Sie sind auf Seite 1von 142

UNIVERSIDAD TECNOLGICA EQUINOCCIAL

CURSO PARA EGRESADOS DE PREPARACIN PARA EXAMEN COMPLEXIVO

ESTADSTICA Y DISEOS EXPERIMENTALES

Edison Silva Cifuentes Ph. D.


Santo Domingo de los Tschilas, Ecuador
Septiembre, 2014

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

CORRELACIN LINEAL SIMPLE ( r).........................................................................25


CLCULOS. ...............................................................................................................26
MTODO ESTANDARD O DE PRODUCTO MOMENTO. .........................................27
Ejemplo: ..................................................................................................................27
SIGNIFICACIN ESTADSTICA. ...............................................................................28
PROPIEDADES. .........................................................................................................28
TRAMPAS.- (OBSERVACIONES). .............................................................................29
REGRESIN LINEAL SIMPLE ...................................................................................31
MODELO RLS.- ..........................................................................................................31
PRUEBA DE SIGNIFICANCIA DE o 1.- .................................................................32
INTERPRETACIN DE LA ECUACIN DE REGRESIN ESTIMADA. ....................32
Interpretacin de la ordenada al origen (a, o, ). ...................................................32
INTERPRETACION DEL ESTIMADOS DE LA PENDIENTE O COEFICIENTE DE
REGRESION (1 b).- ...............................................................................................33
ANALISIS DE VARIANZA DE LA REGRESIN. ........................................................33
ERRORES COMUNES EN LOS ANLISIS DE CORRELACIN Y REGRESIN EN
INVESTIGACIN AGRCOLA. ...................................................................................35
PUNTOS IMPORTANTES: .........................................................................................35
INTRODUCCIN ...........................................................................................................38
EL MTODO CIENTFICO. ........................................................................................38
EXPERIMENTO. .........................................................................................................38
CARACTERSTICAS DE UN EXPERIMENTO BIEN PLANEADO. ............................39
PROCEDIMIENTOS PARA LA EXPERIMENTACIN ..................................................40
ALGUNAS DEFINICIONES ............................................................................................42
DISEO EXPERIMENTAL. ........................................................................................42
FACTOR. ....................................................................................................................42
3

NIVELES DE UN FACTOR. ........................................................................................42


TRATAMIENTOS. .......................................................................................................42
UNIDAD EXPERIMENTAL (UE). ................................................................................43
UNIDADES EXPERIMENTALES HOMOGNEAS. ....................................................44
VARIABLE. .................................................................................................................44
EFECTO. ....................................................................................................................44
CLASES DE EXPERIMENTOS ......................................................................................45
EXPERIMENTOS PRELIMINARES. ...........................................................................45
EXPERIMENTOS SIMPLES. ......................................................................................45
EXPERIMENTOS FACTORIALES..............................................................................45
ENSAYOS REGIONALES. .........................................................................................46
LA NECESIDAD DE UN DISEO EXPERIMENTAL ......................................................46
ERROR EXPERIMENTAL (E.E.). ...............................................................................46
PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL...............................................48
REPETICIN. .............................................................................................................48
ALEATORIZACIN O MUESTREO ALEATORIO.- ....................................................48
CONTROL LOCAL......................................................................................................49
CONTROL DEL ERROR ................................................................................................49
BLOQUEAMIENTO.....................................................................................................49
UNIFORMIDAD DE LAS UNIDADES EXPERIMENTALES. .......................................49
ANLISIS DE DATOS. ...............................................................................................49
INTERPRETACIN ADECUADA DE LOS RESULTADOS ........................................50
MTODOS PARA INCREMENTAR LA PRECISIN (EXACTITUD) ..............................50
INCREMENTO DEL NMERO DE REPETICIONES. ................................................50
SELECCIN DE TRATAMIENTOS. ...........................................................................51
REFINAMIENTO DE LA TCNICA. ............................................................................51
4

SELECCIN DEL MATERIAL EXPERIMENTAL. .......................................................52


CONDUCCIN DEL EXPERIMENTO ............................................................................52
ANLISIS DE VARIANCIA .............................................................................................54
REQUISITOS DEL ANLISIS DE VARIANCIA ..............................................................55
INDEPENDENCIA DE LOS ERRORES EXPERIMENTALES. ...................................55
NORMALIDAD DE LAS VARIANCIAS........................................................................55
HOMOGENEIDAD DE LAS VARIANCIAS. .................................................................56
ADITIVIDAD DE LOS EFECTOS. ...............................................................................56
COMPONENTES DEL ANLISIS DE VARIANCIA ........................................................57
FUENTES DE VARIACIN. .......................................................................................57
GRADOS DE LIBERTAD. ...........................................................................................57
SUMA DE CUADRADOS Y CUADRADOS MEDIOS. ................................................57
ORGANIZACIN DE LOS DATOS. ............................................................................58
DISEO COMPLETAMENTE AL AZAR (DCA) ..............................................................58
VENTAJAS. ................................................................................................................59
DESVENTAJAS. .........................................................................................................59
MODELO MATEMTICO O MODELO LINEAL. .........................................................60
SORTEO Y DISPOSICIN DE LAS PARCELAS. ......................................................60
TABLA DEL ADEVA PARA EL DISEO COMPLETAMENTE AL AZAR....................61
EJEMPLO. ..................................................................................................................62
CLCULOS. ...............................................................................................................63
CONCLUSIONES. ......................................................................................................64
DISEO COMPLETAMENTE AL AZAR CON DESIGUAL NMERO DE REPETICIONES
O UNIDADES POR TRATAMIENTO. .............................................................................65
ANLISIS DE VARIANCIA (ADEVA) ..........................................................................65
EJEMPLO. ..................................................................................................................65
5

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

ANLISIS DE VARIANCIA (ADEVA) ..........................................................................83


EJEMPLO. ..................................................................................................................83
CLCULOS. ...............................................................................................................84
ANLISIS DE VARIANCIA (ADEVA) ..........................................................................85
PARCELA PERDIDA EN CUADRADO LATINO. ........................................................85
EFICIENCIA RELATIVA DEL DISEO CUADRADO LATINO. ..................................86
PRUEBAS DE SIGNIFICACIN ....................................................................................87
DIFERENCIA MNIMA SIGNIFICATIVA (DMS) ..............................................................88
EJEMPLO. ..................................................................................................................90
VENTAJAS DEL USO DE LA DMS. ...........................................................................91
DESVENTAJAS DEL USO DE LA DMS. ....................................................................91
PRUEBA DE TUKEY ......................................................................................................92
CONCLUSIONES. ......................................................................................................94
PRUEBA DE RANGO MLTIPLE DE DUNCAN ............................................................94
CONCLUSIONES. ......................................................................................................98
TRANSFORMACIONES.................................................................................................98
TRANSFORMACIONES A RAZ CUADRADA. ..........................................................99
TRANSFORMACIN LOGARTMICA. .......................................................................99
TRANSFORMACIN ARCO SENO. ..........................................................................99
EXPERIMENTOS FACTORIALES ............................................................................... 100
NOTACIN. .............................................................................................................. 101
VENTAJAS Y DESVENTAJAS. ................................................................................ 102
INTERACCIONES. ................................................................................................... 102
CLCULO DE LOS EFECTOS SIMPLES Y PRINCIPALES EN UN EXPERIMENTO
SIN INTERACCIN. ................................................................................................. 104
EFECTOS SIMPLES. ............................................................................................... 104
7

EFECTOS PRINCIPALES. ....................................................................................... 105


CLCULO DE EFECTOS SIMPLES Y PRINCIPALES EN UN EXPERIMENTO CON
INTERACCIN. ........................................................................................................ 105
EFECTOS SIMPLES. ............................................................................................... 105
EFECTOS PRINCIPALES. ....................................................................................... 106
MODELO MATEMTICO. ........................................................................................ 106
ANLISIS DE VARIANCIA EN DBCA Y ARREGLO FACTORIAL A X B.................. 107
EJEMPLO. ................................................................................................................ 107
CLCULOS. ............................................................................................................. 109
ANLISIS DE VARIANCIA ....................................................................................... 110
CONCLUSIONES. .................................................................................................... 110
FACTORIALES A x B x C ............................................................................................. 111
EJEMPLO DE UN FACTORIAL 23............................................................................ 111
DISPOSICIN EN EL CAMPO. ................................................................................ 112
DATOS DE CAMPO: ................................................................................................ 112
CLCULOS: ............................................................................................................. 113
ANLISIS DE VARIANCIA ....................................................................................... 114
OTRO EJEMPLO DE FACTORIAL A X B X C (2 X 3 X 4)........................................ 115
DATOS DE CAMPO. ................................................................................................ 116
CLCULOS. ............................................................................................................. 117
ANLISIS DE VARIANCIA ....................................................................................... 118
COMPARACIONES Y POLINOMIOS ORTOGONALES .............................................. 119
COMPARACIONES ORTOGONALES. .................................................................... 119
EJEMPLO. ................................................................................................................ 120
ADEVA .................................................................................................................. 120
CLCULO DE COMPARACIONES ORTOGONALES.............................................. 121
8

ANLISIS DE VARIANCIA ....................................................................................... 122


POLINOMIOS ORTOGONALES. ............................................................................. 122
POLINOMIOS

ORTOGONALES

DEPENDIENDO

DEL

NMERO

DE

TRATAMIENTOS. ..................................................................................................... 123


EJEMPLO. ................................................................................................................ 125
CLCULO. ................................................................................................................ 126
ANLISIS DE VARIANCIA ....................................................................................... 126
FACTORIALES A x B + N ............................................................................................ 127
EJEMPLO. ................................................................................................................ 127
EJEMPLO DE CLCULO. ........................................................................................ 128
CLCULOS . ............................................................................................................ 129
ANLISIS DE VARIANCIA ....................................................................................... 130
CONCLUSIN. ......................................................................................................... 130
DISEO DE PARCELAS DIVIDIDAS ........................................................................... 131
GRADO DE PRECISIN. ......................................................................................... 131
TAMAO RELATIVO DE LOS EFECTOS PRINCIPALES. ...................................... 132
PRCTICAS DE MANEJO. ...................................................................................... 132
SORTEO Y DISEO................................................................................................. 133
MODELO MATEMTICO. ........................................................................................ 134
ANLISIS DE VARIANCIA. ...................................................................................... 135
EJEMPLO. ................................................................................................................ 135
ANLISIS DE VARIANCIA. ...................................................................................... 139
BIBLIOGRAFA ............................................................................................................ 141

MTODOS STAD STCOS


INTRODUCCIN
En el desarrollo de los trabajos de investigacin se deben tener en cuenta ciertos
principios generales, sobre todo considerar que la agronoma est muy lejos de ser una
ciencia exacta. Es tal el nmero de factores diferentes (clima, suelo, manejo del cultivo y
condiciones socio-econmicas), que influyen en el resultado final de la produccin
agrcola, que es muy difcil predecir los volmenes a obtenerse en un determinado ao,
cuando cambian algunos de estos factores; por lo tanto los problemas agronmicos se
tienen que resolver por la va experimental.

A travs de la investigacin se desea lograr una descripcin, explicacin y prediccin de los


procesos de la produccin o problemas agronmicos. De manera general se puede indicar
que existen dos tipos de investigacin, la observacional y la experimental. La palabra
experimento es usada de una manera ms precisa para definir la investigacin
experimental, donde el sistema bajo estudio est bajo el control del investigador. Esto
significa que los individuos o material investigado, la naturaleza de los tratamientos o tipos
manejos en estudio y los procedimientos de medida, usualmente son definidos por el
investigador. En contraste, en los estudios observacionales, algunas de las caractersticas
y en particular la definicin de los tratamientos, estn fuera del control del investigador.
Lo que es comn para los dos tipos de investigacin es que se genera informacin
(datos), figura1, donde la Estadstica juega un papel importante, porque si revisamos su
definicin: Es un conjunto de tcnicas para la coleccin, manejo, descripcin y anlisis de
informacin, de manera que las conclusiones obtenidas de ella, tengan un rango de
confiabilidad especificado (Infante y Zrate, 2003); entonces, esta ciencia junto con los
Diseos Experimentales, son herramientas fundamentales para realizar investigacin en
cualquier rea y en nuestro caso, para solucionar los problemas agronmicos.

