INDICE

I. INTRODUCCION...................................................................................................................... 2
II. OBJETIVOS ........................................................................................................................... 3
 Objetivo General: ..................................................................................................................... 3
 Objetivo Específico: ................................................................................................................. 3
III. MARCO TEORICO .............................................................................................................. 4
3.1. Diseño Experimental ............................................................................................................ 4
3.2. Términos usuales en el diseño Experimental ........................................................................ 4
3.3. Tipos de Experimentos: ........................................................................................................ 6
3.4. Requisitos de un diseño experimental .................................................................................. 7
3.5. Manipulación de las variables .............................................................................................. 7
3.6. Contraste de la hipótesis estadística ..................................................................................... 9
3.7. Modelos de diseños experimentales. .................................................................................. 11
3.7.1. Diseño en bloques: ..................................................................................................... 12
3.7.2. Diseño Factoriales: ..................................................................................................... 19
3.8. Ejemplo de aplicación: ....................................................................................................... 23
IV. CONCLUCIONES ............................................................................................................... 31
V. BIBLIOGRAFIA ...................................................................................................................... 32

I
 I. INTRODUCCION

El propósito de la estadística es brindarnos una base objetiva para el análisis de

problemas que puedan presentarnos. Se ha ideado un sistema lógico general de razonamiento
inductivo. Aplicable a datos de esta naturaleza, y en la actualidad se utiliza ampliamente en la
investigación científica. Es importante comprender sus principios, tanto para los
investigadores científicos como para alumnos que requieran de estos conocimientos de la
estadística. Esto es especialmente cierto para las ciencias agrícolas y biológicas.

La elaboración de una tesis requiere en cierta parte un estudio de los diseños

experimentales los cuales se basan en la estadística, gran parte de ello se ve en nuestra carrera
con diseños que debemos conocer para lo cual el presente trabajo se presentan las
descripciones y ejemplos aplicativos a la Ingeniería Agrícola.

EL ALUMNO

2
II. OBJETIVOS

 Objetivo General:

 Describir la aplicación fundamental del diseño experimental en la carrera de

Ingeniería Agrícola, mediante ejemplos prácticos.

 Objetivo Específico:

 Presentar los parámetros básicos que rigen los modelos de los diseños
experimentales.

3
III. MARCO TEORICO

3.1.Diseño Experimental

Padrón Corral (1996) menciona que:

El diseño experimental es el procedimiento que se sigue para asignar los
tratamientos a las unidades experimentales. Es un método aleatorio, o sea, de
asignación al azar, porque se decide el tratamiento que corresponde a cada unidad
experimental mediante un sorteo o por medo de una tabla de números aleatorios.
(p.11)

Mellano Bosques (2010) menciona que:

El diseño experimental es el procedimiento de planeación y conducción de
experimentos, así como la definición del análisis estadístico para evaluar los
resultados, con el objetivo de tener conclusiones válidas y objetivas. El procedimiento
incluye la definición de factores a modificar, la manera de su aplicación y el número
de pruebas a realizar. (p.5)

3.2.Términos usuales en el diseño Experimental

Padrón Corral (1996), menciona algunos términos usados dentro del estudio de los
diseños experimentales como son:

 Necesidad:
La mayor parte de la investigación científica se realiza por medio de los
experimentos, y para que un experimento tenga validez, tiene que ser realizado
mediante un método objetivo, y hasta ahora, la estadística es la única
herramienta que cumple esa característica para la realización y el análisis de
experimentos. El diseño de experimentos es indispensable para realizar
cualquier investigación científica.

 Propósito:
El propósito del diseño de experimentos es establecer las metodologías que
aseguren las conclusiones válidas y objetivas en el desarrollo de experimentos.
4
 Unidad Experimental:
La unidad experimental es el elemento (planta, animal u objeto) al que se le
modificarán en forma planeada factores para revisar su respuesta.

 Tratamiento:
El tratamiento es el proceso de modificación de factores de una unidad
experimental y cuyos efectos van a ser medidos y comparados.

 Tratamiento de Testigo:
Es la selección de un grupo de unidades experimentales al que no se le aplica
tratamiento especial con el fin de comparar los resultados con los otros
tratamientos.

 Repetición:
Las repeticiones serán el número de veces que un tratamiento se aplica al
mismo número de unidades experimentales.

 Bloque:
Es un conjunto de unidades experimentales de los más homogéneo posible que
reciben el mismo tratamiento.
El bloque es un conjunto de unidades experimentales lo más homogéneas
posibles, en el cual aparecen todos los tratamientos una sola vez; dicho bloque
se debe colocar perpendicular al gradiente para tratar de minimizar el error.

