39 )
48
2
53.942 )
0.9921
0.6753
837.032
48
3.285
187
SC(A x BLOQUES)
SCB
3.285 0.6753 0.9921 1.6173 SCerror (a )
837.032
280.37 )
48
1
(279.242
16
0.2769
837.032
48
SC(B,BLOQUES)
1
(69.442
4
SC(B x BLOQUES)
3.5625 0.2769 0.9921 2.2935 SCerror (b)
71.37 2 )
SC(A,B)
1
(69.942
4
SC(A x B)
1.5687 0.6753 0.2769
SCTOTAL
(17.67
SCRESIDUO
70.77 2 )
837.032
48
1.5687
0.6165
837.032
17.94 )
48
2
3.5625
8.4247
8.4247 (0.9921 0.6753 1.6173 0.2769 2.2935 0.6165) 1.9531
Cuadro del anlisis de varianza

FV
Bloques
A
Error (a)
B
Error (b)
AxB
Residuo
Total
GL
3
3
9
2
6
6
18
47
SC
0.9921
0.6753
1.6173
0.2769
2.2935
0.6165
1.9531
8.4247
CM
0.3307
0.2251
0.1797
0.1385
0.3823
0.1027
0.1085
Valor de F
F crtica
1.253
3.86
0.362
5.14
0.947
2.66
Conclusin:
Por medio de la prueba de F no fue constatado efectos de los tipos de surcos, asociado con
distanciamientos entre surcos, ni de las densidades de siembra, y tampoco con la interaccin de los
niveles de estos dos factores.
188
9.6
PROGRAMA EN SAS PARA UN EXPERIMENTO BIFACTORIAL CON

ARREGLO EN FRANJAS DIVIDIDAS

TITLE Experimento en franjas;
DATA fran;
DO surcos=1 TO 4;
DO densid=1 TO 3;
DO bloques=1 TO 4;
INPUT pol @@; OUTPUT;
END;
END;
END;
CARDS;
17.67 17.23 17.43 17.61
17.31 17.6 17.05 16.91
17.49 17.3 17.68 18.27
17.19 17.85 17.44 17.56
17.21 17.26 16.71 17.52
18.04 16.38 17.23 17.14
17.39 17.54 16.61 17.51
17.39 17.67 16.77 17.61
17.69 17.02 17.34 18.02
17.19 17.57 17.72 17.73
16.78 17.57 17.79 18.27
17.86 16.85 18.12 17.94
;
PROC print; RUN;
TITLE Anlisis de varianza y prueba de Tukey;
PROC glm;
CLASS surcos densid bloques;
MODEL pol = bloques surcos bloques*surcos densid bloques*densid surcos*densid;
TEST h=surcos e=bloques*surcos;
TEST h=densid e=bloques*densid;
MEANS surcos/TUKEY e=bloques*surcos;
MEANS densid/TUKEY e=bloques*densid;
MEANS surcos*densid;
RUN;
189
9.7
1.
Los siguientes datos se refieren a la produccin de trigo obtenido en un experimento donde se

utiliz un diseo bloques al azar con arreglo en franjas divididas, con el objetivo de estudiar el
efecto de dos sistemas de riego (R1 y R2) y tres dosis de nitrgeno (N0, N1 y N2), distribuidos
en cuatro bloques.
Bloques
Dosis de N
N0
N0
N1
N1
N2
N2
Sistema de riego
R1
R2
R1
R2
R1
R2
I
55
71
62
77
69
78
II
63
77
66
79
77
81
III
63
77
70
78
79
80
IV
65
75
66
76
76
79
Realice el ANOVA, interprete los resultados y concluya.
2.
Estrada, RA (1993) realiz el trabajo de tesis titulado: Evaluacin del efecto de 16 distancias
de siembra sobre el crecimiento y rendimiento en el cultivo de chile chocolate (Capsicum sp)
en el Valle Central de Guatemala. Los factores y niveles sometidos a evaluacin fueron los
siguientes:
Niveles
Factor
A. Distancia entre surcos (m)
B. Distancia entre plantas (m)
1
0.25
0.25
2
0.50
0.50
3
0.75
0.75
4
1.0
1.0
El diseo utilizado fue bloques al azar, con un arreglo en franjas y tres repeticiones. La unidad
experimental estuvo formada por 30 plantas, delimitndose una unidad de muestreo de 12
plantas. Se trazaron 6 surcos con 5 plantas dentro de cada surco. El largo de cada bloque fue
de 10 m. y el ancho de 12.5 m, dejando una separacin de 1.5 m entre bloques. Con esta
informacin responda las siguientes interrogantes:
a)
Describa el modelo estadstico matemtico asociado a este experimento.
b)
Describa las combinaciones a analizar.
c)
A su criterio, qu variables de respuesta medira?
d)
Dibuje un croquis del experimento, mostrando la distribucin aleatorizada de los tratamientos.
3.
A continuacin se presenta el croquis de campo de un experimento con remolacha, realizado

en un diseo de bloques al azar con 4 repeticiones y arreglo en franjas. Fueron evaluados dos
factores: Fertilizacin nitrogenada (N0 = 0, N1 = 80, N2 = 160 y N3 = 320 libras/acre) y poca
de siembra (E1, E2, E3, E4 y E5). La variable de respuesta medida fue la produccin de
remolacha en toneladas por acre.
190
Bloque 1
E4
E5
E1
E3
E2
N1
26.4
29.3
10.1
23.1
18.2
N2
34.2
30.3
10.8
22.4
18.5
N0
24.8
29.2
8.4
20.7
15.6
N3
30.2
30.8
10.4
24
22.4
Bloque 2
E4
E2
E3
E5
E1
N3
31.2
19.2
25.9
34.2
10.3
N0
21.3
12.5
16.7
19.1
5.2
N1
26
16.9
21.2
31
10.8
N2
29.2
20.9
24.3
35.2
11.2
Bloque 3
E1
E5
E2
E3
E4
N1
31.2
19.2
25.9
34.2
10.3
N2
21.3
12.5
16.7
19.1
5.2
N0
26
16.9
21.2
31
10.8
N3
29.2
20.9
24.3
35.2
11.2
Bloque 4
E4
E3
E5
E1
E2
N0
10.1
9.8
11.4
2.3
8.8
N3
31.9
22.8
29.2
7.4
17.8
N2
28.7
22.8
32.6
8.5
17.2
N1
23.1
20.9
23.2
9
15.9
Fuente: Banzatto y Kronka (2011)
a) Realice el ANOVA, interprete los resultados y concluya.

b) En caso de ser necesario aplique un anlisis postANOVA.
191
CAPTULO 10
ANLISIS DE COVARIANZA (ANCOVA)
10.1
INTRODUCCIN
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. Como regla general para decidir sobre el empleo de la
covarianza, el investigador debiera tener la certeza de que sus covariables no estn influenciadas por
los tratamientos estudiados.
El procedimiento de anlisis comprende:
a)
ANDEVA para X (covariable),
b)
ANDEVA para Y (variable de respuesta),
c)
Estimacin del coeficiente angular de la regresin.
d)
Obtencin de la ecuacin de regresin y ajuste a los promedios de la variable de respuesta.
10.2
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 estadsticomatemticos
asociados con algunos de los diseos ms comunes cuando se realiza un anlisis de covarianza.
192
a)
Diseo Completamente al Azar

i=1,...,t
Yij = + i +
X.. ) + ij
(Xij
j=1,...,r
Yij
i
Xij
=
=
=
=
=
X..
ij
b)
Variable de respuesta medida en la jsima repeticin y el isimo tratamiento.

Media general
Efecto del isimo tratamiento.
Coeficiente angular de la regresin.
Variable independiente o covariable.
Media general de la covariable.
Error experimental.
Diseo en bloques completos al azar.

i=1,...,t
Yij = + i +
(Xij
X.. ) + ij
j=1,...,r
Yij
Xij
=
=
=
=
=
=

Media general
Efecto del jsimo bloque o repeticin.
Error experimental.
X..
ij
c)
Diseo cuadrado latino

i=1,...,t
Yijk = + i +
(Xijk
X.. ) + ijk
k=1,...,t
j=1,...,r
Yijk
Xijk
=
=
=
=
=
=
=
X..
ij k
j
k

Media general
Efecto de la jsima fila.
Efecto de la ksima columna.
Error experimental.
Otra suposicin necesaria para el anlisis correcto de covarianza, es que la variable concomitante X, no
debe ser afectada por los tratamientos.
193
10.3
Un grupo de estudiantes del curso de Investigacin Agrcola de la Escuela Nacional Central de

Agricultura evalu en 1990 el efecto del tiempo de cosecha sobre el rendimiento de grano de maz. Se
utilizaron 4 tratamientos y 3 repeticiones, con el diseo bloques completos al azar. Los tratamientos
fueron: 30, 40, 50 y 60 das despus de la polinizacin. El nmero de plantas planificado por parcela
til fue de 52, pero al cosechar se obtuvieron diferentes nmeros de plantas por unidad experimental.
Los resultados se presentan en el cuadro siguiente:
x
41
37
37
35
150
30
40
50
60
x.j , y.j
1.
Repeticiones
II
x
y
24
2.78
32
4.92
34
5.05
22
3.63
112
16.38
Tratamientos
y
4.08
4.72
4.00
4.59
17.39
III
x
31
38
47
44
160
xi.
96
107
118
101
422
yi.
9.65
14.14
14.59
14.42
52.80
ANDEVA para las variables X y Y

ANDEVA para X
FV
GL
SC
CM
Trats.
Bloques
Error
Total
3
2
6
11
89.67
320.67
183.33
593.67
29.89
160.33
30.56
ANDEVA para Y
Valor
F
0.98
X = nmero de plantas
2.
y
2.79
4.50
5.54
6.20
19.03
F
crtica
4.76
FV
GL
SC
CM
Trats.
Bloques
Error
Total
3
2
6
11
5.64
0.89
4.92
11.45
1.88
0.45
0.82
Valor
F
2.29
F
crtica
4.76
Y = rendimiento expresado en kilogramos/unidad experimental.
Estimacin del coeficiente angular de la regresin y del coeficiente de correlacin.

t
x ij
Factor de correccin = F.C. (x,y) =
yij
i 1 j 1
i 1 j 1
tr
(422) (52.8)
1856.8
4 3
Suma de Productos Total para x y y. SPT(x,y)

t
SPT(x, y)
x ij y ij F.C.(x, y) [(41 4.08) (37 4.72) ... (44 6.2)] 1856.8 60.16
i 1 j 1
Suma de Productos de Bloques para x y y. SPB (x,y)

t
x . j y. j
SPB(x, y)
i 1 j 1
F.C.(x, y)
[(150 17.39) ... (160 19.03)]

1856.8 15.165
4
194
Suma de Productos de Tratamietos para x y y. SPTrat (x,y)
t
x . j y. j
SPTrat(x, y)
i 1 j 1
F.C.(x, y)
[(96 9.65) ... (101 14.42)]

1856.8 15.673
3
Suma de Productos del Error para x y y. SPE (x,y)
SPE(x, y) SPT(x, y) [ SPTrat(x, y) SPB(x, y) ] 60.16 (15.673 15.165) 29.322
Coeficiente angular de la regresin:
SPE(x, y)
SCE(x)
29.322
183.33
0.1599 0.16
Este coeficiente da la relacin promedio de rendimiento por planta, es decir, el efecto de una
planta en promedio es de 0.1599 kg.
Debe aclararse que el coeficiente de regresin se supuso diferente de cero. Si este no fuera
el caso, la introduccin de la variable concomitante X sera una complicacin innecesaria. Algunas
veces el investigador querr comprobar estas suposiciones. Esto es, evaluar las hiptesis:
Ho:
Ha:
= 0 (no hay regresin lineal simple)

