Академический Документы
Профессиональный Документы
Культура Документы
Johanna Mantilla L.
I Programa de Maestría en Suelos y
Nutrición Vegetal
01/01/2015
Manual de Diseño Experimental
Infostat
Manual de Diseño
Experimental – Infostat
Aplicado a experimentos en suelos y nutrición de
plantas
Johanna Mantilla L.
01/01/2015
QUITO - ECUADOR
Contenido
INTRODUCCIÓN ________________________________________________________________ 4
1. DISEÑO EXPERIMENTAL _______________________________________________________ 5
1.1. MÉTODO CIENTÍFICO ____________________________________________________ 5
1.2. Experimento_____________________________________________________________ 5
1.3. Características de un experimento bien planeado __________________________________ 6
1.4. Procedimientos para la experimentación ________________________________________ 6
1.4.1. Definición del problema_________________________________________________ 7
1.4.2. Revisión de bibliografía _________________________________________________ 7
1.4.3. Diseño o planteamiento del experimento ____________________________________ 7
1.4.4. Análisis de los datos e interpretación de los resultados __________________________ 7
1.4.5. Elaboración del informe de la experimentación ________________________________ 7
1.5. Definiciones generales ______________________________________________________ 8
1.5.1. Experimento_________________________________________________________ 8
1.5.2. Factor _____________________________________________________________ 8
1.5.3. Niveles de un factor ___________________________________________________ 8
1.5.4. Tratamiento _________________________________________________________ 8
1.5.5. Unidad experimental ___________________________________________________ 9
1.5.6. Variable ____________________________________________________________ 9
1.5.7. Repeticiones _________________________________________________________ 9
1.5.8. Muestra ____________________________________________________________ 9
1.5.9. Muestra aleatoria _____________________________________________________ 9
1.5.10. Testigo _____________________________________________________________ 9
1.5.11. Efecto______________________________________________________________ 9
1.5.12. Error Experimental ___________________________________________________ 10
1.6. Principios básicos del Diseño experimental ______________________________________ 10
1.7. Prueba de hipótesis _______________________________________________________ 10
1.7.1. Hipótesis Nula ______________________________________________________ 11
1.7.2. Hipótesis Alternativa __________________________________________________ 11
1.7.3. Error tipo I _________________________________________________________ 11
1.7.4. Error tipo II ________________________________________________________ 11
1.7.5. Nivel de Significancia __________________________________________________ 11
2. ANÁLISIS DE VARIANZA ______________________________________________________ 13
2.1. Estructura general ________________________________________________________ 13
2.2. Procedimiento de análisis __________________________________________________ 13
3. DISEÑO COMPLETAMENTE AL AZAR DCA _______________________________________ 14
3.1. Modelo matemático. ______________________________________________________ 14
3.2. Ventajas _______________________________________________________________ 14
3.3. Desventajas ____________________________________________________________ 15
3.4. Procedimiento de análisis __________________________________________________ 15
3.4.1. Hipótesis a probar ___________________________________________________ 15
3.4.2. Esquema de Datos ___________________________________________________ 15
3.4.3. Supuestos __________________________________________________________ 16
3.4.4. Fuentes de variación y grados de libertad. ___________________________________ 16
3.5. Análisis de Varianza para un Diseño Completamente al Azar._________________________ 16
3.5.1. Regla de Decisión ____________________________________________________ 16
3.5.2. Coeficiente de Variación _______________________________________________ 16
3.6. Ejercicio de aplicación _____________________________________________________ 17
3.6.1. Análisis mediante el uso de Excel _________________________________________ 17
3.6.2. Análisis mediante Infostat ______________________________________________ 19
4. DISEÑO DE BLOQUES COMPLETOS AL AZAR _____________________________________ 24
4.1. Modelo matemático ______________________________________________________ 25
INTRODUCCIÓN
1. DISEÑO EXPERIMENTAL
1.2. Experimento
1. De manera general, se puede decir que consiste en ejecutar una acción y observar a las
consecuencias.
2. De manera particular o científica, se refiere a un estudio de investigación en el que se
manipulan deliberadamente una o más variables independientes (supuestas causas) para
analizar las consecuencias que la manipulación tiene sobre una o más variables
dependientes (supuestos efecto), dentro de de condiciones controladas por el
investigador.
4. Rango de validez de las conclusiones. Este deberá ser tan amplio como sea posible.
Los experimentos que contribuyen a aumentar el rango de validez del experimento son
los experimentos replicados y los experimentos con estructuras factoriales.
Frecuentemente una investigación se origina de una idea, existe una gran variedad de fuentes que
pueden generar ideas de investigación, entre las cuales se pueden mencionar las experiencias
individuales, materiales escritos (libros, revistas, tesis y otros) y observaciones de hechos entre
otras.
La mayoría de las ideas iniciales son vagas y requieren analizarse cuidadosamente para que sean
transformadas en planteamientos más precisos y estructurados, para lo cual se requiere una
revisión bibliográfica de la idea.
Los datos deben analizarse según planteamiento, la interpretación de los resultados de acuerdo a
las condiciones experimentales con el fin de comprobar o rechazar las hipótesis planteadas.
Para el entendimiento del diseño experimental es necesario definir algunos conceptos, que
permitan contextualizar el marco teórico de la experimentación.
1.5.1. Experimento
Se define como una prueba o serie de pruebas en la cual se hacen cambios deliberados en
las variables independientes de un proceso o sistema para observar e identificar las razones de los
cambios que puedan observarse en la variable de respuesta, dependiente o de salida.
1.5.2. Factor
Es la variable independiente que será estudiada en una investigación y está bajo control del
investigador. Pueden ser Cualitativos (Efecto de tres fertilizantes potásicos en la intensidad de
color en rosas rojas var. Freedom) o Cuantitativos (Ej. Influencia de los niveles de N en el largo de
tallo en rosas)
Ejemplo:
Cuantitativo Cualitativo
Tipo de Factor
A: Niveles de Nitrógeno B: Fertilizantes Potásicos
1.5.4. Tratamiento
Se refiere al individuo, lugar o parcela a la cual se aplican los tratamientos. Debe permitir eliminar
el efecto borde.
1.5.6. Variable
Es una característica medible. Son las variables dependientes del experimento a través de las cuáles
se mide el efecto de los tratamientos, también se conoce como variable respuesta.
1.5.7. Repeticiones
1.5.8. Muestra
Es aquella en la cual en cualquier medición individual tiene tantas posibilidades de ser incluida
como cualquier otra.
1.5.10. Testigo
1.5.11. Efecto
Los efectos de un factor son medidos en el cambio en respuesta producida por la variación de los
niveles de un factor. Diferencia en respuesta entre niveles.
Es un error estadístico e indica que se origina por la variación que no está bajo control. Si dos
unidades experimentales reciben un mismo tratamiento y producen respuestas o mediciones
diferentes, a la diferencia se le llama Error Experimental.
1. Repetición
2. Aleatorización o muestreo aleatorio: Es la asignación al azar de tratamientos a las
unidades experimentales, de modo que todas tengan iguales probabilidades de recibir un
tratamiento. Pueden utilizarse tablas, calculadoras, fichas, computadora, etc.; este
procedimiento debe realizarse de tal forma que no influya el criterio del investigador en la
asignación de los tratamientos a las parcelas.
3. Control Local: Es el conjunto de estrategias que permiten lograr la reducción de la
varianza del error experimental. Entre estas estrategias figuran: el agrupamiento, el
bloqueo, el anidamiento, balanceo, aparamiento, compensación, mediciones repetidas,
grupos aleatorios y homogéneos, uso de variables concomitantes o covariables y la
confusión.
