Diseños Jaime Mori

PRESENTACION
El presente trabajo denominado Mtodos Estadsticos en la Investigaci n Agraria! pretende ser "n instr"mento de cons"lta # de aplicaci n para los Investigadores # Pro$esionales en general! c"#o principal objetivo! es el de aprovec%ar las e&periencias logradas por el a"tor en la aplicaci n de los procedimientos estadsticos' En este doc"mento se tratan de manera pr(ctica los principales mtodos estadsticos! donde se releva s"s principios! la concept"ali)aci n del "so de los dise*os e&perimentales # la aplicaci n pr(ctica con el "so del SAS # del MINITA+'
Jaime Alberto Mori Castro Universidad Nacional Mayor de San Marcos
CAPITULO I DISEOS E PE!IMENTALES

"#" ASPECTOS $ENE!ALES El ,ise*o de E&perimentos t"vo s" inicio te rico a partir de -./0 por Sir Ronald A' 1is%er! 2"in sent la base de la teora del ,ise*o E&perimental # 2"e a la $ec%a se enc"entra bastante desarrollada # ampliada' Act"almente las aplicaciones son m3ltiples! especialmente en la investigaci n de las ciencias nat"rales! ingeniera! laboratorios # casi todas las ramas de las ciencias sociales' 4a e&perimentaci n proporciona los datos e&perimentales! en contraste con los datos de la observaci n5 los datos de la observaci n se representan como s" nombre indica por observaciones de las "nidades elementales de "na poblaci n o de "na m"estra! # no deben ser cambiados ni modi$icados por ning3n intento de parte de "n investigador en el c"rso de la observaci n' O!IENTACIONES $ENE!ALES EN LA E PE!IMENTACION A$!ICOLA En la plani$icaci n agrcola o biol gica # en el desarrollo de "na investigaci n en partic"lar! son de inters las sig"ientes aspectos6 a' Especi$icar los problemas! con el $in de probar %ip tesis o encontrar resp"estas' Es necesario considerar 2"e los e&perimentos sean6 a'-' E&perimentos simples! c"ando se est"dia "n solo $actor de variaci n5 por ejemplo! probar cinco variedades de sorgo! est"diar cinco dosis de nitr geno en trigo! etc' a'7' E&perimentos $actoriales! c"ando se est"dian sim"lt(neamente dos o m(s $actores 2"e in$l"#en en la prod"cci n5 por ejemplo! est"diar tres variedades! cada "na sembrada a tres densidades de siembra! o bien tratamientos de $ s$oro! nitr geno # potasio! cada "no a c"atro dosis por "nidad de s"per$icie' 8bicar el l"gar adec"ado para la reali)aci n de los e&perimentos! para lo c"al se debe elegir "na localidad accesible # representativa de (reas agrcolas! de s"elo "ni$orme! con "nidades e&perimentales lo m(s "ni$orme posible! # escoger el material adec"ado para e&perimentos! de manera 2"e p"eda estrati$icarse 9agr"parse "nidades e&perimentales con caractersticas %omogneas: el terreno correctamente para $ormar gr"pos "ni$ormes # de $(cil manejo' Red"cir las $"entes de error! tanto del e&perimento como de a2"ellos errores o e2"ivocaciones operacionales' Es m"# importante 2"e en la selecci n de datos! m"estreo! etc'! el personal responsable est constit"ido por tcnicos o personas con entrenamiento' Mantener constante los diversos $actores 2"e p"eden a$ectar a la prod"cci n o a la calidad del prod"cto! de manera 2"e los 3nicos $actores de variaci n sean los tratamientos objeto de est"dio' E&tremar preca"ciones # ser ca"tos en los res"ltados e&perimentales! considerando 2"e "n e&perimento es "na observaci n de "na m"estra en "na poblaci n de %&%
b'
c'
d' e'
e&perimentos' $' g' Repetir e&perimentos "ni$ormes en di$erentes localidades!s"elos # a*os' Tener conocimiento de la tecnologa de campo # saber c"(les son los problemas del prod"ctor'
En la planeaci n o dise*o de "n e&perimento agron mico! es necesario aplicar "n conj"nto de disciplinas # conocimientos biol gicos con el $in de encontrar "na resp"esta correcta a "n problema espec$ico' Por ejemplo! si se comparan diversas variedades de trigo! todos los $actores de la prod"cci n 2"e in$l"#en en el comportamiento de las variedades deben permanecer constantes # las 3nicas $"entes de variaci n o di$erencias ser(n presentadas por las variedades de trigo! si tales $"entes e&isten' Para lograr lo anterior! es necesario contar con ciertos conocimientos sobre6 a' b' c' d' e' $' S"elos! a $in de elegir el terreno m(s "ni$orme # adec"ado para reali)ar el e&perimento' 1ertili)aci n! para c"ando sea necesario planear e&perimentos con $ertili)antes 2"micos org(nicos o abonos org(nicos' Topogra$a e %idr("lica! para tra)ar parcelas! niveles! riegos! etc' Especialidades a$ines como6 +ot(nica! entomologa! $itopatologa! $isiologa! gentica! ecologa! etc' para poder trabajar con seres vivos' Tecnologas de6 C"ltivos! sistemas agro$orestales! agrosilvo pastoriles # )ootecnia! para manejar las "nidades e&perimentales' Estadstica 9biometra o bioestadstica:! para eval"ar # separar las diversas ca"sas de variaci n # para reali)ar la interpretaci n de los res"ltados e&perimentales'
Pasos al planear "n e&perimento6 El mtodo cient$ico s"giere 2"e en el planeamiento de la e&perimentaci n se debe tener presente las sig"ientes etapas 6 a' b' ,e$inir el problema6 En esta etapa se debe determinar los antecedentes! importancia! objetivos! %ip tesis a probar # revisi n de la bibliogra$a' Planeamiento # dise*o del e&perimento6 En esta etapa se debe tener en c"enta6 4"gar de ejec"ci n del e&perimento! tama*o de la parcela o "nidad e&perimental! n3mero de repeticiones por tratamiento! e2"ipos e instr"mentos a "tili)ar # mtodos de eval"aci n de los res"ltados Ejec"ci n del e&perimento' Recolecci n de datos del e&perimento' Ordenamiento de la in$ormaci n e&perimental' ,isc"si n de los res"ltados obtenidos' %'%
c' d' e' $'
g' %'
An(lisis econ mico de los tratamientos 2"e se probaron # "tilidad pr(ctica' Concl"si n $inal # recomendaci n'
DISEO DEL E PE!IMENTO Este trmino se "tili)a para planear "n e&perimento de manera 2"e se p"eda obtener la in$ormaci n pertinente a "n determinado problema 2"e se investiga # as tomar decisiones correctas' El dise*o adec"ado del e&perimento es "na etapa $"ndamental de la e&perimentaci n! 2"e permite el s"ministro correcto de datos a posteriori! los 2"e a s" ve) cond"cir(n a "n an(lisis objetivo # con ded"cciones v(lidas del problema' P!OPOSITO DE UN DISEO E PE!IMENTAL El prop sito de "n dise*o e&perimental es proporcionar mtodos 2"e permitan obtener la ma#or cantidad de in$ormaci n v(lida acerca de "na investigaci n! teniendo en c"enta el $actor costo # el "so adec"ado del material disponible mediante mtodos 2"e permitan dismin"ir el error e&perimental' (A!IA)ILIDAD DEL MATE!IAL E PE!IMENTAL 4a caracterstica de todo material e&perimental es s" variabilidad de resp"esta a "n tratamiento! esta variabilidad se re$iere a 2"e el material e&perimental no p"ede reaccionar o responder a los tratamientos de la misma manera o con la misma capacidad debido a s"s di$erencias intrnsecas! lo c"al no necesariamente signi$ica 2"e no tengan el mismo aspecto' E!!O! E PE!IMENTAL El error e&perimental viene a constit"ir la variabilidad motivada por las di$erencias 2"e se prod"cen en los res"ltados de "nidades e&perimentales tratadas en $orma similar' 4as principales $"entes del error e&perimental son6 a' b' c' d' e' 4a variabilidad in%erente al material e&perimental 9"nidades e&perimentales:' 1alta de %omogeneidad en la tcnica e&perimental' Errores de e&perimentaci n' Errores de observaci n # medici n' E$ectos combinados de todos los $actores e&tra*os 2"e p"edan in$l"ir sobre los res"ltados del e&perimento'
*O!MAS DE DISMINUCION DEL E!!O! E PE!IMENTAL El error e&perimental p"ede ser red"cido mediante6 a' b' El "so de "n dise*o e&perimental apropiado' 4a selecci n min"ciosa del material e&perimental a "sarse 9lo m(s %omogneo posible:' Si el material e&perimental es %eterogneo se deber( agr"par en $orma %omognea 9$ormar estratos:' %+%
c' d' e'
Incremento del n3mero de repeticiones en el e&perimento' El per$eccionamiento de la tcnica e&perimental # el ma#or c"idado al dirigir el e&perimento' 4a "tili)aci n de la in$ormaci n proporcionada por variables relacionadas a la variable en est"dio 9"so de la tcnica de covariancia:'
T!ATAMIENTO 4os tratamientos vienen a constit"ir los di$erentes procedimientos! procesos! $actores o materiales # c"#os e$ectos van a ser medidos # comparados' El tratamiento establece "n conj"nto de condiciones e&perimentales 2"e deben imponerse a "na "nidad e&perimental dentro de los con$ines del dise*o seleccionado' Ejemplos6 , sis de $ertili)ante! raci n alimenticia! pro$"ndidad de sembrado! distanciamiento entre plantas! variedades de "n c"ltivo' TESTI$O El testigo es el tratamiento de comparaci n adicional! 2"e no debe $altar en "n e&perimento5 por ejemplo! si se "san cinco tratamientos con $ertili)ante! el testigo p"ede ser a2"el tratamiento 2"e no incl"#e $ertili)ante' 4a elecci n del tratamiento testigo es de gran importancia en c"al2"ier investigaci n! este se constit"#e como re,erencial del e-.erimento # sirve para la comparaci n de los tratamientos en pr"eba' UNIDAD E PE!IMENTAL 4a "nidad e&perimental! es el objeto o espacio al c"al se aplica el tratamiento # donde se mide # anali)a la variable 2"e se investiga' En los e&perimentos pec"arios la "nidad e&perimental por lo general esta con$ormada por "n animal 9c"#e! cerdo! pato! etc':! en los e&perimentos $orestales la "nidad e&perimental en la ma#ora de los casos esta con$ormado por "n (rbol # en la ma#or parte de las pr"ebas de campo agrcolas! la "nidad e&perimental es "na parcela de tierra en l"gar de "na planta individ"al5 es en este 3ltimo caso 2"e con $rec"encia se presenta lo 2"e se llama efecto de borde. Efecto de Borde En los e&perimentos agrcolas! m"c%as veces e&isten di$erencias en el crecimiento # la prod"cci n de las plantas 2"e est(n sit"adas en los permetros de la parcela en relaci n con a2"ellas plantas sit"adas en la parte central5 esta di$erencia es llamado e$ecto de borde # p"ede ca"sar sobre;estimaci n o s"b;estimaci n de las resp"estas de los tratamientos! llegando con esto a comparaciones sesgadas entre ellos' El e$ecto de bordes p"ede ser ca"sado por6 ; <ecindad de las parcelas (reas no c"ltivadas! 2"e %ace 2"e las plantas en los permetros tengan menor competencia de l") # n"trientes' ; Competencia entre tratamientos! 2"e depende de la nat"rale)a de los %/%
tratamientos vecinos' Para controlar el e$ecto de borde se acost"mbra a eval"ar solamente las plantas centrales para los $ines e&perimentales' Estas plantas centrales constit"#en lo 2"e se llama PARCE4A NETA E=PERIMENTA4' En el sig"iente ejemplo se m"estra el cro2"is de "na parcela de ma) con c"atro s"rcos! donde las plantas de cabecera # de los dos s"rcos laterales! se consideran e$ectos de borde'
%0%
Croquis de una parcela experimental

