Manual Diseno Experimental PDF

2015
Manual de Diseño Experimental – Infostat
Johanna Mantilla L.
I Programa de Maestría en Suelos y
Nutrición Vegetal
01/01/2015
Manual de Diseño Experimental
Infostat
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE CIENCIAS AGRÍCOLAS
INSTITUTO SUPERIOR DE POSGRADO
I PROGRAMA DE MAESTRÍA EN SUELOS Y NUTRICIÓN VEGETAL
Manual de Diseño
Experimental – Infostat
Aplicado a experimentos en suelos y nutrición de
plantas
Johanna Mantilla L.
01/01/2015
MÓDULO DE DISEÑO EXPERIMENTAL - PHD. EDISON SILVA
QUITO - ECUADOR
Diseño Experimental – Johanna Mantilla – Enero 2015

Infostat
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
3.4.1. 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

1
Infostat
4.2. Ventajas _______________________________________________________________ 25
4.3. Desventajas: ____________________________________________________________ 25
4.4.1. Criterios de bloqueo __________________________________________________ 25
4.4.3. Aleatorización_______________________________________________________ 26
4.5. Análisis de varianza del Diseño en Bloques Completamente al Azar (DBCA) _____________ 26
4.5.1. Reglas de decisión ____________________________________________________ 26
4.6. Ejercicio de Aplicación ____________________________________________________ 26
4.6.1. Análisis mediante el uso de Excel _________________________________________ 27
4.6.2. Análisis de datos en el Infostat ___________________________________________ 29
5. DISEÑO CUADRADO LATINO _________________________________________________ 36
5.2. Ventajas _______________________________________________________________ 36
5.3. Desventajas ____________________________________________________________ 36
5.4.1. Criterios de Bloqueo__________________________________________________ 37
5.4.2. Supuestos __________________________________________________________ 37
5.4.3. Hipótesis __________________________________________________________ 37
5.5. Análisis de varianza para el Diseño Cuadrado Latino _______________________________ 37
5.5.1. Regla de decisión: ____________________________________________________ 38
6. DISEÑO FACTORIAL A X B COMPLETAMENTE AL AZAR ____________________________ 46
6.1. Notación ______________________________________________________________ 46
6.2. Ventajas y Desventajas ____________________________________________________ 46
6.3. Interacciones ___________________________________________________________ 47
6.4. Diseño factorial A x B completamente al azar. ___________________________________ 48
6.4.1. Modelo matemático. __________________________________________________ 48
6.4.2. Análisis de varianza Diseño Factorial Completamente al azar A x B ________________ 48
7. DISEÑO EN PARCELA DIVIDIDA________________________________________________ 57
7.1. Grado de Precisión _______________________________________________________ 57
7.2. Tamaño relativo de los efectos principales ______________________________________ 57
7.3. Prácticas de manejo_______________________________________________________ 58
7.4. Sorteo y Diseño _________________________________________________________ 58
7.6. Análisis de varianza diseño Parcela Dividida _____________________________________ 59
8. DISEÑO FACTORIAL A X B X C________________________________________________ 71
8.2. Análisis de varianza Diseño factorial A x B x C ___________________________________ 72
9. DISEÑO EN PARCELAS SUBDIVIDIDAS ___________________________________________ 81
9.2. Análisis de varianza Diseño en parcelas subdivididas _______________________________ 82
10. DISEÑO EN BLOQUES COMPLETOS AL AZAR CON MUESTRAS REPETIDAS EN EL TIEMPO 92
10.1. Ventajas _____________________________________________________________ 92
10.2. Desventajas __________________________________________________________ 92
10.3. Análisis de varianza Diseño Bloques Completos al azar con muestras repetidas en el tiempo 93

2
Infostat
10.4. Ejercicio de aplicación ___________________________________________________ 93
11. RESUMEN DE ESPECIFICACIONES MODELO DE DISEÑO EXPERIMENTAL _____________ 105
11.1. Diseño Completamente al azar ___________________________________________ 105
11.2. Diseño Bloques Completos al Azar ________________________________________ 105
11.3. Diseño Cuadrado Latino ________________________________________________ 106
11.4. Diseño Factorial A X B _________________________________________________ 106
11.5. Diseño Factorial Parcela Dividida __________________________________________ 107
11.6. Diseño Factorial A x B x C ______________________________________________ 107
11.7. Diseño en Parcelas Subdivididas ___________________________________________ 108
11.8. Diseño en Bloques Completos al Azar con muestras repetidas en el tiempo ___________ 109
BIBLIOGRAFÍA_________________________________________________________________ 110

3
Infostat
INTRODUCCIÓN
El diseño experimental es una técnica estadística que permite

identificar y cuantificar las causas de un efecto dentro de un
estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas,
para medir el efecto que tienen en otra variable de interés. El
diseño experimental prescribe una serie de pautas relativas qué
variables hay que manipular, de qué manera, cuántas veces hay
que repetir el experimento y en qué orden para poder
establecer con un grado de confianza predefinido la necesidad
de una presunta relación de causa-efecto.
El diseño experimental encuentra aplicaciones en la industria, la

agricultura, la mercadotecnia, la medicina, la ecología, las
ciencias de la conducta, etc. constituyendo una fase esencial en
el desarrollo de un estudio experimental.
Entre los programas estadísticos más conocidos en nuestro

medio se pueden mencionar al MSTAT, INFOSTAT, MINITAB,
SPSS, y SAS, entre otros.
En la maestría de Suelos y Nutrición Vegetal se ha utilizado

EXCELL (de Office) e INFOSTAT para resolver la mayoría de
ejercicios vinculados a la agropecuaria, suelos y la nutrición de
plantas, por ser éstos los más asequibles de obtenerlos y de
fácil manejo
Bajo este contexto, se ha desarrollado el presente Manual de

Diseño Experimental con el objetivo de ser un instrumento de
aprendizaje y consulta, que apoye al proceso de investigación y
planificación de experimentos.

4
Infostat
1. DISEÑO EXPERIMENTAL
El diseño experimental ha sido una herramienta útil en la generación de conocimiento científico. El

diseño de un experimento en el cual el investigador tiene un control total sobre la variable
independiente y además de que tiene un ambiente controlado difumina la confusión y permite
establecer asociaciones con menor incertidumbre de cometer un “error”. Esto ha sido
particularmente útil en la experimentación con animales y plantas, lo que ha permitido el
desarrollo de nuevas tecnologías. El desarrollo de nuevas tecnologías dentro del proceso
productivo, sea este de tipo agropecuario o de tipo industrial, surge del proceso de investigación o
del método científico. Es por esto que los diseños experimentales generan información confiable.
El diseño estadístico de experimentos se refiere al proceso para planear el experimento de tal

forma que se recaben datos adecuados que puedan analizarse con métodos estadísticos que
lleven a conclusiones válidas y objetivas. Cuando el problema incluye datos que están sujetos a
errores experimentales, la metodología estadística es el único enfoque objetivo de análisis. Por lo
tanto, cualquier experimento incluyendo aspectos: El diseño del experimento y el análisis
estadístico de los datos. Es común que durante el proceso de investigación se utilicen diseños
experimentales no adecuados, es decir que no responden al objetivo de la investigación y por lo
tanto, su análisis estadístico también será equivocado, por lo que se llegan a conclusiones
erróneas, cuando esto ocurre la investigación no tiene ninguna validez.
1.1. MÉTODO CIENTÍFICO
La aplicación del método científico es fundamental en la experimentación y generación de nuevo

conocimiento y el desarrollo de las ciencias. En la investigación científica, el conocimiento y uso de
métodos estadísticos y diseños experimentales son necesarios para el planteamiento y prueba de
hipótesis, desarrollo de estrategias de investigación, obtención y análisis de información y la
interpretación de resultados.
El objetivo de la ciencia es lograr una descripción, explicación y predicción de los procesos o

fenómenos naturales. Es conocido que los investigadores utilizan el método científico dentro de su
trabajo diario y que generalmente contiene los siguientes elementos:
1. Enunciado del problema

2. Revisión de hechos y teorías
3. Formulación de hipótesis
4. Diseño del experimento
5. Conducción del experimento
6. Análisis de los datos e interpretación de resultados
7. Publicación o divulgación de los resultados
1.2. Experimento
El término experimento puede verse de dos maneras:

5
Infostat
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.
Un experimento es la "observación deliberada bajo condiciones planeadas por el observador"

(Stebbling, 196, P. 302). También se puede decir, que un experimento es una investigación
planeada para descubrir nuevos hechos o para confirmar o negar los resultados de investigaciones
previas.
1.3. Características de un experimento bien planeado
El diseño de un experimento es sencillo, para la planeación del mismo se requiere de lógica,

intuición biológica y de una cuidadosa planeación (tomar una muestra representativa y obtener
datos de buena calidad).
Las características que debe poseer son:
1. Simplicidad. La selección de los tratamientos y la disposición experimental deberá

hacerse de la forma más simple posible.
2. Grado de precisión. El experimento deberá tener la capacidad de medir diferencias

entre tratamientos con los grados de precisión que desee el investigador. Para cumplir con
este propósito se deberá partir de un diseño y un número de repeticiones adecuados.
3. Ausencia de error sistemático. Se debe planear un experimento con el propósito de

asegurar que las unidades experimentales que reciban un tratamiento no difieran
sistemáticamente de aquellas que reciben otro tratamiento, procurando de esta manera
obtener una estimación insesgada del efecto de tratamientos.
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.
5. Cálculo del grado de incertidumbre. En todo experimento existe algún grado de

incertidumbre en cuanto a la validación de las conclusiones. El experimento deberá ser
concebido de modo que sea posible calcular la probabilidad de obtener los resultados
observados debido únicamente al azar.
1.4. Procedimientos para la experimentación
En la planeación y la conducción de un experimento, existe un gran número de consideraciones

que deben analizarse cuidadosamente para obtener los resultados deseados. Algunos de los pasos
más importantes son los siguientes:

6
Infostat
1.4.1. Definición del problema
Formular precisa y específicamente el problema: Inicialmente se percibe la dificultad (hay un

problema que preocupa, faltan medios para resolverlo, no se explica un acontecimiento
inesperado), luego mediante observación o experimentación se identifica y precisa la dificultad o el
problema.
Plantear el problema es afinar y estructurar más formalmente la idea de investigación,

desarrollando tres elementos: objetivos de investigación, preguntas de investigación y justificación
de ésta. Los objetivos establecen qué pretende la investigación, las preguntas nos dicen qué
respuestas deben encontrarse mediante la investigación y la justificación nos indica por qué debe
hacerse la investigación.
1.4.2. Revisión de bibliografía
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.
1.4.3. Diseño o planteamiento del experimento
El diseño o planteamiento del experimento consiste:
1. Ubicación del experimento.