Es una técnica de la inferencia estadística que permite que las comparaciones se hagan de forma
objetiva. La hipótesis de investigación genera el diseño de los tratamientos.
Para proponer hipótesis bien definidas y fundamentadas como posible solución del problema, las
hipótesis deben cumplir las siguientes condiciones y consideraciones:
La Hipótesis Nula (Ho) es la que queremos rechazar o desaprobar y es la que indica que no hay
diferencia entre procedimientos.
Ho: μ1 = μ2 = μ3 = μn
La Hipótesis Alternativa (Ha) es la negación, o hipótesis que difiere de una hipótesis nula. Cuando
una investigación está dirigida a probar una aseveración, ésta se toma como hipótesis alterna, su
negación será la nula.
Ha: μ 1 ≠ μ 2 ≠ μ 3 ≠ μ n
Ejemplo:
Ho ES VERDADERA Ho ES FALSA
Rechazar Ho Error Tipo I Decisión correcta
Decisión tomada
Aceptar Ho Decisión correcta Error Tipo II
En una prueba de hipótesis, el valor máximo o probabilidad máxima con la que se puede cometer
un error del tipo I, se llama Nivel de Significancia. En la práctica se utiliza niveles de significancia
(α) del 0.05 ó 0.01, aunque el nivel de significancia que se elija depende de la naturaleza del
problema.
Ejemplo: Al escoger un nivel de significancia del 0.05 ó 5% para una prueba de hipótesis, hay un
95% de confianza de que se tomará la decisión adecuada.
2. ANÁLISIS DE VARIANZA
En un diseño experimental la técnica estadística que se emplea para contrastar las hipótesis
derivadas del modelo lineal es el análisis de varianza. Para un experimento específico el análisis de
varianza determina con un alto grado de confiabilidad, si la diferencia entre los valores que toma la
variable respuesta se debe realmente al efecto de alguna de las fuentes de variación involucradas o
a efectos aleatorios (determinados por el azar).
Dependiendo de las fuentes de variación que englobe ω la tabla tendrá una estructura específica
1. Definir los objetivos del experimento a realizar, en base a los objetivos del experimento y
a las características de los tratamientos a evaluar
2. Determinar el diseño experimental a utilizar.
3. Realizar el trabajo de campo o laboratorio acorde a los lineamentos y características del
diseño experimental seleccionado.
4. Analizar los resultados del trabajo de campo o laboratorio en base al diseño experimental
seleccionado.
Cuando se concluya el trabajo de campo o de laboratorio los datos recabados deben analizarse de
acuerdo al diseño experimental seleccionado aunque los resultados no sean de nuestro completo
agrado.
Nota: No deben analizarse los datos bajo un diseño experimental que no fue llevado a cabo en el
campo o el laboratorio con tal de obtener resultados satisfactorios.
Este diseño constituye una excepción dentro de los diseños de bloque por el hecho de que en su
estructura no existe una organización en bloques de los tratamientos experimentales.
Exige unidades experimentales homogéneas. Los tratamientos y las réplicas se asignan al azar a las
unidades experimentales. Este diseño puede ser utilizado para experimentos unifactoriales y
multifactoriales. Es propio para experimentos de laboratorios y semilaboratorios.
La principal dificultad del mismo es su bajo grado de precisión, por cuanto no tiene restricciones
en lo que se refiere a la ubicación de los tratamientos, por lo que éstos no aparecen en grupos
más homogéneos. Como la aleatorización no es restringida de manera alguna, para asegurar que
las unidades que reciben un tratamiento sean similares a las que reciben otro tratamiento, toda la
variación entre las unidades experimentales se refleja en el error experimental. Sin embargo esto
es compensado en parte por el mayor número de grados de libertad que se logran para el error,
con un mismo número de tratamientos y unidades experimentales.
Yij = µ + Ti + Eij
Donde:
Yij= es el j ésimo elemento perteneciente al i ésimo tratamiento.
µ = es la media general.
Ti = efecto debido al i-ésimo tratamiento.
Eij= error experimental asociado al j-ésimo elemento del i-ésimo tratamiento.
3.2. Ventajas
El diseño al completo azar tiene varias ventajas entre estas se pueden mencionar las siguientes:
3.3. Desventajas
1. La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar
el error estándar por unidad experimental (error experimental) con un mayor grado de
precisión.
2. No siempre puede garantizarse condiciones de homogeneidad.
3. No se asegura, ninguna forma para aseverar que las unidades reciben un tratamiento
similar a aquellas que reciben otro tratamiento, toda la variación que existe entre las
unidades pasa a formar parte del error experimental.
Hipótesis Nula Ho: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en
estudio)
Hipótesis Alterna Ha: ti ¹ 0 (No todos los tratamientos tienen el mismo efecto sobre la
variable en estudio, al menos uno produce un resultado distinto)
3.4.3. Supuestos
Para el análisis de varianza se construye una tabla de análisis de varianza y se completan los
datos. Existen sólo dos fuentes de variación en el diseño completamente aleatorio: entre unidades
experimentales dentro de un tratamiento, la cual denominamos error experimental y aquella
entre medias de tratamiento.
Los grados de libertad son uno menos que el número de observaciones para cada fuente de
variación.
Se desea evaluar el efecto de dos fungicidas sobre el desarrollo del hongo Uromyces sp., en
laboratorio.
Los fungicidas a evaluar fueron: Zineb, Maneb y un testigo. Se tuvieron 8 repeticiones para el
fungicida Zineb, 12 para el Maneb y 7 para el testigo.
Nivel de significancia
determinado por el investigador
Para el análisis de los datos, primero se debe convertir el Cuadro 5 en un formato de dos
columnas de forma que sea comprensible para el InfoStat.
Estas columnas, incluyendo sus títulos, se copian mediante la función Copiar de Excel, y se los
llevan al InfoStat.
Al aparecer la tabla vacía, vamos al menú Edición, y seleccionamos la opción Pegar con
nombres de columnas:
Está despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificación:
Variable analizar
Tratamientos
Después el programa nos despliega el menú de Modelo y Comparaciones, pero dado que sólo
estamos trabajando en el modelo Diseño completamente al azar DCA, aceptamos la pantalla tal
como se presenta:
Posteriormente se exporta los resultados a Excel, para darle el formato en el que se debe
presentar.
Prueba de Significancia:
Si P > 0,05 = Acepto Ho
Si P <0,05 = Acepto Ha
(Si f tabulada > f calculada = Acepto Ho)
Inicialmente se definió que el NS = 5% (0,05) dado que el estudio se hizo en laboratorio, bajo
condiciones controladas.
En este caso, P > 0,05, por lo tanto acepto la Ho que indica que el efecto de los fungicidas en el
diámetro del hongo Uromyces sp. No tienen diferencia significativa, al resultar estadísticamente
iguales al Testigo. El coeficiente de variación es elevado de 29,41%.
El valor significativo de F indica que no hay diferencia entre los fungicidas probados.
El diseño en bloques completos al azar DBA toma en cuenta los tres principios básicos de la
experimentación: repetición, aleatorización y control local. En este diseño las unidades
experimentales se distribuyen en grupos homogéneos. Cada uno de estos grupos es llamado:
bloque.
Después de identificar la fuente de variabilidad, el tamaño y forma del bloque deben ser
seleccionados de acuerdo a estos lineamientos:
1. Cuando la gradiente es unidireccional (existe sólo una gradiente) usar bloques largos y
angostos; además los bloques deben estar orientados de tal forma que su longitud sea
perpendicular a la dirección de la gradiente.