/'0 m
0'0 m
@'0 m
-'? m Aolpe e&perimental Aolpe con e$ecto de borde
8na manera dismin"ir el e$ecto borde Areade neta e&perimental 6 -& @'0 de B@'0 m 7 es mediante el "so de Calles 2"e p"eden ser6 (reas ad#acentes sin sembrar el "so de bordes con plantas 2"e no intervendr(n en la cosec%a del e&perimento' ANALISIS DE LA (A!IANCIA Es "na tcnica estadstica 2"e sirve para anali)ar la variaci n total de los res"ltados e&perimentales de "n dise*o en partic"lar! descomponindolo en $"entes de variaci n independientes atrib"ibles a cada "no de los e$ectos en 2"e constit"#e el dise*o e&perimental' Esta tcnica tiene como objetivo identi$icar la importancia de los di$erentes $actores tratamientos en est"dio # determinar como interact3an entre s' 1IPOTESIS ESTADISTICA Es el s"p"esto 2"e se %ace sobre el valor de "n par(metro 9constante 2"e caracteri)a a "na poblaci n: el c"al p"ede ser validado mediante "na pr"eba estadstica'
Area total 6 0'0 & /'0 B -.'70 m 7
En la investigaci n agraria al reali)ar "n an(lisis estadstico "tili)ando el AN<A de "n dise*o e&perimental! la %ip tesis a probar es si los tratamientos tienen el mismo e$ecto sobre la variable 2"e se est"dia! es as como se tienen las %ip tesis planteada 9>p: e %ip tesis alterna 9>a:6 %2%
>p6 i B ? 94os i tratamientos tienen el mismo e$ecto sobre la variable en est"dio: >a6 i ? 9No todos los tratamientos tienen el mismo e$ecto sobre la variable en est"dio: Al probar la %ip tesis estadstica el investigador est( propenso a cometer los sig"ientes tipos de errores6 Error Tipo I6 Se comete c"ando se rec%a)a la %ip tesis 2"e se plantea! siendo esta %ip tesis $alsa5 la magnit"d de este error es $ijado por el investigador # constit"#e el Cnivel de signi$icaci n de la pr"ebaC5 "s"almente los valores "sados como nivel de signi$icaci n son ?'?0 ?'?-' Error tipo II6 Se comete c"ando se acepta la %ip tesis 2"e se plantea! siendo esta %ip tesis $alsa5 la magnit"d de este error no se p"ede $ijar! pero si es posible minimi)ar "tili)ando "n tama*o adec"ado de m"estra' P!INCIPIOS )ASICOS DEL DISEO E PE!IMENTAL 4os principios b(sicos del dise*o e&perimental son6 repetici n! aleatori)aci n! # control local' Repetici n6 <iene a ser la reprod"cci n o rplica del e&perimento b(sico 9asignaci n de "n tratamiento a "na "nidad e&perimental:' 4as principales ra)ones por las c"ales es deseable la repetici n son 6 Primero por 2"e proporciona "na estimaci n del error e&perimental! siendo tal estimaci n con$iable a medida 2"e a"menta el n3mero de repeticiones! # seg"ndo permite estimaciones m(s precisas del tratamiento en est"dio' Aleatori)aci n6 Consiste en la asignaci n al a)ar de los tratamientos en est"dio a las "nidades e&perimentales con el prop sito de aseg"rar 2"e "n determinado tratamiento no presente sesgo' Por otro lado la aleatori)aci n %ace v(lidos los procesos de in$erencia # las pr"ebas estadsticas' Control 4ocal 9Control del error E&perimental:6 Consiste en tomar medidas dentro del dise*o e&perimental para %acerlo m(s e$iciente! de tal manera 2"e p"eda permitir la red"cci n del error e&perimental # as %acerla m(s sensible a c"al2"ier pr"eba de signi$icaci n' SUPUESTOS ACE!CA DEL MODELO ESTADISTICO 4os s"p"estos necesarios del modelo estadstico son6 a' b' c' d' Aditividad6 4os $actores o componentes del modelo estadstico son aditivos! es decir la variable resp"esta es la s"ma de los e$ectos del modelo estadstico' 4inealidad6 4a relaci n e&istente entre los estadstico es del tipo lineal' $actores o componentes del modelo
Normalidad6 4os valores res"ltado del e&perimento provienen de "na distrib"ci n de probabilidad CNormalC con media # variancia 7 ' Independencia6 4os res"ltados observados de "n e&perimento son independientes entre %3%
s' e' <ariancias >omogneas 9>omocedasticidad:6 4as diversas poblaciones generadas por la aplicaci n de dos o m(s tratamientos tienen variancias %omogneas 9variancia com3n:'
TIPOS DE MODELOS ESTADISTICOS ,e ac"erdo a la selecci n de los tratamientos # otros $actores se tiene la sig"iente clasi$icaci n6 Modelo I 9E$ectos 1ijos:6 Se presenta c"ando los tratamientos # dem(s $actores 2"e intervienen en "n e&perimento son $ijados por el investigador5 es decir! no se e$ect3a "na elecci n aleatoria' En estos casos las concl"siones del an(lisis de variancia solamente son v(lidas para los tratamientos # otros $actores "sados en el e&perimento' En el presente trabajo se %a considerado 3nicamente el caso de modelo de e$ectos $ijos! por ser el 2"e se presenta con ma#or $rec"encia en la e&perimentaci n agraria' Modelo II 9E$ectos aleatorios:6 Se presenta c"ando los tratamientos # dem(s $actores 2"e intervienen en "n e&perimento son elegidos al a)ar de "na poblaci n' En estos casos las concl"siones del an(lisis de variancia son v(lidos! tanto para los tratamientos # dem(s $actores "sados! asi como para todas las poblaciones de tratamientos # $actores' Modelo III 9Modelo Mi&to:6 Este modelo es la combinaci n de los dos anteriores # se presenta c"ando alg"nos $actores son $ijados # otros son elegidos al a)ar' En estos casos las concl"siones del an(lisis de variancia ser(n v(lidas para toda la poblaci n de $actores c"ando estos son elegidos al a)ar! # solamente para los $actores "sados c"ando estos son $ijados' P!UE)AS DE COMPA!ACION DE MEDIAS Es prop sito de todo investigador 2"e reali)a "n an(lisis de variancia de "n e&perimento en partic"lar! reali)ar la pr"eba sobre el e$ecto de los tratamientos en est"dio! para ello %ace "so de la pr"eba 1 el c"al indicar( si los e$ectos de todos los tratamientos son ig"ales o di$erentes5 en caso de aceptar la %ip tesis de 2"e todos los tratamientos no tienen el mismo e$ecto! entonces es necesario reali)ar pr"ebas de comparaci n de promedios a $in de saber entre 2"e tratamientos %a# di$erencias! # para esto es necesario reali)ar pr"ebas de comparaci n m3ltiple como las sig"ientes6
a' 4as comparaciones $"ron planeadas antes de ejec"tar el e&perimento ,i$erencia Signi$icativa Mnima 9,4S: Es "na pr"eba para comparar la ig"aldad de dos medias # s" "so en comparaciones sim"lt(neas se j"sti$ica s lo si la pr"eba 1 res"lta signi$icativa' Pr"eba T Es "na pr"eba para comparar dos medias # s" "so en comparaciones sim"lt(neas se j"sti$ica s lo si la pr"eba 1 res"lta signi$icativa' Esta pr"eba es mas general 2"e el ,4S! #a %4%
2"e p"ede probar no solo la ig"aldad de dos medias sino 2"e media es mejor' b' 4as comparaciones no $"ron planeadas antes de ejec"tar el e&perimento Pr"eba de Rangos M3ltiples de ,"ncan Este procedimiento es "tili)ado para reali)ar comparaciones m3ltiples de medias5 para reali)ar esta pr"eba no es necesario reali)ar previamente la pr"eba 1 # 2"e sta res"lte signi$icativa5 sin embargo! es recomendable e$ect"ar esta pr"eba desp"s 2"e la pr"eba 1 %a#a res"ltado signi$icativa! a $in de evitar contradicciones entre ambas pr"ebas' Pr"eba de Rangos M3ltiples de T"De# Este procedimiento es llamado tambin C,i$erencia Signi$icativa >onestaC! se "tili)a para reali)ar comparaciones m3ltiples de medias5 esta pr"eba es similar a la pr"eba de ,"ncan en c"anto a s" procedimiento # adem(s es m(s e&igente' Pr"eba de Comparaci n de ,"nnet Esta pr"eba es 3til c"ando el e&perimentador est( interesado en determinar 2"e tratamiento es di$erente de "n testigo! control o tratamiento est(ndar! # no en %acer todas las comparaciones posibles 92"e pasaran a "na seg"nda prioridad:5 es decir! c"ando se 2"iere comparar el testigo con cada "no de los tratamientos en est"dio' T!ANS*O!MACION DE DATOS 4a ra) n principal de la trans$ormaci n de datos es 2"e de llevarse a cabo "n an(lisis estadstico con res"ltados 2"e no c"mplan con los s"p"estos acerca del modelo estadstico! se p"ede llegar a "na concl"si n e2"ivocada' 8n cambio de escala p"ede variar la media # la variancia de la variable as como s" relaci n con respecto a otras variables' 4a $orma de la distrib"ci n de "na variable cambia con la escala' Mediante "na trans$ormaci n adec"ada p"ede conseg"irse 2"e "n variable 2"e no se distrib"#e normalmente pase a tener "na distrib"ci n casi normal' 4as poblaciones con variancias desig"ales p"eden convertirse en %omoced(sticas 9variancias %omogneas: mediante "na trans$ormaci n apropiada' 4as trans$ormaciones mas "sadas son6 a' Trans$ormaci n logartmica El modelo lineal 9por ejemplo Eij B F G i G j G eij: indica 2"e el e$ecto del blo2"e ! el e$ecto del tratamiento # el error e&perimental! son todos ellos aditivos' Si los blo2"es # los tratamientos a"mentan o dismin"#en las mediciones en "n determinado porcentaje en l"gar de "na determinada cantidad! entonces se dice 2"e los e$ectos son m"ltiplicativos # no aditivos' En estos casos! "na trans$ormaci n logartmica trans$ormar( en aditiva la relaci n m"ltiplicativa # en consec"encia el modelo lineal podr( ser aplicado a los n"evos datos' Para ciertos tipos de an(lisis! el investigador pre$iere la escala 2"e elimina las interacciones mientras 2"e para otras p"ede pre$erir la escala 2"e restit"#e los e$ectos lineales' 4o 2"e %a# 2"e recordar es 2"e la relaci n entre las variables est( m"# in$l"enciada por las escalas con las 2"e se miden dic%as variables' 4as interpretaciones de los datos s lo son v(lidas en relaci n con la escala partic"lar adoptada en "n caso determinado' <ariable trans$ormada 6 EijHBlog9Eij:
% "5 %
b' Trans$ormaci n de la ra) c"adrada C"ando los datos est(n dados por n3meros enteros procedentes del conteo de objetos! como por ejemplo el n3mero de manc%as en "na %oja o el n3mero de bacterias en "na placa! los n3meros observados tienden a presentar "na distrib"ci n de Poisson m(s 2"e "na distrib"ci n normal' 4as consideraciones te ricas cond"cen a la trans$ormaci n de la ra) c"adrada de los n3meros observados' Normalmente esta trans$ormaci n determina 2"e las variancias de los gr"pos sean m(s ig"ales! tambin es aplicable a las distrib"ciones sesgadas p"esto 2"e acorta la cola larga a "n lado 2"e es caracterstica de distrib"ciones sesgadas' Si # es el n3mero observado! para el an(lisis estadstico # la pr"eba de signi$icaci n "tili)aremos y ' C"ando los n3meros observados son pe2"e*os 9de 7 a -?:! se pre$iere la trans$ormaci n y +?'0 ! en especial c"ando alg"nos de los n3meros observados son cero' c' Trans$ormaci n ra) arcoseno C"ando los datos provienen de contadas e&presados en porcentajes! la trans$ormaci n 2"e se recomienda es 6 EijHBarco seno 9Eij: -I7 COE*ICIENTE DE (A!IA)ILIDAD Es "na medida de variabilidad relativa 9sin "nidades de medida: c"#o "so es para c"anti$icar en trminos porcent"ales la variabilidad de las "nidades e&perimentales $rente a la aplicaci n de "n determinado tratamiento' En e&perimentaci n no controlada 9condiciones de campo: se considera 2"e "n coe$iciente de variabilidad ma#or a /0J es elevado por lo 2"e se debe tener especial c"idado en las interpretaciones # concl"siones' 4a e&presi n estimada del coe$iciente de variabilidad es6
cv =
cme x 100 Y
% "" %
Dise6o Com.letamente al A7ar
"#& E PE!IMENTO EN EL DISEO COMPLETAMENTE AL A8A! En este dise*o! los tratamientos en est"dio se distrib"#en al a)ar en todas las "nidades e&perimentales5 siendo el n3mero de repeticiones por tratamiento ig"al di$erente' Este dise*o se emplea c"ando la variabilidad en todo el material e&perimental es relativamente pe2"e*a # "ni$ormemente distrib"da' <entajas6 1(cil de planear # anali)ar5 adem(s es $le&ible en el empleo del n3mero de tratamientos # repeticiones' 1inalmente! permite tener dentro del an(lisis de variancia el m(&imo n3mero de grados de libertad para la s"ma de c"adrados del error' ,esventaja6 4a principal desventaja 2"e presenta este dise*o est( relacionado a la %omogeneidad del material e&perimental5 el c"al es di$cil de encontrar en e&perimentos de campo! por lo 2"e s" "so se restringe con m"c%a $rec"encia a e&perimentos en laboratorio! all( donde se p"eda tener control de los e$ectos no considerados en el est"dio 9ambiente! temperat"ra! l")! etc':' Aleatori)aci n6 En este dise*o! la aleatori)aci n de los tratamientos se reali)a en $orma irrestricta sobre las "nidades e&perimentales! asi p"s si tenemos / tratamientos T-! T7! T/! "na posible distrib"ci n e&perimental podra ser6 T" T" T& T& T' T" T' T& T& T& T" T'
,onde el n3mero de repeticiones de los tratamientos T-! T/ # T7 es @! 0 # / respectivamente' Modelo estad9stico:
;i< = > ? i ? ei<

