Beruflich Dokumente
Kultur Dokumente
Tabla de contenido
INTRODUCCIN ...........................................................................................................10
REVISIN DE MTODOS ESTADSTICOS TILES EN AGRICULTURA ....................12
DEFINICIONES. .........................................................................................................12
MTODOS ESTADSTICOS DESCRIPTIVOS. .............................................................13
MEDIDAS DESCRIPTIVAS. .......................................................................................13
MEDIDAS DE TENDENCIA CENTRAL (MTC). ..........................................................14
VENTAJAS Y DESVENTAJAS. ..................................................................................14
CLCULO EN TABLAS DE FRECUENCIAS. .............................................................14
PROPIEDADES. .........................................................................................................15
MEDIANA (Me). ..........................................................................................................15
MODA (Mo). ................................................................................................................15
ELECCIN DE MEDIDAS. .........................................................................................15
MEDIDAS DE DISPERSIN. .....................................................................................16
LA DISTRIBUCION NORMAL. ...................................................................................17
PRUEBAS DE HIPTESIS (Inferencia estadstica) .......................................................18
DEFINICIONES. .........................................................................................................18
HIPTESIS NULA (Ho). .............................................................................................19
HIPTESIS ALTERNATIVA (Ha, H1). ........................................................................19
EJEMPLOS. ................................................................................................................19
ERRORES DEL TIPO I Y DEL TIPO II. ......................................................................20
LA DISTRIBUCION DE t (STUDENT). ...........................................................................21
PRUEBA DE t PARA OBSERVACIONES PAREADAS. .............................................21
PRUEBA DE t PARA MUESTRAS INDEPENDIENTES Y VARIANZAS IGUALES. ...23
CORRELACIN Y REGRESIN LINEAL ......................................................................24
CORRELACIN LINEAL. ...........................................................................................24
2
CLCULOS: ...............................................................................................................66
ANLISIS DE VARIANCIA (ADEVA) ..........................................................................67
CONCLUSIONES. ......................................................................................................67
DISEO COMPLETAMENTE AL
AZAR
CON SUBUNIDADES
POR UNIDAD
EXPERIMENTAL ............................................................................................................67
EJEMPLO: ..................................................................................................................69
CLCULOS: ...............................................................................................................70
ANLISIS DE VARIANCIA .........................................................................................70
CONCLUSIONES. ......................................................................................................71
DISEO DE BLOQUES COMPLETOS AL AZAR (DBCA) .............................................71
VENTAJAS. ................................................................................................................73
DESVENTAJAS. .........................................................................................................74
SORTEO Y DISEO...................................................................................................74
MODELO MATEMTICO. ..........................................................................................75
ANLISIS DE VARIANCIA (ADEVA) EN BLOQUES COMPLETOS AL AZAR ..........76
EJEMPLO. ..................................................................................................................76
TRATAMIENTOS ....................................................................................................77
CLCULOS. ...............................................................................................................77
ANLISIS DE VARIANCIA (ADEVA) ..........................................................................78
CONCLUSIONES. ......................................................................................................79
EFICIENCIA DEL DBCA. ............................................................................................79
DISEO CUADRADO LATINO ......................................................................................80
VENTAJAS. ................................................................................................................81
DESVENTAJAS. .........................................................................................................81
SORTEO Y DISPOSICIN EN EL CAMPO. ..............................................................81
MODELO MATEMTICO. ..........................................................................................82
6
ORTOGONALES
DEPENDIENDO
DEL
NMERO
DE
10
Experimentaci
Formulaci
n problema
Datos
Inferenci
Observacin
Las caractersticas que se miden en las muestras y presentan o estn sujetas a variacin
se denominan variables. Se pueden mencionar dos tipos de variables: cualitativas y
cuantitativas. En las primeras, cada individuo pertenece a una de varias categoras
mutuamente excluyentes (no se asigna a ms de una) y generalmente no son numricas,
Ej.: color, sabor, etc. Algunas se pueden calificar en una escala numrica (relativa) con el
fin de realizar un anlisis cuantitativo. En las variables cuantitativas, las observaciones
pueden medirse y poseen orden o rango natural Ej.: conteos, estaturas, pesos, etc. Pueden
12
ser de dos tipos: discreta y continuas; en las discretas los valores solo pueden tomar ciertos
valores, usualmente enteros Ej.: conteos, plantas por surco, ptalos en una flor. En cambio
en las variables cuantitativas continuas, es posible tener cualquier valor dentro de un cierto
intervalo, nmeros enteros o con decimales Ej.: Estaturas, pesos, etc. Todas estas medidas
se las conocen como variables dependientes, siendo las ms importantes, en una buena
parte de los estudios, el rendimiento y la calidad del producto. stas se deben distinguir de
las variables independientes, que son aquellas que son las que influyen o causan la
variacin en las variables dependientes, aqu podemos mencionar las variables del clima,
suelo, manejo del cultivo.
MEDIDAS DESCRIPTIVAS.
Los histogramas y tablas de frecuencia se pueden presentar en forma muy variada, lo que
hace difcil comparar dos conjuntos de datos. Adems, con un alto nmero de clases (1520) no presentan una informacin concisa, por lo que se hace necesario obtener cantidades
describan forma resumida el conjunto de datos, son de inters las cantidades que se
localizan al centro de las observaciones, MEDIDAS DE TENDENCIA CENTRAL (MTC) y
la dispersin o variabilidad de las mismas, que se conocen como MEDIDAS DE
DISPERSIN (MD).
13
x1 x2 x3 .... xn xi
N
N
x1 x2 x3 ... xn X i X
n
n
n
VENTAJAS Y DESVENTAJAS.
Ventajas: Fcil de calcular; excelentes propiedades tericas desde el punto de vista de
estadstica inductiva
Desventajas: Por ser punto de equilibrio, muy sensible a la presencia de observaciones
extremas
f v
i
= x pi vi
14
PROPIEDADES.
Las desviaciones de un grupo de observaciones desde su media = 0. (xi x)= 0
La suma de cuadrados (SC) de las desviaciones desde la media es mnimo (en
comparacin con la SC en relacin a otros valores).
MEDIANA (Me).
Valor que divide a los datos en mitades, 50% de cada lado (cuando estn ordenados), o
media de dos valores centrales, cuando el nmero de observaciones es par). Cuando se
presentan observaciones con distribuciones asimtricas es mejor medida de TC, que la
media.
MODA (Mo).
Valor con mayor frecuencia (si existe) de un grupo de datos, puede ser unimodal, bimodal,
trimodal.
Poco usada: a) Puede ocurrir que no exista.
b) A menudo no es un valor nico.
ELECCIN DE MEDIDAS.
-
15
MEDIDAS DE DISPERSIN.
Las MTC no son suficientes para caracterizar la distribucin o un conjunto de datos, debe
tomarse en cuenta la variabilidad de las observaciones. Ejemplo: Grupos de observaciones
con igual MTC, pero diferente variabilidad.
2, 4, 6 Media = 4.
4, 4, 4 Media = 4
DE=
X 1 2 X 2 2 ... X 3 2 i X i
x1 x x2 x ... x3 x
s2
n 1
x 2
n 1
i
CV
S
x100
X
En distribuciones normales:
a) El 68,27 % de datos estn comprendidos entre media - S y media + S
B) El 95.45 % estn comprendidos entre media - 2S y media + 2S
B) El 99.73 % estn comprendidos entre media - 3S y media + 3S
16
RANGO (AMPLITUD).- Da una idea sobre el grado de variacin de los datos, Rango =
Diferencia entre valor ms alto y valor ms bajo. Fcil de calcular.
LA DISTRIBUCION NORMAL.
Es de gran importancia debido a que es un modelo adecuado para una gran diversidad de
situaciones, entre estos tenemos: Fsica, Astronoma, Biologa, Agronoma y Medicina.
fx(x)
y x son parmetros
La distribucin normal es simtrica, continua y en forma de campana.
Sugiere mayor concentracin de datos alrededor de la media y a medida que stos se
aleja de l la frecuencia disminuye.
a) El 68,27 % de datos estn comprendidos entre - y +
b) El 95.45 % estn comprendidos - 2 y + 2
c) El 99.73 % estn comprendidos - 3 y + 3
Diferentes valores de en la forma de la distribucin
17
DEFINICIONES.
HIPTESIS ESTADSTICA.- aseveracin sobre un modelo probabilstico. Enunciado
respecto a una poblacin estadstica (usualmente respecto a los parmetros y 2.
Ejemplos: (Enunciados - Hiptesis)
a) La altura media del ecuatoriano adulto es 1.74m ()
b) La longitud media de una cierta marca de reglas de 15 cm. es 14.975 cm y la
desviacin estndar es de 0.05 cm.( y 2).
18
19
Solucin:
Valores de los
parmetros
Hiptesis
46
Ha
46
Ho
(DESCONOCIDA)
Ho ES FALSA
Error tipo I
RECHAZAR Ho
TOMADA
NO RECHAZAR
Ho
(Probabilidad )
Decisin correcta
Error tipo II
Decisin correcta
Probabilidad ()
Debido a que el investigador desea cuantificar la evidencia para rechazar Ho, un concepto
importante es la probabilidad de rechazo.
En una prueba de hiptesis, el valor mximo o probabilidad mxima con la que se puede
cometer un error del tipo I, se llama NIVEL DE SIGNIFICANCIA. En la prctica se
acostumbra a utilizar niveles de significancia () del 0.05 0.01, aunque el nivel de
significancia que se elija depender de la naturaleza del problema.
Ejemplo: si escogemos un nivel de significancia del 0.05 5%, para una prueba de hiptesis;
entonces hay aprox. 5 ocasiones en 100 en que se rechazara la hiptesis cuando debera
20
ser aceptada. Es decir se est con un 95% de confianza de que se toma la decisin
adecuada.
LA DISTRIBUCION DE t (STUDENT).
Otra de las distribuciones que tienen mayor uso en el anlisis de datos provenientes de
experimentos cientficos es la llamada t de Student. La distribucin de t tiene una apariencia
similar a la de la normal estndar, y se aproxima ms cuando
se tiene ms g.l. (t tiene ms
rea en las colas que la N (0,1)). Gosset determin que el uso de la S para predecir no
era confiable para muestras pequeas. Este autor ide la estadstica t, llamada t de
Student.
Por definicin t
sx
sx
s
n
En la prctica, esta prueba se aplica para probar la hiptesis nula de que no hay diferencia
entre los promedios de dos juegos de muestras:
X1 X 2
d
S X 1 X 2 sd
Esta frmula de t est dada por la diferencia entre medias de tratamientos, dividida por
el error tpico de la diferencia. En definitiva, la prueba de t resulta un anlisis de variancia
para dos tratamientos.
Var B
AB=D
D2
65
53
12
144
45
37
64
55
46
81
89
81
64
53
60
-7
49
64
54
10
100
84
89
-5
25
86
74
12
144
52
59
-7
49
32
29
A = 625
B = 582
D = 43
D2= 729
= 62.5
= 58.2
= 4.3
Ho : A = B
Ho : A B
22
D
d
D
nn 1
2/ n
90
Sd 6.04 2.45
g.l. 10 1 9t.05(9 g.l.) 2.262 TABULAR
Este es el valor para una prueba de dos colas.
d
4.30 / 2.45 1.76ns CALCULADO
Sd
Tc tt ns Aceptamos Ho.
El peso de los racimos observado de los dos hbridos de palma es igual.
Se revisar el clculo a travs de Excell e INFOSTAT
Sd S 2
S2
Donde:
n1 n2
n1xn2
SC X 1 SC( X 2 )
(n1 1) (n2 1)
23
Ejemplo: Altura de planta (cm) a los tres meses de edad, con y sin aplicacin de
microelementos, tomado en plantas de diferentes viveros en la misma plantacin.
A (sin suplemento)
B ( Con suplemento)
25
48
30
42
28
50
26
38
32
46
35
40
34
24
Positivo perfecto
Positivo alto
Positivo bajo
r = + 0.8
r = + 0.1
Cero
Negativo medio
Negativo perfecto
r=0
r = - 0.5
r=-1
r=+1
x
x
x
x
x
x
CLCULOS.
Para establecer el grado de relacin entre dos variables, se calcula el coeficiente de
determinacin (r2) y se determina el % de asociacin entre dos variables. Es decir r2 (100)
denota el porcentaje de la variacin de Y atribuible a X, el resto no se puede explicar.
26
( x x) y y
r2
x x y y
2
Cov xy
Var x Var y
xy
x y
Frmula opcional
xy x y / n
x x / n y y
2
r2
/n
Ejemplo:
Ofertas y precios de cerdos. Perodo 1980 - 1989
Ao
1980
73
18.0
1981
79
20.0
1982
80
17.8
1983
69
21.4
1984
66
21.6
1985
75
15.0
1986
78
14.4
1987
74
17.8
1988
74
19.6
1989
84
14.1
Hiptesis:
Ho = no hay correlacin entre variables, la relacin se debe a casualidad
Ha = hay correlacin entre variables.
x = 752
y = 179.7
xy= 13420.40
27
x2 = 56806
xy x y
x x / n y y
2
r2
r2 =
y2= 3297.53
/n
13420.40 752x179.7 / 10
56804.0 752
/ 10 3297.53 179.7 2 / 10
xy
x y
2
(-93.04)2/ (253.6)(68.32)
r2 = - 0.4996
r = - 0.707
Se mantiene el signo del numerador
SIGNIFICACIN ESTADSTICA.