2. Cuando la gradiente de fertilidad ocurre en dos direcciones, con una dirección más fuerte
que otra, ignorar la gradiente más débil y seguir las instrucciones del punto anterior
En ocasiones es particularmente útil debido al efecto de manejo, sobre todo en situaciones tales
como: el material se trasplanta por lotes, y no alcanza para toda la plantación. También por
período de cosecha, si esta es prolongada y se debe hacer bloque por bloque.
En ensayos de campo, todo cambio en la técnica u otra condición que pueda afectar los resultados
debe hacerse en todo el bloque. Ejemplo, si la cosecha de las parcelas se extiende en un periodo
de tiempo, todas las parcelas de un bloque deberán cosecharse el mismo día.
Los bloques pueden estar ubicados uno al lado del otro, o uno debajo del otro, separados o aún
se podrían disponer en campos experimentales diferentes, o en épocas diferentes. Mientras mayor
4.2. Ventajas
1. Es más preciso que el DCA porque renueve la variabilidad total existente en todas las
unidades experimentales pertenecientes a un mismo bloque o repetición.
2. Se caracteriza por ser flexible, puesto que se puede usar un amplio número de
tratamientos (25) y bloques o repeticiones por tratamiento.
3. El análisis estadístico es relativamente sencillo, quizá un poco más complicado que el DCA.
4. Si por algún motivo se pierde datos de las parcelas, pueden usarse técnicas estadísticas
como la fórmula de Yates para su cálculo, sin que ello complique el cálculo estadístico
4.3. Desventajas:
1. No es el diseño más adecuado cuando el número de tratamientos sobrepasa los 25, ya que
aumenta el tamaño del bloque y por consiguiente hay problemas con la heterogeneidad del
suelo.
2. No es el diseño más conveniente, cuando existe heterogeneidad dentro de los bloques, o
cuando hay alta variabilidad en el material experimental
1. Ho: β1 = β2 =….= βt
Ha: Al menos el efecto de un bloque es diferente al de los demás.
2. Ho: T1 = T2 = ….=Tt
Ha: Al menos el efecto de un tratamiento es diferente al de los demás.
4.4.3. Aleatorización
Se aleatorizan los tratamientos dentro de cada bloque. Debe considerarse que la aleatorización se
realizará de forma independiente para cada bloque.
En un experimento en camote se aplicaron seis niveles de potasio (K1=0, K2=10, K3=15, K4=30,
K5=45, K6=60). Se requiere evaluar el rendimiento en kg/100m 2 en los diferentes niveles de
potasio. Las repeticiones fueron realizadas en cuatro suelos con diferente fertilidad; los resultados
son presentados en el siguiente cuadro.
Hipótesis:
Ho: K1 = K2 = K3 = K4 = K5 = K6
Ha: Al menos un tratamiento desigual
Ho: R1 = R2 = R3 = R4
Ha: Al menos una réplica desigual.
Grupo de datos
seleccionados para el
ANOVA
Los datos anteriores los disponemos de forma que el Infostat pueda procesarlos, para el caso del
DBCA (Diseño en bloques completamente al azar), los ordeno en tres columnas.
Estas columnas, incluyendo sus títulos, se copian mediante la función Copiar de Excel, y se los
llevan al InfoStat.
Al aparecer la tabla vacía, vamos al menú Edición, y seleccionamos la opción Pegar con
nombres de columnas:
Está despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificación:
Variable analizar
Tratamientos y
bloques
Fuentes de
variación DBCA
Generar tabla
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opción Copiar incluyendo nombre de columnas.
Al existir diferencias altamente significativas nos demuestra que por lo menos uno de los
tratamientos es diferente a los demás, por tanto se acepta la hipótesis alternativa.
Por tal motivo, se hace la comparación de las medias de los tratamientos mediante la prueba de
Tukey para determinar sus diferencias, para lo cual se selecciona la pestaña de Comparaciones,
en la cual se escoge en el Método de comparación la prueba de significancia Tukey, con el Nivel
de significación de 5% (0,05) y se selecciona Mostrar medias según: Tratamientos.
Se seleccionó Tukey al ser una prueba rigurosa. Al ser la variable independiente el rendimiento se
selecciona la forma de presentación En lista descendente, para determinar cuáles fueron mejores
de forma ordenada.
Prueba de
significacia
Nivel de significancia
Medias de los
tratamientos
Cuadro 11. Resultados Prueba de Tukey para las medias de los tratamientos en el
cultivo de Camote
Tratamientos Medias Rangos
0 34,5 A
10 31,75 AB
15 30,25 AB
40 28 AB
45 36 A
60 24,5 B
Medias con letra común no son significativamente diferentes (p>0,05)
Con el mencionado cuadro, en Excel una vez que se ha seleccionado el rango del grupo de datos,
se selecciona en el Menú de la Barra de Tareas Insertar, seleccionamos Gráfico, y
posteriormente Línea, debido a que el factor en estudio es cuantitativo (niveles de potasio, K).
Agregar la serie de
Rendimientos (Y)
Mientras que para el eje “Y”, se selecciona Agregar, en donde se coloca el número de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los tratamientos, en los Valores de la serie.
Seleccionar las
medias de los Seleccionar la celda de
tratamientos Tratamientos
Figura 1Comparación de las medias de los niveles de potasio, con la Prueba de Tukey al 5%.
5.2. Ventajas
5.3. Desventajas
1. El número de tratamientos está limitado por el número de columnas e hileras, no debe ser
mayor de 10 ni menor de 4.
Gradientes de heterogeneidad
Fila 2
E A B C D
Fila 3
D E A B C
Fila 4
C D E A B
Fila 5
B C D E A
5.4.2. Supuestos
5.4.3. Hipótesis
Factores en estudio:
Cuadro 14. Factores en estudio
Factor A
A: Variedades de maíz
a1: A
a2: B
a3: D
a4: C
Hipótesis:
Ho: A = B = D = C
Ha: A ≠ B ≠ D ≠ C
Estas columnas, incluyendo sus títulos, se copian mediante la función Copiar de Excel, y se los
llevan al InfoStat.
Al aparecer la tabla vacía, vamos al menú Edición, y seleccionamos la opción Pegar con
nombres de columnas:
Está despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificación:
Variable respuesta
Variables clasificación
para el DCL
Fuentes de
variación DBCA
Generar tabla
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opción Copiar incluyendo nombre de columnas.
El cuadro muestra que hay diferencias significativas entre las variedades de maíz.es decir se acepta
la hipótesis alternativa y se rechaza la hipótesis nula.
Por tal motivo, es necesario realizar una prueba de significancia para determinar cuál es la mejor
para el efecto rendimiento en t/ha. Para lo cual se hace la comparación de las medias de los
tratamientos mediante la prueba de Tukey para determinar sus diferencias.
Se seleccionó Tukey al ser una prueba rigurosa. Al ser la variable independiente el rendimiento se
selecciona la forma de presentación En lista descendente, para determinar cuáles fueron mejores
de forma ordenada.
Prueba de
significacia
Nivel de significancia
Medias de los
tratamientos
Con el mencionado cuadro, en Excel una vez que se ha seleccionado el rango del grupo de datos,
se selecciona en el Menú de la Barra de Tareas Insertar, seleccionamos Gráfico, y
posteriormente Columna, debido a que el factor en estudio es cualitativo (variedades de maíz).
Agregar la serie de
Rendimientos (Y)
Mientras que para el eje “Y”, se selecciona Agregar, en donde se coloca el número de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los rendimientos de las variedades, en los Valores de la serie.