,onde6 Eij B F B
@ iB -!7!'''!t
jB -!7!'''!r i
<alor observado en la j;sima repetici n para el i;simo tratamiento' E$ecto de la media general'
%"&%
,ise*o Completamente al A)ar
i eij t ri
B B B B
E$ecto del i;simo tratamiento' E$ecto aleatorio del error e&perimental' N3mero de tratamientos' N3mero de repeticiones del i;simo tratamiento'
El e$ecto del i;simo tratamiento esta dado por t i ! siendo la e&presi n6 i B Fi ; F ! donde Fi es la media del i;simo tratamiento # F la media general' CUAD!O DEL ANALISIS DE (A!IANCIA
Fuentes grados de suma de cuadrado F calculado de libertad cuadradosmedio Variacin G.L. S.C. C.M.=S.C Fcal G.L. !!!!" #ratamiento t$% SC#rat CM#rat CM#rat&CM'rror !!!!" 'rror '(). t SC'rror CM'rror ri $ t i=% !!!!" #otal t SC#ot ri $ % i=% *++++,
Para el Modelo I! este Anva pr"eba la sig"iente %ip tesis6 >p6 i B ? 9Todos los tratamientos tienen el mismo e$ecto sobre la variable en est"dio: >a6 i ? 9No todos los tratamientos tienen el mismo e$ecto sobre la variable en est"dio: Nivel de signi$icaci n 6 1calBCMTratICMError
KONAS CRITICAS
t Si 1cal L 1 tab"lar 9con 9t;-: # 9ri;t: grados de libertad: se rec%a)a la iB%ip tesis planteada a "n nivel de signi$icaci n ' EJEMPLO En la Estaci n E&perimental C4a MolinaC! se reali) "n est"dio en c"#es %embras! las c"ales poseen caractersticas similares en peso! ra)a! edad! etc'! con la $inalidad de determinar el e$ecto del flushing 9e$ecto en el c"al se prod"ce la mad"raci n de "n ma#or n3mero de v"los! por "n cambio br"sco en la alimentaci n: sobre la e$iciencia reprod"ctiva 9n3mero de cras nacidas:' 4os tratamientos $"ron6 T- 6 Ma) c%ala' T7 6 Ma) c%ala G A$rec%o de trigo' T/ 6 Ma) c%ala G Concentrado comercial' 4os res"ltados se midieron en tama*o de camada al nacimiento 9TCN:! se "tili)aron M? %embras de / a*os de edad distrib"idas al a)ar 97? por cada tratamiento:! de las c"ales s lo p"dieron ser eval"adas /- c"#es' ,atos e&perimentales6
-#ratamiento -.nidad e()erimental -#ama/o de camada al nacimiento #4 040% 4 %.17%%2 #% 0012 3 #4 0163 % %.76074 #% 003% 4 #4 0702 4 %.17%%2 #% 0435 3 #4 0271 4 %.33262 #% 0430 % #4 006% 4 %.76074 #3 041% 4 #4 0113 3 %.76074 #3 067% 4 #4 6773 4 %.76074 #3 012% 4 #4 07%7 4 %.17%%2 #3 0003 3 *, 3.%3%43 #3 0173 2 %.76074 #3 0322 4 %.76074 #3 0811 4 %.76074 #3 0007 4 %.76074 #3 0557 4 3.%3%43 #3 0016 2 %.76074 #3 0070 4 %.17%%2 #3 0370 3 3.%3%43 #3 0025 2 3.%3%43 #3 0848 2 3.%3%43 #3 0227 2 3.%3%43 #3 0500 2 %.33262 #3 0033 % %.76074 #3 0084 4 %.76074 #4 0517 4 %.76074 %.33262 %.76074 %.76074 %.76074 %.17%%2 %.76074 %.76074
4os res"ltados anteriores $"ron trans$ormados para la reali)aci n del Anva! esto debido a la nat"rale)a de los datos 9contadas:! la trans$ormaci n reali)ada $" 6
(Y + 0.5)
-'7'- PROCE,IMIENTO SAS PARA E4 ANA4ISIS EN E4 ,ISENO COMP4ETO A4 AKAR ,ATA SS5 IN1I4E C,6OSASO,CR',ATC5 INP8T TRATP -;7 ARETE @;Q TCN -?;-?5 TCNBSRRT9TCNG?'0:5 PROC ANO<A5 C4ASS TRAT5 MO,E4 TCNBTRAT5 MEANS TRAT I ,8NCAN5 R8N5 -'7'7'- SA4I,A EN SAS PARA E4 ANA4ISIS EN E4 ,ISENO COMP4ETO A4 AKAR
9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class #?9# Le=els 4 Values #% #3 #4
@umber o; obser=ations in data set = 4% 9nal:sis o; Variance <rocedure Ae)endent VariableB #C@ Source Model 'rror Corrected #otal AF 3 37 40 ?$SCuare 0.%7626% Sum o; SCuares 0.48312818 %.16%44112 %.544773%0 C.V. %4.07688 ?oot MS' 0.348751 #C@ Mean %.7%008312 Mean SCuare 0.%7%36437 0.018%%5%4
F Value 4.34
<r - F 0.0126
9nal:sis o; Variance <rocedure Ae)endent VariableB #C@ Source #?9# AF 3 9no=a SS 0.48312818 Mean SCuare 0.%7%36437 F Value 4.34 <r - F 0.0126
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB #C@ @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= 37 MS'= 0.018%%5 I9?@>@GB Cell siJes are not eCual. Karmonic Mean o; cell siJes= 6.3 @umber o; Means 3 4 Critical ?ange 0.318 0.385 Means GitF tFe same letter are not signi;icantl: di;;erent. 9nal:sis o; Variance <rocedure Auncan Grou)ing 9 9 9 Mean %.778 %.686 %.182 @ %7 5 2 #?9# #3 #4 #%
L L L
%.3.3.3 S9L>A9 '@ M>@>#9L <9?9 'L 9@9L>S>S '@ 'L A>S'ME CEM<L'#E 9L 9N9? General Linear Model: TCNTRANSF versus TRAT Factor #?9# #:)e Le=els Values ;i(ed 4 #% #3 #4
9nal:sis o; Variance ;or #C@#?9@SH using 9dOusted SS ;or #ests Source #?9# 'rror #otal AF 3 37 40 SeC SS 0.48311 %.16%42 %.54477 9dO SS 0.48311 %.16%42 9dO MS 0.%7%36 0.018%3 F 4.34 < 0.011
.nusual Ebser=ations ;or #C@#?9@S Ebs 3% 31 #C@#?9@S %.33262 %.33262 Fit %.77832 %.68871 S' Fit 0.01172 0.06758 ?esidual $0.88%10 $0.123%% St ?esid $3.76? $3.24?
? denotes an obser=ation GitF a large standardiJed residual. #uPe: Simultaneous #ests ?es)onse Variable #C@#?9@S 9ll <airGise Com)arisons among Le=els o; #?9# #?9# = #% subtracted ;romB Le=el #?9# #3 #4 Ai;;erence o; Means 0.43%7 0.3032 S' o; Ai;;erence 0.%405 0.%232 #$Value 3.216 %.233 9dOusted <$Value 0.01%5 0.4246
#?9# = #3 subtracted ;romB Le=el #?9# #4 Ai;;erence o; Means $0.%%52 S' o; Ai;;erence 0.0586% #$Value $%.342 9dOusted <$Value 0.2244
-'7'/ CONC48SION ,el Anva! se p"ede apreciar 2"e no e&isten di$erencias signi$icativas entre los tres tipos de alimentos sobre la e$iciencia reprod"ctiva de los c"#es a "n B?'?- # a "n B?'?0! esto debido a 2"e Pr L 1 B ?'?0@Q para la $"ente de variaci n tratamiento 9TRAT: es ma#or a ?'?0 # ?'?-' ,el an(lisis de las medias de tratamiento por ,"ncan! los tratamientos agr"pados con la misma letra no tienen di$erencias signi$icativas5 as p"es los tratamientos T7 # T/ tienen el mismo e$ecto sobre la e$iciencia reprod"ctiva! no siendo as los tratamientos T7 # T-5 asimismo se p"ede apreciar 2"e el tratamiento T7 es el 2"e tiene mejor promedio # por lo tanto proporciona "na ma#or e$iciencia reprod"ctiva'
Dise6o en )loABes Com.letos al A7ar
"#' E PE!IMENTO EN EL DISEO )LOCUES COMPLETOS AL A8A! El trmino Ce&perimento con blo2"es aleatori)adosC s"rge de la investigaci n agrcola! en el 2"e cada nivel de "n tratamiento es aplicado aleatoriamente a cada "na de las s"bparcelas 9"nidad e&perimental: en 2"e es dividida cada parcela 9blo2"e:! siendo el total de niveles de tratamiento ig"al al n3mero de s"bparcelas 2"e tiene cada parcela' En este dise*o! dentro de cada parcela %a# %omogneidad en s"s caractersticas 9tipo de s"elo! $ertili)aci n! gradiente de $ertilidad! etc':5 sin embargo e&isten di$erencias de "na a otra parcela' Principios de la $ormaci n de blo2"es6 El objetivo en este dise*o es establecer di$erencias signi$icativas entre los e$ectos del tratamiento5 pero las di$erencias entre los e$ectos 2"e p"diran tener los tratamientos p"eden ser atrib"das no s lo a la nat"rale)a misma de los tratamientos! sino tambin a di$erencias en la caracterstica de las parcelas' Para red"cir tal con$"si n! o aislar los Ce$ectos de las parcelasC es 2"e se emplea la aleatoriedad en la sig"iente $orma6 dentro de cada blo2"e se crean s"bdivisiones 9"nidades e&perimentales:! de modo 2"e el n3mero de s"bdivisiones sea ig"al al n3mero de tratamientos! # l"ego los tratamientos son asignados al a)ar en cada s"bdivisi n! aseg"r(ndose de 2"e cada tratamiento es "sado e&actamente "na ve) en dic%o blo2"e' El sig"iente ejemplo m"estra dos distrib"ciones de tratamiento en blo2"es6
Nota: Considere 2"e los rect(ng"los con ig"al tramado! tienen "nidades e&perimentales de caractersticas %omogneas' Modelo estad9stico
;i< = + + < ? ei<