0
Utilizando la estadstica F (Fisher Snedecor)
SPE(x, y)
SCE(x)
CME(y ajustado)
29.3222
183.33 100.50
0.04666318
que tiene v1 = 1 y v2 =(r 1) (t 1) 1, grados de libertad. En este caso F crtica (1,5,0.05) = 6.61. Por lo
tanto se concluye que la regresin lineal es significativa.
El clculo del coeficiente de correlacin lineal (r) se efecta de la manera siguiente:
SPE(x, y)
SCE(x) SCE(y)
29.322
(183.33) (4.92)
0.976
Este valor de r puede ser evaluado con la prueba t de Student:
r
1 r2
0.976
1 (0.976)2
5 10.02*
t crtica (5,0.05/2) = 2.57

siendo n = 5, el nmero de grados de libertad del residuo, luego de ser ajustado por la regresin (se le
rest un grado de libertad).
195
3.
ANCOVA (los valores ajustados)
a)
Clculo de la suma de cuadrados de la regresin lineal.
SPE(x, y)
SC Re g
b)
29.322
SCE(x)
183.33
4.92 4.69 0.23
Suma de cuadrados de los tratamientos, ajustada de acuerdo con la regresin
SCTrat Ajustada
SCTrat Ajustada
d)
4.69
Suma de cuadrados del residuo, ajustada a la regresin
SCE(y Ajustado) SCE(y) SCReg

c)
SCE(y) SCTrat(y)
[ SPTrat(x, y) SPE(x, y) ]2
SCTrat(x) SCE(x)
15.673 29.332
4.92 5.64
SCE(y Ajustada)
0.23 2.914
89.67 183.33
Resumen del ANCOVA
FV
GL
SCX
SCY
Tratamientos
Bloques
Error
Total
3
2
6
11
89.67
320.67
183.33
593.67
5.64
0.89
4.92
11.45
Suma de
Productos
15.673
15.165
29.322
60.16
GL
SC
CM
Valor F
F crtica
2.914
0.97
21.09*
5.41
5
10
0.23
0.04666
De acuerdo con el ANCOVA, existen diferencias significativas entre tratamientos. En

consecuencia, es conveniente hacer un ajuste por nmero de plantas a los promedios de rendimiento,
de acuerdo con la siguiente ecuacin:
y i.
y i.
yi.
(x
i.
x) , siendo:
promedio ajustado de cada tratamiento.
y i.
promedio de cada tratamiento sin ajustar.
coeficiente angular de la regresin.
x i.
promedio del nmero de plantas de cada tratamiento.
promedio general del nmero de plantas.
196
e)
El error estndar para la diferencia SE(d) entre dos medias ajustadas es dado por:
SE(d)
CME(y Ajustado)
1
ri
1
rj
(x i x j )2
SCE(x)
Cuando el nmero de repeticiones es el mismo para todos los tratamientos, el error estndar
para la diferencia entre dos medias ajustadas es dado por:
2 CME(y Ajustado)
r
SE(d)
(x i x j )2
SCE(x)
Cuando los valores de x 1 , x 2 , . . . , x t no son muy diferentes (lo que se puede concluir
cuando los tratamientos no producen efectos significativos en la variable X), se puede usar una
estimacin media para el error estndar, aplicable a cualquier contraste entre dos tratamientos. Esta
estimacin media tiene la siguiente expresin:
SE(d)
f)
2 CME(y Ajustado)
r
CMTrat(x)
SCE(x)
El clculo de los promedios ajustados del rendimiento de grano de maz y i. se presenta a

continuacin:
Tratamientos
yi.
30
40
50
60
9.65
14.14
14.59
14.42
y i.
3.22
4.71
4.86
4.81
xi.
x i.
y i.
96
107
118
101
32.00
35.67
39.33
33.67
35.17
3.72
4.63
4.20
5.05
Media general
g)
La presentacin final de los resultados quedar de la siguiente forma:
Das despus de la
polinizacin
60
40
50
30
h)
Media ajustada
(kg/u.exp.)
5.05
4.63
4.20
3.72
a
a b
b c
c
Compare los resultados anteriores, con los obtenidos en Infostat:
197
Variable
Y
N
12
R
0.98
R Aj
CV
0.96 4.91

F.V.
SC
gl
CM
F
p-valor
Tratamiento
2.91
3
0.97
20.78 0.0030
Repeticin
1.66
2
0.83
X
4.69
1
4.69
100.50 0.0002
Error
0.23
5
0.05
Total
11.45 11
Coef
0.16
Test:Tukey Alfa=0.05 DMS=0.65082

Error: 0.0467 gl: 5
Tratamiento Medias n
E.E.
60
5.05 3
0.13
A
40
4.63 3
0.12
A
B
50
4.20 3
0.14
B
C
30
3.72 3
0.13
C
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
10.4
PROGRAMA EN SAS PARA UN EXPERIMENTO DONDE SE UTILIZ

ANLISIS DE COVARIANZA SIMPLE

DATA ancova;
TITLE Analisis de Covarianza Simple;
INPUT trat rep x y;
CARDS;
30 1 41 4.08
40 1 37 4.72
50 1 37 4.00
60 1 35 4.59
30 2 24 2.78
40 2 32 4.92
50 2 34 5.05
60 2 22 3.63
30 3 31 2.79
40 3 38 4.50
50 3 47 5.54
60 3 44 6.20
;
PROC glm;
CLASSES trat rep;
MODEL y=trat rep/SS1;
PROC glm;
CLASSES trat rep;
MODEL y=trat rep x;
MEANS trat; lsmeans trat/stderr pdiff;
RUN;
198
10.5
1.
Un ensayo fue realizado para evaluar el control de plagas en el cultivo del frijol. En ese
experimento se utiliz un diseo en bloques al azar y se evaluaron 5 tratamientos: Testigo,
Disyston, Ekatin, Keltane y Diazinon. Adems de la produccin (Y), expresada en gramos por
unidad experimental, se cont el nmero de plantas de cada parcela (X). Los datos se
presentan en la tabla siguiente:
Bloque
Variables
X
Y
X
Y
X
Y
X
Y
X
Y
X
Y
X
Y
X
Y
I
II
III
IV
V
VI
VII
VIII
Testigo
9
74
9
51
8
95
9
62
9
60
9
47
6
14
8
19
Tratamientos
Ekatin
9
118
9
48
9
49
9
64
8
67
8
51
8
15
9
29
Disyston
7
58
8
67
5
40
8
58
6
29
8
64
9
55
8
47
Keltane
6
41
9
38
8
77
9
92
7
57
7
77
8
59
8
32
Diazinon
8
95
8
41
9
39
9
114
6
35
8
49
9
39
9
100
Con estos datos realice el Anlisis de Covariaza y concluya.
2.
Con el objetivo de evaluar 4 tipos de raciones en cerdos, se realiz una prueba de engorda. El
diseo experimental utilizado fue completamente al azar con 6 repeticiones. Los datos de
ganancia en peso (Y) y pesos iniciales (X) de los cerdos, se presentan en el cuadro siguiente:
Tratamientos
1
X
30
27
20
21
33
29
2
Y
165
170
130
156
167
151
X
24
31
20
26
20
25
3
Y
180
169
171
161
180
170
X
34
32
35
35
30
29
4
Y
156
189
138
190
160
172
X
41
32
30
35
28
36
Y
201
173
200
193
142
189
199
3.
La siguiente tabla muestra la altura inicial (x) y la altura alcanzada luego de cuatro meses (y)
de plantas de Leucaena leucocephala, en tres tipos diferentes de suelo en un rea experimental.
Se utiliz un diseo completamente al azar, con diez repeticiones. Ambas alturas son
expresadas en centmetros.
Tratamiento 1
X
Y
18
145
22
149
26
156
19
151
15
143
25
152
16
144
28
154
23
150
24
151
Parcela
1
2
3
4
5
6
7
8
9
10
Tratamiento 2
X
Y
27
161
28
164
27
172
25
160
21
166
30
175
21
156
30
175
22
158
25
165
Tratamiento 3
X
Y
31
180
27
158
34
183
32
175
35
195
36
196
35
187
23
137
34
184
32
184
4.
Un Ingeniero Agroindustrial est estudiando tres tcnicas diferentes de deshidratacin con el

propsito de industrializar una fruta. Utiliza un diseo completamente al azar para evaluar el
ndice de recuperacin del agua en cada fruta tratada. Debido a que el tamao del fruto
estudiado vara, se pesa cada uno de ellos al asignarlo al tratamiento. En este caso el peso es
una covariable en el proceso. As, el factor es la tcnica (t) de deshidratacin, la respuesta y: el
ndice de rehidratacin y la covariable x; el peso en gramos. Los datos que resultaron al
realizar el experimento se presentan a continuacin:
Tratamiento
1
1
1
1
1
1
y
57
60
69
71
81
83
x
11.5
13.0
15.0
14.0
17.0
18.5
Tratamiento
2
2
2
2
2
2
y
77
89
90
92
104
101
x
15.5
16.5
18.0
19.5
23.0
22.5
Tratamiento
3
3
3
3
3
3
y
58
64
73
75
78
80
x
14.5
15.0
18.0
17.5
19.0
20.0
Fuente: Castao, E y Domnguez, J. (2001)
Con estos datos, realice el Anlisis de Covarianza y emita las conclusiones respectivas.
5.
Teos Morales (1980) realiz el trabajo de tesis titulado Determinacin del nivel de tolerancia
de la planta de maz (Zea mays L.) al dao causado por el gusano cogollero (larva de
Spodoptera frugiperda J. E. Smith). El experimento fue instalado en la parcela 358, Lnea B4,
del Parcelamiento Agrrio San Jos La Mquina. Fue utilizada semilla de maz hbrido H-5,
originario de El Salvador.
El diseo experimental utilizado fue Cuadrado Latino, siendo el rea total utilizada: 1653.55
m2 (87.5 m 18.90 m). El rea bruta de cada unidad experimental fue de 33.75 m2 (12.5 m
2.70 m) y el rea neta de 21.60 m2, constituida por 2 surcos de 12 m de longitud. Entre las
200
variables de respuesta analizadas, est el rendimiento de grano de maz, expresado en libras
por unidad experimental. Tambin se realiz el conteo de plantas por parcela (utilizado como
covariable). Los tratamientos evaluados en la investigacin, se refieren a las diferentes reas
foliares consumidas por el cogollero; para definir esas reas, se realiz diferente nmero de
aplicaciones del insecticida volatn granulado en dosis de l5 libras por manzana, directamente
al cogollo de la planta, a diferente altura y fecha, como se indica en el cuadro siguiente (en el
interior del cuadro se muestra el nmero de aplicaciones del insecticida):
Altura de planta (m)
Tratamiento
0.05
0.15
0.25
0.40
0.60
1.00
B
C
D
E
F
La cosecha fue realizada de forma manual a los 140 das despus de la siembra. Los resultados se
presentan en el croquis de campo. En negrito el nmero de plantas por unidad experimental.
Columna
Fila
22.250
17.000
24.125
24.250
22.738
21.500
22.500
85
82
84
80
83
79
80
23.500
22.500
26.500
27.000
27.000
20.875
26.500
90
84
82
80
75
77
82
23.500
22.000
26.000
28.875
23.875
23.000
24.000
85
81
86
89
73
77
79
25.875
24.312
19.875
24.250
25.250
25.250
20.500
80
95
75
76
85
85
77
22.312
15.500
22.875
20.500
22.500
28.000
22.250
85
76
74
77
82
89
79
17.624
21.500
26.000
25.000
23.125
25.250
21.250
83
80
76
90
80
82
83
23.250
19.624
20.500
23.250
19.500
20.750
22.500
80
77
78
73
85
81
86
Con estos resultados, realice lo siguiente:
201
a)
Describa el modelo estadstico matemtico, sin considerar la covariable.
b)
Realice el ANOVA, emita sus conclusiones.
c)
Calcule la Eficiencia Relativa (ER) del diseo cuadrado latino en comparacin con el DCA ,
que es dada por la ecuacin siguiente:
ER(%)
CM Filas
CMColumnas
(t 1) CM Res DCL
(t 1) CM Res DCL
100
Recuerde que si el valor de ER(%) es menor o igual que 100%, se concluye que el diseo
cuadrado latino no fue eficiente, en comparacin con el DCA.
d)
Calcule la Eficiencia Relativa (ER) del diseo cuadrado latino en comparacin con el DBA ,
que es dada por la ecuacin siguiente:
ER(%)
CM Filas
(t 2) CM Res DCL
(t 1) CM Res DCL
100
Recuerde que si el valor de ER(%) es > 100%, se concluye que el diseo cuadrado latino es
ms eficiente que el DBA.
e)
Describa el modelo estadstico matemtico, considerando la covariable.
f)
Realice el ANOVA, considerando el modelo descrito en el inciso anterior. Emita sus