1,7
Rendimiento de maíz(t/ha)
A A
1,5
AB
1,3
B
1,1
0,9
0,7
0,5
B A D C
Variedades de maíz
Medias con letras en común no poseen diferencias significativas(p>0.05). Como se puede observar
en el gráfico, las variedades B, A, D logran el mismo efecto sobre el rendimiento de maíz (t/ha),
por lo que para la seleccionar cual es la mejor se debe determinar otras característica que busca el
investigador para la elección.
Los diversos factores no actúan única y exclusivamente en forma independiente, sino que
interaccionan entre sí de forma complicada e inesperada, por lo cual los experimentos con un solo
factor son frecuentemente criticados por su estrechez y limitaciones
A diferencia de los experimentos que se realizan en DCA, DBCA ó DCL, los experimentos
factoriales no son diseños experimentales, sino constituyen arreglos de tratamientos o factores
que se disponen en cualquiera de los diseños experimentales conocidos.
Por ejemplo, se indica que se está usando un diseño de Bloques Completos al azar en arreglo
factorial 3 x 4 (Factor A con tres niveles y Factor B con cuatro niveles), con 4 repeticiones.
6.1. Notación
Los factores se definen con letras mayúsculas que pueden ser las primeras letras del alfabeto o las
iniciales del factor en estudio, (N, P, K). Los niveles dentro de cada factor se identifican con letras
minúsculas acompañadas con subíndices numéricos, ejemplo:
N= 2 P = 3 K = 2 Factorial: 2 x 3 x2
no = 0 kg/ha po = 0 kg/ha ko = 0 kg/ha
n1 = 60 kg/ha p1 = 70 kg/ha k1 = 80 kg/ha
p2 = 140 kg/ha
Se puede indicar como ventaja y muy importante al hecho que al estudiar algunos factores
simultáneamente se obtiene información de cada uno de ellos en forma independiente, además de
las posibles interacciones que puedan existir.
Sin embargo, si se consideran muchos factores, no solo que el análisis de complica, sino que las
inferencias, conclusiones y recomendaciones pueden ser confusas y no valederas. Además como el
número total de tratamientos es el resultado del producto de factores por sus niveles, su número
aumentará grandemente.
En casos complicados, es mejor hacer experimentos previos que nos reduzcan el número de
factores o niveles, por ejemplo, evaluar variedades y escoger las cinco mejores.
6.3. Interacciones
La posibilidad de estudios en forma conjunta de dos o más factores con sus correspondientes
niveles, hace a los factoriales muy útiles para investigaciones exploratorias y como un paso previo
para concentrar posteriormente la atención en los aspectos que puedan ser de mayor interés, de
acuerdo a las conclusiones generales que proporcionan estos experimentos. Se dice que existe
interacción de dos factores si el efecto entre los niveles de uno de los factores cambia, cambia el
nivel del otro factor.
La interacción de dos factores puede ser medida si solamente los dos factores se evalúan
conjuntamente en el mismo experimento.
Cuando no existe interacción el efecto simple de un factor, es el mismo para todos los niveles de
los otros factores e igual al efecto principal.
Analizar primero las interacciones y su significancia para luego analizar los factores individuales.
En una investigación utilizando DBCA se evaluaron tres variedades de arroz y tres niveles de
nitrógeno, siembra con cuatro repeticiones.
Factores en estudio:
La variable a evaluar fue la altura de la planta en cm., a los 90 días después de la siembra.
Cuadro 19. Datos de la altura de tres variedades de arroz con tres densidades de
siembra distintas, en un diseño en Factorial A x B con cuatro repeticiones.
Repeticiones
Tratamiento I II III IV
T1 a1b1 56 45 43 46
T2 a1b2 60 50 45 48
T3 a1b3 66 57 50 50
T4 a2b1 65 61 60 63
T5 a2b2 60 58 56 60
T6 a2b3 53 53 48 55
T7 a3b1 60 61 50 53
T8 a3b2 62 68 67 60
T9 a3b3 73 77 77 65
Hipótesis:
1. Ho2 : b1 = b2 = b3
2. Ha2 : b1 ≠ b2 ≠ b3
Los datos del cuadro anterior se los disponen de manera que sean comprendidos por el infostat
REPETICIÓN A B ALTURA
1 1 1 56
1 1 2 60
1 1 3 66
1 2 1 65
1 2 2 60
1 2 3 53
1 3 1 60
1 3 2 62
1 3 3 73
2 1 1 45
2 1 2 50
Variable
respuesta
A: variedades de arroz
B: densidad de siembra
En este caso no se escoge las repeticiones puesto que es un factorial con Diseño Completamente
Al Azar.
Incluir
interacciones
Interacción A x B
Como el factor A (Var. Arroz) y la interacción A x B son altamente significativos, sometemos los
datos a contrastes ortogonales y comparación de medias.
Controlar
ortogonalidad
Comparaciones
ortogonales
Los datos arrojados por el Infostat los llevamos a Excel para la presentación de resultados.
Prueba
Tukey
Se selecciona A y la
interacción A x B
Con todos los datos listos generamos las tablas de datos para llevarlas a Excel y realizar la
presentación de resultados.
Cuadro 21. Comparación de las medias de las tres variedades de arroz, mediante la
Prueba de Tukey al 5%
Variedades Medias Rangos
Donato 64,42 A
Iniap14 57,67 B
Iniap 13 51,33 C
Medias con letra común no poseen diferencias significativas (p>0,05)
Con el mencionado cuadro, en Excel una vez que se ha seleccionado el rango del grupo de datos,
se selecciona en el Menú de la Barra de Tareas Insertar, seleccionamos Gráfico, y
posteriormente Columna, debido a que el factor en estudio es cualitativo.
Medias con letra común no poseen diferencias significativas (p>0,05). Como se observa en el
gráfico la variedad Donato es la mejor para el efecto altura de planta.
Con el mencionado cuadro, una vez que se ha seleccionado el rango del grupo de datos, se
selecciona Insertar, seleccionamos Gráfico, y posteriormente Línea.
El cruzamiento de las líneas nos muestra con claridad la interacción de los factores y que el mejor
tratamiento es el de la variedad Donato a 55000 y 60000 plantas/ha.
Este experimento está especialmente formulado con dos factores, donde a uno de los factores,
por razón de su naturaleza, es asignado a parcelas experimentales grandes, este factor se
denomina factor principal.
Esta parcela principal está a su vez dividida en subparcelas en donde se evalúan los niveles de otro
factor. Así cada parcela principal se convierte en un bloque para los niveles del factor evaluado en
las subparcelas.
La precisión de los efectos del factor principal es sacrificada para mejorar la precisión en la medida
de los efectos del subfactor.
La medida del efecto del subfactor y de la interacción entre los dos factores es más precisa que la
que se puede obtener en un Diseño DBCA, mientras que la medida del efecto del factor principal
es menos precisa que la que se puede obtener en el DBCA
Una unidad experimental de este tipo puede ser un grupo de árboles, y la subparcela cada árbol
del grupo de árboles.
Dado que la medida de los dos factores es diferente, el escoger cuál de los factores se evalúa en la
parcela principal y cuál en la subparcela es muy importante. Para decidir esto se siguiere los
siguientes lineamientos:
Si se requiere investigar con más precisión los efectos de un factor, asigne ese factor a las
subparcelas y el otro factor a la parcela principal.
Por ejemplo: si se desea evaluar a diez variedades promisorias de arroz con tres niveles de
fertilización en un experimento factorial 10 x 3, se busca mayor precisión entre variedades que la
respuesta a los fertilizantes; por tanto se deberá asignar las variedades a la subparcela y los niveles
de fertilización a la parcela principal.
Si el efecto principal de uno de los factores (factor B) se espera sea más grande y más fácil de
detectar que el del otro factor (factor A), el factor B debe ser asignado a la parcela principal y el
factor A a las subparcelas. Esto incrementa la oportunidad de detectar las diferencias para el factor
A, el cual tiene el efecto más pequeño.