2. Determinación de los tratamientos y su distribución.
3. Selección de la población objetivo.
4. Selección de la unidad experimental y número de repeticiones.
5. Selección de equipos a usar.
6. Determinación de datos a obtener.
7. Determinación de análisis estadísticos a utilizar.
1.4.4. Análisis de los datos e interpretación de los resultados
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.
1.4.5. Elaboración del informe de la experimentación
Elaboración de un completo, legible y correcto informe de la investigación

7
Infostat
1.5. Definiciones generales
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
1.5.3. Niveles de un factor
Son las diferentes categorías o niveles que toma un factor
En el mismo ejemplo tomado anteriormente, los niveles del factor son:

Cuantitativo Cualitativo
Tipo de Factor
A: Niveles de Nitrógeno B: Fertilizantes Potásicos
a1=150kg/ha b1: Quimifol 970
Niveles del Factor a2=300kg/ha b2: Muriato de potasio
a3=450kg/ha b3: Sprinter K
1.5.4. Tratamiento
Conjunto particular de condiciones experimentales que se aplican a una parcela de acuerdo al

diseño seleccionado.
En experimentos de un factor, el número de tratamientos es igual al número de factores. En

experimentos factoriales los tratamientos se forman por la combinación de los niveles con dos o
más factores.
Ejemplo:

8
Infostat
a1b1 a1b2 a1b3

a2b1 a2b2 a2b3
a3b1 a3b2 a3b3
1.5.5. Unidad experimental
Se refiere al individuo, lugar o parcela a la cual se aplican los tratamientos. Debe permitir eliminar
el efecto borde.
Ejemplo: una planta, un conjunto de plantas, un animal, un conjunto de animales.
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.
Ejemplo: número de tallos, rendimiento (tallos/m2, kg/ha)
1.5.7. Repeticiones
Número de veces que se repite el experimento básico.
1.5.8. Muestra
Conjunto de mediciones que constituye parte de una población.
1.5.9. Muestra aleatoria
Es aquella en la cual en cualquier medición individual tiene tantas posibilidades de ser incluida
como cualquier otra.
1.5.10. Testigo
Unidad experimental en la cual ninguno de los tratamientos utilizados en el experimento es

probado, y cuyo valor obtenido para la variable respuesta permitirá medir la acción o efectividad
de los tratamientos.
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.

9
Infostat
1.5.12. Error Experimental
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.
Esta variación puede ser de dos fuentes:

1. Variación inherente al material experimentas al cuál se aplican los tratamientos como:
heterogeneidad del suelo, constitución genética, etc.
2. Falta de uniformidad en la conducción física del experimento, en los factores de manejo:
densidad, labranza, riego, errores de observación, errores de medición, errores de
manejo, etc.
1.6. Principios básicos del Diseño experimental
Los principios básicos del diseño experimental son los siguientes:
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.
1.7. Prueba de hipótesis
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.
La hipótesis de investigación establece un conjunto de circunstancias y sus consecuencias. Los

tratamientos son la creación de las circunstancias para el experimento. Así, es importante
identificar los tratamientos con el papel que cada uno tiene en la evaluación de la hipótesis de
investigación. Si no se logra delinear con claridad esta hipótesis y el objetivo del estudio, puede
haber dificultades en la selección de los tratamientos y experimentos sin éxito. Es forzoso que el
investigador se asegure de que los tratamientos elegidos concuerden con la hipótesis de
investigación.
Para proponer hipótesis bien definidas y fundamentadas como posible solución del problema, las
hipótesis deben cumplir las siguientes condiciones y consideraciones:
1. Ser empíricas, sin prejuicios.

2. Ser conceptualmente claras.
3. Ser específicas, sin predicciones generales.

10
Infostat
4. Estar relacionadas con las técnicas teóricas disponibles para verificarlas.

5. Someter la hipótesis a una verificación rigurosa: normalmente mediante experimentación
científica
6. Deducir las consecuencias de la solución propuesta, su alcance y limitaciones; las hipótesis
confirmadas no son absolutamente verdaderas.
7. Intentar formalizar en leyes el nuevo conocimiento obtenido.
8. Analizar extensiones, planteamientos alternos o trabajos futuros.
1.7.1. Hipótesis Nula
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
1.7.2. Hipótesis Alternativa
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
1.7.3. Error tipo I
El Error tipo I (α) es la probabilidad de rechazar Ho cuando Ho es cierta
1.7.4. Error tipo II
Le Error Tipo II (β) es la probabilidad de aceptar Ho cuando Ho es falsa
Ejemplo:
Ho ES VERDADERA Ho ES FALSA
Rechazar Ho Error Tipo I Decisión correcta
Decisión tomada
Aceptar Ho Decisión correcta Error Tipo II
1.7.5. Nivel de Significancia
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.

11
Infostat
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.

12
Infostat
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).
El análisis de varianza es la estadística de prueba para el contraste de hipótesis acerca de las

fuentes de variación en un diseño experimental.
2.1. Estructura general
La estructura general del análisis de varianza es:
Cuadro 1. Esquema general análisis de varianza.

Fuentes de Grados de Suma de F de
Cuadrado F calculada
Variación libertad cuadrados tablas
medio (C.M.) (Fcal)
(F.V) (G.L.) (S.C.) (Ftab)
Ω G.L. ω S.C. ω S.C. ω/ G.L.ω C.M.ω/ C.M.error Fα(v1,v2)
S.C. Error/G.L.
Error G.L. Error S.C. Error
error
Total G.L Total S.C. total
Fα (v1,v2)= Cuantil de la distribución F
v1 = Grados de libertad de ω
v2 = Grados de libertad del Error
Dependiendo de las fuentes de variación que englobe ω la tabla tendrá una estructura específica
2.2. Procedimiento de análisis
Los pasos para la correcta ejecución de un experimento son los siguientes:
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.

13
Infostat
3. DISEÑO COMPLETAMENTE AL AZAR DCA
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.
3.1. Modelo matemático.
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:
1. Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan

perdido, o rechacen por alguna causa el método de análisis sigue siendo sencillo. La
pérdida relativa de información debida a los datos faltantes, es de menos importancia que
en cualquier otro sistema.
2. La flexibilidad. Puede utilizarse cualquier número de tratamientos y repeticiones y
pueden variar a voluntad del investigador el número de repeticiones de un tratamiento a
otro, pero no es recomendable sino existe una buena razón.
3. Todo el material experimental disponible puede usarse, lo cual es una ventaja en
experimentos preliminares pequeños donde el material experimental de que se dispone es
escaso.
4. El número de grados de libertad es máximo en comparación con otros modelos, el
modelo estadístico sigue siendo fácil aún cuando se pierdan unidades experimentales.
5. Aún cuando el dato de algún tratamiento se hayan perdido, o rechacen por alguna causa el
método de análisis sigue siendo sencillo

14
Infostat
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.
1. Determinar el número de unidades experimentales (n) y numerarlas. Es posible obtener

“n” al multiplicar el número de tratamientos por el número de repeticiones n = ( t * r).
2. Asignar el número de unidades experimentales a cada tratamiento utilizando una tabla de
números aleatorios o bien cualquier otra herramienta que sirva para el mismo propósito.
Por ejemplo si cada tratamiento ha de repetirse cuatro veces, los primeros cuatro
números aleatorios obtenidos se asignarán al tratamiento A, los siguientes cuatro números
aleatorios al tratamiento B, y así sucesivamente.
3. Una vez hecha la distribución anterior (liberal b) se numeran las unidades experimentales y
se localizan los tratamientos de acuerdo al número que les corresponde y se obtiene así
las distribución de campo.
3.4.1. Hipótesis a probar
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)
3.4.2. Esquema de Datos
Cuadro 2. Esquema de datos Diseño completamente al azar

Repeticiones
Tratamientos Yi.
1 2 3 4 R
1 Y11 Y12 Y12 . . . Y1r Y1 .
2 Y21 Y22 Y23 . . . Y2r Y2 .
3 Y31 Y32 Y33 . . . Y3r Y3 .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
R Yt1 Yt2 Yt3 . . . Ytr Y ..

15
Infostat
3.4.3. Supuestos
Los supuestos que validan el análisis varianza son:
1. Los errores son independientes

2. Los errores están normalmente distribuidos con media cero y varianza constante
3. Existe homogeneidad de varianza entre los tratamientos.
3.4.4. Fuentes de variación y grados de libertad.
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.
3.5. Análisis de Varianza para un Diseño Completamente al Azar.
Cuadro 3. Análisis de varianza para un Diseño Completamente al Azar.

Fuentes de Grados de Cuadrados Ft
Suma de Cuadrados Fc Calculada
Variación Libertad Medios Requerida
Tratamientos t–1 ∑[(Y2../r Y2..)/(tr)] Sctrat/gltotal Scmedios/Cmerror

Error t ( r – 1) Sctotal - SCtrat Scerror/glerror
Total t r -1 ∑∑[ (Yij-
Y2..)/ (tr) ]
Fuente: Castillo, L. (2008). Introducción a la Estadística Experimental. p. 24
Los grados de libertad son uno menos que el número de observaciones para cada fuente de
variación.
3.5.1. Regla de Decisión
Rechazar la hipótesis Ho. Si Fc > Ft (Gltrat, Gl error α)

Aceptar la Hipótesis Ha. Si Fc < Ft (Gltrat, Gl error α)
Ft = Valor tabular.
3.5.2. Coeficiente de Variación
Se puede considerar como medida relativa de la variación que no es posible controlar en el

experimento (error experimental), por costumbre se utiliza como que se controló adecuadamente
el error cuanto el coeficiente de variación es menor de 20.
El coeficiente de variación se calcula por medio de la fórmula siguiente:

CV = (Raíz (CM) / Y.. )*100
Y.. = Y.. / tr

16
Infostat
3.6. Ejercicio de aplicación
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.
Unidad experimental: Caja petri
Cuadro 4. Factores en estudio experimento.

