Texto 1

Técnica experimental
Henry Esnor Valdez Huanca
1.- INTRODUCCION
El auge inusitado que la investigación ha ido adquiriendo día a día en un gran

número de las disciplinas de la ciencia moderna, a creado una serie de
necesidades en cuanto al manejo de observaciones y datos numéricos.
En el desarrollo de la experimentación agrícola como ciencia y como practica
social la elaboración, el análisis y la interpretación de los datos experimentales
ocupan un rol importante, pues de la adecuada utilización de los métodos y
técnicas de la Bioestadística, dependen en gran medida la veracidad de los
resultados y la objetividad de las investigaciones
La experimentación agrícola, entre otros factores, debe contribuir a la obtención
de una agricultura con alto nivel científico- técnico y económico que responda a
los requerimientos de la sociedad.
Para ello es necesario considerar el proceso de investigación y experimentación
sobre una base científica y armónicamente concebida hacia la solución de los
problemas fundamentales de la agricultura.
La agricultura impone la necesidad de la búsqueda de nuevas técnicas de
cultivo y de manejo de animales, así como de plantas y animales mas
productivos, mas resistentes a las plagas y las enfermedades, plantas con
mayor capacidad para absorber los nutrientes, mayor resistencia a la sequía , a
la salinidad y menor periodo vegetativo con vistas a la obtención de mayor
producción agropecuaria y mas calidad de la misma.
La actividad investigativa, en la rama agrícola y ganadera debe establecer
sólidos pilares en los cuales se asiente la colosal tarea del desarrollo, basado
en los avances impetuosos de la ciencia y la técnica.
Para cualquier país que desarrolle su economía, principalmente, sobre la base de
la producción agrícola y su industrialización, el desarrollo de las ciencias
agrícolas, adquiere una importancia de primer orden.
Dentro del sistema de las ciencias agrícolas, se ha desarrollado la

experimentación agrícola como una rama nueva e independiente, con objeto,
tareas, principios y métodos propios de trabajo.
El objeto de la experimentación agrícola como ciencia, es el proceso de
investigación, o sea, la búsqueda de la esencia de ese proceso, de sus
características específicas, así como de su utilidad y significación para la
producción. Sin embargo, conceptualmente, como actividad practica, consiste en
la organización, planificación, realización y análisis de los datos de experimentos
e investigaciones agrícolas y pecuarias, además, la aplicación en la practica
productiva de los resultados promisorios, es decir, de sus logros.
Lo expuesto en el párrafo anterior quiere decir que analizada la
experimentación agrícola como practica social, representa un conjunto de
actividades científicas, dirigidas conscientemente por el hombre con el
propósito de perfeccionar por diferentes vías y métodos el proceso productivo
de la agricultura.
La producción agrícola, abarca múltiples aspectos dentro del sistema de las
ciencias agrícola, tales como: la tecnología agrícola, el manejo de los animales,
el mejoramiento vegetal y animal, la mecanización, la protección y sanidad
agrícola, la economía y organización de la producción etc.
1
La experimentación agrícola como base de la investigación científica,

contribuye para hacer avanzar el nivel científico- técnico del proceso productivo.
En el proceso productivo y en la actividad investigativa es donde el hombre
obtiene los conocimientos sobre los objetos y fenómenos de la realidad
objetiva, así como sus leyes, las cuales aplicadas creadoramente permiten el
desarrollo de la agricultura.
Lo anteriormente expuesto revela la importancia de la experimentación
agrícola, la cual se puede apreciar en los aspectos científicos, sociales y
económicos. Los piases que desarrollan programas de investigación y
experimentación han incrementado la producción por unidad de superficie, lo
cual a originado un aumento en la producción global, ya que una mayor
producción unitaria estimula a sembrar mayor superficie a mayor numero de
agricultores.
Esto origina un desarrollo económico en diversas actividades humanas y un
mejor bienestar social.
Uno de los países que esta dentro de esta línea de investigación agrícola y que a
incrementados los rendimientos unitarios de los cultivos básicos es México,
según informe de la SAG. Mexico los rendimientos ton/ha, en 10 cultivos
básicos en los años de 1930 y 1974 son los siguientes.
Cultivo 1980 2004 Veces de incremento

Trigo 0.30 3.60 12
Tomate 3.00 17.91 6.0
Papa 2.50 11.07 4.4
Algodón 0.30 0.89 3.0
Cebada 0.54 1.44 2.7
Garbanzo 0.60 1.45 2.4
Frijol 0.28 0.62 2.2
Maíz 0.60 1.17 2.0
Arroz 1.70 2.84 1.7
Caña de azucar 45. 68.16 1.5
2
CAPITULO I
DISEÑOS EXPERIMENTALES.
1.1 ASPECTOS GENERALES
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald
A. Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la
fecha se encuentra bastante desarrollada y ampliada. Actualmente las
aplicaciones son múltiples, especialmente en la investigación de las ciencias
agrícolas, ingeniería, laboratorios y casi todas las ramas de las ciencias sociales
La experimentación proporciona los datos experimentales, en contraste con los
datos de la observación; los datos de la observación se representan como su
nombre indica por observaciones de las unidades elementales de una población
o de una muestra, y no deben ser cambiados ni modificados por ningún intento
de parte de un investigador en el curso de la observación.
Por su parte Ostle (1965) define a un diseño experimental como la secuencia
completa de pasos que se toman de antemano para asegurar la obtención de
datos apropiados, tales que permitan un análisis objetivo que conduzca a
deducciones validas con respecto al problema establecido.
En forma mas simplificada, se puede decir que un diseño no es otra cosa que
una planeación anticipada de la forma en que se conducirá un experimento,
para obtener de el la información buscada.
El diseño es el arma de trabajo de investigación. Es el cambio del empirismo a
la evaluación.
1.2 NECESIDAD Y PROPOSITO DEL DISEÑO EXPERIMENTAL

La necesidad del diseño experimental en la investigación es obvia; Pero lo será
todavía más si analizamos el ejemplo siguiente. Se desea conocer el efecto letal
de tres herbicidas para plantas de hoja ancha, a fin de recomendar el mejor. No
podemos probar el herbicida en la totalidad de la población de malas hierbas,
pues además del costo que representa seria muy tardado y prácticamente
imposible. En cambio si podemos hacer muestreos de la población y aplicar la
prueba. En este caso, los métodos de inferencia estadística serian el instrumento
idóneo para obtener la información requerida.
El propósito de cualquier diseño experimental es proporcionar una cantidad
máxima de información pertinente al problema en investigación. Sin embargo,
también es importante que el diseño, plan o programa de prueba sea tan simple
como se pueda. Además, la investigación debería conducirse lo mas
eficientemente posible; esto es, deberá hacerse todo esfuerzo para ahorrar
tiempo, dinero, personal y material. Por fortuna, la mayoría de los diseños
estadísticos simples son fácilmente analizables, y eficientes en ambos sentidos:
el económico y el estadístico.
1.3 VENTAJAS Y DESVENTAJAS DEL DISEÑO EXPERIMENTAL.
3
Aunque las ventajas y desventajas de los experimentos diseñados

estadísticamente son obvias y pueden ser explicadas en forma diferente por
cada persona, es adecuado considerar alguna de ellas:
Ventajas:
 Se requiere una estrecha vigilancia entre el estadístico y el investigador o
producto científico, lo cual trae ventajas en el análisis e interpretación
de las etapas del programa.
 Se pone énfasis en las alternativas anticipadas y en la planeacion
sistemática, permitiendo aun la ejecución por etapas y la producción
unida de datos para el análisis en combinaciones posteriores.
 Puede dirigirse la atención a las interrelaciones y a la estimación y
cuantificación de fuentes de variabilidad en los resultados.
 El número de pruebas requerido es determinable con certeza, y a
menudo reducible.
 La comparación de los efectos de los cambios o estímulos es mas precisa,
debido a la agrupación de resultados.
 La exactitud de las conclusiones se conoce con precisión matemática
definida.
Desventajas:
 Los diseños y su análisis están usualmente acompañados de enunciados
que se basan en el lenguaje técnico del estadístico; seria mucho mejor si
tales enunciados se tradujeran en términos significativos, para la
generalidad de la gente. Además, el estadístico no debería subestimar el
valor de presentar los resultados en forma grafica como un paso
preliminar de un procedimiento mas analítico.
 Muchos diseños estadísticos, especialmente los formulados por primera
vez, han sido criticados de muy caros, complicados y que requieren
mucho tiempo. Tales criticas , cuando son validas , deben aceptarse de
buena fe y debe hacerse un intento honesto para mejorar la situación,
siempre que no sea en detrimento de la solución del problema.
1.4 DISEÑO DEL EXPERIMENTO.

Este término se utiliza para planear un experimento de manera que se pueda
obtener la información pertinente a un determinado problema que se investiga y
así tomar decisiones correctas. El diseño adecuado del experimento es una
etapa fundamental de la experimentación, que permite el suministro correcto de
datos a posteriori, los que a su vez conducirán a un análisis objetivo y con
deducciones válidas del problema.
1.5 ELECCION DEL DISEÑO EXPERIMENTAL.

Cuando el experimentador ya definió el objetivo de trabajo y los tratamientos a
probar, el siguiente paso es determinar el diseño experimental que se debe usar.
Para un experimento específico, el mejor diseño es el más sencillo y el que usa
la menor cantidad de material para lograr el objetivo.
4
En la práctica, las unidades experimentales, las condiciones ambientales y de

manejo no son iguales, y los métodos de medida son inexactos. Por ello, es
necesario hacer repeticiones y utilizar un diseño experimental.
Si se considera que el experimentador estudia un fenómeno complejo como( la

producción de trigo, de leche o el crecimiento de la colonia de hongos ) que
mantiene fijos todos los factores que intervienen en el fenómeno y que los
métodos de medida son exacto , el resultado será el mismo cada vez que
realice el experimento. Entonces, cada combinación de factores determina un
resultado que permanecerá constante si se repite el experimento. El
experimentador, de acuerdo con su objetivo, varía uno o mas factores para
evaluar el efecto de tales variaciones en el resultado.
1.6 UNIDAD EXPERIMENTAL.

La unidad experimental, es el objeto o espacio al cual se aplica el tratamiento y
donde se mide y analiza la variable que se investiga. En los experimentos
pecuarios la unidad experimental, por lo general esta conformada por un animal
(cuye, cerdo, pato, etc.), en los experimentos forestales, la unidad experimental
en la mayoría de los casos esta conformado por un árbol y en la mayor parte de
las pruebas de campo agrícolas, la unidad experimental es una parcela de tierra
en lugar de una planta individual; es en este último caso que con frecuencia se
presenta lo que se llama efecto de borde.
Efecto de Borde.
En los experimentos agrícolas, muchas veces existen diferencias en el
crecimiento y la producción de las plantas que están situadas en los perímetros
de la parcela en relación con aquellas plantas situadas en la parte central; esta
diferencia es llamado efecto de borde y puede causar sobre-estimación o sub-
estimación de las respuestas de los tratamientos llegando con esto a
comparaciones sesgadas entre ellos.
El efecto de bordes puede ser causado por:
Vecindad de las parcelas ó áreas no cultivadas, que hace que las plantas en los
perímetros tengan menor competencia de luz y nutrientes.
Competencia entre tratamientos, que depende de la Naturaleza de los
tratamientos vecinos.
Para controlar el efecto de borde se acostumbra a evaluar solamente las plantas
centrales para los fines experimentales. Estas plantas centrales constituyen lo
que se llama parcela neta experimental
En el siguiente ejemplo se muestra el croquis de una Parcela de maíz con cuatro

surcos, donde las plantas de cabecera y de los dos surcos laterales, se
consideran efectos de borde. Una manera de disminuir el efecto de borde es
mediante el uso de Calles que pueden ser: áreas adyacentes sin sembrar ó el
uso de bordes con plantas que no intervendrán en la cosecha del experimento.
5
1.7 ANALISIS DE VARIANZA.

Es una técnica estadística que sirve para analizar la variación total de los
resultados experimentales de un diseño en particular, descomponiéndolo en
6
fuentes de variación independientes atribuibles a cada uno de los efectos en que

constituye el diseño experimental.
Esta técnica tiene como objetivo identificar la importancia de los diferentes
factores ó tratamientos en estudio y determinar como interactúan entre sí.
1.8 HIPOTESIS ESTADISTICA.

Es el supuesto que se hace sobre el valor de un parámetro (constante que
caracteriza a una población) el cual puede ser validado mediante una prueba
estadística. En la investigación agraria al realizar un análisis estadístico
utilizando el ANVA de un diseño experimental, la hipótesis a probar es si los
tratamientos tienen el mismo efecto sobre la variable que se estudia, es así
como se tienen las hipótesis planteada (Hp) e hipótesis alterna (Ha):Hp: τi= 0
(Los i tratamientos tienen el mismo efecto sobre la variable en estudio)Ha: τi≠ 0
(No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio).Al probar la hipótesis estadística el investigador está propenso a
cometer los siguientes tipos de errores: Error Tipo I: Se comete cuando se
rechaza la hipótesis que se plantea, siendo esta hipótesis falsa; la magnitud de
este error es fijado por el investigador y constituye el “nivel designificación de la
prueba”; usualmente los valores usados como nivel de significación son0.05 ó
0.01.
Error tipo II: Se comete cuando se acepta la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error no se puede fijar, pero si es posible
minimizar utilizando un tamaño adecuado de muestra.
1.9 SUPUESTOS ACERCA DEL MODELO ESTADISTICO.

Los supuestos necesarios del modelo estadístico son:
a. Aditividad: Los factores o componentes del modelo estadístico son aditivos,
es decir la variable respuesta es la suma de los efectos del modelo
estadístico.
b. Linealidad: La relación existente entre los factores o componentes del modelo
estadístico es del tipo lineal.
c. Normalidad: Los valores resultado del experimento provienen de una
distribución de probabilidad «Normal» con media µ y variancia σ2.
d. Independencia: Los resultados observados de un experimento son
independientes entre sí.
e. Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones
generadas por la aplicación de dos o más tratamientos tienen variancias
homogéneas (variancia común).
1.10 TIPOS DE MODELOS ESTADISTICOS.

De acuerdo a la selección de los tratamientos y otros factores se tiene la
siguiente clasificación: Modelo I (Efectos Fijos):Se presenta cuando los
tratamientos y demás factores que intervienen en un experimento son fijados
por el investigador; es decir, no se efectúa una elección aleatoria. En estos casos
las conclusiones del análisis de variancia solamente son válidas para los
tratamientos y otros factores usados en el experimento. En el presente trabajo
se ha considerado únicamente el caso de modelo de efectos fijos, por ser el que
se presenta con mayor frecuencia en la experimentación agraria. Modelo II
7
(Efectos aleatorios):Se presenta cuando los tratamientos y demás factores que

intervienen en un experimento son elegidos al azar de una población. En estos
casos las conclusiones del análisis de varianza son válidos, tanto para los
tratamientos y demás factores usados, asi como para todas las poblaciones de
tratamientos y factores. Modelo III (Modelo Mixto):Este modelo es la combinación
de los dos anteriores y se presenta cuando algunos factores son fijados y otros
son elegidos al azar. En estos casos las conclusiones del análisis de varianza
serán válidas para toda la población de factores cuando estos son elegidos al
azar, y solamente para los factores usados cuando estos son fijados.
1.11 PRUEBAS DE COMPARACION DE MEDIAS

Es propósito de todo investigador que realiza un análisis de Varianza de un
experimento en particular, realizar la prueba sobre el efecto de los tratamientos
en estudio, para ello hace uso de la prueba F el cual indicará si los efectos de
todos los tratamientos son iguales o diferentes; en caso de aceptar la hipótesis
de que todos los tratamientos no tienen el mismo efecto, entonces es necesario
realizar pruebas de comparación de promedios a fin de saber entre que
tratamientos hay diferencias, y para esto es necesario realizar pruebas de
comparación múltiple como las siguientes :Diferencia Significativa Mínima
(DLS):Es una prueba para comparar dos medias y su uso en comparaciones
simultáneas se justifica sólo en las siguientes condiciones:
a. La prueba F resulta significativa.
b. Las comparaciones fueron planeadas antes de ejecutar el experimento.
Prueba de Rangos Múltiples de Duncan: Este procedimiento es utilizado para
realizar comparaciones múltiples de medias; para realizar esta prueba no es
necesario realizar previamente la prueba F y que ésta resulte significativa; sin
embargo, es recomendable efectuar esta prueba después que la prueba F
haya resultado significa-tiva, a fin de evitar contradicciones entre ambas
pruebas. Prueba de Rangos Múltiples de Tukey: Este procedimiento es
llamado también «Diferencia Significativa Honesta», se utiliza para realizar
comparaciones múltiples de medias; esta prueba es similar a la prueba de
Duncan en cuanto a su procedimiento y además es más exigente. Prueba de
Comparación de Dunnet: Esta prueba es útil cuando el experimentador está
interesado en determinar que tratamiento es diferente de un testigo, control
o tratamiento estándar, y no en hacer todas las comparaciones posibles (que
pasarían a una segunda prioridad); es decir, cuando se quiere comparar el
testigo con cada uno de los tratamientos en estudio.
1.12 TRANSFORMACION DE DATOS.