10

Experimentaci

Formulaci
n problema

Datos

Inferenci

Observacin

Figura 1. Obtencin de informacin en estudios experimentales y observacionales.

Para la planeacin y ejecucin de los experimentos, los investigadores toman en cuenta el


mtodo cientfico, y son utilizados para descubrir algo desconocido o para probar un
principio o una hiptesis. Este no es un trabajo sencillo, y es necesario seguir estrictos
lineamientos en todas sus fases, para obtener resultados satisfactorios. Un objetivo
importante es disear experimentos que sean productivos, de costo efectivos y provean
de informacin suficiente y de calidad. En la actualidad, se posee una capacidad ilimitada
de facilidades con equipos computacionales y programas que ayudan analizar una gran
cantidad de datos, pero es necesario mencionar que una gran cantidad de datos no
necesariamente significa tener una gran cantidad de buena informacin, por lo que el uso
mtodos estadsticos y diseos experimentales incrementan la posibilidad de que los
datos que se obtengan sea de buena calidad.

Adems, con el avance tecnolgico en la actualidad se disponen de computadores


personales de alta capacidad que pone al alcance del usuario, una gran variedad de
paquetes estadsticos especializados que simplifican tremendamente los clculos, que
hace algunos aos eran largos y tediosos, pero desgraciadamente tambin incrementan
la probabilidad de cometer errores. Por lo que es necesario conocer el fundamento terico
y recordar algunos clculos bsicos para evitarlos.
11

Entre los programas estadsticos ms conocidos en nuestro medio se pueden mencionar


al MSTAT, INFOSTAT, MINITAB, SPSS, y SAS, entre otros. Para el presente curso se
utilizarn el EXCELL (de Office) e INFOSTAT para resolver la mayora de ejemplos, por
ser stos los ms accesibles para obtenerlos, y se har referencia a la similitud o
diferencia en el procedimiento de clculo con otros programas como MINITAB y SPSS.

REVISIN DE MTODOS ESTADSTICOS TILES EN AGRICULTURA


DEFINICIONES.
Los datos son el centro de los estudios observacionales y experimentales (figura 1), estos
datos estn sujetos a una diversidad de factores que inducen variacin en las medidas.
Una de las caractersticas ms importantes de los datos biolgicos y entre ellos los
agronmicos es la incertidumbre, la cual se produce debido a que casi siempre se
estudia solo una muestra (fraccin) o muestras de una poblacin; adems, los resultados
obtenidos en diferentes muestras de una determinada poblacin, no siempre producen
resultados similares.

Un concepto muy importante en la Estadstica es el de muestra aleatoria, o al azar, que es


una porcin del todo (poblacin) en la que cada individuo tiene igual oportunidad de ser
incluido, generalmente se realiza por mtodos mecnicos, para eliminar influencia subjetiva
(sesgos individuales). Para ello se puede utilizar una tabla de nmeros aleatorios, una
calculadora de bolsillo o algn programa estadstico.

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.

MTODOS ESTADSTICOS DESCRIPTIVOS.

La Estadstica se divide en dos partes: Estadstica Descriptiva que trata sobre el


conjunto de tcnicas para la coleccin, organizacin, manejo y descripcin de un grupo de
datos, y la Estadstica Inductiva o Inferencial, que se refiere a la obtencin sistemtica de
una o ms conclusiones a partir de los datos, con una cierta confiabilidad. sta ltima es
la ms importante dentro de la investigacin agrcola.

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

MEDIDAS DE TENDENCIA CENTRAL (MTC).


Tambin conocidas como medidas de posicin. Es un nmero que representa la central o
la medicin ms representativa en un conjunto. Entre las medidas de tendencia central ms
utilizadas se encuentran la media, mediana y moda.
MEDIA (Aritmtica).- es la ms comn de las utilizadas para describir una distribucin de
frecuencias y usualmente la mejor.
Simbologa:

para la poblacin (parmetro)

x para la muestra (estadstico)

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

CLCULO EN TABLAS DE FRECUENCIAS.


En ocasiones se presenta el problema de calcular la media a partir de una tabla de
frecuencia. Esta situacin puede ocurrir cuando:
-

No se disponen de las observaciones originales

Nmero muy grande observaciones

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.
-

Distribucin no muy asimtrica, media moda y mediana, casi igual en valor y


reportar cualquiera.

En asimtricas, la mediana puede ser mejor medida.

En estadstica inductiva la media es mejor, por propiedades tericas

Para describir un conjunto reportar las tres 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

La mejor medida de dispersin y la ms generalizada es la varianza (VAR) o su raz


cuadrada, la desviacin estndar (DE). La DE es una medida de dispersin en unidades
de los datos originales.
Simbologa: Poblacin (parmetros): VAR= 2,

DE=

Muestra (estadsticos): VAR= s2, DE= s

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

Coeficiente de variacin (CV).- medida relativa de variabilidad


Propiedades:

a. Independiente de unidades de medicin.


b). Debido a), CV ms apropiado para comparar la variabilidad de dos
conjuntos de datos.

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

Ilustracin de curvas con diferente desviacin e igual media

17

El clculo de probabilidades es difcil en la distribucin normal (integracin, largo y tedioso),


por lo que se usan tablas. Otro problema: se requerira una tabla diferente para cada par de
valores de y 2. Entonces, la solucin es transformar o estandarizar los datos de esa
variable, mediante la frmula z= (x - )/, mediante la cual se ajusta o transforma los datos
a una media 0 y varianza 1 (variable aleatoria estandarizada), que es independiente de las
unidades de medida. Esto puede comprobarse con un conjunto de datos y aplicando los
teoremas sobre cambio de las observaciones y su influencia sobre la media y varianza,
revisados anteriormente..

An as, el clculo de probabilidades en la variable aleatoria Z no es fcil, por lo que se


utiliza una tabla que proporciona esas probabilidades. El uso de la tabla se describe a
continuacin: En vista que en el eje de las X se tiene los valores de Z, desde (Z=0),
hasta el extremo de la curva + 3 (Z= 3.99), el valor derecho inferior de la tabla muestra
la cifra 0.500 que corresponde justamente al rea derecha bajo la curva. Cuando existen
valores de Z negativos, por la propiedad de simetra de la curva, los valores tabulares son
los mismos, pero corresponden al lado izquierdo de la curva. As los valores de Z puede
variar de 3.99 a + 3.99

PRUEBAS DE HIPTESIS (Inferencia estadstica)


Hemos visto los modelos probabilsticos: distribucin de probabilidad. Si suponemos que un
modelo probabilstico representa adecuadamente una situacin dada, el siguiente paso es
concluir usando los datos. Inferir sobre la poblacin usando la muestra.

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

Si queremos probar la validez de tales hiptesis se lleva a cabo un experimento o toma de


datos (PRUEBA DE HIPOTESIS). As, habran dos caminos posibles: SI, NO.
A este problema de decisin de dos caminos, se le llama prueba de hiptesis (mtodo para
determinar sobre la probabilidad de esa aseveracin usando la muestra como gua). A los
caminos se les llama hiptesis nula e hiptesis alternativa.

HIPTESIS NULA (Ho).


Es la que queremos rechazar o desaprobar y es la que indica que no hay diferencia entre
procedimientos.
NOTA: la igualdad siempre se pone a la Hiptesis nula (tericamente mejor).
Ho: 1 = 2 = 3 = n
Ho: 1.74
La negacin, o hiptesis que difiere de una hiptesis nula se llama hiptesis alternativa.

HIPTESIS ALTERNATIVA (Ha, H1).


Cuando una investigacin est dirigida a probar una aseveracin, sta se toma como
alterna, su negacin ser la nula.
Ha: 1 2 3 n
Ha: 1.74
EJEMPLOS.
1. Los ictilogos sospechan que debido a la contaminacin la longitud de la media del
pescado blanco en el ro Guayas es menor de 46 centmetros. Si demuestran que
esto es verdad, propondrn una legislacin para el control de la contaminacin. Si la
hiptesis es falsa no se tomar ninguna accin.

19

Solucin:
Valores de los
parmetros

Hiptesis

Proposicin por probar

46

Ha

Proposicin por rechazar

46

Ho

ERRORES DEL TIPO I Y DEL TIPO II.


El objetivo de probar una hiptesis es tomar una decisin, si es posible una que sea correcta.
Tomamos la decisin de aceptar o rechazar Ho. Si rechazo Ho, acepto Ha y viceversa.
Cuando tomamos una decisin acerca de la hiptesis propuesta basados en datos de una
muestra, corremos el riesgo de cometer dos tipos de errores.
SITUACION REAL
Ho ES CIERTA
DECISION

(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.

PRUEBA DE t PARA OBSERVACIONES PAREADAS.


Un caso especial de la prueba de t para dos muestras ocurre cuando las observaciones
de las dos poblaciones de inters se colectan en pares. Cada par de observaciones se
21

colectan en condiciones homogneas, pero estas condiciones pueden cambiar de un par


a otro. Esto quiere decir que los miembros de cada pareja son dependientes uno de otro,
pero cada pareja es independiente de todas las otras parejas. As, podra compararse el
porcentaje de aceite obtenido cuando se adicionaron micronutrientes y cuando no, en
dos parcelas contiguas en 12 localidades diferentes. La hiptesis nula que se prueba es
que la media de la poblacin de diferencias es igual a cero, en otras palabras que los
promedios de las dos poblaciones o muestras que se estn evaluando son iguales. La
hiptesis alternativa es que la media de la poblacin de diferencia, no es igual a cero.
Peso de racimos en Kg por parcela (3 racimos) de dos hbridos de palma.
Var A

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

729 184.9 544.1 6.04


109

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

PRUEBA DE t PARA MUESTRAS INDEPENDIENTES Y VARIANZAS IGUALES.


Es un procedimiento estadstico para decidir si las medias de poblaciones normalmente
distribuidas son iguales o no, o si la diferencia entre las medias es un valor especfico.
Se supone que las varianzas desconocidas de estas muestras son las mismas, pero las
medias pueden diferir
Para observaciones no pareadas aplicamos la misma frmula para calcular t, pero varan
algunos de los clculos:

Sd S 2

S2

Donde:

n1 n2
n1xn2

SC X 1 SC( X 2 )
(n1 1) (n2 1)

SC (X1) = X12 - ( X1)2/n1 y SC (X2) = X22 - ( X2)2/n1

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

Se revisar el clculo a travs de Excell e INFOSTAT.

CORRELACIN Y REGRESIN LINEAL


CORRELACIN LINEAL.
Sus conceptos parecen ser complicados, pero las ideas bsicas son tan sencillas que todo
el mundo los utiliza en conversaciones diarias. "Cuanto mayor sea la altura, ms fuerte ser
la cada", "Cuanto ms haya, mejor"
Esto implica dos cantidades variables: la magnitud de una dependiendo de la magnitud de
otra (variables independientes (X) y dependientes (Y)). Se simboliza como Y a la variable
de mayor inters (dependiente) y como X a la variable independiente o auxiliar.
En investigacin se tiene el inters de conocer el grado de relacin entre dos o ms
variables. Generalmente se registran tres grupos de variables en ensayos de campo.
1) Tratamientos: Fertilizantes, variedades, control de malezas, etc.
2) Factores ambientales: precipitacin, radiacin solar, etc.

24

3) Respuesta: caractersticas biolgicas o fsicas que se espera sean afectadas por


los tratamientos en estudio.
Debido a que en la investigacin agrcola el objetivo principal es estudiar el comportamiento
de un determinado cultivo en un ambiente especfico, las asociaciones de variables que
generalmente se estudian son:
1. Asociacin entre variables respuesta.
2. Asociacin entre respuesta y tratamiento, (Tratamientos, cuantitativos).
3. Asociacin entre respuesta y ambiente. Ensayos repetidos: precipitacin,
luminosidad, etc.
Los procedimientos de correlacin y regresin pueden clasificarse de acuerdo con el
nmero de variables involucradas y la forma de la relacin funcional entre la variable o
variables independientes y la dependiente. sta clasificacin es:

Correlacin y regresin lineal simple.

Correlacin y regresin lineal mltiple.

Correlacin y regresin no-lineal simple.

Correlacin y regresin no-lineal mltiple

En este curso se revisarn nicamente los procesos de correlacin regresin lineal


simple.

CORRELACIN LINEAL SIMPLE ( r).