Las labores culturales requeridas para un factor pueden orientar o definir el uso de parcelas
grandes. Por conveniencia práctica, un factor puede ser asignado a la parcela principal.
Se deben realizar dos sorteos: uno para la parcela principal y otro para las subparcelas. En cada
nivel, el procedimiento de sorteo de un DBCA es aplicable. En cada repetición, los niveles del
factor principal son sorteados primero y son asignados a las parcelas principales al azar; luego, los
niveles del subfactor son sorteados y asignados a las subparcelas.
Para ejemplificar, se muestra “a” como el número de niveles del factor principal (6 niveles), y “b”
como el número de niveles del subfactor (4 niveles), y “r” como el número de repeticiones (3
repeticiones).
1. Dividir el área experimental en tres bloques (repeticiones) y cada uno de ellos dividirlo en
seis parcelas principales.
2. Siguiendo el procedimiento de sorteo del DBCA con seis tratamientos y repeticiones,
asignar los seis niveles “a” a las seis parcela principales en cada uno de los tres bloques
(repeticiones).
3. Dividir cada una de las seis parcelas principales, dentro de cada repetición, en cuatro
subparcelas, siguiendo el procedimiento de sorteo de DBCA con cuatro tratamientos,
asignas las cuatro variedades a las cuatro subparcelas dentro de cada parcela principal.
n4 n3 n1 n6 n5 n2 n1 n6 n5 n2 n4 n3 n6 n1 n4 n5 n3 n2
V2 V1 V1 V2 V4 V3 V1 V4 V3 V1 V1 V3 V4 V3 V3 V1 V2 V1
V1 V4 V3 V2 V3 V2 V3 V1 V4 V2 V4 V2 V2 V4 V2 V3 V3 V4
V3 V2 V1 V4 V2 V1 V2 V2 V1 V4 V2 V4 V1 V1 V4 V4 V4 V2
V4 V3 V4 V3 V1 V4 V4 V3 V2 V3 V3 V1 V3 V2 V1 V1 V1 V3
Comentarios:
SC Repeticiones
Repeticiones r–1 SC Repeticiones
G. L. Repeticiones .
Factor A Parcela
Grande a–1 SC Parcela Grande
. . ( )
Error en Parcela
(a – 1)(r – 1) SC Error(a)
Grande . .
Factor B Parcela ñ CM Factor B
b–1 SC Parcela pequeña
Pequeña . . ñ CM E. Experimental
SC A x B CM A x B
AxB (a – 1)(b – 1) SC A x B
G. L. A x B CM E. Experimental
Error ( )
a(r – 1)(b -1) SC Error (b)
Experimental . . ( )
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
1. Ho: B1 = B2 = … = Bb
Ha: Al menos en uno de los bloques se tiene un efecto diferente a los demás
2. Ho: T1 = T2 = … = Tt
Ha: Al menos un tratamiento tiene un efecto diferente al de los demás
3. Ho: S1 = S2 =…=Ss
Ha: Al menos un subtratamiento tiene un efecto diferente al de los demás
4. Ho: (TS)11 = (TS)12 =…= (TS)ts
Ha: Al menos una interacción entre tratamiento y subtratamiento tiene un efecto
diferente al de los demás.
Se quiere evaluar el rendimiento (kg/ha) en grano de cuatro variedades de arroz con seis niveles
de N. Donde el Nitrógeno es el factor de difícil manejo.
Hipótesis:
2. Para el Nitrógeno:
3. Para la interacción
Cuadro 25. Datos de rendimiento (kg/ha) en grano cuatro variedades de arroz con
seis niveles de Nitrógeno en un diseño en parcelas divididas
Rendimiento en grano (hg/ha)
Repetición Repetición Repetición
Variedad I II III
N0 (0kgN/ha)
V1(IR8) 4430 4478 3850
V2(IR5) 3944 5314 3660
V3(C4-63) 3464 2944 3142
V4(Peta) 4126 4482 4836
N1 (60kgN/ha)
V1 5418 5166 6432
V2 6502 5858 5586
V3 4768 6004 5556
V4 5192 4604 4652
N2 (90kgN/ha)
V1 6076 6420 6704
V2 6008 6127 6642
V3 6244 5724 6014
V4 4546 5744 4146
N3 (120kgN/ha)
V1 6462 7056 6680
V2 7139 6982 6564
V3 5792 5880 6370
V4 2774 5036 3638
N4 (150kgN/ha)
V1 7290 7848 7552
V2 7682 6594 6576
V3 7080 6662 6320
V4 1414 1960 2766
N5 (180kgN/ha)
V1 8452 8832 8818
V2 6228 7387 6006
V3 5594 7122 5480
V4 2248 1380 2014
Estas columnas, incluyendo sus títulos, se copian mediante la función Copiar de Excel, y se los
llevan al InfoStat.
Al aparecer la tabla vacía, vamos al menú Edición, y seleccionamos la opción Pegar con
nombres de columnas:
Con la base lista se procede a realizar los cálculos. A continuación se selecciona la opción
Estadísticas y se elige la celda Análisis de varianza:
Está despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificación:
Variable
respuesta
Factores en
estudio
Especificaciones
del modelo
Coeficientes para 6
tratamientos
Usamos los valores que presenta la tabla de coeficientes de polinomios ortogonales para comparar
6 tratamientos, ya que el N, tiene 6 tratamientos en nuestro experimento.
Valores copiados de la
tabla de Polinomios
ortogonales
El infostat nos presenta los resultados que se presentan a continuación. En los cuales, se puede
observar el p-valor para el Contraste 1(N lineal), Contraste 2(N cuadrático) y Contraste 3(N
cúbico) son altamente significativos (p<0,01), es decir la tendencia de la curva del Nitrógeno es
lineal, cuadrática y cúbica.
Comparaciones
ortogonales
Como vemos hay diferencias altamente significativas (p<0,01) tanto para la comparación Peta vs
IR8, IR5, C4-63 como para la comparación C4-63 vs IR8, IR5.
Cuadro 26. Análisis de varianza del diseño en parcelas divididas del rendimiento de
cuatro variedades de arroz con seis niveles de Nitrógeno.
Fuentes de Suma de Grados de Cuadrados F
p-valor
Variación cuadrados libertad Medios calculada
Modelo. 192163043,15 35 5490372,66 15,706 0,000
Repetición 1082576,694 2 541288,347 1,548ns 0,226
Nitrógeno 30429199,56 5 6085839,91 42,868** 0,000
Nitrógeno lineal 16143851,67 1 16143851,67 113,715** 0,0000
Nitrógeno cuadrático 11443001,19 1 11443001,19 80,603** 0,0000
Nitrógeno cúbico 2709445,834 1 2709445,84 19,085** 0,0010
Nitrógeno cuartico 132765,003 1 132765,003 0,935ns 0,3560
Nitrógeno quíntico 135,873 1 135,873 0,001ns 0,9760
Error A 1419678,806 10 141967,881
Variedad 89888101,153 3 29962700,4 85,711** 0,000
Peta vsIR8,IR5,C4-63 80971287,04 1 80971287,0 231,62** 0,000
IR8 vs IR5 1426034,03 1 1426034,03 4,08* 0,050
C4-63 vs IR8,IR5 7490780,08 1 7490780,08 21,43** 0,000
Variedad x Nitrógeno 69343486,93 15 4622899,12 13,224** 0,000
Error 12584873,167 36 349579,810
Total 204747916,39 71
C.V(a): 6.87%
C.V(b): 10,79%
x: 5478.90
*Diferencias significativas
**Diferencias altamente significativas
C.V: Coeficiente de variación
x: promedio
Luego realizo la comparación de las medias mediante la prueba de Tukey con un nivel de
significación del 5% para determinar los mejores tratamientos para el Nitrógeno, Variedades y la
mejor Interacción.