La razón principal de la transformación de datos es que de llevarse a cabo un
análisis estadístico con resultados que no cumplan con los supuestos acerca del
modelo estadístico, se puede llegar a una conclusión equivocada. Un cambio de
escala puede variar la media y la varianza de la variable así como su relación
con respecto a otras variables. La forma de la distribución de una variable
cambia con la escala. Mediante una transformación adecuada puede conseguirse
que un variable que no se distribuye normalmente pase a tener una distribución
casi normal. Las poblaciones con varianzas desiguales pueden convertirse en
8
homocedásticas (variancias homogéneas) mediante una transformación

apropiada. Las transformaciones mas usadas son:
a. Transformación logarítmica El modelo lineal (por ejemplo Yij= µ + τi+ βj+ eij)
indica que el efecto del bloque , el efecto del tratamiento y el error
experimental, son todos ellos aditivos. Si los bloques y los tratamientos
aumentan o disminuyen las mediciones en un determinado porcentaje en
lugar de una determinada cantidad, entonces se dice que los efectos son
multiplicativos y no aditivos. En estos casos, una transformación logarítmica
transformará en aditiva la relación multiplicativa y en consecuencia el modelo
lineal podrá ser aplicado a los nuevos datos. Para ciertos tipos de análisis, el
investigador prefiere la escala que elimina las interacciones mientras que
para otras puede preferir la escala que restituye los efectos lineales. Lo que
hay que recordar es que la relación entre las variables está muy influenciada
por las escalas con las que se miden dichas variables. Las interpretaciones de
los datos sólo son válidas en relación con la escala particular adoptada en un
caso determinado.
b. Transformación de la raíz cuadrada Cuando los datos están dados por
números enteros procedentes del conteo de objetos, como por ejemplo el
número de manchas en una hoja o el número de bacteria en una placa, los
números observados tienden a presentar una distribución de Poisson más que
una distribución normal. Las consideraciones teóricas conducen a la
transformación de la raíz cuadrada de los números observados. Normalmente
esta transformación determina que las varianzas de los grupos sean más
iguales. También es aplicable a las distribuciones sesgadas puesto que acorta
la cola larga. Si y es el número observado, para el análisis estadístico y la
prueba de significación utilizaremos y1/2. Cuando los números observados
son pequeños (de 2 a 10), se prefiere la transformación (y+0.5)1/2, en
especial cuando algunos de los números observados son cero.
1.13 COEFICIENTE DE VARIABILIDAD.

Es una medida de variabilidad relativa (sin unidades de medida) cuyo uso es
para cuantificar en términos porcentuales la variabilidad de las unidades
experimentales frente a la aplicación de un determinado tratamiento. En
experimentación no controlada (condiciones de campo) se considera que un
coeficiente de variabilidad mayor a 35% es elevado por lo que se debe tener
especial cuidado en las interpretaciones y ó conclusiones; en condiciones
controladas (laboratorio) se considera un coeficiente de variabilidad mayor como
elevado. La expresión estimada del coeficiente de variabilidad es:100xYcme=cv
CAPITULO: 2.
CARACTERISTICAS DE UN EXPERIMENTO BIEN PLANEADO Y MEDIDAS QUE
CONTRIBUYEN A ELEVAR LA PRECISIÒN.
La investigación científica consiste en la búsqueda permanente de la verdad
mediante métodos objetivos, adecuados y precisos. La experimentación es un
método científico de investigación que consiste en hacer operaciones y
9
practicas destinadas a demostrar, comprobar o descubrir fenómenos o

principios básicos.
La investigación que se realiza en la agricultura en particular, comprende las
pruebas, observaciones, análisis o estudio practico de todo aquello que interesa
en la agricultura. Considerando un experimento el probar con la practica una
hipótesis por ejemplo rendimiento de “n” variedades de maíz. Se considera una
investigación cuando se estudia la causa y el efecto por ejemplo
determinación del tamaño de la parcelas mas eficaz para ensayar variedades
de maíz
En un experimento se observan únicamente los efectos y es de aplicación
práctica inmediata, ya sea para el científico o para la comunidad. Por otra parte
una investigación es de aplicación mediata y puede ser evolucionista o sea,
puede conducir a nuevas ideas técnicas o a modificar las existentes.
En una investigación científica siempre esta presente el método científico que
consiste en la búsqueda de hechos, la formulación de hipótesis y la obtención
de principios y leyes que rigen tales hechos y comprende dos pasos importantes:
a) método Inductivo .- Mediante este, se buscan hechos a través de la
observación y la experimentación
b) Método deductivo .- Consiste en clasificar y ordenar los hechos por
medios de una relación, si esta es constante de manera que se pueda
predecir un hecho y confirmarlo mediante la experimentación puede ser
general y formarse un postulado básico o una ley
2.1 CARACTERÍSTICAS DE UN EXPERIMENTO BIEN PLANEADO.

Para llevar adelante un experimento bien planeado se debe tener en cuenta los
siguientes puntos.
a) SIMPLICIDAD – La selección de los tratamientos y la disposición experimental
deberán hacerse del modo mas simple posible y deberán ser consistente con los
objetivos del experimento
b) GRADO DE PRECISION- Deberá haber una gran probabilidad de que el
experimento sea capas de medir diferencias de tratamientos con los grados de
precisión deseado por el experimentador. Esto implica un diseño apropiado y un
numero suficiente de repeticiones
c) AUSENCIA DEL ERROR SISTEMATICO- Debe planearse el experimento para
asegurar que las unidades experimentales que reciban un tratamiento no
difieran sistemáticamente de aquellas que reciban otro tratamiento , de modo
que puedan obtenerse una estimación imparcial de cada efecto de tratamiento.
d) RANGO DE VALIDEZ DE LAS CONCLUSIONES- Las conclusiones deben tener un
rango de validez tan amplio como sea posible, un experimento replicado en
tiempo y espacio incrementa el rango de validez de las conclusiones que podría
sacarse del mismo. Un conjunto factorial de tratamientos es otro medio para
incrementar el rango de validez de un experimento
e) CALCULO DEL GRADO DE INCERTIDUMBRE- En cualquier experiencia siempre
existe un grado de incertidumbre en cuanto a la validez de las conclusiones, el
experimento deberá ser concebido de modo que resulte posible calcular la
probabilidad de obtener los resultados observados debido únicamente al azar.
2.2 MEDIDAS O FACTORES QUE CONTRIBUYEN A LEVAR LA PRECISIÓN.
10
En la planificación agrícola o biológica y en el desarrollo de una investigación en

particular, son de interés las siguientes aspectos:
a).Especificar los problemas, con el fin de probar hipótesis o encontrar
respuestas. Es necesario considerar que los experimentos sean:
a.1).Experimentos simples, cuando se estudia un solo factor de variación; por
ejemplo, probar cinco variedades de sorgo, estudiar cinco dosis de nitrógeno en
trigo, etc.
a.2).Experimentos factoriales, cuando se estudian simultáneamente dos o más
factores que influyen en la producción; por ejemplo, estudiar tres variedades,
cada una sembrada a tres densidades de siembra, o bien tratamientos de
fósforo, nitrógeno y potasio, cada uno a cuatro dosis por unidad de superficie.
b). Ubicar el lugar adecuado para la realización de los experimentos, para lo cual
se debe elegir una localidad accesible y representativa de áreas agrícolas, de
suelo uniforme, con unidades experimentales lo más uniforme posible, y escoger
el material adecuado para experimentos, de manera que pueda estratificarse
(agruparse unidades experimentales con características homogéneas) el terreno
correctamente para formar grupos uniformes y de fácil manejo.
c). Reducir las fuentes de error, tanto del experimento como de aquellos errores
o equivocaciones operacionales. Es muy importante que en la selección de
datos, muestreo, etc., el personal responsable esté constituido por técnicos o
personas con entrenamiento.
La precisión se encuentra íntimamente relacionada con el error experimental: un
aumento en la precisión se obtiene mediante una reducción del error
experimental.
Error Experimental
Los resultados experimentales siempre vienen afectados por diversos errores,
desde errores groseros o de equivocación (cuya existencia no tiene justificación
en un trabajo serio) hasta los errores sistemáticos y aleatorios.
Principales Fuentes de Errores
Deficiencias en la conducción técnica del experimento.
Ataque de plagas y enfermedades, ya que no lo hacen de forma uniforme.
Influencia de vegetación indeseable.
Material de siembra o animales no homogéneos.
Heterogeneidad del suelo: se puede conocer empíricamente, químicamente o
biológicamente a través de la planta.
Diferencia en el microrelieve de la parcela.
Clasificación de los Errores
Errores sistemáticos: Su causa es el azar y después se sistematizan, suelen
originarse por imperfección en los medios de medición, incluyendo las
observaciones y apreciaciones que hacen los expertos.
Estos errores afectan en mayor o menor cuantía las observaciones, siendo
posible descubrir su existencia por medio de repetición de las mediciones con
medios o personal diferente. A pesar de ello, su eliminación requiere de técnicas
especiales y no siempre resulta posible. Pueden ser:
 Errores sistemáticos que afecten a todas las variantes del experimento, no
influyen negativamente.
 Errores sistemáticos que afecten a todas las variantes pero solo a algunas
réplicas.
11
 Errores sistemáticos que afecten a variantes aisladas en el experimento, los

que pueden destruir la comparación.
Ejemplo de estos errores pueden presentarse cuando una balanza tiende a
incrementar el verdadero valor de la medición o cuando un observador tiende a
sobrevalorar algún indicador. En consecuencia, las mediciones no arrojarán el
verdadero valor de la magnitud medida y se dice que presenta un sesgo o que
las observaciones están sesgadas.
Errores aleatorios: Son aquellos que surgen independientemente del control que
ejerce el investigador. Son consecuencia de:
- Variabilidad propia del material experimental.
- Errores de medición imposibles de evitar.
- Efectos combinados de factores extraños que pudieron influir en los
resultados experimentales.
Por ejemplo, supóngase que un investigador se propone medir el efecto de
varias raciones sobre la ganancia en peso de los animales de una raza dentro de
una especie. Se toman todas las precauciones para controlar los efectos
importantes, se escogen animales procedentes de una misma camada, del
mismo peso inicial, se usan canales individuales con similar atención y manejo,
etc., y sin embargo sucede que animales bajo el mismo tratamiento tienen
diferente ganancia en peso. Esto se debe a los efectos individuales de los
animales que tienen variaciones de uno a otro aún cuando se hayan tomado
tantas precauciones.
Errores vulgares o equivocaciones: Surgen por ignorancia del investigador,
destruye la comparación.
En sentido general, los errores sistemáticos son indeseables en una
investigación y deben evitarse tanto como sea posible, los errores aleatorios son
prácticamente inevitables, pero tienen la característica (por ser aleatorios) de
que se presentan, tanto aumentando como disminuyendo el verdadero valor a
observar, de modo que es lógico pensar que nuestro mayor deseo será que su
varianza (varianza del error experimental) sea lo más pequeña posible.
d). Mantener constante los diversos factores que pueden afectar a la producción
o a la calidad del producto, de manera que los únicos factores de variación sean
los tratamientos objeto de estudio.
e). Extremar precauciones y ser cautos en los resultados experimentales,
considerando que un experimento es una observación de una muestra en una
población de experimentos.
f). Repetir experimentos uniformes en diferentes localidades, suelos y años.
g). Tener conocimiento de la tecnología de campo y saber cuáles son los
problemas del productor. En la planeación o diseño de un experimento
agronómico, es necesario aplicar un conjunto de disciplinas y conocimientos
biológicos con el fin de encontrar una respuesta correcta a un problema
específico. Por ejemplo, si se comparan diversas variedades de trigo, todos los
factores de la producción que influyen en el comportamiento de las variedades
deben permanecer constantes y las únicas fuentes de variación o diferencias
serán presentadas por las variedades de trigo, si tales fuentes existen. Para
lograr lo anterior, es necesario contar con ciertos conocimientos sobre:
a).Suelos, a fin de elegir el terreno más uniforme y adecuado para realizar el
experimento.
12
b). Fertilización, para cuando sea necesario planear experimentos con

fertilizantes químicos orgánicos o abonos orgánicos.
c). Topografía e hidráulica, para trazar parcelas, niveles, riegos, etc.
d). Especialidades afines como: Botánica, entomología, fitopatología, fisiología,
genética, ecología, etc. para poder trabajar con seres vivos. e. Tecnologías de :
Cultivos, sistemas agroforestales, agrosilvo pastoriles y zootecnia, para manejar
las unidades experimentales.
f). Estadística (biometría o bioestadística), para evaluar y separar las diversas
causas de variación y para realizar la interpretación de los resultados
experimentales.
CAPITULO:3.
ETAPAS FUNDAMENTALES EN LA EXPERIMENTACIÓN AGRÍCOLA.
El proceso de investigación agrícola puede ser analizado como un conjunto de
etapas, estas etapas interactúan dialécticamente constituyendo en si el
proceso investigativo.
La correcta concepción , planificación y control del proceso investigativo
contribuye al logro de resultados científicos, económicamente útiles factibles
de aplicación y que deriven en la obtención de mayor rendimiento y calidad
de los cultivos económicos.
El método científico sugiere que en el planeamiento de la experimentación se
debe tener presente las siguientes etapas :
PRODUCCIÓN AGRICOLA PRACTICA AGRICOLA
Extensión agrícola Definición del problema
Elaboración de Determinación de
informe PROCESO DE objetivos
Organización y proceso de INVESTIGACI ﾓ Selección del material
datos N AGRICOLA experimental
Ejecución técnica Selección de los
tratamientos
Selección de la unidad de Selección del diseño
observación
1.- Definición del problema.

El primer paso en la resolución de un problema consiste en establecer clara y
concisamente el problema con el que estamos tratando. Si el problema no se
puede definir entonces, hay pocas probabilidades de que este sea resuelto
13
alguna vez. Cuando el problema se ha comprendido, debemos ser capaces de

formular preguntas que, una vez contestada, conduzcan a la solución
2.- Determinación de los objetivos.

Estos pueden ser la forma en que las preguntas serán contestadas, la hipótesis
que se va comprobar o los efectos que se desea estimar, los objetivos deben
redactarse en términos precisos, cuando hay mas de un objetivo se deben
ordenar estos de acuerdo a su importancia, como si tuvieran un lugar en el
diseño experimental
3.- Selección del material experimental.
En la selección del material experimental, se considera los objetivos del
experimento, así como la población sobre la cual se harán las inferencias, El
material utilizado deberá ser representativo de la población sobre la cual
deseamos probar nuestros tratamientos.
4.- Selección de los tratamientos.
En la selección de los tratamientos es importante definir claramente cada uno
de ellos y entender el papel que jugara para alcanzar los objetivos del
experimento.
5.- Selección del diseño.
Debe estar de adecuado al montaje del experimento, y acorde con el objetivo
de la investigación
El diseño surgió con el problema de minimizar el problema de la
heterogeneidad del suelo.
6.- Selección de la unidad de observación y del número de repeticiones.
Para experimentos de campo con plantas, estos medios determinan el tamaño y
forma de las parcelas de campo. Para experimentos con animales, estos medios
determinan el número de animales que han de ser considerados como unidad
experimental. El tamaño de la parcela y el número de repeticiones deberán ser
elegidos para obtener la precisión requerida en la estimación de los
tratamientos
7.- Ejecución técnica.

Debe desarrollarse una alta técnica en esta etapa y estar acorde con el
protocolo de la investigación. Se debe tener cuidado con el registro sistemático
y ordenado de todas las incidencias y de los datos experimentales obtenidos a
través de la observación y medición los que servirán de base para las
siguientes etapas.
8.- Organización y procesamiento de los datos experimentales.
Al realizar la investigación se contara con una serie de datos experimentales
que deberán ser organizados y procesados matemáticamente según los
métodos estadísticos en base a los cuales se extraen las conclusiones y
recomendaciones.
Es de vital importancia la selección correcta del método estadístico por el cual
van a ser procesado los datos y esto se debe tener presente desde antes de
montar el experimento o conjunto de experimentos.
14
9.- Elaboración de un completo legible y correcto informe del trabajo de

investigación.
Vencidas las anteriores etapas corresponde la elaboración de un informe de
trabajo realizado, el cual puede tener diferentes estructuras según el destino del
mismo .El informe deberá contener los hechos mas relevantes de la
investigación.
El informe deberá contener.
Titulo
Autor
Introducción
Materiales y Métodos
Resultados de Discusión
Conclusiones Y Recomendaciones
Agradecimientos
Redacción Bibliográfica
CAPITULO: 4.
ELEMENTOS DEL EXPERIMENTO DE CAMPO SU INFLUENCIA EN SU PRESICION
En todo experimento de campo siendo simple o complejo en correspondencia
con los objetivos que se planten, estará conformado por los elementos
fundamentales siguientes.
 Tratamientos o variantes experimentales
 Parcelas experimentales
 Replicas o repeticiones
4.1 TRATAMIENTOS O VARIANTES EXPERIMENTALES

Representan el fenómeno estudiado o sea las variedades, las técnicas de
cultivo, los niveles de fertilizantes o biofertilizantes o de un producto
fitosanitario, las densidades de siembra, diferentes tipos de poda etc.
En realidad se utiliza el termino tratamiento para denominar los diferentes
procesos cuyos efectos se van a medir o comparar.
El numero de tratamientos o variantes del experimento estará determinado por
los objetivos del mismo, por ejemplo , si el objetivo es estudiar
15
comparativamente el potencial productivo de cuatro variedades de un cultivo ,

o la resistencia a plagas, o sus posibilidades para mecanización, serán
precisamente cuatro los tratamientos o variantes experimentales de este
experimento.
El número mínimo de tratamientos o variantes a estudiar en un experimento
es lógicamente dos y el número máximo es muy variable pues dependerá de
los propósitos de la investigación.
Al considerar el número máximo de variantes en el experimento se debe tener
en cuenta dos aspectos:
Los costos y la precisión experimental ambos son importantes.
Desde el punto de vista del primer aspecto se debe considerar la necesidad de
utilizar el numero mínimo de variantes que permitan alcanzar los objetivos
propuestos, sin el correspondiente encarecimiento del proceso investigativo por
la adicción de tratamientos no sustancialmente necesarios.
4.2 PARCELAS EXPERIMENTALES