Factor en estudio
A: Fungicidas
a1: Zineb
a2: Maneb
a3: Testigo
Variable respuesta: Diametro promedio ( ) de las colonias por caja petri.
Ho: Efecto de Zineb = Efecto de Maneb = Efecto de Testigo

Ha: Efecto de Zineb ≠ Efecto de Maneb ≠ Efecto de Testigo
Prueba de significancia al 5% dado que el experimento es en condiciones controladas en

invernadero.
Cuadro 5. Resultados obtenidos del experimento del efecto de dos fungicidas en el

hongo Uromyces sp.
Fungicidas
Caja Petri
Zineb Maneb Testigo
1 49 34 31
2 30 4 34
3 26 41 28
4 53 19 27
5 27 19 43
6 39 36 24
7 41 29 18
8 38 36
9 33
10 34
11 32
12 39
Fuente: Castillo, L. (2008). Introducción a la Estadística Experimental. p.25
3.6.1. Análisis mediante el uso de Excel

17
Infostat
En el programa Excel, luego de la elaboración del Cuadro 5, se selecciona el grupo de datos e

ingresa al menú Datos, se escoge la opción Análisis de Datos,
Luego escogemos la opción Análisis de varianza de un factor:
Se despliega el siguiente menú:
Nivel de significancia
determinado por el investigador
Los resultados se presentan en el

rango seleccionado
A continuación Excel nos presenta los resultados de la siguiente manera:

18
Infostat
3.6.2. Análisis mediante Infostat
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.
Fungicida Diámetro (µ)

1 49
1 30
1 26
1 53
1 39
1 41
1 38
2 34
2 4
2 41
2 19
2 36
2 29
2 36
2 33
2 34
2 32
2 39
3 31
3 34
3 28
3 27
3 43
3 24
3 18

19
Infostat
Estas columnas, incluyendo sus títulos, se copian mediante la función Copiar de Excel, y se los
llevan al InfoStat.
En InfoStat, se crea un nuevo documento: en el menú Archivo, y se selecciona la opción Nueva

Tabla:
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.

20
Infostat
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 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:

21
Infostat
A continuación Infostat nos presenta los resultados siguientes:
En este momento, se hace la comparación del valor de la probabilidad de p, contra el nivel de

significancia seleccionado, para definir la aceptación o no de la Hipótesis Nula.
Ho: Efecto de Zineb = Efecto de Maneb = Efecto de Testigo

Ha: Efecto de Zineb ≠ Efecto de Maneb ≠ Efecto de Testigo
NS = 5% (0,05) dado que las condiciones son en laboratorio.

22
Infostat
Posteriormente se exporta los resultados a Excel, para darle el formato en el que se debe
presentar.
Cuadro 6. Análisis de varianza Efecto de dos fungicidas en el diámetro promedio de

las colonias de Uromyces sp.
Grados
Fuentes de Suma de Cuadrados Valor de
de p-valor
variación cuadrados Medios F
libertad
Fungicida 445,35 2 222,676 2,404ns 0,114
Error 2037,69 22 92,622
Total 2483,04 24
C.V: 29.41
x=32,72
gl: Grados de libertad
C.V.: Coeficiente de variación
x: Promedio
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.
Por tal motivo no es necesario realizar la comparación de medias.

23
Infostat
4. DISEÑO DE BLOQUES COMPLETOS AL AZAR
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.
El número de unidades experimentales dentro de cada bloque es igual al número de tratamientos

incluidos en el experimento. Los tratamientos son distribuidos en las unidades experimentales
dentro de cada bloque aleatoriamente, así, cada bloque irá a construir una repetición. 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.
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
3. Si la gradiente de fertilidad se presenta en dos direcciones, con las dos gradientes

igualmente fuertes y perpendiculares una a otra, escoger una de estas alternativas:
a. Use bloques que sean tan cuadrados como sea posible
b. Utilice bloques largos y angostos con su longitud perpendicular a la dirección de
una gradiente (punto 1) y use la técnica de covarianza para controlar a la otra
gradiente.
c. Use el Diseño Cuadrado Latino
4. Cuando el patrón de variabilidad no es predecible, los bloques deben ser cuadrados y

compactos
En cultivos perennes si el terreno es relativamente homogéneo se puede bloquear por fisonomía

de árbol. Otra opción es bloquear por producciones similares de los árboles.
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

24
Infostat
sea la variación entre bloques y se incrementa la homogeneidad dentro de ellos, se reducirá el

error experimental
4.1. Modelo matemático

Yij= µ + βi + Tj + eij
Donde:
i= 1, 2, …., b
j= 1, 2, …., t
b= Número de bloques
t= Número de tratamientos
Yij= Respuesta obtenida en el j-ésimo tratamiento del i-ésimo bloque.
µ= Efecto medio general
βi= Efecto atribuido al i-ésimo bloque.
Tj= Efecto atribuido al j-ésimo tratamiento.
Eij= Término de error aleatorio. Donde los eij tienen una distribución normal e independiente con
la media 0 y varianza σ2
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

4.4.1. Criterios de bloqueo
Este diseño es conveniente cuando se logra determinar una gradiente de variabilidad en un

sentido, que éste influyendo sobre los tratamientos, por ejemplo: grado de inclinación del terreno
donde se realizará el experimento, dirección del viento, gradiente de temperatura, etc. Los
bloques se construyen perpendiculares a la dirección de la gradiente de variabilidad.

25
Infostat
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.
4.5. Análisis de varianza del Diseño en Bloques Completamente al

Azar (DBCA)
Cuadro 7. Análisis de varianza para Diseño en Bloques Completamente al Azar (DBCA)

Fuentes de Grados de Suma de Cuadrados Fc
Variación Libertad Cuadrados Medios Calculada
Total tr – 1 Xij2-(Xij)2 /rt

Tratamientos t–1 Xi2 /r - FC SCTratamientos/glTratamientos CMTratamiento/CMError
Repeticiones
r -1 Xj2 /t - FC SCRepeticiones/glRepeticiones CMRepeticiones/CMError
Bloques
Error
(t – 1)(r -1) Diferencia SCError/glError
experimental
Fuente: Castillo. 2008: P. 32
FC: Factor de corrección
SC: Suma de cuadrados
gl: Grados de libertad
CM: Cuadrados Medios
4.5.1. Reglas de decisión
1. Se rechaza Ho si Fcal Blo> Fα(v1, v2) = Ftab Blo

2. Se rechaza Ho si Fcal Trat > Fα(v3, v2) = Ftab Trat
v1 = Grados de libertad de los bloques

v2= Grados de libertad del error
v3= Grados de libertad de los tratamientos.
4.6. Ejercicio de Aplicación
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

26
Infostat
potasio. Las repeticiones fueron realizadas en cuatro suelos con diferente fertilidad; los resultados
son presentados en el siguiente cuadro.
Cuadro 8. Datos de rendimiento (kg/ 100m2) obtenidos de la aplicación de seis niveles

de potasio en el cultivo de Camote.
NIVELES DE POTASIO
BLOQUES K1 K2 K3 K4 K5 K6 Total
I 40 30 29 25 40 23 187
II 38 36 39 31 37 25 206
III 35 35 25 29 38 24 186
IV 25 26 28 27 29 26 161
Total 138 127 121 112 144 98 740
Promedio 34,5 31,75 30,25 28 36 24,5 30,83
Unidad experimental: terreno de 100m2.
Factores en estudio: los factores de estudio son presentados en el siguiente cuadro.
Cuadro 9. Factores en estudio.

Factor A
Niveles de Potasio(kg)
a1= 0
a2=10
a3=15
a4=40
a5=45
a6=60
Variable de respuesta: Rendimiento (kg/100m2) de camote
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.
4.6.1. Análisis mediante el uso de Excel
Luego de la elaboración del Cuadro 8, en el programa Excel se lo selecciona e ingresa al menú

Datos, se escoge la celda Análisis de Datos, luego la opción Análisis de varianza de dos
factores con una sola muestra por grupo:

27
Infostat
Selecciono los datos a analizar:
Posteriormente se despliega la siguiente pantalla:
Grupo de datos
seleccionados para el
ANOVA
Elijo la celda donde

quiero ver los datos
del ANOVA
Excel arroja los siguientes datos:

28
Infostat
4.6.2. Análisis de datos en el Infostat
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.
Bloques Tratamientos Rendimiento

1 1 40
2 1 38
3 1 35
4 1 25
1 2 30
2 2 36
3 2 35
4 2 26
1 3 29
2 3 39
3 3 25
4 3 28
1 4 25
llevan al InfoStat.

Tabla:
Con la base lista se procede a realizar los cálculos

29
Infostat
de clasificación:
Variable analizar
Tratamientos y
bloques

30
Infostat
Después el programa nos despliega el menú de Modelo y Comparaciones, aceptamos la

pantalla tal como se presenta, ya que para el DBCA más de tratamientos se toma en cuenta los
Bloques o repeticiones
Fuentes de
variación DBCA
En este momento, se hace la comparación del valor de la probabilidad de p, contra el nivel de

significancia seleccionado, para definir la aceptación o no de la Hipótesis Nula.
Posteriormente selecciono la opción Generar tabla:

31
Infostat
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.
A continuación se presenta los resultados exportados a Excel.
Cuadro 10. Análisis de varianza efecto de la aplicación de seis niveles de potasio en el

cultivo de Camote.
Fuentes de Suma de Grados de Cuadrado F p-
Variación cuadrados libertad medio calculada valor
Modelo. 528,16667 8 66,021 4,247 0,008
BLOQUES 170,33333 3 56,778 3,653* 0,037
TRATAMIENTOS 357,83333 5 71,567 4,604** 0,01
Error 233,16667 15 15,544
Total 761,33333 23
C.V: 12,78%
C.V: Coeficiente de variación.
* : Diferencias significativas
**: Diferencias altamente significativas
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.

32
Infostat
Prueba de
significacia
Medias de los
tratamientos
Infostat presenta los resultados de la siguiente forma:
Para la presentación de resultados, seguimos el procedimiento anterior de Generar tabla, en el

cual se debe seleccionar la opción Copiar incluyendo nombre de columnas y se exporta la tabla
al Excel, cuyo resultado se presenta en el siguiente cuadro:
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)

33
Infostat
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).
A continuación seleccionamos la opción Seleccionar origen de datos, en donde en el eje “X” se

Edita la serie correspondiente a los niveles de potasio.
Agregar la serie de
Rendimientos (Y)
Editar los niveles de

potasio (X)
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
A continuación se presenta el gráfico generado por Excel:

34
Infostat
Figura 1Comparación de las medias de los niveles de potasio, con la Prueba de Tukey al 5%.
Medias con letra común no presentan diferencias significativas(p>0,05), como se observa en el

gráfico, los mejores niveles de potasio para el efecto rendimiento (kg/100m2) de cultivo de camote
son: 0kg/ha, 10kg/ha, 15kg/ha, 40kg/ha y 45kg/ha de potasio.