La significacin depende del nmero de pares de observaciones, mientras mayor es el
nmero, mayor es la probabilidad de obtener significancia (debido n-2). La razn
comnmente presentada para la sustraccin de dos, es que se pierde un grado en el clculo
de la media y otro en la regresin. As como una observacin no tiene valor para detectar
variabilidad, dos pares no indican nada de la correlacin. El valor tabular con 8 grados de
libertad y al 5 % de probabilidad es de 0.6319. Por lo tanto como el valor calculado (en valor
absoluto) es mayor que el valor tabular, se indica que la asociacin entre las dos variables
es significativa al 5% de probabilidad.
rtab (8 g.l, 0.05) = 0.6319
rc = -0.707*
Se proceder al clculo en Excell e INFOSTAT.
PROPIEDADES.
a.
28
b.
Independiente del nmero de medidas, aunque se considera que son necesarios por
lo menos 20 (30) pares para tener confianza en un valor significativo de r.
c.
d.
e.
TRAMPAS.- (OBSERVACIONES).
1.
2.
144
256
336
384
400
384
336
256
144
10
295
73
339
78
343
85
344
91
357
100
359
109
368
119
395
125
414
129
406
135
385
142
394
139
404
140
420
147
446
156
30
Se puede observar que no existe una relacin lgica o de causalidad entre las dos variables,
por lo que se puede indicar que el coeficiente mide la relacin, pero no indica si sta es de
tipo causal. En este caso se obtiene un coeficiente alto de correlacin pero por casualidad.
MODELO RLS.Primero, se puede elaborar un diagrama de dispersin de los datos, lo cual ayuda en la
bsqueda del modelo ms adecuado. En la regresin lineal simple es modelo corresponde
al de la lnea recta (geometra analtica):
y = a + bx
y = o + 1x
y = + x
Donde:
a ( 0 ) = valor de y cuando el valor de x = 0. Ordenada al origen.
b ( 1 ) = pendiente de la recta, nmero de unidades que aumenta (o disminuye) y por
cada unidad que aumenta x, b puede ser positiva, negativa o cero, entera o fraccionaria.
31
tb
2
xy
b
S yx / X 2
2
xy / x
2
n2
Y = 125.1 + 0.591 X
Cuando X es igual a cero (peso = 0 Kg) correspondera a un individuo de 125 cm. De
estatura, y esto no es posible. Entonces, En qu condiciones se da una interpretacin
prctica de a o 0?.
En dos condiciones:
1.
2.
Otro Ejemplo:
X= nmero de empleados
Y= Ventas en cientos de miles de sucres.
Y = -0.5892 + 0.4159X
Y = -0.5892
Y = 125.1 + 0.591X
Se dira que al incrementar un kg de peso corresponde un incremento de 0.591 cm.
Entonces, un hombre puede comer hasta 126.9 Kg, para as llegar a medir 2 metros. Esto
es una interpretacin absurda, que recalca los errores que se cometen. Adems falta
causalidad peso-estatura y pensar en un solo individuo.
Lo correcto sera decir que individuos de poblaciones con una diferencia de 1 kg en
promedio difieren en estatura por 0.591 cm.
yi y ( yi y i ) ( y i y)
Desviacin total: Desviacin debida al error + desviacin debida a la regresin.
33
Desviacin del error: Error que se comete al ajustar una recta a puntos que estn sobre
ella.
Desviacin debido a la regresin: Depende de 1 (a mayor pendiente, mayor valor
absoluto de Yi Y). Por eso se llama desviacin debido a la regresin.
CME s2e: es de mucha importancia debido a que la confiabilidad de los estimadores 0 y
1 y Y disminuyen a medida que aumenta el CME. S2e depende de las unidades de medicin
y por lo tanto es intil tratar de comparar dos situaciones. Se puede analizar el coeficiente
de variacin de Y,CV (Y).
CV Se / Y
S2e depende de dos factores:
1. Fenmeno tiene muchas variables 2 grande
2. Modelo empleado no es el apropiado.
S2e (CME) se usa para comparar dos modelos de regresin. Para comparar la precisin de
ajuste.
EJEMPLOS:
Pesos (X) y estaturas (Y):
34
PUNTOS IMPORTANTES:
1.
2.
El coeficiente de correlacin lineal simple para mtodo substituto debe ser estimado
de datos con amplio rango. Ej: En el caso de la substitucin de peso de mazorca,
determinado de una muestra grande de razas maz de Ecuador y no solo de un grupo
de variedades promisorias.
Para evitar los errores los resultados se deben presentar con la siguiente informacin:
Rango de variables independientes; coeficiente de correlacin o el r 2 con significancia;
tamao de muestra; fuente de datos y representacin grfica.
36
37
DSOS XPRMTALS
INTRODUCCIN
En la seccin anterior se coment que la agronoma est muy lejos de ser una ciencia
exacta. Es tal el nmero de factores diferentes que influyen en el resultado final de la
produccin agrcola, que es muy difcil predecir los hechos cuando uno los cambia; por
lo tanto los problemas agronmicos se tienen que resolver por la va experimental. Las
respuestas que formulan los tcnicos o investigadores a esos problemas estn
generalmente en trminos de hiptesis, las cuales deben ser verificadas o desaprobadas
a travs de la experimentacin. Estas hiptesis estn usualmente sugeridas o derivadas
de experiencias pasadas, observaciones y, algunas veces, por consideraciones tericas.
EL MTODO CIENTFICO.
El objetivo de la ciencia es lograr una descripcin, explicacin y prediccin de los procesos
o fenmenos naturales. Es conocido que los investigadores utilizan el mtodo cientfico
dentro de su trabajo diario y que generalmente contiene los siguientes elementos:
Enunciado del problema
Revisin de hechos y teoras
Formulacin de hiptesis
Diseo del experimento
Conduccin del experimento
Anlisis de los datos e interpretacin de resultados
Publicacin o divulgacin de los resultados
EXPERIMENTO.
Es un ensayo destinado a probar la validez de la hiptesis propuesta. El experimento es un
instrumento de investigacin e importante paso del mtodo cientfico, es utilizado para
38
descubrir algo desconocido o para probar un principio o una hiptesis. Para disear
correctamente los experimentos, se requiere principalmente, de un conocimiento del cultivo
y de las tcnicas experimentales.
39
consideracin de los objetivos; pero una regla general podra ser elegir el diseo ms simple
que parece brindar la precisin requerida.
Seleccin de la unidad de observacin y del nmero de repeticiones.- El tamao de la
parcela y el nmero de repeticiones deben ser elegidos, para obtener la precisin requerida
en la estimacin de los tratamientos.
40
Control de los efectos entre unidades adyacentes.- Esto suele llevarse a cabo a travs
de la utilizacin de bordes o callejones de demarcacin y mediante la asignacin al azar de
los tratamientos.
Consideraciones acerca de los datos que se van a recabar.- Los datos obtenidos deben
medir apropiadamente los efectos del tratamiento, de acuerdo con los objetivos del
experimento.
Esquema del anlisis estadstico.- En el anlisis de variancia, deben indicarse las fuentes
de variacin y los grados de libertad asociados y las diversas pruebas F que se planean.
41
ALGUNAS DEFINICIONES
DISEO EXPERIMENTAL.
Conjunto de teoras matemticas
FACTOR.
Es una variable independiente que ser estudiada en una investigacin y est bajo el
control del investigador. Ejemplo: dosis de nitrgeno. Los factores pueden ser
cuantitativos (dosis de nitrgeno) o cualitativos (variedades, herbicidas, etc.).
NIVELES DE UN FACTOR.
Son los diferentes niveles o categoras que toma un factor, Ejemplo: para el factor dosis de
nitrgeno se pueden evaluar 100, 150 y 200 Kg/ha. La Simbologa aplicada es:
Factor A: Dosis de nitrgeno
a1 = 100 kg/ha
a2 = 150 kg/ha
a3 = 200 kg/ha
TRATAMIENTOS.
Conjunto particular de condiciones experimentales que se aplican a una parcela, de acuerdo
al diseo seleccionado. En experimentos con un solo factor, el nmero de tratamientos es
igual al nmero de niveles del factor. En experimentos factoriales los tratamientos se forman
por la combinacin de los niveles de dos o ms factores, Ejemplos:
42
Tratamiento
a1 = 100 kg/ha
T1 = 100 kg/ha
a2 = 150 kg/ha
T2 = 150 kg/ha
a3 = 200 kg/ha
T3 = 200 kg/ha
a1 = Ragnar
b1 = 100 kg/ha
a2 = PR 67-1070
b2 = 150 kg/ha
a3 = C 128-83
b3 = 200 kg/ha
a4 = CC 85-92
Tratamientos :
T1= a1b1
T5= a2b2
T9 = a3b3
T2= a1b2
T6= a2b3
T10= a4b1
T3= a1b3
T7= a3b1
T11= a4b2
T4= a2b1
T8=a3b2
T12= a4b3
En investigaciones de labranza o riegos las parcelas son mucho ms grandes y pueden ser
de 400 a 500 m2. En resumen, el tamao de la parcela deber ser aquella que permita medir
correctamente y eficientemente el efecto de los tratamientos y adems debe permitir
eliminar el efecto de borde, que es la influencia positiva o negativa producida por algn
factor extrao como los tratamientos vecinos, temperatura, caminos, etc.; como
consecuencia de aquello se debe establecer la parcela o unidad experimental til o neta.
En lo que se refiere a la forma, por regla general la parcela experimental debe ser
rectangular pero cuando se tiene o supone que el terreno a utilizarse para el ensayo es muy
variable, la parcela debe ser lo ms cuadrada posible.
VARIABLE.
Es una caracterstica medida en una unidad experimental. Son las variables dependientes
en el experimento a travs de la cual se mide el efecto de los tratamientos, tambin se la
conoce como variable respuesta. Ejemplo: altura de planta, incidencia de roya, produccin,
etc.
EFECTO.
Los efectos de un factor son medidos en el cambio en respuesta producidos por la variacin
en los niveles de un factor. Diferencia en respuesta entre niveles.
44
CLASES DE EXPERIMENTOS
Existen diferentes clasificaciones para determinar las clases de experimentos, sin embargo
una clasificacin prctica podra ser la siguiente: Experimentos preliminares, simples,
factoriales y regionales.
EXPERIMENTOS PRELIMINARES.
El investigador empieza con un gran nmero de tratamientos, los que le darn una pauta
para el trabajo futuro. As, un fitomejorador inicia su trabajo con miles de lneas o clones, de
los cuales se seleccionarn una a tres como nuevas variedades. En fertilizacin, se combina
en un experimento factorial mltiples tratamientos, para luego reducirlos a unos pocos con
los que se siguen las evaluaciones. Estos experimentos son los ms sencillos en cuanto a
la planificacin y en muchas ocasiones no se requiere de un anlisis estadstico complicado.
EXPERIMENTOS SIMPLES.
Se utilizan cuando se analizan factores independientes, ejemplo: investigaciones sobre
riego, fertilizacin o variedades, cada factor es estudiado por separado en diferentes
ensayos. Si bien estos experimentos requieren una mayor complejidad en la planificacin
que el tipo anterior, sin embargo los anlisis estadsticos son simples aunque ya se utilizan
diseos experimentales.
EXPERIMENTOS FACTORIALES.
Son aquellos en que se evalan dos o ms factores y permiten obtener informacin de
cada uno de los factores y de la interaccin entre ellos. Reflejan en mejor forma que los
experimentos simples la realidad de la muestra o poblacin en estudio. Requieren de una
mayor planificacin que los tipos anteriores y los anlisis estadsticos son ms complicados.
45
ENSAYOS REGIONALES.
Son aquellos que utiliza el investigador para confirmar los resultados obtenidos en la
estacin o granja experimental. Para tener confianza en los resultados y ampliar el alcance
de las inferencias es necesario repetir el ensayo en diferentes lugares, sobre distintos suelos
y en condiciones climticas variables. Se establecen los ensayos en localidades
representativas de grandes zonas, a la que se espera beneficiar con la nueva tecnologa o
prctica agropecuaria.
2.
3.
46
error no es sinnimo de equivocacin, sino que incluye todos los tipos de variacin extraa,
que puede ser de dos fuentes:
1. Variacin inherente al material experimental al cual se aplican los tratamientos como:
heterogeneidad del suelo, constitucin gentica, competencia, etc.
CR 74250
725 kg
Unidades
experimentales
homogneas
60 m2
CR 74250
710 kg
CR 74250
725 kg
Unidades
experimentales
homogneas
60 m2
Ragnar
690 kg
47
REPETICIN.
Significa que un tratamiento se prueba dos o ms veces en las unidades experimentales.