conclusiones.
g)
En caso de ser necesario, realice una prueba de comparacin mltiple de medias.
h)
Realice ambos anlisis, usando SAS o Infostat.
6.
Planifique un experimento donde incluya el uso de covariables. Justifique el diseo

experimental utilizado, la covariable a medir, etc.
7.
Investigue cul es la importancia de la Covarianza en la experimentacin agronmica,

especficamente en el rea de mejoramiento gentico vegetal.
8.
Defina Covarianza Mltiple, cite ejemplos de aplicacin en la experimentacin agropecuaria.
202
CAPTULO 11
ANLISIS DE GRUPOS DE EXPERIMENTOS
11.1
INTRODUCCIN
En la experimentacin agronmica es comn que ocurra la instalacin de un grupo de

experimentos, todos ellos con la misma estructura, sin embargo instalados en localidades distintas, con
el objetivo de obtener conclusiones vlidas para toda una regin, admitindose siempre, que el efecto
de las localidades es aleatorio.
Para cada experimento o para cada localidad se pueden obtener conclusiones analizando los
datos individualmente y las conclusiones ms generales sern obtenidas del anlisis conjunto de todo
el grupo de experimentos.
El agrupamiento de los experimentos para un anlisis conjunto, segn Campos (1984), podr
obedecer a diferentes criterios, dentro de los cuales se tiene:
a)
b)
por sectores geogrficos, o

por ao agrcolas, etc.
Para que los experimentos puedan ser reunidos es necesario que existe homogeneidad de
varianzas, esto es, que los cuadrados medios del residuo no difieran mucho entre si. Para evaluar esa
homogeneidad se puede utilizar cualquiera de las pruebas para verificacin de la homogeneidad de
varianzas, por ejemplo, la prueba de F(mx), tambin conocida como Prueba de Hartley. Si la
homogeneidad de varianzas no fuera detectada, Nogueira (2000) indica que se debe proceder de la
siguiente manera:
a)
Separar en subgrupos los experimentos con cuadrados medios residuales semejantes, o no muy
discrepantes y analizarlos separadamente, o
b)
Realizar el anlisis de varianza conjunto, y en el momento de tomar la decisin de rechazar o

no la hiptesis nula, a travs de la prueba de F, aplicar el mtodo propuesto por Cochran en
1954, que consiste en ajustar los grados de libertad del residuo medio, representado por n, y los
grados de libertad de la interaccin Localidades Tratamientos, representado por n , obtenidos
de la siguiente manera:
CM Residuo(1)
. . . CM Residuo(K )
CM Residuo(1)
...
GL Residuo(1)
2
K
CM Residuo(K )
k 1
GL Residuo(K )
K
2
1
2
1
(t 1)(K 1) V
,
(K 2)V2 V
GL Residuo(k ) ,
, con GLResiduo(k) < n <
CM Residuo(k )
V1
k 1
CM Residuo(k )
,
V2
k 1
Siendo:
t es el nmero de tratamientos,
K es el nmero de localidades (o experimentos).
CMResiduo(k) es el cuadrado medio del residuo, referente a la k-sima localidad o experimento.
203
11.2
EJEMPLO ILUSTRATIVO
Los datos que se presentan a continuacin se refieren a la produccin de caa de azcar por
hectrea (TCH), obtenidos de tres experimentos sobre evaluacin de seis productos madurantes,
instalados en tres fincas del ingenio Palo Gordo, siguiendo un diseo en bloques al azar.
Finca Palo Gordo
Productos
Roundup
Roundup Max
Touchdown
Glifolaq
Fusilade
Select
Testigo
Totales
Bloques
I
96.97
96.97
102.00
96.97
96.97
96.97
103.03
689.88
II
93.94
96.97
93.94
93.94
90.91
90.00
100.00
659.70
III
90.91
90.91
93.94
93.94
93.94
93.94
100.00
657.58
IV
96.97
96.97
93.94
93.94
93.94
96.97
103.03
675.76
Yi.1
Media
378.79
381.82
383.82
378.79
375.76
377.88
406.06
2,682.91
94.70
95.45
95.95
94.70
93.94
94.47
101.52
95.82
Yi.2
Media
263.64
254.55
260.61
263.64
263.64
254.55
269.70
1,830.30
65.91
63.64
65.15
65.91
65.91
63.64
67.42
65.37
Yi.3
Media
284.85
293.94
281.82
287.88
287.88
290.91
306.06
2,033.33
71.21
73.48
70.45
71.97
71.97
72.73
76.52
72.62
Finca Los Patos

Productos
Roundup
Roundup Max
Touchdown
Glifolaq
Fusilade
Select
Testigo
Totales
Bloques
I
66.67
63.64
63.64
66.67
66.67
63.64
69.70
460.61
II
63.64
63.64
63.64
72.73
66.67
60.61
66.67
457.58
III
66.67
66.67
66.67
63.64
60.61
63.64
66.67
454.55
IV
66.67
60.61
66.67
60.61
69.70
66.67
66.67
457.58
Finca La Reforma
Productos
Roundup
Roundup Max
Touchdown
Glifolaq
Fusilade
Select
Testigo
Totales
Bloques
I
72.73
72.73
69.70
72.73
69.70
69.70
75.76
503.03
II
69.70
72.73
66.67
72.73
72.73
72.73
75.76
503.03
III
72.73
81.82
72.73
69.70
69.70
75.76
75.76
518.18
IV
69.70
66.67
72.73
72.73
75.76
72.73
78.79
509.09
204
11.2.1 Anlisis de varianza individual (por experimento o localidad)
El modelo adoptado fue el siguiente:
Yij =
Siendo:
Yij
=
i
j
ij
=
=
=
=
i = 1, 2, 3, . . . , t
j = 1, 2, 3, . . . , r
ij
toneladas de caa por hectrea referentes al i-simo producto madurante en el el jsimo bloque o repeticin.
media general (TCH) del experimento.
efecto del i-simo producto madurante
efecto del j-simo bloque o repeticin (considerado como de efecto aleatorio)
Las hiptesis evaluadas son las siguientes:

Ho:
Ha:
1. = . . . = t.
por lo menos una
i ,
para i
i,
a travs de la prueba de F y aplicando el anlisis de varianza, cuyos resultados obtenidos para cada
localidad o experimento, son los siguientes:
L1
FV
Bloques
Madurantes
Residuo
Total
GL
3
6
18
27
SC
98.1021
161.8751
70.6234
330.6006
L2
FV
Bloques
Madurantes
Residuo
Total
GL
3
6
18
27
SC
2.6236
44.6019
181.0311
228.2566
L3
FV
Bloques
Madurantes
Residuo
Total
GL
3
6
18
27
SC
21.973
93.795
186.934
302.702
Finca Palo Gordo

CM
26.9792
3.9235
Valor de F
F crtica
P-value
6.8763 **
2.66
0.00064025
Finca Los Patos

CM
Valor de F
F crtica
P-value
7.4336
10.0573
0.73913 NS
2.66
0.62512643
Finca La Reforma
CM
Valor de F
F crtica
P-value
15.6325
10.3852
1.50526 NS
2.66
0.23244321
205
Como se observa en los cuadros anteriores, solamente en la finca Palo Gordo se detectaron
diferencias significativas en el efecto de los productos utilizados como madurantes. Para poder reunir
este grupo de experimentos y realizar el anlisis de varianza conjunto es necesario verificar si ocurre la
homocedasticidad entre los experimentos, a travs de la aplicacin de una prueba de
homocedasticidad. Las hiptesis a evaluar son:
Ho :
2
1
2
2
Ha :
2
k
2
k
2
3
, para k k , a travs de la prueba de Hartley, cuyo resultado obtenido es,
F(mx)
CMResiduo(mx)
CMResiduo(mn)
10.3852
3.9235
2.65 ,
De la Tabla 5 del Apndice se tiene para (0.05;3,18) = 3.19, por lo que no se rechaza la hiptesis nula,
esto es, se puede considerar la existencia de homocedasticidad de varianzas, de tal manera, que es
posible reunir en un anlisis conjunto este grupo de experimentos.
11.2.2 Anlisis conjunto
El modelo adoptado fue el siguiente:
Yijk =
j/k
+ lk + ( l)ik +
ijk
i = 1, 2 , . . . , t (madurantes)
j = 1, 2, . . . , r (bloques)
k = 1, 2, . . . , K (localidades o experimentos)
Siendo:
Yijk
=
lk
=
=
=
=
toneladas de caa por hectrea referentes al i-simo producto madurante en el el jsimo bloque o repeticin de la k-sima localidad;
media general
efecto del i-simo producto madurante
efecto del j-simo bloque en la k-sima localidad,
efecto de la k-sima localidad,
( l)ik
efecto de la interaccin entre el i-simo producto madurante y la k-sima localidad,
error experimental asociado a la observacin Yijk.
i
j/k
ijk
Barbin (1993) cita que, el efecto de bloques dentro de localidades ( j/k) no representa
importancia prctica, por lo que puede ser eliminado del modelo. Sin embargo, si en algunos tipos de
experimentos ese efecto fuera importante, se puede admitir el modelo completo. Las hiptesis a ser
evaluadas son:
i)
Ho1:
Ha1:
ii)
Ho1:
lk = 0, para todo k, contra,
Ha1:
lk
Ho1:
( l)ik = 0, para todo i y k, contra,
Ha1:
( l)ik
iii)
= 0, para todo i, contra,