Mide el grado de intensidad de asociacin entre dos variables, o el grado en que dos
variables cambian una con respecto a la otra.
0 = no existe relacin alguna.
1 = existe relacin perfecta positiva.
-1= existe relacin perfecta negativa.
El diagrama de dispersin de los datos, dentro de los ejes X y Y nos da una idea rpida del
grado de asociacin entre las variables.
25

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

Es difcil y riesgoso tratar de interpretar visualmente un valor de correlacin; si no se escoge


escalas adecuadas (X y Y), se puede esconder una r falsa o una verdadera.

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

MTODO ESTANDARD O DE PRODUCTO MOMENTO.

( 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

Cerdos vendidos (millones) Precio por animal (dlares)


x
y

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.

Independiente del origen de las variables y de la escala.

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.

Las variables deben ser pareadas por alguna razn lgica.

d.

Las muestras deben ser tomadas al azar.

e.

Se debe tener mucho cuidado al inferir causa y efecto de un coeficiente r significativo.

TRAMPAS.- (OBSERVACIONES).
1.

El nombre completo es coeficiente de correlacin lineal simple.

2.

Nada en la definicin de correlacin implica o indica que la relacin entre


dos variables sea de tipo causal.

- Una correlacin baja no siempre significa ausencia de correlacin. r = 0


X

144

256

336

384

400

384

336

256

144

10

X = tiempo en segundos transcurrido despus del disparo vertical de una flecha.


Y = elevacin de la flecha en pies.
Si calculamos r = 0, podramos estar equivocados si concluimos que no existe relacin
entre x e y.
29

* La palabra lineal fue ignorada*


La ecuacin: Y = 160X - 16X2 da ajuste perfecto (correlacin curvilnea) y corresponde a la
ecuacin de la parbola.
- Una alta correlacin no siempre significa una relacin de causa efecto.
X

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

En este ejemplo el coeficiente de correlacin calculado es de r = 0.937 el cual es alto y


podramos indicar que existe asociacin entre las dos variables. Pero cuando observamos
cuales son las variables que estamos correlacionando:
X = nmero de cigarrillos consumidos anualmente en EU (miles de milln), entre 1944 y
1958.
Y = cifras del ndice de produccin por hora-hombre en cultivos de heno y forraje durante el
mismo perodo.

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.

REGRESIN LINEAL SIMPLE


La correlacin lineal mide el grado de asociacin entre dos variables, NO indica sobre la
naturaleza de la asociacin, ni tiene capacidad de prediccin.

ANLISIS DE REGRESIN: Trata acerca del problema de establecer modelos


matemticos razonables para las relaciones entre las variables bajo estudio y obtener
inferencias de ellos.
USOS DE RLS.- En muchas situaciones del quehacer humano y en muchas disciplinas,
tales como agronoma, publicidad, administracin, etc.
Agronoma (densidad de plantas ---> rendimiento)
Publicidad (gastos publicidad ---> ventas)

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

PRUEBA DE SIGNIFICANCIA DE o 1.La hiptesis nula a probarse es:


Ho = 1 = 0 No existe relacin entre las variables y por ende, X no es de utilidad para
predecir a Y. Mientras que la hiptesis alternativa:
Ha = 1 0
Se calcula un valor de t mediante el cual se acepta o rechaza la hiptesis nula.

tb

2
xy

b
S yx / X 2
2

xy / x
2

n2

INTERPRETACIN DE LA ECUACIN DE REGRESIN ESTIMADA.


Interpretacin de la ordenada al origen (a, o, ).
A un valor de X=0 le corresponde uno de Y, en este caso la ecuacin se reduce a: Y = a.
La ordenada al origen (a) no tiene interpretacin prctica en muchos problemas. Ejemplo:
En un estudio con personas jovenes se relacionaron las variables, X= peso en kilogramos,
y Y= estatura en cms. Obtenindose la siguiente ecuacin:

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.

Debe ser fsicamente posible que X tome el valor de cero.

2.

Deben tenerse suficientes datos alrededor de cero.


32

Otro Ejemplo:
X= nmero de empleados
Y= Ventas en cientos de miles de sucres.

Y = -0.5892 + 0.4159X
Y = -0.5892

Esto no es razonable, pero se podra tener valores cercanos a cero para

realizar una buena estimacin.

INTERPRETACION DEL ESTIMADOS DE LA PENDIENTE O COEFICIENTE DE


REGRESION ( 1 b).Hay que tener en cuenta las caractersticas del fenmeno que se estudia. (interpretacin
matemtica insuficiente). Volvamos al ejemplo pesos en Kg (X) y estatura en cm (Y).

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.

ANALISIS DE VARIANZA DE LA REGRESIN.


Su utilidad radica en que nos permite comprender con mayor profundidad el anlisis de
regresin. Se basa en:

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):

Y 161.3; Se = 5.087; C. V. (Y) = 0.0315


Humedad consumida (X) y prdida esperada (Y):

Y 1612.5143; Se = 523.4685; C. V. (Y) = 0.3246


Nmero de empleados (X) y ventas semanales (Y):

Y 11.3333; Se = 1.1947; C. V. (Y) = 0.1054


Tiempo de exposicin (X) y porcentaje de bacilos sobrevivientes (Y):

Y 13.6798; Se = 26.8574; C. V. (Y) = 1.9633

34

ERRORES COMUNES EN LOS ANLISIS DE CORRELACIN Y REGRESIN EN


INVESTIGACIN AGRCOLA.
I. Relacin impropia entre datos y objetivos.
Ejemplo: Influencia de la infestacin del picudo Rhynchophorus palmarum sobre el peso del
fruto.
Posibles fuentes de datos:
A. Rendimiento e incidencia del picudo obtenida de varias fuentes secundarias,
experimentos propios y de otros realizados para otros propsitos.
B. Incidencia y rendimiento tomados de un muestreo en diferentes sitios y en uno o ms
campos de agricultores.
C. Rendimiento e incidencia de varias subparcelas generadas de una gran parcela. En
toda el rea crece el hbrido HNN34 con manejo uniforme y sin aplicacin de
insecticida.
D. Rendimiento e incidencia tomados de Unidades experimentales (UE) en un ensayo
con repeticiones con diferentes medios de control del insecto.
E. Rendimiento e incidencia de UE en donde los tratamientos son la variacin del nmero
de picudos por planta o por unidad de rea.

La correlacin y regresin aplicables a todas las situaciones, pero el nivel de exactitud,


estimacin de la curva de regresin y la interpretacin variarn notablemente de uno a otro
caso. La exactitud variara as: A < B < C < D < E; mientras que la complejidad de anlisis
y de interpretacin: A > B > C > D > E

PUNTOS IMPORTANTES:
1.

El escoger la fuente de datos para la aplicacin de la correlacin y regresin es crtica


(Y ms crtica en interpretacin.)

Las consideraciones a tomar en cuenta son:


-

Exactitud de los resultados y costo estimado (tiempo y dinero) se deben balancear


ambos).
35

Tener una mayor exactitud en estudios preliminares.

2.

Examinar crticamente la fuente de datos y la identificacin de los posibles factores


que puedan afectar los resultados e interpretacin es esencial.

II. Amplia generalizacin de los resultados


Uno de los errores ms comunes es el de generalizar la cobertura de la relacin funcional
o asociacin de 2 variables, ms all del alcance de los datos donde se fue aplicado el
anlisis. No se debe extrapolar los resultados fuera del rango de X. Ejemplo: Si se aplica
entre 0 a 90 kg N, no debe extrapolar los resultados ms all de los 90 kg.
Otra rea propensa a la generalizacin es la identificacin de mtodos substitutos para
medir alguna caracterstica.
Ejemplo: Peso de mazorca en maz por rendimiento de grano; justificacin altamente
correlacionados y fcil de tomarlo.
Siempre hay prdida de informacin en proporcin (1-r2)
An cuando se piense que la substitucin es vlida y racional, casi siempre se cometen 2
tipos de errores.
-

Los resultados de un coeficiente de RLS obtenido de un grupo de datos es extendido


para cubrir todo tipo de datos. Ej: Substitucin de variable buena para ensayos de
variedades, no aplicable a ensayos fertilizacin, etc.

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

III. Mala interpretacin de los anlisis de regresin y correlacin.


Causa y efecto (ya descrito en anlisis de correlacin) La no significancia de r no significa
falta de relacin funcional (slo lineal)

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.

CARACTERSTICAS DE UN EXPERIMENTO BIEN PLANEADO.


1. Simplicidad.- La seleccin de los tratamientos y su disposicin experimental deben
hacerse del modo ms simple posible y ser consistentes con los objetivos del
experimento.
2. Grado de precisin.- Debe haber gran probabilidad de que el experimento sea
capaz de medir diferencias de tratamientos, con los grados de precisin deseados
por el experimentador.
3. Ausencia de errores sistemticos.- Se debe planear el experimento para asegurar
que las unidades experimentales que reciban un tratamiento, no difieran
sistemticamente de aquellas que reciben otro tratamiento, de modo que se pueda
obtener una estimacin imparcial del efecto de cada tratamiento.

4. Rango de validez de las conclusiones.- Las conclusiones deben tener un grado


de validez tan amplio como sea posible. Un experimento repetido en tiempo y
espacio incrementa el rango de validez de las conclusiones que se obtengan del
mismo.

5. Clculo del grado de incertidumbre.- En cualquier experimento existe siempre


algn grado de incertidumbre en cuanto a la validez de las conclusiones. Un
experimento debe ser concebido de modo que resulte posible calcular la probabilidad
de obtener los resultados observados, debidos nicamente al azar.

39

PROCEDIMIENTOS PARA LA EXPERIMENTACIN

En la planeacin y la conduccin de un experimento, existe un gran nmero de


consideraciones que deben analizarse cuidadosamente para obtener los resultados
deseados. Algunos de los pasos ms importantes son:
Definicin del problema.- El primer paso en la resolucin de un problema consiste en
establecer clara y concisamente el problema que se est tratando. Si el problema no puede
definirse, hay muy pocas probabilidades de que sea resuelto.
Determinacin de objetivos.- Los objetivos deben redactarse en trminos precisos y evitar
la vaguedad o exceso de ambigedad de los planteamientos.
Anlisis crtico del problema y de los objetivos.- Los objetivos del experimento son
realmente importantes para la solucin del problema. La seleccin de un procedimiento o
metodologa para la investigacin depende, en gran medida, del objeto en estudio, as como
de los objetivos planteados.
Seleccin de tratamientos.- Parte del xito que se logre con un experimento depende de
la cuidadosa seleccin de los tratamientos, su evaluacin debe responder las preguntas
planteadas por el investigador y alcanzar los objetivos propuestos.
Seleccin del material experimental.- En la seleccin del material experimental, se deben
considerar los objetivos del experimento y la poblacin sobre la cual se harn las inferencias.
El material utilizado debe ser representativo de la poblacin sobre la cual se desea probar
los tratamientos.
Seleccin del diseo experimental.-

Nuevamente, aqu es importante hacer una

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.

Conduccin del experimento.- En la conduccin del experimento, deben utilizarse


procedimientos libres de sesgos personales o favoritismos. Algunos aspectos generales
como evitar la fatiga en el acopio de una gran cantidad de datos, comprobar inmediatamente
las observaciones que parecen fuera de lugar y organizar la recoleccin de datos, entre
otros; pueden facilitar el anlisis y evitar algunos errores que pueden cometerse en esta
etapa.
Anlisis de los datos e interpretacin de los resultados.- Todos los datos deben
analizarse tal como fueron planeados, los resultados se deben interpretar a la luz de las
condiciones experimentales; se comprobar la hiptesis y deber definirse la relacin de los
resultados con hechos previamente establecidos.
Elaboracin de un completo, legible y correcto informe de la investigacin.- El informe
de la investigacin debe redactarse en forma clara y precisa, indicando todos los pasos
seguidos y resultados alcanzados, siguiendo las normas exigidas para su publicacin.
Ntese que la mayora de los pasos anteriores no son estadsticos; sin embargo, el anlisis
estadstico constituye una parte importante de la experimentacin. La Estadstica y Diseos
Experimentales ayudan al investigador a concebir un experimento y a evaluar objetivamente
los datos numricos resultantes.