 Error Experimental:
El error experimental son los resultados experimentales varían no solo por la
acción de los tratamientos, sino también por variaciones ambientales que
tienden a enmascarar el efecto de los tratamientos. Por lo general, para expresar
estas variaciones se usa el término, sino que incluye todo tipo de variación
externa ajena al material experimental.

5
  Análisis de Variancia:
El análisis de variancia es una técnica estadística que sirve para analizar la
variación total de los resultados experimentales de un diseño en particular,
descomponiéndolo en fuentes de variación independientes atribuibles a cada
uno de los efectos en que constituye el diseño experimental.

3.3.Tipos de Experimentos:

Dentro de los tipos de experimentos según Mellano Bosques (2010):

 Preliminar:
Es conducido en estaciones experimentales, para obtener nuevos hechos.
Propicio plan introducción de nuevas variedades y cuando se dispone de un
número elevado de tratamientos.

 Critico:

Es aquel que tiene por objeto negar o confirmar hipótesis obtenidas en el

experimento preliminar. Sirve para comparar varios tratamientos por medio de
los diseños experimentales. Se pueden realizar dentro o fuera de una estación
experimental.

 Demostrativo:

El objetivo es demostrar junto con el agricultor los mejores resultados que se

han obtenido en el experimento crítico, pues compara una nueva técnica
agrícola con una tradicional.

6
3.4.Requisitos de un diseño experimental

Según Mellano Bosques (2010), menciona que:

 El primer requisito de un experimento puro es la manipulación intencional de

una o más variables independientes.
 El segundo requisito es medir el efecto de la variable independiente sobre la
variable dependiente.
 El tercer requisito que todo experimento “verdadero” debe cumplir es el control
o validez interna de la situación experimental.

3.5.Manipulación de las variables

Según Mellano Bosques (2010), menciona:

 Variable Independiente:
Manipulación experimental de una variable independiente se refiere, en una
situación simple, a la aplicación de un valor dado de una variable a un grupo de
individuos y un valor diferente de la misma variable a un segundo grupo de
individuos. (p.18)
 Variable Dependiente:
La variable dependiente es conocida, también, por variable de medida, de
respuesta o de resultado. Es aquel aspecto de comportamiento sobre el que
esperamos observar el efecto de la variación sistemática de la variable
independiente. (p.18)

Según Reyes Mazariegos (2009), realiza unos esquemas de la manipulación de las

variables más generalizada dentro de un flujo grama y un modelo lógico como:

7
 Flujo grama del desarrollo de la investigación:

Figura1.Flujograma del desarrollo de la investigación.

8
  Modelo lógico del diseño experimental:

Figura2. Modelo lógico del diseño experimental.

3.6.Contraste de la hipótesis estadística

Según Reyes Mazariegos (2009), menciona:

 Planteamiento de hipótesis:

Una hipótesis es un postulado no demostrado que se admite provisionalmente

para orientar las investigaciones y experimentos, la cual será comprobada
después de la ejecución de la misma investigación o experimento.

9
 Hipótesis científica:

Una hipótesis científica es aquella formulación que se apoya en un sistema de

conocimientos organizados y sistematizados y que establece una relación entre
dos o más variables para explicar y predecir Este tipo de hipótesis se comprueba
mediante la observación y análisis de los resultados de la experimentación o
investigación.

 Hipótesis estadística:

Una hipótesis estadística es un enunciado o afirmación acerca de los parámetros

de una distribución de probabilidad o de los parámetros de un modelo,
que refleja alguna conjetura acerca de la situación del problema.

 Hipótesis nula:

Este tipo de hipótesis indica que entre dos o más grupos determinados no hay
diferencias significativas con respecto a alguna variable. Es decir con esta
hipótesis se establece que no existe relación o dependencia de las variables en
análisis basándose en la ausencia de diferencias entre las variables,
estableciendo así que las variables son estadísticamente iguales.

 Hipótesis alternativa:

Este tipo de hipótesis indica que entre dos o más grupos determinados existen
diferencias significativas con relación a alguna variable. Lo cual indica que
existe algún tipo de dependencia o relación entre las variables comparadas
basándose en las diferencias obtenidas con la ejecución de los diferentes
tratamientos o grupos analizados.

10
3.7.Modelos de diseños experimentales.