0, para algn i;
i
i
0, para algn k;
0, para algn i y k.
206
De esta manera se tienen las siguientes fuentes de variacin y el clculo de los grados de
libertad:
Fuentes de variacin
Bloques dentro de localidades
Localidades
Tratamientos
Localidades x Tratamientos
Residuo (error experimental)
Total
Grados de libertad
K (r 1)
(K 1)
(t 1)
(K 1) (t 1)
K (t 1) (r 1)
(t r K 1)
Para realizar el anlisis de varianza conjunto, primero se calcula el gran total as:
t
Y...
Yijk
96.97 93.94 ... 78.79 6546.73
i 1_ j 1 k 1
El factor de correccin (FC) = FC
Y...2
(trK)
(6546.73) 2
(7 4 3)
510234.211
La suma de cuadrados del total (SCtot) se obtiene de la siguiente manera:

t
Yijk 2 FC
SC tot
(96.97 2 93.94 2 ... 78.79 2 ) 510234.211 15026.4805
i 1_ j 1 k 1
Para el clculo de las otras sumas de cuadrados, debemos organizar un cuado auxiliar que relaciona los
productos aplicados y los experimentos, o sea:
Productos
Roundup
Roundup Max
Touchdown
Glifolaq
Fusilade
Select
Testigo
Y..k
1
378.79
381.82
383.82
378.79
375.76
377.88
406.06
2682.92
Localidades
2
263.65
254.56
260.62
263.65
263.65
254.56
269.71
1830.4
3
284.86
293.95
281.83
287.89
287.89
290.92
306.07
2033.41
Yi..
927.3
930.33
926.27
930.33
927.3
923.36
981.84
6546.73
De ese cuadro obtenemos:

t
Yi..2
SC trats
i 1
rK
FC
927.32 ... 981.84 2

(4 3)
FC
213.954862
207
t
Y..k 2
i 1
SClocalidades
FC
tr
2682.922 1830.42
(7 4)
2033.412
FC 14165.0792
Yi.k 2
378.792
263.652 ... 306.07 2

4
SCtrats,localidades
i 1
SCtrats
SCtrats,localidades SCtrats SClocalidades
localidades
FC
FC 14465.2939
14465.2939 213.954862 14165.0792 86.2599095

SCbloques(localidades)
SCbloques(localidad1) SCbloques(localidad 2) SC bloques(localidad3)
SC bloques(localidades)
98.1021 2.6236 21.973 122.6987
La suma de cuadrados del residuo del anlisis conjunto es la suma de los cuadrados de los residuos de
los anlisis individuales, esto es:
SCresiduo
SCresiduo1 SCresiduo2 SCresiduo3
SCresiduo
70.6234 181.0311 186.934 438.5885
El anlisis de varianza conjunto de los experimentos se presenta a continuacin:

FV
Bloques (Localidades)
Localidades
Tratamientos
Localidades Tratamientos
Residuo
Total
GL
9
2
6
12
54
83
SC
122.6987
14165.0792
213.95486
86.2599095
438.5885
330.6006
CM
Valor de F
13.633189
7082.5396 519.507186**
35.659143 4.39043372*
7.1883258 0.8850428
8.122009
F crtica
4.26
2.27
1.94
Conclusiones:
El mayor efecto significativo observado se refiere a las localidades. Los madurantes tambin presentan
diferencias significativas, pero no as la interaccin. Por tanto los factores pueden analizarse por
separado.
208
11.3
PROGRAMA EN SAS PARA UNA SERIE DE EXPERIMENTOS

TITLE "Serie de experimentos en bloques al azar";
DATA cana;
INPUT local$ mad$ rep tch;
CARDS;
PG
Rup
1
96.97
PG
Rmax 1
96.97
PG
Tdown 1
102

LR
Glif
4
72.73
LR
Fusil
4
75.76
LR
Sel
4
72.73
LR
Test
4
78.79
;
PROC PRINT; title "Datos para verificacin"; RUN;
/*Anlisis para cada localidad*/
PROC SORT; by local;
RUN;
PROC GLM; title "Anlisis individuales"; by local;
CLASS mad rep;
MODEL tch = rep mad/SS1;
MEANS mad/tukey;
RUN;
/*Anlisis de Varianza Conjunta*/
PROC GLM; title 'Anlise conjunta I';
CLASS local mad rep;
MODEL tch = local rep(local) mad mad*local/SS1;
TEST H=local E=rep(local);
MEANS mad/tukey;
MEANS local/tukey E=rep(local);
RUN;
PROC GLM; title 'Anlise conjunta II';
CLASS local mad rep;
MODEL tch = local rep(local) mad mad*local/SS1;
LSMEANS mad*local/slice=local;
RUN;
Un resumen de la salida que genera este programa se presenta a continuacin:

Anlisis individuales
---------------------------------------------- local=LP -------------------------------------The GLM Procedure
Class Level Information
Class
mad
rep
Levels
7
4
Values
Fusil Glif Rmax Rup Sel Tdown Test
1 2 3 4
Number of Observations Read
28
209
Number of Observations Used
28
The GLM Procedure

Dependent Variable: tch
Source
DF
Sum of
Squares
Model
Error
Corrected Total
9
18
27
47.2160571
180.9948857
228.2109429
R-Square
0.206897
Source
rep
mad
Coeff Var
4.850750
Mean Square
F Value
Pr > F
5.2462286
10.0552714
0.52
0.8401
Root MSE
3.171005
tch Mean
65.37143
DF
Type I SS
Mean Square
F Value
Pr > F
3
6
2.62311429
44.59294286
0.87437143
7.43215714
0.09
0.74
0.9663
0.6251
--------------------------------------------- local=LR --------------------------------------The GLM Procedure
Class
Levels
mad
rep
7
4
Values
1 2 3 4

28
28
The GLM Procedure

Source
DF
Sum of
Squares
Model
Error
Corrected Total
9
18
27
115.7449179
186.8968929
302.6418107
R-Square
0.382449
Source
Mean Square
F Value
Pr > F
12.8605464
10.3831607
1.24
0.3328
Mean Square
F Value
Pr > F
21.96858214
7.32286071
93.77633571
15.62938929
0.71
1.51
0.5612
0.2324
Coeff Var
4.437086
DF
rep
mad
3
6
Root MSE
3.222291
Type I SS
tch Mean
72.62179
--------------------------------------------- local=PG --------------------------------------The GLM Procedure

Class
mad
rep
Levels
7
4
Values
1 2 3 4

The GLM Procedure
28
28
210

Source
DF
Sum of
Squares
Model
Error
Corrected Total
9
18
27
259.9321786
70.6163643
330.5485429
R-Square
0.786366
Coeff Var
2.067125
Source
rep
mad
Mean Square
F Value
Pr > F
28.8813532
3.9231313
7.36
0.0002
Root MSE
1.980690
tch Mean
95.81857
DF
Type I SS
Mean Square
F Value
Pr > F
3
6
98.0866857
161.8454929
32.6955619
26.9742488
8.33
6.88
0.0011
0.0006
The GLM Procedure

Tukey's Studentized Range (HSD) Test for tch
NOTE: This test controls the Type I experimentwise error rate, but it generally has a higher
Type II
error rate than REGWQ.
Alpha
0.05
Error Degrees of Freedom
18
Error Mean Square
3.923131
Critical Value of Studentized Range 4.67313
Minimum Significant Difference
4.628
Means with the same letter are not significantly different.
Tukey Grouping
A
B
B
B
B
B
B
Mean
mad
101.515
95.955
95.455
94.698
94.698
94.470
93.940
4
4
4
4
4
4
4
Test
Tdown
Rmax
Glif
Rup
Sel
Fusil
Anlise conjunta I
The GLM Procedure
Class
local
mad
rep
Levels
Values
3
LP LR PG
7
4
1 2 3 4
84
84
Anlise conjunta I
The GLM Procedure

Source
DF
Sum of
Squares
Model
Error
Corrected Total
29
54
83
14587.97233
438.50814
15026.48047
R-Square
0.970818
Source
Coeff Var
3.656342
DF
Mean Square
F Value
Pr > F
503.03353
8.12052
61.95
<.0001
F Value
Pr > F
Root MSE
2.849653
Type I SS
tch Mean
77.93726
Mean Square
211
local
rep(local)
mad
local*mad
2
9
6
12
14165.07917
122.67838
213.95486
86.25991
7082.53959
13.63093
35.65914
7.18833
872.18
1.68
4.39
0.89
<.0001
0.1170
0.0011
0.5666
Tests of Hypotheses Using the Type I MS for rep(local) as an Error Term

Source
DF
Type I SS
Mean Square
F Value
Pr > F
local
14165.07917
7082.53959
519.59
<.0001

Type II
Alpha
0.05
54
Error Mean Square
8.120521
3.5624
Tukey Grouping
A
B
B
B
B
B
B
Mean
81.820
77.528
77.528
77.275
77.275
77.189
76.947
12
12
12
12
12
12
12
mad
Test
Glif
Rmax
Rup
Fusil
Tdown
Sel

Type II
Alpha
0.05
9
Error Mean Square
13.63093
2.755
Tukey Grouping
A
B
C
Mean
local
95.8186
28
PG
72.6218
28
LR
65.3714
28
LP
Anlise conjunta II
The GLM Procedure
Class
Levels
local
mad
rep
3
7
4
Values
LP LR PG
1 2 3 4

Anlise conjunta II
84
84
212
The GLM Procedure
Source
DF
Sum of
Squares
Model
Error
Corrected Total
29
54
83
14587.97233
438.50814
15026.48047
R-Square
0.970818
Coeff Var
3.656342
Mean Square
F Value
Pr > F
503.03353
8.12052
61.95
<.0001
Root MSE
2.849653
tch Mean
77.93726
Source
DF
Type I SS
Mean Square
F Value
Pr > F
local
rep(local)
mad
local*mad
2
9
6
12
14165.07917
122.67838
213.95486
86.25991
7082.53959
13.63093
35.65914
7.18833
872.18
1.68
4.39
0.89
<.0001
0.1170
0.0011
0.5666
Anlise conjunta II
The GLM Procedure
Least Squares Means
local
LP
LP
LP
LP
LP
LP
LP
LR
LR
LR
LR
LR
LR
LR
PG
PG
PG
PG
PG
PG
PG
mad
Fusil
Glif
Rmax
Rup
Sel
Tdown
Test
Fusil
Glif
Rmax
Rup
Sel
Tdown
Test
Fusil
Glif
Rmax
Rup
Sel
Tdown
Test
tch LSMEAN
65.912500
65.912500
63.640000
65.912500
63.640000
65.155000
67.427500
71.972500
71.972500
73.487500
71.215000
72.730000
70.457500
76.517500
93.940000
94.697500
95.455000
94.697500
94.470000
95.955000
101.515000
local*mad Effect Sliced by local for tch

local
LP
LR
PG
DF
Sum of
Squares
Mean Square
F Value
6
6
6
44.592943
93.776336
161.845493
7.432157
15.629389
26.974249
0.92
1.92
3.32
Pr > F
0.4912
0.0934
0.0074*
**********************************************************************************
Para mayor infomacin sobre uso del Infostat en experimentacin agronmica, puede consultar el
documento siguiente:
Morales, J.; Quem, JL; Melgar, M. 2009. Infostat. Manual de uso: Ejemplos de los principales
mtodos estadsticos utilizados en la industria caera. Santa Luca Cotz.: CENGICAA. 48 p.
Disponible en: http://www.cengicana.org/descargas/ManualInfoStat.pdf
213
11.4
1.
Los datos que se presentan a continuacin se refieren a las alturas (en metros, promedio de 25
plantas por parcela) de rboles de Eucaliptus grandis, con 7 aos de edad (en 1980) de tres
ensayos en bloques completos al azar, sobre 6 tratamientos (progenies), citado por Barbin
(2003)
Ensayo en Araraquara
Tratamientos
T1
T2
T3
T4
T5
T6
Totales
Bloques
I
20.3
21.7
22.0
20.8
21.5
19.6
125.9
II
19.6
19.3
24.9
23.0
22.3
17.7
126.8
III
23.5
16.7
24.4
21.3
22.1
18.7
126.7
IV
19.1
18.5
20.8
24.9
21.9
22.0
127.2
Total
82.5
76.2
92.1
90.0
87.8
78.0
506.6
Ensayo en Bento Quirino

Tratamientos
T1
T2
T3
T4
T5
T6
Totales
Bloques
I
10.2
16.1
17.7
13.5
20.5
12.0
90.0
II
11.7
10.8
13.1
14.4
12.5
13.0
75.5
III
9.1
10.9
14.2
11.2
11.3
12.3
69.0
IV
8.1
10.3
11.0
12.8
12.2
10.6
65.0
Total
39.1
48.1
56.0
51.9
56.5
47.9
299.5
Ensayo en Mogi-Gua
Tratamientos
T1
T2
T3
T4
T5
T6
Totales
Bloques
I
22.7
22.6
21.4
25.0
26.4
20.6
138.7
Fuente: Instituto Florestal Tupi, SP
II
21.4
21.4
21.7
23.6
26.4
23.5
138.0
III
22.9
20.7
22.5
23.3
28.0
19.4
136.8
IV
22.0
20.8
19.4
24.8
27.3
21.9
136.2
Total
89.0
85.5
85.0
96.7
108.1
85.4
549.7
214
T1 :
T2 :
T3 :
Pretoria (Procedente de Sudfrica)

637 (Progenie Rio Claro)
a)
b)
Realice los anlisis de varianza individuales (para cada localidad) y concluya.