41

ALGUNAS DEFINICIONES
DISEO EXPERIMENTAL.
Conjunto de teoras matemticas

y de mtodos de anlisis, que permite a los

investigadores probar las hiptesis que se plantean.


Consiste en una secuencia de pasos que el investigador debe tomar para asegurar que
se van a obtener los datos apropiados, de tal forma que se les pueda hacer un anlisis
objetivo que conduzca a deducciones vlidas, con respecto al problema establecido

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

CON UN SOLO FACTOR.


Factor A: Dosis de nitrgeno
Niveles

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

CON DOS FACTORES.


Factor A: Variedades de caa
Niveles

Factor B: Dosis de nitrgeno


Niveles

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

UNIDAD EXPERIMENTAL (UE).


Unidad a la que se aplica un solo tratamiento, dentro de una repeticin o bloque del
experimento. La unidad puede ser una parcela de terreno, un animal, una hoja, un rbol,
una maceta, etc. Se debe tomar en cuenta la forma y tamao de la U.E. En cuanto al tamao
ya se conoce el ms adecuado para cada rea de investigacin, pero en nuevas temticas
43

es necesario determinar su tamao. As, en fitomejoramiento se utilizan de 1 a 6 surcos de


5 a 10 m. de longitud, mientras que en fertilizacin se pueden utilizar de 5 a 10 surcos de
hasta 15 m.

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.

UNIDADES EXPERIMENTALES HOMOGNEAS.


Dos U.E. son homogneas si tienen la misma capacidad de respuesta a un mismo
tratamiento. (homogeneidad es diferente a igualdad).

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.

LA NECESIDAD DE UN DISEO EXPERIMENTAL

Se demostrar con un ejemplo: Un especialista de suelos desea probar el efecto de


diferentes dosis de fertilizacin en el cultivo de palma. El problema general es la seleccin
de un diseo en particular, sin embargo las siguientes preguntas pueden ayudarle:
1.

Cules de esos factores se estudiarn en esta investigacin?. Los ms relevantes


al problema. Nitrgeno, Fsforo y Potasio.

2.

Cmo se va a medir el efecto de la dosis? Es decir, cuales son las caractersticas


de la palma que se va a analizar? Altura de planta, dimetro de tallo, produccin,
etc.

3.

Qu factores afectan a las caractersticas que se van a analizar? Ejemplo: la


produccin puede verse afectada por: la textura de suelo, plagas y enfermedades,
etc.

Las respuestas a estas interrogantes determinarn la seleccin de un determinado diseo


experimental, lo cual es materia de esta ctedra.

ERROR EXPERIMENTAL (E.E.).


Si dos unidades experimentales homogneas reciben un mismo tratamiento y producen
respuestas o mediciones diferentes, a la diferencia se le llama error experimental. El trmino

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.

2. Falta de uniformidad en la conduccin fsica del experimento, en cuanto a cualquier


factor de manejo: labranza, densidad, riegos, errores de observacin, errores de
medicin, etc.
Los diseos experimentales tienen como objetivo disminuir el error experimental y estimarlo
lo ms preciso; mientras ms pequeo sea ste, ms precisa ser la estimacin de los
efectos de los tratamientos y se obtendrn resultados confiables. Ejemplo:

CR 74250

725 kg

Unidades
experimentales
homogneas
60 m2

CR 74250

710 kg

Error Experimental = 725 710 = 15 kg

CR 74250

725 kg

Unidades
experimentales
homogneas
60 m2

Ragnar

690 kg

725 690 = 35 Kg = Error Experimental + Efecto de tratamientos

47

PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL

Se han establecido tres principios bsicos:

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.

Disposicin adecuada de los tratamientos (despus del sorteo).

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.

CONTROL DEL ERROR

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

UNIFORMIDAD DE LAS UNIDADES EXPERIMENTALES.


Para casi todos los experimentos, es esencial que todos los dems factores que no se han
considerado en los tratamientos se mantengan uniformes para todas las U.E. Ejemplo: En
el ensayo de variedades, se debe mantener uniforme la fertilizacin, control de plagas,
poblacin, etc.

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

grandemente. Ejemplo: covarianza (tomando otros caracteres adicionales). En un ensayo


de variedades que present problemas en la germinacin, se podra utilizar la poblacin
como covariable para el clculo de produccin.

INTERPRETACIN ADECUADA DE LOS RESULTADOS.


Debe tenerse muy en cuenta los lmites de aplicabilidad y generalizacin de los resultados.
Estos son estrictamente aplicables cuando las condiciones sean similares a la del
experimento. Ejemplo: variedades mejoradas que se comportan bien en las estaciones
experimentales pero que en otros campos pueden comportarse de manera diferente.

MTODOS PARA INCREMENTAR LA PRECISIN (EXACTITUD)

Los trminos precisin y exactitud suelen emplearse como sinnimos, aunque en


estadstica tengan significados ligeramente distintos. Exactitud se refiere a la proximidad
con que puede hacerse una medicin en particular comparando con la real; mientras que,
precisin se refiere a la magnitud de la diferencia entre 2 tratamientos que un experimento
es capaz de detectar. Ejemplo: Pesos de nios en una bscula que tiene un sesgo de 0.5
kg. As, si un nio tiene un peso verdadero o real de 23 kg, las pesadas repetidas darn
alrededor de 23.5 kg (promedio).

Exactitud.- es la cercana con la cual la medicin se aproxima al peso verdadero de 23 Kg.


Precisin.- es la cercana con la cual la medicin se aproxima al promedio de 23.5 kg, de
una serie de medidas hechas en condiciones similares.
A mayor sesgo, alta precisin pero baja exactitud. Por simplicidad se toman como idnticos.
Los mtodos para mejorar la precisin son:

INCREMENTO DEL NMERO DE REPETICIONES.


La precisin de un experimento puede incrementarse mediante el incremento del nmero
de repeticiones. No existe una regla fcil de determinar el nmero adecuado de repeticiones
pero podemos tomar en cuenta algunos factores en su determinacin.
50

Precisin.- Incrementa cuando se incrementa el nmero de repeticiones (se tienen ms


grados de libertad en el error experimental).
Naturaleza del material experimental.- a mayor variabilidad del material experimental
(suelos, gentica) se debe aumentar el nmero de repeticiones.
Recursos disponibles.- Se debe tomar en cuenta el tamao del ensayo y los recursos
disponibles.
Nmero de tratamientos y tipos de diseo.- De acuerdo al punto anterior y al control local
que ejerza el diseo. Las repeticiones de los tratamientos no solo deben hacerse en el
sitio experimental, sino que pueden hacerse en diferentes localidades, se pueden repetir
un grupo de tratamientos (una repeticin completa), sino todo el experimento. Adems,
las repeticiones pueden ser en diferentes pocas del ao o en diferentes aos. En forma
general se utilizan de 4 a 6 repeticiones con lmites de 2 y 10. En cultivos perennes, por
razones de costo, es difcil establecer experimentos con mas de cuatro repeticiones

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

Proyectar medidas convincentes y no sesgadas de los efectos de los tratamientos.


Algunas veces el desarrollo de un mtodo satisfactorio de medida, requiere aos de
investigacin. Ejemplo: La estandarizacin de tcnicas para aplicar marcadores
moleculares en una determinada especie.

Ausencia de errores sistemticos. Peridicamente se debe calibrar los aparatos de


lectura, vigilar el trabajo de asistentes y cotejar mediciones (Caso de calificaciones).

SELECCIN DEL MATERIAL EXPERIMENTAL.


Para ciertos tipos de estudio resulta deseable un material uniforme y cuidadosamente
seleccionado; sin embargo, en la seleccin debe tenerse en mente la poblacin acerca de
la cual deseamos hacer inferencias. Es importante usar el material que se emplear en la
produccin real. Ejemplo. En un ensayo de fertilizacin se debe usar el material o variedad
ms cultivada de la zona.

CONDUCCIN DEL EXPERIMENTO

La ejecucin de las operaciones de campo comprende el desarrollo y la aplicacin sobre el


terreno de la planificacin, en esta etapa se debe tomar todas las precauciones necesarias
para asegurarse la perfeccin del trabajo a fin de evitar influencias extraas.

En todo experimento agronmico, al medir el rendimiento o la calidad de los distintos


tratamientos sometidos a la experimentacin, se observa una variacin ms o menos
intensa; esta variacin est integrada por variaciones parciales, debidas a diversas causas,
que pueden clasificarse en dos grupos: Las variaciones pertinentes y las variaciones no
pertinentes.
a). Son variaciones pertinentes las ocasionadas exclusivamente por el elemento o
tratamiento sometido a evaluacin.

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.

Es indispensable atender de un modo minucioso a todos los detalles prcticos de la


ejecucin del trabajo, asegurndose de que el tamao de las parcelas es el previsto, las
semillas son las elegidas, sin que haya sustituciones o confusiones, las labores se realicen
oportunamente y con la perfeccin y uniformidad requeridas, los aparatos de peso y medida
de las cosechas o los destinados a determinar su calidad funcionen correctamente y las
anotaciones de las observaciones y resultados sean las debidas. Esta precisin exige la
colaboracin de tcnicos y obreros sumamente hbiles e identificados con el trabajo que se
est realizando y al mismo tiempo, una supervisin permanente del tcnico a cargo del
ensayo o experimento; ambas exigencias hacen que la experimentacin agrcola sea en
general costosa, pero permitirn sacar conclusiones y ofrecer recomendaciones con un alto
grado de probabilidad que estos se repitan al aplicarse en forma comercial.

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

Si estudiamos la variacin de un grupo de tratamientos, la variacin total observada ser


el resultado de la variacin entre los tratamientos en evaluacin, la variacin por la
agrupacin de tratamientos (de acuerdo al diseo utilizado) y la variacin del error
experimental.

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

material experimental, de la falta de homogeneidad en el manejo o del ambiente en que


se realiz el experimento y que se lo conoce como error experimental. As, en un diseo
de Bloques Completos al Azar, la variacin total se desdobla en aquellas provenientes
de la agrupacin de los tratamientos en bloques o repeticiones, la variacin causada por
los tratamientos y la variacin del error experimental.
El empleo del ADEVA se ha generalizado extensamente para la interpretacin de los
resultados de los experimentos agrcolas y de diversos estudios biolgicos y en otros
campos de la investigacin, por ser el mtodo ms preciso, ms flexible y de ms fcil
aplicacin de los que puedan utilizarse para este fin.

REQUISITOS DEL ANLISIS DE VARIANCIA

La aplicacin de un procedimiento estadstico, dentro de una investigacin, es apropiada


y eficiente nicamente cuando los datos cumplen ciertos requisitos, los mismos que son:
Independencia de los errores experimentales, Normalidad de las variancias,
Homogeneidad de las variancias y Aditividad de los efectos.

INDEPENDENCIA DE LOS ERRORES EXPERIMENTALES.


Esto requiere que el error de una observacin no est relacionado o dependa de otra.
Este requisito es asegurado con un uso adecuado del sorteo, los tratamientos deben ser
asignados al azar a las unidades experimentales. Una manera simple de detectar la no
independencia de los errores es revisar el plano del experimento y observar si hay un
patrn de arreglo sistemtico de los tratamientos de una repeticin a otra.

NORMALIDAD DE LAS VARIANCIAS.


El procedimiento del anlisis de la variancia es aplicable cuando los datos que se toman
provienen de variables que se distribuyen normalmente, de no ser as, las variaciones de
los errores experimentales pueden ser demasiado grandes o pequeas, lo que da lugar
a que se podra rechazar un experimento en el primer caso o se podra aceptar una
investigacin en el segundo caso, lo cual conducira a un sesgo en la informacin
55

deseada. El procedimiento ms simple para averiguar si los datos se distribuyen o no


normalmente es graficar y establecer la similitud con relacin a la curva de Gaus. En caso
de que no se distribuya normalmente, previo al anlisis de la variancia hay que utilizar
transformaciones de datos.

HOMOGENEIDAD DE LAS VARIANCIAS.


Otro requisito bsico para el anlisis de variancia es que los tratamientos escogidos
provengan de poblaciones de igual variancia, an cuando sus medias poblacionales sean
diferentes. Cuando se considere que no hay homogeneidad en una investigacin o que
no provenga de poblaciones con igual variancia, los datos previos al anlisis deben ser
revisados utilizando la prueba de Barlett, con el afn de homogenizar las variancias.