Luego trasladamos los datos a Excel y generamos los siguientes gráficos de resultados.
Medias con letra común no presentan diferencias significativas (p>0,05), como podemos ver en el
gráfico los mejores tratamientos del Nitrógeno para el efecto sobre el rendimiento del cultivo de
arroz son 90kg/ha, 120kg/ha, 150kg/ha, 180kg7ha y 60kg/ha.
Medias con letra común no presentan diferencias significativas(p>0,05), como podemos ver en el
gráfico las mejores variedades para el efecto sobre el rendimiento del cultivo de arroz son las
variedades IR8 e IR5.
10000
A
9000
8000 AB
A-C
7000 B-D BC A-C B-D
Rendimiento(kg/ha)
1000 J
0
0 60 90 120 150 180
Niveles de Nitrógeno(kg/ha)
Medias con letra común no presentan diferencias significativas (p>0,05), como podemos ver en el
gráfico las mejores Interacciones para el efecto sobre el rendimiento del cultivo de arroz son IR8
x 180kg/ha de N, IR8 x 150kg/ha de N, IR5 x 150kg/ha de N, IR5 x 120kg/ha de N.
8. DISEÑO FACTORIAL A X B X C
Los diversos factores no actúan única y exclusivamente en forma independiente, sino que
interaccionan entre sí de forma complicada e inesperada, por lo cual los experimentos con un solo
factor son frecuentemente criticados por su estrechez y limitaciones
Donde:
i= 1,2,….,a
j=1,2,….,b
K=1,2,….,c
l= 1,2,…,r
a= número de niveles del factor A
b= número de niveles del factor B
c= Número de niveles del factor C
r= número de repeticiones
Yijk = Respueta obtenida en la l-ésima repetición del i-ésimo nivel del factor Apara , el j-ésimo nivel
del factor B y el késimo nivel del factor C.
µ: Efecto medio general
Ai= Efecto de la i-ésimo nivel del factor A
Bj = Efecto de la j-ésimo nivel del factor B
CK = Efecto del k-ésimo nivel del factor C
(AB)ij= Efecto atribuido a la interacción entre el i-ésimo nivel del factor A y el j-ésimo nivel del
factor B.
(AC)ik = Efecto atribuido a la interacción entre el i-ésimo nivel del factor A y el k-ésimo nivel del
factor C.
(BC)jK = Efecto atribuido a la interacción entre el j-ésimo nivel del factor B y el k-ésimo nivel del
factor C.
(ABC)jk = Efecto atribuido a la interacción entre el i-ésimo nivel del factor A , el j-ésimo nivel del
factor B y el k-ésimo nivel del factor C.
eijkl= Término de error aleatorio, donde los eijkl tienen una distribución Normal e independientes
con medias O y una varianza σ2.
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
Se realizó un experimento el cultivo del plátano fruta con el objetivo de evaluar 3 dosis de
mutágeno físico, 2 porciento de humedad de la semilla y 2 edades de la semilla, con las siguientes
consideraciones:
1. Las dosis del mutágeno físico fueron las siguientes: Rayos Ganma: D1 100 gy; D2 200gy y
D3 300 gy.
Fuente: Universidad Carlos José Muriátegui. (2009) Experimentación Agrícola. Moquegua Perú. P. 51
D: Rayos gamma,
H: Humedad,
E: edad de semilla.
Factores en estudio:
Cuadro 29. Factores en estudio del experimento
Factores en estudio
A: Dosis de mutágeno B: Humedad C: Edad
a1: 100gy b1: 40% c1: 6 meses
a2: 200gy b2:20% c2: 12 meses
a3: 300gy
Ho: a1=a2 = a3
Ha: a1 ≠ a2 ≠ a3
2. Para la humedad:
Ho: b1=b2
Ha: b1 ≠ b2
Ho: c1=c2
Ha: c1 ≠ c2
Para el cálculo en el Infostat los datos deben estar dispuestos de la siguiente manera:
Al aparecer la tabla vacía en Infostat, vamos al menú Edición, y seleccionamos la opción Pegar
con nombres de columnas:
Variable
dependiente
Factores en
estudio
Interacciones
necesarias para el
DCA de tres factores
El infostat nos presenta los siguientes resultados que luego los trasladamos a Excel, para darles un
mejor formato:
Generar tabla de
resultados
Posteriormente elegimos la celda Copiar incluye nombre de columnas y trasladamos los datos a
Excel y generamos el cuadro de Análisis de varianza.
Luego analizamos los factores, al ser los valores de los factores A (Mutágeno), altamente
significativos se acepta la hipótesis alternativa, es decir las dosis de mutágeno presentan
diferencias.
B (Humedad): Existen diferencias altamente significativas entre las dos humedades probadas.
C (edad): Existen diferencias altamente significativas entre las dos edades de semilla evaluadas.
Interacción AxB: Se acepta la hipótesis alternativa, es decir hay interacción entre el Mutágeno y
Humedad.
Interacción A x B x C: Se acepta la hipótesis alternativa, es decir hay interacción entre los tres
factores.
Para determinación de las diferencias entre los tratamientos realizamos Prueba de Tukey para la
comparación de medias a un nivel de significancia del 5%.
Luego trasladamos cada una de las tablas de resultados para las distintas comparaciones de medias
realizadas con el Infostat.
Generar tabla de
resultados
En Excel generamos los respectivos gráficos con los resultados obtenidos en el Infostat. Gráfícos
en Barra para los factores cualitativos y Gráficos en Línea cuando al menos uno de los factores
es cuantitativo.
80 A
% Supervivencia plantas
70 B
60 C
50
40
30
100gy 200gy 300gy
Rayos Gamma
Como se observa en la figura la aplicación de mutageno hay diferencias entre las 3 dosis de
mutágeno. La dosis de 100gy es la que mostró mejor respuesta para el efecto en porcentaje de
supervivencia de las plantas de platano. Se eligió el grafico para la presentación de los resultados,
ya que se puede observar más claramente la diferencia entre las 3 dosis.
Se puede observar que existe diferencias entre los porcentajes de humedad probados para el
efecto de porcentaje de supervivencia en plantas. El mejor porcentaje para el efecto deseado es el
de 40% de humedad.
Se puede observar que existe diferencias entre la edad de semilla probados para el efecto de
porcentaje de supervivencia en plantas. La edad de semilla para el efecto deseado es a los 6 meses.
A continuación los resultados obtenidos infostat de las comparciones de las medias de las
interacciones hacemos los respectivos gráficos o cuadros en Excel para la presentación de los
resultados.
90
A
80
C
%Supervivencia plantas
B
70
D
60
E 40%Humedad
50 20%Humedad
F
40
30
100gy 200gy 300gy
Mutágeno
Como se aprecia en el gráfico existe interacción entre los dos factores, la mejor interacción se da
por los factores100gy x 40% de Humedad, es decir a estos niveles existe un mejor efecto sobre el
porcentaje de supervivencia de las plantas de plátano en el estado M2.
Como se puede observar en el cuadro existe interacción entre los tres factores en estudio, la
interacción 100gy X 40% de humedad X Edad de semilla fue la que tuvo mayor efecto para el
porcentaje de supervivencia de las plantas de plátano en el estado M2.
Los experimentos en parcelas subdivididas se utilizan cuando se desea evaluar 3 factores, pero es
conveniente de parcelas grandes en un factor, parcelas medianas en el segundo factor y parcelas
chicas en el tercer factor.