Su funcin es suministrar una estimacin del error experimental y brindar una medicin ms
precisa de los efectos de tratamiento, incrementar el alcance de las inferencias y ayudara a
controlar el error experimental.
ALEATORIZACIN O MUESTREO ALEATORIO.Es la asignacin al azar de tratamientos a las unidades experimentales, de modo que todas
las U.E. tengan iguales probabilidades de recibir un tratamiento. Su funcin es asegurar
estimaciones imparciales de medias de tratamientos y del error experimental. Para su
implementacin pueden utilizarse tablas, calculadoras, fichas, computadora, etc.; este
procedimiento debe realizarse de tal forma que no influya el criterio del investigador en la
asignacin de los tratamientos a las parcelas.
A
B
Gradiente de fertilidad
Si existiese gradiente de fertilidad o un manejo desigual (ejemplo riegos) y si no se sortean los tratamientos, uno de ellos
se encontrar en mejores condiciones o estara en ventajas sobre el otro.
48
CONTROL LOCAL.
Se refiere a la cantidad de balanceo, bloques y agrupamiento de las U.E. que se emplean
en un diseo experimental. Ejemplo: en el Diseo de Bloques Completos Al Azar, los
tratamientos son agrupados en bloques que se espera tengan un desempeo diferente,
pero dentro de cada bloque las unidades experimentales deben ser homogneas.
Debido a que la habilidad para detectar las diferencias existentes entre tratamientos crece
cuando el tamao o medida del error experimental decrece, un buen diseo experimental
incorpora todas las medidas posibles para minimizar el error experimental. Las tcnicas ms
comunes son:
BLOQUEAMIENTO.
Dependiendo del tipo de diseo utilizado, los tratamientos se agrupan en conjuntos de
unidades experimentales homogneas (bloques o subbloques), para que la medicin del
efecto de tratamientos sea ms preciso
ANLISIS DE DATOS.
En los casos en que el bloqueamiento no es suficiente para realizar un adecuado control
del error experimental, el escoger un anlisis de datos adecuado puede ayudar
49
SELECCIN DE TRATAMIENTOS.
Tiene gran importancia en la precisin de un experimento. Ejemplo: Se puede incrementar
la precisin al probar ms de un factor. En lugar de disear un experimento por factor, puede
realizarse con dos factores, fertilizacin y densidad, y se obtiene informacin de los factores
individuales y de la interaccin de los dos.
REFINAMIENTO DE LA TCNICA.
La tcnica es responsabilidad del experimentador, quien debe asegurar su precisin,
especialmente en los siguientes puntos:
Asegurar uniformidad en la aplicacin de los tratamientos. En las aspersiones, se debe
aplicar correctamente a cada U.E. la dosis adecuada o prevista en el tratamiento, o un
control de los factores internos como la aplicacin de riegos, insecticidas, etc.
51
52
b). Son variaciones no pertinentes las determinadas por causas ajenas al tratamiento en
estudio, las cuales vienen a interferir con las variaciones pertinentes y a enmascarar su
intensidad, intensificando o atenuando las diferencias entre los distintos tratamientos.
Como se indic anteriormente, son muchos los factores que influyen en el resultado final de
un experimento agronmico, por lo que es esencial dar a los tratamientos del ensayo
condiciones muy similares. Por ejemplo: si se trata de determinar cul es la mejor variedad
para una regin determinada, cada parcela debe ir sembrada con semilla de una variedad,
y todas las dems condiciones: suelo, fecha de siembra, intensidad y fecha de los riegos,
labores culturales, etc., deben ser exactamente las mismas para todas las parcelas, si se
quiere que las diferencias de rendimiento entre unas y otras se deban exclusivamente a la
variedad que se haya sembrado en ellas, en este caso, lo nico que debe variar de una
parcela a otra, en las condiciones que intervienen en el experimento, es la variedad. Si, por
el contrario, se desea determinar la densidad de siembra, estando sometidas todas ellas a
los mismos riegos, idnticos abonos, iguales labores, las parcelas deben ser sembradas
todas con la misma variedad. Una gran parte del xito de una experiencia agrcola, se debe
al grado de uniformidad que se haya logrado obtener en aquellos factores ajenos al que es
objeto de experimentacin.
53
Otros aspectos que se deben tomar en cuenta en la conduccin del experimento, son que
los investigadores deben aplicar procedimientos libres de riesgos personales o favoritismos,
por lo que es necesario tomar ciertas precauciones en la identificacin de los tratamientos
o parcelas, para que la evaluacin sea lo ms imparcial. De igual manera, debe tomarse en
consideracin la calificacin de algunas variables con escalas subjetivas, para lo cual se
deber solicitar el apoyo de otros tcnicos y definir una calificacin promedio.
En la recoleccin de los datos debe evitarse el cansancio por el acopio de una gran cantidad
de datos, que evita que se produzcan errores. Adems, debe organizarse la recoleccin de
los datos que eviten esos errores y faciliten la tabulacin y anlisis de la informacin.
Cuando sea necesario copiar los datos de un libro a otro, deben comprobarse que se hayan
copiado los nmeros en forma exacta. Cuando se observan anotaciones que aparecen
fuera de lugar, se deben comprobar en las parcelas donde se obtuvieron esos datos.
Todas estas consideraciones demuestran la importancia de los problemas que tiene que
resolver el experimentador agrcola, para obtener conclusiones valederas y justifican la
necesidad de utilizar tcnicas especiales y relativamente complejas, para la realizacin de
los experimentos de campo.
ANLISIS DE VARIANCIA
Este anlisis que se llama anlisis de variancia (ADEVA, ANDEVA, ANAVA o ANOVA)
fue introducido por Ronald Fisher y es en esencia un procedimiento aritmtico que
consiste en desdoblar la variacin total (suma de cuadrados totales) en fuentes de
variacin conocidas, incluyendo la variacin proveniente de la variabilidad inherente del
54
Efecto de tratamiento
T1
T2
180
160
20
(180 160)
II
120
100
20
(120 100)
Efecto de
60
60
Repeticin
(180 120)
(160 100)
56
GRADOS DE LIBERTAD.
Fisher introdujo en el proceso de anlisis de variancia el concepto de grados de libertad
o de independencia, que se aplica a otros tipos de estudios estadsticos. Se llama grados
de libertad al nmero de comparaciones independientes menos uno, que puedan hacerse
de un grupo de datos. As, cuando se trata de la suma de cuadrados de las desviaciones
de cierto nmero de observaciones respecto a su media aritmtica, el nmero de grados
de libertad es igual a n-1. Este nmero se justifica fcilmente, si se determina la media
aritmtica de n observaciones, la suma de las n desviaciones respecto a la media debe
valer cero,
restante queda determinada automticamente para que la suma pueda ser nula, es decir
solo pueden variar libremente n-1 desviaciones, y una vez calculadas, la restante viene
impuesta por los valores que tomaron las otras.
Ejemplo: Para un experimento de cinco variedades con cuatro repeticiones que tiene un
total de 20 parcelas, los grados de libertad del total sern, 20 - 1 = 19, los grados de
libertad para las variedades sern 5 - 1 = 4 y para repeticiones 4 - 1 = 3.
57
Rep.
Tratamientos
1
x11
x21
x31
xt1
x.1
x12
x22
x32
xt2
x.2
x13
x23
x33
xt3
x.3
x1r
x2r
x3r
xtr
x.r
Tratamiento
x1.
x2.
x3.
xt.
x..
Rep.
.1
.2
.3
Tratamiento
1.
2.
3.
t.
.r
..
VENTAJAS.
1. Fcil de ser planificado y sencillo de ser ejecutado.
2. Es flexible en cuanto al nmero de tratamientos y observaciones para cada uno
de ellos.
3. El nmero de repeticiones puede variar de tratamiento en tratamiento, sin
embargo, es preferible que se tenga igual nmero de repeticiones por tratamiento.
4. No existe prdida de la simplicidad en el anlisis estadstico si algunas o todas las
unidades experimentales de un tratamiento se pierden o tienen que rechazarse.
5. Este tipo de diseo permite tener el mximo de grados de libertad para el error
experimental.
DESVENTAJAS.
1. Para ser usado requiere de material experimental muy homogneo.
2. Se aplica efectivamente slo cuando se emplea un nmero reducido de
tratamientos.
3. Es el menos eficiente de todos los diseos, de all que no se recomiende en
experimentacin de campo.
59
tratamientos
observaciones (repeticiones)
Para los diferentes diseos existen diferentes tipos o modelos de anlisis, los ms
utilizados son:
MODELO I O FIJO.
De acuerdo al cual, el conjunto de tratamientos estudiados constituye toda la poblacin y
las inferencias obtenidas de los resultados son vlidas slo para esa poblacin o
experimento. La repeticin del experimento incluir el mismo juego de tratamientos.
MODELO II O AL AZAR.
La repeticin del experimento incluira un nuevo juego de tratamientos, pero de la misma
poblacin. Es decir, que los tratamientos estudiados constituyen una muestra sacada de
una gran poblacin y las inferencias obtenidas se aplican a esta ltima.
Adems existen modelos mixtos, la adopcin de cualquiera de los modelos depende del
criterio del investigador, el modelo ms usado es el I, pero en algunas investigaciones de
gentica y fitomejoramiento, el modelo usado es el II.
60
n=t xr
Grados
de
libertad
tr 1
Tratamientos t 1
Suma de
Cuadrados
ij
i.
Error
t (r 1)
F calculada
SCTratamientos
G.L.Tratamientos
CMTratamientos
CME.Experimental
ij
rt
Cuadrados Medios
FC
Diferencia
SCE.Experimental
G.L.E.Experimental
El clculo del valor F sirve para probar la significancia de los tratamientos. A continuacin
se observan los valores tabulados de F, con f 1 = G.L.tratamientos y f2 = G.L.error experimental para
los niveles de 5 % y 1 % de significancia. Se compara el valor calculado de F con los
tabulares y se determina la significancia de los efectos entre tratamientos de acuerdo a
las siguientes reglas:
Si el valor de F calculado es mayor que el valor tabular de F al 1 % de nivel de
significancia, se dice que la diferencia entre tratamientos es altamente significativa o la
diferencia entre tratamientos es significativa estadsticamente al 1 % de probabilidad. En
el cuadro se colocan dos asteriscos en el valor de F calculado.
61
EJEMPLO.
Evaluacin de cinco variedades de raigrs anual, bajo condiciones de invernadero en la
provincia de Pichincha
Ho: V1 = V2 = V3 = V4 = V5
Ha : V1 V2 V3 V4 V5
101
51
83
67
29
93
61
68
40
45
93
59
72
46
51
96
58
75
52
42
i.
383
229
298
205
167
x.. = 1282
95.75
57.25
74.5
51.25
41.75
.. = 64.1
i.
62
CLCULOS.
Factor de correccin =
FC =
ij
ij
rt
2
12822
4X 5
= 82176.2
FC
i.
FC
total
SC tratamientos.
Grados de
libertad
Suma de
cuadrados
19
8 167.8
Tratamientos
Error
Experimental
15
Total
Cuadrados
medios
F calculada
7 285.8
1 821.5
30.98 **
882.0
58.8
1821.5
= 30.98 **, con 4 y 15 grados de libertad.
58.8
63
Comparando el valor de F calculado (30.98) con los valores tabulares para los niveles de
5 y 1 %, 3.06 y 4.98, respectivamente; Se puede observar que los supera ampliamente,
por lo que se indica que a travs del ADEVA se han detectado diferencias altamente
significativas entre tratamientos, por lo tanto se rechaza la H 0 y aceptar la H1: existen
diferencias entre tratamientos.
CM Error Exp.
X 100
58.8
X 100 = 11.96 %
64.1
CONCLUSIONES.
En el anlisis de variancia se observa que existen diferencias altamente significativas
entre variedades, para el peso de materia verde a los 60 das despus de la siembra; por
lo tanto
64
Tratamientos
Grados de
libertad
ri. 1
t1
Suma de
cuadrados
ij
i.
ri
Error
Diferencia
ij
ri
FC
Diferencia
EJEMPLO.
En el presente ensayo se determin la eficiencia para transmitir a la descendencia de tres
reproductores vacunos, mediante la evaluacin del peso (en Kg) de los terneros hijos de
cada reproductor, a los cuatro meses de nacidos.
65
Ho : Los tres reproductores son igualmente eficientes para transmitir sus caractersticas
a la descendencia.
A= B = C
la descendencia.
Terneros
(Observaciones)
Reproductores (Tratamientos)
A
90
73
101
92
99
96
100
90
64
83
101
103
84
92
81
93
76
i.
606
548
364
Xij = 1518
ri = 17
ri
i.
86.57
91.33
91.00
.. 89.29
CLCULOS:
ij
15182
Factor de correccin =
FC =
ri
ij
17
= 135548.47
i.
ri
FC
7
6
4
total
SC tratamientos
66
.=
Grados
de
libertad
Suma de Cuadrados
F
cuadrados medios
calculada.
Total
Tratamientos
(reproductores)
16
1963.53
88.48
44.24
Error Experimental
14
1875.05
133.93
Coeficiente de variacin =
F.tab.