,onde6 Eij B i j eij B B B B
iB -!7!'''!t
jB -!7!'''!r
<alor observado de la "nidad e&perimental s"jeto al i;simo trata; miento en el j;simo blo2"e' E$ecto de la media general' E$ecto del i;simo tratamiento' E$ecto del j;simo blo2"e' E$ecto aleatorio del error e&perimental en la "nidad e&perimental s"jeta al i;simo tratamiento en el j;simo blo2"e'
Adem(s6 El e$ecto de tratamiento esta dado por6 i B i' ; ! i' B media del tratamiento i'
CUAD!O DEL ANALISIS DE (A!IANCIA Fuentes grados de suma de cuadrado F calculado de libertad cuadradosmedio Variacin G.L. S.C. C.M.=S.C Fcal G.L. !!!!" LloCues r$% SCLloC CMLloC $ !!!!"
#ratamiento t$% SC#rat CM#rat CM#rat&CM'rror !!!!" 'rror '(). Qr$%RQt$%RSC'rror CM'rror !!!!" #otal rt$% SC#ot *++++, Este Anva pr"eba la %ip tesis para el modelo I6 >p6 i B ? 9Todos los tratamientos tienen el mismo e$ecto sobre la variable en est"dio: >a6 i ? 9No todos los tratamientos tienen el mismo e$ecto sobre la variable en est"dio: Nivel de signi$icaci n 6 1calBCMTratICMError
KONAS CRITICAS
Si 1calL 1 tab"lar 9con 9t;-: # 9r;-: 9t;-: grados de libertad: se rec%a)a la %ip tesis planteada a "n nivel de signi$icaci n '
EJEMPLO El INIA en el marco del del pro#ecto CSistemas de Prod"cci n en Aranos # T"brc"los AndinosC! reali) "n e&perimento en dos pocas de siembra' 4os datos e&perimentales se indican a contin"aci n6 4ocalidad donde se ejec"t el e&perimento6 Estaci n E&perimental C4a MolinaC! 4ima' 8nidad e&perimental6 Parcela de 0'@ m7 C"ltivares de 2"in"a en est"dio6 Samiri! Camacani! Sajama! Aigante +oliviana! T"j"#! Amarillo Marangani 1ec%as de siembra6 70 de Ma#o de -../ 7/ de Setiembre de -../
,isposici n e&perimental6 +lo2"es completos al a)ar 4os res"ltados e&perimentales $"eron dados en gramos de grano por parcela
EPOCA DE SIEMBRA (MAYO, 25, 1993) Tratamiento Bloque Rendimiento S9M>?> % %%72 C9M9C9@> % 0547 S9T9M9 % %%83 G>G.LEL. % 0810 T.T.U % 0602 9M.M9?9@G % %381 S9M>?> 3 05%0 C9M9C9@> 3 %324 S9T9M9 3 %%%8 G>G.LEL. 3 0816 T.T.U 3 %032 9M.M9?9@G 3 %422 S9M>?> 4 %%23 C9M9C9@> 4 %%81 S9T9M9 4 %446 G>G.LEL. 4 %000 T.T.U 4 %%80 9M.M9?9@G 4 %483 S9M>?> 2 0543 C9M9C9@> 2 %328 S9T9M9 2 %232 G>G.LEL. 2 %364 T.T.U 2 0167 9M.M9?9@G 2 %454 *,
'<EC9 %554R
A'
S>'ML?9
QS'#>'ML?'
34H
#ratamiento LloCue ?endimiento S9M>?> % %146 C9M9C9@> % 0713 S9T9M9 % %342 G>G.LEL. % %755 T.T.U % %1%5 9M.M9?9@G % %08% S9M>?> 3 %656 C9M9C9@> 3 %%33 S9T9M9 3 %824 G>G.LEL. 3 %177 T.T.U 3 %686 9M.M9?9@G 3 %341 S9M>?> 4 %861 C9M9C9@> 4 %616 S9T9M9 4 3443 G>G.LEL. 4 %5%0 T.T.U 4 3%05 9M.M9?9@G 4 %4%3 S9M>?> 2 %501 C9M9C9@> 2 %301 S9T9M9 2 %574 G>G.LEL. 2 %563 T.T.U 2 %655 9M.M9?9@G 2 %050 *,
-'/'- PROCE,IMIENTOS EN SAS PARA E4 ANA4ISIS EN E4 ,ISENO EN +4OR8ES COMP4ETOS A4 AKAR ,E CA,A EPOCA ,ATA SS5 IN1I4E C,6OSASOEPOCA-',ATC5 INP8T TRATP -;. +4OR -@;-@ R,T -U;7-5 PROC ANO<A5 C4ASSES +4OR TRAT5 MO,E4 R,T B +4OR TRAT5 MEANS TRAT I ,8NCAN5 R8N5 ,ATA SS5 IN1I4E C,6OSASOEPOCA7',ATC5 INP8T TRATP -;. +4OR -@;-@ R,T -U;7-5 PROC ANO<A5 C4ASSES +4OR TRAT5 MO,E4 R,T B +4OR TRAT5 MEANS TRAT I ,8NCAN5 R8N5 -'/'7'- SA4I,A EN SAS PARA E4 ANA4ISIS EN E4 ,ISENO +4OR8ES COMP4ETOS A4 AKAR! PARA 4OS ,ATOS ,E 4A EPOCA ,E SIEM+RA 70I?0I./
S9S %B00 Sunda:H 9)ril 1H %552
9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class LLEV #?9# Le=els 2 8 Values % 3 4 2 9M.M9?9@G C9M9C9@> G>G.LEL. T.T.U S9M>?> S9T9M9
@umber o; obser=ations in data set = 32 9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source Model 'rror Corrected #otal AF 7 %1 34 ?$SCuare 0.840162 Sum o; SCuares 500367.0000 136243.5174 %2366%0.5174 C.V. %6.%6%%4 Mean SCuare %%3142.6100 41%83.%563 ?oot MS' %76.1%15
F Value 4.30
<r - F 0.0325
?A# Mean %053.02%86
9nal:sis o; Variance <rocedure
Ae)endent VariableB ?A# Source LLEV #?9# AF 4 1 9no=a SS %17143.65%6 62%621.3074 Mean SCuare 13722.3845 %27425.02%6 F Value %.10 2.33 <r - F 0.3124 0.0%48
S9S
%B00 Sunda:H 9)ril 1H %552
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB ?A# @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= %1 MS'= 41%83.3 @umber o; Means 3 4 2 1 8 Critical ?ange 373.% 351.5 401.2 4%0.8 4%2.8 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing 9 9 9 9 L 9 L 9 L 9 L L L L Mean %42%.0 %315.6 %%27.0 %023.0 751.0 788.1 @ 2 2 2 2 2 2 #?9# 9M.M9?9@G S9T9M9 C9M9C9@> S9M>?> G>G.LEL. T.T.U
-'/'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS EN E4 ,ISENO +4OR8ES COMP4ETOS A4 AKAR! PARA 4OS ,ATOS ,E 4A EPOCA ,E SIEM+RA 70I?0I./
General Linear Model: RDT versus BLOQ, TRAT Factor LLEV #?9# #:)e Le=els Values ;i(ed 2 % 3 4 2 ;i(ed 8 9M.M9?9@G C9M9C9@> S9T9M9
G>G.LEL.
T.T.U
S9M>?>
9nal:sis o; Variance ;or ?A#H using 9dOusted SS ;or #ests Source LLEV #?9# 'rror #otal AF 4 1 %1 34 SeC SS %17144 62%621 136244 %2366%% 9dO SS %17144 62%621 136244 9dO MS 13722 %27425 41%83 F %.10 2.33 < 0.312 0.0%2
.nusual Ebser=ations ;or ?A# Ebs 33 34 ?A# %364.00 167.00 Fit 524.58 5%1.28 S' Fit %%2.74 %%2.74 ?esidual 435.02 $446.28 St ?esid 3.33? $3.37?
? denotes an obser=ation GitF a large standardiJed residual. #uPe: Simultaneous #ests ?es)onse Variable ?A# 9ll <airGise Com)arisons among Le=els o; #?9# #?9# = 9M.M9?9@ subtracted ;romB Le=el #?9# C9M9C9@> G>G.LEL. T.T.U S9M>?> S9T9M9 Ai;;erence o; Means $%54.0 $228.0 $262.1 $355.0 $7%.4 S' o; Ai;;erence %43.8 %43.8 %43.8 %43.8 %43.8 #$Value $%.218 $4.482 $4.165 $3.311 $0.8%4 9dOusted <$Value 0.851% 0.0202 0.0360 0.3601 0.5772
#?9# = C9M9C9@> subtracted ;romB Le=el #?9# G>G.LEL. T.T.U S9M>?> S9T9M9 Ai;;erence o; Means $314.0 $37%.1 $%08.0 %%%.6 S' o; Ai;;erence %43.8 %43.8 %43.8 %43.8 #$Value $%.507 $3.%34 $0.655 0.724 9dOusted <$Value 0.2424 0.436% 0.5843 0.5124
#?9# = G>G.LEL. subtracted ;romB Le=el #?9# T.T.U S9M>?> S9T9M9 Ai;;erence o; Means $37.10 %26.00 482.61 S' o; Ai;;erence %43.8 %43.8 %43.8 #$Value $0.3%25 %.%078 3.6105 9dOusted <$Value 0.5555 0.7602 0.%3%5
#?9# = T.T.U subtracted ;romB Le=el #?9# S9M>?> S9T9M9 Ai;;erence o; Means %61.1 454.3 S' o; Ai;;erence %43.8 %43.8 #$Value %.432 3.588 9dOusted <$Value 0.6874 0.0746
#?9# = S9M>?> subtracted ;romB Le=el #?9# S9T9M9 Ai;;erence o; Means 3%6.6 S' o; Ai;;erence %43.8 #$Value %.823 9dOusted <$Value 0.1717
-'/'@ CONC48SION ,el c"adro de Anva se p"ede apreciar 2"e e&iste di$erencias signi$icativas entre los tratamientos en est"dio a "n B?'?0! debido a 2"e el valor Pr L1 es menor a ?'?0 9?'?-/M:! no todos los c"ltivares de 2"in"a tienen el mismo rendimiento' Por otro lado de la pr"eba de comparaci n de medias por ,"ncan se p"ede apreciar 2"e entre los tratamientos 2"e tienen la misma letra no %a# di$erencias signi$icativas! # entre los tratamientos 2"e tienen di$erentes letras si e&isten di$erencias signi$icativas' as6 E&isten di$erencias signi$icativas en el rendimiento entre los tratamientos SATAMA # T8T8E pero no entre SATAMA # CAMACANI! as tambin se aprecia 2"e "no de los c"ltivares de mejor rendimiento es el AM'MARANA ' -'/'0'- SA4I,A EN SAS PARA E4 ANA4ISIS EN E4 ,ISENO +4OR8ES COMP4ETOS A4 AKAR! PARA 4OS ,ATOS ,E 4A EPOCA ,E SIEM+RA 7/I?.I./
S9S %B00 Sunda:H 9)ril 1H %552 9nal:sis o; Variance <rocedure Class Le=el >n;ormation Values % 3 4 2 9M.M9?9@G C9M9C9@> G>G.LEL. T.T.U S9M>?> S9T9M9
Class LLEV #?9#
Le=els 2 8
@umber o; obser=ations in data set = 32 9nal:sis o; Variance <rocedure
Ae)endent VariableB ?A# Source Model 'rror Corrected #otal AF 7 %1 34 ?$SCuare 0.657%36
Sum o; SCuares 3861358.886 868860.353 441%588.517 C.V. %4.40738 S9S
Mean SCuare 4422%3.074 21%%%.414
F Value 6.2%
<r - F 0.0001
?oot MS' 3%3.4524
?A# Mean %151.51744
%B00 Sunda:H 9)ril 1H %552
9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source LLEV #?9# AF 4 1 9no=a SS 700225.217 %762726.307 Mean SCuare 3887%8.278 462585.223 F Value 1.5% 7.4% <r - F 0.0063 0.0008
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB ?A# @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= %1 MS'= 21%%%.41 @umber o; Means 3 4 2 1 8 Critical ?ange 4%5.1 441.3 421.5 41%.7 418.2 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing Mean @ #?9# 9 %723.3 2 G>G.LEL. 9 9 %657.1 2 T.T.U 9 9 %657.0 2 S9T9M9 9 9 %637.1 2 S9M>?> L %342.0 2 C9M9C9@> L L %%62.1 2 9M.M9?9@G
-'/'0'- SA4I,A EN MINITA+ PARA E4 ANA4ISIS EN E4 ,ISENO +4OR8ES COMP4ETOS A4 AKAR! PARA 4OS ,ATOS ,E 4A EPOCA ,E SIEM+RA 7/I?.I./
General Linear Model: RDT versus BLOQ, TRAT Factor LLEV #?9# #:)e Le=els Values ;i(ed 2 % 3 4 2 ;i(ed 8 9M.M9?9@G C9M9C9@> S9T9M9
G>G.LEL.
T.T.U
S9M>?>
9nal:sis o; Variance ;or ?A#H using 9dOusted SS ;or #ests Source LLEV #?9# 'rror #otal AF 4 1 %1 34 SeC SS 700225 %762726 868860 441%586 9dO SS 700225 %762726 868860 9dO MS 3887%8 462585 21%%% F 1.5% 7.4% < 0.006 0.00%
#uPe: Simultaneous #ests ?es)onse Variable ?A# 9ll <airGise Com)arisons among Le=els o; #?9# #?9# = 9M.M9?9@ subtracted ;romB Le=el #?9# C9M9C9@> G>G.LEL. T.T.U S9M>?> S9T9M9 Ai;;erence o; Means 15.10 886.61 832.00 112.00 834.10 S' o; Ai;;erence %10.3 %10.3 %10.3 %10.3 %10.3 #$Value 0.4583 2.2283 2.%125 4.8777 2.%1%1 9dOusted <$Value 0.5571 0.001% 0.0050 0.03%5 0.0050
#?9# = C9M9C9@> subtracted ;romB Le=el #?9# G>G.LEL. T.T.U S9M>?> S9T9M9 Ai;;erence o; Means 807.3 182.1 252.1 182.0 S' o; Ai;;erence %10.3 %10.3 %10.3 %10.3 #$Value 2.010 4.615 4.354 4.611 9dOusted <$Value 0.0%%0 0.0%53 0.028% 0.0%54
#?9# = G>G.LEL. subtracted ;romB Le=el #?9# T.T.U S9M>?> S9T9M9 Ai;;erence o; Means $24.7 $%%4.7 $22.3 S' o; Ai;;erence %10.3 %10.3 %10.3 #$Value $0.35%4 $0.6162 $0.3528 9dOusted <$Value 0.5556 0.5606 0.5558
#?9# = T.T.U subtracted ;romB Le=el #?9# S9M>?> S9T9M9 Ai;;erence o; Means $60.00 $0.10 S' o; Ai;;erence %10.3 %10.3 #$Value $0.288% $0.0044 9dOusted <$Value 0.5586 %.0000
#?9# = S9M>?> subtracted ;romB Le=el #?9# S9T9M9 Ai;;erence o; Means 85.10 S' o; Ai;;erence %10.3 #$Value 0.2837 9dOusted <$Value 0.5587
-'/'M CONC48SION ,el c"adro de Anva se p"ede apreciar 2"e e&iste di$erencias signi$icativas entre los e$ectos prod"cidos por los tratamientos en est"dio a "n B?'?05 esto debido a 2"e el valor Pr L1 es menor a ?'?0 9?'???M:' Por otro lado! de la pr"eba de comparaci n de ,"ncan se p"ede apreciar 2"e entre los tratamientos 2"e tienen la misma letra no %a# di$erencias signi$icativas! as6 No e&iste di$erencias signi$icativas entre los tratamientos SATAMA E T8T8E! pero si e&iste di$erencia signi$icativa entre los tratamientos AM'MARANA # AIA'+O4'
E-.erimento en Parcelas Divididas
"#+ E PE!IMENTO *ACTO!IAL EN )LOCUES COMPLETOS AL A8A! Es a2"el donde la disposici n e&perimental de los tratamientos se con$orman por la combinaci n de los di$erentes niveles de cada "no de los $actores en est"dio' 8n $actor es "n ingrediente o "na manip"laci n 2"e interviene en "n tratamiento' El nivel es la d sis o cantidad del ingrediente empleado en el tratamiento' Se llama 1actor c"alitativo c"ando s"s niveles vienen a ser categorias! generalmente no n"mricas5 por ejemplo! el $actor C1"entes de nitr genoC c"#os niveles p"eden ser6 Nitrato de Amonio! 8rea! A"ano de Islas' Se llama 1actor c"antitativo c"ando s"s niveles son medidas n"mricas5 por por ejemplo! el $actor C, sis de nitr genoC c"#os niveles p"eden ser las d sis ?! -??! # 7?? Sg' de Nitrog'I>a' Aeneralmente c"ando se trata de "n $actor c"alitativo! el e&perimentador esta interesado en %acer comparaciones m3ltiples de medias entre los niveles del $actor5 esto p"ede ser reali)ado mediante las pr"ebas de comparaci n por6 ,"ncan! T"De#! ,4S! etc' C"ando "n $actor es c"antitativo! lo m(s conveniente para el e&perimentador sera conocer la nat"rale)a de la C"rva de resp"esta al $actor en est"dio! la c"al p"ede ser reali)ada mediante el an(lisis de regresi n "tili)ando modelos polinomiales' Proceso de aleatori)aci n6 En "n arreglo $actorial se aleatori)an las combinaciones de los niveles de los $actores! considerando cada combinaci n de niveles como "n tratamiento! as por ejemplo si se tienen dos $actores A # +! con p niveles el $actor A 9a?! a-! ''''ap: # 2 niveles el $actor + 9b?! b-! b7! '''b2:5 entonces "na posible $orma de aleatori)aci n en blo2"e sera como sig"e6
a0b0a)b%a2b3...... a0b% > *++++, a2b0a%b3a0bC...... a%b0 *++++, . . . . . . a%b%a3b2a)bC...... a3b3 *++++, >> S ,
LloCuesB >H>>H>>>H ..S Factor 9Ba0Ha%Ha3H..Ha) ) ni=eles del ;actor 9 Factor LBb0Hb%Hb3H..HbC C ni=eles del ;actor C Combinaciones de tratam. a0b0Ha0b%H..Ha0bCH a%b0H a%b%H..Ha%bCH..Ha)bC
<entajas de los e&perimentos $actoriales6 4os e&perimentos de $sica normalmente solo permiten 2"e vare "n $actor mientras 2"e los restantes permanecen constantes' El e&perimento de "n $actor 9tratamiento: se %a convertido m(s o menos en el modelo tpico de la investigaci n cient$ica por2"e %a res"ltado ser m"# adec"ado5 sin embargo! en el campo de la biologa los diversos $actores interaccionan entre s de $orma complicada e inesperada # el e&perimento "ni$actorial con $rec"encia no s lo es inadec"ado por lo restringido sino 2"e enga*a en c"anto a los res"ltados' Al dise*ar "n e&perimento $actorial! el investigador debe "tili)ar s" criterio # el conocimiento de los $actores 2"e se consideran5 as! si se sospec%a 2"e %a# $actores 2"e p"eden interact"ar en el res"ltado no es conveniente aislarlos reali)ando el est"dio de cada $actor en $orma separada! sino anali)ar todos los $actores en $orma sim"lt(nea para ver si los $actores realmente interact3an entre si' Interacci n de $actores 4a interacci n de los $actores representa "n papel importante en el an(lisis! de a% 2"e las pr"ebas 1 2"e se reali)en deben obedecer al sig"iente orden6 Primero la interacci n de orden s"perior! l"ego la de menor orden # por 3ltimo de los $actores' Si la interacci n de ma#or orden res"lta signi$icativa! termina la pr"eba del AN<A # se procede a comparar los niveles de "n $actor en la combinaci n de los otros $actores' Si la interacci n de ma#or orden no res"lta signi$icativa! contin"an las pr"ebas de 1 con las interacciones de menor orden! si alg"nas de estas interacciones res"lta signi$icativa! se procede a comparar los niveles de "n $actor en la combinaci n de los otros $actores' Si en "na pr"eba de "na interacci n de menor orden no res"lta signi$icativa! se contin"a las pr"ebas de 1 de cada $actor por separado' CASO : CBando se estBdian dos ,actores A y ) Modelo Estad9stico
;i<D = ? D ? i ? < ? EFi< ? ei<D
iB-!7!'''!p jB-!7!'''!2 DB-!7!'''!r
,onde6 EijD B <alor observado en el blo2"e D! para el nivel i del $actor # el nivel j del $actor +' B E$ecto de la media general' D B E$ecto del blo2"e D' i B E$ecto del nivel i del $actor A' j B E$ecto del nivel j del $actor + 9:ij B E$ecto de la interacci n del nivel i del $actor A # el nivel j del $actor +' eijD B E$ecto aleatorio del error e&perimental' CUAD!O DEL ANALISIS DE (A!IANCIA EAN(A
Fuentes de Grados de Suma de Cuadrado =ariacin libertad cuadrados medio F.V. G.L. S.C. C.M.=S.C G.L. !!!" LloCues r$% SCLloC $ !!!" Factor 9 )$% SC9 CM9 !!!" Factor L C$% SCL CML !!!" interaccin Q)$%RQC$%R SC9L CM9L 9(L !!!" 'rror Q)C$%RQr$%R SC'rror CM'rror !!!" #otal )Cr$% SC# *+++, Este Anva pr"eba las %ip tesis considerando el modelo I sobre los e$ectos de cada $actor 9A! +:! as como de la interacci n 9A&+:! as6 >p6 i B ? 9Todos los niveles del $actor A tienen el mismo e$ecto: >a6 i ? 9No todos los niveles del $actor A tienen el mismo e$ecto: >p6 j B ? 9Todos los niveles del $actor + tienen el mismo e$ecto: >a6 j ? 9No todos los niveles del $actor + tienen el mismo e$ecto: >p6 9:ij B ? 9El $actor A # el $actor + no interaccionan: >a6 9:ij ? 9El $actor A # el $actor + interaccionan: Nivel de signi$icaci n 6 1cal= B CM=ICMError ! siendo = el $actor o la interacci n a probar' KONAS CRITICAS 9para cada >p':
Si6 1calL1tab"lar 9con grados de libertad del $actor interacci n # el grado de libertad del error:! se rec%a)a la %ip tesis planteada 9>p: a "n nivel de signi$icaci n ' EJEMPLO En la Estaci n e&perimental CSanta AnaC de >"anca#o5 se reali) "n e&perimento para determinar el e$ecto de la s"stit"ci n de ma) por cebada en dietas para patos' 4a variable anali)ada $" el incremento total de peso 9Dgs': desde la @ta' semana a la -7va' semana' 4os tratamientos "sados $"ron6 R6 Niveles de cebada en la raci n 9R-B?J! R7B-0J! R/B/?J # R@B@0J: S6 se&o 9MBMac%os # >B>embras:' El nivel de cebada R-B?J es considerado como testigo' El dise*o "sado para el an(lisis $" el de blo2"es completos al a)ar con dos $actores 9 R # S:' 4os res"ltados e&perimentales son6
-?acin -LloCue -Se(o ->ncremento de )eso ?% % M 4.01 ?% % K 3.50 ?% 3 M %.17 ?% 3 K %.8% ?3 % M 3.58 ?3 % K 4.32
?3 3 M %.18 ?3 3 K %.86 ?4 % M 4.07 ?4 % K 4.%3 ?4 3 M %.25 ?4 3 K %.64 ?2 % M 4.30 ?2 % K 4.05 ?2 3 M %.81 ?2 3 K %.60 *,
-'@'- PROCE,IMIENTO EN SAS PARA E4 ANA4ISIS ,E4 1ACTORIA4 EN ,+CR' ,ATA SS5 IN1I4E C,6OSASO1ACT',ATC5 INP8T RACIONP -;7 +4OR @;@ SE=OP Q;Q INCREM .;-75 PROC ANO<A5 C4ASS RACION +4OR SE=O5 MO,E4 INCREMB+4OR RACION SE=O RACIONHSE=O5 MEANS RACION I ,8NCAN5 R8N5 -'@'7 SA4I,A SAS PARA E4 ANA4ISIS ,E4 1ACTORIA4 EN ,+CR
9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class ?9C>E@ LLEV S'WE Le=els 2 3 3 Values ?% ?3 ?4 ?2 % 3 K M
@umber o; obser=ations in data set = %8 9nal:sis o; Variance <rocedure Ae)endent VariableB >@C?'M Source Model 'rror Corrected #otal AF 7 6 %1 ?$SCuare 0.551454 Sum o; SCuares 7.16841000 0.04585461 7.8%802461 C.V. 4.30%736 ?oot MS' 0.061404 >@C?'M Mean 3.41%76100 Mean SCuare %.06302461 0.00186012
F Value %75.08
<r - F 0.000%
9nal:sis o; Variance <rocedure Ae)endent VariableB >@C?'M Source LLEV AF % 9no=a SS 7.27381831 Mean SCuare 7.27381831 F Value %251.53 <r - F 0.000%
E-.erimento en Parcelas Divididas ?9C>E@ S'WE ?9C>E@XS'WE 4 % 4 0.04%18761 0.0%100831 0.026%%761 0.0%013353 0.0%100831 0.0%160831 %.78 3.81 3.66 0.3314 0.%267 0.%308
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB >@C?'M @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= 6 MS'= 0.00186% @umber o; Means 3 4 2 Critical ?ange 0.%38 0.%4% 0.%42 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing Mean @ ?9C>E@ 9 9 9 9 9 9 9 3.2%00 3.4161 3.4110 3.3710 2 2 2 2 ?2 ?3 ?4 ?%
-'@'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS ,E4 1ACTORIA4 EN ,+CR