35
Infostat
5. DISEÑO CUADRADO LATINO
Este diseño presenta las siguientes características:
1. La disposición de las variantes del experimento sobre el terreno se hace en dos

direcciones perpendiculares recíprocas y esto es lo que lo diferencia del bloque al azar.
2. En este las variantes se agrupan además de bloques en columnas lo que es un nuevo
elemento en éste diseño.
3. Se puede utilizar en experimentos agrotécnicos, así como de selección de variedades, pero
no es recomendable en experimentos donde se utilice la mecanización.
4. Elimina la variabilidad de la fertilidad del suelo en dos direcciones.
5. En este diseño el número de filas y columnas y de tratamientos son iguales.
6. Presenta la dificultad de que el mismo no se puede estudiar un número grande de variante
o tratamiento.
Yijk = µ + Hi + Cj + T(ij)K + eijk

Donde:
i = 1,2,….,t
j =1,2,….,t
K =1,2,….,t
t = Número de tratamientos
Yijk = Respueta para el K-ésimo tratamiento ubicado en la i-ésima hilera y la j-ésima columna.
µ = Efecto medio general
Hi = Efecto de la i-ésima hilera(primer factor de confusión)
Cj = Efecto de la j-ésima columna (segundo factor de confusión)
T(ij)K = Efecto del k-ésimo tratamiento(siendo una función de i y j)
eijk = término de error aleatorio, donde los eijk tienen una distribución normal e independientes
con media = y varianza σ 2.
5.2. Ventajas
1. La estratificación en hileras y columnas permite eliminar una mayor cantidad de

variabilidad, incrementando la precisión del experimento.
2. Análisis estadístico sencillo, un poco más complicado que el DBCA.
3. Más eficiente que el DCA y el DBCA
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.

36
Infostat

5.4.1. Criterios de Bloqueo
Se tiene un experimento planeado en un diseño 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 localización de las parcelas en el área experimental se muestra en el siguiente croquis:
Gradientes de heterogeneidad
Columna 1 Columna 2 Columna 3 Columna 4 Columna 5

Fila 1
A B C D E
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
1. No existe interacción entre filas y tratamientos.

2. No existe interacción entre columnas y tratamientos.
5.4.3. Hipótesis
Ho: t = t1 Todos los tratamientos producen el mismo efecto

Ha: t≠ t1 para al menos i; i = 1, 2, …t. Al menos uno de los tratamientos produce efectos
distintos.
5.5. Análisis de varianza para el Diseño Cuadrado Latino
Cuadro 12. Tabla de análisis de variancia para el Diseño de Cuadrado Latino

Grados de Suma de Cuadrados
Fuentes de Variación Fc Calculada
Libertad Cuadrados Medios
Total tr - 1 Xijk2-(Xijk)2 /t2
Tratamientos t–1 Xi2 /t - FC SCTratamientos/glTratamientos CMTratamiento/CMError
Hileras n -1 Xj2 /t - FC SCHileras/glHileras CMHileras/CMError
Columnas c-1 Xk2 /t - FC SCColumnas/glColumnas CMColumnas/CMError
Error Experimental (t - 1)(r -1) Diferencia SCError/glError
T=h=c T2 = número de parcelas en el ensayo
Fuente: Universidad José Carlos Mariátegui, Experimentación Agrícola. (2009).

37
Infostat
5.5.1. Regla de decisión:
Rechazar Ho. Sí el valor de F ≥ al valor crítico de F(gl trat; gl error;α)

No Rechazar Ho. Sí el valor de F < al valor crítico de F(gl trat; gl error;α)
Se desean evaluar el rendimiento de tres variedades promisorias de maíz y un testigo en un diseño

de cuadrado latino 4 x 4.
Cuadro 13. Datos de la evaluación de rendimiento de tres variedades de maíz (A, B y

D) y un testigo C, en un diseño en cuadrado latino 4 x 4.
Rendimiento en grano(t/ha)
Hileras Columna1 Columna2 Columna3 Columna4 Total hileras
1 1,640(B) 1,210(D) 1,425( C ) 1,345 (A) 5,62
2 1,475( C ) 1,185(A) 1,400(D) 1,290(B) 5,35
3 1,670(A) 0,710(C ) 1,665(B) 1,180(D) 5,225
4 1,565(D) 1,290(B) 1,655(A) 0,660(C ) 5,17
Total columnas 6,35 4,395 6,145 4,475 21,365
Factores en estudio:
Cuadro 14. Factores en estudio
Factor A
A: Variedades de maíz
a1: A
a2: B
a3: D
a4: C
Variable respuesta: rendimiento en grano de maíz (t/ha)
Hipótesis:
Ho: A = B = D = C
Ha: A ≠ B ≠ D ≠ C
En primer lugar se genera en Excel la disposición de los datos de los resultados de la

experimentación.

38
Infostat
Hileras Columnas Tratamientos Rendimiento

1 1 2 1,64
1 2 4 1,21
1 3 3 1,425
1 4 1 1,345
2 1 3 1,475
2 2 1 1,185
2 3 4 1,4
2 4 2 1,29
3 1 1 1,67
3 2 3 0,71
3 3 2 1,665
3 4 4 1,18
4 1 4 1,565
4 2 2 1,29
4 3 1 1,655
4 4 3 0,66
llevan al InfoStat.

Tabla:
Con la base lista se procede a realizar los cálculos

39
Infostat
de clasificación:
Variable respuesta
Variables clasificación
para el DCL

40
Infostat
Se genera el siguiente cuadro de análisis de la varianza, en la pestaña Modelo aceptamos las

especificaciones que nos presenta.
Fuentes de
variación DBCA
Posteriormente selecciono la opción Generar tabla:
Generar tabla

41
Infostat
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.
A continuación se presenta los resultados exportados a Excel.
Cuadro 15. Análisis de varianza evaluación del rendimiento de tres variedades de

maíz en un diseño en cuadrado latino.
Fuente de Suma de Grados de Cuadrados F
p-valor
Variación cuadrados libertad Medios calculada
Hileras 0,03015 3 0,01 0,465ns 0,717
Columnas 0,82734 3 0,276 12,769** 0,005
Tratamientos 0,42684 3 0,142 6,588* 0,025
Error 0,12958 6 0,022
Total 1,41392 15
C.V.: 11,01%
**Diferencias altamente significativas
*Diferencias significativas
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 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.

42
Infostat
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
Medias de los
tratamientos
Infostat presenta los resultados de la siguiente forma:
Para la presentación de resultados, seguimos el procedimiento anterior de Generar tabla, en el

cual se debe seleccionar la opción Copiar incluyendo nombre de columnas y se exporta la tabla
al Excel, cuyo resultado se presenta en el siguiente cuadro:
Cuadro 16. Comparación de las medias de las variedades promisorias de maíz,

mediante la Prueba de Tukey al 5% de nivel de significancia
Tratamientos Medias Rangos
B 1,47 A
A 1,46 A
D 1,34 AB
C 1,07 B
Medias con letra común no presentan diferencias significativas (p>0,05)

43
Infostat
posteriormente Columna, debido a que el factor en estudio es cualitativo (variedades de maíz).

Edita la serie correspondiente a las variedades promisorias como factor discreto.
Agregar la serie de
Rendimientos (Y)
Editar las variedades

de maíz
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.
Seleccionar las Seleccionar la celda de

medias de los Tratamientos
tratamientos

44
Infostat
Este es el gráfico generado por Excel:
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
Figura 2. Comparación de medias de variedades de maíz mediante la prueba de

significacia de Tukey con una confiabilidad del 5%.
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.

45
Infostat
6. DISEÑO FACTORIAL A X B COMPLETAMENTE AL AZAR
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:
Variedad (3) FA = a1, a2, a3 ó V = v1, v2, v3

Fertilizante Potásico (4) FB = b1, b2, b3, b4 ó F = f1, f2, f3, f4
Tratamientos = 3 x 4
a1b1 a1b2 a1b3 a1b4
a2b1 a2b2 a2b3 a2b4
a3b1 a3b2 a3b3 a3ba
En algunos experimentos se acostumbra a definir la notación de los niveles empezando desde

cero, para indicar la no aplicación de un elemento o producto.
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
6.2. Ventajas y Desventajas
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.

46
Infostat
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
Es el efecto recíproco entre 2 o más factores, o la modificación de efecto de un factor por la

acción de otro u otros. El estudio de la interacción entre los factores es una de las características
importantes en los experimentos factoriales.
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.
Figura 3. Interacciones del diseño factorial
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.

47
Infostat
6.4. Diseño factorial A x B completamente al azar.
6.4.1. Modelo matemático.
Yijk = µ + Ai + βj + (AB)ij + eijk

Donde:
Yijk= es el k-ésimo elemento perteneciente al j-ésimo nivel del factor β y al i-ésimo tratamiento del
nivel del factor A.
µ = es la media general.
Ai = es el efecto debido al i-ésimo nivel del factor A.
βj = es el efecto debido al j-ésimo nivel del factor β.
(AB)ij= efecto de la interacción entre el j ésimo nivel del factor β y el i-ésimo del factor β.
6.4.2. Análisis de varianza Diseño Factorial Completamente al azar A x B
Cuadro 17. Análisis de varianza Diseño Factorial Completamente al azar A x B

Fuente de Grados de
Suma de Cuadrados Cuadrados medios F calculada
Variación libertad
Total ∑
rab – 1 ∑ −
Tratamientos ∑ . SC Tratamientos CM Tratamientos
ab – 1 −
G. L. Tratamientos CM E. Experimental
∑ .. SC FactorA CM Factor A
Factor A a–1 −
G. L. Factor A CM E. Experimental
∑ . . SC FactorB CM Factor B
Factor B b–1 −
G. L. Factor B CM E. Experimental
SC A x B CM A x B
AxB (a – 1)(b -1) SCTrat – SCA – SCB
G. L. A x B CM E. Experimental
Error SC E. Experimental
(t – 1)(t – 2 Diferencia
experimental G. L. E. Experimental
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
En una investigación utilizando DBCA se evaluaron tres variedades de arroz y tres niveles de
nitrógeno, siembra con cuatro repeticiones.
Cuadro 18. Factores en estudio del experimento factorial A x B.