Verifique la relacin entre el mayor y menos CMee y confirme si los ensayos pueden ser
reunidos en un nico anlisis conjunto, sin restricciones.
Realice el anlisis conjunto de los experimentos.
Efecte el desdoblamiento de los grados de libertad relativos a los tratamientos + Interaccin
Tratamiento x Localidad.
c)
d)
2.
1975
1976
1977
1978
1979
c)

9559 (Procedente de Australia)
9575 (Procedente de Australia)
Los datos de productividad de naranja, en kg/planta (promedio de 2 plantas), se refieren a un

ensayo en bloques completos al azar de distanciamientos de naranja Valencia sobre trifoliata
realizado en la Estacin Experimental de Limeira del Instituto Agronmico de Campinas
(IAC). Los distanciamientos (en m) utilizados fueron: 6 x 2, 6 x 3, 6 x 4, 6 x 5 y 6 x 6. Las
cosechas fueron realizadas de 1975 a 1979.
Aos
a)
b)
T4 :
T5 :
T6 :
Distanciamiento
6x2
6x3
6x4
6x5
6x6
6x2
6x3
6x4
6x5
6x6
6x2
6x3
6x4
6x5
6x6
6x2
6x3
6x4
6x5
6x6
6x2
6x3
6x4
6x5
6x6
Bloques
I
9.0
4.25
7.00
5.50
4.05
18.25
16.30
21.40
17.05
19.30
32.50
23.05
18.05
22.05
28.15
48.90
55.35
60.60
51.80
70.50
12.00
35.35
17.75
34.00
27.50
II
5.25
2.25
5.10
4.80
3.85
21.80
11.15
17.55
13.35
14.15
16.65
26.10
23.30
21.25
28.55
56.75
41.85
57.70
59.45
58.55
23.15
24.25
25.00
11.90
29.85
III
8.70
2.60
8.00
3.30
9.50
20.40
12.35
19.15
15.10
24.30
22.70
21.95
27.55
16.25
29.10
48.20
47.15
61.20
48.05
67.00
26.35
36.75
35.00
32.00
22.50
IV
3.50
7.35
3.85
6.45
3.75
20.25
24.10
18.35
18.90
13.25
8.75
25.60
26.80
15.30
18.50
68.40
54.35
53.05
58.45
49.35
19.15
19.75
21.75
8.50
22.75
Realice el anlisis conjunto de los experimentos.

Efecte el desdoblamiento de los grados de libertad relativos a los aos + Interaccin aos x
distanciamiento.
Haga el anlisis de regresin hasta 2 grado para aos dentro de cada distanciamiento.
Establezca las ecuaciones de regresin e obtenga los coeficientes de determinacin.
215
BIBLIOGRAFA
1.
Alcarde, R. Fundamentos do diagrama de Hasse e aplicaes experimentao. 2007.

Dissertao (Mestrado), Brasil. Universidad de Sao Paulo, Escola Superior de Agricultura Luiz
de Queiroz. 99 p.
2.
Alfaro Argueta, RA. 1999. Evaluacin inicial del efecto de tres intensidades de raleo y tres de
poda en el crecimiento de una plantacin de Pinus caribaea Morelet var. hondurensis, en
Livingston, Izabal Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de
Agronoma. 124 p.
3.
Alfaro Villatoro, MA. 1985. Evaluacin del rendimiento y composicin qumica del amaranto
(Amaranthus hypochondriacus L.) en tres diferentes pocas de corte. Tesis Ing. Agr. Guatemala,
Universidad de San Carlos, Facultad de Agronoma. 48 p.
4.
lvarez Cajas, VM. 1982. Determinacin del tamao ptimo de parcela experimental en caa
de azcar (Saccharum officinarum L.) bajo condiciones de la finca Bulbuxy. Tesis Ing. Agr.
Guatemala, Universidad de San Carlos, Facultad de Agronoma. 49 p.
5.
Anjos, A. Dos 2003. Planejamento de experimentos I. Curitiba: Universidade Federal do

Paran, Setor de Cincias Exatas, Departamento de Estatstica. 94 p.
6.
Ayala Marroqun, ME. 1992. Efecto de cuatro frecuencias de riego en el rendimiento y la

evapotranspiracin del maz (Zea mays L.), en la Unidad de Riego San Cristbal Acasaguastln,
El Progreso. Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 101
p.
7.
Banzatto, DA.; Kronka, S. 2011. Experimentao Agrcola. 3 Impresso, 4 Ed. Jabuticabal:

Funep. 237 p.
8.
Barbin, D. 2003. Planejamento e anlise de experimentos agronmicos. Arapongas: Midas.

208 p.
9.
Barrientos Garca, M. 1981. Evaluacin de cuatro mtodos para la determinacin de tamao y

forma ptimos de parcela para experimentos agrcolas. Tesis Ing. Agr. Guatemala, Universidad
de San Carlos, Facultad de Agronoma. 60 p.
10.
Batres, J.; De Len, WE; Salazar, R.; Saquimux, F. 2000. Efecto de la edad de los rboles
semilleros en el porcentaje de germinacin de semilla de pinabete (Abies guatemalensis Rehder)
en la comunidad de Chimente, Totonicapn, Guatemala. Ministerio de Agricultura, Ganadera y
Alimentacin, rea de Recursos Naturales Renovables, Subrea de Forestera, Regin VII. 35
p.
11.
Bentez, C.; Pece, M.; Galindez, M. 2010. Anlisis de la Varianza en experimentos factoriales.
Universidad Nacional de Santiago del Estero (Argentina), Facultad de Ciencias Forestales. Srie
Didtica No. 21. 47 p.
12.
Campbell, D. y Stanley, J. 1982.

Diseos experimentales y cuasiexperimentales en
investigacin social. Buenos Aires: Amorrortu Editores.
216
13.
Campos, H. de. 1984. Estatstica aplicada experimentao com cana-de-acar. Piracicaba:

FEALQ. 292 p.
14.
Castillo Fratti, AJ. 1996. Evaluacin del efecto de la incisin anular sobre la calidad y
rendimiento de la fruta de uva de mesa (Vitis vinifera L.) en dos localidades del nororiente del
pas. Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 61 p.
15.
Castao, E.; Domnguez, J. 2001. Diseo de experimentos para el Desarrollo Tecnolgico y

Mejora Industrial. Mxico, D.F.: Just in Time Press, S.A. de C.V. 313 p.
16.
CENGICAA. 2005.
Memoria.
2004 2005. Guatemala. 185 p.
17.
Chacin, FL. 1976. Tamao de parcela experimental y su forma. Revista Facultad de Agronoma
(Maracay), 60(3):55-74.
18.
Di Rienzo, JA. et al. 2009. Estadstica para las Ciencias Agropecuarias. 7 Ed. Crdoba: Brujas.
356 p.
19.
Estrada Muy, RA. 1993. Evaluacin del efecto de 16 distancias de siembra sobre el crecimiento
y rendimiento en el cultivo de chile chocolate (Capsicum sp) en el valle central de Guatemala.
Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 48 p.
20.
Garcia, AAF.; Barbin, D.; Piedade, S. Apostila Aulas Estatstica Experimental com SAS.
Publicao didtica. Departamento de Cincias Exatas, ESALQ/USP, Piracicaba, SP. Maro de
2002. 65 p.
21.
Gomes, FP. 2009. Curso de Estatstica Experimental. 15 Ed. Piracicaba: FEALQ. 451 p.
22.
Gonzlez Ramrez, BH. 1999. Evaluacin agroeconmica del sistema de cultivo intercalado
caa de azcar (Saccharum spp.) girasol (Helianthus agnus L.) Tesis Ing. Agr. Guatemala,
23.
Hernndez Dvila, AG. 1982. Determinacin del tamao ptimo de parcela para estudios
experimentales en dos variedades de papa (Solanum tuberosum L.) en el altiplano central de
Guatemala. Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 58
p.
24.
Herrera, J.; Barreras, A. 2001. Manual de procedimientos: Anlisis estadstico de experimentos

pecuarios (utilizando el programa SAS). 2. Ed. Montecillo: Colegio de Postgraduados. 117 p.
25.
Jayaraman, K. 2000. A Statistical Manual for Forestry Research. Bangkok: FORSPA-FAO

Publication. 240 p.
26.
Kempthorne, O. 1975. The Design and Analysis of Experiments. New York: Krieger. 631 p.
27.
Lpez Bautista, EA. 1999. Influencia de la lmina de riego en el efecto del madurante en caa
de azcar (Saccharum spp.) var. CP-722086 Tesis Ing. Agr. Guatemala, Universidad de San
Carlos, Facultad de Agronoma. 70 p.
Presentacin de resultados de investigacin.
Zafra
217
28.
Lpez Valenzuela, MA. 1999. Evaluacin de dos densidades de siembra y cuatro

concentraciones de etephon sobre la brotacin, poblacin y produccin de cinco variedades de
caa de azcar (Saccharum officinarum L.) en la Estacin Experimental Camantulul, Santa
Luca Cotzumalguapa, Escuintla. Tesis Ing. Agr. Guatemala, Universidad de San Carlos,
Facultad de Agronoma. 66 p.
29.
Macchiavelli, R. 2004 AGRO 6600 Curso avanzado de Biometra (en lnea). Mayagez, Puerto
Rico. Consultado 27 En. 2004. Disponible en:
http://cca.uprm.edu/agronomia/profesores/base/rmacchiavelli/extra/agro6600/conferencia3.pdf
30.
Martnez Garza, A. 1994. Experimentacin Agrcola. Mxico: Universidad Autnoma de

Chapingo. 342 p.
31.
Martnez Garza, A. 1988. Diseos Experimentales: Mtodos y Elementos de Teora. Mxico,