ADITIVIDAD DE LOS EFECTOS.


Para la realizacin del anlisis de variancia, se hace necesario que los tratamientos
investigados y los efectos medio ambientales sean aditivos, o sea que los efectos de los
tratamientos deben ser iguales en cualquier sitio de la investigacin; en otras palabras,
que el efecto de los tratamientos y de las repeticiones no interaccionen. La presencia de
la no aditividad hace crecer el error experimental. Si se sospecha que los datos no
cumplen este requisito previo al anlisis de variancia se debe utilizar la prueba de
aditividad de Tukey.
Ejemplo:
Tratamientos
Repeticiones

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

COMPONENTES DEL ANLISIS DE VARIANCIA


FUENTES DE VARIACIN.
Como ya se indic anteriormente, el ADEVA permite desdoblar la variacin total
observada en el experimento en diferentes fuentes, como la variacin debido a las
repeticiones, a los tratamientos y al error experimental; a stos se les denomina fuentes
de variacin.

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,

i 0 , por lo tanto determinadas n-1 de esas desviaciones, la

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.

SUMA DE CUADRADOS Y CUADRADOS MEDIOS.


Mediante el anlisis de variancia se determinan las variancias o ms precisamente los
cuadrados medios de las denominadas fuentes de variacin. Cuadrado medio es el

57

cociente que resulta de dividir la suma de cuadrados para el nmero de grados de


libertad.

ORGANIZACIN DE LOS DATOS.


Una de las maneras ms comunes para organizar los datos de un experimento es
empleando las tablas de doble entrada de acuerdo a dos criterios de clasificacin, de la
siguiente manera:
Repeticiones

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

..

Cada una de las observaciones denotadas como x ij


i = 1, 2, 3, ..., t observaciones del primer criterio de clasificacin (tratamientos)
j = 1, 2, 3, ..., t observaciones del segundo criterio de clasificacin (repeticiones)
x1. = sumatoria de cada una de las observaciones de x ij, cuando j = vara de 1 a r.
x.1 = sumatoria de cada una de las observaciones de x ij, cuando i = vara de 1 a t.

DISEO COMPLETAMENTE AL AZAR (DCA)

Al diseo completamente al azar se le conoce como diseo completamente azarizado o


diseo completamente aleatorio. Es el ms simple de todos los diseos experimentales,
es el diseo bsico que da lugar a los dems diseos mediante la adicin de restricciones
o condiciones que se deben cumplir. En este diseo no hay restriccin alguna ni en los
bloques completos, ni en los incompletos, lo nico que se debe cumplir es que los
58

tratamientos se distribuyan al azar en todas las unidades experimentales; es decir, cada


unidad experimental tiene la misma oportunidad de recibir a cualquier tratamiento y el
nmero de observaciones o unidades por tratamiento puede ser igual o diferente. Es
apropiado para experimentos, mtodos y tcnicas de trabajo en el laboratorio, estudios
de invernadero y en investigaciones de ganadera, donde los efectos ambientales son
relativamente fciles de controlar.

El DCA es muy til y conveniente cuando la variabilidad est uniformemente distribuida


en el material experimental, existe esta caracterstica cuando las unidades tienen igual
origen, igual raza, peso, edad, igual sistema de crianza, etc. Este tipo de diseo tambin
se aplica a estudios de carcter socioeconmico.

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

MODELO MATEMTICO O MODELO LINEAL.


En diseo experimental la respuesta de cualquier observacin est sujeta a un modelo
matemtico y una observacin cualquiera, es el resultado del efecto del tratamiento ms
el efecto del error experimental.
Xij = + Ti + ij
Donde:
i = 1, 2,....., t
j = 1, 2,....., r

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.

SORTEO Y DISPOSICIN DE LAS PARCELAS.


Los pasos a seguirse para el sorteo y disposicin de parcelas en el campo son:

60

Determinar el nmero de unidades experimentales (n), producto del nmero de


tratamientos (t) y el nmero de observaciones (repeticiones, r).
-

n=t xr

Asignar un nmero a cada a parcela de una manera conveniente, por ejemplo de


1 a 20, si son 20 las parcelas necesarias en el ensayo.

Asignar los tratamientos a las unidades experimentales de acuerdo con algn


esquema de sorteo, como utilizacin de nmeros aleatorios, pedazos de papel, o
computadora.

TABLA DEL ADEVA PARA EL DISEO COMPLETAMENTE AL AZAR


Fuente de
variacin
Total

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

Por otro lado, si el valor de F es mayor que el valor tabular de F al 5 % de nivel de


significancia, pero menor o igual que el valor tabular de F al 1 % de nivel de significacin,
se dice que la diferencia entre tratamientos es significativa y se coloca un asterisco en el
valor de F calculado en el ADEVA.

Por ltimo, si el valor de F calculado es menor o igual que el valor tabular de F al 5 % de


nivel de significancia, se dice que la diferencia entre tratamientos es no significativa y se
coloca ns en el valor calculado de F en el ADEVA.

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

Variable: Peso de materia verde a los 30 das despus de la siembra (gr)


TRATAMIENTOS
Maceta

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 =

Suma de Cuadrados Total =

ij

ij

rt
2

12822
4X 5

= 82176.2

FC

= 1012 + 932 + . . . + 512 + 422 FC


= 90344 - 82176.2 = 8167.8

i.

Suma de Cuadrados de Tratamientos =

FC

3832 2292 . . . 167 2


82176.2
4

= 89462 82176.2 = 7 285.8


Suma de Cuadrados del Error Experimental = SC

total

SC tratamientos.

= 8167.8 7285.8 = 882.0

ANLISIS DE VARIANCIA (ADEVA)


Fuente de
variacin

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

La F calculada se obtiene de la relacin:


C.M .Tratamientos
F
C.M .ErrorExperimental

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.

El valor significativo de F implica que los tratamientos no pertenecen a poblaciones con


comn. Nos dice que los tratamientos difieren en forma significativa, pero no indica cul
de ellos es el mejor y cmo difieren unos de otros. Para poder saberlo, apelamos a las
pruebas de significacin.

Se calcula el coeficiente de variacin, mediante la frmula :

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

se rechaza la hiptesis nula y se acepta la hiptesis alternativa que las

variedades son diferentes. El coeficiente de variacin es aceptable (11.96 %).

Otra manera de concluir es: En el ADEVA se detectaron diferencias estadsticas


significativas al 1 % de probabilidad entre clones para el peso de materia verde a los 60
das despus de la siembra, aceptndose la hiptesis alternativa de que las variedades
son diferentes. El coeficiente de variacin es aceptable (11.96 %).

64

DISEO COMPLETAMENTE AL AZAR CON DESIGUAL NMERO DE


REPETICIONES O UNIDADES POR TRATAMIENTO.

En muchas ocasiones no es posible obtener igual nmero de observaciones por


tratamiento, lo cual ocurre con relativa frecuencia, sobre todo en experimentos de
ganadera, porque algunos animales pueden enfermar o morir. En otros ensayos, el
material experimental puede que no alcance por igual a todos los tratamientos; o que en
el laboratorio o invernadero se tomen algunos datos equivocadamente o se olvide de
tomarlos. En ocasiones existe dao en las unidades experimentales, por lo que no se
puede considerar esas observaciones o valores para el anlisis estadstico; aunque ste
es poco o casi nada afectado; sin embargo, cuando se realicen comparaciones entre
medias de tratamientos, sern menos precisas aquellas que consideran tratamientos con
menos repeticiones. La nica variacin en el clculo estadstico, es la manera de calcular
los grados de libertad y la suma de cuadrados, tal como se muestra en el ADEVA:

ANLISIS DE VARIANCIA (ADEVA)


Fuente de
variacin
Total

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

Ha : Los reproductores presentan diferencias en la transmisin de sus caractersticas a


AB 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 =

Suma de Cuadrados Total

ri

ij

17

= 135548.47

FC = 902 + . .. . + 1032 135548.47

= 137512 135 548.47 = 1963.53

i.

Suma de Cuadrados de tratamientos =

ri

FC

6062 5482 3642


135548.47 = 88.48

7
6
4

Suma de Cuadrados del Error Experimental = SC

total

SC tratamientos
66

.=

1963.53 88.48 = 1875.05

ANLISIS DE VARIANCIA (ADEVA)


Fuente de variacin

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.

DISEO COMPLETAMENTE AL AZAR CON SUBUNIDADES POR


UNIDAD EXPERIMENTAL
Se le conoce tambin como DCA con submuestras. En algunas ocasiones se registran
varias observaciones dentro de cada unidad experimental, o la parcela est constituida
por varias plantas o animales, en las que se hacen observaciones individuales. Estas
observaciones se conocen como submuestras o unidades de muestreo. As por ejemplo,
en un ensayo en que se est probando varios fungicidas, se sembraron cuatro plantas
por maceta, lo que permitira realizar las observaciones en algunas o todas las plantas
dentro de cada maceta. El escogimiento de las muestras deber realizarse siguiendo las
67

leyes del azar o de algn criterio preestablecido, por ejemplo: slo aquellas plantas
ubicadas del lado derecho de la maceta.

Existen dos fuentes de variacin que contribuyen a la variancia y que se aplica a


comparaciones entre medias de tratamiento y son: La variacin entre unidades
experimentales de un mismo tratamiento y cuyo cuadrado medio se conoce como error
experimental y, la variabilidad entre subunidades o muestras de una misma unidad
experimental y cuyo cuadrado medio se conoce como error de muestreo.

El modelo matemtico para este tipo de diseo experimental se expresa de la siguiente


Xijk = + Ti + ij + ijk

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

CM tratamientos CMtrat./CMerror exp.

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

FC = = (272 + 302 ++ 142) - 13728.17 = 751.83

Xi..

1862 ... 1042


13728.17 = 564.83
3x2

SC tratamientos =

rm

FC

Xij.

SC unidades experimentales =

SC

error experimental =

SC

error muestreo

FC = = [(572 + 612 + ...+292)/2] 13728.17 =717.83

SC unidades experimentales SC tratamientos = 717.83 564.83 = 153.0

= SC total SC tratamientos SC error experimental = 751.83 564.83 153.0 =

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

En los experimentos con muestreo, el Error experimental es igual:


Error Experimental = (CMError Exp - CMError

muestreo)/

m =
70

19.12 2.83
= 8.145
2

De esta manera se calculan dos coeficientes de variacin.-

CV (E) =

CV(M)=

8.145
x 100 = 11.93 % y,
23.92
2.83
X 100 = 7.03 %
23.92

La F calculada para el Error Experimental indica si la variacin observada dentro de las


unidades experimentales de un mismo tratamiento es significativa o no.

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.

DISEO DE BLOQUES COMPLETOS AL AZAR (DBCA)

Tambin se le conoce como Diseo de Bloques Randomizados o Diseo de Bloques


Completos Aleatorizados y es uno de los diseos ms utilizados en investigacin
agrcola, se le utiliza tambin en experimentos del sector pecuario. Este diseo est
especialmente adaptado para experimentos de campo, donde el nmero de tratamientos
no es grande y el rea experimental tiene una gradiente de fertilidad predecible. Los
tratamientos se asignan al azar, a un grupo de unidades experimentales denominado
bloque o repeticin. Una caracterstica fundamental del DBCA es que los bloques deben
71

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 este diseo el bloqueo es ms efectivo cuando el rea experimental tiene un patrn


predecible de variabilidad. Con un patrn predecible, la forma de la parcela y la
orientacin del bloque pueden ser escogidas para maximizar la diferencia entre bloques
y minimizar la variabilidad entre unidades experimentales de un mismo bloque.
Despus de identificar la fuente de variabilidad, el tamao y forma del bloque deben ser
seleccionados de acuerdo a estos lineamientos:
1. Cuando la gradiente es unidireccional (existe slo una gradiente) usar bloques
largos y angostos; adems los bloques deben estar orientados de tal forma que su
longitud sea perpendicular a la direccin de la gradiente.
2. Cuando la gradiente de fertilidad ocurre en dos direcciones, con una direccin ms
fuerte que otra, ignorar la gradiente ms dbil 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:
-

Use bloques que sean tan cuadrados como sea posible.