FACTORES EN ESTUDIO
Factor A: Variedades Factor B: Densidad de
de arroz siembra (plantas/ha)
a1: INIAP 13 b1: 50000
a2: INIAP 14 b2: 55000
a3: DONATO b3: 60000

48
Infostat
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:
Para el Factor A (variedades de arroz):

1. Ho1 : a1 = a2 = a3
2. Ha1 : a1 ≠ a2 ≠ a3
Para el Factor B (niveles de nitrógeno):
1. Ho2 : b1 = b2 = b3
2. Ha2 : b1 ≠ b2 ≠ b3
Para la interacción de los factores (A x B):
1. Ho1 : No hay interacción entre los factores.

2. Ha2 : Hay interacción entre los factores.
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
Posteriormente se selecciona la opción Nueva tabla y se copian los datos

49
Infostat
Luego escogemos de la pestaña Estadísticas, la opción Análisis de varianza:
Y se despliega el siguiente menú:
Variable
respuesta
A: variedades de arroz
B: densidad de siembra

50
Infostat
En este caso no se escoge las repeticiones puesto que es un factorial con Diseño Completamente
Al Azar.
Se genera el siguiente cuadro de Análisis de varianza en la pestaña Modelo a más de las

especificaciones presentes se deben Agregar interacciones para el diseño que estamos aplicando.
Incluir
interacciones
Al agregar las interacciones en el Menú desplegado de Análisis de Varianza aparece la interacción

A x B:
Interacción A x B

51
Infostat
El infostat nos arroja los siguientes resultados:
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.
De esta manera volvemos al Menú desplegado de Análisis de Varianza, y seleccionamos la

pestaña Contrastes, en donde generamos los comparaciones ortogonales para las variedades, en
este caso comparamos: Donato (T1) vs Iniap13 (T2), Iniap 14 (T3) (+1 +1 -2); e, Iniap14 vs Iniap13
(+1 -1 0), debido a que se elimina a Donato de la comparación), como se presenta en el siguiente
gráfico. Nos aseguramos que se marque la opción Controlar ortogonalidad.
Controlar
ortogonalidad
Comparaciones
ortogonales
A continuación se presentan los resultados arrojados por Infostat:

52
Infostat
Los datos arrojados por el Infostat los llevamos a Excel para la presentación de resultados.
Cuadro 20. Análisis de varianza evaluación del rendimiento de tres variedades de

arroz, con tres densidades de siembra en un diseño factorial A x B.
Suma de Grados de Cuadrados F
Fuentes de Variación p-valor
Cuadrados libertad Medios calculada
Modelo. 2203,53 11 200,32 11,336 0,000
Variedades 1027,39 2 513,69 29,069** 0,000
Donato vs Iniap 13,
Iniap14 786,72 1 786,7222 31,249** 0,000
Iniap 14 vs Iniap13 240,67 1 240,6667 9,5594** 0,0046
Densidad de siembra 155,06 2 77,53 4,387* 0,024
AxB 765,44 4 191,36 10,829* 0,000
Error 424,11 24 17,67
Total 2627,64 35
C.V. 7,27%
A x B: Interacción Variedades de arroz x Densidad de siembra
p-valor: Valor de la probabilidad
* : Diferencias significativas
** : Diferencias altamente significativas
El valor de P es altamente significativo para el Factor variedades de arroz y para la interacción de

los dos factores, es decir que esta interacción causa efecto en la altura de las variedades de arroz,
con lo cual se acepta la Hipótesis alternativa y se rechaza la hipótesis nula.
Posteriormente realizamos la comparación de medias mediante la Prueba de Tukey con una

confiabilidad del 5% tanto para el factor A (Variedades) como para la interacción A x B, puesto
que encontramos en estas diferencias altamente significativas.
No analizamos las densidades de siembra debido a que el valor de F es menor al de la interacción

y que el valor de las variedades.

53
Infostat
Prueba
Tukey
Se selecciona A y la
interacción A x B
El infostat nos arroja los siguientes resultados al 5% de nivel de significancia:
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)

54
Infostat
posteriormente Columna, debido a que el factor en estudio es cualitativo.
Y se genera el siguiente gráfico:
Figura 4. Comparación de medias de las variedades de arroz mediante la prueba de

Significancia de Tukey con una confiabilidad del 5%.
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 los datos de la Interacción procedemos a generar el gráfico en Excel:
Cuadro 22. Comparación de medias de las Interacciones mediante la prueba de

Tukey con un nivel de significancia al 5%.
Variedades Densidad de siembra Medias Rangos
Iniap14 50000 47,5 E
Iniap14 55000 50,75 DE
Iniap14 60000 55,75 B-E
Iniap 13 50000 62,25 BC
Iniap 13 55000 58,5 B-D
Iniap 13 60000 52,25 C-E
Donato 50000 56 B-E
Donato 55000 64,25 AB
Donato 60000 73 A
Medias con letra común no presentan diferencias significativas (p>0,05)

55
Infostat
Con el mencionado cuadro, una vez que se ha seleccionado el rango del grupo de datos, se
selecciona Insertar, seleccionamos Gráfico, y posteriormente Línea.

Edita la serie correspondiente a las densidades de las variedades, y en el eje “Y” los rendimientos
de cada una de las variedades (series)
Y se genera el siguiente gráfico
Figura 5. Comparación de medias de la interacción de los factores Variedades de

arroz x Densidad de siembra.
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.

56
Infostat
7. DISEÑO EN PARCELA DIVIDIDA
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:
7.1. Grado de Precisión
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.
Pero si se desea estudiar la respuesta a la fertilización de diez variedades promisorias,

probablemente se quiera mayor precisión en la respuesta a los fertilizantes que la comparación
entre variedades, entonces asignar las variedades a la parcela principal y los niveles de fertilización
a la subparcela.
7.2. Tamaño relativo de los efectos principales
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.

57
Infostat
Ejemplo: si en un experimento de fertilización x variedad se puede asignar las variedades a las

subparcelas y la fertilización a la parcela principal debido a que se espera que el efecto para
fertilización sea más grande que el efecto de las variedades.
7.3. Prácticas de manejo
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.
Ejemplo, en un experimento en que se desea evaluar el manejo de agua y variedades, sería

deseable asignar el manejo de agua (riego) a la parcela principal para minimizar el movimiento de
agua entre parcelas adyacentes. En un experimento para evaluar algunas variedades de arroz con
diferentes dosis de fertilización, se puede asignar la fertilización a la parcela grande para minimizar
la necesidad de separar parcelas que reciban diferentes niveles de fertilización.
7.4. Sorteo y Diseño
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).
Repetición I Repetición II Repetición III

n4 n3 n1 n6 n5 n2 n1 n6 n5 n2 n4 n3 n6 n1 n4 n5 n3 n2
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
Comentarios:

58
Infostat
1. El tamaño de la parcela principal es b veces el tamaño de la subparcela. En el ejemplo,

cuatro variedades (b=4) el tamaño de la parcela principal es 4 veces el daño de la
subparcela.
2. El nivel de cada subparcela es evaluado r veces, mientras que los niveles de cada
subparcela son evaluados (a)(r) veces. Así el número de veces que el niel de una
subparcela es evaluada siempre será mayor que el de la parcela principal. Así cada uno de
los seis niveles de “a” es evaluado 3 veces, pero cada uno de “b” fue evaluado 18 veces.
Yijk = µ + Bi + Tj + εij + SK + (TS)jk + eijk

Donde
i= 1,2,….,b
j=1,2,….,t
K=1,2,….,s
b= número de bloque
t= Número de tratamientos
s= número de subtratamientos
Yijk = Respueta para el K-ésimo tratamiento ubicado en la i-ésimo subtratamiento y la j-ésimo
bloque.
µ: Efecto medio general
Bi= Efecto de la i-ésimo bloque
Tj = Efecto de la j-ésimo tratamiento
εij = Error aleatorio de la parcela grande
SK = Efecto del k-ésimo subtratamiento
(TS)jk = Efecto de la interacción entre el j-ésimo tratamiento y el k-ésimo subtratamiento.
eijk =Error aleatorio de la parcela chica.
7.6. Análisis de varianza diseño Parcela Dividida
Cuadro 23. Análisis de varianza Diseño en Parcelas divididas

Fuente de Grados de
Suma de Cuadrados Cuadrados medios F calculada
Variación libertad
Total rab – 1 SC Total
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
Error ( )
a(r – 1)(b -1) SC Error (b)
Experimental . . ( )

59
Infostat
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.
Cuadro 24. Factores en estudio

Factores en estudio
A: Variedades B: Nitrógeno
a1: IR8 b1: 0kg/ha
a2: IR5 b2: 60kg/ha
a3: C4-63 b3: 90kg/ha
a4: Peta b4: 120kg/ha
b5: 150kg/ha
b6: 180kg/ha
Variable respuesta: rendimiento (kg/ha) en grano de arroz
Hipótesis:
1. Para las variedades:
Ho: IR8 = IR5 = C4-63 = Peta

Ha: IR8 ≠ IR5 ≠ C4-63 ≠ Peta
2. Para el Nitrógeno:
Ho: 0kg/ha = 60kg/ha = 90kg/ha = 120kg/ha = 150kg/ha = 180kg/ha

Ha: 0kg/ha ≠ 60kg/ha ≠ 90kg/ha ≠ 120kg/ha ≠ 150kg/ha ≠ 180kg/ha
3. Para la interacción
Ho: no existe interacción entre los factores

Ha: hay interacción entre los factores.

60
Infostat
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
Los datos anteriores se ordenan para que sean comprensibles en el Infostat.
Variedad N Repetición Rendimiento

1 1 1 4430
2 1 1 3944
3 1 1 3464

61
Infostat
4 1 1 4126
1 2 1 5418
2 2 1 6502
3 2 1 4768
4 2 1 5192
1 3 1 6076
2 3 1 6008
3 3 1 6244
4 3 1 4546
1 4 1 6462
2 4 1 7139
3 4 1 5792
4 4 1 2774
1 5 1 7290
2 5 1 7682
3 5 1 7080
4 5 1 1414
1 6 1 8452
2 6 1 6228
3 6 1 5594
4 6 1 2248
llevan al InfoStat.