D.F.: Trillas. 756 p.
32.
Melo, O.; Lpez, L.; Melo, S. 2007. Diseos de Experimentos: Mtodos y Aplicaciones. Bogot,
D.C.: Universidad Nacional de Colombia. 544 p.
33.
Mendoza Leonardo, AO. 2001. Evaluacin del efecto de la pulpa del caf (Coffea arabica L.)
sobre el rendimiento y eficiencia biolgica de la cepa ECS-0110 de Pleurotas ostreatus
utilizando estopa de coco (Cocus nucifera L.) y estrbilos de pino (Pinus spp.) como sustratos.
Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 46 p.
34.
Montgomery, D. 2004. Diseo y anlisis de experimentos. 2a. Ed. Mxico D.F.: Limusa Wiley.
692 p.
35.
Navarro Estrada, JG. 2003. Efecto de cuatro lminas de riego sobre el rendimiento de pltano
(Musa paradisiaca var. Currar) bajo las condiciones de aldea Los Encuentros, Coatepeque,
Quetzaltenango. Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de
Agronoma. 64 p.
36.
Navarro Sosa, MR. 1996. Evaluacin de aceites y detergentes para el control de fidos
(Homptera: Aphididae) en el cultivo de brcoli en Chimaltenango. Tesis Ing. Agr. Guatemala,
37.
Neter, J.; Kutner, M.; Nachtsheim, C.; Wasserman, W. 1996. Applied statistical models. 4a. Ed.
New York: McGraw-Hill. 1048 pp
38.
Nogueira, MCS. 2007. Experimentao Agronmica I Conceitos, planejamento e anlise

estatstica. Piracicaba: MCS Nogueira. 479 p.
39.
Orellana Najarro, SE. 2006. Evaluacin de la selectividad de los herbicidas Acetoclor y Alaclor
en seis cultivos hortcolas en el municipio de Monjas, Jalapa. Tesis Ing. Agr. Guatemala,
40.
Ostle, B. 1973. Estadstica aplicada. Mxico D.F.: Limusa-Wiley. 629 p.
41.
Pea Hernndez, A. 1997. Evaluacin de 14 lneas de frijol Tepary (Phaseolus acutifolius Gray)
en tres localidades de El Progreso. Tesis Ing. Agr. Guatemala, Universidad de San Carlos,
Facultad de Agronoma. 123 p.
218
42.
Quaggio, JA.; Mascarenhas, HA. Bataglia, OC. Resposta da soja aplicao de doses
crescentes de calcrio en Latossolo roxo distrfico de cerrado. II. Efeito residual. Revista
Brasileira de Cincia do Solo. 6:113-8, 1982.
43.
Ramalho, MAP; Ferreira, DF, Oliveira, AC de. 2012 Experimentao em gentica e

melhoramento de plantas. 3 Ed. Lavras: Editora UFLA. 328 p.
44.
Resende, MDV. de 2007. Matemtica e estatstica na anlise de experimentos no melhoramento

gentico. Colombo: EMBRAPA Florestas. 362 p.
45.
Restrepo, L. Diagramas de estructura en el anlisis de varianza. Revista Colombiana de Ciencias

Pecuarias. 20: 200 208, 2007.
46.
Rivera Aguirre, FA. 2001. Evaluacin de N y P. en el rendimiento de cardamomo (Elettaria

cardamomun M.), en la serie de suelos Tamahu, aldea Choval, Cobn, Alta Verapaz. Tesis Ing.
Agr. Guatemala, Universidad de San Carlos, Facultad de Agronoma. 56 p.
47.
Salazar Rodrguez, JA. 1985. Determinacin de la cantidad mnima efectiva y residualidad del
trimedlure, para mejorar la eficiencia de deteccin de la mosca del mediterrneo (Ceratitis
capitata Wiedemann) Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de
Agronoma. 53 p.
48.
Santos, J.W. Dos .et al. 2008. Estatstica Experimental Aplicada. 2 Ed. Campina Grande:
EMBRAPA Algodo/ Universidade Federal de Campina Grande. 461 p.
49.
Sosa Leonardo, JE. 1999. Evaluacin de cuatro substancias diluyentes-dispersantes de polen

para producir semilla hbrida en cuatro cultivares de Marigold (Tagetes erecta L.) mediante
polinizacin artificial en condiciones de invernadero. Tesis Ing. Agr. Guatemala, Universidad
de San Carlos, Facultad de Agronoma. 60 p.
50.
Steel, RG; Torrie, JH. 1992. Bioestadstica: principios y procedimientos. Mxico: McGraw-Hill.
622 p.
51.
Storck, L.et al. 2011. Experimentao vegetal. 3 Ed. Santa Mara, RS: UFSM. 200 p.
52.
Stroup, W. et al. 2012. Analysis of Generalized Linear Mixed Models in the Agricultural and
Natural Resources Sciences. Madison, WI: American Society of Agronomy, Soil Science
Society of America and Crop Science Society of America. 283 p.
53.
Vargas, VC. 2012. Evaluacin de tres niveles, dos fuentes y dos fomas de aplicacin del
micronutriente hierro (Fe) en el cultivo de mango (Mangifera indica cv Tommy Atkins) en la
finca El Tintero, El Jcaro, departamento de El Progreso. Investigacion EPS. FAUSAC. 48 p.
54.
Teos Morales, EA. 1980. Determinacin del nivel de tolerancia de la planta de maz (Zea mays
L.) al dao causado por el gusano cogollero (larva de Spodoptera frugiperda J. E. Smith) en el
parcelamiento La Mquina. Tesis Ing. Agr. Guatemala, Universidad de San Carlos, Facultad de
Agronoma. 55 p.
55.
Veras Castillo, EE. 1992. Evaluacin de dos atrayentes sexuales y tres mezclas de stos en
captura de mosca de la fruta del mediterrneo (Ceratitis capitata Wied) Tesis Ing. Agr.
Guatemala, Universidad de San Carlos, Facultad de Agronoma. 72 p.
219
APNDICE
TABLAS ESTADSTICAS
220
Tabla 1
Grados de
libertad del
denominador
Puntos porcentuales de la distribucin F,
= 0.05
Grados de libertad del numerador

1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
161.4 199.5 215.7 224.6 230.2 233.9 236.8 238.9 240.54 241.9 242.9 243.9 244.7 245.4 245.9 246.5 246.9 247.3 247.7 248.0 248.3 248.6 248.8 249.0 249.3
18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37
19.38
19.40 19.40 19.41 19.42 19.42 19.43 19.43 19.44 19.44 19.44 19.45 19.45 19.45 19.45 19.45 19.46
10.13
9.55
9.28
9.12
9.01
8.94
8.89
8.85
8.81
8.79
8.76
8.74
8.73
8.71
8.70
8.69
8.68
8.67
8.67
8.66
8.65
8.65
8.64
8.64
8.63
7.71
6.94
6.59
6.39
6.26
6.16
6.09
6.04
6.00
5.96
5.94
5.91
5.89
5.87
5.86
5.84
5.83
5.82
5.81
5.80
5.79
5.79
5.78
5.77
5.77
6.61
5.79
5.41
5.19
5.05
4.95
4.88
4.82
4.77
4.74
4.70
4.68
4.66
4.64
4.62
4.60
4.59
4.58
4.57
4.56
4.55
4.54
4.53
4.53
4.52
5.99
5.14
4.76
4.53
4.39
4.28
4.21
4.15
4.10
4.06
4.03
4.00
3.98
3.96
3.94
3.92
3.91
3.90
3.88
3.87
3.86
3.86
3.85
3.84
3.83
5.59
4.74
4.35
4.12
3.97
3.87
3.79
3.73
3.68
3.64
3.60
3.57
3.55
3.53
3.51
3.49
3.48
3.47
3.46
3.44
3.43
3.43
3.42
3.41
3.40
5.32
4.46
4.07
3.84
3.69
3.58
3.50
3.44
3.39
3.35
3.31
3.28
3.26
3.24
3.22
3.20
3.19
3.17
3.16
3.15
3.14
3.13
3.12
3.12
3.11
5.12
4.26
3.86
3.63
3.48
3.37
3.29
3.23
3.18
3.14
3.10
3.07
3.05
3.03
3.01
2.99
2.97
2.96
2.95
2.94
2.93
2.92
2.91
2.90
2.89
10
4.96
4.10
3.71
3.48
3.33
3.22
3.14
3.07
3.02
2.98
2.94
2.91
2.89
2.86
2.85
2.83
2.81
2.80
2.79
2.77
2.76
2.75
2.75
2.74
2.73
11
4.84
3.98
3.59
3.36
3.20
3.09
3.01
2.95
2.90
2.85
2.82
2.79
2.76
2.74
2.72
2.70
2.69
2.67
2.66
2.65
2.64
2.63
2.62
2.61
2.60
12
4.75
3.89
3.49
3.26
3.11
3.00
2.91
2.85
2.80
2.75
2.72
2.69
2.66
2.64
2.62
2.60
2.58
2.57
2.56
2.54
2.53
2.52
2.51
2.51
2.50
13
4.67
3.81
3.41
3.18
3.03
2.92
2.83
2.77
2.71
2.67
2.63
2.60
2.58
2.55
2.53
2.51
2.50
2.48
2.47
2.46
2.45
2.44
2.43
2.42
2.41
14
4.60
3.74
3.34
3.11
2.96
2.85
2.76
2.70
2.65
2.60
2.57
2.53
2.51
2.48
2.46
2.44
2.43
2.41
2.40
2.39
2.38
2.37
2.36
2.35
2.34
15
4.54
3.68
3.29
3.06
2.90
2.79
2.71
2.64
2.59
2.54
2.51
2.48
2.45
2.42
2.40
2.38
2.37
2.35
2.34
2.33
2.32
2.31
2.30
2.29
2.28
16
4.49
3.63
3.24
3.01
2.85
2.74
2.66
2.59
2.54
2.49
2.46
2.42
2.40
2.37
2.35
2.33
2.32
2.30
2.29
2.28
2.26
2.25
2.24
2.24
2.23
17
4.45
3.59
3.20
2.96
2.81
2.70
2.61
2.55
2.49
2.45
2.41
2.38
2.35
2.33
2.31
2.29
2.27
2.26
2.24
2.23
2.22
2.21
2.20
2.19
2.18
18
4.41
3.55
3.16
2.93
2.77
2.66
2.58
2.51
2.46
2.41
2.37
2.34
2.31
2.29
2.27
2.25
2.23
2.22
2.20
2.19
2.18
2.17
2.16
2.15
2.14
19
4.38
3.52
3.13
2.90
2.74
2.63
2.54
2.48
2.42
2.38
2.34
2.31
2.28
2.26
2.23
2.21
2.20
2.18
2.17
2.16
2.14
2.13
2.12
2.11
2.11
20
4.35
3.49
3.10
2.87
2.71
2.60
2.51
2.45
2.39
2.35
2.31
2.28
2.25
2.22
2.20
2.18
2.17
2.15
2.14
2.12
2.11
2.10
2.09
2.08
2.07
21
4.32
3.47
3.07
2.84
2.68
2.57
2.49
2.42
2.37
2.32
2.28
2.25
2.22
2.20
2.18
2.16
2.14
2.12
2.11
2.10
2.08
2.07
2.06
2.05
2.05
23
4.28
3.42
3.03
2.80
2.64
2.53
2.44
2.37
2.32
2.27
2.24
2.20
2.18
2.15
2.13
2.11
2.09
2.08
2.06
2.05
2.04
2.02
2.01
2.01
2.00
24
4.26
3.40
3.01
2.78
2.62
2.51
2.42
2.36
2.30
2.25
2.22
2.18
2.15
2.13
2.11
2.09
2.07
2.05
2.04
2.03
2.01
2.00
1.99
1.98
1.97
25
4.24
3.39
2.99
2.76
2.60
2.49
2.40
2.34
2.28
2.24
2.20
2.16
2.14
2.11
2.09
2.07
2.05
2.04
2.02
2.01
2.00
1.98
1.97
1.96
1.96
221
Tabla 2
Glee
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
30
40
50
60
120
2
17.97
6.08
4.50
3.93
3.64
3.46
3.34
3.26
3.20
3.15
3.11
3.08
3.06
3.03
3.01
3.00
2.98
2.97
2.96
2.95
2.92
2.89
2.86
2.83
2.80
2.77
3
26.98
8.33
5.91
5.04
4.60
4.34
4.16
4.04
3.95
3.88
3.82
3.77
3.73
3.70
3.67
3.65
3.63
3.61
3.59
3.58
3.53
3.49
3.44
3.40
3.36
3.31
4
32.82
9.80
6.82
5.76
5.22
4.90
4.68
4.53
4.41
4.33
4.26
4.20
4.15
4.11
4.08
4.05
4.02
4.00
3.98
3.96
3.90
3.85
3.79
3.74
3.68
3.63
Valores de la amplitud total estudentizada, q 0.05, para uso en la prueba de Tukey
Nmero de tratamientos
5
6
7
8
9
10
11
12
13
14
15
16
37.08 40.41 43.12 45.40 47.36 49.07 50.59 51.96 53.20 54.33 55.36 56.32
10.88 11.74 12.44 13.03 13.54 13.99 14.39 14.75 18.08 15.38 15.65 15.91
7.50 8.04 8.48 8.85 9.18 9.46 9.72 9.95 10.15 10.35 10.53 10.69
6.29 6.71 7.05 7.35 7.60 7.83 8.03 8.21
8.37 8.52 8.66 8.79
5.67 6.03 6.33 6.58 6.80 6.99 7.17 7.32
7.47 7.60 7.72 7.83
5.30 5.63 5.90 6.12 6.32 6.49 6.65 6.79
6.92 7.03 7.14 7.24
5.06 5.36 5.61 5.82 6.00 6.16 6.30 6.43
6.55 6.66 6.76 6.85
4.89 5.17 5.40 5.60 5.77 5.92 6.05 6.18
6.29 6.39 6.48 6.57
4.76 5.02 5.24 5.43 5.59 5.74 5.87 5.98
6.09 6.19 6.28 6.36
4.65 4.91 5.12 5.30 5.46 5.60 5.72 5.83
5.93 6.03 6.11 6.19
4.57 4.82 5.03 5.20 5.35 5.49 5.61 5.71
5.81 5.90 5.98 6.06
4.51 4.75 4.95 5.12 5.27 5.39 5.51 5.61
5.71 5.80 5.88 5.95
4.45 4.69 4.88 5.05 5.19 5.32 5.43 5.53
5.63 5.71 5.79 5.86
4.41 4.64 4.83 4.99 5.13 5.25 5.36 5.46
5.55 5.64 5.71 5.79
4.37 4.59 4.78 4.94 5.08 5.20 5.31 5.40
5.49 5.57 5.65 5.72
4.33 4.56 4.74 4.90 5.03 5.15 5.26 5.35
5.44 5.52 5.59 5.66
4.30 4.52 4.70 4.86 4.99 5.11 5.21 5.31
5.39 5.47 5.54 5.61
4.28 4.49 4.67 4.82 4.96 5.07 5.17 5.27
5.35 5.43 5.50 5.57
4.25 4.47 4.65 4.79 4.92 5.04 5.14 5.23
5.31 5.39 5.46 5.53
4.23 4.45 4.62 4.77 4.90 5.01 5.11 5.20
5.28 5.36 5.43 5.49
4.17 4.37 4.54 4.68 4.72 4.92 5.01 5.10
5.18 5.25 5.32 5.38
4.10 4.30 4.46 4.60 4.64 4.82 4.92 5.00
5.08 5.15 5.21 5.27
4.04 4.23 4.39 4.52 4.59 4.73 4.82 4.90
4.98 5.04 5.11 5.16
3.98 4.16 4.31 4.44 4.55 4.65 4.73 4.81
4.88 4.94 5.00 5.06
3.92 4.10 4.24 4.36 4.47 4.56 4.64 4.71
4.78 4.94 4.90 4.95
3.86 4.03 4.17 4.29 4.39 4.47 4.55 4.62
4.68 4.74 4.80 4.85
glee = grados de libertad del error experimental.
17
57.22
16.14
10.84
8.91
7.93
7.34
6.94
6.65
6.44
6.27
6.13
6.02
5.93
5.85
5.78
5.73
5.67
5.63
5.59
5.55
5.44
5.33
5.22
5.11
5.00
4.89
18
58.04
16.37
10.98
9.03
8.03
7.34
7.02
6.73
6.51
6.34
6.20
6.09
5.99
5.91
5.85
5.79
5.73
5.69
5.65
5.61
5.49
5.38
5.27
5.15
5.04
4.93
19
58.83
16.57
11.11
9.13
8.12
7.51
7.10
6.80
6.58
6.40
6.27
6.15
6.05
5.97
5.90
5.84
5.79
5.74
5.70
5.66
5.55
5.43
5.31
5.20
5.09
4.97
20
59.56
16.77
11.24
9.23
8.21
7.59
7.17
6.87
6.64
6.47
6.33
6.21
6.11
6.03
5.96
5.90
5.84
5.79
5.75
5.71
5.59
5.47
5.36
5.24
5.13
5.01
222
Tabla 3
glee
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
30
40
60
100
2
18.00
6.09
4.50
3.93
3.64
3.46
3.35
3.26
3.20
3.15
3.11
3.08
3.06
3.03
3.01
3.00
2.98
2.97
2.96
2.95
2.89
2.86
2.83
2.80
2.77
Valores de la amplitud total estudentizada, d 0.05, para uso en la prueba de