5%
0.33 ns
3.74
F.tab.
1%
6.51
133.93
X 100 = 12.96 %
89.29
CONCLUSIONES.
En el ADEVA para el peso de los terneros a los cuatro meses de nacidos, no se
observaron diferencias estadsticas significativas para reproductores; por lo tanto se
acepta Ho, de que los tres reproductores son eficientes para transmitir a la descendencia
sus caractersticas. El coeficiente de variacin de 12.96 % es aceptable.
leyes del azar o de algn criterio preestablecido, por ejemplo: slo aquellas plantas
ubicadas del lado derecho de la maceta.
manera:
i = 1, ..., t tratamientos
j = 1,..., r observaciones (repeticiones)
k = 1,..., m muestras (subunidades)
En funcin de este modelo matemtico, el esquema del anlisis de variancia del DCA con
submuestras ser el siguiente:
Fuente de
variacin
Suma de
Cuadrados
Total
Grados
de
libertad
rtm 1
Tratamientos
t1
SC tratamiento
Error exper.
t (r 1)
SC error experimental
CM error
CMe.e./CMerror
experimental
muestreo
Error de muestreo
tr(m-1)
diferencia
Cuadrados F calculada
Medios
SC total
SC error muestreo
CM error
(diferencia)
muestreo
68
EJEMPLO:
Se evaluaron cuatro soluciones nutritivas en soya bajo invernadero. Se midi la altura de
planta a los treinta das de la siembra; se sembraron tres macetas por tratamiento y dentro
de cada maceta se evaluaron dos plantas de cuatro que crecieron en cada maceta,
entonces tenemos:
Tratamiento : 4 soluciones nutritivas
Observaciones o U.E.: 3 por tratamiento
Muestras: 2 por U.E.
Variable: Altura de planta en cm, al mes de la siembra.
Ho : Sol1 = Sol2 = Sol3 = Sol4
Ha : Sol1 Sol2 Sol3 Sol4
Tratamientos
Unidad
Experimental
Muestras
U. Experim.
tratamientos
Total
Sol. 1
Sol. 2
Sol. 3
Sol. 4
II
III
II
III
II
III
II
III
27
32
33
24
27
20
30
22
24
21
18
15
30
29
35
20
26
22
27
21
21
19
17
14
57
61
68
44
53
42
57
43
45
40
35
29
186
139
145
104
574
69
CLCULOS:
Xijk
5742
FC =
rtm
SC Total =
Xijk
3X 4X 2
2
= 13728.17
Xi..
SC tratamientos =
rm
FC
Xij.
SC unidades experimentales =
SC
error experimental =
SC
error muestreo
34.0
ANLISIS DE VARIANCIA
Fuente de
variacin
Total
Grados de Suma de
Cuadrados
libertad
Cuadrados
Medios
F calculada
F Tab.
5%
1%
23
751.83
Tratamientos
564.83
188.28
9.58**
4.07
7.59
Error exper.
153.00
19.12
6.76**
2.85
4.50
12
34.00
2.83
Error
de
muestreo
muestreo)/
m =
70
19.12 2.83
= 8.145
2
CV (E) =
CV(M)=
8.145
x 100 = 11.93 % y,
23.92
2.83
X 100 = 7.03 %
23.92
CONCLUSIONES.
En el ADEVA se observa que existen diferencias altamente significativas, tanto para
tratamientos como para el error experimental; es decir, se rechaza la hiptesis nula de
que las soluciones nutritivas actan de igual forma en el crecimiento de las plantas.
Adems, se observa que hay variacin entre unidades experimentales dentro de un
mismo tratamiento.
El C.V. de 7.04% refleja el grado de precisin y exactitud con que se ha manejado esta
investigacin y es muy bueno.
ser de igual tamao y cada uno de ellos debe contener a todos los tratamientos una sola
vez.
El objetivo principal del Bloque es reducir el error experimental, para lo cual se agrupan
las unidades experimentales homogneas dentro de cada bloque, minimizando la
variabilidad tanto como sea posible y maximizando las diferencias entre bloques. La
variacin entre bloques no afecta claramente a las diferencias entre medias de
tratamientos, ya que cada tratamiento aparece el mismo nmero de veces en cada
bloque. Una condicin necesaria es que no exista interaccin entre los tratamientos y los
bloques o repeticiones.
En ensayos de campo, todo cambio en la tcnica u otra condicin que pueda afectar los
resultados debe hacerse en todo el bloque. Por ejemplo, si la cosecha de las parcelas se
extiende en un periodo de tiempo, todas las parcelas de un bloque debern cosecharse
el mismo da. Los bloques pueden estar ubicados uno al lado del otro, o uno debajo del
otro, separados o an se podran disponer en campos experimentales diferentes, o en
pocas diferentes. Como ya se indic, mientras mayor sea la variacin entre bloques y
se incrementa la homogeneidad dentro de ellos, se reducir el error experimental.
VENTAJAS.
1.
2.
Se caracteriza por ser flexible, puesto que se puede usar un amplio nmero de
tratamientos y bloques o repeticiones por tratamiento.
3.
4.
Si por algn motivo se pierde datos de las parcelas, pueden usarse tcnicas como
la frmula de Yates para su clculo, sin que ello complique el anlisis estadstico.
73
DESVENTAJAS.
1.
2.
SORTEO Y DISEO.
El proceso de sorteo para un DBCA es aplicado separadamente e independientemente
para cada uno de los bloques. Se usar un ejemplo de un experimento de campo con
seis tratamientos y cuatro repeticiones, para lo cual deben seguirse los siguientes pasos:
1. Divida el rea experimental en r bloques iguales, donde r es el nmero de
repeticiones, siguiendo la tcnica de bloqueo descrita anteriormente. Para el
ejemplo, el rea experimental es dividida en cuatro bloques. Asumiendo que hay
una gradiente de fertilidad unidireccional a lo largo del campo experimental, la
forma del bloque se hace en forma rectangular y perpendicular a la direccin de la
gradiente.
2. Subdivida el primero bloque en t parcelas o unidades experimentales, donde t es
el nmero de tratamientos. Numere las t parcelas en forma consecutiva de 1 a t,
(101 10t), y asigne los tratamientos al azar a las parcelas siguiendo cualquiera
de los esquemas ya discutidos en el diseo completo al azar. Para el ejemplo
indicado en el punto anterior, el bloque I es dividido en seis parcelas de igual
tamao, las que son numeradas consecutivamente de arriba abajo, y de izquierda
a derecha, y los seis tratamientos son asignados al azar a las parcelas.
3. Repetir el paso dos completando para todos los bloques y la distribucin final sera
como el figura 2.
74
Bloque I
Bloque II
Bloque III
Bloque IV
12
13
24
11
14
23
10
15
22
16
21
17
20
18
19
MODELO MATEMTICO.
El DBCA se ajusta a un modelo matemtico en el que una observacin cualquiera es
igual a:
ij = + i + j +ij
i = 1, ...., t tratamientos
j = 1, ...., r repeticiones (bloques)
Ntese que se adiciona una fuente de variabilidad (de repeticiones) que corresponde a
la variabilidad entre bloques, si comparamos con el diseo completamente al azar.
75
Tratamientos
Grados
de
libertad
rt 1
t1
Suma de
Cuadrados
ij 2
i.
Repeticiones
(bloques)
Error Exper.
r-1
. j
t
F calculada
SCTratamientos
G.L.Tratamientos
CMTratamientos
CME.Experimental
SC Re peticiones
GL Re peticiones
CM Re peticiones
CME.Experimental
ij
rt
FC
Cuadrados Medios
FC
(t-1)(r1) Diferencia
diferencia
SCE.Experimental
G.L.E.Experimental
EJEMPLO.
En un experimento se evaluaron cuatro variedades de sorgo forrajero en Nuevo Len,
Mxico. Se registr el rendimiento del forraje seco (heno) en Kg/ parcela.
Ho : V1 = V2 = V3 = V4
Ha : V1 v2 V3 V4
Factor : Variedades de sorgo forrajero
76
Repeticiones : 5
Niveles:
a1 = Honey (testigo)
Tratamientos:
T1 = Honey (testigo)
a2 = Milk Maker
T2 = Milk Maker
a3 = Silo King
T3 = Silo King
a4 = Beef Builder
T4 = Beef Builder
Datos:
TRATAMIENTOS
Repeticin
T1
T2
T3
T4
Repet.
32.3
33.3
30.8
29.3
125.7
II
34.0
33.0
34.3
26.0
127.3
III
34.3
36.3
35.3
29.8
135.7
IV
35.0
36.8
32.3
28.0
132.1
36.5
34.5
35.8
28.8
135.6
tratam.
172.1
173.9
168.5
141.9
X..=
656.4
34.42
34.78
33.70
28.38
X .. 32.82
X Tratam.
CLCULOS.
Factor de correccin =
FC =
ij
ij
rt
2
656.42
5X 4
= 21543.05
FC
77
i.
FC
172.12 . . . 141.92
21543.05
5
. j
t
FC
125.72 . . . 135.62
21543.05
4
Grados
de
Suma de Cuadrados
F
cuadrados Medios
Calculada
libertad
Total
F.
Tabular
F.
Tabular
5%
1%
19
182.17
Tratamientos
134.44
44.81
20.46 **
3.49
5.95
Repeticiones
21.46
5.37
2.45
3.26
5.41
Error exper.
12
26.27
2.19
C. V. =
2.19
X 100 = 4.51 %
32.82
78
CONCLUSIONES.
En el anlisis de variancia se observa que existen diferencias altamente significativas
para tratamientos, por lo tanto se puede indicar que existe diferencias en el
comportamiento de las variedades en esta variable, por lo tanto se rechaza la hiptesis
nula y se acepta la alternativa. No se detect ninguna significacin estadstica para
repeticiones. El coeficiente de variacin de 4.51 %, es aceptable.
(r 1)CMR r (t 1)CMEE
x 100
(tr 1)CMEE
Donde:
r = Nmero de repeticiones
t = Nmero de tratamientos
CMR = Cuadrado medio de repeticiones
CMEE = Cuadrado medio del error experimental
Es decir, que la eficiencia relativa de 125 % significa que debiendo haber obtenido 100
% en el diseo completo al azar, se ha obtenido con el Diseo de Bloques Completos al
Azar un incremento del 25 %. Es decir, que al haber usado DBCA se gan en eficiencia.
79
Ensayos de campo con insecticidas, donde la migracin del insecto tiene una direccin
predecible y que es perpendicular a la gradiente de fertilidad dominante en el campo
experimental.
La presencia del bloqueo en hileras y bloqueo en las columnas en el DCL es muy til para
controlar dos fuentes de variacin independientes, esto tambin constituye su mayor
80
restriccin en el uso de este diseo. Esto se debe al requerimiento de que todos los
tratamientos deben aparecer en cada hilera y en cada columna, esto se puede alcanzar
si el nmero de repeticiones es igual al nmero de tratamientos. Como resultado de esto,
cuando el nmero de tratamientos es grande, el diseo se vuelve impracticable, debido
al gran nmero de repeticiones requeridas. Por otro lado, cuando el nmero de
tratamientos es pequeo, los grados de libertad asociados con el error experimental son
muy bajos para estimar con precisin el Error Experimental. As, en la prctica, el DCL
es aplicable slo para experimentos en los cuales el nmero de tratamientos es no menor
a cuatro y no mayor a ocho o diez. Debido a esta limitacin el DCL no ha sido
ampliamente usado en experimentos agrcolas, pese a su gran potencial para controlar
el error experimental.
VENTAJAS.
La estratificacin en
DESVENTAJAS.
1. El nmero de tratamientos est limitado por el nmero de columnas e hileras, no
debe ser mayor de 10 ni menor de 4.
81
1. Seleccionar un plan o patrn para un DCL 5 x 5 de un libro que para este caso es:
H1
H2
H3
H4
H5
Col1
A
B
C
D
E
Col2
B
A
D
E
C
Col3
C
E
A
B
D
Col4
D
C
E
A
B
Col5
E
D
B
C
A
Ntese que en la primera columna e hilera, los tratamientos se encuentran ordenados y ningn
tratamiento se repite en hileras o columnas.
C
D
B
E
A
D
E
A
C
B
A
B
E
D
C
E
A
C
B
D
B
C
D
A
E
Col4
E
A
C
B
D
Col1
C
D
B
E
A
Col5
B
C
D
A
E
Col3
A
B
E
D
C
Col2
D
E
A
C
B
MODELO MATEMTICO.
Una observacin cualquiera es igual a la media poblacional de la variable ms el efecto de
tratamientos, ms el efecto de hileras, ms el efecto debido a columnas y ms el error experimental.
Xijk = + i + j + k + ijk
i = 1 .... t tratamientos
j = 1 ....h hileras
k = 1 .... k columnas
82
Tratamientos
Grados
de
libertad
t2 1
Suma de
Cuadrados
ijk
t=h=c
CMTratamientos
CME.Experimental
FC
SC Hileras
G.L. Hileras
CMHileras
CME.Experimental
FC
SC Columnas
G.L. Columnas
CMColumnas
CME.Experimental
. j.
h-1
..k
c -1
t
Error exp.