Existen una diversidad de autores que clasifican los modelos de diseños experimentales
de diversas maneras a continuación presentare algunos de ellos:

 Según Calvo Sendin (2010):

1. Modelos lineales aditivos

2. Diseños factoriales
3. Diseños de bloques aleatorios
4. Diseños split-plot
5. Diseños anidados
6. Diseños de cuadrado latino
7. Diseños de medidas repetidas
8. Estudios de impacto ambiental

 Según Mellano Bosques (2010):

Figura3. Clasificación del modelo de diseño experimental.

11
  Según Padrón Corral (1996):

1. Diseño Completamente al azar.

2. Diseño de Bloques Completos al Azar.
3. Diseño Cuadrado Latino.
4. Diseño de bloques incompletos.
5. Diseño de Experimentos Factoriales.

 Según Reyes Mazariegos (2009):

1. Diseño en bloques:

o Diseño de bloques al azar.

o Diseño cuadro latino.
o Diseño cuadro grecolatino.

2. Diseños Factoriales:

o Diseño factorial de dos factores.

o Diseño factorial general.
o Diseño factorial con bloqueo.
o Diseño factorial 2^k.

3.7.1. Diseño en bloques:

Según Reyes Mazariegos (2009),

o Diseño de bloques al azar.

El diseño completamente al azar es el más simple y utilizado de todos. Es
aplicable cuando las unidades experimentales son homogéneas y la
administración del experimento es uniforme para todas ellas. Al concluir el
experimento las unidades experimentales mostrarán diferentes resultados
atribuibles en forma exclusiva a los tratamientos aplicados.
Este diseño es muy utilizado en experimentos de laboratorio, invernadero,
almácigo y establos, en los que el material experimental (macetas, bandejas,
almácigos, animales, etc.) es muy homogéneo por prepararse en forma
provisional, y porque el experimento se conduce en condiciones ambientales
controladas y uniformes para todas las unidades experimentales.

12
 Su modelo estadístico para este diseño es:

yij = µ + τi + βj + ǫij i = 1, . . . , t j = 1, . . . , b

µ media general
τi efecto del i-ésimo tratamiento
βj efecto del j-ésimo bloque
ǫij error experimental del tratamiento i en el bloque j
2
ǫij ∼ N ID(0, σ ).

Se supone que los efectos de tratamientos y bloques son aditivos. La aditividad

significa que no hay interacción entre tratamientos y bloques. Es decir, la relación
entre los tratamientos es la misma en cada uno de los bloques.

Figura4.tipo de tratamiento en bloques.

13
 Figura5.Analisis de varianza.

Figura6. Análisis de varianza.

Figura7.Anova para diseño en bloques completos al azar.

14
 Figura8.Diseño en bloques de una parcela con pendiente variable.

o Diseño cuadro latino.

El diseño de Cuadro Latino se usa para eliminar dos fuentes de variabilidad que
no interesa estudiar por sí mismas. Se hace un bloqueo en dos direcciones. Los
renglones y las columnas representan dos restricciones en la aleatorización.
En general, un cuadro latino p × p es un cuadrado que contiene p renglones y p
columnas. Cada una de las p2 celdas contiene una de las p letras que
corresponden a los tratamientos, y cada letra ocurre una sola vez en cada
renglón y columna.

15
El modelo estadístico es:

yij = µ + ρi + γj + τk + ǫij

yij medición de la observación del renglón i-ésimo de la

columna j-ésima
ρi efecto del renglón i
γj efecto de la columna j
τk efecto del tratamiento k ǫij
error i = 1, . . . , t j = 1, . . . , t k = 1, . . . , t

Figura9.Particion de cuadrados.

Figura10. Análisis de varianza.

16
Figura11.Anova para diseño cuadro latino.

Figura10. Diseño cuadro latino.

17
o Diseño cuadro grecolatino.
Cuando a un cuadrado latino se le superpone un segundo cuadrado
latino se forma un diseño grecolatino, ya q u e a los tratamientos
correspondientes al segundo cuadrado latino se le asignan letras griegas
(α, β, γ, δ, etc.). Al hacer la superposición de dos cuadrados se tiene la
propiedad de que cada tratamiento asignado en un cuadrado se repite una
sola vez a cada tratamiento asignado en el otro cuadro, debido a que los
dos cuadrados son ortogonales entre sí.
Cδ = dykyi = Variable observada con la ejecución del tratamiento C y tratamiento δ con
los bloques “yk” y “yi”

Figura11. Modelo del diseño experimental cuadrado grecolatino.

Figura12. Diseño cuadrado grecolatino.

18
3.7.2. Diseño Factoriales:

Según Reyes Mazariegos (2009),

o Diseño factorial de dos factores.