Duncan
3
18.00
6.09
4.50
4.01
3.74
3.58
3.47
3.39
3.34
3.30
3.27
3.23
3.21
3.18
3.16
3.15
3.13
3.12
3.11
3.10
3.04
3.01
2.98
2.95
2.92
4
18.00
6.09
4.50
4.02
3.79
3.64
3.54
3.47
3.41
3.37
3.35
3.33
3.30
3.27
3.25
3.23
3.22
3.21
3.19
3.18
3.12
3.10
3.08
3.05
3.02
Nmero de tratamientos
5
6
7
8
9
10
20
18.00 18.00 18.00 18.00 18.00 18.00 18.00
6.09 6.09 6.09 6.09 6.09 6.09 6.09
4.50 4.50 4.50 4.50 4.50 4.50 4.50
4.02 4.02 4.02 4.02 4.02 4.02 4.02
3.83 3.83 3.83 3.83 3.83 3.83 3.83
3.68 3.68 3.68 3.68 3.68 3.68 3.68
3.58 3.60 3.61 3.61 3.61 3.61 3.61
3.52 3.55 3.56 3.56 3.56 3.56 3.56
3.47 3.50 3.52 3.52 3.52 3.52 3.52
3.43 3.46 3.47 3.47 3.47 3.47 3.48
3.39 3.43 3.44 3.45 3.46 3.46 3.48
3.36 3.40 3.42 3.44 3.44 3.46 3.48
3.35 3.38 3.41 3.42 3.44 3.45 3.47
3.33 3.37 3.39 3.41 3.42 3.44 3.47
3.31 3.36 3.38 3.40 3.42 3.43 3.47
3.30 3.34 3.37 3.39 3.41 3.43 3.47
3.28 3.33 3.36 3.38 3.40 3.42 3.47
3.27 3.32 3.35 3.37 3.39 3.41 3.47
3.26 3.31 3.35 3.37 3.39 3.41 3.47
3.25 3.30 3.34 3.36 3.38 3.40 3.47
3.20 3.25 3.29 3.32 3.35 3.37 3.47
3.17 3.22 3.27 3.30 3.33 3.35 3.47
3.14 3.20 3.24 3.28 3.31 3.33 3.47
3.12 3.18 3.22 3.26 3.29 3.32 3.47
3.09 3.15 3.19 3.23 3.26 3.29 3.47
50
18.00
6.09
4.50
4.02
3.83
3.68
3.61
3.56
3.52
3.48
3.48
3.47
3.47
3.47
3.47
3.47
3.47
3.47
3.47
3.47
3.47
3.47
3.48
3.53
3.67
223
Tabla 4
glee
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120
Valores crticos para la prueba de Dunnett de comparacin de

tratamientos con un control, d0.05, comparaciones bilaterales
1
2.57
2.45
2.36
2.31
2.26
2.23
2.20
2.18
2.16
2.14
2.13
2.12
2.11
2.10
2.09
2.09
2.06
2.04
2.02
2.00
1.98
1.96
Nmero de medias de tratamientos (excluyendo el control)

2
3
4
5
6
7
8
9
3.03
3.29
3.48 3.62 3.73 3.82 3.90 3.97
2.86
3.10
3.26 3.39 3.49 3.57 3.64 3.71
2.75
2.97
3.12 3.24 3.33 3.41 3.47 3.53
2.67
2.88
3.02 3.13 3.22 3.29 3.35 3.41
2.61
2.81
2.95 3.05 3.14 3.20 3.26 3.32
2.57
2.76
2.89 2.99 3.07 3.14 3.19 3.24
2.53
2.72
2.84 2.94 3.02 3.08 3.14 3.19
2.50
2.68
2.81 2.90 2.98 3.04 3.09 3.14
2.48
2.65
2.78 2.87 2.94 3.00 3.06 3.10
2.46
2.63
2.75 2.84 2.91 2.97 3.02 3.07
2.44
2.61
2.73 2.82 2.89 2.95 3.00 3.04
2.42
2.59
2.71 2.80 2.87 2.92 2.97 3.02
2.41
2.58
2.69 2.78 2.85 2.90 2.95 3.00
2.40
2.56
2.68 2.76 2.83 2.89 2.94 2.98
2.39
2.55
2.66 2.75 2.81 2.87 2.92 2.96
2.38
2.54
2.65 2.73 2.80 2.86 2.90 2.95
2.35
2.51
2.61 2.70 2.76 2.81 2.86 2.90
2.32
2.47
2.58 2.66 2.72 2.77 2.82 2.86
2.29
2.44
2.54 2.62 2.68 2.73 2.77 2.81
2.27
2.41
2.51 2.58 2.64 2.69 2.73 2.77
2.24
2.38
2.47 2.54 2.60 2.65 2.69 2.73
2.21
2.35
2.44 2.51 2.57 2.61 2.65 2.69
224
Tabla 5. Valores crticos de la prueba de F mxima de Hartley para homogeneidad de varianzas