General Linear Model: INCREM versus BLOQUE, RACION, SE O Factor LLEV.' ?9C>E@ S'WE #:)e Le=els Values ;i(ed 3 % 3 ;i(ed 2 ?% ?3 ?4 ?2 ;i(ed 3 K M
9nal:sis o; Variance ;or >@C?'MH using 9dOusted SS ;or #ests Source LLEV.' ?9C>E@ S'WE ?9C>E@XS'WE 'rror #otal AF % 4 % 4 6 %1 SeC SS 7.2736 0.04%8 0.0%10 0.026% 0.0456 7.8%80 9dO SS 7.2736 0.04%8 0.0%10 0.026% 0.0456 9dO MS F 7.2736 %251.53 0.0%01 %.78 0.0%10 3.81 0.0%16 3.66 0.0016 < 0.000 0.331 0.%27 0.%3%
#uPe: Simultaneous #ests ?es)onse Variable >@C?'M 9ll <airGise Com)arisons among Le=els o; ?9C>E@ ?9C>E@ = ?% subtracted ;romB Le=el ?9C>E@ ?3 ?4 ?2 Ai;;erence o; Means 0.06310 0.06000 0.%3100 S' o; Ai;;erence 0.01431 0.01431 0.01431 #$Value %.483 %.4%1 3.427 9dOusted <$Value 0.1168 0.1735 0.%680
?9C>E@ = ?3 subtracted ;romB Le=el ?9C>E@ ?4 ?2 Ai;;erence o; Means $0.003100 0.013100 S' o; Ai;;erence 0.01431 0.01431 #$Value $0.02851 0.57156 9dOusted <$Value %.0000 0.68%5
?9C>E@ = ?4 subtracted ;romB Le=el ?9C>E@ ?2 Ai;;erence o; Means 0.01100 S' o; Ai;;erence 0.01431 #$Value %.044 9dOusted <$Value 0.646%
-'@'/ CONC48SION ,el c"adro de Anva se p"ede apreciar 2"e no e&isten di$erencias signi$icativas en los incrementos de peso prod"cido por los e$ectos de las raciones5 asimismo el incremento de peso e$ect"ado por las raciones es similar en los patos mac%os # %embras! no e&istiendo e$ecto de interacci n entre se&o # raci n sobre el incremento de peso' 4a pr"eba de comparaci n de las medias mediante ,"ncan! m"estra 2"e no e&isten di$erencias signi$icativas entre las los e$ectos 2"e p"dieran prod"cir las raciones sobre el incremento de peso'
"#/ E PE!IMENTO EN PA!CELAS DI(IDIDAS En el campo de la investigaci n se presentan n"merosos e&perimentos 2"e re2"ieren "nidades e&perimentales grandes! los mismos 2"e p"eden aprovec%arse para dividir estas parcelas en s"bparcelas o s"b"nidades donde p"ede est"diarse "n $actor di$erente! en tal caso se debe de aplicar parcelas divididas donde la aleatori)aci n se %ace en dos etapas! en la -ra' se colocan al a)ar los niveles de "n $actor 9A: en parcelas # en la 7da' se colocan al a)ar todos los niveles de otro $actor 9+: en s"bparcelas dentro de cada parcela' ,e esta $orma cada "nidad de parcela llega a ser "n blo2"e para los tratamientos 2"e estan en s"bparcelas' S"ponga 2"e se tiene 2"e probar tres tratamientos6 A-!A7!A/ en blo2"es al a)ar # 2"e dentro de cada blo2"e cada tratamiento se asigna al a)ar a "na parcela de terreno' Para ciertos tipos de tratamientos 9por ejemplo mtodo de labran)a! irrigaci n! pastos! sistemas agro$orestales! etc':! la parcela de terreno no p"ede ser demasiado pe2"e*a' 4a parcela de terreno relativamente grande es la "nidad de e&perimentaci n con respecto a los tratamientos A' S"ponga 2"e %a# 2"e probar al mismo tiempo otros c"atro tratamientos 9+ -!+7!+/!+@:! cada "no de ellos en combinaci n con cada "no de los tratamientos Ai 9iB-!7!/:' Con el $in de introd"cir los tratamientos +i 9iB-!7!/:! cada "na de las parcelas donde se asignaron al a)ar los tratamientos Ai 9iB-!7!/: se p"ede dividir en c"atro s"bparcelas 9s"b"nidades:! asign(ndose al a)ar a estas s"bparcelas los c"atro tratamientos +! este arreglo recibe el nombre de Cparcelas divididasC' >a# 2"e disting"ir claramente este tipo de dise*o del de los blo2"es al a)ar ordinarios5 en este 3ltimo caso! las -7 combinaciones de tratamientos se asignan al a)ar a las -7 "nidades de "n blo2"e' En el dise*o de parcela dividida! primero se asignan los tratamientos A # a
contin"aci n! dentro de cada nivel de A se asignan al a)ar los c"atro niveles del tratamiento +' En e&perimentos de laboratorio! los tratamientos 2"e no p"eden administrarse a pe2"e*a escala deber(n ser las A de las "nidades completas # los tratamientos 2"e p"eden aplicarse convenientemente a pe2"e*a escala deber(n ser los + de las s"b"nidades' Sin embargo! en caso de poder elegir! los tratamientos m(s importantes deber(n ser los + de las s"b"nidades # los tratamientos de importancia sec"ndaria deber(n ser los A de las "nidades completas' ejemplos6 PARCE4A a' Niveles de $ertili)ante b' <ariedades de ma) c' Epocas de siembra S8+PARCE4A Mtodos de aplicaci n ,ensidades de siembra Niveles de $ertili)aci n
Ejemplo de aleatori)aci n en parcelas divididas6 Considere 2"e se tienen 7 $actores! considerando el $actor A aleatori)ado en las parcelas grandes! # el $actor + aleatori)ado en parcelas pe2"e*as 9s"bparcelas: dentro de cada parcela grande! entonces "n posible cro2"is e&perimental es6 a0 a% a4 a3 YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^ ^b0b3b%^b%b3b0^b0b%b3^b3b%b0^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb a3 a4 a0 a% YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^ ^b0b%b3^b0b%b3^b3b%b0^b%b3b0^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb a% a3 a0 a4 YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^
LloCue >
LloCue >>
^b0b%b3^b%b3b0^b%b3b0^b3b0b%^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb a% a4 a3 a0 YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^ ^b3b%b0^b0b3b%^b%b3b0^b%b3b0^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb *, *- sub)arcela )arcela
LloCue >>>
LloCue >V
Modelo estad9stico:
;i<D = ? D ? i ? eiD ? < ? EFi< ? i<D