- Utilice bloques largos y angostos con su longitud perpendicular a la direccin de una


gradiente (punto 1) y use la tcnica de covarianza para controlar a la otra gradiente.
- Use el Diseo Cuadrado Latino.
72

4. Cuando el patrn de variabilidad no es predecible, los bloques deben ser


cuadrados y compactos.

En cultivos perennes si el terreno es relativamente homogneo se puede bloquear por


fisonoma de rbol. Otra opcin es bloquear por producciones similares de los rboles.
En ocasiones es particularmente til debido al efecto de manejo, sobre todo en
situaciones tales como: el material se transplanta por lotes, y no alcanza para toda la
plantacin. Tambin por periodo de cosecha, si esta es prolongada y se debe hacer
bloque por bloque.

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.

Es ms preciso que el DCA porque renueve la variabilidad total existente en todas


las unidades experimentales pertenecientes a un mismo bloque o repeticin.

2.

Se caracteriza por ser flexible, puesto que se puede usar un amplio nmero de
tratamientos y bloques o repeticiones por tratamiento.

3.

El anlisis estadstico es relativamente sencillo, quiz un poco ms complicado


que el DCA.

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.

No es el diseo ms adecuado cuando el nmero de tratamientos sobrepasa los


20, ya que aumenta el tamao del bloque y por consiguiente hay problemas con
la heterogeneidad del suelo.

2.

No es el diseo ms conveniente, cuando existe heterogeneidad dentro de los


bloques, o cuando hay alta variabilidad en el material experimental.

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

Figura 2. Disposicin final en el campo de un experimento con seis tratamientos y cuatro


repeticiones, en diseo de Bloques Completos al Azar.

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

ANLISIS DE VARIANCIA (ADEVA) EN BLOQUES COMPLETOS AL AZAR


Fuente de
variacin
Total

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

En este diseo se realiza una prueba de F adicional a la ya analizada en el diseo


Completamente al Azar, mediante la cual se prueba si las repeticiones o bloques son
iguales o diferentes. Si se obtiene significancia en esta fuente de variacin, se puede
indicar que las repeticiones o bloques son heterogneos por lo tanto fue acertado utilizar
este diseo. Mientras que, si no se presenta significacin estadstica en el ADEVA para
repeticiones, se puede indicar que el lugar del experimento o bloques son homogneos
de acuerdo a este experimento y la variable analizada. En cuanto a la significancia para
la prueba de F, casi siempre se utiliza al 5 y 1 %.

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 =

Suma de Cuadrados Total =

ij

ij

rt
2

656.42
5X 4

= 21543.05

FC

= 32.32 + 33.32 + . . . + 35.82 + 28.82 FC


= 21725.22 21543.05 = 182.17

77

i.

Suma de Cuadrados de Tratamientos =

FC

172.12 . . . 141.92
21543.05
5

= 21677.50 - 21543.06 = 134.44

Suma de Cuadrados de Repeticiones =

. j
t

FC

125.72 . . . 135.62
21543.05
4

= 21564.5 - 21543.06 = 21.46

SC Error Experimental = SC Total - SC Tratamientos- SC Repeticiones


= 182.17 - 134.44 - 21.46 = 26.27

ANLISIS DE VARIANCIA (ADEVA)


Fuente de
Variacin

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.

EFICIENCIA DEL DBCA.


La eficiencia de este diseo se mide en funcin del diseo completamente al azar, la
nica justificacin para usar un diseo ms completo es que sea ms eficiente que los
anteriores. Esta eficiencia relativa se expresa en porcentaje usando la siguiente frmula:

(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

En el ejemplo anterior la eficiencia relativa sera igual a:


R=

(5 1) x5.37 5(4 1) x2.19


x 100 = 125 %
((4 x5) 1) x2.19

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

DISEO CUADRADO LATINO


La principal caracterstica del diseo Cuadrado Latino (DCL) es la capacidad de manejar
simultneamente dos fuentes de variacin entre las unidades experimentales. Este
diseo trata a las fuentes como dos criterios independientes de bloqueo, en comparacin
a uno que maneja el DBCA. El bloqueo en dos direcciones en un DCL comnmente se
refiere a un bloqueo de hileras y a un bloqueo de columnas, esto debe asegurar que cada
tratamiento se muestre una sola vez en cada hilera y una sola vez en cada columna. Este
procedimiento hace posible estimar la variacin entre hileras, as como de columnas y
removerlas del error experimental. Algunos ejemplos donde el diseo Cuadrado Latino
puede ser usado apropiadamente son: Ensayos de campo en la cual el rea experimental
tiene dos gradientes de fertilidad dispuestos una perpendicular a la otra, o tiene una
gradiente de fertilidad unidireccional, pero tambin efectos residuales de aos pasados.

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.

En ensayos en invernadero en donde las parcelas experimentales (macetas) estn


arregladas en lnea recta y perpendicular a las paredes de vidrio o de plstico, y la
diferencia entre hileras de macetas y la distancia de las paredes de plstico se espera
sean las dos mayores fuentes de variacin entre macetas.

En ensayos de laboratorio con repeticiones en el tiempo, as la diferencia entre unidades


experimentales conducidas al mismo tiempo y entre aquellas conducidas en diferentes
pocas constituyen las dos fuentes de variacin conocidas.

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

hileras y columnas permite eliminar una mayor cantidad de

variabilidad, incrementando la precisin del experimento.


1. Anlisis estadstico sencillo, un poco ms complicado que el DBCA.
2. Ms eficiente que el DCA y el DBCA.

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.

SORTEO Y DISPOSICIN EN EL CAMPO.


Al cuadrado latino se lo denota por una multiplicacin, ejemplo 5 x 5. El proceso de sorteo
se muestra para un experimento con cinco tratamientos: A, B, C, D, y E, para lo cual se
usa patrones de cuadrado latino que se encuentran establecidos en los libros de
estadstica o de diseo experimental, y se sigue el siguiente procedimiento:

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.

2. Sortear el arreglo de las hileras del patrn seleccionado, siguiendo cualquier


metodologa ya conocida. En este ejemplo, al sortear qued de la siguiente manera:
H3
H4
H2
H5
H1

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

3. Sortear el arreglo de las columnas, del esquema obtenido en el punto 2, usando el


mismo procedimiento anterior. La disposicin final ser:
# Hilera
H3
H4
H2
H5
H1

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

ANLISIS DE VARIANCIA (ADEVA)


Fuente de
variacin
Total

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

t2 = nmero de parcelas en el ensayo.

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

Se calcula adicionalmente las sumatorias y medias para tratamientos en un cuadro


aparte:

TRATAMIENTO

T1

1.345 + 1.185 + 1.670 + 1.655

= 5.855

1.464

T2

1.640 + 1.290 + 1.665 + 1.290

= 5.885

1.464

T3

1.425 + 1.475 + 0.710 + 0.660

= 4.270

1.068

T4

1.210 + 1.400 + 1.180 + 1.565

= 5.355

1.339

CLCULOS.

ijk

FC =

SCtotal =

21.3652
=
= 28.528952
42

t2

ijk

ijk =

2

t2

. j.

SCTratamiento =

FC =

(1.6402 + ..+ 0.6602)2 28.528952 = 1.413923

5.8552 ...... 5.3552


28.528952 = 0.426842
4

84

. j.

SChileras =

..k
SCcolumnas =
t

FC =

5.6202 ...... 5.1702


28.528952 = 0.030154
4

FC =

6.3502 ...... 4.4752


28.528952 = 0.827342
4

SC E.E. = SCtotal - SChileras - SCcolumnas - SCTratamiento


SC E.E. = 1.413923 0.426842 0.030154 0.827342 = 0.129585

ANLISIS DE VARIANCIA (ADEVA)


F cal

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

PARCELA PERDIDA EN CUADRADO LATINO.


El ms comn es el mtodo de Yates, el cual es similar al que se describi en el DBCA;
es decir, se aplica una frmula para las parcelas perdidas, que para este diseo es:

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.

Cuando se han perdido dos o ms unidades experimentales, el procedimiento es


exactamente igual al seguido en el DBCA, realizando clculos en varios ciclos. Pero
cuando se pierden varias U. E., es preferible no calcular por Yates, sino que se podra
realizar el anlisis en DBCA o si el esquema lo permite, calcular como un cuadrado latino
de un grado o nivel inferior.

EFICIENCIA RELATIVA DEL DISEO CUADRADO LATINO.

1. Eficiencia relativa del DCL en comparacin al DCA:

ER.(DCA)

CMh CMc (t 1)CMEE


(t 1)CMEE

Donde,
CMh = Cuadrado medio de hileras
CMc = Cuadrado medio de columnas
CMEE

= Cuadrado medio del error experimental


86

= Nmero de tratamientos

2. Eficiencia relativa del DCL en comparacin al DBCA:

Puede ser calculado de dos maneras:


a. Cuando las hileras son consideradas como bloques del DBCA.-

ER ( DBCA, hilera)

CMh (t 1)CMEE
t CMEE

b. Cuando las columnas son consideradas como bloques del DBCA.-

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

Dentro del anlisis funcional, que no es ms que la obtencin de informacin ms


detallada del anlisis de variancia y de la comparacin de los promedios de tratamientos
que se estn evaluando en un experimento, se establecen de manera general tres
procedimientos a saber: pruebas de significacin, polinomios ortogonales y las
comparaciones ortogonales, los dos ltimos se revisarn ms adelante.

En el ADEVA, la prueba de F indica en primera instancia y de forma general, si los efectos


de los tratamientos en evaluacin son diferentes o similares estadsticamente, pero no
87

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.

DIFERENCIA MNIMA SIGNIFICATIVA (DMS)

La DMS es la prueba ms fcil de calcular, es una prueba eficiente, recomendable y


probablemente la ms comnmente usada para comparar pares de medias de
tratamientos.
El procedimiento de la DMS calcula un valor, a un determinado nivel de significancia, el
cual sirve de lmite entre diferencias significativas y no significativas entre un par de
medias de tratamientos; en otras palabras, el valor de DMS es el mnimo que tiene que
cumplir la diferencia entre dos promedios de tratamientos, para que sea declarado
significativo. As, los dos tratamientos son declarados diferentes, si su diferencia excede
el valor calculado de DMS; de no hacerlo, ser declarado como no significativo, o iguales.

La DMS es la ms apropiada para realizar pares de comparaciones, entre tratamientos,


pero no es vlida para comparar todas las combinaciones posibles, especialmente
cuando el nmero de tratamientos es grande, debido al alto nmero de combinaciones
posibles que se forman. As, para diez tratamientos tendramos 45 combinaciones en
pares, mientras que para 15 tratamientos se llegara a las 115 comparaciones.

Un problema que presenta esta prueba es que a mayor nmero de tratamientos, la


probabilidad de que al menos un par de tratamientos tenga diferencias que excedan el
valor calculado de DMS, solamente debido al azar, crece rpidamente. Por ejemplo, en
experimentos donde no existen diferencias reales entre tratamientos, podran observarse
diferencias numricas entre tratamientos, por el azar, y excediendo el valor de DMS al
5% de nivel de significancia, el 29% de veces, cuando cinco tratamientos estn
involucrados; cuando se comparan 10 tratamientos crece a 63 % y con 15 tratamientos
al 83 %. Por esta razn debe evitarse usar la DMS para todas las posibles comparaciones
88

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.

El procedimiento para aplicar la prueba de DMS para comparar cualquiera de los


tratamientos (en pares), es el siguiente:

1. Calcular la diferencia entre medias de los tratamientos a comparar:

Ejemplo:

d 12 1 2

d 35 3 5

2. Calcular el valor de DMS al nivel de significancia de mediante la siguiente

frmula: DMS t , glEE X S d


Donde :
(t,

glEE)

= Valor tabular de t a nivel de significancia y grados de libertad

correspondientes al error experimental.

S d Error estndar de la diferencia de medias, que se calcula de la misma


manera para los diseos Completamente al Azar, Bloques Completos al Azar y

Cuadrado Latino: S d

2CMEE
r

Cuando los dos tratamientos no tienen el mismo nmero de repeticiones, el error

estndar es calculado as: S d

CMEE
1 1

r1 r2

Donde: r1 y r2 = nmeros de repeticiones de los dos tratamientos en comparacin.

En la aplicacin para los diferentes diseos experimentales, es importante que se


calcule el valor apropiado para el error estndar de la diferencia entre pares de
89

medias de tratamientos, que estn siendo comparadas. ste es afectado por el


diseo experimental usado, el nmero de repeticiones de los tratamientos en
comparacin y el tipo especfico de media a ser comparada.