SCTratamientos
G.L.Tratamientos
t2
t
Columnas
FC
ijk
t
Hileras
F calculada
i..
t1
Cuadrados
Medios
(t-1)(t2)
diferencia
Diferencia
SCE.Experimental
G.L.E.Experimental
EJEMPLO.
Rendimiento de grano (ton/ha) de cuatro lneas endogmicas de maz.
Disposicin en el campo:
B
83
Datos (t/ha)
Hileras
Col1
Col2
Col3
Col4
hileras
H1
1.640
1.210
1.425
1.345
5.620
H2
1.475
1.185
1.400
1.290
5.350
H3
1.670
0.710
1.665
1.180
5.225
H4
1.565
1.290
1.655
0.660
5.170
columnas
6.350
4.395
6.145
4.475
TOTAL
21.365
TRATAMIENTO
T1
= 5.855
1.464
T2
= 5.885
1.464
T3
= 4.270
1.068
T4
= 5.355
1.339
CLCULOS.
ijk
FC =
SCtotal =
21.3652
=
= 28.528952
42
t2
ijk
ijk =
2
t2
. j.
SCTratamiento =
FC =
84
. j.
SChileras =
..k
SCcolumnas =
t
FC =
FC =
Fuente de
Grados de
Suma de
Cuadrados
variacin
libertad
Cuadrados
Medios
Total
15
1.413923
Tratamientos
0.426842
0.142281
6.59 *
Hileras
0.030154
0.010051
0.465 ns
Columnas
0.827342
0.275781
12.77 **
Error exp.
0.129585
0.021598
C.V. =
F tab
5%
4.76
1%
9.78
0.021598
X 100 = 11.0 %
1.3353
h(T H C) 2G
(h 1)(h 1)
85
Donde:
h = Nmero de hileras
T = Total de tratamientos donde se perdi la unidad experimental
H = Total de la hilera donde se perdi la unidad experimental
C = Total de la columna donde se perdi la unidad experimental
G = Gran total sin considerar la unidad experimental perdida
Una vez calculado el valor por la frmula, se reemplaza en la tabla de datos, se realiza el
ADEVA y se resta una unidad a los grados de libertad del total y del Error Experimental.
ER.(DCA)
Donde,
CMh = Cuadrado medio de hileras
CMc = Cuadrado medio de columnas
CMEE
= Nmero de tratamientos
ER ( DBCA, hilera)
CMh (t 1)CMEE
t CMEE
ER ( DBCA, columna)
CMc (t 1)CMEE
t CMEE
Cuando los grados de libertad del error experimental son menores a 20, el valor de la
Eficiencia Relativa debe ser multiplicado por el factor de ajuste (K), definido como:
t 1 t 2 1t 12 3
t 1t 2 3t 12 1
PRUEBAS DE SIGNIFICACIN
establece cul o cules de los tratamientos son iguales o diferentes. Para conocer esto,
se usa las pruebas de significacin o pruebas de separacin de medias; a continuacin
se revisarn las pruebas ms comnmente usadas.
entre un grupo de medias de tratamientos. Por otra parte, si la prueba va ha ser utilizada,
debe aplicarse slo cuando la prueba de F en el ADEVA es significativa o altamente
significativa.
Ejemplo:
d 12 1 2
d 35 3 5
glEE)
Cuadrado Latino: S d
2CMEE
r
CMEE
1 1
r1 r2
EJEMPLO.
Datos obtenidos en el ensayo de cinco variedades de raigrs donde se evalu el peso
de materia verde a los 30 das despus de la siembra en Diseo Completamente al Azar.
Para este ejemplo tomamos al tratamiento cinco como el testigo, por lo que realizamos
las comparaciones de los otros cuatro tratamientos con relacin a ste (T5).
Promedios
T1
T2
T3
T4
T5 (Testigo)
95.75
57.25
74.50
51.25
41.75
CMEE = 58.8
g.l.EE = 15
Sd
Repeticiones = 4
2 x 58.8
5.42
4
= 11.55
Comparaciones
Diferencias
5%
T1 vs T 5 =
T2 vs T 5 =
T3 vs T 5 =
T4 vs T 5 =
ns
PRUEBA DE TUKEY
Es una prueba de separacin de medias de tratamientos considerada como honesta y es
una de las ms usadas en investigacin. Se aplica cuando se quiere comparar ms de
dos tratamientos. El procedimiento de clculo es similar al de la DMS, en cuanto se refiere
a que es necesario calcular un solo valor para determinar la significacin de las
diferencias entre medias de tratamientos.
T Q , p, glEE S d
Donde: Q(,p, glEE) se obtiene de la tabla de Amplitudes Estudentizados Significativos,
con = nivel de probabilidad (5 % 1 %), p = t = nmero de tratamientos y g.l. EE =
grados de libertad del error experimental.
El error estndar entre medias de tratamientos se calcula as:
Sd
CMEE
r
Donde:
CMEE = cuadrado medio del error experimental
r = nmero de repeticiones.
Si se aplica esta prueba, a los datos utilizados en la prueba de DMS se obtiene:
Tratamiento
T1
T3
T2
T4
T5 (Testigo)
Promedio
95.75
74.50
57.25
51.25
41.75
Orden
1
2
3
4
5
2. Calcular el valor de Tukey, que es el mnimo valor que tiene que cumplir las
diferencias entre medias de tratamientos para que sea declarada significativa.
T Q5%, 5, 15
58.8
4
T = 4.37 x 3.834
T = 16.76
3. Se comparan las diferencias entre las medias de tratamientos, con el valor
calculado; al igual que en la DMS, si la diferencia entre medias supera al valor
calculado se declara significativa o se indica que los tratamientos son diferentes,
ejemplo:
(T1) 95.75 (T3) 74.50 = 21.25 *
Al ser diferente del segundo tratamiento (T 3) en orden descendente va ha ser
diferente de los dems, se coloca la letra a en el promedio de T 1 y luego seguirn
con las siguientes comparaciones:
(T3) 74.50 (T2) 57.25 = 17.25*
93
Tratamiento
Promedio
T1
T3
T2
T4
T5
95.75
74.50
57.25
51.25
41.75
Rango de
significacin
a
b
c
c
c
CONCLUSIONES.
Al realizar la prueba de significacin de Tukey al 5 % de probabilidad, se detectaron tres
rangos de significacin, en el primer rango se muestra el tratamiento 1 con un promedio
de 95.75 g., y es diferente y superior de los dems tratamientos. El tratamiento 3 se
presenta en el segundo rango con un promedio de 74.5 g. y es superior a los tratamientos
2, 4 y 5. Los tratamientos o variedades 2 y 4 comparten el ltimo rango con el testigo que
present un promedio de 41.75 g.
94
de Duncan requiere del clculo de una serie de valores, cada uno corresponde a un grupo
especfico de pares de comparaciones.
del valor especfico de S d del grupo de tratamientos que estn siendo comparados. As,
para el ejemplo revisado con la prueba de DMS, se sigue el siguiente procedimiento:
1. Ordenar todas las medias de tratamientos en forma decreciente o creciente. As,
para rendimiento se ordena desde el tratamiento que presenta la media ms alta,
hasta finalizar con el tratamiento que presenta la media ms baja. Para datos de
incidencia de plagas o enfermedades se ordenan normalmente, desde el
tratamiento con menor incidencia, hasta el tratamiento con mayor infeccin o
infestacin.
Tratamiento
T1
T3
T2
T4
T5
Promedios
95.75
74.50
57.25
51.25
41.75
Sd
CMEE
= 3.834
r
Nmero de
medias
2
3
4
5
RMD(5 %)
RMS
3.01
3.16
3.25
3.31
11.53
12.10
12.45
12.68
Valor
21.25
T1 T2 =
95.75 57.25 =
38.5
T1 - T4 =
95.75 51.25 =
44.5
T1 - T5 =
95.75 41.75 =
54
17.25
T3 - T4 = 74.50 51.25 =
23.25
T3 - T5 = 74.50 41.75 =
32.75
96
6.00
T2 - T5 = 57.25 41.75 =
15.50
9.5
Este valor no supera al RMS para los tratamientos (11.53), por lo tanto, se
declara a los dos tratamientos iguales, se coloca a la letra d a los dos. Con
esta informacin se conforma un Cuadro que debe contener lo siguiente:
Promedios para peso de materia verde a los 30 das de la siembra en cinco
variedades de raigrs y prueba de Duncan al 5 % de probabilidad.
Tratamiento
T1
T3
T2
T4
T5
Promedios para
Materia verde (g)
95.75
74.50
57.25
51.25
41.75
Rangos 1/
a
b
c
cd
d
1/ Promedios seguidos por una misma letra no difieren estadsticamente Duncan P (0.05)
97
CONCLUSIONES.
En el Cuadro anterior se presentan los promedios y prueba de Duncan al 5% de
probabilidad, para el peso de materia verde (g) de cinco variedades de raigrs,
observndose que existen cuatro rangos de significacin. En el primer rango se presenta
el tratamiento 1 con un promedio de 95.75 g.; en el segundo rango se presenta el
tratamiento 3 con un promedio de 74.50 g. En el ltimo rango (d) se encuentran los
tratamientos 4 y 5 que presentan los promedios ms bajos y son los peores de acuerdo
con esta variable.
TRANSFORMACIONES
Entre las suposiciones bsicas o requisitos para el ADEVA, los errores experimentales
de las variables deben ser independientes y las varianzas deben distribuirse normalmente
y ser homogneas. Hay ocasiones en que esto no sucede; en Entomologa, por ejemplo,
las parcelas tratadas con insecticidas van a presentar un rango amplio en la cantidad de
insectos presentes, debido al control producido por ellos. En este caso, las suposiciones
de independencia y normalidad no se cumplen. Para realizar el ADEVA, hay que
transformar los datos, en cuyo caso, la prueba de F es mucho ms sensitiva para detectar
diferencias reales entre tratamientos.
tratamientos y sus variancias. Al transformar los datos, estos se convierten a una nueva
escala, resultando un nuevo grupo de datos, que se espera cumplan con los requisitos
bsicos para realizar un ADEVA. Debido a que la transformacin es aplicada a todos los
datos, los valores comparativos entre tratamientos no se alteran y las comparaciones entre
ellos se mantienen vlidas.
98
x 0.5 .
TRANSFORMACIN LOGARTMICA.
Esta transformacin es la ms apropiada para datos donde la desviacin estndar es
proporcional a la media o donde los efectos son multiplicativos. Los efectos multiplicativos
en la escala original, se convierten en aditivos en la escala logartmica. Se usa este tipo
de transformacin cuando las observaciones son nmeros enteros que tienen un rango
amplio. Datos del nmero de insectos por parcela o nmero de masas de huevos por
planta o por unidad de rea son ejemplos tpicos.
Para transformar los datos en escala logartmica, simplemente obtenemos el logaritmo de
cada una de las observaciones de esa variable. Para cantidades pequeas (menos de 10),
se aade uno a cada observacin y, en lugar de log x, se toma el log (x+1).
99
Esta transformacin se obtiene mediante la determinacin del ngulo cuyo seno es la raz
de cuadrada del dato (porcentaje) en frmula: arcoseno
EXPERIMENTOS FACTORIALES
Los experimentos de un solo factor se han convertido en el modelo tpico de la
investigacin cientfica, sin embargo, en el campo de la biologa. Los diversos factores
no actan nica y exclusivamente en forma independiente, sino que interaccionan entre
s 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 o DCL, los experimentos
factoriales no son diseos experimentales, sino constituyen arreglos de tratamientos o
factores que se disponen en cualquiera de los diseos experimentales conocidos u otros.
Por ejemplo, se indica que se est usando un diseo de Bloques Completos al azar en
arreglo factorial 3 x 4 (Factor A con tres niveles y Factor B con cuatro niveles), con cuatro
repeticiones.
100
NOTACIN.
Como ya es conocido, los factores se definen con letras maysculas que pueden ser las
primeras letras del alfabeto o las iniciales del factor en estudio (Ej., N, P, K). Los niveles
dentro de cada factor se identifican con letras minsculas acompaados con subndices
numricos, Ejemplo:
Variedad (3)
FA = a1, a2 , a3
V = v1, v2 , v3
pocas (4)
FB = b1, b2 , b3
E = e1, e2 , e3
Tratamientos = 3x4
T 1 = a 1 b1
T 5 = a 2 b1
T 9 = a 3 b1
T 2 = a 1 b2
T 6 = a 2 b2
T10 = a3 b2
T 3 = a 1 b3
T 7 = a 2 b3
T11 = a3 b3
T 4 = a 1 b4
T 8 = a 2 b4
T12 = a3 b4
P=3
K=2
Factorial: 2 x 3 x 2
n0 = 0 kg/ha
p0 = 0 kg/ha
k0 = 0 kg/ha
n1 = 60 kg/ha
p1 = 60 kg/ha
k1 = 80 kg/ha
p2 = 120 kg/ha
Tambin se utiliza la identificacin por potenciacin, donde la base igual a los niveles y
el exponente igual al nmero de factores:
= 23 = 2 x 2 x 2 = 8 tratamientos
= 53 = 5 x 5 x 5 = 125 tratamientos
= 25 = 2 x 2 x 2 x 2 x 2 = 32 tratamientos
101
VENTAJAS Y DESVENTAJAS.