iB -!'''!a jB -!'''!b DB -!'''!r ,onde6 EijD B B <alor observado en el blo2"e D! para el nivel i del $actor A # el nivel j del $actor +' E$ecto de la media! constante general para todas las observaciones' E$ecto del D;simo blo2"e o repetici n' E$ecto del i;simo nivel del $actor A' B E$ecto del error de la parcela principal iD 9Error 9a:: E$ecto del j;simo nivel del $actor +' E$ecto de la interacci n del i;simo nivel del $actor A # el j;simo nivel del $actor +' E$ecto del error de la s"bparcela ijD 9Error 9b:: aB n3mero de niveles del $actor A bB n3mero de niveles del $actor + rB n3mero de blo2"es'
D B i B eiD j B 9:ijB ijD B
CUAD!O DEL ANALISIS DE (A!IANCIA EAN(AF Fuentes de grados de Suma de cuadrado F calculado =ariacin libertad cuadradosmgdio G.L. S.C. C.M.=S.C F cal. G.L !!!!" LloCues r$% SCbloC CMbloC $ Factor 9 a$% SC9 CM9 CM9&CM'QaR 'rrorQaR Qa$%RQr$%R SC'QaR CM'QaR !!!!" Factor L b$% SCL CML CML&CM'QbR 9 ( L Qa$%RQb$%R SCQ9(LR CMQ9(LR CMQ9(LR CM'QbR 'rrorQbR aQb$%RQr$%RSC'QbR CM'QbR !!!!" #otal abr$% SC#ot *++++,
Para el Modelo I! este Anva pr"eba las sig"ientes %ip tesis 6 >p6 i B ? 9Todos los niveles del $actor A tienen el mismo e$ecto: >a6 i ? 9No todos los niveles del $actor A tienen el mismo e$ecto: >p6 j B ? 9Todos los niveles del $actor + tienen el mismo e$ecto: >a6 j ? 9No todos los niveles del $actor A tienen el mismo e$ecto: >p6 9:ij B ? 9El $actor A # el $actor + no interaccionan: >a6 9:ij ? 9El $actor A # el $actor + interaccionan: Nivel de signi$icaci n 6 1calA B CMAICMError9a: 5 tambin 6
1cal= B CM=ICMError9b: ! siendo = el $actor + o la interacci n A&+' KONAS CRITICAS
Si6 1cal L 1 tab"lar 9con grados de libertad del $actor interacci n # el grado de libertad del error 2"e corresponde:! se rec%a)a la %ip tesis planteada 9>p: a "n nivel de signi$icaci n a' EJEMPLO El programa de S"elos Tropicales del INIA! la 8niversidad Nacional Agraria ; 4a Molina # e&pertos de la 8niversidad de Carolina del Norte! reali)(ron e&perimentos sobre "na serie de sistemas de prod"cci n en la Selva de E"rimag"as en los c"ltivos m(s importantes5 entre estos! el arro) est( siendo considerado por s" adaptaci n a los s"elos con P> bajo' En otro tipo de s"elos la $ertili)aci n nitrogenada %a mostrado ser "n $actor m"# importante en el a"mento del rendimiento de dic%o c"ltivo' Otro $actor m"# importante es la poca de aplicaci n5 #a 2"e las condiciones c(lidas # %3medas del tr pico aceleran todos los procesos 2"e liberan el nitr geno # lo %acen m(s asimilable por la planta'
Para probar estos dos $actores se aplic "n e&perimento en Parcelas ,ivididas! disponiendo los niveles de $ertili)aci n en s"bparcelas # las pocas de aplicaci n en parcelas' Epocas de aplicaci n del nitr geno 9parcelas:6 Siembra 9E-: Siembra # $loraci n 9E7: Macollo # $loraci n 9E/: Siemb'! Mac' # $lorac' 9E@:
, sis de nitr geno 9s"bparcelas:6 ? Sg'I>a' 9N-: 0? Sg'I>a' 9N7: -?? Sg'I>a' 9N/: 8nidad e&perimental6 Parcela' ,isposici n e&perimental6
4os datos 2"e se m"estran a contin"aci n son del rendimiento de arro) en DgIparcela'
-Asis de nitrgeno -')ocas de a)licacin -LloCue -?endimiento @% '% % 8.% @% '% 3 7.4 @% '% 4 6.7 @3 '% % 4.6 @3 '% 3 6.2 @3 '% 4 8.0 @4 '% % 4.0 @4 '% 3 4.% @4 '% 4 2.2 @% '3 % 8.0 @% '3 3 6.2 @% '3 4 8.% @3 '3 % 2.% @3 '3 3 8.3 @3 '3 4 2.2 @4 '3 % 4.0 @4 '3 3 2.8 @4 '3 4 2.% @% '4 % 1.0 @% '4 3 7.4 @% '4 4 8.3 @3 '4 % 1.7 @3 '4 3 6.3 @3 '4 4 6.6 @4 '4 % 2.0 @4 '4 3 1.0 @4 '4 4 2.1 @% '2 % 2.7 @% '2 3 6.3 @% '2 4 8.4 @3 '2 % 1.4 @3 '2 3 8.% @3 '2 4 8.5 @4 '2 % 4.8 @4 '2 3 2.2 @4 '2 4 2.0
-'0'- PROCE,IMIENTO SAS PARA E4 ANA4ISIS EN PARCE4AS ,I<I,I,AS ,ATA SS5 IN1I4E C,6OSASOPARCE4A',ATC5 INP8T NITROAP -;7 EPOCAP @;0 +4OR Q;Q R,T .;--5 PROC ANO<A5 C4ASSES +4OR NITROA EPOCA5 MO,E4 R,T B +4OR EPOCA +4ORHEPOCA NITROAH+4OR9EPOCA:5 TEST >BEPOCA EB+4ORHEPOCA5 TEST >BNITROA EB NITROAH+4OR9EPOCA:5
NITROA
NITROAHEPOCA
TEST >BNITROAHEPOCA EBNITROAH+4OR9EPOCA:5 MEANS EPOCAI ,8NCAN EB+4ORHEPOCA5 MEANS NITROAI ,8NCAN EBNITROAH+4OR9EPOCA:5 MEANS NITROAHEPOCA5 R8N5 -'0'7'- SA4I,A EN SAS PARA E4 ANA4ISIS EN PARCE4AS ,I<I,I,AS
9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class LLEV @>#?EG '<EC9 Le=els 4 4 2 Values % 3 4 @% @3 @4 '% '3 '4 '2
@umber o; obser=ations in data set = 48 9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source Model 'rror Corrected #otal AF 41 0 41 ?$SCuare %.000000 Sum o; SCuares 72.08000000 . 72.08000000 C.V. 0 ?oot MS' 0 ?A# Mean 1.10000000 Mean SCuare 3.20%6%235 .
F Value .
<r - F .
9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source LLEV '<EC9 LLEVX'<EC9 @>#?EG @>#?EGX'<EC9 @>#?EGXLLEVQ'<EC9R AF 3 4 8 3 8 %8 9no=a SS %7.62888886 4.10000000 %.73000000 21.0%100000 8.57100000 6.55444444 Mean SCuare 5.46444444 %.%8888886 0.40444444 33.10610000 %.%82%8886 0.25517444 F Value . . . . . . <r - F . . . . . .
9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# #ests o; K:)otFeses using tFe 9no=a MS ;or LLEVX'<EC9 as an error term Source '<EC9 AF 4 9no=a SS 4.10000000 Mean SCuare %.%8888886 F Value 4.71 <r - F 0.0612
S9S 9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# #ests o; K:)otFeses using tFe 9no=a MS ;or @>#?EGXLLEVQ'<EC9R as an error term Source @>#?EG AF 3 9no=a SS 21.0%100000 Mean SCuare 33.10610000 F Value 21.01 <r - F 0.000%
#ests o; K:)otFeses using tFe 9no=a MS ;or @>#?EGXLLEVQ'<EC9R as an error term Source @>#?EGX'<EC9 AF 8 9no=a SS 8.57100000 Mean SCuare %.%82%8886 F Value 3.44 <r - F 0.0738
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB ?A# @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= 8 MS'= 0.404444
@umber o; Means 3 4 2 Critical ?ange 0.841 0.817 0.885 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing 9 9 9 9 9 Mean 1.586 1.144 1.200 1.%00 @ 5 5 5 5 '<EC9 '4 '% '2 '3
L L L L L
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB ?A# @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= %8 MS'= 0.255174
@umber o; Means 3 4 Critical ?ange 0.8%% 0.82% Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing 9 L C Mean 8.831 1.500 4.561 @ %3 %3 %3 @>#?EG @% @3 @4
9nal:sis o; Variance <rocedure Le=el o; @>#?EG @% @% @% @% @3 @3 @3 @3 @4 @4 @4 @4 Le=el o; '<EC9 '% '3 '4 '2 '% '3 '4 '2 '% '3 '4 '2 @ 4 4 4 4 4 4 4 4 4 4 4 4 $$$$$$$$$$$$$?A#$$$$$$$$$$$$$ Mean SA 6.20000000 8.10000000 8.10000000 8.%0000000 1.60000000 2.50000000 8.50000000 8.%0000000 4.10000000 4.50000000 2.10000000 2.00000000 %.%1431838 0.67%03256 %.8604354% %.3%324116 %.787%12%6 %.%4167%86 0.57277167 0.70000000 0.67%03256 0.7%714137 0.10000000 0.20000000
-'0'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS EN PARCE4AS ,I<I,I,AS