Constituye el tipo más simple de diseños factoriales en donde se
incluyen únicamente dos factores o conjuntos de tratamientos. Es decir
existen a niveles del factor A y b niveles del factor B, y cada réplica
del experimento contiene todas las posibles combinaciones “ab” d e
los tratamientos. En este caso el experimentador está interesado en
estudiar únicamente la influencia de dos factores tratamiento en
particular, para ello se hace un diseño de filas por columnas. Esto
quiere decir que únicamente se cree que el experimento es influenciado
por la interacción de los dos factores particulares seleccionados.

yabn = Variable de respuesta en la interacción entre los factores “a” y “b” en

la n réplica

Figura13. Diseño experimental factorial de dos factores.

19
o Diseño factorial general.
Es posible generalizar los diseños factoriales a más de dos factores, en
el caso en que se desea analizar la interacción en más de dos factores.
En este caso se tendrían a niveles del factor A, b niveles del factor B, c
niveles del factor C y así sucesivamente, dispuestos en un experimento
donde habrá abc…n combinaciones diferentes. En el aspecto práctico
tiene el inconveniente de que al aumentar el número de factores
aumenta muy rápidamente el número de observaciones necesario. Un
camino alternativo es utilizar fracciones factoriales que son diseños en
los que se supone que muchas de las interacciones son nulas, esto
permite estudiar el efecto de un número elevado de factores con un
número relativamente pequeño de pruebas. Por ejemplo, el diseño en
cuadrado latino, en el que se supone que todas las interacciones son
nulas.
yabcn = Variable de respuesta en la interacción entre los factores “a”, “b” y “c” en
la n réplica

Figura14. Diseño experimental Diseño factorial general.

20
o Diseño factorial con bloqueo.
En ocasiones no es factible o práctico la aleatorización completa
de todas las corridas de un diseño factorial. La presencia de un
factor perturbador puede hacer necesario que el experimento se
corra en bloques. El modelo se trabaja de la misma forma que se
trabajó para los diseños en bloques.

Figura15. Factorial con bloqueo.

o Diseño factorial 2^k.

En el estudio sobre la mejora de procesos industriales, es usual
trabajar en problemas en los que hay muchos factores que pueden
influir en la variable de interés. La utilización de experimentos
completos en estos problemas tiene el gran inconveniente de
necesitar un número elevado de observaciones, además puede ser
una estrategia ineficaz porque, por lo general, muchos de los
factores en estudio no son influyentes y mucha información
recogida no es relevante. En este caso una estrategia mejor es
utilizar una técnica secuencial donde se comienza por trabajar con
unos pocos factores y según los resultados que se obtienen se
eligen los factores a estudiar en la segunda etapa.

21
Los diseños
o factoriales 2k son diseños en los que se trabaja con k
factores, todos ellos con
o dos niveles (se suelen denotar + y -).

Figura16. Diseño factorial 2^k.

22
 3.8.Ejemplo de aplicación:

 EJEMEPLO Nº1
En un ensayo con seis variedades de frijol (rendimiento expresado en
g/parcela) en el que se usaron cuatro repeticiones por tratamiento, y
los resultados se muestran en el siguiente cuadro:

Tratamientos
Repeticiones
Variedades 1 2 3 4

Bayo 42 46 38 41

Gastelum 32 38 31 30

Mantequilla 25 32 28 26

Testigo 18 20 26 24

Cuyo 35 42 46 40

Zirate 36 25 22 26

Realizamos la suma:

23
Se procede a la realización de los cálculos correspondientes para la construcción
del ANOVA.

24
 EJEMEPLO Nº2

Con el fin de probar cuatro niveles diferentes de pollinaza, como fuente

proteica en raciones para novillos, se llevó a cabo un estudio, en el cual,
debido al peso inicial de los novillos, fue necesario efectuar un control.
Los resultados se incluyen a continuación.

Hipótesis

Ho: Ti = Tj Ho: Bi = Bj

Ha: Ti ǂ Tj Ha: Bi ǂ Bj

Donde el peso Nº1 es el testigo

25
26
Por lo anterior, y debido a que Fc es mayor que F Tabulada, es posible decidir e rechazo
de la Hipótesis nula, sin embargo, será necesario efectuar más pruebas estadísticas con
el propósito de elaborar conclusiones especificas.

 EJEMEPLO Nº3 DISEÑO DE BLOQUES COMPLETAMENTE AL

AZAR.