Esta tabla brinda los valores crticos de la prueba del cociente de F mximo de Hartley para
homogeneidad de varianzas cuando se tienen muestras de igual tamao en cada grupo. Los valores
crticos son dados para = 0.05, 0.01 (en negrito); el nmero de grupos p vara de 2 a 12; y v
representa el nmero de grados de libertad para la varianza estimada.
Nmero de grupos ( p )
V
10
11
12
0.05
39.0
87.5
142
202
266
333
403
475
550
626
704
0.01
0.05
199
15.4
448
27.8
729
39.2
1036
50.7
1362
62.0
1705
72.9
2063
83.5
2432
93.9
2813
104
3204
114
3605
124
0.01
0.05
47.5
9.60
85
15.5
120
20.6
151
25.2
184
29.5
216
33.6
249
37.5
281
41.1
310
44.6
337
48.0
361
51.4
0.01
0.05
23.2
7.15
37
10.8
49
13.7
59
16.3
69
18.7
79
20.8
89
22.9
97
24.7
106
26.5
113
28.2
120
29.9
0.01
0.05
14.9
5.82
22
8.38
28
10.4
33
12.1
38
13.7
42
15.0
46
16.3
50
17.5
54
18.6
57
19.7
60
20.7
0.01
0.05
11.1
4.99
15.5
6.94
19.1
8.44
22
9.70
25
10.8
27
11.8
30
12.7
32
13.5
34
14.3
36
15.1
37
15.8
0.01
0.05
8.89
4.43
12.1
6.00
14.5
7.18
16.5
8.12
18.4
9.03
20
9.78
22
10.5
23
11.1
24
11.7
26
12.2
27
12.7
0.01
0.05
7.50
4.03
9.90
5.34
11.7
6.31
13.2
7.11
14.5
7.80
15.8
8.41
16.9
8.95
17.9
9.45
18.9
9.91
19.8
10.3
21
10.7
0.01
10 0.05
6.54
3.72
8.5
4.85
9.9
5.67
11.1
6.34
12.1
6.92
13.1
7.42
13.9
7.87
14.7
8.28
15.3
8.66
16.0
9.01
16.6
9.34
0.01
12 0.05
5.85
3.28
7.4
4.16
8.6
4.79
9.6
5.30
10.4
5.72
11.1
6.09
11.8
6.42
12.4
6.72
12.9
7.00
13.4
7.25
13.9
7.48
0.01
15 0.05
4.91
2.86
6.1
3.54
6.9
4.01
7.6
4.37
8.2
4.68
8.7
4.95
9.1
5.19
9.5
5.40
9.9
5.59
10.2
5.77
10.6
5.93
0.01
20 0.05
4.07
2.46
4.9
2.95
5.5
3.29
6.0
3.54
6.4
3.76
6.7
3.94
7.1
4.10
7.3
4.24
7.5
4.37
7.8
4.49
8.0
4.59
0.01
30 0.05
3.32
2.07
3.8
2.40
4.3
2.61
4.6
2.78
4.9
2.91
5.1
3.02
5.3
3.12
5.5
3.21
5.6
3.29
5.8
3.36
5.9
3.39
0.01
60 0.05
2.63
1.67
3.0
1.85
3.3
1.96
3.4
2.04
3.6
2.11
3.7
2.17
3.8
2.22
3.9
2.26
4.0
2.30
4.1
2.33
4.2
2.36
0.01
0.05
1.96
1.00
2.2
1.00
2.3
1.00
2.4
1.00
2.4
1.00
2.5
1.00
2.5
1.00
2.6
1.00
2.6
1.00
2.7
1.00
2.7
1.00
0.01
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
225
Tabla 6
rea correspondiente al extremo derecho de una distribucin J-cuadrada.
Gl
0.995
0.99
0.975
0.95
0.90
0.10
0.05
0.025
0.01
0.005
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0.00004
0.01003
0.07172
0.20699
0.41174
0.67573
0.98926
1.34441
1.73493
2.15586
2.60322
3.07382
3.56503
4.07467
4.60092
5.14221
5.69722
6.26480
6.84397
7.43384
8.03365
8.64272
9.26042
9.88623
10.51965
11.16024
11.80759
12.46134
13.12115
13.78672
20.70654
27.99075
35.53449
43.27518
51.17193
59.19630
67.32756
0.00016
0.02010
0.11483
0.29711
0.55430
0.87209
1.23904
1.64650
2.08790
2.55821
3.05348
3.57057
4.10692
4.66043
5.22935
5.81221
6.40776
7.01491
7.63273
8.26040
8.89720
9.54249
10.19572
10.85636
11.52398
12.19815
12.87850
13.56471
14.25645
14.95346
22.16426
29.70668
37.48485
45.44172
53.54008
61.75408
70.06490
0.00098
0.05064
0.21580
0.48442
0.83121
1.23734
1.68987
2.17973
2.70039
3.24697
3.81575
4.40379
5.00875
5.62873
6.26214
6.90766
7.56419
8.23075
8.90652
9.59078
10.28290
10.98232
11.68855
12.40115
13.11972
13.84391
14.57338
15.30786
16.04707
16.79077
24.43304
32.35736
40.48175
48.75757
57.15317
65.64662
74.22193
0.00393
0.10259
0.35185
0.71072
1.14548
1.63538
2.16735
2.73264
3.32511
3.94030
4.57481
5.22603
5.89186
6.57063
7.26094
7.96165
8.67176
9.39046
10.11701
10.85081
11.59131
12.33801
13.09051
13.84843
14.61141
15.37916
16.15140
16.92788
17.70837
18.49266
26.50930
34.76425
43.18796
51.73928
60.39148
69.12603
77.92947
0.01579
0.21072
0.58437
1.06362
1.61031
2.20413
2.83311
3.48954
4.16816
4.86518
5.57778
6.30380
7.04150
7.78953
8.54676
9.31224
10.08519
10.86494
11.65091
12.44261
13.23960
14.04149
14.84796
15.65868
16.47341
17.29189
18.11390
18.93924
19.76774
20.59923
29.05052
37.68865
46.45889
55.32894
64.27785
73.29109
82.35814
2.70554
4.60517
6.25139
7.77944
9.23636
10.64464
12.01704
13.36157
14.68366
15.98718
17.27501
18.54935
19.81193
21.06414
22.30713
23.54183
24.76904
25.98942
27.20357
28.41198
29.61509
30.81328
32.00690
33.19624
34.38159
35.56317
36.74122
37.91592
39.08747
40.25602
51.80506
63.16712
74.39701
85.52704
96.57820
107.56501
118.49800
3.84146
5.99146
7.81473
9.48773
11.07050
12.59159
14.06714
15.50731
16.91898
18.30704
19.67514
21.02607
22.36203
23.68479
24.99579
26.29623
27.58711
28.86930
30.14353
31.41043
32.67057
33.92444
35.17246
36.41503
37.65248
38.88514
40.11327
41.33714
42.55697
43.77297
55.75848
67.50481
79.08194
90.53123
101.87947
113.14527
124.34211
5.02389
7.37776
9.34840
11.14329
12.83250
14.44938
16.01276
17.53455
19.02277
20.48318
21.92005
23.33666
24.73560
26.11895
27.48839
28.84535
30.19101
31.52638
32.85233
34.16961
35.47888
36.78071
38.07563
39.36408
40.64647
41.92317
43.19451
44.46079
45.72229
46.97924
59.34171
71.42020
83.29768
95.02318
106.62857
118.13589
129.56120
6.63490
9.21034
11.34487
13.27670
15.08627
16.81189
18.47531
20.09024
21.66599
23.20925
24.72497
26.21697
27.68825
29.14124
30.57791
31.99993
33.40866
34.80531
36.19087
37.56623
38.93217
40.28936
41.63840
42.97982
44.31410
45.64168
46.96294
48.27824
49.58788
50.89218
63.69074
76.15389
88.37942
100.42518
112.32879
124.11632
135.80672
7.87944
10.59663
12.83816
14.86026
16.74960
18.54758
20.27774
21.95495
23.58935
25.18818
26.75685
28.29952
29.81947
31.31935
32.80132
34.26719
35.71847
37.15645
38.58226
39.99685
41.40106
42.79565
44.18128
45.55851
46.92789
48.28988
49.64492
50.99338
52.33562
53.67196
66.76596
79.48998
91.95170
104.21490
116.32106
128.29894
140.16949

Diseño y Análisis de Experimentos 2a Ed. Ampliada

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Diseño y Análisis de Experimentos 2a Ed. Ampliada

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

Ezequiel Abraham Lpez Bautista

GUATEMALA, ENERO DE 2013

Ezequiel Lpez es actualmente Profesor Titular III en las Subreas de Mtodos de

Byron Gonzlez es actualmente Profesor Titular VI y Director del Centro de

Los profesores de Estadstica de la Facultad de Agronoma (FAUSAC): M.Sc. Marino

Guatemala, diciembre de 2012

ASPECTOS GENERALES DEL DISEO Y ANLISIS DE EXPERIMENTOS

DISEO EN BLOQUES COMPLETOS AL AZAR

ANLISIS DE GRUPOS DE EXPERIMENTOS

Enunciado del problema con formulacin de hiptesis (no en trminos estadsticos)

Seleccin de los factores y sus respectivos niveles

En una investigacin experimental, generalmente su objetivo es observar de que manera una o

Seleccin de la unidad experimental

En una gran cantidad de situaciones prcticas, la unidad experimental es determinada por la

Se han realizado experimentos con la especie que va a investigar?

Si no se han realizado, se debe preguntar al investigador sobre la homogeneidad del material

Si es homogneo: las parcelas pueden ser pequeas.

Si es heterogneo: las parcelas deben ser grandes, pero, de acuerdo con la

e2 = Varianza estimada entre unidades experimentales (dada por el error experimental)

e2 : Se debe aumentar el tamao de la unidad experimental.

e2 : Se puede mantener o aumentar el tamao de la unidad experimental.

Cuadrado medio del error experimental ( s e2 ):

Con esta informacin, encuentre el valor de

y discuta los resultados.

puede ser estimada a travs de s d2 , se tiene que: se2

1.2 (Varianza real entre unidades experimentales)

Extensin superficial del terreno disponible

Seleccin de las variables a ser medidas en las unidades experimentales.

Seleccin del diseo experimental.

Anlisis estadstico de los datos experimentales

PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL

La repeticin se refiere al nmero de veces que el tratamiento aparece en el experimento, y es

amplitud total estudentizada para el experimento a ser realizado (valor tabulado)

diferencia mnima que deber ser estadsticamente probada por el experimento.

4.332 7.442 1.81

Si se contina con el procedimiento iterativo, se generar la tabla y grfica siguientes:

No. repeticiones definitivo

No. repeticiones inicial

4.992 (15) 2 1.86

Si se contina con el procedimiento iterativo, se generar la tabla y grfica siguientes:

10 repeticiones sera el nmero ptimo.

Se refiere a restringir la aleatorizacin de los tratamientos a grupos de unidades experimentales

Es un trmino propio de la experimentacin y no es sinnimo de equivocacin o descuido sino

Variabilidad inherente al material experimental sobre el cual se aplican los tratamientos. En

Variabilidad resultante de cualquier falta de uniformidad en la ejecucin del experimento, es

Incrementando el nmero de repeticiones, aunque el grado de mejoramiento decrece

Seleccionando material experimental tan homogneo como sea posible o estratificacin

Ejecutando cuidadosamente el experimento, de manera que se logre uniformidad en la tcnica

Seleccionando el tamao y forma de la unidad experimental. Generalmente a mayor tamao se

Usando informaciones proporcionadas por variables aleatorias relacionadas (llamadas

Utilizando mtodos de anlisis adecuados al diseo y a la naturaleza de los datos.

CARACTERSTICAS DEL DISEO EXPERIMENTAL

Un buen diseo experimental es aquel que proporciona la informacin requerida con el

Simplicidad: la seleccin de los tratamientos y su disposicin en el experimento debe ser lo

Ausencia de errores sistemticos: las unidades experimentales que reciben el mismo

Grado de incertidumbre: un buen experimento deber permitir calcular la probabilidad de que

ALGUNAS RECOMENDACIONES EN LA APLICACIN DE LOS MTODOS

Montgomery (2004) cita que el uso inteligente de las tcnicas estadsticas en la

Reconocer la diferencia entre la significacin prctica y la estadstica. No hay seguridad de que

Usualmente los experimentos son iterativos. Generalmente, al inicio de un experimento no se

Un experimento es vlido si llega a comprobar lo que en realidad siempre ha sido cierto. En

Los resultados obtenidos se deben solamente a la variable independiente, y

Amenazas a la Validez Interna

OPTIONS nodate nonumber; /para que en la salida no aparezca fecha ni paginacin/