La parcela experimental denominada conceptualmente unidad elemental es la
superficie definida y delimitada para el estudio de las plantas que reciben un
tratamiento experimental dado.
A la parcela experimental en su conjunto se lo denomina superficie o área de
siembra (A.S.) y dentro de esta se distingue la superficie o área de calculo
efectiva (A.C.) donde se toman las observaciones y mediciones de las plantas
estudiadas y el rendimiento de las mismas y además encontramos la superficie
o área de borde o también denominado defensa interna ( A.B.) Limitada por la
superficie de calculo y el perímetro de la superficie de siembra. En los
experimentos de campo casi siempre se dejan espacios o surcos en las parcelas
experimentales que no se toman en el momento de tomar las mediaciones u
observaciones o cosecha de los experimentos, estas áreas reciben el nombre de
defensas internas o áreas de borde, generalmente estas áreas tienen mas
nutrientes, luz, humedad, etc y por lo tanto generalmente las plantas tienen
mayor desarrollo.
El comportamiento diferenciado de las plantas que se encuentran en los
extremos de las parcelas o sea en la periferia con las del centro o área de
cálculo recibe el nombre de efecto de borde.
Otro efecto a considerar es el efecto que produce un tratamiento vecino si no
se toman medidas adecuadas para contrarrestar esto, este efecto es llamado
efecto de la variante vecina.
Tamaño de la parcela.
El tamaño de la parcela puede ser muy variado ya que son muchos los factores
a tener en cuenta entre ellos tenemos:
Características del cultivo con que se realiza el experimento de campo
Características de la heterogeneidad del suelo del lote experimental
Densidad de siembra o plantación.
Disponibilidad del material de siembra o plantación uniforme y de calidad para
ser empleado en el experimento.
16
Grado de precisión para determinar diferencias que se deseen detectar como

significativas estadísticamente.
Numero de replicas.
Equipos técnicos disponibles para el experimento
Relieve y micro relieve del lote experimental.
Características y número de tratamientos experimentales.
Dimensiones del lote experimental.
Costo experimental.
En realidad el análisis integral de todos estos factores y de los resultados de
las investigaciones sobre la determinación del tamaño óptimo de la parcela
experimental por las diferentes vías, procedimientos y metodologías existentes,
constituyen aspectos metodológicos que no se pueden obviar si se desea una
mayor eficiencia experimental.
La parcela de tamaño óptimo, conceptualmente, es aquella en la cual la
variación de los factores incontrolables es mínima y de hecho se obtiene la
mejor información con un máximo de precisión del proceso de investigación
agrícola.
Orientación de la parcela.
la orientación adecuada de las parcelas experimentales posee una gran
significación de los datos a obtener en el experimento, fundamentalmente
cuando existe variabilidad del suelo del lote experimental.
Si el lote es relativamente homogéneo en sus características de fertilidad
relieve etc. La orientación de las parcelas no tiene mayor complicación, sin
embargo, cuando esto no es así, es necesario estudiar previamente de forma
muy cuidadosa la orientación de las parcelas experimentales con la finalidad de
asegurar las condiciones de uniformidad de las unidades elementales y, por
tanto la comparatividad entre los tratamientos o variantes experimentales a
investigar.
En lotes inclinados resulta conveniente disponer la orientación de las parcelas
en función de que la mayor longitud de las mismas se encuentre
longitudinalmente en el sentido de la mayor variación de la pendiente o de la
mayor heterogeneidad del suelo.
Forma de las parcelas.
Las parcelas experimentales pueden tener diferentes formas, pero tres son las
fundamentales.
Rectangulares.- Cuando la relación largo y ancho es 1:5 un metro de ancho y
cinco metros de largo.
Cuadrada.- Cuando la relación largo y ancho es 1:1, un metro de largo y un
metro de ancho.
Alargada.- Cuando la relación ancho largo es 1: mayor de 5 es decir un metro de
ancho y mas de 5 metros de largo.
La utilización de una forma u otra en un experimento de campo puede estar
relacionado con:
Características del cultivo.
Características de las variedades del suelo.
Tamaño de as parcelas.
Resultados de las investigaciones anteriores que permitan inducir la utilización
de una forma dada con un cultivo y en condiciones determinadas.
17
Necesidad de defensa interna o superficie de borde.

Particularidades de los tratamientos o variantes experimentales.
l papel de la forma de la parcela puede pasar a un primer plano con respecto a
la precisión experimental en esas situaciones de relativa heterogeneidad de las
características del suelo, no resulta así si el suelo es relativamente homogéneo.
En experimentos agrícolas, se encontró que la forma de las parcelas largas y
estrechas son las que mejor contrarresten la heterogeneidad del suelo. Esto
explica porque en esa forma es posible que un numero mayor de parcelas
participen de cada mancha de alta y baja fertilidad, en cambio un parcela
cuadrada puede llegar a coincidir con toda una mancha de fertilidad
aumentando o bajando en forma exagerada su rendimiento
4.3 REPLICAS O REPETICIONES

Las replicas o repeticiones de las unidades experimentales que reciben
idénticos tratamientos reducen en general el error experimental y en
consecuencia aumenta la precisión del experimento, cuanto mayor sea el
numero de replicas o repeticiones habrá mayor probabilidad de obtener
resultados que se acerquen a la realidad.
En general es mejor aumentar el numero de repeticiones aunque la unidad
experimenta sea mas pequeña.
En realidad se considera que el incremento del numero de replicas o
repeticiones disminuye el error asociado a la diferencia entre los resultados
medios de los tratamientos experimentales , siempre y cuando algunas
precauciones se tomen para asegurar que un tratamiento no este mas
favorecido que otro, de tal forma que los errores tiendan a anularse cuando el
numero de repeticiones aumenta ,es imposible tener una seguridad objetiva
para una explicación correcta de los resultados experimentales de no contarse
con las repeticiones
En el orden matemático la necesidad de las replicas se puede analizar a partir
del análisis de la formula del error estándar o típico de una media dado por:
s
Sx 
n
Donde:
Sx : Es el error estándar o típico de la media
S. Es la desviación estándar o típica
n : Es el numero de repeticiones u observaciones involucradas en el calculo de
la media de que se trate
De la formula se desprende que el decremento del error estándar es
proporcional a la raíz cuadrada de n, o sea, del numero de repeticiones u
observaciones
Las ventajas de utilizar repeticiones son:
Hay mayor probabilidad de ajustar los resultados a la realidad: la media x y
el error estándar s x merecen mas confianza.
Disminuye el efecto de la heterogeneidad del suelo
Aumenta la precisión del experimento al disminuir el error
Permite una mejor distribución de los tratamientos
El número optimo de repeticiones esta determinado por:
La clase de cultivo
18
La heterogeneidad del suelo

Cantidad de semilla o materiales disponibles
Los medios económicos
El grado de discrepancia necesaria para poder apreciar diferencias entre los
tratamientos; cuanto mas pequeña sea la diferencia, mayor numero de
repeticiones se deberá usar.
Factores de los que depende el número de replicas:
Precisión deseada
Características del cultivo
Numero de tratamientos
Grado de variabilidad del suelo
Tamaño de la parcela experimental
Equipos técnicos disponibles
Disponibilidad del material de siembra
Magnitud de las diferencias a detectar entre los tratamientos
Se observa que al aumentar el numero de replicas se aumenta la precisión, de
igual manera sucede con el tamaño de la parcela, existiendo la tendencia a
aumentar replicas con tamaño optimo de parcela, con esto se logra una
ganancia en precisión mas rápida.
Numero de repeticiones.-
Cualquiera que sea la fuente de los errores experimentales, la repetición del
experimento disminuye constantemente el error asociado a la diferencia entre
los resultados medios de dos tratamientos, siempre y cuando algunas
precauciones ( tales como la aleatorizacion) se hayan tomado para asegurar
que un tratamiento no esta mas favorecido en una repetición que en otra, de
tal forma que los errores que afecten a cualquier tratamiento tiendan a
anularse cuando el numero de repeticiones se aumenta.
CAPITULO 5
LOS DISEÑOS EXPERIMENTALES, CARACTERÍSTICAS, SU SELECCIÓN.
19
El experimento de campo para que cumpla con los objetivos propuestos debe ser
ante todo preciso. La precisión juega un papel fundamental en el desarrollo del
trabajo experimental, ya que de ello depende la objetividad y veracidad de los
resultados que se obtengan.
El nivel de la precisión está dado por los siguientes factores entre otros:
Selección del lugar adecuado.
Elección del diseño.
Correcta selección del tamaño, forma y orientación de las parcelas
experimentales.
Ejecución técnica óptima del experimento.
La selección correcta del diseño requiere de sumo cuidado, pues esta se
descubre por lo general cuando el experimento está desarrollándose.
El diseño representa la interdisposición de las variantes y réplicas en el esquema
del experimento, acorde con una ley o ecuación matemática que justifique tal
ordenamiento.
Requisitos:
Debe dar una comparación válida entre las variantes que se estudien
Dar la mayor información posible en la menor área, tiempo y trabajo empleado.
Que sea preciso y flexible, así como sencillo en su ejecución técnica.
Cada esquema requiere de su elaboración matemática específica.
Diseños experimentales clásicos.
Un diseño experimental es una regla que determina la asignación de las
unidades experimentales a los tratamientos. Aunque los experimentos difieren
unos de otros en muchos aspectos, existen diseños estándar que se utilizan con
mucha frecuencia. Algunos de los más utilizados son los siguientes:
5.1 DISEÑO COMPLETAMENTE ALEATORIZADO.
El experimentador asigna las unidades experimentales a los tratamientos al azar.
La única restricción es el número de observaciones que se toman en cada
tratamiento. De hecho si ni es el número de observaciones en el i-ésimo
tratamiento, i = 1,...,I, entonces, los valores n 1,n2,...,nI determinan por completo
las propiedades estadísticas del diseño. Naturalmente, este tipo de diseño se
utiliza en experimentos que no incluyen factores bloque.
Este diseño es sencillo de planificar, flexible en cuanto al número de réplicas y
tratamientos, se pueden tener diferentes números de réplicas por tratamientos
sin que el análisis se complique, el análisis de varianza es simple.
No se puede controlar el error experimental por lo que no es un diseño muy
preciso.
Se utiliza para experimentos de laboratorio y semi laboratorio.
Diseño completamente al azar.
D B C B
B C D A
D A B A
20
C A C D
El modelo matemático de este diseño tiene la forma:

Respuesta = Constante general + Efecto del tratamiento + Error
5.2 DISEÑOS DE BLOQUES.

En este grupo se encuentran los diseños más utilizados mundialmente en la
experimentación agropecuaria.
Estos diseños poseen tres características fundamentales:
La replicación.
La aleatorización.
El control local o técnica de los bloques.
REPLICACIONES.
Las réplicas dan un estimado del error experimental y aumentando su número es
el medio más sencillo para incrementar la precisión, se deben tener, como
mínimo 10 grados de libertad para estimar el error experimental.
En los experimentos de campo, por lo general, se usan de 3 a 4 réplicas, 2
réplicas resulta inadecuado, pero suelen ser suficientes para experimentos bien
controlados en el laboratorio.
Las consideraciones anteriores no son válidas para los experimentos factoriales,
pues aquí aparecen las “réplicas escondidas”.
ALEATORIZACIÓN.
La aleatorización asegura la validez de la estimación del error experimental, al
evitar sesgos que pueden ser introducidos. Permite que las variantes abarquen
mejor la variabilidad de la fertilidad del suelo.
Se elimina la influencia unilateral de la variante vecina, lográndose condiciones
iguales de comparación entre las variantes.
Se pueden aplicar métodos estadísticos más perfeccionados como es el análisis
de varianza.
CONTROL LOCAL.
Consiste en el bloqueo de las variantes, con el fin de controlar el error
experimental.
Todos los tratamientos del experimento deben ser aleatorizados dentro del
bloque, el objetivo es hacer los bloques lo más homogéneo posible.
En los experimentos de campo los factores que más influyen en la disposición de
los bloque son la fertilidad y humedad naturales del suelo.
DISEÑO DE BLOQUES AL AZAR.
En este diseño el experimentador agrupa las unidades experimentales en

bloques, a continuación determina la distribución de los tratamientos en cada
bloque y, por último, asigna al azar las unidades experimentales a los
tratamientos dentro de cada bloque.
21
La unidad más pequeña después de la parcela es el bloque, el bloque contiene

todas las variantes que se investigan y éstas se encuentran distribuidas al azar y
de forma independiente en cada bloque. La distribución al azar puede quedar
como haya ocurrido o se puede arreglar con la siguiente regla:
Establecer el mínimo de contactos diagonales entre una misma variante.
Las variantes que han sido vecinas una vez no deben serlo en otros bloques.
El modelo matemático que lo justifica es el siguiente:
Cada valor = Una constante + Efecto de los + Efecto de los + Un error

Observado general bloques tratamientos
Se aplica el análisis de varianza que permite separar de la variabilidad total el

efecto de los bloques, es decir, la variabilidad del suelo de bloque a bloque.
Este diseño es idóneo para distintos tipos de experimentos, tanto de
comparación de variedades como fitotécnicos, en experimentos unifactoriales o
factoriales, con un rango de 3 a 25 variantes sin pérdida apreciable de eficiencia.
Al ubicar los bloques en el campo deben quedar en la máxima homogeneidad
del suelo posible, perpendicular al gradiente de fertilidad.
BLOQUES AL AZAR
C A B D
D B A C gradiente
A C D B
DISEÑO CUADRADO LATINO.
El diseño cuadrado latino es una modificación del bloque al azar y se caracteriza

porque las variantes se ordenan bidireccionalmente al azar, en filas y columnas,
sin que se repita ninguna, por lo que el número de variantes determina el
número de réplicas, esto hace que el número de variantes debe estar entre 4 y
9, no más de 9 porque hay un exceso de réplicas y no menos de 4 porque no hay
sensibilidad estadística.
La distribución de las variantes permite abarcar mejor la variabilidad de la
fertilidad del suelo en comparación con el bloque al azar, controlando el error
experimental en 2 direcciones. Tiene un amplio uso en las investigaciones
agrícolas.
Cada valor = Una constante + Efecto de + Efecto de + Efecto de + Un error

Observado general filas columnas Tratamientos
22
DISEÑO CUADRADO LATINO
B D A C
A C B D
D A C B
C B D A
DISEÑO DE PARCELAS DIVIDIDAS.
Este diseño es específico para experimentos factoriales. Puede montarse en

bloques al azar o en cuadrados latinos.
Cada valor =una const  efecto de + efecto + error + efecto + efecto + error
Observado general réplicas factor A a factor B AxB b
Existen diferentes tamaños de parcelas de acuerdo a los factores en estudio.

Para la ubicación de un factor en una u otra parcela de mayor o menor tamaño
se siguen varios criterios:
Si por lógica un factor para manifestar su influencia requiere de áreas mayores,
como por ejemplo, sistemas de riego, preparación del suelo, etc. se ubicará en
las parcelas mayores.
Si se requiere un factor con mayor precisión se ubicará en la parcela más
pequeña, pues se repite más y es más precisa.
Se puede ubicar un factor adicional en un experimento previamente establecido.
El montaje de un experimento con este diseño es más complejo, al igual que el
análisis matemático, por los errores que hay que calcular.
DISEÑO PARCELAS DIVIDIDAS
Factor Niveles
Variedad A B y C
Riego 1 y 2
A 1 B 2
C 1 A 2
B 1 C 2
A 2 C 1
B 2 A 1
C 2 B 1
C 1 A 2
B 1 C 2
23
A 1 B 2
DISEÑOS EN FRANJAS
Se utilizan para experimentos bifactoriales y han surgido para facilitar las

operaciones técnicas en la conducción de los experimentos, es un diseño de
bloques completos, es una variante de la parcela dividida.
DISEÑOS EN FRANJAS
Factores Niveles
Preparación del suelo 1 y 2 Variedad
Replica I Replica II
A C B B C A
1 1
2
2
Replica III
C B A
1
5.3 ESQUEMA DE LOS TRATAMIENTOS
En los experimentos factoriales habíamos visto que las combinaciones de

los niveles de los factores conformaban los tratamientos experimentales.
Los factores pueden tener igual o desigual numero de niveles en el primer
caso se utiliza la notación exponencial. Ejemplo: 2 n significa que los factores
son estudiados a dos niveles de no ser así la forma es la siguiente 2 x 3x
4, ello significa que hay un factor con 2 otro con 3 y otro con 4 niveles.
Los esquemas factoriales pueden ser agrupados en dos categorías
 Esquemas factoriales completos.
 Esquemas de factoriales incompletos.
ESQUEMAS FACTORIALES COMPLETOS
Se llaman así a los esquemas donde están presentes todas las combinaciones de
los niveles de los factores en estudio.
Ejemplo:
Estudio de cuatro variedades y tres sistemas de plantación (bifactorial).
24
FACTORES NIVELES TRATAMIENTOS

VARIEDAD A A1,A2,A3,B1,B2,B3,C1,C2,C3D1,D2
B ,D3
C
D
SISTEMA DE 1 4 x 3 = 12 TRATAMIENTOS
PLANTACION 2
3
ESQUEMAS FACTORIALES INCOMPLETOS

En ocasiones los esquemas factoriales completos generan muchos tratamientos
y no se pueden ubicar en un bloque, no hay homogeneidad destruyéndose la
comparación y entonces surgen los esquemas incompletos. Uno de ellos es el
que utiliza el principio de la confusión que consiste en dividir los bloques en
varios subbloques y en ellos se distribuyen los tratamientos bajo determinados
requisitos, aquí se produce la pérdida de determinada información.
ESQUEMA FACTORIAL MODIFICADO

Se le llama también con control de referencia. Su característica fundamental es
que además de estudiarse en el experimento el conjunto de tratamientos
factoriales producto de la combinación de todos los niveles de los factores en
estudio se incluye uno o más tratamientos controles o testigos.
Ejemplo:
Un factorial 23 que genera ocho tratamientos factoriales
Factores Niveles Tratamientos
Nitrógeno N1 N2 N1P1K1, N1P1K2, N1P2K1,N1P2K2

N2P1K1, N2P1K2, N2P2K1,N2P2K2
Fósforo P1 P2 N0P0K0
Potasio K1 K2
SELECCIÓN DEL DISEÑO EN BASE A LAS CONDICIONES DEL SUELO
La selección del diseño por el cual se montará el experimento juega un papel

muy importante en la precisión de los datos obtenidos, ya que todo diseño va
encaminado a minimizar la influencia de la heterogeneidad del suelo en la
comparación de los tratamientos y asegurar condiciones iguales de comparación
a las variantes de la investigación.
Esta selección dependerá de:

 El número de variantes a comparar.
25
 El número de factores a estudiar.