1. Se asignan al azar los niveles del factor A, a las parcelas grandes dentro de cada bloque.
El experimento se lleva a cabo como cualquier experimento con un diseño de bloques al azar.
El modelo es el siguiente:
Donde:
Cuadro 34. Formato del análisis de varianza para el diseño en parcelas subdivididas
Grados de Suma de F
Fuente de Variación Cuadrado medio p - valor
libertad cuadrados calculada
Análisis de la parcela
grande:
Repetición r-1 SC Repetición CM Repetición Fcalrep
Parcela grande factor (A) a-1 SC Parcela grande CM Parcela grande FcalPG
Error (a) (r -1)(a - 1) SCError(a) CMError(a)
Análisis Parcela
intermedia:
Parcela intermedia (B) b-1 SC Parcela intermedia CMParcela intermedia FcalPI
AxB (a - 1)(b - 1) SC A x B CMA x B FcalAxB
Error (b) a(r - 1)(b - 1) SC Error(b) CM Error(b)
Análisis de Parcela
pequeña:
Parcela pequeña ( C ) c-1 SCParcela pequeña CMParcela pequeña FcalPP
AxC (a - 1)(c - 1) SC AxC CM AxC FcalAxC
BxC (b - 1)(c - 1) SC BxC CM BxC FcalBxC
(a - 1)(b - 1)(c -
AxBxC SCAxBxC CMAxBxC FcalAxBxC
1)
Total rabc
Fuente: Gomez & Gomez, (1983), p. 142.
SC: Suma de cuadrados
CM: Cuadrados medios
PG: Parcela grande
PI: Parcela intermedia
PP: Parcela pequeña
Se desea evaluar el rendimiento en granos (t/ha) de tres variedades de arroz cultivadas bajo tres
prácticas de Manejo y con cinco niveles de Nitrógeno.
Cuadro 35. Rendimiento en granos de tres variedades de arroz con tres prácticas de
Manejo y cinco niveles de Nitrógeno; en diseño de parcelas subdivididas con el
nitrógeno como la parcela grande, el manejo como la parcela mediana y las
variedades como la parcela pequeña, con tres repeticiones.
Rendimiento en granos t/ha
V1 V2 V3
Manejo Rep.I Rep.II Rep.III Rep.I Rep.II Rep.III Rep.I Rep.II Rep.III
N1(0kgN/ha)
M1 3,320 3,864 4,507 6,101 5,122 4,815 5,355 5,536 5,244
M2 3,766 4,311 4,875 5,096 4,873 4,166 7,442 6,462 5,584
M3 4,660 5,915 5,400 6,573 5,495 4,225 7,018 8,02 7,642
N2(50kgN7/ha)
M1 3,188 4,752 4,756 5,595 6,78 5,39 6,706 6,546 7,092
M2 3,625 4,809 5,295 6,357 5,925 5,163 8,592 7,646 7,212
M3 5,232 5,170 6,046 7,016 7,442 4,478 8,48 9,942 8,714
Los datos del cuadro anterior se ordenan de manera que sean comprensibles para el infostat.
Variable
respuesta
Variables
clasificación
Especificaciones
Parcelas
subdivididas
Con la ayuda de la tabla de Polinomios ortogonales analizamos los tratamientos del Nitrógeno.
Valores de la tabla de
Polinomios ortogonales para
las comparaciones del N
Posteriormente genero comparaciones ortogonales para el factor Manejo, donde comparo Manejo
Intensivo vs M. óptimo y M. mínimo; manejo óptimo vs manejo mínimo.
M. óptimo vs M. mínimo
V3 vs V1, V2
V2 vs V1
Con todos los datos obtenidos en el infostat, los llevamos a Excel para la presentación de los
resultados en el cuadro a continuación.
Como observamos en el cuadro anterior existen diferencias altamente significativas para los
niveles de Nitrógeno, para las Variedades también hay diferencias altamente significativas, el
manejo también se presentan diferencias altamente significativas y para la interacción Nitrógeno x
Variedades.
Al ser los valores de la f calculada de los factores Nitrógeno, Manejo, variedad mayores a la F
calculada de la interacción se realiza el análisis de las medias de todos.
7,5 A
A A
7
Rendimiento(kg/ha)
6,5
B
5,5 C
5
140kg/ha 80kg/ha 110kg/ha 50kg/ha 0kg/ha
Nitrógeno
Medias con letras en común no presentan diferencias significativas (p>0,05). Como se puede
observar en el gráfico los mejores niveles de Nitrógeno para el efecto en el rendimiento en t/ha
de arroz son: 140t/ha, 80kg/ha y 110kg/ha de Nitrógeno.
9
A
8
7 B
Rendimiento (kg/ha)
6
C
5
4
3
2
1
0
V3 V2 V1
Variedades
Medias con letras en común no presentan diferencias significativas (p>0,05). Como se puede
observar en el gráfico la mejor variedad de arroz por el efecto en el rendimiento es la Nro. 3.
Cuadro 37. Comparación de medias del Manejo, mediante la prueba de Tukey con un
nivel de significancia al 5%.
Manejo Medias Rangos
Manejo Intensivo 7,28 A
Manejo óptimo 6,49 B
Manejo mínimo 5,9 C
Medias con letras en común no presentan diferencias significativas (p>0,05).
Como se observa en el cuadro existen diferencias significativas entre los tres tipos de manejo,
siendo el mejor para el efecto en el rendimiento en t/ha de arroz el Manejo Intensivo.
10 A
9 AB ABC
BCD
Rendimiento (kg/ha)
8 CDE
DEF
7 EFG EFG
FGH FGHI V1
6 FGHIJ
HIJ HIJ V2
IJ
5 J V3
3
0kg/ha 50kg/ha 80kg/ha 110kg/ha 140kg/ha
N(Kg/ha)
Medias con letras en común no presentan diferencias significativas (p>0,05). Las mejores
interacciones para el efecto en el rendimiento en t/ha de arroz son: V3 x 140kg/ha de nitrógeno,
V3 x 110kg/ha de nitrógeno, V3 x 80kg/ha de nitrógeno.
El diseño de medidas repetidas factorial (diseño A×B con medidas repetidas en B) introduce
además un factor intersujeto, de agrupamiento, de forma que la variable dependiente se registra en
todos los sujetos bajo todas las condiciones del factor de medidas repetidas, pero sólo bajo un
nivel del factor intersujeto. Cuando el diseño es no longitudinal suele ser más fácil conseguir que
el diseño sea balanceado, incluyendo el mismo número de sujetos por grupo, que en los
longitudinales, ya que en estos se produce con más frecuencia pérdidas de sujetos a lo largo de los
distintos puntos temporales.
El análisis de varianza (ANOVA) mixto univariado es el más usado en el análisis de los diseños de
medidas repetidas, asumiendo que el factor intrasujeto es fijo y los sujetos aleatorios, este
requiere satisfacer los supuestos de normalidad, independencia y esfericidad.
El primero requiere que las observaciones de cada unidad de análisis sean extraídas de una
población con distribución normal multivariada, el segundo supone la independencia entre las
observaciones correspondientes a los distintos sujetos y el tercero implica la igualdad de varianzas
de las diferencias entre los tratamientos, es decir, la matriz de covarianzas debe tener igual
varianza de diferencia entre todos los pares de puntuaciones.
10.1. Ventajas
Los principales puntos fuertes del diseño de medidas repetidas es que se realiza un experimento
más eficiente y ayuda a mantener la variabilidad baja. Esto ayuda a mantener la validez de los
resultados más altos, al tiempo que permite más pequeño que los grupos de asignaturas habituales.