General Linear Model: RDT versus BLOQ, E!OCA, NITROG Factor LLEV '<EC9 @>#?EG #:)e Le=els Values ;i(ed 4 % 3 4 ;i(ed 2 '% '3 '4 '2 ;i(ed 4 @% @3 @4
9nal:sis o; Variance ;or ?A#H using 9dOusted SS ;or #ests Source LLEV '<EC9 LLEVX'<EC9 @>#?EG '<EC9X@>#?EG 'rror #otal AF 3 4 8 3 8 %8 41 SeC SS %7.6286 4.1000 %.7300 21.0%10 8.5710 6.5544 72.0800 9dO SS %7.6286 4.1000 %.7300 21.0%10 8.5710 6.5544 9dO MS 5.4644 %.%886 0.4044 33.1061 %.%823 0.2558 F %7.68 3.42 0.8% 21.01 3.44 < 0.000 0.%%3 0.63% 0.000 0.074
.nusual Ebser=ations ;or ?A# Ebs 1 7 ?A# 6.20000 4.%0000 Fit 8.24444 2.34444 S' Fit 0.13874 0.13874 ?esidual 0.58886 $%.%4444 St ?esid 3.01? $3.2%?
? denotes an obser=ation GitF a large standardiJed residual.
Nota6 En esta salida debe observarse 2"e los c"adrados medios del error de todas las $"entes! %an sido divididas entre el error e&perimental 2"e viene a ser el error9b: o NITROAH+4OR9EPOCA:5 por lo 2"e en el caso de la $"ente de variabilidad epoca esta deberia dividirse entre blo2Hepoca' -'0'/ CONC48SION a' No %a# di$erencias signi$icativas entre los e$ectos de las pocas sobre el rendimiento de arro)5 se acepta la %ip tesis 2"e las ep cas de aplicaci n del $ertili)ante tienen el mismo e$ecto a "n B?'?0'
b'
>a# di$erencias signi$icativas a "n B?'?0 entre el e$ecto prod"cido por los niveles de nitr geno en el rendimiento de arro)5 por lo tanto es necesario reali)ar "na pr"eba de comparaci n de promedios para determinar entre 2"e niveles e&isten las di$erencias' Reali)ada la pr"eba de comparaci n de promedios de los e$ectos prod"cidos por el nitr geno en el rendimiento! ,"ncan m"estra 2"e los tres niveles de nitr geno tienen e$ectos di$erentes en el rendimiento! siendo el nivel de nitr geno N- 9sin $ertili)aci n nitrogenada: el 2"e mejor e$ecto tiene sobre el rendimiento' Es "n %ec%o poco $rec"ente 2"e c"ando no se %ace la $ertili)aci n con nitr geno el rendimiento sea m"c%o ma#or 2"e c"ando se $ertili)a esto se p"ede deber a 2"e el s"elo con el 2"e se esta e&perimentando #a tenga nitr geno # el e&ceso de ella ca"se "n desarrollo vegetativo mas no de rendimiento de grano' No e&iste e$ecto de interacci n entre la poca de aplicaci n # el nivel de nitr geno sobre el rendimiento a "n B?'?05 en caso 2"e %"biera sido signi$icativo sera necesario probar el e$ecto 2"e tienen los niveles de nitr geno en cada poca de aplicaci n de las mismas! para ello se p"ede %acer "so de "n an(lisis gr($ico 9visto en el caso de $actorial:'
c'
d'
E-.erimento en CBadrado Latino
"#0 E PE!IMENTO EN CUAD!ADO LATINO El agr"pamiento de las "nidades e&perimentales en dos sentidos 9$ilas # col"mnas: # la asignaci n de los tratamientos al a)ar en las "nidades e&perimentales! de tal $orma 2"e en cada $ila # en cada col"mna se enc"entren todos los tratamientos constit"#e "n C"adrado 4atino' Caractersticas6 a' b' 4as "nidades e&perimentales se distrib"#en bajo dos criterios de %omogeneidad6 dentro de la $ila # dentro de la col"mna' En cada $ila # en cada col"mna! el n3mero de "nidades e&perimentales es ig"al al n3mero de tratamientos'
Aleatori)aci n Se aleatori)a de tal $orma 2"e en el primer blo2"e $ila los tratamientos est(n ordenados de i)2"ierda a derec%a # para el primer blo2"e col"mna estos tratamientos tambin deben estar ordenados en blo2"es col"mnas de arriba %acia abajo5 cada tratamiento debe aparecer en "n blo2"e $ila # en "n blo2"e col"mna "na sola ve)' ejemplo6 ,ise*o con c"atro $ilas! c"atro col"mnas # c"atro tratamientos 9A!+!C!,:
C9SE > -CEL.M@9 + 9 L C A !!!" L 9 A C !!!" C A L 9 !!!" F>L9c" A C 9 L *+++, C9SE >> C9SE >>>
9 L C A !!!" L C A 9 !!!" C A 9 L !!!" A 9 L C *+++,
9 L C A !!!" L 9 A C !!!" C A 9 L !!!" A C L 9 *+++,
Modelo Estad9stico
;i<D = ?i ? *< ? CD ? ei<D

,onde6 EijD B i 1j CD eijD B B B B B
iB-!7!'''!t
jB-!7!'''!t DB-!7!'''!t
<alor observado correspondiente a la j;sima $ila! D;sima col"mna! # a la c"al le aplicaron el tratamiento i;simo' E$ecto de la media general' E$ecto del i;simo tratamiento' E$ecto de la j;sima $ila' E$ecto de la D;sima col"mna' E$ecto del error e&perimental! asociado a la jD;sima "nidad e&perimental! a la c"al se le aplica el i;simo tratamiento'
CUAD!O DEL ANALISIS DE (A!IANCIA EAN(AF
Fuentes de grados de Suma de cuadrado F calculado =ariacin libertad cuadradosmedio G.L. S.C. C.M.=S.C F cal. G.L. !!!!" 'ntre ;ilas t$% SCFilas CMFilas $ 'ntre t$% SCColum. CMColum. $ columnas 'ntre t$% SC#ratam. CM#ratam CM#ratam.&CM' tratam. 'rror Qt$%RQt$3RSC' CM' e()erim. !!!!" 3 #otal t $ % SC#ot *++++,
Este Anva pr"eba la %ip tesis sobre el Modelo I 6 >p6 ti B ? 9Todos los tratamientos tienen el mismo e$ecto: >a6 ti V ? 9Todos los tratamientos no tienen el mismo e$ecto: Nivel de signi$icaci n 6 1calBCMTratamICME 5 KONAS CRITICAS
Si6 1cal L 1 tab"lar 9con 9t;-: # 9t;-: 9t;7: grados de libertad:! se rec%a)a la %ip tesis planteada 9>p: a "n nivel de signi$icaci n ' EJEMPLO Se probaron c"atro raciones alimenticias para pollos! criados en ja"la tipo batera de @ pisos 9$ilas: # @ casilleros 9col"mnas:' 4a variable anali)ada $"6 Peso del pollo 9Dg': a las U semanas de edad' El cro2"is e&perimental es como sig"e6
C% C3 C4 C2 #% #3 #4 #2 !!!" #3 #% #2 #4 !!!" #4 #2 #3 #% !!!" #2 #4 #% #3 *+++,
<% <3 <4 <2
4os datos e&perimentales son6

-<isos -Casilleros -?aciones -<eso <% C% #% %.20 <% C3 #3 %.47 <% C4 #4 %.20 <% C2 #2 %.80 <3 C% #3 %.41 <3 C3 #% %.37 <3 C4 #2 %.21 <3 C2 #4 %.83 <4 C% #4 %.47 <4 C3 #2 %.20 <4 C4 #3 %.23 <4 C2 #% %.84 <2 C% #2 %.45 <2 C3 #4 %.45 <2 C4 #% %.20 <2 C2 #3 %.80 *,
-'M'- PROCE,IMIENTO EN SAS PARA E4 ANA4ISIS EN C8A,RA,O 4ATINO ,ATA SS5 IN1I4E C,6OSASOC8A,4AT',ATC5 INP8T PISOP -;7 CASI44P @;0 RACIONP Q;U PESO -?;-/5
PROC ANO<A5 C4ASS PISO CASI44 RACION5 MO,E4 PESOBPISO CASI44 RACION 5 MEANS RACION I ,8NCAN5 R8N5
-'M'7'- SA4I,A SAS PARA E4 ANA4ISIS EN C8A,RA,O 4ATINO

9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class <>SE C9S>LL ?9C>E@ Le=els 2 2 2 Values <% <3 <4 <2 C% C3 C4 C2 #% #3 #4 #2
@umber o; obser=ations in data set = %8
9nal:sis o; Variance <rocedure Ae)endent VariableB <'SE Source Model 'rror Corrected #otal AF 5 8 %1 ?$SCuare 0.510283 Sum o; SCuares 0.%8470831 0.00714610 0.%6342461 C.V. 3.8%477% ?oot MS' 0.046633 <'SE Mean %.224%3100 Mean SCuare 0.0%730085 0.00%23353
F Value %3.65
<r - F 0.0035
9nal:sis o; Variance <rocedure Ae)endent VariableB <'SE Source <>SE C9S>LL ?9C>E@ AF 4 4 4 9no=a SS 0.003%8761 0.%154%761 0.0034%761 Mean SCuare 0.00063353 0.014%0831 0.00066353 F Value 0.1% 46.43 0.12 <r - F 0.85%% 0.0004 0.8602
AuncanDs Multi)le ?ange #est ;or =ariableB <'SE @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= 8 MS'= 0.00%234
@umber o; Means 3 4 2 Critical ?ange .0814 .0868 .0877 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing 9 Mean %.2800 @ 2 ?9C>E@ #2
E-.erimento en CBadrado Latino 9 9 9 9 9 9
%.2261 %.2461 %.2361
2 2 2
#4 #3 #%
-'M'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS EN C8A,RA,O 4ATINO

General Linear Model: !ESO versus !ISO, CASILL, RACION Factor <>SE C9S>LL ?9C>E@ #:)e Le=els Values ;i(ed 2 <% <3 <4 <2 ;i(ed 2 C% C3 C4 C2 ;i(ed 2 #% #3 #4 #2
9nal:sis o; Variance ;or <'SEH using 9dOusted SS ;or #ests Source <>SE C9S>LL ?9C>E@ 'rror #otal AF 4 4 4 8 %1 SeC SS 0.003%85 0.%154%5 0.0034%5 0.007146 0.%63422 9dO SS 0.003%85 0.%154%5 0.0034%5 0.007146 9dO MS 0.000634 0.014%08 0.000664 0.00%234 F 0.1% 46.43 0.12 < 0.85% 0.000 0.860
.nusual Ebser=ations ;or <'SE Ebs 8 <'SE %.37000 Fit %.43761 S' Fit 0.03573 ?esidual $0.02761 St ?esid $3.%%?
? denotes an obser=ation GitF a large standardiJed residual. #uPe: Simultaneous #ests ?es)onse Variable <'SE 9ll <airGise Com)arisons among Le=els o; ?9C>E@ ?9C>E@ = #% subtracted ;romB Le=el ?9C>E@ #3 #4 #2 Ai;;erence o; Means 0.0%000 0.03000 0.04310 S' o; Ai;;erence 0.03886 0.03886 0.03886 #$Value 0.4625 0.6257 %.3%71 9dOusted <$Value 0.5702 0.7646 0.8476
?9C>E@ = #3 subtracted ;romB Le=el ?9C>E@ #4 #2 Ai;;erence o; Means 0.0%000 0.03310 S' o; Ai;;erence 0.03886 0.03886 #$Value 0.4625 0.7241 9dOusted <$Value 0.5702 0.7438
?9C>E@ = #4 subtracted ;romB Le=el ?9C>E@ #2 Ai;;erence o; Means 0.0%310 S' o; Ai;;erence 0.03886 #$Value 0.2878 9dOusted <$Value 0.5844
-'M'/ CONC48SION
,el an(lisis de variancia se p"ede a$irmar! 2"e no e&isten di$erencias signi$icativas entre los e$ectos de las raciones sobre el peso de los pollos a las U semanas de edad5 es decir prod"cen e$ectos similares! esto se p"ede apreciar tambin en la pr"eba de ,"ncan donde las medias de las raciones estan asociadas "na misma letra' Por otro lado! tambin es posible notar 2"e no e&iste di$erencias signi$icativas a "n B?'?0 entre los pisos en 2"e $"ron tratados los pollos respecto al incremento de peso a las U semanas de edad5 siendo signi$icativo a "n B?'?0 el e$ecto de la casilla sobre el incremento de peso a las U semanas de edad' "#2 E PE!IMENTOS !EPETIDOS C"ando "n e&perimento va a ser cond"cido en di$erentes localidades o pocas se debe "tili)ar "na aleatori)aci n individ"al para cada poca o localidad #a 2"e repetir la misma aleatori)aci n en cada e&perimento individ"al invalida las pr"ebas estadsticas en los res"ltados debido a la posibilidad de 2"e "n sesgo %a#a sido introd"cido en la aleatori)aci n! tambin es conveniente tener el mismo n3mero de repeticiones # tratamientos com"nes en cada e&perimento individ"al a $in de $acilitar el an(lisis de variancia combinado' Para reali)ar el an(lisis de variancia combinado! primero se deber( reali)ar el an(lisis de variancia de los e&perimentos individ"ales5 l"ego se deber( probar la %omogeneidad entre las variancias de los e&perimentos individ"ales! #a sea esto por "na pr"eba 1 9para dos e&perimentos: "na pr"eba c%i;c"adrado 9+artlett: para m(s de dos e&perimentos # reali)ar el an(lisis combinado entre los e&perimentos 2"e presenten %omogeneidad de variancias' 8na $orma r(pida de probar la %omogeneidad de variancias sin "sar la pr"eba de +artlett es mediante el procedimiento s"gerido por >artle#! el c"al se m"estra como sig"e6 >p6 E&iste %omogeneidad de variancias >a6 no e&iste %omogeneidad de variancias 1cal B CME- 9m(s alto de todos los e&perimentos individ"ales: CME7 9m(s bajo de todos los e&perimentos individ"ales:
KONAS CRITICAS6
Si 1cal L 1- tab"lar 9con los grados de libertad del c"adrado medio del error m(s alto # m(s bajo respectivamente: 1cal W 17 tab"lar 9con los grados de libertad del c"adrado medio del error m(s alto # m(s bajo respectivamente:! se rec%a)a la %ip tesis planteada 9>p: a "n nivel de signi$icaci n ' En caso de aceptar la %ip tesis planteada! se p"ede reali)ar el an(lisis combinado de todos los e&perimentos individ"ales5 si se rec%a)a la %ip tesis planteada se deber( agr"par los e&perimentos individ"ales con variancias %omogneas! de tal $orma 2"e se p"eda reali)ar el an(lisis combinado dentro de cada gr"po'
CASO I6 E&perimentos repetidos en di$erentes localidades en el mismo perodo En la e&perimentaci n agrcola sobre "n determinado tratamiento! a veces %a# la necesidad de repetirlo sobre "n n3mero de localidades o ambientes en "n mismo perodo' Este tipo de ensa#os se reali)an por lo general c"ando se instalan "na red de ensa#os en di$erentes estaciones e&perimentales! para "na misma campa*a agrcola' Para tal e$ecto se tiene 2"e "sar el mismo modelo estadstico en cada ambiente! considerando "na aleatori)aci n di$erente para cada e&perimento' Modelo estadstico6
EijD B m G 4i G Rj94i: G TD G 94T:iD G eijD