 De los recursos disponibles.
 De las características del lote experimental, su uniformidad o
heterogeneidad.
 Del tipo de experimento.
 De la precisión que se desea obtener.
La selección incorrecta del diseño se descubre por lo general una vez montado el
experimento o cuando se van a analizar los datos, de aquí la importancia de esta
selección como medida para asegurar la precisión del experimento.
CASO I HAY HOMOGENEIDAD EN EL SUELO.
El diseño utilizado debe ser el completamente al azar por su sencillez y

flexibilidad.
Debe utilizarse el número de réplicas adecuado para obtener una buena
precisión.
CASO II EL SUELO MUESTRA UNIFORMIDAD EN UN SENTIDO Y VARIACION EN

OTRO.
En este caso se recomienda el uso del diseño de bloques al azar. Se debe

asegurar que el bloque sea ubicado en la máxima homogeneidad de suelo
posible, es decir, transversal a la variación de la fertilidad del suelo, de esta
forma las diferencias entre los tratamientos serán producto a los tratamientos y
no a la variación del suelo, permitiendo una evaluación correcta de los mismos.
CASO III EL SUELO PRESENTA DOS GRADIENTES PRONUNCIADOS DE VARIACION.
En este caso se recomienda la utilización de los diseños Cuadrado y Rectángulo
Latino, pues ambos controlan el error en dos sentidos filas y columnas.
CASO IV LA VARIACION DEL SUELO SE PRESENTA PERO NO SIGUE UN ORDEN

DEFINIDO.
En este caso los diseños apropiados son los Látices. Estos diseños son
comparables con los Cuadrados Latinos por la forma de extraer las variaciones
de la fertilidad del suelo.
El investigador debe conocer como varía el suelo para asegurar una mejor
selección del diseño por el cual montará su experimento.(Extraído del material
empleado en la maestría agroforesteria para el desarrollo sostenible- Lopez A.
2003)
CAPITULO 6
COMPARACION DE MEDIA PARA DOS GRUPOS( t de Student)
6.1 INTRODUCCION.- En Los procesos prácticos o investigación del área
agropecuaria es común tener que efectuar comparaciones entre dos medias de
muestras aleatorias de una misma o diferente población bajo algún parámetro
en estudio. Por ejemplo el comportamiento bajo una dieta para el macho y la
26
hembra de una especie, El maíz criollo de una zona contra algún material
mejorado, o la comparación entre diferentes razas de animales, o dos sistemas
de poda en una especie frutal en diferentes huertos.
6.2 OBSERVACIONES APAREADAS.
Esta distribución se utiliza cuando se tienen únicamente dos tratamientos por

comparar, es recomendable bajo las siguientes circunstancias:
 Cuando las unidades experimentales o parcelas o el suelo son muy
heterogéneos, pero hay similitud entre parcelas contiguas o las unidades
experimentales están correlacionadas.
 Cuando se tiene un numero reducido de unidades experimentales.
 Cuando es posible aparear.
Este método consiste en aparear unidades experimentales contiguas o muy
similares y aplicar a cada una el tratamiento en estudio haciendo la aplicación
por sorteo; emplear el mayor numero de pares posibles y luego estudiar las
diferencias entre los pares, considerando a dichas diferencias como muestras de
una población.
6.3 ETAPAS BASICAS PARA LA PRUEBA DE HIPOTESIS
1. Se establece la hipótesis nula(F de Fisher)

H0 : X A = XB = XC no hay diferencias entre los tratamientos.
2.- Establecer el nivel de significación o sea la probabilidad con que se trabajara

(5% y 1%).
3.- Determinar los grados de libertad del elemento en cuestión y los del error
experimental
4.- Calcular el valor de t.
XA  XB
t 
Sd
5.- Aceptación o rechazo de la hipótesis.
FC  Ft NS
FC  Ft * 5 %
FC  Ft * * 1%
FC  Ft *** 0,1 %
6.4 ANALISIS ESTADISTICO E INTERPORETACION DE RESULTADOS POR EL

METODO COMPARACION DE MEDIA PARA DOS GRUPOS( t de Student)
Ejemplo
A continuación se analiza la producción de plantines obtenido en vivero, los
cuales fueron sometidos a dos diferentes tipos de tratamiento, El primer grupo
de estacas fue sometido a un tratamiento con un producto químico hormonal –
fungicida (ROTONE) cuyo costo fue de 120 Bs, el otro grupo de estacas fue
sometido con a un ensayo con un producto hormonal –biológico (PROBIOBAS)
27
cuyo costo fue de 35 Bs., los datos en cuanto a la longitud de las raíces a los 3
meses de haber comenzado el experimento se detallan a continuación:
N° de ROTONE PROBIOBAS (A –B) (A – B) -Dx ((A – B) –Dx)2

planta (A) (B) ( D)2
s
1 16.6 17.2 - 0.6 -0,76 0,571
2 15.4 14.3 1.1 0,94 0,892
3 18.8 17.6 1.2 1,04 1,091
4 19.2 20.1 - 0.9 -1,06 1,114
5 17.7 18.2 -0.5 -0,66 0,430
6 14.5 13.8 0.7 0,54 0,296
7 18.3 17.8 0.5 0,34 0,119
8 19.1 20.3 -1.2 -1,36 1,838
9 22.4 21.3 1.1 0,94 0,892
 162 160.6 7,243

X 18 17.84
Dx -
XA XB = 0,16
Error estándar de la media = Sd  D 2

7,243
 0,317
n n  1 72
XA  XB 0,16
t  = tc   0,5047
Sd 0,317
Ttabulada = 2,26 valor obtenido de la tabla estadística (distribución de t
STUDENT) con grados de libertad = gl n-1 donde n = al numero de parejas .
Conclusión: Como tc = 0,5047 es menor que Tt= 2,26 es posible afirmar que no
existe diferencia significativa entre los tratamientos para un nivel de
significación del 5% de probabilidad; por lo tanto rechazamos la Ho, pero si
tomamos en cuenta el aspecto económico se recomienda la utilización del
producto hormonal –biológico (PROBIOBAS) cuyo costo es menor que el ROTONE
.
28
CAPITULO 7
DISEÑOS COMPLEMENTARIOS ALEATORIO
7.1 INTRODUCCION.-El diseño completamente aleatorio es uno de los mas
simples de los diseños experimentales, las características de este diseño son
las siguientes.
Exige unidades experimentales homogéneas
Permite comparar cualquier número de tratamientos
Admite un factor de varios niveles de combinación o diferentes factores
Los tratamientos y sus replicas se asignan a las unidades experimentales al
azar.
La principal desventaja es su precisión que es baja , por cuanto no tiene
restricciones en lo que se refiere a la ubicación de los tratamientos, por lo que
estos no aparecen en grupos mas homogéneo. Como la aleatorizacion no es
restringida de manera alguna, para asegurar que las unidades que reciben un
tratamiento sean similares a las que reciben otro tratamiento, toda la
variación entre las unidades experimentales se refleja en el error experimental,
sin embargo, esto es compensado en parte por el mayor numero de grados de
libertad que se logran para el error, con un mismo numero de tratamientos y
unidades experimentales. Otro de los defectos de este diseño es que en su
estructura, no existe nada que tienda a reducir el error a un mínimo, ejerciendo
un control sobre el mismo.
El diseño aunque se usa raramente en experimentos de campo, porque hay
otros casi tan simples y muchos mas eficientes, es útil en ensayos preliminares
cuando el material experimental es limitado (poca semilla, etc.) Así como en
algunos tipos de experimentos en invernaderos y laboratorio, o sea en
condiciones controladas y semicontroladas.
El modelo matemático que justifica este diseño viene dado por:
Cada valor Observado = Constante general + Efecto de los tratamientos + Un
error
Yij = m + ti + eij
El modelo en el que se basa el análisis nos dice que una observación es el
efecto de una media general alrededor de la cual se encuentran los valores de
todas las observaciones (m), el efecto de tratamiento viene representado por (t i
) y un error experimental que viene dado por ( e ij)
7.2 MODELO DE UN CUADRO DE ANOVA EN LOS DISEÑOS DE COMPLETAMENTE

ALEATORIO
Fuentes de Grados Suma de Cuadrado Relación F
Variación (Fv) de Cuadrados(S.C.) Medio(C.M.) (Fc)
libertad
(gl)
Total t * r 1  Yij 2  Fc  A --------- --------
Tratamientos  t  1 ti 2 B
 ( 2)
 2
 r
 Fc  B  t  1  3
29
Error C ---------
 (3)
experimental t  r  1 A B  C t  r  1
Donde:
t = tratamiento
r = replicas o repeticiones
y = observación individual
Fc = Factor de corrección
7.3 ANALISIS ESTADISTICO E INTERPRETACION DE LOS DATOS DE

EXPERIMENTOS CONDUCIDOS CON DISEÑOS TOTALMENTE ALEATORIO
(BALANCEADO).
Ejemplo
Se trata de un experimento en el cual se estudia el efecto de la temperatura de
almacenamiento sobre la germinación en las semillas de frijol.
Las semillas se almacenaron durante 6 meses a temperatura de 0, -2, -4 0c y se
sembraron de cada uno 5 pequeños canteros disponiéndose al azar.
Se expresan los porcentajes de germinación
Pasos a seguir:
1.- Se establece la hipótesis nula(F de Fisher)
H0 : X A = X B = XC
De que no hay diferencias entre los tratamientos
2.-Establecer el nivel de significación o sea la probabilidad con que se trabajara
(5% y 1%)
3.- Determinar los grados de libertad del elemento en cuestión y los del error
experimental
4.- Aceptación o rechazo de la hipótesis.
FC  Ft NS
FC  Ft * 5 %
FC  Ft * * 1%
FC  Ft *** 0,1 %
TABLA DE RESULTADOS
Tratamient 2 3 4 5  X
1
os
00 90 92 95 90 92 459 91,8
-20 93 96 90 91 90 460 92,0
0
-4 89 92 94 94 92 461 92.2
 1380
RUTINA DE CALCULO
Factor de corrección
Fc 
 GT  2 = 1380 2 = 126
N 15
Suma de cuadrados totales
SCT  Y 2  Fc   90    92   .................... 92   12696  60,0
2 2 2
Suma de cuadrados de los tratamientos
30
SCt 
t 2
 Fc 
 459  ......... 461  12696  0,4
2
N r 5
Suma de cuadrados del Error
SCe  SCT  SCt  60  0,4  59,6
Cuadrado medio de los tratamientos.
SCt 0,4
CMt    0,20
Glt 2
Cuadrado medio del error.
SCe 59,6
CMe    4,96
Gle 12
F Calculada para los tratamientos
CMt 0,20
Fc   0,04
CMe 4,96
ANALISIS DE VARIANZA
Fuentes de Gl SC CM Fc 0,5 Ft 1%
Variación
Total 14 60,00
Tratamientos 2 0,4 0,20 0,04ns 3,88- 6,96
Error 12 59,60 4,96
Coeficiente de Variación
CMe 4,96
Cv  *100  *100  2,42
X 92
CONCLUSION:
Como el valor de la F calculada es menor que la tabulada, aceptamos la
hipótesis nula,
por lo tanto, no hay diferencias significativas entre las temperaturas de
almacenajes, pero desde el punto de vista económico, se recomendaría la
utilización del cero grado de almacenamiento, pues se necesita menor energía
para mantener dicha temperatura.
Ejemplo.
El siguiente cuadro de datos registra las alturas promedio en centímetros de 25

parcelas de alfalfa (UE), sometidas a cuatro dosis diferentes de ácido sulfúrico,
( H2SO4 )como mejorador de suelos en presencia de un testigo.
Pasos a seguir:
2. Se establece la hipótesis nula(F de Fisher)
3. 4. 5. 6. 7. 8. 9.
10. 11. 12. 13. 14. 15. 16.
17. 18. 19. 20. 21. 22. 23.
24.
H0 : X A = X B = XC
De que no hay diferencias entre los tratamientos
31
25.Establecer el nivel de significación o sea la probabilidad con que se trabajara

(5% y 1%)
4.. Determinar los grados de libertad del elemento en cuestión y los del error
experimental
5. Aceptación o rechazo de la hipótesis.
FC  Ft NS
FC  Ft * 5 %
FC  Ft * * 1%
FC  Ft *** 0,1 %
TABLA DE RESULTADOS
Dosis de I II III IV V 
H2SO4 (lts/ha)
0 28 27 26 28 25 134
10 30 32 32 31 30 155
20 40 42 40 43 44 209
30 41 43 42 41 40 207
40 52 50 53 52 54 261
 966
Fc 
 GT  2 =  966  2 = 37326,24
N 25
SCT  Y 2  Fc   28   30  .................... 54  37326,24  2037,76
2 2 2
SCt 
t 2
 Fc 
134 2  .........151  37326,24  2000,16
N r 5
SCe  SCT  SCt  2037,76  2000,16  37,6
SCt 2000,16
CMt    500,04
Glt 4
SCe 37,60
CMe    1,88
Gle 20

CMt 500,04
Fc   265,98
CMe 1,88
Variación
32
Total 24 2037,76
Tratamientos 4 2000,16 500,04 265,98** 2,87- 4,43
Error 20 37,60 1,88
Coeficiente de variación
CMe 1,88
Cv  * 100  * 100  3,54
X 38,64
Por lo anterior, y debido que Fc es mayor que Ft Rechazamos la hipótesis nula,

según la cual los tratamientos eran iguales . Como ya se explico en este diseño
es permisible efectuar comparaciones entre tratamientos a partir de pruebas
de F, con el propósito de responder preguntas pertinentes.
1.- Calculo de MDS
2CMe
MDS = *t
N r
2 * 1,88
MDS  * 2,09  1,81
5
Cualquier diferencia entre X a  X b  MDS *
52,2 41,8 41,1 31

26,8 25,4/1,81* 15/1,81* 14,6/1,81* 4,2/1,81*
31,0 21,2/1,81* 10,8/1,81* 10,80/1,81*
41,4 10,8/1,81* 0,40/1,81ns
41,8 10,4/1,81*
Letras iguales según MDS no difieren a 5% de probabilidad

Tratamientos Medias
40 52,2a
20 41,8b
30 41,4b
10 31,0c
0 26,8d
Con fines de mejoramiento del suelo se recomienda someter a las parcelas de

alfalfa a dosis de 40 l/ha con H2SO4 en segundo lugar recomendamos someter a
dosis de 20 0 30 l/ha ya que entre ambos no difieren.
2.- Prueba de Duncan

1.- Se ordena las medias en forma descendente y se establece del número de
rangos
Tratamientos Medias
33
40 52,2
20 41,8
30 41,4
10 31,0
0 26,8
2.- Calculo del error típico
CMe 1,88
Sx    0,61
r 5
3.- Calculo de los Limites de Significación LS = q *Sx
2 3 4 5
q 2,95 3,10 3,19 3,26
Sx 0,61 0,61 0,61 0,61
LS 1,77 1,88 1,91 1,96
4.- Establecimiento de las diferencias y comparación con los limites de

significación
Dif. = X A - X B  LS *
Dif. =XA - XB  LS ns
52,2 41,8 41,1 31

26,8 25,4/1,96* 15/1,91* 14,6/1,88* 4,2/1,77*
31,0 21,2/1,91* 10,8/1,88* 10,80/1,77*
41,4 10,8/1,88* 0,40/1,77ns
41,8 10,4/1,77*
Letras iguales según Duncan no difieren a 5% de probabilidad
Tratamientos Medias
40 52,2a
20 41,8b
30 41,4b
10 31,0c
0 26,8d
Prueba de Tukey
T= q * Sx
q = Se encuentra en la tabla de Valores de Tukey, se busca con los grados de
libertad del error y el rango mayor de medias a comparar.
T= 4,23 * 0,60 = 2,53
Dif. = X A - X B  T *
Dif. =XA - XB  T ns
52,2 41,8 41,1 31

26,8 25,4/2,53* 15/2,53* 14,6/2,53* 4,2/2,53*
31,0 21,2/2,53* 10,8/2,53* 10,80/2,53*
34
41,4 10,8/2,53* 0,40/2,53ns