Tabla:
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:

62
Infostat
de clasificación:
Variable
respuesta
Factores en
estudio

63
Infostat
Se genera el siguiente cuadro de análisis de la varianza, en la pestaña Modelo seleccionamos la

pestaña Agregar interacciones y escogemos las que necesitamos para la solución del diseño en
parcelas divididas.
Especificaciones
del modelo
Infostat nos presenta los siguientes resultados:
Como se observa tanto el Nitrógeno como la variedad y la interacción poseen diferencias

altamente significativas (p<0,01) y los valores de F para las variedades y el Nitrógeno son mayores
que el valor de la interacción, por tal razón debemos hacer los respectivos análisis para cada uno.
Con la ayuda de la tabla de Polinomios ortogonales, hacemos comparaciones para el Nitrógeno

64
Infostat
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.

65
Infostat
Posteriormente realizo comparaciones ortogonales para el caso de las variedades: Peta

vsIR8,IR5,C4-63; IR8 vs IR5 y C4-63 vs IR8,IR5.
Comparaciones
ortogonales
El infostat nos presenta los siguientes resultados

66
Infostat
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.
Posteriormente trasladamos los resultados obtenidos a Excel, como se presenta en el siguiente

cuadro.
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.

67
Infostat
Infostat nos arroja los siguientes resultados
Luego trasladamos los datos a Excel y generamos los siguientes gráficos de resultados.

68
Infostat
Figura 6. Comparación de medias de los niveles de Nitrógeno mediante la prueba de

Tukey con un nivel de significancia al 5%.
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.
Figura 7. Comparación de medias de las Variedades mediante la prueba de Tukey

con un nivel de significancia al 5%.
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.

69
Infostat
10000
A
9000
8000 AB
A-C
7000 B-D BC A-C B-D
Rendimiento(kg/ha)
B-F B-E B-D

6000 B-F B-F
B-G B-F
C-G D-H IR8
5000 E-H
F-H D-H G-H IR5
4000 F-H
H-J C4-63
3000 Peta
I-J
2000
1000 J
0
0 60 90 120 150 180
Niveles de Nitrógeno(kg/ha)
Figura 8. Comparación de medias de las Interacciones NitrógenoxVariedades

mediante la prueba de Tukey con un nivel de significancia al 5%.
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.

70
Infostat
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
Es una variante de la aplicación factorial A x B, donde se introduce un factor adicional
Yijk = µ + Ai + Bj + Ck + (AB)ij + (AC)ik + (BC)jK + (ABC)jk + eijkl
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.

71
Infostat
8.2. Análisis de varianza Diseño factorial A x B x C
Cuadro 27. Análisis de Varianza Diseño Factorial A x B x C

Fuente de Grados de Suma de
Cuadrados medios F calculada
Variación libertad Cuadrados
rabc – 1 ∑
∑ −
Total
∑ .. .. SC Repeticiones
Repeticiones r–1 − G. L. Repeticiones .
∑ . SC Tratamientos CM Tratamientos
Tratamientos abc – 1 −
G. L. Tratamientos CM E. Experimental
∑ .. SC FactorA CM Factor A
Factor A a–1 −
G. L. Factor A CM E. Experimental
∑ . . SC FactorB CM Factor B
Factor B b–1 −
G. L. Factor B CM E. Experimental
∑ . . SC Factor C CM Factor C
Factor C c–1 −
G. L. Factor C CM E. Experimental
SC A x B CM A x B
AxB (a – 1)(b -1) SCTrat – SCA – SCB
SC A x C CM A x C
AxC (a – 1)(c – 1) SCTrat – SCA – SCC
G. L. A x C CM E. Experimental
SC B x C CM B x C
BxC (b – a)(c – 1) SCTrat –SCB – SCC
G. L. B x C CM E. Experimental
SCTrat – SCA – SCB – SC A x B x C CM A x B x C
AxBxC (a – 1)(b – 1)(c – 1)
SCC G. L. A x B x C CM E. Experimental
Error SC E. Experimental
(t – 1)(t – 2)(t – 3) Diferencia
experimental G. L. E. Experimental
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.
2. Los porcientos de humedad fueron: H1: 40 % y H2 20 %.
3. Las edades de la semilla; E1 6 meses y E2 12 meses.
4. Se utilizó un diseño completamente al azar con 4 observaciones por tratamiento.
5. Se ofrecen los datos del porciento de supervivencia de plantas en la generación M2.

72
Infostat
Cuadro 28. Datos de porcentaje de supervivencia de plantas en el cultivo de plátano

en Diseño factorial A x B x C completamente al azar.
REPETICIONES
TRATAMIENTOS
I II III IV ∑
D1H1E1 80,1 82,3 82,5 78,5 323,4
D1H1E2 75,3 75,6 76,2 75 302,1
D1H2E1 75,3 74,8 74,5 76,7 301,3
D1H2E2 73,1 70,3 72,7 71,8 287,9
D2H1E1 54,6 56,6 54,7 55,1 221
D2H1E2 50,8 51,3 52,6 50,9 205,6
D2H2E1 74,7 73,8 74 72,6 295,1
D2H2E2 69,5 68,6 70,1 68 276,2
D3H1E1 64,3 62,6 63 63,8 253,7
D3H1E2 60,6 61,1 62 61 244,7
D3H2E1 43,2 45,4 44 44,9 177,5
D3H2E2 40,8 39,9 40 40,1 160,8
∑ 762,3 762,3 766,3 758,4 3049,3
Fuente: Universidad Carlos José Muriátegui. (2009) Experimentación Agrícola. Moquegua Perú. P. 51
D: Rayos gamma,
H: Humedad,
E: edad de semilla.
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
Variable respuesta: Porcentaje de supervivencia de plantas en la generación M2

Hipótesis: Para cada una de las variables que se desea estudiar en el experimento, se prueban las
siguientes hipótesis:
1. Para las dosis de mutágeno:
Ho: a1=a2 = a3
Ha: a1 ≠ a2 ≠ a3
2. Para la humedad:
Ho: b1=b2
Ha: b1 ≠ b2
3. Para la edad de la semilla
Ho: c1=c2
Ha: c1 ≠ c2

73
Infostat
4. Para las interacciones

Ho: no hay interacción AB Ho: no hay interacción AC
Ha: hay interacción AB Ha: hay interacción AC
Ho: no hay interacción BC Ho: no hay interacción ABC
Ha: hay interacción BC Ha: hay interacción ABC.
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:
En la barra de herramientas seleccionamos Estadísticas y luego la opción Análisis de varianza:

74
Infostat
Donde aparece la siguiente pantalla:
Variable
dependiente
Factores en
estudio
No incluimos a las repeticiones debido a que el diseño es un DCA
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:

75
Infostat
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.
Cuadro 30. Análisis de varianza Diseño factorial A x B x C Completamente al Azar

del experimento para determinar la supervivencia de plantas (%)
Grados
Suma de Cuadrados F
Fuentes de Variación de p-valor
cuadrados Medios calculada
libertad
Mutágeno(A) 4497,33 2 2248,663 2322,03** 0,000
Humedad(B) 55,69 1 55,685 57,502** 0,000
Edad( C ) 186,84 1 186,835 192,93** 0,000
Mutágeno*Humedad(A x B) 2937,3 2 1468,651 1516,6** 0,000
Mutágeno*Edad (A x C) 3,23 2 1,616 1,669ns 0,203
Humedad*Edad(B x C) 0,23 1 0,227 0,234ns 0,631
Mutágeno*Humedad*Edad
8,14 2 4,072 4,205* 0,023
(AxBxC)
Error 34,86 36 0,968
Total 7723,61 47
C.V.: 1,55%
x: 63,53
* p<0,05>0,01 significativo
** p<0,01 altamente significativo
ns > 0,05 no significativo
C.V.: Coeficiente de Variación, x: promedio

76
Infostat
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 C: se acepta la hipótesis nula, no hay interacción entre Mutágeno y edad.
Interacción B x C: se acepta la hipótesis nula, no hay interacción entre humedad y edad.
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%.
Se selecciona los factores e

interacción que en el ADEVA
me dieron valores significativos
para el respectivo análisis
El infostat nos presenta los resultados de la siguiente maner:

77
Infostat
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
Figura 9. Comparación de medias de la aplicación de mutágeno(rayos gamma)

mediante la prueba de Tukey con una confiabilidad del 5%.

78
Infostat
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.
Cuadro 31. Comparación de medias respecto al porcentaje de Humedad mediante la

prueba de significancia de Tukey con una confiabilidad del 5%.
Humedad Medias Rango
40% 64,6 A
20% 62,45 B
Medias con una letra común no son significativamente diferentes (p>0,05)
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.
Cuadro 32. Comparación de medias de la edad de semilla mediante la prueba de

significancia de Tukey con una confiabilidad del 5%.
Edad Medias Rango
6 meses 65,5 A
12 meses 61,55 B
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.

79
Infostat
90
A
80
C
%Supervivencia plantas
B
70
D
60
E 40%Humedad
50 20%Humedad
F
40
30
100gy 200gy 300gy
Mutágeno
Figura 10. Comparación de medias de la interacción Mutágeno x %Humedad

mediante la prueba de significancia de Tukey al 5%.
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.
Cuadro 33. Comparación de medias de la interacción Mutágeno x %Humedad x Edad

de la semilla mediante la prueba de Tukey con una confiabilidad del 5%.
Mutágeno Humedad Edad Medias Rangos
100gy 40% 6 meses 80,85 A
100gy 40% 12 meses 75,53 B
100gy 20% 6 meses 75,33 B
200gy 20% 6 meses 73,78 BC
100gy 20% 12 meses 71,97 C
200gy 20% 12 meses 69,05 D
300gy 40% 6 meses 63,42 E
300gy 40% 12 meses 61,17 E
200gy 40% 6 meses 55,25 F
200gy 40% 12 meses 51,4 G
300gy 20% 6 meses 44,38 H
300gy 20% 12 meses 40,2 I
Medias con letra común no son significativamente diferentes (p>0,05)
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.

80
Infostat
9. DISEÑO EN PARCELAS SUBDIVIDIDAS
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.
El croquis del experimento se construye de la siguiente forma:
1. Se asignan al azar los niveles del factor A, a las parcelas grandes dentro de cada bloque.
2. Se aleatorizan los bloques.
3. Se asignan al azar los niveles del factor B, dentro de cada subparcela.
4. Se asignan al azar los niveles del factor C a cada sub-sub parcela.
El experimento se lleva a cabo como cualquier experimento con un diseño de bloques al azar.
El modelo es el siguiente:
Yijk= µ + βi + Sj+ Eij(a) + Hk + (SH)jk + Eijk(b) + Ml + (SM)jl + (HM)kl + (SHM)jkl + Eijkl(c).
Donde:
Yijkl es la observación de la distancia k, en el método de control l, en el sistema de labranza j, en el

bloque i.
µ = es la media verdadera general.
Bi es el efecto del bloque i
Sj es el efecto del sistema j
Eij(a) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHjk es el efecto de la interacción del sistema j espacio k
Eijk(b) es el error experimental de las subparcelas
Ml es el efecto del método l
SMjl es el efecto de la interacción de la distancia j método l
HMkl es el efcto de la interacción del espacio k y el método l
SHMjkl es el efcto de la interacción del sistema j, espacio k, método l
Eijkl(c) es el error experimental en sub-sub parcelas.