10.2. Desventajas
Una desventaja para el diseño de medidas repetidas es que puede que no sea posible que cada
participante esté en todas las condiciones del experimento. Especialmente sujetos gravemente
enfermos tienden a abandonar un estudio longitudinal, la eliminación de estos temas podría sesgar
el diseño. En estos casos, los modelos de efectos mixtos serían preferibles, ya que pueden hacer
frente a los valores perdidos.
También hay varias amenazas a la validez interna de este diseño, a saber, una amenaza de
regresión, una amenaza maduración y una amenaza historia.
Cuadro 38. Análisis de varianza Diseño en Bloques Completos al Azar con muestras
repetidas en el tiempo.
Grados de Suma de Cuadrado F
Fuente de Variación p - valor
libertad cuadrados medio calculada
Repetición r-1 SC Repetición CMRep
Tratamiento t-1 SC Tratamiento CMTratamiento
Error (a) (r -1)(t - 1) SC Error(a) CMError(a)
Tiempo p-1 SC Tiempo CMTiempo
Tratamiento x Tiempo (t - 1)(p - 1) SC T x P CMTxP
Error (b) t(r - 1)(p - 1) SC Error(b) CMError(b)
Total rtp - 1 SCTotal
Fuente: Gomez & Gomez, (1983), p. 243.
Cuadro 39. Datos del contenido de Nitrógeno del suelo, sujeto al tratamiento de
ocho fertilizantes en un diseño DBCA con cuatro repeticiones, colectados en tres
estados de crecimiento en el cultivo de arroz.
Contenido de nitrógeno(%) en el suelo
Repetición 1 Repetición 2 Repetición 3 Repetición 4
Tratamiento P1 P2 P3 P1 P2 P3 P1 P2 P3 P1 P2 P3
1 3,26 1,88 1,4 2,98 1,74 1,24 2,78 1,76 1,44 2,77 2 1,25
2 3,84 2,36 1,53 3,74 2,14 1,21 3,09 1,75 1,28 3,36 1,57 1,17
3 3,5 2,2 1,33 3,49 2,28 1,54 3,03 2,48 1,46 3,36 2,47 1,41
4 3,43 2,32 1,61 3,45 2,33 1,33 2,81 2,16 1,4 3,32 1,99 1,12
5 3,43 1,98 1,11 3,24 1,7 1,25 3,45 1,78 1,39 3,09 1,74 1,2
6 3,68 2,01 1,26 3,24 2,33 1,44 2,84 2,22 1,12 2,91 2 1,24
7 2,97 2,66 1,87 2,9 2,74 1,81 2,92 2,67 1,31 2,42 2,98 1,56
8 3,11 2,53 1,76 3,04 2,22 1,28 3,2 2,61 1,23 2,81 2,22 1,29
Fuente: Gomez & Gomez, (1983), p. 259
P1: 15 días después del transplante,
P2: 40 días después del transplante,
P3: Inicio del estado Panoja
Factores en estudio:
Cuadro 40. Factores en estudio experimento Diseño Bloques al azar con muestras
repetidas en el tiempo
FACTORES EN ESTUDIO
A: Fertilizantes B: Estado
a1: F1 b1: 15 días después del transplante
a2: F2 b2: 40 días después del transplante
a3: F3 b3: inicio del estado panoja
a4: F4
a5: F5
a6: F6
a7: F7
a8: F8
Hipótesis a probar:
3. Para la interacción
Ho: No existe interacción entre los factores
Ha: Hay interacción entre los factores
Los datos del cuadro de resultados se ordenan de manera que sean comprensibles para el infostat.
Al aparecer la tabla vacía, vamos al menú Edición, y seleccionamos la opción Pegar con nombres
de columnas:
Variable analizar
Factores en estudio
La tabla de resultados que presenta el infostat la trasladamos al Excel y le damos formato para la
presentación de los resultados
Cuadro 41. Análisis de varianza de Medidas en el tiempo con diseño en Bloques al azar.
Suma de Grados de Cuadrado
Fuentes de Variación F p-valor
Cuadrados libertad Medio
Repetición 0,84574 3 0,282 7,756** 0,0003
Tratamiento 1,26583 7 0,181 4,935** 0,002
Tratamiento x Repetición 0,76949 21 0,037 1,008ns 0,4721
Estado 52,04286 2 26,021 715,871** 0,0000
Tratamiento x Estado 3,56644 14 0,255 7,008** 0,0000
Error 1,74477 48 0,036
Total 60,23513 95
C.V.(a): 8,57
C.V.(b):8,5
X: 2,24
C.V.: Coeficiente de variación
ns: diferencias no significativas (p>0,05)
* : diferencias significativas (p<0,05>0,01)
**: diferencias altamente significativas (p<0,01)
Como se puede observar en el cuadro hay diferencias altamente significativas entre los
tratamientos, también hay diferencias altamente significativas entre los estados y entre la
interacción Tratamiento x Estado.
Para realizar las pruebas de significancia, se analiza independientemente cada uno de los estados.
Prueba de significancia:
Se desactiva estado 2 y 3, para lo cual en la barra de herramientas selecciono la pestaña Datos al
desplegarse la pantalla elijo la opción Desactivar casos seleccionados:
Datos
desactivados
En la pestaña de Comparaciones elijo la prueba de Duncan con un nivel de significancia del 5%,
para las comparaciones individuales de los Tratamientos del Estado 1 en estudio.
En la pestaña de Compaciones elijo la prueba de Duncan con un nivel de significancia del 5%, para
las comparaciones individuales de los Tratamientos del Estado 2 en estudio.
Para las comparaciones de medias de los tratamientos del Estado 2, tenemos los siguientes
resultados.
En la pestaña de Compaciones elijo la prueba de Duncan con un nivel de significancia del 5%, para
las comparaciones individuales de los Tratamientos del Estado 3 en estudio.
Infostat nos da los siguientes resultados para las comparaciones de medias de los tratamientos del
estado 3:
Con todos los datos obtenidos de los análisis de cada Estado en estudio, procedemos a
trasladarlos a Excel, para realizar la presentación de datos.
Para el estado P1, los mejores tratamientos son los fertilizantes 2, 3, 4, 5 y 6, para el efecto sobre
el contenido de N (%) en el suelo del cultivo de arroz.
Se escogió cuadro para la representación de los datos, puesto que el tratamiento es un factor
cualitativo y de esta forma se expresan mejor los datos.
3,5 A
3
Contenido de Nitrógeno(%)
2,5 B
2
1,5 C
0,5
0
15 días después del 40 días después del inicio del estado panoja
transplante transplante
Estado
Como se observa en la figura, hay diferencias significativas entre los Estados en estudio, y para el
efecto sobre el contenido de Nitrógeno el estado 15 días después del transplante es con el que se
obtiene la mejor respuesta.
2,5
A A
2,4
2,3 AB AB AB
Contenido de N(%)
BC
2,2
BC
2,1 C
2
1,9
1,8
F7 F3 F8 F4 F2 F6 F5 F1
Fertilizantes
Como se observa en el gráfico no existen diferencias significativas entre los fertilizantes F7, F3, F8,
F4 y F2 para el efecto contenido de N (%) en el suelo, y son los mejores para el mismo. Los
fertilizantes F7 y F3 presentan diferencias significativas frente al F1.
BIBLIOGRAFÍA
- García Leal, J. & Lara Porras, A.M. (1998). “Diseño Estadístico de Experimentos. Análisis
de la Varianza.” Grupo Editorial Universitario.
- Gomez & Gomez, (1983). Statistical Procedures for Agricultural research, Estados Unidos