41,8 10,4/2,53*
Letras iguales según Tukey no difieren a 5% de probabilidad
Tratamientos Medias
40 52,2a
20 41,8b
30 41,4b
10 31,0c
0 26,8d
Ejemplo 3
Una empresa forestal realizo un experimento con el fin de comprobar la cantidad
de germinación (numero de plantulas) resultantes de la aplicación de tres
métodos de estratificación (A = inmersión por 10 minutos en H 2SO4 al 10% ; B =
inmersión por 5 minutos en H 2O a 96°C y C = inmersión por 30 minutos en
H2SO4 al 20%) a la semilla de una especie de paraíso. La superficie disponible del
vivero se dividió en18 unidades experimentales y se acordó aplicar semilla de
cada tratamiento a seis parcelas ( replicas)los resultados que se obtuvieron por
parcela y por tratamiento se resumen a continuación.
METODOS DE ESTRATIFICACION
18 58 33
14 63 45
22 48 40
36 55 20
15 46 10
5 38 26
 110 308 174 592
X = 18,3 51,3 29
Fc 
 GT  2 =  592 2 = 19470,22
N 18
SCT  Y 2  Fc  18  14  .................... 38  19470,22  5151,77
2 2 2
SCt 
t 2
 Fc 
110  2  ......... 308  12696  5151,77
N r 6
SCe  SCT  SCt  5151,77  3403,11  1748,66
35
SCt 3403,11
CMt    1701,55
Glt 2
SCe 1748,66
CMe    116,577
Gle 15
CMt 1701,55
Fc   14,59
CMe 116 ,57
Variación
Total 17 5151,77
Tratamientos 2 3403,11 1701,55 14,59** 3,63- 6,36
Error 15 1748,66 116,57
Coeficiente de Variacion
CMe 116 ,57
Cv  * 100  * 100  32,9
X 32,8
Como el Valor Fc Es mayor que Ft , rechazamos la Ho , por lo tanto existen

diferencias altamente significativas entre los tratamientos , por lo tanto hay la
necesidad de pasar a otras pruebas de comparación de medias para
determinar su orden de clasificación de los tratamientos.
Prueba MDS
1.- Calculo de MDS
2CMe
MDS = *t
N r
2 * 116 .57
MDS  * 2.13  13,27
6
Cualquier diferencia entre X a  X b  MDS *
51,3 29
18,33 32,97/13,27* 10,67/13,27ns
29 22/13,27*
Letras iguales según MDS no difieren a 5% de probabilidad
Tratamientos Medias
A 51,3 a
B 29 b
C 18,3 c
36
Se recomienda en primera instancia tratar las semillas con Inmersión por 10

min. En H2SO4 al 10% así se obtendrán mayor cantidad de germinación en la
especie de paraíso
2.- Prueba de Duncan
1.- Se ordena las medias en forma descendente y se establece del numero de
rangos.
Tratamientos Medias
A 51,39
B 29,00
C
18,33
2.- Calculo del error típico
CMe 116 ,57

Sx    4,4
r 6
3.- Calculo de los Limites de Significación LS = q *Sx
2 3
q 3,01 3,16
Sx 4,4 4,4
LS 13,23 13,09
4.- Establecimiento de las diferencias y comparación con los limites de

significación
Dif. = X A - X B  LS *
Dif. =XA - XB  LS ns
51,3 29
18,33 32,97/13,09* 10,67/13,23ns
29 22/13,13,23*
Letras iguales según Duncan no difieren a 5% de probabilidad.
Tratamientos Medias
A 51,3 a
B 29 b
C 18,3 c
Se recomienda en primera instancia tratar las semillas con inmersión por 10
especie de paraíso
Prueba de Tukey
T= q * Sx
37
q = Se encuentra en la tabla de Valores de Tukey, se busca con los grados de

libertad del error y el rango mayor de medias a comparar.
T= 3,67 * 4,39 =16,1

Dif. = X A - X B  T *
Dif. =XA - XB  T ns
Letras iguales según Tukey no difieren a 5% de probabilidad.
51,3 29
18,33 32,97/16,1* 10,67/16,1ns
29 22/16,1*
Se recomienda en primera instancia tratar las semillas con Inmersión por 10

especie de paraíso.
CAPITULO 8
ANALISIS ESTADISTICO E INTERPRETACIÓN DE LOS DATOS DE EXPERIMENTOS
CONDUCIDOS CON DISEÑOS TOTALMENTE ALEATORIO (NO BALANCEADO).
A veces se presenta el caso de que por insuficiencia del material para todos los
tratamientos, o porque se han perdido unidades experimentales, no se dispone
de igual numero de observaciones por tratamiento. Esta es una de las ventajas
del diseño completamente al azar, ya que los datos se pueden analizar
directamente sin tener que estimar parcelas perdidas.
Por ejemplo: de analizo un experimento donde se estudiaron comparativamente
tres variedades, A,B,C con un diseño completamente aleatorio, la variable
analizada fue rendimiento. Durante el desarrollo del mismo se presento una
plaga por lo que se perdieron 9 parcelas del total. La hipótesis por probar es:
Ho; No existen diferencias entre los tratamientos
38
Ha; Si existen diferencias entre los tratamientos

Los rendimientos en kg/par se muestran en la siguiente tabla.
Replicas A B C 
1 49 34 31
2 30 4 34
3 26 41 28
4 53 19 27
5 27 19 43
6 39 36 24
7 41 29 18
8 38 36 -
9 - 33 -
10 - 34 -
11 - 32 -
12 - 39 -
 303 356 205
 37.9 29.7 29.3
Fuentes de SC GL CM FC FT 5% FT
variación 1%
Total 2690 26
Tratamientos 393,03 22 196,52 2,054NS 3,40 5,61
Error 2296,97 24 95,71
SUMAS DE CUADRADOS
(GT ) 2 (864) 2
Fc    27648
N 27
SCT   y   Fc   49   39  ................18  27648.0 -30338 – 27648.0 =2690
2 2 2 2
Suma de cuadrados de tratamientos
SCt  
 t  2  Fc   303 2   356 2   205 2  27648.0  339.03
r 8 12 7
Suma de cuadrados del error
SCe  SCT  SCt  2690  393.03  2296.9 7
En general en estos experimentos se estima mejor el tratamiento que tiene mas
replicas
GRADOS DE LIBERTAD
Grados de Libertad para un total
GLT  n  1  27  1  26
Grados de Libertad para tratamientos
GLt  t  1  3  1  2
Grados de Libertad para el error
39
GLe  GLT  GLt = 26 –2 = 24

CALCULO DE LOS CUADRADOS MEDIOS
Cuadrado medio de los tratamientos
SCt 393.03
CMt    196.52
GLt 2
Cuadrado medio del error

SCe 2296.97
CM e    95.71
GLe 24
“F” CALCULADA
CMt 196,52
Fc = = = 2,05
CMe 95,71
Fc  Ft 2,05  3,40
Fc = 2,05 NS
COMPARACION DE PROMEDIOS
1 1
MDS =t glE
5%
x S 2   
 n1 n2 
Ejemplo de comparación entre A vs B
303
XA =  37,9 VARIEDADES 
8
A 37,9
356
 29,7
XB 12 B 29,7
----------------------
8,2MDS
1 1 
= 2,064 95,71    9,20 kg.
 8 12 
MDS = 9,20 Kg.
A - B  MDS  9,20 NS
PRUEBA DE DUNCAN
40
S2  1 1 
LSA =qx    n1 = 8 n2=12
2  n1 n2 
C
PRUEBA DE TUKEY
S2  1 1 
TA =qx    n1 = 8 n2 =12
2  n1 n2 
C
CAPITULO 9
DISEÑO DE BLOQUES COMPLETOS AL AZAR.
9.1 INTRODUCCION Se lo denomina generalmente diseño de bloques al azar o
de Fisher por sus características flexibles , este diseño es el mas universalmente
utilizado en experimentos con plantas , también se utilizan en experimentos
con animales.
Se trata de un diseño de bloques completos, o sea, cada bloque contiene
tantas unidades experimentales como tratamientos se investiguen, por ello
cada boque constituye una replica del experimento.
Determinados por los objetivos de la investigación y la precisión deseada, los
tratamientos y replicas necesarios, el lote experimental o el total de animales
se divide en tantas partes iguales como replicas se vayan a tener en el
experimento, a su vez, cada replica o bloque se divide en tantas unidades
elementales (parcelas , animales o grupos de animales) de iguales dimensiones
como sea el numero de tratamientos o variantes experimentales, los cuales son
ubicados de forma aleatoria e independientemente un bloque del otro.
Las parcelas pueden tener diferentes formas y tamaños, y el bloque igual
tratando siempre de que la superficie que abarque cada bloque o replica sea
lo mas homogénea posible, porque las variaciones del suelo pueden ser
detectadas y removidas del error experimental de bloque a bloque, pero no la
41
variabilidad dentro de estos. En este sentido desempeña un papel importante

el tamaño, la forma y orientación correcta de las parcelas como de los bloques,
puesto que con una selección adecuada de estos elementos se puede obtener
ganancia en la precisión experimental
Resulta de gran significación la orientación correcta de los bloques que asegure
la mayor homogeneidad del suelo dentro del mismo es por ello que estos
pueden tener diferente forma y orientación relativa entre si.
El número de tratamientos no debe ser muy grande, con el fin de garantizar la
homogeneidad de cada bloque
Los tratamientos son asignados al azar dentro de cada bloque y pueden ser de
varios niveles, de un solo factor o combinaciones de niveles de varios factores
La aleatorizacion se hace de los tratamientos dentro de cada repetición y luego
de las repeticiones mismas .
El diseño bloques al azar tiene el inconveniente que solo se puede eliminar la

variabilidad entre replicas, siendo en este sentido inferior a otros diseños mas
complejos.
Diseño de bloques completos al azar.
El modelo que justifica este diseño viene dado por:
Cada valor observado = Una constante general + El efecto de los tratamientos
+ El efecto de los bloques + Un error
El modelo matemático de este diseño es el siguiente:
Yij = m + ti + ri + eij
El modelo en el cual se basa el análisis nos dice que una observación es el

efecto de una media general (m), de un tratamiento particular (t i), de una
repetición dada o bloque (ri),y finalmente el componente aleatorio o error
experimental (eij).
El mayor uso de este diseño esta dado por la feliz combinación de utilidad,
simplicidad y flexibilidad.
Modelo de un cuadro de ANOVA en los diseños de bloques completos al azar
Fuentes de Grados de Suma de Cuadrado Relación F

Variación (Fv) libertad Cuadrados(S.C.) Medio(C.M.) (Fc)
(gl)
Total t * r 1 Y ij
2
 Fc --------- --------
Bloques  r  1 r 2 A 1
  (1)
j
 Fc  A  r  1  3
t
Tratamientos  t  1 ti 2  Fc  B B
 ( 2)
 2
 r  t  1  3
Error  t  1 r  1 A–B=C C
 (3)
---------
experimental (t  1)(r  1)
Donde:
t = tratamiento
42
r = replicas o repeticiones
Y = observación individual
Fc = Factor de corrección.
9.1 ANALISIS ESTADISTICO E INTERPRETACION DE LOS DATOS DE EXPERIMENTOS
CONDUCIDOS CON DISEÑOS DE BLOQUES AL AZAR
Ejemplo
En un ensayo comparativo de rendimiento en 7 variedades de papa conducido
en bloques al azar, las producciones obtenidas, en t/ha, fueron las siguientes.
Variedades Bloques Total

Varied
I II III IV
A 9.2 13.4 11.0 9.2 42.8
B 21.1 27.0 26.4 25.7 100.2
C 22.6 29.9 24.2 25.1 100.1
D 15.4 11.9 10.1 12.3 49.7
E 12.7 18.0 18.2 17.1 66.0
F 20.0 21.1 20.0 28.0 89.1
G 23.1 24.2 26.4 16.3 90.0
H 18.0 24.6 24.0 24.6 91.2
Total 142.1 170.1 160.3 158.3 630.8
bloques
Fc 
 GT  2 =  630.8 2  12.434,65
N 32
SCT  Y 2  Fc   9.2   21.1  .......... ..........  24.6   12434,6  1149,71
2 2 2
SCt 
t 2
 Fc 
 42.8 2  ......... 91.2  12434,65  919,72
N r 4
Suma de los cuadrados de los bloques
SCb 
b 2
 Fc 
142.1 2  .........158.3  12434,65  50,53
N t 8

SCe  SCT   SCt  SCb   1149,71  919,72  50,53  179,46
SCt 919,71
CMt    131,39
Glt 7
Cuadrado medio de los bloques
SCb 50,53
CMb    16,84
Glb 3
43

SCe 179,1
CMe    8,55
Gle 21
CMt 131,39
Fc   15.37
CMe 8,55
F Calculada para los bloques
CMb 16,84
Fc   1,97
CMe 8,55
Fuentes de V. SC GL CM Fc F5% F1%

Total 1149,71 31
Bloques 50,53 3 16,84 1,97 3,07 4,87
Tratamiento 919,72 7 131,39 15,37** 2,49 3,65
Error 179,46 21 8,55
El numero de grados de libertad para tratamientos es 8-1=7 y para bloques es 4

–1 =3 para el total tenemos 32 – 1= 31 grados de libertad, restando 21 para el
error.
El valor F para bloques es:
CMb 16,84
Fc   1,97
CMe 8,55
Con 3 y 21 grados de libertad. El resultado obtenido (1,97) no es significativo,
ya que no alcanza el limite del 5% de probabilidad(3,07). Raramente intereza
tener el efecto de bloques, de manera que en general no es preciso calcular el
cuadrado medio y el valor de F respectivo.
El valor de F para los tratamientos es:
CMt 131,39
Fc   15.37
CMe 8,55
Para el nivel del 1% de probabilidad, el valor de tabla de limites unilaterales de
F con 7 y 21 grados de libertad es 3,65. Luego, el valor obtenido (15,37) es
significativo al nivel del 15 de probabilidades, lo que se indica con dos
asteriscos.
Obsérvese que el efecto de los tratamientos es enteramente independiente de
que sea o no significativo el efecto de los bloques.
Luego para comparar las medias y determinar cual es el mejor tratamiento
podemos usar el tes o prueba de Tukey o Duncan de la misma manera que el
el capitulo anterior.
9.2 ESTIMACION DE PARCELAS PERDIDAS

Cuando se usa el diseño completamente aleatorio, la perdida de una parcela no
afecta el procedimiento de calculo. Con el diseño de bloques completos al azar,
se puede presentar el caso que un ataque de pájaros o insectos haya destruido
una parcela, o que en un ensayo con animales uno de ellos haya muerto. En
tales casos es necesario estimar el valor que falta, antes de aplicar el análisis de
varianza, mediante la ecuación.
44
rb  tT  Gt
X
 r  1 t  1
Donde:
X = parcela estimada.
r = Numero de repeticiones.
b =Total de bloques donde se perdió la parcela.
t = Numero de tratamientos.
T = Total de tratamientos donde se perdió la parcela.
Gt = Gran total
Cuando ya se estimo este valor, se coloca en la parcela faltante y se analiza el
experimento normalmente, solo que los grados de libertad del error y total se
disminuyen una unidad, esto se debe a que dicho valor o valores estimados no
tienen desviaciones, por tal razón, no contribuyen a la suma de cuadrados del
error. Por lo tanto, en el total , la suma de cuadrados del tratamiento esta
aumentada la cantidad dada por la siguiente ecuación ( siempre y cuando el
numero de tratamiento sea mayor a 10)
Supongamos que el experimento anterior se perdió la parcela con la variedad A
en el primer bloque (9,2), el análisis puede ser hecho mediante la estimativa de
un valor que sustituirá al que debería sido obtenido en esa parcela . Esta
estimativa de ninguna manera representa el valor que seria obtenido, ya que
nadie puede saber cual es, pero es un artificio de calculo que conduce al
mismo resultado, al que se llegaría por procesos muchos mas complejos,
considerando apenas los datos realmente obtenidos.
4132,9   8 33,6   621,6
En el caso de nuestro experimento seria: X   8,5
 4  1 8  1
Este valor es la estimativa del dato perdido y para el análisis se procede como
anteriormente , con la única diferencia que se pierde un grado de libertad para
el error. Obtendremos así, el siguiente análisis de Varianza.
Total 1164,91 30
Bloques 53,31 3 17,77 1,98 3,10 4,94
Tratamiento 932,45 7 133,21 14,87** 2,52 3,71
Error 179,15 20 8,96
Ejercicio:
Se trata de un experimento en el cual se estudio la influencia de 4 normas de

riego, A = sin riego, B = 200 m3/ha, C = 300 m3/ha y D = 400 m3/ha. Se monto
en un bloque al azar con 5 réplicas en el cultivo del maíz y se ofrecen datos de
rendimientos en Kg. de granos por parcela.
Trast/Bloques I II III IV V  X
A 8 10 9 8 10 4 9,0
5
B 12 13 11 13 11 6 12,0
0
C 10 11 10 11 13 5 11,0
5
45
D 14 14 18 16 18 8 16,0
0
 44 48 48 48 52 24 12,0
0
ANOVA
Total 16 19
Bloques 4 2,0 1,09 ns 3,26 5,41
Tratamiento 13 3 43,33 23,68 3,49 5,95

**
Error 2 12 1,83
Fc 
 GT  2 =  240 2  2880
N 20
SCT  Y 2  Fc   8  12   ....................18  2880  160
2 2 2
SCt 
t 2
 Fc 
 45 2  ......... 80  2280  130
N r 5
SCb 
b 2
 Fc 
 44 2  ......... 52  2280  8,0
N t 4
SCe  SCT   SCt  SCb   160  8  130  22
SCt 130
CMt    43,33
Glt 3
Cuadrado medio de los bloques
SCb 8
CMb    2 Cuadrado medio del error.
Glb 4
SCe 22
CMe    1,83
Gle 12
CMt 43,33
Fc   23,68
CMe 1,83
F Calculada para los bloques
46
CMb 2,0
Fc   1,09
CMe 1,83
CONCLUSIONES:
- Al no existir diferencias significativas entre bloques existe una relativa
homogeneidad del suelo de bloque a bloque.
- Se observan diferencias altamente significativas entre los tratamientos hay
necesidad de pasar a otras pruebas de comparación de medías para
determinar su orden o clasificación y se harán MDS, DUNCAN Y TUKEY.
PRUEBA DE MDS.
TRATAMIENTOS  x
D = 400m3 ha 16,0
B = 200m3 ha 12,0
C = 300m3ha 11,0
A = 0 m3ha 9,0
Dif. XA – XB MDS *
2 CM
MDS = E
 t 0.05 GLe
R
2  1.83
MDS =  2.179 = 1,85 Kg.
5
16 12 11
9 * * *
11 * NS
12 *
TRATAMIENTOS X
D 16ª
B 12b
C 11b
A 9c
CONCLUSIONES:
El mejor tratamiento fue el de 400 m 3 ha el cual difiere del resto, en segundo
lugar se observan los tratamientos de 200 y 300 m 3ha que entre ellos no hay
diferencias significativas y por último aparece la no aplicación del riego, se
puede deducir que siempre que se aplique el riego existirá respuesta y
significativa en este cultivo y bajo estas condiciones .
PRUEBA DE DUNCAN
1ro. Orden descendente de medías y establecimiento de rangos.
47
TRAT. X
D 16
B 12
C 11
A 9
2do. Cálculo del error típico.