81
Infostat
9.2. Análisis de varianza Diseño en parcelas subdivididas
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

82
Infostat
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
N3(80kgN/ha)
M1 5,468 5,788 4,422 5,442 5,988 6,509 8,452 6,698 8,650
M2 5,759 6,130 5,308 6,398 6,533 6,569 8,662 8,526 8,514
M3 6,215 7,106 6,318 6,953 6,914 7,991 9,112 9,140 9,320
N4 (110kgN/ha)
M1 4,246 4,842 4,863 6,209 6,768 5,779 8,042 7,414 6,902
M2 5,255 5,742 5,345 6,992 7,856 6,164 9,080 9,016 7,778
M3 6,829 5,869 6,011 7,565 7,636 7,362 9,660 8,966 9,128
N5 (140kgN/ha)
M1 3,132 4,375 4,678 6,860 6,894 6,573 9,314 8,508 8,032
M2 5,389 4,315 5,896 6,857 6,974 7,422 9,224 9,680 9,294
M3 5,217 5,389 7,309 7,254 7,812 8,950 10,360 9,896 9,712
M1: Manejo mínimo, M2: Manejo óptimo; M3: Manejo Intensivo,
Rep.: repetición,
V1: Variedad 1, V2: Variedad 2, V3: Variedad 3
Los datos del cuadro anterior se ordenan de manera que sean comprensibles para el infostat.
Variedad Manejo Repetición N Rendimiento

1 1 1 1 3,320
1 2 1 1 3,766
1 3 1 1 4,660
1 1 1 2 3,188
1 2 1 2 3,625
1 3 1 2 5,232
1 1 1 3 5,468
1 2 1 3 5,759
1 3 1 3 6,215
1 1 1 4 4,246
1 2 1 4 5,255
1 3 1 4 6,829
1 1 1 5 3,132
1 2 1 5 5,389
1 3 1 5 5,217
2 1 1 1 6,101
2 2 1 1 5,096
2 3 1 1 6,573
Luego en la barra de herramientas de Infostat seleccionamos la celda Nueva tabla y elegimos la

opción Pegar con títulos en columnas. Posteriormente seleccionamos la pestaña Estadísticas y
elegimos la opción análisis de varianza.

83
Infostat
Se despliega el siguiente cuadro en la pantalla:
Variable
respuesta
Variables
clasificación

84
Infostat
Después aparece en la pantalla de análisis de varianza Modelo y en especificaciones agregamos

todas las interacciones necesarias para el Diseño de parcelas subdivididas
Especificaciones
Parcelas
subdivididas
Infostat nos da los siguientes resultados.
Con la ayuda de la tabla de Polinomios ortogonales analizamos los tratamientos del Nitrógeno.

85
Infostat
Valores de la tabla de
Polinomios ortogonales para
las comparaciones del N
Infostat presenta los siguientes resultados:
Posteriormente genero comparaciones ortogonales para el factor Manejo, donde comparo Manejo
Intensivo vs M. óptimo y M. mínimo; manejo óptimo vs manejo mínimo.
M. intensivo vs M. óptimo, M. mínimo
M. óptimo vs M. mínimo

86
Infostat
Infostat nos da los siguientes resultados:
Posteriormente se genera comparaciones ortogonales para el factor Variedades, donde comparo

V3 vs V1 y V2; V2 vs V1.
V3 vs V1, V2
V2 vs V1
Los resultados Infostat los presenta de la siguiente manera:
Con todos los datos obtenidos en el infostat, los llevamos a Excel para la presentación de los
resultados en el cuadro a continuación.

87
Infostat
Cuadro 36. Análisis de varianza del efecto sobre el rendimiento(t/ha) de tres

variedades de arroz bajo 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.
Suma de Grados de Cuadrados F
Fuentes de Variación p-valor
Cuadrados libertad Medios calculada
Repetición 0,73396 2 0,367 0,74ns 0,481
Nitrógeno 61,64848 4 15,412 27,688** 0,000
Nitrógeno lineal 52,65 1 52,65 94,58** 0,000
Nitrógeno cuadrático 7,05 1 7,05 12,67** 0,007
Nitrógeno cúbico 0,46 1 0,46 0,83ns 0,388
Nitrógeno cuartico 1,48 1 1,48 2,66ns 0,141
Error(A) 61,65 4 15,41
Manejo 42,95055 2 21,475 82,139** 0,000
M. mínimo, M. óptimo vs M. intensivo 35,23 1 35,23 134,75** 0,000
M. mínimo vs M. óptimo 7,721 1 7,721 29,53** 0,000
Nitrógeno x Manejo 1,10315 8 0,138 0,278ns 0,971
Error(B) 5,22903 20 0,261
Variedad 206,01 2 103,005 207,82** 0,0000
V1, V2 vs V3 169,746 1 169,746 342,48** 0,0000
V1 vs V2 36,264 1 36,264 73,165** 0,0000
Nitrógeno x Variedad 14,14742 8 1,768 3,568** 0,002
Manejo x Variedad 3,84761 4 0,962 1,941ns 0,115
Nitrógeno x Manejo x Variedad 3,70065 16 0,231 0,467ns 0,954
Error 29,73833 60 0,496
Total 373,56227 134
C.V.(a): 11.38%
C.V.(b): 7.79%
C.V.(c): 10.74%
C.V.: coeficiente de variación
ns : diferencias no significativas (p>0,05)
* : diferencias significativas (p>0,01<0,05)
**: diferencias altamente significativas (p<0,01)
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.

88
Infostat
Infostat presenta los siguientes resultados:

89
Infostat
Posteriormente trasladamos los resultados a Excel para la presentación de resultados en los

gráficos y cuadros necesarios.
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
Figura 11. Comparación de medias de los niveles de Nitrógeno, mediante la prueba

de Tukey con un nivel de significancia del 5%
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.

90
Infostat
9
A
8
7 B
Rendimiento (kg/ha)
6
C
5
4
3
2
1
0
V3 V2 V1
Variedades
Figura 12. Comparación de medias de las Variedades, mediante la prueba de Tukey

con un nivel de significancia del 5%
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)
Figura 13. Comparación de medias de las Interacciones Nitrógeno x Variedad,

mediante la prueba de Tukey con un nivel de significancia al 5%.
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.

91
Infostat
10. DISEÑO EN BLOQUES COMPLETOS AL AZAR CON

MUESTRAS REPETIDAS EN EL TIEMPO
El diseño de medidas repetidas implica el registro de la variable dependiente bajo diversas

condiciones. En un contexto manipulativo, estas condiciones pueden ser diferentes tratamientos
experimentales u ocasiones de medidas antes, durante o después de la intervención. En un
contexto no manipulativo, las medidas se registran en distintos intervalos temporales. Cuando el
factor tiempo es una variable de interés, el diseño se concibe como longitudinal.
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.

92
Infostat
10.3. Análisis de varianza Diseño en Bloques Completos al azar con

muestras repetidas en el tiempo
Es una variante de la aplicación factorial A x B
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
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

93
Infostat
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:
1. Para los fertilizantes

Ho: F1 = F2 = F3 = F4 = F5 = F6 = F7 = F8
Ha: F1 ≠ F2 ≠ F3≠ F4 ≠ F5 ≠ F6 ≠ F7 ≠ F8
2. Para los Estados de crecimiento

Ho: 15 días después del transplante = 40 días después del transplante = inicio estado panoja
Ha: 15 días después del transplante ≠ 40 días después del transplante ≠ inicio estado panoja
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.
Repetición Tratamiento Estado Nitrógeno

1 1 1 3,26
1 2 1 3,84
1 3 1 3,5
1 4 1 3,43
1 5 1 3,43
1 6 1 3,68
1 7 1 2,97
1 8 1 3,11
1 1 2 1,88
1 2 2 2,36
1 7 2 2,66
1 8 2 2,53
1 1 3 1,4
1 2 3 1,53
1 3 3 1,33

94
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:
Se despliega el cuadro a continuación.
Variable analizar
Factores en estudio

95
Infostat
Posteriormente especificamos el formato para el Diseño:
El infostat arroja los siguientes resultados:
La tabla de resultados que presenta el infostat la trasladamos al Excel y le damos formato para la
presentación de los resultados

96
Infostat
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:

97
Infostat
Datos
desactivados
Y se vuelve a realizar el análisis de varianza uno por uno a cada Estado:
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.

98
Infostat
El Infostat obtiene los siguientes resultados:
De la misma forma expuesta anteriormente desactivo los estados 1 y 3 y analizo el estado 2.
Desplegamos nuevamente la celda Estadísticas y escogemos análisis de varianza:

99
Infostat
Posteriormente se realiza el Análisis de varianza para el estado 2:

100
Infostat
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.
Desactivo estados 1 y 2, y analizo el estado 3
Desplegamos nuevamente la celda Estadísticas y escogemos análisis de varianza

101
Infostat
Posteriormente se realiza el Análisis de varianza para el estado 2:

102
Infostat
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.
Cuadro 42 Prueba de significancia de Duncan al 5%, para la comparación de medias

de ocho fertilizantes en interacción con cada estado de crecimiento.
Contenido de Nitrógeno %
Tratamiento P1 P2 P3
1 2,95 CD 1,84 E 1,33 BC
2 3,51 A 1,96 D 1,3 BC
3 3,35 AB 2,36 B 1,44 B
4 3,25 ABC 2,2 C 1,36 BC
5 3,3 ABC 1,8 E 1,24 C
6 3,17 ABCD 2,14 C 1,26 BC
7 2,8 D 2,76 A 1,64 A
8 3,04 BCD 2,4 B 1,39 BC
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.
Para el estado P2 el mejor tratamiento es el 7, para el efecto sobre el contenido de N (%) en el

suelo del cultivo de arroz.
Para el estado P3 el mejor tratamiento es el 7, 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.

103
Infostat
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
Figura 14. Prueba de significancia de Duncan al 5%, para la comparación de medias de

los estados de crecimiento.
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
Figura 15. Prueba de significancia de Duncan al 5%, para la comparación de medias de

los 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.