Se llevó a cabo un experimento para medir los efectos de 5 tipos de

fertilizantes en el rendimiento de una cierta variedad de avena, las parcelas
fueron agrupadas en bloques por tener un ligero gradiente y por cada
parcela se obtuvo 3 cuadros de muestra, los resultados en Kg. Se presentan
en la siguiente tabla. Con 95% de confiabilidad.

SOLUCION:

1. PLANTEAMIENTO DE LA HIPOTESIS
• Hipótesis nula
Ho: τi=0 para todo "i"=1,2,3,…
Todos los tratamientos son iguales y no existe diferencia alguna
en los efectos de los fertilizantes en la produccion de Avena.
• Hipótesis alterna
H1: τi≠0 para algún "i“
Al menos un tratamiento es significativamente diferente y tuvo
mayor efecto en la produccion de Avena.

27
2. α = 0.05 Nivel de significancia
3. FUNCION PIVOTAL o ESTADIGRAFO
𝐹1 = (𝑡 − 1) = (5 − 1) = 4
𝐹2 = 𝑡(𝑛 − 1) = 5(5 − 1) = 20

4. BUSCANDO EN LA TABLA DE DISTRIBUCION F. TEORICA

Fo= 2.87

5. DATOS OBTENIDOS

Producción total T= 7187 Kg

Tratamientos t=5

Sub muestreo N=3

28
 Mediciones m=5

Total de mediciones N = 90

Bloques b= 6

6. CUADRO ANVA

29
6.1. CALCULO DE LA COLUMNA DE LA SUMA DE CUADRADOS
𝑇2 71372
𝑀yy = 𝑁
= 90
= 573921.8778

(12462 + 11562 + 11922 + 11722 + 12212 + 12002 )

Byy =
5
− 573921.8778 = 354.1889

∑ 𝑌 2 = 572 + 462 + 282 + ⋯ + 1242 + 1022 + 1182 = 646285

((1312 +2052+2742 ……+3442 ))

Sbt = - 573921.8778 = 67079.7889
3

(650 + 11402 + 16082 + 17972 + 19922 )

Tyy = − 573921.8778 = 65246.8444
18
Eyy = 67079.7889 − 354.1889 − 65246.8444 = 1478.7556

Syy = 646285 − 573921.8778 − 67079.7889 = 5283.3333

6.2. CALCULO DE LA COLUMNA DE CUADRADOS MEDIOS
Tyy 354.1889
Tr = = = 70.83778
GL 5
𝐸𝑦𝑦 65246.8444
𝐸= = = 16311.7111
𝐺𝐿 4
𝑆𝑦𝑦
𝑆= = 5283.3333⁄20 = 73.93778
𝑡𝑛(𝑚 − 1)

70.83778
Fe = = 0.958
73.93778

30
 16311.7111
Fe = = 220.614
73.93778

7. CONCLUSION
Como Fe = 220 > Fo = 2.87 entonces se rechaza Ho y se concluye que existe
diferencia significativa en el efecto promedio entre los 5 tipos de fertilizantes
siendo recomendable el N 5.
En tanto que en los bloques no existen diferencias significativas, por lo que no fue
necesario el bloqueo, ya que Fo = 2.71 > Fe= 0.958

IV. CONCLUCIONES

 Mediante la elaboración del presente informe se pudo describir los diseños

experimentales que van relacionados a la carrera de Ingeniería Agrícola
con ejemplos prácticos.

 Se describió los parámetros y el modelo base de cada modelo

experimental.

31
 V. BIBLIOGRAFIA

Calvo Sendin, J. (2010).DISEÑO EXPERIMENTAL Y ANALISIS ESTADISTICO.Recuperado de

https://aulavirtual.um.es/access/content/group/COLLAB-
x5vsnmqzqac8cs9edm6rhxm/DISE%C3%91O%20EXPERIMENTAL%20Y%20AN%C3%81LISIS%20
DE%20DATOS/DEyAE%20presentaci%C3%B3n.pdf

Mellano Bosques, A. (2010).DISEÑOS EXPERIMENTALES.Lima.,Perú:Manatial

Padron Corral , E. (1996). DISEÑO EXPERIMENTALES CON APLICACION A LA AGRICULTURA Y LA

GANADERIA. México D.F.,México: Trillas.

Reyes Mazariegos (2009).APLICACION DEL DISEÑO EXPERIMENTAL EN EL DESARROLLO DE LAS

PRACTICAS INTERNAS, EN EL AREA DE OPERACIÓN UNITARIAS(Tesis de Pregrado),Universidad
de San Carlos de Guatemala,Guatemala.

32