CM 1.83
Sx = E
  0.60
N 5
3ro. Cálculo de los límites de significación:
LS = q X S x
q = percentil de la tabla de Duncan.
Se busca con No. De médias y grados de libertad del error del ANOVA.
No. de X 2 3 4
Q 3,08 3,23 3.33
Sx 0,60 0,60 0,60
LS 1,85 1,93 1,99
4to. Establecimiento de las diferencias y comparación con los límites de

significación.
Dif. = X A - X B  LS *
Dif. =XA - XB  LS NS
16 12 11
9 * * *
11 * NS
12 *
TRAT X
D 16a
B 12b
C 11b
A 9c
Se observa igual resultado que MDS

PRUEBA DE TUKEY
T= q x SX
q = se busca en la tabla de Tukey con los grados de libertad del

error y el rango mayor de medias a comparar
48
T = 4,20 x 0,60 = 2,52
TRAT X
D 16ª
B 12b
C 11b c
a 9c
a b c letras iguales no difieren al 5% de probabilidad
COMPARACION ENTRE LAS TRES PRUEBAS
LS
MDS 1,85
DUNCAN 1,85 1,93 1,99
TUKEY 2,52
CAPITULO 10
DISEÑO CUADRADO LATINO
El diseño cuadrado latino resulta ser una modificación del diseño bloques al
azar y en cierto sentido una modificación del mismo, además se caracteriza por
su estructura bidireccional, o sea, el control local o técnica de bloqueo se
realiza en dos sentidos perpendiculares al ubicárseles aleatoriamente todos
los tratamientos en cada fila y en cada columna.
Para una mejor comprensión de las características del diseño cuadrado latino ,
aclaramos que se da la denominación de fila al conjunto de unidades
elementales (parcelas) ubicadas horizontalmente y se llama columna al
49
conjunto de unidades elementales ubicadas verticalmente en el esquema

vertical.
En el diseño cuadrado latino, la distribución aleatoria de los tratamientos se

restringe mas ampliamente mediante la agrupación de los mismos, tanto en
columnas como en hileras(bloques). Así pues resulta posible eliminar la
variabilidad del error experimental asociada con ambos efectos. Cada
tratamiento ocurre el mismo numero de veces ( usualmente una vez) en cada
hilera y columna. Este diseño proporciona una comparación mas precisa de los
efectos de los tratamientos que la suministrada por el diseño bloques al azar
solo en caso de que exista una variación apreciable asociada con las columnas.
Las hileras y columnas pueden referirse a la distribución espacial de las
unidades experimentales o al orden en el cual los tratamientos se realizan.
Una característica muy especifica del diseño cuadrado latino es que el numero
de replicas esta determinado por el número de tratamientos, por e igual a este,
por ello en total siempre abra en el experimento un numero cuadrado perfecto
de unidades elementales
A pesar de la superioridad relativa del diseño cuadrado latino con los diseños
completamente aleatorio y bloques al azar , por controlar las variaciones del
suelo en dos sentidos perpendiculares , que no engrosarían el error
experimental, el mismo presenta la dificultad de no poder asimilar en su
estructura muchos tratamientos experimentales, porque la cantidad de replicas
necesarias incrementa exageradamente las dimensiones del experimento que
lo hacen impracticable en las investigaciones agrícolas en condiciones de
campo, además por las implicaciones que en el orden de la precisión
experimental conllevaría.
Este diseño es útil cuando se estudian entre cuatro y ocho variantes o
tratamientos experimentales, así como existan en realidad condiciones que
requieran de su control bidireccional de las variaciones del suelo, las cuales se
pueden deducidar del error experimental con la consiguiente disminución del
mismo.
De no existir variaciones del suelo en dos sentidos en el lote experimental ,
donde se desarrolla el experimento, no se justifica el uso del diseño cuadrado
latino , porque se perderían grados de libertad de grados y columnas
según la orientación del experimento, los cuales engrosarían el error
experimental.
Diseño cuadrado latino

1 2 3 4
I 1 3 4 2
II 2 4 1 3
III 3 1 2 3
IV 4 2 3 1
50
10.1 ANALISIS ESTADISTICOS E INTERPRETACIÓN DE LOS DATOS DE

UN EXPERIMENTO CONDUCIDO CON EL DISEÑO CUADRADO LATINO
Ejemplo.
En un experimento se estudiaron siete variedades de maíz, la distribución de las

variedades y la producción de grano seco en kilos por parcela útil fue el
siguiente.
∑
12.0 10.6 10.6 9.3 11.0 9.0 11.2 73.7
F B D C E A G
8.7 8.6 8.3 9.6 7.5 9.0 8.2 59.9
B E G F A D C
9.3 7.9 7.9 8.2 8.6 9.9 10.1 61.9
G C E D F B A
7.0 7.9 8.0 8.1 9.1 10.8 12.7 63.6
C F A G B E D
8.6 9.9 8.8 8.1 8.9 10.7 10.0 65.0
D G B A C F E
7.7 7.1 6.6 6.6 7.3 7.5 8.7 51.5
A D F E G C B
6.3 6.6 7.8 8.2 7.1 8.6 7.3 51.9
E A C B D G F
 59.6 58.6 58.0 58.1 59.5 65.5 68.2 427.
5
Producción de grano seco por variedad y repetición
A B C D E F G 
9.0 10.6 9.3 10.6 11.0 12.0 11.2
7.5 8.7 8.2 9.0 8.6 9.6 8.3
10.1 9.9 7.9 8.2 7.9 8.6 9.3
8.0 9.1 7.0 12.7 10.8 7.9 8.1
8.1 8.8 8.9 8.6 10.0 10.7 9.9
51
7.7 8.7 7.5 7.1 6.6 6.6 7.3

6.6 8.2 7.8 7.1 6.3 7.3 8.6
 57.0 64.0 56.6 63.3 61.2 62.7 62.7 427.
5
Como observamos existen:

7 variedades
7 replicas
7 hileras
7 columnas
haciendo un total de 49 unidades experimentales.
La variación observada se compone de: variación entre hileras, variación entre
columnas, variación entre variedades, y variación debida al error experimental.
Forma usual de calculo de la suma de cuadrados
Fc 
 GT  2 =  427,5 2 = 3729.72
N 49
SCT  Y 2  Fc   9.0    6.62   .................... 7.3  3729.72  102.17
2 2 2
SCt 
t 2
 Fc 
 57.0   ......... 62.7 
2
 3729.72  7.29
N r 7
Suma de cuadrados de las hileras
SCh 
h 2
 Fc 
 73.72 2  ......... 51.9  3729.72  51.30
N r 7
Suma de cuadrados de las columnas
SCc 
c 2
 Fc 
 59.62 2  ......... 68.2  3729.72  14.20
N r 7
SCe  SCT   SCt  SCh  SCc   102.17   7.92  51.30  14.20  28.75
variación 1%
Total 102.17 48
Tratamientos 7.92 6 1.320 ns 1.38 2,46 3,56
Hileras 51.30 6 8,55 8,925 2,46 3,56
Columnas 14.20 6 2,36 2,46 2,46 3,56
error 28.75 30 0.958
La prueba de F en el análisis de varianza indica que no hay diferencia

significativas entre las producciones de las siete variedades es decir
1.320
Fc   1.38  Ft  2.42
0.958
52
Ejercicio
Se llevo a cabo un estudio comparativo de 4 variedades de tomate en un diseño
Cuadrado Latino. La variable respuesta fue rendimiento.
A2 B5 C8 D1 16
B6 C7 D2 A1 16
C6 D3 A3 B7 19
TRAT. D2 A2 B4 C7 15
  16 17 17 16 66
x
A 8 2,0
B 22 5,5
C 28 7,0
D 8 2,0
Fc 
 GT 
2
=
 66 
2
= 272.25
N 16
SCT  Y 2  Fc   2   7   272.25  87.75
2 2
SCt 
t 2
 Fc 
 8 2  ......... 8  272.25  76.75
N r 4
Suma de cuadrados de las hileras
SCh 
h 2
 Fc 
16 2  .........15  272.25  2.25
N r 4
Suma de cuadrados de las columnas
SCc 
c 2
 Fc 
16 2  .........16  272.25  0.25
N r 4
SCe  SCT   SCt  SCh  SCc   87.75   76.75  2.25  0.25  8.50
variación 1%
Total 87.75 15
Tratamientos 76.75 3 25.58 18.14** 4.76 9.78
Hileras 2.25 3 0.75 0.53ns 4.76 9.78
53
Columnas 0.25 3 0.08 0.05ns 4.76 9.78

error 8.50 6 1.41
CUADRADOS MEDIOS o S2
SC
CM  Grados de Libertad
GL
N - 1“F” Calculada
CM conocida
Fc 
CM error desconocido
Conclusiones del análisis de varianza.
 Se detectan diferencias altamente significativas entre los tratamientos,
por lo que se debe pasar a una segunda prueba para clasificar sus
medias.
 Al no existir diferencias significativas entre las filas y columnas existe una
relativa homogeneidad del suelo entre estos dos efectos.PRUEBA DE
DUNCAN
TRAT. 
x
C 7.0a
B 5.5a
AyD 2.0b

No. de
x 2 3
q 3.46 3.59

S
x 0.59
LS 2.04 2.11

1.41
Sx  4
 0.59 Dif. X a - Xb
> LS *
2.0 5.5
7.0 5* 1.5 NS
2.11 2.04
5.5 3.5 *
2.04
PRUEBA DE TUKEY
T = q · Sx Trat. X
Sx = 0.59 C 7.0 a
q5 = 4.34 B 5.5 a
54
T = 2.56 AyD 2.
Sx = 0.59 *
2 5.5
7 5* 1.5 NS
2.56 2.56
5.5 3.5 *
2.56
Se obtienen iguales resultados que Duncan.
10.3 ESTIMACION DE PARCELAS PERDIDAS

Cuando en el diseño cuadrado latino se pierde una unidad experimental se
puede estimar la parcela perdida a través de la siguiente ecuación.
r  H  C  T   2GT
X 
 r  1 r  2
Donde:
X= Parcela estimada
H=Total de hileras donde esta la parcela perdida
C= Total de columnas donde esta la parcela perdida
T=Total de los tratamientos donde esta la parcela perdida
GT=Gran total
r=Numero de replica
si se quiere los promedios de dos tratamientos, uno con una unidad perdida, y
el otro sin ninguna unidad perdida , la SX esta dada por la ecuación indicada
en el diseño bloques al azar
Supóngase que se hubiera perdido la observación de la columna cuatro hilera

dos o tratamiento D, con rendimiento de 7 kg./parcela. Entonces hay que
restar 7 kg. De la hilera, columnas y tratamientos donde se perdió la parcela y
también del total.
Total
hileras
2B 3D 6A 8C 19
7A 5C 5B ……. 24
5D 4B 9C 10A 28
6C 9A 5D 5B 25
Total 20 21 25 30 96
columnas
55
H= 24-7=17
C= 30-7=23
T= 20-7=13
GT= 96
r= 4
Entonces aplicando la formula tenemos.
4 24  30  20   2 * 96
X 
3x 2
Ese dato es el estimado y corresponde a la parcela perdida.
CAPITULO 11
EXPERIMENTAOS FACTORIALES
ANALISIS ESTADISTICO E INTERPRETACION DE LOS DATOS DE UN EXPERIMENTO
BIFACTORIAL EN BLOQUES AL AZAR.
El arreglo de tratamientos bifactorial se puede montar en los diferentes diseños.

Este tipo de análisis nos permite conocer la influencia de cada factor de forma
independiente y la posible interacción que se puede presentar entre los factores.
Ejercicio:
Se trata de un experimento en el cual se estudió la influencia del riego y la
fertilización nitrogenada en el cultivo del maíz. La descripción de las variantes es
la siguiente:
Factores Niveles Tratamientos
Riego M 1= sin riego 3 x 4 = 12

M 2 = norma media
M 3 = norma alta M 10 M160
M 20 M260
M 30 M360
Fertilización 0 = sin nitrógeno M 130 M1120
30 = 30 Kg/ha de N M 230 M2120
60 = 60 " M 330 M3120
120 = 120 "
Este experimento se montó en un bloque al azar con cuatro réplicas.

Expresándose el rendimiento en Kg. de granos/parcela.
TRATAM./ REP. I II III IV  X
56
0 19 20 15 15 69 17.3
M1 30 20 20 20 18 78 19.5
60 18 20 18 18 74 18.5
120 20 19 18 19 76 19.0
0 32 29 18 21 100 25.0
M2 30 40 39 33 34 146 36.5
60 39 38 40 37 154 38.5
120 44 42 40 39 165 41.3
0 30 31 21 17 99 24.8
M3 30 42 35 28 33 138 34.5
60 38 38 36 35 147 36.8
120 48 51 50 48 197 49.3
 Bloq. 390 382 337 334 1443
Riego/Ni 0 30 60 120  X
t.
M1 69 78 74 76 297 18,5
M2 100 146 154 165 565 35,3
M3 99 138 147 197 581 36,3
 268 362 375 438 1443
X 22,3 30,1 31,2 36,5
FUENTES SC GL CM Fc Ft5% Ft1%

DE VAR
TOTAL 5494,8 47
BLOQUES 215,6 3 71,9 9,3 ** 2,90 4,45
TRAT 5024,1 11 456,7 59,1** 2,12 2,89
ERROR 255,1 33 7,73
R 3182,0 2 1591,0 205,8** 3,29 5,33
F 1231,2 3 410,4 53,1 ** 2,90 4,45
R/ F 610,9 6 101,8 13,2 ** 2,40 3,41
GT2 (1443)2
FC = = = 43380.18
N 48
57
SUMAS DE CUADRADO
SCT= 192 ..........+ 482 – FC =5494.8

3902 ......+ 3342
SCB= _____________ FC = 215.6
12
692......+ 1972
SCTRAT= - FC = 5024.1
4
SCE = SCT – (SCB + SCTRAT) = 255.1
297 2 .........  5812

SCR =  FC  3182.0
44
2682 .........  4382
SCF =  FC  1231.2
43
SC R/F = SC TRAT. – ( SCR + SCF ) = 610.9
GRADOS DE LIBERTAD
N–1
CRUADRADOS MEDIOS
SC
CM =
GL
“F” CALCULADA
CM
Fc =
CMe
Conclusión del análisis de varianza
Se puede observar que existen diferencias altamente significativas entre los
efectos principales de los factores riego y fertilización así como en la interacción
en este caso se deben analizar las medias de los tratamientos donde se
manifiesta la interacción.
Se aplicará una prueba de MDS.
TRATAMIENTO X
ª
M3 120 49,3
M2 120 41,3 b
M2 60 38,5 bc
M3 60 36,8c
M2 30 36,5 c
M3 30 34,5 c
M2 0 25,0 d
M3 0 24,8d
M130 19,5e
M1120 19,0e
M1 60 18,5e
M1 0 17,3e
58
2CM e
MDS  x t00.5
R
2 x 7.73
MDS = x 2.04
4
MDS = 1.97 x 2.04

MDS = 4.01
 
Dif.
xA  xB  MDS *
Las conclusiones de la prueba de MDS son las siguientes:
No hay respuesta de la fertilización en ausencia del Riego, al mismo tiempo se

aprecia que con riego independiente de la norma utilizada no existe diferencia a
las respuestas con 0,30 y 60 Kg/ha de nitrógeno y la mejor respuesta de
nitrógeno se obtiene con la norma alta del riego. (M 3 con 120 Kg/ha).
(Ejercicio extraído del curso maestría para el desarrollo sostenible)
CAPITULO 12
DISEÑO DE PARCELAS DIVIDIDAS
ANALISIS ESTADISTICO E INTERPRETACION DE LOS DATOS DE UN
EXPERIMENTO CONDUCIDO CON UN DISEÑO DE PARCELAS DIVIDIDAS.
Los diseños de parcelas divididas y una variante de estos, el bloque dividido se

emplea frecuentemente en experimentos factoriales, en los que la naturaleza
del material experimental o las operaciones contempladas dificultan el manejo
de todas las combinaciones de factores de una misma forma. El diseño básico
59
de parcelas divididas involucra la asignación de tratamientos de un factor a

parcelas principales dispuestas en un diseño completamente aleatorio , de
bloques completos al azar o cuadrado latino Los tratamientos del segundo
factor se asignan a sub parcelas dentro de cada parcela principal. El proyecto
suele sacrificar la precisión en la estimación de los efectos promedio de los
tratamientos asignados a las parcelas principales, aunque frecuentemente
aumenta la precisión para comparar los efectos promedio de tratamientos de
subparcelas en un tratamiento de una parcela principal dada. Esto proviene del
hecho del que el error experimental utilizado para comparar tratamientos de
subparcelas. A menudo , el termino de error para tratamientos de subparcelas
es inferior al que se obtendría si todas las combinaciones de tratamientos
fuesen dispuestas en un diseño de bloques completos al azar.
Cada variación del diseño de parcelas divididas impone ciertas restricciones en
cuanto al termino de error que puede utilizarse para probar los efectos del
tratamiento. Es importante entonces, asignar los factores en tal forma que
obtengamos la mayor precisión al comparar las interacciones y los efectos
promedios de los tratamientos en los que estamos mas interesados.
En general el diseño de parcelas divididas son aconsejables cuando se
pretende estudiar dos factores al mismo tiempo por ejemplo variedades y
densidades, en este caso las parcelas estarían ocupadas por las variedades y en
las sub parcelas se estudiaran las densidades.
En este tipo de diseño, las sub parcelas deben ser distribuidas en forma
aleatoria en cada parcela . Las parcelas a su vez, pueden ser dispuestas en
cualquier tipo de delineamiento o diseño.
En este tipo de diseño existirán dos errores distintos, el error a referente a las
parcelas y el error b correspondiente a las subparcelas dentro las parcelas.
Este diseño como se menciona anteriormente se emplean en experimentos
factoriales pudiendo montarse en los diseños totalmente Aleatorio Bloques
al azar y Cuadrado Latino
Existirán tantos tamaños de parcelas como factores se estudien por lo tanto

se calculan diferentes errores experimentales en dependencia del numero
de factores
Para ubicar un factor en uno u otro tamaño de parcela existen varios
criterios estos son:
a) Si por lógica un factor para manifestar su influencia requiere de áreas
mayores este se ubicara en la parcela mayor.
Ejemplo sistemas de riego preparación del suelo, etc.
b)Si se necesita un factor con una precisión mayor este se ubicara en la
parcela menor por tener más replicas.
c) Si en un experimento establecido se requiere incorporar un nuevo factor en
estudio.
EJEMPLO
Se llevó a cabo un experimento donde se estudiara 3 sistemas de riego A,B y C y

dos variedades 1y2. En un diseño de bloques al azar en parcelas divididas con 4
réplicas. Se ofrecen los datos de rendimiento.
60
Factores. Niveles Tratamiento.