104
Infostat
11. RESUMEN DE ESPECIFICACIONES MODELO DE

DISEÑO EXPERIMENTAL
11.1. Diseño Completamente al azar
Esquema de análisis de varianza:

Fuentes de Variación Grados de Libertad
Tratamientos t-1
Error t ( r – 1)
Total t r -1
Disposición de datos Infostat:

Tratamientos Rendimiento
1 25
1 24
1 20
2 22
2 18
11.2. Diseño Bloques Completos al Azar

Fuentes de Variación Grados de Libertad Suma de Cuadrados
Total tr – 1 Xij2-(Xij)2 /rt
Tratamientos t–1 Xi2 /r - FC
Repeticiones
Bloques r -1 Xj2 /t - FC
Error Experimental (t - 1)(r -1) Diferencia
Disposición de datos Infostat

Tratamientos Repetición Rendimiento
1 1 25
1 2 24
1 3 20
2 1 22
2 2 18

105
Infostat
11.3. Diseño Cuadrado Latino

Fuentes de Variación Grados de Libertad Suma de Cuadrados
Total tr - 1 Xijk2-(Xijk)2 /t2
Tratamientos t-1 Xi2 /t - FC
Hileras n -1 Xj2 /t - FC
Columnas c-1 Xk2 /t - FC
Error Experimental (t - 1)(r -1) Diferencia
Disposición de datos Infostat:

Tratamientos Hileras Columnas Rendimiento
1 1 1 25
1 2 1 24
1 3 1 20
2 1 2 22
2 2 2 18
11.4. Diseño Factorial A X B

Fuentes de Variación Grados de Libertad
Total tr - 1
Repeticiones r-1
Tratamientos t-1
Factor A a -1
Factor B b-1
AxB (a – 1)(b-1)
Error Experimental (t - 1)(r -1)
Disposición de Datos en 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
Especificaciones del modelo en Infostat:

- A
- B
- A*B

106
Infostat
11.5. Diseño Factorial Parcela Dividida

Fuente de Variación Grados de libertad
Total rab – 1
Repeticiones r–1
Factor A Parcela Grande a–1
Error en Parcela Grande (a – 1)(r – 1)
Factor B Parcela Pequeña b–1
AxB (a – 1)(b – 1)
Error Experimental a(r – 1)(b -1)
Disposición de Datos en el Infostat:

Variedad N Repetición Rendimiento
1 1 1 4430
2 1 1 3944
3 1 1 3464
4 1 1 4126
1 2 1 5418
2 2 1 6502
Especificaciones del modelo en Infostat

- Repeticiones
- A\A* Repeticiones
- A* Repeticiones
- B
- A*B
11.6. Diseño Factorial A x B x C

Total rabc – 1
Repeticiones r–1
Tratamientos abc – 1
Factor A a–1
Factor B b–1
Factor C c–1
AxB (a – 1)(b -1)
AxC (a – 1)(c – 1)
BxC (b – a)(c – 1)
AxBxC (a – 1)(b – 1)(c – 1)
Error experimental (t – 1)(t – 2)(t – 3)

107
Infostat
Disposición de datos para el Infostat

Mutágeno Humedad Edad Repetición Supervivencia
1 1 1 1 80,1
1 1 2 1 75,3
1 1 1 2 82,3
1 1 2 2 75,6
1 1 1 3 82,5
Especificaciones del modelo en Infostat

- A
- B
- C
- A*B
- A*C
- B*C
- A*B*C
11.7. Diseño en Parcelas Subdivididas

Análisis de la parcela grande:
Repetición r-1
Parcela grande factor (A) a–1
Error (a) (r -1)(a - 1)
Análisis Parcela intermedia:
Parcela intermedia (B) b–1
AxB (a - 1)(b - 1)
Error (b) a(r - 1)(b - 1)
Análisis de Parcela pequeña:
Parcela pequeña ( C ) c–1
AxC (a - 1)(c - 1)
BxC (b - 1)(c - 1)
AxBxC (a - 1)(b - 1)(c - 1)
Total Rabc
Error ab(r – 1)(c-1)
Disposición de datos para el Infostat:

Variedad Manejo Repetición N Rendimiento
1 1 1 1 3,320
1 2 1 1 3,766
1 3 1 1 4,660
1 1 1 2 3,188
1 2 1 2 3,625
1 3 1 2 5,232
1 1 1 3 5,468

108
Infostat

- Repetición
- A\A*Repetición
- A*Repetición
- B\A > B* Repetición
- A* B
- A > B*Repetición
- C
- A*C
- B*C
- A* B*C
11.8. Diseño en Bloques Completos al Azar con muestras repetidas

en el tiempo

Repetición r-1
Tratamiento t-1
Error (a) (r -1)(t - 1)
Tiempo p-1
Tratamiento x Tiempo (t - 1)(p - 1)
Error (b) t(r - 1)(p - 1)
Total rtp - 1
Disposición de datos para el Infostat:

Repetición Tratamiento Estado Nitrógeno
1 1 1 3,26
1 2 1 3,84
1 3 1 3,5
1 4 1 3,43

- Repetición
- Tratamiento\Tratamiento*Repetición
- Tratamiento* Repetición
- Tiempo
- Tiempo* Tratamiento

109
Infostat
BIBLIOGRAFÍA
- Castillo, L. (2008). Introducción a la Estadística Experimental. Cuarta Edición. Universidad

Autónoma de Chapingo. México.
- 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
- Jijon, D. (2012). Manual de Infostat para diseño de experimentos en palma Africana.

Universidad tecnológica Equinoccial, Santo Domingo de los Tsachilas, ecuador.
- Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la Varianza y

Temas Relacionados: Tratamiento Informático mediante SPSS” Proyecto Sur de Ediciones.
- Lopez, E., González, B.(2008) , Diseño y Análisis de experimentos Fundamentos y

aplicaciones en Agronomía, Guatemala. Recuperado de:
http://issuu.com/byrong/docs/diseno_y_analisis_experimentos
- Mena, M.(2004). Alternativas de análisis estadístico en los diseños de medidas repetidas.

Universidad de Malaga. Faculdad de psicología. Recuperado de:
http://www.psicothema.com/pdf/3025.pdf.
- Molina, c. Apuntes seminario de investigación diseño experimental facultad de medicina.

Unidad deposgrado. Maestria en ciencias médicas. Sede Centro Médico Nacional siglo
XXI. Recuperado en: https://www.academia.edu/7025537/Ensayo_sobre_dise%C3%B1os_experimental
- Morales, J. Queme, J, Melgar, M. (2009), Infostat. Manual de uso: Ejemplos de los

principales métodos estadísticos utilizados en la industria cañera. Centro guatemalteco de
investigación y capacitación de la caña de azúcar. Santa Lucia Cotz.
- Universidad José Carlos Mariátegui, Experimentación Agrícola. (2009). Moquegua – Perú.

110

Manual Diseno Experimental PDF

Загружено:

Сведения о документе

Оригинальное название

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

Manual Diseno Experimental PDF

Загружено:

Авторское право:

Доступные форматы

2015

Manual de Diseño Experimental – Infostat

UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS AGRÍCOLAS

INSTITUTO SUPERIOR DE POSGRADO

I PROGRAMA DE MAESTRÍA EN SUELOS Y NUTRICIÓN VEGETAL

MÓDULO DE DISEÑO EXPERIMENTAL - PHD. EDISON SILVA

Diseño Experimental – Johanna Mantilla – Enero 2015

Diseño Experimental – Johanna Mantilla – Enero 2015

Diseño Experimental – Johanna Mantilla – Enero 2015

Diseño Experimental – Johanna Mantilla – Enero 2015

El diseño experimental es una técnica estadística que permite

El diseño experimental encuentra aplicaciones en la industria, la

Entre los programas estadísticos más conocidos en nuestro

En la maestría de Suelos y Nutrición Vegetal se ha utilizado

Bajo este contexto, se ha desarrollado el presente Manual de

Diseño Experimental – Johanna Mantilla – Enero 2015

El diseño experimental ha sido una herramienta útil en la generación de conocimiento científico. El

El diseño estadístico de experimentos se refiere al proceso para planear el experimento de tal

1.1. MÉTODO CIENTÍFICO

La aplicación del método científico es fundamental en la experimentación y generación de nuevo

El objetivo de la ciencia es lograr una descripción, explicación y predicción de los procesos o

1. Enunciado del problema

El término experimento puede verse de dos maneras:

Diseño Experimental – Johanna Mantilla – Enero 2015

Un experimento es la "observación deliberada bajo condiciones planeadas por el observador"

1.3. Características de un experimento bien planeado

El diseño de un experimento es sencillo, para la planeación del mismo se requiere de lógica,

Las características que debe poseer son:

1. Simplicidad. La selección de los tratamientos y la disposición experimental deberá

2. Grado de precisión. El experimento deberá tener la capacidad de medir diferencias

3. Ausencia de error sistemático. Se debe planear un experimento con el propósito de

5. Cálculo del grado de incertidumbre. En todo experimento existe algún grado de

1.4. Procedimientos para la experimentación

En la planeación y la conducción de un experimento, existe un gran número de consideraciones

Diseño Experimental – Johanna Mantilla – Enero 2015

1.4.1. Definición del problema

Formular precisa y específicamente el problema: Inicialmente se percibe la dificultad (hay un

Plantear el problema es afinar y estructurar más formalmente la idea de investigación,

1.4.2. Revisión de bibliografía

1.4.3. Diseño o planteamiento del experimento

El diseño o planteamiento del experimento consiste:

1. Ubicación del experimento.

1.4.4. Análisis de los datos e interpretación de los resultados

1.4.5. Elaboración del informe de la experimentación

Elaboración de un completo, legible y correcto informe de la investigación

Diseño Experimental – Johanna Mantilla – Enero 2015

1.5. Definiciones generales

1.5.3. Niveles de un factor

Son las diferentes categorías o niveles que toma un factor

En el mismo ejemplo tomado anteriormente, los niveles del factor son:

Conjunto particular de condiciones experimentales que se aplican a una parcela de acuerdo al

En experimentos de un factor, el número de tratamientos es igual al número de factores. En

Diseño Experimental – Johanna Mantilla – Enero 2015

a1b1 a1b2 a1b3

1.5.5. Unidad experimental

Ejemplo: una planta, un conjunto de plantas, un animal, un conjunto de animales.

Ejemplo: número de tallos, rendimiento (tallos/m2, kg/ha)

Número de veces que se repite el experimento básico.

Conjunto de mediciones que constituye parte de una población.

1.5.9. Muestra aleatoria

Unidad experimental en la cual ninguno de los tratamientos utilizados en el experimento es

Diseño Experimental – Johanna Mantilla – Enero 2015