3. Comparar la diferencia entre medias de tratamientos calculada en el paso 1, con


el valor de DMS calculado en el paso 2, si el valor absoluto de la diferencia entre
tratamientos es mayor o ms grande que el valor calculado de DMS, indicar o
declarar a los dos tratamientos como diferentes. Si la diferencia entre medias es
menor que el valor calculado para DMS, entonces se indica que es no significativo,
o en otras palabras que los dos tratamientos son similares.

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

Para el presente ejemplo se determin calcular al 5 % de probabilidad. Generalmente un


investigador escoge el nivel, por el grado de seguridad o estrictez que el desee en sus
comparaciones de medias :
DMS5% = (t 5%, 15) x (5.42)
= 2.131 x 5.42
90

= 11.55

Comparaciones

Diferencias

5%

T1 vs T 5 =

95.75 41.75 = 54.00

T2 vs T 5 =

57.25 41.75 = 15.50

T3 vs T 5 =

74.50 41.75 = 32.75

T4 vs T 5 =

51.25 41.75 = 9.50

ns

Al realizar la prueba de DMS al 5 % de probabilidad, se observa que los tratamientos T1,


T2 y T3 son diferentes al testigo, debido a que sus diferencias con este tratamiento (T5)
superaron al valor calculado (11.55). El tratamiento cuatro en cambio tiene un
comportamiento similar al testigo.

VENTAJAS DEL USO DE LA DMS.


a. Es un valor fcil de calcular y de simple utilizacin.
b. La prueba es vlida cuando se hacen comparaciones planeadas de antemano,
comparaciones que se identifican con los objetivos del experimento.
c. La DMS da resultados satisfactorios cuando se compara cada una de las medias
con el testigo.

DESVENTAJAS DEL USO DE LA DMS.


a. La DMS no toma en consideracin el nmero de tratamientos dentro de un
experimento; es decir, no ofrece proteccin cuando el nmero de medias aumenta.
Puede darse la situacin de que demasiadas medias aparecen como significativas
por lo que se considera una prueba demasiado liberal.
b. No se debe usar la DMS a menos que la prueba de F del ADEVA sea significativa
o altamente significativa.
91

c. Al usar esta prueba, la probabilidad de cometer un error tipo I aumenta.

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.

Es una prueba de gran adaptabilidad, que a diferencia de la DMS, toma en cuenta el


nmero de tratamientos. Se considera una prueba ms estricta que DMS y la de Rango
Mltiple de Duncan (a revisarse posteriormente), la frmula de clculo es:

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:

1. Se debe ordenar todas las medias de tratamientos en orden descendente o


ascendente.
92

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*

Nuevamente al ser diferente del tercer tratamiento (T 2) en orden descendente va


ha ser diferente de los dems, se coloca la letra b en el promedio de T 3 y se
contina:

(T2 ) 57.25 (T4) 51.25 = 6.00 ns


(T2 ) 57.25 (T5) 41.75 = 15.5 ns

93

Al comparar el tratamiento 2 con el 4 y 5, se observa que son iguales


estadsticamente, se coloca la letra c a los dos tratamientos (T 2 y T4). Finalmente
se realiza la ltima comparacin entre T 4 y T5 que es no significativa, por lo que
se coloca la letra c, que significa que son iguales estadsticamente y la tabla de
promedios quedara as:

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.

PRUEBA DE RANGO MLTIPLE DE DUNCAN


Para experimentos que requiere la comparacin de todas los posibles pares de medias
de tratamientos, la prueba de DMS ya no es la adecuada a utilizarse, especialmente
cuando el nmero de tratamientos es grande, en tales casos la prueba de Duncan,
adems de la de Tukey son las ms recomendadas.

El procedimiento para aplicar la prueba de Duncan es algo similar al aplicado para la


DMS, sin embargo, a diferencia de la prueba de DMS, donde se calcula un solo valor
para cualquier par de comparaciones a un determinado nivel de significancia; la prueba

94

de Duncan requiere del clculo de una serie de valores, cada uno corresponde a un grupo
especfico de pares de comparaciones.

El procedimiento para el clculo de los valores de la prueba de Duncan depende primero

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

2. Calcular el valor de S d que es igual al calculado para la prueba de Tukey.

Sd

CMEE
= 3.834
r

3. Calcular los (t-1) valores de rangos mnimos significativos; es decir, para 2, 3, 4 y


5 tratamientos, de acuerdo a la siguiente frmula:

Rangos Mnimos Significativos RMS =

RMD , 2.... P, glEE S d

Donde RMD = Valores obtenidos de la tabla de Rangos Mnimos de Duncan .Para


nuestros ejemplos, los valores de RMD con = 5 % y 15 grados de libertad del
error son:
95

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

4. Identificar y agrupar todas las medias de tratamientos que no difieren


significativamente unas de otras de la siguiente manera:

a. Calcular las diferencias entre el tratamiento con la media ms alta y los


otros tratamientos.
Diferencia
Comparacin
T1 T3 =
95.75 74.50 =

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

b. Comparar las diferencias obtenidas, con el valor obtenido para el rango


mnimo significativo (RMS) con cinco tratamientos (12.68). Si la diferencia
entre medias supera al valor de RMS se declaran significativas o diferentes
las medias de los tratamientos. En el presente grupo; el tratamiento 1 es
diferente a todos los dems tratamientos, entonces, colocamos la letra a,
slo al tratamiento 1 y la letra b al tratamiento 3

c. Calcular las diferencias entre el segundo tratamiento (T 3) y los restantes


tratamientos.
T3 T2 = 74.50 57.25 =

17.25

T3 - T4 = 74.50 51.25 =

23.25

T3 - T5 = 74.50 41.75 =

32.75

96

d. Comparar las diferencias obtenidas, con el valor de RMS para 4


tratamientos (12.45); nuevamente, si las diferencias entre medias superan
el valor de RMS se declaran diferentes. En este segundo grupo, el
tratamiento 3 tambin es diferente que los otros tratamientos (T 2, T4 y T5).
El tratamiento 3 sigue con la letra b y los otros tratamientos con la letra c.

e. Continuamos con el proceso con la tercera media ms alta (T 2) y luego con


la cuarta, hasta completar todas las comparaciones posibles.
T2 - T4 = 57.25 51.25 =

6.00

T2 - T5 = 57.25 41.75 =

15.50

En este grupo el tratamiento 2 es igual que el tratamiento 4, ya que su


diferencia no supera el valor de RMS para tres tratamientos (12.10),
mientras que la diferencia con el tratamiento 5 s es significativa, por lo
tanto, se declara a los dos tratamientos diferentes. Entonces, colocamos la
letra c a los tratamientos 2 y 4 y la letra d al tratamiento 5.

f. Se finaliza con el ltimo grupo o comparacin:


T4 - T5 = 51.25 41.75 =

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.

En los ejemplos mencionados anteriormente,

existe dependencia entre medias de

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

TRANSFORMACIONES A RAZ CUADRADA.


Es apropiada cuando los datos son nmeros enteros pequeos, como por ejemplo datos de
conteos de eventos raros, tales como: nmero de insectos o huevos de insectos en un rea
dada, nmero de plantas infestadas en una parcela, nmero de insectos capturados en una
trampa, nmero de malezas por parcela. En estos ejemplos, la variancia tiende a ser
proporcional a la media. El procedimiento para transformar los datos consiste en extraer la
raz cuadrada de cada observacin antes de proceder con el ADEVA. Para valores muy
pequeos (varios ceros), se codifica aadiendo a cada observacin 0.5, en cuyo caso la
raz cuadrada queda como

x 0.5 .

Se recomienda este tipo de transformaciones cuando las observaciones estn expresadas


como porcentajes y stos van de cero a 30 de 70 a 100. Si el rango de observaciones va
de 30 a 70, generalmente no es necesario transformar los datos.

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).

TRANSFORMACIN ARCO SENO.


Aplicable para los datos que estn expresados como fracciones o proporciones obtenidos
de conteos, como por ejemplo el porcentaje de tallos barrenados o perforados por un
insecto. Por regla general tales datos tienen una distribucin binomial, en vez de una normal.

99

Esta transformacin se obtiene mediante la determinacin del ngulo cuyo seno es la raz
de cuadrada del dato (porcentaje) en frmula: arcoseno

x . Tambin se puede encontrar

en los libros de Estadstica y de Diseos Experimentales, una tabla de valores


transformados para los diferentes porcentajes de cero a cien.
En general para transformar se deben utilizar las siguientes reglas:
1. Para porcentajes en un rango de 30 a 70 %, no se necesita transformacin.
2. Para porcentajes de 0 a 30 % de 70 a 100%, ya se indic se debe utilizar la
transformacin de raz cuadrada.
3. Para porcentajes que no siguen los rangos indicados en los puntos 1 y 2, se debe
utilizar la transformacin de arcoseno.
En una publicacin en que se presente los resultados de un ensayo, se debe presentar los
datos originales, explicando que, para su anlisis, han sido transformados.

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

En algunos experimentos se acostumbra a definir la notacin de los niveles empezando


desde cero, para indicar la no aplicacin de un elemento o producto:
N=2

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.

CLCULO DE LOS EFECTOS SIMPLES Y PRINCIPALES EN UN EXPERIMENTO


SIN INTERACCIN.
Nitrgeno
Variedad

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

CLCULO DE EFECTOS SIMPLES Y PRINCIPALES EN UN EXPERIMENTO CON


INTERACCIN.
Nitrgeno
Variedad

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

Efecto simple del nitrgeno en X: = 1.0 1.0 = 0.0 t/ha


Efecto simple del nitrgeno en Y: = 4.0 2.0 = 2.0 t/ha

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

Efecto principal de Nitrgeno:


= (1/2) (Efecto simple de nitrgeno a X + Efecto simple de nitrgeno a Y)
= (1/2) (0.0 + 2.0) = 1.0 t/ha

En el anlisis de variancia se calculan los efectos principales de cada factor y adems


su interaccin:

MODELO MATEMTICO.
Est en funcin del diseo estadstico que se use, as:
Utilizando un D.C.A.:
Unifactorial

Xij = + i + Eij

AxB

Xij = + i + j + ()ij + Eij

AxBxC

Xijkm = + i + j + ()ij + k + (ik) + (jk) + (ijk) + Eijk

106

En un DBCA
Unifactorial

Xij = + i + j + Eij

AxB

Xijk = + i + k + (ik) + j + Eijk

AxBxC

Xijkm = + i + j + ()ij + k + (ik) + (jk) + (ijk) + j + Eijk

ANLISIS DE VARIANCIA EN DBCA Y ARREGLO FACTORIAL A X B.


Fuente de
variacin
Total

Repeticiones

Grados de Suma de Cuadrados Cuadrados Medios


libertad
2
rab 1
ijk

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

Se realiza o construye una tabla adicional

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

H03: No hay interaccin entre factores

Ha1: a1 a2 a3

H02: b1 b2 b3

H03: Si hay interaccin entre factores

CLCULOS.
Factor de correccin =

20812
= 120193.36
36

36 = r x a x b

SC.total = (562 + 602 + + 652 ) FC = 2 627.64


SC.tratam. =

1902 2922
FC = 1947.89
4

SCA =

6162 ... 7732


FC = 1027.39
12

SCB =

6652 ... 7242


FC = 155.06
12

SCAxB = SCtratam. SCA S B = 765.44


109

SC Repeticiones =

5552 ... 5002


FC = 255.64
9
= 2627.64 1947.89 255.64 = 424.12

SCerror exp.= SC.total - SC.tratam. - SCrepet

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

acuerdo al factor que se est analizando.

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

H0 = No hay diferencia en respuesta entre niveles

N : n0 = 0 Kg/ha; n1 = 80 Kg/ha

de N, n0 = n1
H a = n0 n 1

P : p0 = 0 Kg/ha; n1 = 180 Kg/ha

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

Diseo Experimental DBCA en arreglo factorial 2 x 2 x 2, con 5 repeticiones


Variable: Rendimiento Kg/parcela

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

Se organizan tres tablas de doble entrada: N x P, N x K y P x K, que se presentan a


continuacin:

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

NOTA: Cuando se calcula suma de cuadrados de interacciones en factoriales de 3 ms


factores, a ms de restarle el FC deben disminuirse las sumas de cuadrado de sus
componentes.
SCK =

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

SCNPK = SCTratam. SCN SCP SCNP SCK SCNK SCPK = 22.5


SCRepet. =

422 .... 262


FC = 112.0
8

axbxc=8

Error experimental = SCTotal - SCTratam. - SCRepet. = 40.0

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

OTRO EJEMPLO DE FACTORIAL A X B X C (2 X 3 X 4).