A A1
Sistemas A2
De riego. B B1
B2
C C1
C2
Variedades. 1 3x2=6
2
Datos de rendimiento.
TRAT./ I II III IV 
Rep.
A- 1 3 2 4 3 12
A-2 2 3 2 4 11
PM 5 5 6 7 23
B-1 4 5 2 3 14
B-2 3 4 5 4 16
Pm 7 9 7 7 30
C-1 2 3 2 3 10
C-2 4 2 3 3 12
PM 6 5 5 6 22
T 18 19 18 20 75
Tabla resumen.
R \ Var. 1 2  X
A 12 11 23 2.9
B 14 16 30 3.8
C 10 12 22 2.8
 36 39 75
X 30 3.3
Resc = 4 x 2 = 8 (Riego) R esc = 4 x 3 = 12 (Variedad)
SUMA DE CUADRADOS
GT 2 752
FC =   234.38
N 24

SCT  Y 2  Fc   3   2   .......... ..........  3  12434,6  1149,71
2 2 2
61
Suma de cuadrados de la parcela mayor.

  PM    5 2  ... 5 2  .......... 6 2  234,38  8,12
2
SCPM 
N niv.SP 2
Suma de cuadrados factor sistema de riego
  Sr   23 2  ............. 22 2  234,38  4,75
2
SCSr  
r * N niv.F var . 4*2
SCb 
b 2
 Fc 
18 2  ......... 20  234,38  0,45
N t 6
Suma de cuadrados del Error a
SCea  SCPM   SCb  SCSR   8,12   0,45  4,75  2,92
Suma de cuadrados de la sub parcela
SCsp  SCT  SCPM  20,62  8,12  12,50
Suma de cuadrados para el error b
 Var    36 2  .... 39 2  234,38  0,37
2
SCVar . 
r * N nivF .Sr 4*3
Suma de cuadrados para la interacción sistema de riego por variedad
SCSr / Var  SCt   SC var SCSr   0,75
Suma de cuadrados para los tratamientos.
  t   12 2  ....12 2  234,38  5,87
2
SCt 
r 4
SCeb  SCsp   SCv  SCSr / Var   12,50   0,37  0,75  11,38
GRADOS DE LIBERTAD
GlT  N  1  24  1  23
GLPM  N  1  12  1  11
GlSr  N  1  3  1  2
Glb  N  1  4  1  3
Glea  GlPM  (Glb  GlSr )  11  (3  2)  6
GlSp  GlT  GlPM  23  11  12
GlVar  2  1  1
GlSr / Var  2 * 1  2
Gleb  GlSp ´(Gl var  GlSr / Var )  9
CUADRADOS MEDIOS (S2)
SC
CM 
Gl
“F” CALCULADA
62
CMSr 2,38
FcSr    4,86
CMea 0,49
CM var 0,37
FcVar    0,29
CMeb 1,26
CMSr / Var 0,38
FcSr / Var    0,30
CMeb 1.26
Fuentes de Variación SC GL CM Fc Ft 5% Ft 1%
Total 20.62 23
P. mayores 8.12 11
Bloques 0.45 3 0.15 0.31 ns 4.76 9.78
S.de riego 4.75 2 2.38 4.86 ns 5.14 10.9
Error (a) 2.92 6 0.49
Sub - Parcela 12.50 12
Variedad 0.37 1 0.37 0.29 ns 5.12 13.7
R/V 0.75 2 0.38 0.30 ns 4.26 8.02
Error (b) 11.38 9 1.26
CONCLUSION DEL ANALISIS DE VARIANZA.
Como puede observarse no hay diferencias significativas entre los sistemas de

riego, por lo tanto debe utilizarse el que ofrece más bajo costo. En cuanto a las
variedades tampoco hay diferencias significativas por lo tanto puede utilizarse
cualquiera.
63
CAPITULO 13
ANALISIS ESTADISTICO E INTERPRETACION DE DATOS DE UN EXPERIMENTO
CONDUCIDO CON UN ARREGLO EN FRANJAS
Estos diseños o arreglos de tratamientos permiten una mayor facilidad en la

conducción del experimento, generalmente son bifactoriales.
Ejercicio:
Se realizó un experimento con un arreglo de tratamientos en Bloques al Azar con
tres replicas estudiándose 2 variedades A y B y tres sistemas de riego.
FACTORES NIVELES TRATAMIENTO

Variedad A,B 2*3=6
Riego 1,2,3 A1,A2,A3,B1,B2,B3
DATOS
VAR/ REP I II III  X
A1 1 2 2 5 1,6
A2 4 5 3 12 4
A3 6 7 5 18 6
 11 14 10 35
B1 8 9 7 24 8
B2 10 11 12 33 11
B3 2 1 1 4 1,3
 20 21 20 61
b 31 35 30 96
TABLAS DE INTERACCION.
Var / bloq I II III 
a 11 14 10 35
b 20 21 20 61
 31 35 30 96
Riego / bloq I II III 

1 9 11 9 29
2 14 16 15 45
3 8 8 6 22
 29 45 22 96
R/V 1 2 3  
x
A 5 12 18 35 3,88
B 24 33 4 61 6,7
64
 29 45 22 96
X 4,83 7,5 3,6
Fc 
 GT  2 =  96 2  512
N 18
SCT  Y 2  Fc  1   2   ....................1  512  222
2 2 2
SCb 
b 2
 Fc 
 31  ......... 30
2
 512  2,33
N t 6
Suma de cuadrados del error(a)
SCea  SCBloq / Var   SCb  SC var   0,78
Suma de cuadrados factor variedad

 Var   Fc   35 2  ......... 30 2  512  37,55
2
SC var 
r * N niv.Fr 3*3
Suma de cuadrados del factor riego
  rieg  2  29   ......... 22 
2 2
SCrieg   Fc   512  46,73

r * N niv.F var 3* 2
Suma de cuadrados error (b)
SCeb  SCbloq / rieg   SCb  SCrieg   1,34
Suma de cuadrados Variedad / riego
SC var/ rieg  SCt   SCvai  Scrieg   128,78
Suma de cuadrados del error ©
SCec  SCT   SCb  SC var SCea  SCrieg  SCeb  SC var/ rieg   4,89
TABLA DE ANALISIS DE VARIANZA

FUENTES DE SC GL CM Fc Ft 5% Ft 1%
VARIACIÓN
Total 222,0 17
Bloques 2,33 2 1,16
variedad 37,55 1 37,55 96,28* 18,51 98,49
Error a 0,78 2 0,39
Riego 46,33 2 23,16 70,18** 694 18,00
Error b 1,34 4 0,33
Var x riego 128,78 2 64,39 52,77** 6,94 18
Error c 4,89 4 1,22
Error a = es una interacción entre el bloque y la variedad

Error b = es una interacción entre el bloque y el riego
Error c =es una interacción entre variedad riego y bloque
CONCLUSIÓN DEL ANALISIS DE VARIANZA.
65
Se observan diferencias altamente significativas entre los niveles de la variedad

en el riego y la interacción variedad riego por lo que pasaremos a una prueba de
Duncan.
Prueba de Duncan para las variedades.
Variedades X
B 6,70 a
A 3,88 b
CME a 
SX=  0.20
33
0.39
=  0.20
9
LS = 1.25
PRUEBA DE Duncan para riego.
0.33
Sx =  0.23
6
PROM 2 3
Q 3.93 4.01
Sx 0.23 0.23
Ls 0.90 0.92
RIEGO 
x
2 7.50a
1 4.83b
3 3.6c
Sx 0.23
*
Duncan para la interacción VAR/RIEGO
TRAT. x
B2 11.0a
B1 8.0b
A3 6.0bc
A2 4.0cd
A1 1.6de
B3 1.3e
Sx 0.63
*
1.22
Sx =  0.63
3
Prom. 2 3 4 5 6
66
q 3.93 4.01 4.03 4.03 4.03

Sx 0.63
Ls 2.47 2.52 2.53 2.53 2.53
Se recomienda el sistema de riego 2 con la variedad b por tener el mayor

rendimiento medio y diferir del resto.
CAPITULO 14
REGRESIÓN LINEAL SIMPLE
14.1 INTRODUCCIÓN.
Frecuentemente estamos interesados en estudiar la manera como dos
variables están asociadas y cuantificar ese grado de asociación. Por ejemplo:
 ¿Será que plantas con la parte aérea mas desarrollada tienden a tener el
sistema radicular mas desarrollado?
 ¿Será que la materia seca de la parte aérea de una planta esta
relacionada con la materia seca de las raíces? O aun, será que estas dos
variables crecen en un mismo sentido?
 ¿Será que el contenido de azúcar en plantas de caña esta asociado con
el contenido de humedad en el suelo?
 ¿Será que las variables largas del cuerpo y profundidad del tórax en vacas
lecheras están asociadas?
En agronomía, la respuesta de una observación sujeta a un proceso es, por lo

general, el cúmulo de una serie de variables que interviene en diferente cuantía;
67
de ahí que sea importante observar la relación y el efecto que existen entre las
variables involucradas.
La relación y el efecto entre dos variables pueden ser exactos cuando la
variación o los errores son mínimos o despreciables; sin embargo, en los
procesos biológicos esto generalmente no ocurre, en virtud de la cantidad de
variables que intervienen en un proceso, además de la heterogeneidad del
material con que se trabaja. Por otra parte, la relación puede ser aproximada;
así, cuando la tendencia de las observaciones puede ser “descrita” por una línea
recta, decimos que la relación es un caso particular de al regresión lineal simple,
la cual puede ser descrita por el siguiente modelo.
yˆ  ˆ  ˆ  x   
Cuando se hace referencia a n observaciones, el modelo equivalente se expresa

de la siguiente manera:
yi      xi   i i  1,2,3,..., n
Donde:
yi= la estimación de la i- ésima observación de la variable dependiente.
xi = la i-ésima observación de la variable independiente.
̂ = intercepto (intersección de la línea de regresión n con el eje Y).
̂ = coeficiente de regresión (dependiente de al línea de regresión).
i = error aleatorio de la i-ésima observación
̂ y ̂ son estimadores de los parámetros de al ecuación, los cuales tiene las
siguientes características:
- Insesgados
- Mínima varianza
- Consistentes
- Máxima verosimilitud
Por otra parte, es necesario aclarar que la esperanza matemática del error
experimental es igual a cero y su varianza 0 2, además de que la covarianza entre
las diferentes variaciones o errores también es igual a cero.
La importancia que la regresión lineal tienen en los procesos agronómicos se

puede resumir de al siguiente manera:
a) Nos permite estimar los parámetros ̂ y ̂ a partir de mínimos cuadrados.
b) Permite medir la relación entre dos variables
c) Nos permite estimar el impacto de una variable sobre otra.
d) Por último, mediante el modelo descrito, nos permite calcular valores
esperados de las variables involucradas en el proceso y evaluar las
características de la relación entre dos variables.
SUMAS DE CUADRADOS Y PRODUCTOS

En virtud del carácter didáctico de la obra, y con el propósito de ser mas
explícitos, a continuación se presenta un ejemplo hipotético que nos permitirá
efectuar los cálculos necesarios a través de mínimos cuadrados para probar las
hipótesis pertinentes y elaborar conclusiones preliminares.
68
Los datos que se encuentran en la tabla de la página siguiente se refieren a la

altura de plantas de maíz forrajero, en estado mañoso lechoso, y a su peso en
verde, en un muestro aleatorio.
Al graficar estos datos en un plazo de coordenadas observamos que la tendencia
de respuesta entre las variables es aproximadamente lineal; asi que podemos
inferior, en primera instancia, que se trata de un caso particular de la regresión
lineal (fig. 3.1).
Asumimos que el peso de la planta depende de la altura de la misma; así,
definiremos una variable dependiente (Y) y una variable independiente.
(X) para facilitar los cálculos en las pruebas de hipótesis y estimación de

parámetros (a través de mínimos cuadrados), calcularemos las siguientes sumas
de cuadrados y productos:
2
 n   n 
n
  xi    yi 
Sxx   x i   ii 
n
Syy   y i   i i 
2 2
i i n i i n
n n
n  xi  yi
Sxy   xi yi  i i i i
i i n
69
Altura Peso
X Y X2 Y2 XY
247 1235 61009 1525225 305045
250 1250 62500 1562500 312500
235 1175 55225 1380625 276125
242 1210 58564 1464100 292820
227 1135 51529 1288225 257645
236 1178 55696 1387684 278008
261 1316 68121 1731856 343476
270 1356 72900 1838736 366120
234 1168 -54756 1364224 273312
225 1120 50625 1254400 252000
10 10 10 10 10
 x 2427  x 12143  x
i i
i
i i
i
i i
2
i 590925 y
i i
2
i 14797575  x y 2957051
i i
i i
Syy = 590 925 - (2 427)2 = 1892.1

10
Syy = 14 797 575 – (12 143)2 = 52 330.1
10
Sxy = 2 957 051 – (2 427 x 12 143)= 9 944.9
10
COEFICIENTE DE CORRELACIÓN
Primeramente, definimos si existe relación entre las variables involucradas por
medio del coeficiente de correlación, cuyo parámetro está definido por p,
estimado por mínimos cuadrados como r. Él mismo nos describe el grado de
relación entre las variables, dado que -  p  1; esto implica que puede ser una
relación positiva o negativa, y conforme p  0 la relación entre las variables se
minimiza. Por lo anterior, la hipótesis a probar se define así;
Ho:p= 0
Ha p = 0
El estadístico de prueba está basado en una t-student, bajo las siguientes
características:
r n2
tc   t / 2 n  2  gl
1 r 2
Donde:
r2 
 Sxy  2 ; así que r =
r2
 Sxx  Syy 
La regla de decisión para la hipótesis planteada es:
Si tc > t  /2 (n -2 )gl rechazamos Ho (existe relación)
Si tc < t  /2 (n -2 )gl rechazamos Ha (no existe relación).
70
Por otra parte, r2 se define como el coeficiente de determinación, el cual, al

expresar su valor numeral en porcentajes, nos da una idea de la adecuación de
nuestro modelo lineal a los datos observados.
Para nuestro ejemplo, r 2 

 9944.9  2  0.9988
1892.1 52330.1
Ho: p = 0
Ha p 0
r= 0.9993
0.9993 10  2
tc   81.592 t 0.5/2(10-2)gl=2.306
1  0.9988
Como se puede observar, el valor de tc es mayor que el de t tabulada; por lo
tanto, rechazamos Ho. Si la muestra fuera representativa, podríamos afirmar que
existe relación entre la altura y el peso de la planta de maíz (P  0.05).
El coeficiente de determinación (r 2) tienen un valor de 99.88%, lo cual implica
que un modelo lineal explica en un porcentaje como el descrito la tendencia de
los datos observados, considerando esto como muy aceptable.
ECUACIÓN DE PREDICCIÓN
Para encontrar el grado de cambio en el peso de la planta de maíz por cada
cambio unitario en la altura de la misma, es necesario estimar la ecuación ya
mencionada:
yˆ i  ˆ    xi 
Donde:
 Sxy 
ˆ  y  ˆx oy    x  1214.3   5.256  242.7   61.331
 Sxx 
Sxy 9944.9
ˆ    5.256
Sxx 1892.1
Yi= -61.331 + 5.256 (xi)

Esta ecuación puede definirse como ecuación de predición, ya que si tenemos
valores de una de las variables dentro de los rangos comprendidos en la
muestra, podemos estimar los valores de la variable no definida. Analicemos el
ejemplo siguiente:
Si bajo las características descritas, la altura de la planta es de 240 cm, ¿Qué
peso estimado tiene?
yi= -61.331 +5.256 (240)= 1200.1 g(peso estimado).