Los experimentos factoriales dependiendo del tipo de diseo experimental que se use,
se ajustarn a las ventajas y desventajas de dichos diseos experimentales, al igual que
debern respetarse y considerarse todas las caractersticas que se han especificado en
cada uno de ellos para su implementacin.
Se puede indicar como ventaja general y muy importante al hecho de que al estudiar
algunos factores, simultneamente se obtiene informacin de cada uno de ellos en forma
independiente, adems de las posibles interacciones que se puedan presentar.
Sin embargo, si se consideran muchos factores, no solo que el anlisis se complica, sino
que las inferencias, conclusiones y recomendaciones que puedan hacerse pueden ser
confusas y no valederas. Adems, como el nmero total de tratamientos en un
experimento es el resultado del producto de los factores por sus niveles, su nmero
aumentar grandemente si se aaden ms factores o ms niveles. As, en un
experimento donde se evalan 10 variedades, cuatro niveles de fertilizacin con N y
control de plagas con tres productos diferentes, el nmero de tratamientos ser: 10 x 4 x
3 = 120. Obviamente, el experimento se convierte en muy complejo y costoso. En casos
como ste, es mejor hacer experimentos previos que nos reduzcan el nmero de factores
o niveles, por ejemplo, evaluar las variedades y escoger los cinco mejores y se reduce a
60 tratamientos.
INTERACCIONES.
Se dice que existe interaccin de dos factores, si el efecto entre los niveles de uno de los
factores cambia, mientras cambian los niveles del otro factor.
Ejemplo de interaccin y no interaccin entre factores: Si tenemos dos factores, dos
variedades (V1 y V2) y dos niveles de nitrgeno (N0 y N1) y representamos el rendimiento
en t/ha.
t/ha
t/ha
102
4-
V2
4-
3-
V1
3-
2-
2-
1-
1-
n0
n1
V2
V1
n0
No interaccin
n1
Interaccin intermedia
t/ha
t/ha
4-
V2
3-
4-
V2
3-
2-
V1
1-
2-
V1
1-
n0
n1
Interaccin intermedia
n0
n1
Interaccin fuerte
La interaccin entre dos factores puede ser medida solamente, si los dos factores se
evalan conjuntamente en el mismo experimento. Cuando no existe interaccin, el efecto
simple de un factor, es el mismo para todos los niveles de los otros factores e igual al
efecto principal. Cuando la interaccin est presente, el efecto simple de un factor,
103
cambia mientras cambia los niveles del otro factor. Por lo tanto, el efecto principal de un
factor es diferente de los efectos simples.
0 kg N ha
60 kg N ha
Promedios
1.0
3.0
2.0
2.0
4.0
3.0
Promedios
1.5
3.5
EFECTOS SIMPLES.
Efecto simple de variedad a n0: = 2.0 1.0 = 1.0 t/ha
Efecto simple de variedad a n1: = 4.0 3.0 = 1.0 t/ha
Efecto simple del nitrgeno en X: = 3.0 1.0 = 2.0 t/ha
Efecto simple del nitrgeno en Y: = 4.0 2.0 = 2.0 t/ha
Como puede observarse en los clculos anteriores, los efectos simples del factor variedad
en no y n1 son iguales ( 1.0 t/ha). De igual manera, los efectos simples del factor nitrgeno
son iguales en las variedades X y Y (2.0 t/ha), esto nos indica que no existe interaccin
entre los dos factores.
104
EFECTOS PRINCIPALES.
Los efectos principales de cada factor se calculan obteniendo un promedio de los efectos
simples, dentro de cada uno de ellos, en el caso sin interaccin el efecto principal es igual
a:
Efecto principal de Variedad:
= (1/2) (Efecto simple de variedad a n0 + Efecto simple de variedad a n1)
= (1/2) (1.0 + 1.0) = 1.0 t/ha
Efecto principal de Nitrgeno:
= (1/2) (Efecto simple de nitrgeno a X + Efecto simple de nitrgeno a Y)
= (1/2) (2.0 + 2.0) = 2.0 t/ha
0 kg N/ ha
60 kg/ N ha
Promedios
1.0
1.0
1.0
2.0
4.0
3.0
Promedios
1.5
2.5
EFECTOS SIMPLES.
En un experimento de dos factores con interaccin, los efectos simples y principales de
un factor ya no son iguales.
Efecto simple de variedad a n0: = 2.0 1.0 = 1.0 t/ha
Efecto simple de variedad a n1: = 4.0 1.0 = 3.0 t/ha
105
EFECTOS PRINCIPALES.
Efecto principal de Variedad:
= (1/2) (Efecto simple de variedad a n0 + Efecto simple de variedad a n1) =
= (1/2) ( 1.0 + 3.0) = 2.0 t/ha
MODELO MATEMTICO.
Est en funcin del diseo estadstico que se use, as:
Utilizando un D.C.A.:
Unifactorial
Xij = + i + Eij
AxB
AxBxC
106
En un DBCA
Unifactorial
Xij = + i + j + Eij
AxB
AxBxC
Repeticiones
2
ijk t 2
r-1
..k
Tratamientos
ab 1
ij.
a1
i..
b 1
SC Re peticiones
GL Re peticiones
CM Re peticiones
CME.Experimental
FC
SCTratamientos
G.L.Tratamientos
CMTratamientos
CME.Experimental
FC
SC Factor A
G.L. Factor A
CM FactorA
CME.Experimental
FC
SC Factor B
G.L. Factor B
CM Factor B
CME.Experimental
SC A B
G.L. A X B
CM A X B
CME.Experimental
rb
Factor B
FC
r
Factor A
ab
. j.
ra
F calculada
AXB
(a-1)(b-1) SCTrat SC A SC
B
Error exp.
(t-1)(t2)
diferencia
Diferencia
SCE.Experimental
G.L.E.Experimental
EJEMPLO.
En una investigacin utilizando un D.B.C.A. se evaluaron tres variedades de arroz y tres
niveles de nitrgeno siembra con cuatro repeticiones. La variable evaluada fue altura de
planta en cm., a los 90 das despus de la siembra.
107
Factor A =
Variedades de arroz
Niveles:
a1 = INIAP 11
Factor B =
Niveles de Nitrgeno
Niveles:
b1 = 80 Kg/ha
a2 = INIAP 12
b2 = 120 Kg/ha
a3 = Donato
b3 = 140 Kg/ha
Tratamientos:
T 1 = a 1 b1
T4= a2 b1
T 7 = a 3 b1
T 2 = a 1 b2
T5= a2 b2
T 8 = a 3 b2
T 3 = a 1 b3
T6= a2 b3
T 9 = a 3 b3
TRATAM.
REPETICIONES
II
III
45
43
Trat
Prom.
IV
46
190
47.5
a 1 b1
I
56
a 1 b2
60
50
45
48
203
50.75
a 1 b3
66
57
50
50
223
55.75
a 2 b1
65
61
60
63
249
62.25
a 2 b2
60
58
56
60
234
58.5
a 2 b3
53
53
48
55
209
52.25
a 3 b1
60
61
50
53
224
56
a 3 b2
62
68
67
60
257
64.25
a 3 b3
73
77
77
65
292
73
555
530
496
500
2 081
57.81
108
B
b1
b2
b3
F.A.
12/
4/
Factor A
a1
190
203
223
616
51.33
a2
249
234
209
692
57.67
a3
224
257
292
773
64.42
12/
F.B.
F.B
36/
663
694
724
55.25
57.83
60.33
2 081
57.81
Para este tipo de experimentos se plantearn tres hiptesis nulas y tres alternativas:
H01: a1 = a2 = a3
H02: b1 = b2 = b3
Ha1: a1 a2 a3
H02: b1 b2 b3
CLCULOS.
Factor de correccin =
20812
= 120193.36
36
36 = r x a x b
1902 2922
FC = 1947.89
4
SCA =
SCB =
SC Repeticiones =
ANLISIS DE VARIANCIA
Fuente de
variacin
Total
Grados de
libertad
(axbxr) 1
35
Tratamientos
(axb) 1
Suma de
Cuadrados
Cuadrados
Medios
2 627.64
-
F calculada
(1 947.89)
(243.49)
(13.78)**
A (Variedad)
a1
1 027.39
513.70
29.07**
B (Niveles N)
b-1
155.06
77.53
4.39*
(a 1)(b 1)
765.44
191.36
10.83**
255.64
85.20
4.82**
24
424.11
17.67
AxB
Repeticiones
r 1
Error exp.
Diferencia
CV =
17.67
100 = 7.27 %
57.80
CONCLUSIONES.
En el ADEVA se observan diferencias estadsticas altamente significativas para
variedades, la interaccin variedades por pocas y repeticiones. Adems, se observa
diferencias al 5% de probabilidad para pocas de siembra. Se aceptan las hiptesis
alternativas de hay diferentes respuestas entre variedades, al igual que en pocas y estos
dos factores no actan independientes, sino que existe interaccin entre ellos, el CV de
7.27 es aceptable para este tipo de variable.
110
Para las pruebas de significacin cambia el error estndar de las medias S d
de
S dA
CMEE
r xb
S dB
CMEE
r xa
S d AXB
CMEE
r
FACTORIALES A x B x C
EJEMPLO DE UN FACTORIAL 23.
En una investigacin en lechuga, usando un DBCA, se analiz el efecto de la fertilizacin
nitrogenada, fosfrica y potsica empleando en cada una de ellas dos niveles, el nmero
de repeticiones que se us en la investigacin fue de cinco, la variable evaluada fue
rendimiento en Kg/parcela neta.
Hiptesis
Factores y niveles
N : n0 = 0 Kg/ha; n1 = 80 Kg/ha
de N, n0 = n1
H a = n0 n 1
H0 = p0 = p1
K: k0 = 0 Kg/ha ; k1 = 40 Kg/ha
H a = p0 p 1
H0 = k0 = k1
H a = k0 k 1
H0 = No hay interaccin entre factores
Ha = Si hay interaccin entre factores
111
Tratamientos:
T1 = n0 p0 k0
T5 = n1 p0 k0
T2 = n0 p0 k1
T6 = n1 p0 k1
T3= n0 p1 k1
T7 = n1 p1 k0
T4 = n1 p0 k0
T8 = n1 p1 k1
DISPOSICIN EN EL CAMPO.
I
1
2
3
4
5
6
7
8
II
8
1
4
6
5
2
7
3
III
3
7
5
8
2
1
4
6
IV
5
1
7
3
4
2
6
8
V
8
4
7
5
2
1
6
3
DATOS DE CAMPO:
Tratamientos
1. n0 p0 k0
2. n0 p0 k1
3. n0 p1 k0
4. n0 p1 k1
5. n1 p0 k0
6. n1 p0 k1
7. n1 p1 k0
8. n1 p1 k1
Repet.
8/
I
5
5
4
4
6
3
6
9
42
II
7
10
7
9
7
7
9
10
66
III
3
5
3
4
6
5
7
9
42
IV
3
4
4
3
5
3
4
8
34
V
2
1
2
0
6
2
4
9
26
NPK
5/ 20
25
20
20
30
20
30
45
40/ 210
_
X NPK
4
5
4
4
6
4
6
9
5.25
112
N
n0
P
p0
p1
N
_
XN
40
85
n1
50
75
125
4.25
6.25
10/
20/
45
P
95
115
40/ 210
20/
_
XP
4.75
5.75
N
n0
K
k0
k1
N
10/
20/
40
45
85
K
20/ 100
110
40/ 210
n1
60
65
125
_
XK
5.00
5.50
Los valores de los factores deben ser iguales en las diferentes tablas
P
K
p
k0
k1
p0
50
45
20/ 95
10/
p1
50
65
115
20/
K
100
110
CLCULOS:
2102
= 1102.50
40
SCTotal = 52 + .....+ 92 FC = 259.5
202 .... 452
SCTratam. =
FC = 107.5
5
852 1252
SCN =
FC 40.0
20
FC =
SCP =
952 1152
FC 10.0
20
452 752
SCNxP =
FC SCN - SCP = 22.5
10
r=5
r x p x k = 20
r x n x k = 20
r x k = 10
113
1002 1102
FC 2.5
20
SCNxK =
SCPK =
r x n x p = 20
402 652
FC SCN - SCK = 0.00
10
502 652
FC SCP - SCK = 10.0
10
r x p = 10
r x n = 10
axbxc=8
ANLISIS DE VARIANCIA
F de V
G.L.
SC
CM
Fcal.
F tab.
5%
Total
39
Tratamiento (7)
259.5
(107.5)
N
P
NP
K
NK
PK
NPK
Repeticin
40
10
22.5
2.5
0
10
22.5
112
Error Exp.