En una investigacin en porcinos en la que se evaluaron dietas que contenan cuatro


niveles de lisina, tres niveles de metionina y dos niveles de protena, se us un diseo de
bloques completos al azar utilizando dos repeticiones. La variable evaluada fue aumento
de peso diario.

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

Repet. 24/ 31.50

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

H0 = No hay interaccin entre factores

Ha = Si hay interaccin entre factores


M

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

2.082 ..... 2.892


2
SCTratam. =
FC = 1.2756

14.592 15.022
SCL =
FC = 0.171
12
SCM =

19.552 ..... 20.842


FC = 0.124
16

SCLM =

SCP =

5.022 ..... 5.382


FC SCL - SCM = 0.180
4
27.702 32.772
FC = 0.819
2
117

SCLP =

8.222 ..... 7.792


FC SCL - SCP = 0.490
6

SCMP =

8.952 ..... 11.682


FC SCM - SCP = 0.122
8

SCLMP = SCTratam. SCL SCM SCLM SCP SCLP SCMP= 0.097


SCRepet. =

31.502 28.972
FC = 0.037
24

SC Error experimental = SCTotal - SCTratam. - SCRepet. = 0.805

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 Y POLINOMIOS ORTOGONALES


Las comparaciones y polinomios ortogonales son parte del anlisis funcional, mediante
las cuales, dentro del anlisis de variancia, se busca respuestas a preguntas previamente
establecidas (comparaciones ortogonales), o tratando de mostrar tendencias (polinomios
ortogonales) en la representacin de los datos.

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:

1. La suma algebraica de los coeficientes dentro de cada comparacin debe ser


igual a cero (0). Ci = 0
2. La suma del producto de los coeficientes entre dos comparaciones tambin debe
ser igual a cero (0), a stos se les conoce como requisitos de ortogonalidad.
(Ci1 x Ci2) = 0
La suma de cuadrados de cada comparacin ortogonal es igual a :

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

CLCULO DE COMPARACIONES ORTOGONALES.

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

QiC1= (-3)(552) + (+1)(569) + (+1)(624) + (+1)(618) = 155


QiC2= (-2)(569) + (+1)(624) + (+1)(618) = 104
QiC3= (-1)(624) + (+1)(618) = -6
C12 = (-3)2 + (1)2 + (1)2 + (1)2 = 12
C22 = (-2)2 + (1)2 + (1)2 = 6
C32 = (-1)2 + (1)2 = 2

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

TOTAL: 333.68 + 300.44 + 3.00 = 637.12

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.

En un ADEVA se pueden determinar tantos polinomios ortogonales como grados de


libertad existen para tratamientos o los factores en estudio. Los factores en los que se
calculen polinomios ortogonales, a diferencia con las comparaciones ortogonales,
necesariamente deben ser factores cuantitativos y obligatoriamente los niveles de cada
tratamiento o cada factor cuantitativo deben estar igualmente espaciados.

122

Ejemplo: Con factor nitrgeno (igualmente espaciado entre niveles)


Igualmente
espaciado

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

Identificacin del No. de


polinomio ortogonal
Lineal
Lineal
Cuadrtico

3
Lineal
Cuadrtico
Cbico
4
Lineal
Cuadrtico
Cbico
Curtico

123

Variable
respuesta

Niveles
LINEAL

Niveles
CUADRTICO

Variable
respuesta

Niveles
CBICO

Niveles
CURTICO

Por lo general en un ADEVA se llega a calcular hasta la tendencia o efecto cbico o


cuando ms curtico, el resto de efectos si se tiene ms grados de libertad se agrupan
en una sola denominacin conocida como residuo, que involucra el resto de grados de
libertad, as como el resto de las sumas de cuadrados.

Los polinomios ortogonales se calculan bajo los mismos conceptos o requisitos de la


ortogonalidad que las comparaciones ortogonales.
Ci = 0
(Ci1 x Ci2) = 0

124

La suma de cuadrados de los polinomios ortogonales es igual :

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

Sumatorias 210.9 189.8 181.0 177.2

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

Ejemplo de clculo del Qi :


Qp01= -2(210.9) -1(189.8) + 0(181.0) + 1(177.2) + 2(180.2) = -74

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

b1 = Dosis comercial 20%

Testigo absoluto (sin control)

a2 = Roundup

b2 = Dosis comercial

Testigo mecnico

a3= Roundup 747

b3= Dosis comercial + 20%

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

Tratamientos: 3 x 3 + 1 (abono orgnico)


3 x 3 + 2 (abono orgnico y compost)

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

cuando se aade un tratamiento, sta es testigo vs otros, y dos fuentes de variacin


cuando se aaden dos tratamientos adicionales que son:
Testigos (T1, T2) vs otros y T1 vs T2.

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

TABLA SOLO DEL FACTORIAL.


N

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

SCTotal = (202 + .....+ 152 ) FC(a) = 143.24


SCTratam. =

552 ..... 472


FC(a) = 1120.57
3

SCN =

1152 .... 1372 3772

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. =

147 2 .... 1352


FC(a) = 10.38
7

SC Error experimental = SCTotal - SCTratam. - SCRepet. = 12.29


129

Polinomios ortogonales para N:

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

DISEO DE PARCELAS DIVIDIDAS

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

de fertilizacin en un experimento factorial 10 x 3, probablemente desea tener mayor


precisin para la comparacin entre variedades que para la respuesta a los fertilizantes.
As, el fitomejorador deber asignar las variedades a la subparcela y los niveles de
fertilizacin a la parcela principal.

Por otro lado, un edaflogo desea estudiar la respuesta a la fertilizacin de diez


variedades promisorias, probablemente quiere mayor precisin en la respuesta a los
fertilizantes que la comparacin entre variedades y asignara las variedades a la parcela
principal y los niveles de fertilizacin a la subparcela.

TAMAO RELATIVO DE LOS EFECTOS PRINCIPALES.


Si el efecto principal de uno de los factores (factor B) se espera sea ms grande y ms
fcil 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 ms pequeo. Por ejemplo, si en un
experimento de fertilizacin x variedad el investigador puede asignar las variedades a las
subparcelas y la fertilizacin a la parcela principal debido a que l espera que el efecto
para fertilizacin sea ms grande que el efecto varietal.

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.

1. Dividir el rea experimental en tres bloques (repeticiones) y cada uno de ellos


dividirlo en seis parcelas principales.
2. Siguiendo el procedimiento de sorteo para un DBCA con seis tratamientos y
repeticiones, asignar los seis niveles de nitrgeno a las seis parcelas principales
en cada uno de los tres bloques (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

i = 1 ... a niveles del factor A


j = 1 ... r repeticiones
k = 1 ... b niveles del factor B

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)

Error tipo (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)

a (r 1)(b 1) SC 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

Construccin de dos tablas:


Primero la construccin de la tabla de dos vas de totales de repeticin x factor A. Con
los totales de repeticin, totales del factor A, como se muestra en la siguiente tabla:

136

Produccin total (RA)

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

Calcular el factor de correccin y la suma de cuadrados del anlisis de las parcelas:


F.C. = (394481)2 / (3) (6) (4) = 2161323047
SC Total = (44302 + ..............+ 20142) - 2161 323047 = 204747916
137

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

Calcular la suma de cuadrados para subparcelas:


SC B(variedad) = (B2/ra) F.C. = 89888101
SC (A x B) = (AB)2/r F.C. SC B SC A = 69343487
Error (b) SC = total SC ( suma de todos los otros SC) = 12584873

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

CM (A) = SC (A) / (a-1) = 30429200 / 5 = 6085840


CM Error (a) = Error (a) SC / (r-1) (a-1 = 1419678 / 10 = 141968
CM (B) = SC (B)/ (b-1) = 89888101 / 3 = 29962700
CM (A x B) = SC (A x B) /(a-1)(b-1) = 69343487/15 = 4622899
CM Error (b)= SC Error (b) / a(r-1) (b-1) = 12584873/36 = 349580

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

F (AxB) = CM (A x B) / CM Error (b) = 4622899/349580 = 13.22

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

C.V.(a) = (CM(Error (a) / prom. general) x 100

C.V.(a) = (141968/5479) (100) = 6.9 %

C.V.(b) = (Error (b) CM/ prom. general) x 100

C.V.(b) = (349580/5479) (100) = 10.8 %

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

Para la separacin de medias de tratamientos por las diferentes pruebas de significacin


debe contemplarse los cambios en el clculo de los Errores estndar de las diferencias
entre medias:
Medias en comparacin

Error estndar Sd *

Niveles del factor evaluado en la parcela grande: a1- a2

CM Error (a)/ r b

Niveles del factor evaluado en las subparcelas: b1- b2


Niveles del factor evaluado en las subparcelas, para el
mismo nivel del factor de la parcela grande: a1b1 a1 b2
Niveles del factor de las subparcelas, para diferentes
niveles del factor de la parcela grande: a1b1 a2 b1
a1b1 a2b2

CM Error (b)/ r a
CMError (b)/ r
(b-1)CMError(b)+CMError (a)
rb

* Ntese que para comparaciones en pares el error estndar cambiar a


2CM Error (a)/ r b

y de igual manera para las otras medias en comparacin

Para el clculo en otros diseos experimentales y variantes de los revisados en este


curso, consultar los libros indicados en la Bibliografa.

140

BIBLIOGRAFA

1. Calzada B. J. 1970. Mtodos Estadsticos para la Investigacin. La Molina, LimaPer. 644 p.


2. Cochran, W. y Cox, G. M. 1987. Diseos Experimentales. Editorial Trillas, Mxico.
661 p
3. De la Loma, J. L. 1982. Experimentacin Agrcola. UTEHA, Mxico. 493 p.
4. Gmez, K. and Gmez A. A. 1984. Statistical Procedures for Agricultural
Research. Second Edition. John Wiley and Sons, Inc., Singapore. 680 p.
5. Gonzlez B., G. 1974. Mtodos Estadsticos y Principios de Diseo Experimental.
Universidad Central del Ecuador, Quito. 331 p.
6. Infante G., S. y Zarate de Lara, G. P. 2003. Mtodos Estadsticos. Un enfoque
interdisciplinario. Trillas. Mxico. 643 p.
7. Little, T. M. and Hills, F. J. 1978. Mtodos Estadsticos para la Investigacin en la
Agricultura. Traducido por Anatolio de Paula Crespo. Editorial Trillas, Mxico. 270
p.
8. Martnez G., A. y Castillo M., A. 1987. Teora de la Regresin con aplicaciones
Agronmicas. Colegio de Postgraduados, Chapingo, Mxico. 490 p
9. Martnez G., A. 1988. Diseos Experimentales. Mtodos y Elementos de Teora.
Editorial Trillas, Mxico. 756 p
10. Martnez G., A. y Martnez D., M. A. 1996. Diseo de Experimentos con
Fertilizantes. Publicacin Especial 5. Sociedad Mexicana de la Ciencia del Suelo
A.C. y Colegio de Postgraduados. Mxico 155 p.
11. Montgomery, D. C. and Runger, G. C. 2008. Probabilidad y Estadstica aplicadas
a la Ingeniera. Segunda edicin. Limusa Wiley. Mxico. 817 p.
12. Ostle, B. 1986. Estadstica aplicada. Editorial Limusa, Mxico. 629 p.
13. Padrn C. Emilio. 1996. Diseos Experimentales con Aplicacin a la Agricultura y
Ganadera. Editorial Trillas, Mxico. 215 p.
14. Pearce, S. C. 1976. Field Experimentation with Fruit Trees and other Perennial
Plants. Second edition. Commonwealth Agricultural Bureaux. England. 182 p.
15. Pimentel G. Frederico. 1987. Curso de Estatistica Experimental. Universidade de
Sao Paulo. Piracicaba, Brasil. 467 p.
141

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

Das könnte Ihnen auch gefallen