Y si el peso de la planta es de 1240 g, ¿Qué altura tiene?
61.331  1240
xˆ i   247.5cm alturaestimada .
5.256
La pendiente de la recta ( ), generada por la relación entre las variables, se

define como coeficiente de regresión. Por tanto, regresión es el grado de cambio
71
suscitado en la variable dependiente por cada cambio unitario en la variable

independiente. En el ejemplo anterior podemos apreciar que por cada variación
de u centímetro en la altura de la planta de maíz el peso de la misma se
modifica 5.256 gramos.
ANÁLISIS DE REGRESIÓN
El coeficiente de regresión puede ser de gran cuantía o no serlo; es decir, en
ocasiones el cambio que la variable independiente provoca sobre la dependiente
puede no ser muy drástico o significativo. En consecuencia, si queremos haber
qué tan impactante es el efecto de la variable independiente, tendremos que
probar una hipótesis sobre el coeficiente de regresión:
Ho:  = 0
Ha:   0
Esta hipótesis puede ser probada a partir del análisis de regresión- por medio de
una F de Snedecor- o con un estadístico basado en la t de student, en función de
que cuado existe un grado de libertad en el numerado de Ji cuadrada del
cociente para el estadístico de prueba con F se Snedecor, resultad que t 2 = Fc.
En el análisis de regresión, la suma de cuadrados total se particiona en la suma
de cuadrados de la regresión o pendiente y en la suma de cuadrados debida a la
variación aleatoria o residual. Lo mismo sucede con los grados de libertad, ya
que regresión cuenta con un grado de libertad en virtud de ser un parámetro
dependiente el que se estudia: n-2 grados de libertad para el residual y, por
consecuencia, n-1 grados libres para el total. En resumen, el análisis de
regresión es el siguiente:
Fuente de Grados sumas de cuadrados Cuadrados F. calculada

variación libertad (gl) (Sc) medios (CM) (Fc)
(Fv)
Regresión 1  Sxy  2 Sc reg/1 CMregresió n
Sxx CMresidual
Residual n–2 Sc res/n-2
Sc total- Sc regresión
Total n-1
- Syy
El estadístico (Fc) se compara con una F tabular para 1 y n-2 grados libres, bajo
la siguiente regla de decisión:
Si Fc > F  , existe significancia, rechazamos Ho
Si Fc < F  , no hay significancia; rechazamos Ha
Del ejemplo propuesto, se obtiene análisis de regresión
FV gl Sc CM Fc F
Regresión 1 52 270.1 52 270 .1 6 969.34** 0.05 0.01
Residual 8 53 60 7.5 5 32 11.26
Total 9 52 330.1
Sumas de cuadrados.
72
SC regresión = (9 944.9)2
1 892 .1
SC total = 52330.1
SC residual = 52330.1 – 52 270.1
Como se puede observar, Fc es mayor que F tabular al 0.05 y 0.01, lo cual
implica a la significancia; por tanto, hay posibilidad de rechazar Ho. De lo
anterior, concluimos que el efecto de la altura sobre el peso de la planta es muy
impactante.
El estadístico bajo una t-student se define de la siguiente manera:
ˆ
tc   t / 2 n  2  gl
Sˆ
La regla de decisión es:
Si tc > t  , existe significancia; rechazamos Ho
Si tc < t  , no hay significancia; rechazamos Ha
Por lo tanto, tenemos que:

Sxy 9944.9
ˆ    5.256
Sxx 1892.1
CMresidual 7.5
Sˆ    0.0629
Sxx 1892.1
tc = 5.256 = 83.561 t 0.05/2(10-2)gl=2.306

0.0629
Lógicamente, aquí resulta que tc > t  ,lo cual implica significancia; por tanto,
rechazamos Ho.
La razón de la relación mencionada entre tc 2 y Fc puede demostrarse numérica y
algebraicamente.
a) Demostración numérica:
Tc2 = Fc
(83.561)2 = 6969.34
6982.4 = 6 969.34
b) Demostración algebraica
tc2 = Fc
2
 ˆ 
   CMreg
 Sˆ  CMres.
 
Sxy
ˆ
ˆ 2 Sxx  ˆSxy  CMreg

CMres CMres CMres CMres.
Sxx Sxx
INTERVALO DE CONFIANZA PARA 
El coeficiente de regresión ( ̂ ) es un estimador a partir de una muestra; por
tanto, para definir el parámetro habrá que utilizar un intérvalo bajo cierta
probabilidad. Tal intervalo se define de la siguiente manera:
73
 
P ˆ  t / 2 n  2 glSˆ  ˆ  t / 2 n  2 glSˆ  1 
Sxy 9944.9
ˆ    5.256
Sxx 1892.1
t 0.05/2 (10-2)gl = 2.306
CMres . 7.5
Sˆ    0.0629
Sxx 1892.1

P 5.256   2.306 0.0629  ˆ  5.256   2.306  0.0629  95% 
P. 5.11    5.4095%
Lo anterior implica que en general y con 95% de seguridad el coeficiente de

regresión va a variar entre los valores 5.11 y 5.40 g por cada centímetro de
modificaciones en la altura de la planta.
CAPITULO 16
ANALISIS DE COVARIANZA.
16.1 INTRODUCCION
74
El análisis de covarianza es una combinación del análisis de varianza y la

regresión , que permite evaluar las variables de respuesta cuantificadas antes
de la aplicación de un estimulo y donde se considera una variable endógena –
variable concomitante- como modificadora del efecto real . con el objeto de sr
mas explícitos en la aplicación de este análisis, consideramos el siguiente
ejemplo.
Se decea probar tres dietas diferentes para lechones durante la fase de
iniciación, en una explotación comercial. Sin embargo, se ha descubierto que
hay variación entre los cerdos respecto al potencial genético por camada y el
peso inicial de los animales. Si consideramos la variable concomitante para ser
evaluada por covarianza, al final del trabajo y si el parámetro de medición fuera
aumento de peso, podríamos saber mediante el análisis de covarianza si el
peso inicial tiene efecto sobre el incremento de peso, y de ser asi efectuar los
ajustes necesarios para estar en condiciones de estudiar en efecto real de las
diferentes raciones.
Existen muchos otros ejemplos prácticos en donde el análisis de covarianza
puede aplicarse, siempre y cuando existan variables endógenas que estén
correlacionadas con el comportamiento de la variable respuesta, tales como la
producción de leche con respecto al peso del animal, consumo, numero de
partos y curva de lactancia, entre. También es útil el análisis de covarianza para
ensayos de tipo agronómico. Supóngase que se cuenta con parcelas
experimentales, en las cuales se prueba el rendimiento de variedades de arroz,
niveles de fertilización o fungicidas: Si se observan daños en las parcelas antes
de la cosecha por granizadas, ataque de plagas o pájaros , el análisis de
varianza de los datos no ajustados no representara el potencial de rendimiento
de acuerdo con los tratamientos establecidos. Cuando por medio del análisis de
covarianza se elimine la varianza del rendimiento por parcela se podrán
evaluar realmente los resultados. Es decir, se supone que la población de
plantas es igual en todas las parcelas, y después de este ajuste será posible
medir los rendimientos potenciales de cada tratamiento.
Por otra parte , el análisis de covarianza puede aplicarse en el contexto de
cualquier diseño básico incluso del arreglo de tratamientos (factoriales). Además
se ha comprobado que la eficiencia de la covarianza en ele análisis de
respuesta supera el análisis convencional.
En resumen los objetivos del análisis de covarianza son
a).- Disminuir el error experimental con el respectivo aumento en precisión del
experimento.
b).- Ajustar los promedios de los tratamientos.
c).- Interpretar mejor los resultados en el experimento, especialmente en lo
relacionado con la naturaleza de los efectos de los tratamientos.
Estimar el valor de las unidades perdidas en los experimentos.
Pasos a seguir para realizar un análisis de covarianza.
1. Análisis de varianza para la variable x.

2. Análisis de varianza para la variable y.
3. Cálculo de b y x.
75
4. Obtención de la curva de regresión y ajuste de los promedios de la variable

dependiente y.
Cuando se aplica para corregir por diferente número de plantas el ajuste se hace
como si todas las parcelas contaran con igual número de plantas.
Ejemplo:
Los datos siguientes se refieren al consumo de alimento, tomando como
variable concomitante el peso inicial de corderos de corderos: Se trata de una
prueba de alimentación donde la fuente proteica principal de las raciones
( Harina de soja, harina de girasol, harinolina, y cartarina ) fue tratada con
formaldehído.
Concentrado Proteína I II III

proteico Cruda % X Y X Y X Y
Harina de soja 15 21.50 53.64 24.00 62.82 23.00 54.54
18 21.80 47.04 21.00 50.52 21.00 59.10
Harina de 15 25.00 68.34 24.50 78.90 20.20 65.10
girasol 18 20.00 48.00 26.00 77.04 27.00 68.46
Harinolina 15 22.20 62.82 26.20 65.64 21.00 58.14
18 20.20 52.50 26.90 70.20 27.60 76.02
Cartarina 15 20.00 55.38 23.00 61.98 17.40 38.46
18 21.20 46.20 18.90 35.28 18.90 40.08
TOTALES DE TRATAMIENTO
X Y
68.50 171.00
63.80 156.66
69.70 212.34
73.00 193.50
69.40 186.60
74.70 198.72
60.40 155.82
59.00 121.56
Procedimiento para el calculo de la SCx
Fcx 
 GTx  2   538.50 2  12082.59
Nx 24
SCTx  Y 2 x  Fcx  21.502  24.002  ..........18.902  12082.59  189.496
76
tx 2 68.52  ...............592
SCtx   N rx  Fcx  3
 12082.59  75.869
SCex  SCTx  SCtx  189.496  75.869  113 .627
Procedimiento para el calculo de la SCy
Fcx 
 GTy  2 
1396.2 2  81223.935
Ny 24
SCTy  Y 2 y  Fcy  53.642  62.822  .......... 40.082  81223.935  3363.342

ty 2 171.002  .......... ..... 121.562
SCty   N ry  Fcy  3
 81223.935  2002.600
SCey  SCTy  SCty  3363.342  2002.600  1360.682
Procedimiento para el cálculo de la SC de los productos.
Fc 
 x y  538.50 *1396.2  31327.23
tr 24
STxy    x  y ...  .......... ...  x  y   Fcxy  21.50 53.64  ...18.90 40.08  31327.23  672.077
Stxy 
 tx ty  Fcxy   68.50 *171.0   59.00 *121.56  3127.23  343.429
r 3
Sexy   STxy  Stxy  672.077  343.429  328.648 .
Fuentes de gl Sx Sxy Sy2

variación
Total 23 189.496 672.077 3363.342
Tratamientos 7 75.869 343.429 2002.660
Error 16 113.627 328.648 1360.682
A continuación, debemos probar si la variable concomitante- peso inicial- tiene

efecto sobre el consumo de alimento, esto es , un efecto regresivo, sobre causa
y respuesta. La hipótesis a probar es la siguiente:
Ho :   0
Ho :   0
El efecto de la variable concomitante puede ser en tres sentidos , en relación
con la variable respuesta. Gráficamente, el efecto se presentaría como sigue:
77
  0  0  0
La respuesta para el ejemplo propuesto se encuentra en el siguiente analisis de
regresión y en la sumas de los cuadrados.
Análisis de regresión
Fuentes de gl SC CM Fc 5% Ft 1%
variacion
Regresión 1 950.562 950.562 34.766* 4.54 8.68
Residual 15 410.120 27.341 *
Total 16 1360.682
Suma de cuadrados.
SC regresión =
 SCexy  2   328.648 2  950.562
SCx 113 .627
SCT  SCey  1360.682.
SC residual = SCT – SC regresión = 1360.682 - 950.562 = 410.120
Como se puede apreciar, numéricamente Fc es mayor que Ft  P  0.01 ;Asi que
estamos en condición de rechazar la Ho, lo cual implica que la variable peso
inicial tiene efecto sobre el consumo de alimento. Entonces , para analizar la
respuesta acerca de la hipótesis objetivo – tratamiento- será necesario utilizar
un análisis de varianza ajustado, que permita corregir el efecto mencionado. Por
otra parte, cuando el estadístico de prueba de Fc no presenta significancía,
podemos decir que la variable concomitante no modifica el efecto de los
tratamientos, por lo que basta analizar la respueta por el diseño normal sobre el
cual se esta trabajando.
Fuentes de gl SC CM Fc 5% Ft 1%
variacion
Tratamientos 7 569.596 81.370 2.976* 2.70 4.14
Error 15 410.120 27.341
experimental 22 979.716
Total
Suma de cuadrados.
SCT  SCey 
 SCxy  2  3363.342   672.077  2  979.716
SCex 189.496
78
SCT  SCey 
 SCexy  2  1360.682 
 328.648 2  410.120
SCex 113 .627
SCt  SCTva  SCeva  979.716  410.120  596.596

Al contrastar el estadistico de prueba contra el valor tabular , encontramos
significancia  P  0.05 para el efecto sobre tratamientos; por tanto es
recomendable practicar otra prueba que permita estratificar la calidad de los
tratamientos en funcion de los objetivos planteados, pero sera necesario
recordar que el efecto original de los tratamientos se encuentran alterado por
el peso inicial de los animales: Entonces debemos ajustar esops datos con
respecto a al magnitud concomitante.
Ajuste y comparación de medias por tratamiento.

Forma original del ajuste.

Y  Yi   Xi  X ...... 
Donde
SCexy 328.648
    2.892 Coeficiente de regresion
SCex 113.627
Yi = Media general sin ajustar
Xi = Media de la variable concomitante para cada tratamiento
X = Media general de la variable concomitante.
Y 1 = 57.00 - 2.892 (22.833 – 22.437) = 55.854

Y 2 = 52.22 – 2.892 (21.266 – 22.437) = 55.607
Y 3 = 70.78 – 2.892 (23.233 – 22.437) = 68.478
Y 4 = 64.50 – 2.892 (24.333 – 22.437) = 59.016
Y5 = 62.20 – 2.892 (23.133 - 22.437) = 60.187
Y6 = 66.24 – 2.892 (24.900 – 22.437) = 59.117
Y7 = 51.94 – 2.892(20.133 – 22.437) = 58.603
Y8 = 40.52 – 2.892 (19.666 – 22.437) = 48.533
Aun aunque el análisis de varianza ajustado haya significado no significancia

para tratamientos, es necesario aplicar el ajuste para medias de tratamiento, ya
que si los datos fueron analizados para este procedimiento, implica que la
variable concomitante esta afectando el resultado final.
79
80

Texto 1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Texto 1

Hochgeladen von

Copyright:

Verfügbare Formate

Técnica experimental

Henry Esnor Valdez Huanca

El auge inusitado que la investigación ha ido adquiriendo día a día en un gran

Dentro del sistema de las ciencias agrícolas, se ha desarrollado la

La experimentación agrícola como base de la investigación científica,

Cultivo 1980 2004 Veces de incremento

1.2 NECESIDAD Y PROPOSITO DEL DISEÑO EXPERIMENTAL

1.3 VENTAJAS Y DESVENTAJAS DEL DISEÑO EXPERIMENTAL.

Aunque las ventajas y desventajas de los experimentos diseñados

1.4 DISEÑO DEL EXPERIMENTO.

1.5 ELECCION DEL DISEÑO EXPERIMENTAL.

En la práctica, las unidades experimentales, las condiciones ambientales y de

Si se considera que el experimentador estudia un fenómeno complejo como( la

1.6 UNIDAD EXPERIMENTAL.

En el siguiente ejemplo se muestra el croquis de una Parcela de maíz con cuatro

1.7 ANALISIS DE VARIANZA.

fuentes de variación independientes atribuibles a cada uno de los efectos en que

1.8 HIPOTESIS ESTADISTICA.

1.9 SUPUESTOS ACERCA DEL MODELO ESTADISTICO.

1.10 TIPOS DE MODELOS ESTADISTICOS.

(Efectos aleatorios):Se presenta cuando los tratamientos y demás factores que

1.11 PRUEBAS DE COMPARACION DE MEDIAS

1.12 TRANSFORMACION DE DATOS.

homocedásticas (variancias homogéneas) mediante una transformación

1.13 COEFICIENTE DE VARIABILIDAD.

practicas destinadas a demostrar, comprobar o descubrir fenómenos o

2.1 CARACTERÍSTICAS DE UN EXPERIMENTO BIEN PLANEADO.

2.2 MEDIDAS O FACTORES QUE CONTRIBUYEN A LEVAR LA PRECISIÓN.

En la planificación agrícola o biológica y en el desarrollo de una investigación en

 Errores sistemáticos que afecten a variantes aisladas en el experimento, los

b). Fertilización, para cuando sea necesario planear experimentos con

Extensión agrícola Definición del problema

1.- Definición del problema.

alguna vez. Cuando el problema se ha comprendido, debemos ser capaces de

2.- Determinación de los objetivos.

7.- Ejecución técnica.

9.- Elaboración de un completo legible y correcto informe del trabajo de

4.1 TRATAMIENTOS O VARIANTES EXPERIMENTALES

comparativamente el potencial productivo de cuatro variedades de un cultivo ,

4.2 PARCELAS EXPERIMENTALES

Grado de precisión para determinar diferencias que se deseen detectar como

Necesidad de defensa interna o superficie de borde.

4.3 REPLICAS O REPETICIONES

La heterogeneidad del suelo

Diseño completamente al azar.

El modelo matemático de este diseño tiene la forma:

5.2 DISEÑOS DE BLOQUES.

DISEÑO DE BLOQUES AL AZAR.

En este diseño el experimentador agrupa las unidades experimentales en

La unidad más pequeña después de la parcela es el bloque, el bloque contiene

Cada valor = Una constante + Efecto de los + Efecto de los + Un error

Se aplica el análisis de varianza que permite separar de la variabilidad total el

DISEÑO CUADRADO LATINO.

El diseño cuadrado latino es una modificación del bloque al azar y se caracteriza

Cada valor = Una constante + Efecto de + Efecto de + Efecto de + Un error

DISEÑO CUADRADO LATINO

DISEÑO DE PARCELAS DIVIDIDAS.

Este diseño es específico para experimentos factoriales. Puede montarse en

Existen diferentes tamaños de parcelas de acuerdo a los factores en estudio.

DISEÑO PARCELAS DIVIDIDAS

Se utilizan para experimentos bifactoriales y han surgido para facilitar las

5.3 ESQUEMA DE LOS TRATAMIENTOS

En los experimentos factoriales habíamos visto que las combinaciones de