28
40
1
1
1
1
1
1
1
1%
(15.36)
40
10
22.5
2.5
0
10
22.5
28
27.99**
6.99**
15.73**
1.75ns
0.00ns
6.99*
15.73**
19.58**
4.2
4.2
4.2
4.2
4.2
4.2
4.2
2.71
7.64
7.64
7.64
7.64
7.64
7.64
7.64
4.07
1.43
114
C.V. =
1.43
x 100 = 22.78 %
5.25
FACTORES Y NIVELES:
L = l0
M = m0
P = p1
l1
m1
p2
l2
m2
l3
TRATAMIENTOS:
T1
l0m0p1
T13
l2m0p1
T2
l0m0p2
T14
l2m0p2
T3
l0m1p1
T15
l2m1p1
T4
l0m1p2
T16
l2m1p2
T5
l0m2p1
T17
l2m2p1
T6
l0m2p2
T18
l2m2p2
T7
l1m0p1
T19
l3m0p1
T8
l1m0p2
T20
l3m0p2
T9
l1m1p1
T21
l3m1p1
T10
l1m1p2
T22
l3m1p2
T11
l1m2p1
T23
l3m2p1
T12
l1m2p2
T24
l3m2p2
115
DATOS DE CAMPO.
Tratam.
II
LMP
Tratam.
II
LMP
1.11
0.97
2.08
13
1.22
1.13
2.35
1.52
1.45
2.97
14
1.38
1.08
2.46
1.09
0.99
2.08
15
1.34
1.41
2.75
1.27
1.22
2.49
16
1.40
1.21
2.61
0.85
1.21
2.06
17
1.34
1.19
2.53
1.67
1.24
2.91
18
1.46
1.39
2.85
1.30
1.00
2.30
19
1.19
1.03
2.22
1.55
1.53
3.08
20
0.80
1.29
2.09
1.03
1.21
2.24
21
1.36
1.16
2.52
10
1.24
1.84
3.08
22
1.42
1.39
2.81
11
1.12
0.96
2.08
23
1.46
1.03
2.49
12
1.76
1.97
3.73
24
1.62
1.27
2.89
24/ 30.17
48/
61.67
HIPTESIS:
H0 = l0 = l1 = l2 = l3
Ha = l0 l1 l2 l3
H0 = m0 = m1 = m2 = m3
Ha = m0 m1 m2 m3
H0 = p1= p2
Ha = p1 p2
m0
l0
4/
5.05
5.38
4.81
m1
4.57
5.32
m2
5.81
4.97
12/
14.59
1.22
XL
l1
l2
l3
XM
4.31
16/
19.55
1.22
5.36
5.33
20.58
1.26
5.38
5.38
1.30
16.51 15.55
15.02
21.54
48/
..
=61.67
1.28
1.30
1.25
116
L
P
l0
p1
P
p2
L
6/
6.22
8.37
12/
14.59
l1
l2
_
XP
l3
24/
27.70
1.15
33.97
48/
15.02 .. 61.67
1.42
6.62
7.63
7.23
9.89
7.92
7.79
16.51
15.55
M
P
p1
P
p2
M
m0
8/
8.95
10.60
16/
19.55
m1
m2
9.59
9.16
10.99
12.38
20.58
21.54
24/
27.70
33.97
48/
..
61.67
CLCULOS.
61.672
48 = 79.23
FC =
SCTotal = 1.112 + .....+ 1.272 FC = 2.845
14.592 15.022
SCL =
FC = 0.171
12
SCM =
SCLM =
SCP =
SCLP =
SCMP =
31.502 28.972
FC = 0.037
24
ANLISIS DE VARIANCIA
F de V
C.V. =
G.L.
SC
CM
Fcal.
F tab.
5%
1%
Total
47
2.845
Tratamiento
(23)
2.003
0.087
2.49
1.98
2.66
Lisina
0.171
0.057
1.63
3.03
4.76
Metionina
0.124
0.062
1.77
3.42
5.66
LxM
0.180
0.030
0.85
2.53
3.71
Protena
0.819
0.819
23.39
4.28
7.88
LxP
0.490
0.163
4.67
3.03
4.76
MxP
0.122
0.061
1.74
3.42
5.66
LxMxP
0.097
0.016
0.46
2.53
3.71
1.05
4.28
7.88
Repeticin
0.037
0.037
Error
23
0.805
0.035
0.035
x 100 = 14.56 %
1.285
118
COMPARACIONES ORTOGONALES.
Este procedimiento estadstico es aplicable a cualquier tipo de diseo experimental o
arreglo factorial y puede realizarse an cuando no se observen diferencias significativas
para tratamientos o en los factores en estudio. Las comparaciones ortogonales deben ser
establecidas con anterioridad a la ejecucin del experimento y debe responder a
preguntas lgicas, adems deben cumplir dos requisitos fundamentales:
Scco =
Qi 2
r Ci 2
Donde:
Qi2 = Sumatoria de los productos entre los coeficientes con sus respectivos signos, por
los totales de tratamientos.
r = Nmero de repeticiones
Ci2 = Nmeros o coeficientes enteros que deben ser establecidos por el investigador.
119
Habr tantas comparaciones ortogonales como tantos grados de libertad existan para
tratamientos o el factor o factores en estudio. Al calcular la Suma de Cuadrados (SC) de
las comparaciones ortogonales, lo que se hace es un desdoblamiento de la SC de los
tratamientos o factores en estudio. Algo similar ocurre con los grados de libertad, donde
a cada comparacin ortogonal se le asigna un grado de libertad.
Para establecer comparaciones ortogonales los tratamientos no requieren ningn
requisito, es decir, se pueden establecer comparaciones ortogonales con tratamientos
(factores) cualitativos, as como tambin cuantitativos.
EJEMPLO.
En una investigacin en diseo de bloques al azar con seis repeticiones se evalu el
comportamiento de cuatro variedades de algodn, siendo el ADEVA de la variable
rendimiento el siguiente:
ADEVA
Fuente de
variacin
Total
Grados de
libertad
23
Suma de
Cuadrados
1 927
Cuadrados F cal
Medios
Tratamientos
637
212.33
3.37 *
Repeticin
345
69.00
1.10 ns
Error exp.
15
945
63.00
Tratamientos Tratamientos
I1
624
I2
618
H
569
Testigo
552
_
X Tratamientos
104.0
103.0
94.8
92.0
120
Total de tratamientos
T
H
I1
I2
552
569
624
618
-3
+1
+1
+1
0
-2
+1
+1
0
0
-1
+1
0
-2
+1
+1
0
0
-1
+1
0
0
-1
+1
Comparaciones
C1 T vs I1, I2, H
C2 H vs I1, I2
C3 I1 vs I2
(Ci1 x Ci2) = 0
Qi
Qi2
155
104
-6
24 025
10 816
36
R Ci2
6 x 12 = 72
6 x 6 = 36
6 x 2 = 12
Q12
24052
Scc1 =
= 333.68
2 =
72
r C1
Qi 2
Scc2 =
r Ci 2
Scc3=
Qi 2
=
r Ci 2
10816
= 300.44
36
36
12
= 3.00
121
ANLISIS DE VARIANCIA
F de V
GL
23
SC
1 929
Tratamiento
637
212.3
3.37*
T vs H, I1, I2
333.7
333.7
5.30*
H vs I1, I2
300.4
300.4
4.77*
I1 VS I2
3.0
3.0
0.05ns
Repeticiones
345
69.0
1.10ns
Error experim.
15
945
63.0
Total
CM
-
POLINOMIOS ORTOGONALES.
Los polinomios ortogonales son ecuaciones de regresin de diferente orden que
permiten determinar la tendencia que tendran los tratamientos en la respuesta de una
determinada variable. Al igual que las comparaciones ortogonales, los polinomios se
aplican en cualquier tipo de diseo experimental e independientemente de que exista o
no diferencias estadsticas significativas o altamente significativas para las fuentes de
variacin de tratamientos o factores en estudio.
122
No igualmente
espaciado
n1 = 0 Kg/ha
n1 = 0 Kg/ha
n2 = 40 Kg/ha
n2 = 20 Kg/ha
n3 = 80 Kg/ha
n3 = 60 Kg/ha
n4 = 120 Kg/ha
n4 = 150 Kg/ha
El segundo ejemplo est mal espaciado donde el clculo es complejo. Revisar Gmez
y Gmez pp. 229 233.
POLINOMIOS
ORTOGONALES
DEPENDIENDO
DEL
NMERO
DE
TRATAMIENTOS.
No. de Tratamiento o
nivel de 1 factor
2
3
G.L.
1
(2)
1
1
(3)
1
1
1
(4)
1
1
1
1
No. de polinomio
ortogonal
1
2
3
Lineal
Cuadrtico
Cbico
4
Lineal
Cuadrtico
Cbico
Curtico
123
Variable
respuesta
Niveles
LINEAL
Niveles
CUADRTICO
Variable
respuesta
Niveles
CBICO
Niveles
CURTICO
124
Qi 2
SCpo =
r Ci 2
Donde:
Qi = Es el producto de la sumatoria de los productos entre los coeficientes de cada P.O.,
por los totales de tratamientos o factores en estudio.
Ci = Coeficientes positivos o negativos (Nmeros enteros) que se obtienen de tablas,
dependiendo del grado o nivel del polinomio.
r = Nmero de repeticiones en experimentos simples, o es el nmero de observaciones
que involucra los totales de un factor en los experimentos factoriales.
EJEMPLO.
En una investigacin de siembra usando 5 tratamientos de distancias de siembra se
obtuvo el siguiente ADEVA para la variable rendimiento en Kg/parcela.
ADEVA
F de V
gl
29
SC
204.99
CM
Tratamiento
125.66
31.42
Repeticiones
5.41
Total
F
8.51**
0.29
1.08
Error experim.
T1
T2
T3
T4
T5
20
Distancia (cm)
18
24
30
36
42
73.92
3.69
Tratamiento
210.9
189.8
181.0
177.2
180.2
Trat
35.15
31.63
30.16
29.53
30.03
125
CLCULO.
Polinomios
18
24
30
36
42
Qi2
Qi
r Ci2
SCPO
180.2
Lineal
-2
-1
+1
+2
- 74.0
5 476.0 6 x10 = 60
91.27
Cuadrtico
+2
-1
-2
-1
+2
+ 53.2
2 830.2 6 x 14= 84
33.69
Cbico
-1
+2
-2
+1
- 5.5
30.3 6 x10 = 60
0.50
Curtico
+1
-4
+6
-4
+1
+ 9.1
82.8 6 x70=420
0.20
125.66
ANLISIS DE VARIANCIA
Fuente de
variacin
Total
Distancias
Grados de
libertad
29
4
Suma de Cuadrados
Cuadrados
Medios
204.99
F cal
125.66
31.42
8.51 **
Lineal
91.27
91.27
24.73 **
Cuadrtico
33.69
33.69
9.13 **
Cbico
0.50
0.50
0.14 ns
Curtico
0.20
0.20
0.05 ns
0.29 ns
Repeticin
5.41
1.08
Error exp.
20
73.92
3.69
126
FACTORIALES A x B + N
En algunas ocasiones dentro de una investigacin, a ms de analizar 2 3 factores a
diferentes niveles, se hace necesario incluir uno o ms tratamientos independientes a los
factores en estudio con el afn de establecer comparaciones que permitan visualizar
mejor la problemtica en estudio. Normalmente este tipo de experimentos se emplea en
investigaciones con pesticidas, fertilizantes, dietas alimenticias, entre otros. En estos
experimentos se incluye adems de los factores en estudio uno o dos tratamientos que
no son sino, testigos que se emplean en dicha investigacin.
EJEMPLO.
Factor A: Herbicida
Factor B: Dosis
Tratamientos adicionales
a1 = Glifomat
a2 = Roundup
b2 = Dosis comercial
Testigo mecnico
a4= Glifocor
Tratamientos = 4 x 3 + 2
Generalmente N hasta 2, con tres ya se usara como otro factor A x B x C.
Con fertilizantes:
Factor A: Dosis de N
Factor B: Dosis de P
a1 = 0 kg/ha
b1 = 0 kg/ha
a2 = 20 kg/ha
b2 = 60 kg/ha
a3 = 40 kg/ha
b3 = 120 kg/ha
Los clculos en este tipo de experimentos realmente son los mismos que para un
experimento factorial, con excepcin de que se debe aadir una fuente de variacin
127
EJEMPLO DE CLCULO.
En una investigacin en maz utilizando tres niveles de nitrgeno y dos de fsforo
aadiendo un tratamiento adicional con M.O., se us un Diseo de Bloques Completos
al Azar con tres repeticiones. La variable evaluada fue rendimiento de granos en
kg/parcela neta.
DBCA, 3 repeticiones:
Factor A: Dosis de N
Factor B: Dosis de P
a1 = 0 kg/ha
p1 = 0 kg/ha
a2 = 40 kg/ha
p2 = 60 kg/ha
a3 = 80 kg/ha
Materia orgnica
Tratamientos 3 x 2 + 1
Trat.
Tratamiento
II
III
n1p1
20
18
17
n1p2
21
21
18
60
20.00
n2p1
21
22
20
63
21.00
n2p2
22
20
20
62
20.67
n3p1
23
21
22
66
22.00
n3p2
25
23
23
71
23.67
Testig. M.O.
15
17
15
47
15.67
147
142
135
Repet.
7/
3/
X trat.
55
21/ 424
18.33
20.19
128
n1
P
p1
p2
N
n2
55
60
6/ 115
63
62
125
19.17
20.83
XN
n3
66 9/
71
137 18/
184
193
377
XP
20.44
21.44
22.83
CLCULOS .
FC(a) =
4242
= 8 560.76
21
r(n x p + 1) = 21
SCN =
6
18
SCP =
1842 1932
FC(b) = 4.50
9
SCNP =
= 40.46;
377 2
= FC(b)
18
552 712
FC(b) SCN - SCP = 4.0
3
3772 472
Testigo vs otros =
FC(a) = 71.63 * por diferencia, solo cuando n =
18
3
1 (A x B + 1).
SCRepet. =
P. O.
Lineal
Cuadrtico
n1 N2
115
125
-1
0
+1
-2
n3
137
+1
+1
Qi
+ 22
+2
r Ci2 *
Qi2
484 6 x 2 = 12
4 6 x 6 = 36
SC
40.33
0.11
40.44
* r Ci2 = 3 x (p)
ANLISIS DE VARIANCIA
Fuente de
variacin
Total
Grados de
libertad
20
Tratamiento
Suma de
Cuadrados
143.24
Cuadrados
Medios
F cal
120.57
20.10
40.44
20.22
19.82**
Lineal
40.33
40.33
39.54**
Cuadrtico
0.11
0.11
0.11ns
4.50
4.50
4.41ns
NxP
4.00
2.00
1.96ns
71.63
71.63
70.23**
10.38
5.19
5.09*
12
12.29
1.02
Testigo
otros
Repeticin
Error exp.
C.V. =
vs
1.02
X 100 = 5.0 %
20.19
CONCLUSIN.
En el ADEVA se observan diferencias estadsticas altamente significativas para el factor
N, para su efecto lineal y para la interaccin Testigo vs otros. El Nitrgeno tiene efecto
en la produccin en forma lineal, la aplicacin de materia orgnica causa una aparente
disminucin en la produccin con respecto a la fertilizacin qumica e inferior al testigo
absoluto n1p1 (sin aplicacin del fertilizante). El CV de 5.05 es muy bueno.
130
Este diseo est especialmente formulado para experimentos con dos factores, donde a
uno de los factores, por razn de su naturaleza, es asignado a parcelas o unidades
experimentales grandes (parcela principal), este factor es llamado factor principal. Esta
parcela principal es dividida en subparcelas en donde se evalan los niveles del otro
factor. As, cada parcela principal se convierte en un bloque para los niveles del factor
evaluado en las subparcelas.
Una unidad experimental bajo este tipo de diseo (parcela grande o principal) puede ser
una parcela de terreno, una camada de cerdos, un grupo de rboles, mientras que las
subparcelas pueden ser una fraccin de la parcela de terreno, cada cerdo dentro de la
camada, cada rbol del grupo de rboles.
En el diseo de parcelas divididas, la precisin para la medida de los efectos del factor
principal es sacrificada para mejorar la precisin en la medida de los efectos del subfactor.
La medida del efecto del subfactor y de la interaccin entre los dos factores es ms
precisa que la que se puede obtener en un diseo de Bloques Completos al Azar,
mientras que la medida del efecto del factor principal es menos precisa que la que se
puede obtener en el diseo de Bloques Completos al Azar.
Debido a que la medida de los efectos de los dos factores es diferente, el escoger cul
de los factores se evala en la parcela principal y cul en la subparcela es muy
importante. Para escoger o decidir esto se sugiere seguir los siguientes lineamientos:
GRADO DE PRECISIN.
Si el investigador requiere ms precisin en la medida de los efectos de un factor, asigne
ese factor a las subparcelas y el otro factor a la parcela principal. Por ejemplo: un
fitomejorador que planea evaluar diez variedades promisorias de arroz con tres niveles
131
PRCTICAS DE MANEJO.
Las labores culturales requeridas para un factor pueden orientar o definir el uso de
parcelas grandes. Por conveniencia prctica, un factor puede ser asignado a la parcela
principal. Por ejemplo, en un experimento en que se desea evaluar el manejo de agua y
variedades, sera deseable asignar el manejo de agua (riego) a la parcela principal para
minimizar el movimiento de agua entre parcelas adyacentes, y reducir el efecto de borde.
En un experimento para evaluar algunas variedades de arroz con diferentes dosis de
fertilizacin, el investigador puede asignar la fertilizacin a la parcela grande para
minimizar la necesidad de separar parcelas que reciban diferentes niveles de fertilizacin.
132
SORTEO Y DISEO.
Se deben realizar dos procesos de sorteo en un diseo de parcela dividida, uno para
parcela principal y otro para las subparcelas. En cada nivel, el procedimiento de sorteo
en un Diseo de Bloques Completos al Azar e aplicable. En cada repeticin, 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.
A continuacin se muestran los pasos del proceso de sorteo y diseo usando a como
el nmero de niveles del factor principal, b como el nmero de niveles del subfactor y
r como el nmero de repeticiones. Para elaborar se describe un experimento con seis
niveles de nitrgeno (Factor principal) y cuatro variedades de arroz (subfactor) con tres
repeticiones.
Repeticin I
Repeticin II
Repeticin 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 repeticin, en
cuatro subparcelas y siguiendo el procedimiento de sorteo en un DBCA con cuatro
tratamientos, asignar las cuatro variedades a las cuatro subparcelas dentro de
cada parcela principal.
133
n4 n3 n1 N6 n5 n2
V2 V1 V1 V2 V4 V3
n1 n6 n5 n2 n4 n3
V1 V4 V3 V1 V1 V3
n6 n1 n4 n5 n3 n2
V4 V3 V3 V1 V2 V1
V1 V4 V2 V3 V3 V2
V3 V1 V4 V2 V4 V2
V2 V4 V2 V3 V3 V4
V3 V2 V4 V1 V2 V1
V2 V2 V1 V4 V2 V4
V1 V1 V4 V2 V4 V2
V4 V3 V3 V4 V1 V4
V4 V3 V2 V3 V3 V1
V3 V2 V1 V4 V1 V3
II
III
Ntese que:
a. El tamao de la parcela principal es b veces el tamao de la subparcela. En el
ejemplo, cuatro variedades (b = 4) el tamao de la parcela principal es cuatro veces
el tamao de la subparcela.
b. El nivel de cada parcela principal es evaluado r veces, mientras que los niveles de
cada subparcela son evaluada (a)(r) veces. As, el nmero de veces que el nivel
de una subparcela es evaluada siempre ser mayor que el de la parcela principal.
Y es la razn principal para la mayor precisin en la evaluacin del efecto del
subfactor con relacin a los niveles del factor principal. En el ejemplo, cada uno
de los seis niveles de nitrgeno es evaluado tres veces, pero cada una de las
cuatro variedades fue probada 18 veces.
MODELO MATEMTICO.
Toda vez que en el DPD existe diferente grado de precisin en la evaluacin de los
factores en estudio, se hace necesario el que exista dos tipos de error experimental. El
error tipo A para evaluar el factor principal el que tiene menor precisin y el error tipo B
para evaluar el subfactor.
Yijk
= + j + i + ij + k + ()ik + ijk
134
ANLISIS DE VARIANCIA.
F. de V.
G.L.
S.C.
C.M.
Fcalc.
Total
rab 1
SCTotal
Repeticiones
r1
SCRepet.
SCRepet./ GLRepet.
CMRept./CMError(a)
Factor A
a1
SC A
SC A/GL A
CM A/CMError(a)
(r 1)(a 1)
SC Error(a)
SC Error(a)/GLError(a)
Factor B
b1
SC B
SC B/GL B
CM B/CMError(b)
AxB
(a 1)(b 1)
SC AxB
SC AxB/ GL AxB
CM AxB/CMError(b)
Error (b)
C.V.(a) =
CME( A)
SC Error(b)/GLError (b)
X 100
C.V.(b) =
CME( B )
X 100
EJEMPLO.
Rendimiento de grano de cuatro variedades de arroz evaluados con seis niveles de
nitrgeno en un diseo de parcela divididas con tres repeticiones.
Factor A: Dosis de nitrgeno
Factor B: Variedades
n1 = 0 kg/ha
v1 = INIAP - 11
n2 = 60 kg/ha
v2 = INIAP - 12
n3 = 90 kg/ha
v3 = Donato
n4 = 120 kg/ha
v4 = Blanca
n5 = 150 kg/ha
n6 = 180 kg/ha
135
DATOS:
Variedad
Rep. I
V1
V2
V3
V4
4430
3944
3464
4126
V1
V2
V3
V4
5418
6502
4768
5192
V1
V2
V3
V4
6076
6008
6244
4546
V1
V2
V3
V4
6462
7139
5792
2774
V1
V
V4
7290
7682
7080
1414
V1
V2
V3
V4
8452
6228
5594
2248
Rep. II
N1
4478
5314
2944
4482
N2
5166
5858
6004
4604
N3
6420
6127
5724
5744
N4
7056
6982
5880
5036
N5
7848
6594
6662
1960
N6
8832
7387
7122
1380
Rep. III
3850
3660
3142
4836
12758
12918
9550
13444
6432
5586
5556
4652
17016
17946
16328
14448
6704
6642
6014
4146
19200
18777
17982
14436
6680
6564
6370
3638
20198
20685
18042
11448
7552
6576
6320
2766
22690
20852
20062
6140
8818
6006
5480
2014
26102
19621
18196
5642
136
Nitrgeno
itrgeno
Rep. I
Rep. II
Rep. III
N1
15964
17218
15488
48670
N2
21880
21632
22226
65738
N3
22874
24015
23506
70395
N4
22167
24954
23252
70373
N5
23466
23064
23214
69744
N6
22522
24721
22318
69561
REP
128873
135604
130004
Suma Total
394481
Construir la tabla de dos vas del factor A x factor B, como se ve en el siguiente cuadro:
Nitrgeno
V1
Variedades
V2
V3
V4
N1
12758
12918
9550
13444
N2
17016
17946
16328
14448
N3
19200
18777
17982
14436
N4
20198
20685
18042
11448
N5
22690
20852
20062
6140
N6
26102
19621
18196
5642
Variedad
117964
110799
100160
65558
SC Repeticiones = 1082577
SC A (nitrgeno) = 30429200
SC Error (a) = F.C. SC Repeticin SC A
SC Error(a) = (159642 +.......+ 223182 )/4 - 2161323047 - 1082577 - 30429200 =
1419678
Para cada fuente de variacin, se calcula calcular los cuadrados medios de la manera
convencional, dividiendo la SC, con sus correspondientes grados de libertad. As:
CM Repeticin= SC Rep/(r-1)
= 1082577/2 =
541288
Se calcular los valores de F para cada fuente de variacin, dividiendo cada cuadrado
medio por su correspondiente error experimental:
F (A) = CM (A) / CM Error (a) = 6085840/141968 = 42.87
F (B) = CM (B) / CM Error (b) = 29962700/349580 = 85.71
138
Se calculan los coeficientes de variacin, uno para calificar el factor que se evalu en la
parcela grande y el otro del factor evaluado en la subparcela
En este ejemplo, los tres efectos (los dos efectos principales y el efecto de la interaccin)
son altamente significantes. Hay que tener precaucin cuando hay una interaccin
significante al momento de interpretar los resultados.
ANLISIS DE VARIANCIA.
Fuente de
variacin
Total
G. L.
Sumas de
cuadrados
Cuadrados
medio
F
calculada
F tabulada
5%
1%
71
204747916
Repeticin
1082577
541288
3.81 ns
4.10
7.56
Nitrgeno A)
30429200
6085840
42.87 **
3.33
5.64
10
1419678
141968
89888101
29962700
85.71 **
2.86
4.38
AxB
15
69343487
4622899
13.22 **
1.96
2.58
Error (b)
36
12584873
349580
Error (a)
Variedad (B)
139
Error estndar Sd *
CM Error (a)/ r b
CM Error (b)/ r a
CMError (b)/ r
(b-1)CMError(b)+CMError (a)
rb
140
BIBLIOGRAFA
16. Reyes C., P. 2003. Diseos de Experimentos Aplicados. Editorial Trillas, Mxico.
348 p.
17. Rodrguez A., J. M. 1991. Mtodos de Investigacin Pecuaria. Editorial Trillas,
Mxico. 208 p.
18. Rodrguez P., M. A. 1997. Experimentacin con Cultivos Tropicales Perennes.
AGT. Editor. S. A. Mxico. 381 p.
19. Sahagn C., J. 2007. Estadstica Descriptiva y Probabilidad. Una Perspectiva
Biolgica. Segunda edicin. Universidad Autnoma Chapingo. Mxico. 282 p.
20. Steel, R.G.D. y Torrie, J.H. 1984. Bioestadstica Principios y Procedimientos.
Traducido por Ricardo Martnez R. McGraw Hill. Mxico. 622 p.
142