iB -!'''!l lB n3mero de localidades' DB -!'''!t tB n3mero de tratamientos' jB -!'''!r rB n3mero de blo2"es' donde6 EijD B m 4i TD 94T:iD eijD <alor observado correspondiente a la i;sima localidad! con el D;simo tratamiento! en el j;simo blo2"e' B E$ecto de la media! constante general para todas las observaciones' B E$ecto de la i;sima localidad' B E$ecto del D;simo tratamiento' B E$ecto de la interacci n de la i;sima localidad # el D;simo tratamiento' B Error e&perimental'
C8A,RO ,E4 ANA4ISIS ,E <ARIANCIA 9AN<A:
Fuentes de grados de Sumas de Cuadrado F calculado =ariacin libertad cuadrado medio Fcal. !!!!" Localidad l$% SCLoc CMLoc CMLoc CM'rror% ?e)QLocalidadR lQr$%R SC?e)QLocR CM'rror% !!!!" #ratam. t$% SC#rat CM#rat CM#rat CML(#rat Local. ( tratam.Ql$%RQt$%R SCQLoc(tratR CML(#rat CML(#rat CM'rror ?e)(#rat.QlocalRlQr$%RQt$%RSC'rror CM'rror !!!!" #otal trl$% *++++,
Este Anva pr"eba las %ip tesis para el Modelo I sobre cada $actor 9tratamiento! localidad:! as como de la interacci n 9tratamiento & localidad:' >p6 4i B ? 9Todas las localidades tienen el mismo e$ecto: >p6 TD B ? 9Todos los tratamientos tienen el mismo e$ecto: >p6 94T:iD B ? 9No e&iste interacci n entre las localidades # los tratamientos: Nivel de signi$icaci n 6 1calBCM4ocICMError1calBCMTratICM4&Trat 1calBCM4&TratICMError KONAS CRITICAS 9para cada >p':
Si6 1calL 1 tab"lar 9con grados de libertad del $actor interacci n # el grado de libertad del error 2"e corresponde:! se rec%a)a se rec%a)a la %ip tesis planteada a "n nivel de signi$icaci n ' CASO II6 E&perimentos repetidos en el mismo ambiente en dos mas perodos
En la e&perimentaci n agrcola sobre "n determinado tratamiento! a veces %a# la necesidad de repetirlo en di$erentes perodos en "na misma localidad o ambiente' Este tipo de ensa#os se reali)an por lo general c"ando se instalan e&perimentos en di$erentes campa*as agrcolas para "na misma localidad ambiente 9estaci n e&perimental:' Para tal e$ecto se tiene 2"e "sar el mismo modelo estadstico en cada perodo! considerando "na aleatori)aci n di$erente para cada e&perimento'
Modelo estadstico6
EijD B m G Pi G Rj9Pi: G TD G 9PT:iD G eijD

iB -!'''!p pB n3mero de perodos' DB -!'''!t tB n3mero de tratamientos' jB -!'''!r rB n3mero de blo2"es' donde6 EijD B <alor observado correspondiente al i;simo perodo! con
m B Pi B TD B 9PT:iD B eijD B
el D;simo tratamiento! en el j;simo blo2"e' E$ecto de la media! constante general para todas las observaciones' E$ecto del i;simo perodo' E$ecto del D;simo tratamiento' E$ecto de la interacci n del i;simo perodo # el D;simo tratamiento' Error e&perimental'
C8A,RO ,E4 ANA4ISIS ,E <ARIANCIA 9AN<A:

Fuentes de grados de Sumas de Cuadrado F calculado =ariacin libertad cuadrado medio Fcal. !!!!" <eriodos )$% SC<er CM<er CM<er CM'rror% ?e)Q<eriodosR )Qr$%R SC?e)Q<erR CM'rror% !!!!" #ratam. t$% SC#rat CM#rat CM#rat CM<(#rat <eriod. ( tratam. Q)$%RQt$%R SCQ<er(tratR CM<(#rat CM<(trat CM'rror ?e) ( #rat Q)erR )Qr$%RQt$%RSC'rror CM'rror !!!!" #otal tr)$% *++++,
Este Anva pr"eba las %ip tesis para el Modelo I sobre cada $actor 9tratamiento! perodo:! as como de la interacci n 9tratamiento & perodo: >p6 Pi B ? 9Todos los perodos tienen el mismo e$ecto: >p6 TD B ? 9Todos los tratamientos tienen el mismo e$ecto: >p6 9PT:iD B ? 9No e&iste interacci n entre perodos # tratamientos: Nivel de signi$icaci n 6 1cal BCMPerICMError1calBCMTratICMP&Trat 1calBCMP&TratICMError KONAS CRITICAS 9para cada >p':
Si6 1calL 1 tab"lar 9con grados de libertad del $actor interacci n # el grado de libertad del error 2"e corresponde:! se rec%a)a se rec%a)a la %ip tesis planteada a "n nivel de signi$icaci n '
ETEMP4O Considerando los datos # res"ltados del ejemplo dado en el capt"lo de +lo2"es completos al a)ar! se proceder( a reali)ar el an(lisis combinado para las dos pocas de siembra 9Epoca -B 70 de ma#o de -../! Epoca 7B 7/ de setiembre de -../:6
'<EC9 %
Tra"a#$ Blo%ue Rend$ E&o' S9M>?> % %%72 '<% C9M9C9@> % 0547 '<% S9T9M9 % %%83 '<% G>G.LEL. % 0810 '<% T.T.U % 0602 '<% 9M.M9?9@G % %381 '<% S9M>?> 3 05%0 '<% C9M9C9@> 3 %324 '<% S9T9M9 3 %%%8 '<% G>G.LEL. 3 0816 '<% T.T.U 3 %032 '<% 9M.M9?9@G 3 %422 '<% S9M>?> 4 %%23 '<% C9M9C9@> 4 %%81 '<% S9T9M9 4 %446 '<% G>G.LEL. 4 %000 '<% T.T.U 4 %%80 '<% 9M.M9?9@G 4 %483 '<% S9M>?> 2 0543 '<% C9M9C9@> 2 %328 '<% S9T9M9 2 %232 '<% G>G.LEL. 2 %364 '<% T.T.U 2 0167 '<% 9M.M9?9@G 2 %454 '<% *,
'<EC9 3 #ratam.
LloCue
?end.
')oc
S9M>?> % %146 '<3 C9M9C9@> % 0713 '<3 S9T9M9 % %342 '<3 G>G.LEL. % %755 '<3 T.T.U % %1%5 '<3 9M.M9?9@G % %08% '<3 S9M>?> 3 %656 '<3 C9M9C9@> 3 %%33 '<3 S9T9M9 3 %824 '<3 G>G.LEL. 3 %177 '<3 T.T.U 3 %686 '<3 9M.M9?9@G 3 %341 '<3 S9M>?> 4 %861 '<3 C9M9C9@> 4 %616 '<3 S9T9M9 4 3443 '<3 G>G.LEL. 4 %5%0 '<3 T.T.U 4 3%05 '<3 9M.M9?9@G 4 %4%3 '<3 S9M>?> 2 %501 '<3 C9M9C9@> 2 %301 '<3 S9T9M9 2 %574 '<3 G>G.LEL. 2 %563 '<3 T.T.U 2 %655 '<3 9M.M9?9@G 2 %050 '<3 *,
Antes de reali)ar el an(lisis combinado se tiene 2"e reali)ar el procedimiento estadstico para probar la %omogeneidad de variancias de los e&perimentos individ"ales6 -'Q'- PR8E+A ,E >OMOAENEI,A, ,E <ARIANCIAS >p6 E&iste %omogeneidad de variancias >a6 No e&iste %omogeneidad de variancias B?'CME-B @0---'/0/ 5 CME7B /0-M7'-.Q7 1calB @0---'/0/ I/0-M7'-.Q7 B -'7U7.
Konas crticas6
Se acepta la >p' # se concl"#e a "n aB?'- 2"e %a# evidencia estadstica para a$irmar 2"e %a# %omogeneidad de variancias5 por lo tanto se p"ede reali)ar el an(lisis combinado para las dos ep cas' -'Q'7 PROCE,IMIENTO EN SAS PARA E4 ANA4ISIS ,E4 E=PERIMENTO REPETI,O EN R8IN8A 97 EPOCAS ,E SIEM+RA:
,ATA SS5 IN1I4E C,6OSASOCOM+INA,C5 INP8T TRATP -;. +4OR -@;-@ R,T -U;7- EPOCAP 7@;7M5 PROC ANO<A5 C4ASSES +4OR TRAT EPOCA5
MO,E4 R,T B EPOCA +4OR9EPOCA: TRAT TRATHEPOCA TRATH+4OR9EPOCA:5 TEST >BEPOCA EB+4OR9EPOCA:5 TEST >BTRAT EBTRATHEPOCA5 TEST >BTRATHEPOCA EBTRATH+4OR9EPOCA:5 MEANS TRAT I ,8NCAN EBTRATHEPOCA5 R8N5 -'Q'/'- RES84TA,O EN SAS PARA E4 ANA4ISIS REPETI,O ,E 4AS ,OS EPOCAS ,E SIEM+RA
9nal:sis o; Variance <rocedure Class Le=el >n;ormation Class LLEV #?9# '<EC9 Le=els 2 8 3 Values % 3 4 2 9M.M9?9@G C9M9C9@> G>G.LEL. T.T.U S9M>?> S9T9M9 '<% '<3
@umber o; obser=ations in data set = 27 9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source Model 'rror Corrected #otal AF 26 0 26 ?$SCuare %.000000 Sum o; SCuares 6738783.000 . 6738783.000 C.V. 0 ?oot MS' 0 ?A# Mean %422.00000 Mean SCuare %88137.565 .
F Value .
<r - F .
S9S %B00 Sunda:H 9)ril 1H %552 9nal:sis o; Variance <rocedure Ae)endent VariableB ?A# Source '<EC9 LLEVQ'<EC9R #?9# #?9#X'<EC9 LLEVX#?9#Q'<EC9R AF % 8 1 1 40 9no=a SS 4026%72.074 517573.310 145648.310 3068718.%86 %302%04.310 Mean SCuare 4026%72.074 %15740.461 %06526.310 2%146%.344 20%48.661 F Value . . . . . <r - F . . . . .
#ests o; K:)otFeses using tFe 9no=a MS ;or LLEVQ'<EC9R as an error term Source '<EC9 Ae)endent VariableB ?A# AF % 9no=a SS 4026%72.074 S9S Mean SCuare F Value <r - F
4026%72.074 %5.06 0.0026 %B00 Sunda:H 9)ril 1H %552
#ests o; K:)otFeses using tFe 9no=a MS ;or #?9#X'<EC9 as an error term Source #?9# AF 1 9no=a SS 145648.3100 Mean SCuare %06526.3100 F Value 0.38 <r - F 0.5%64
#ests o; K:)otFeses using tFe 9no=a MS ;or LLEVX#?9#Q'<EC9R as an error term Source #?9#X'<EC9 AF 1 9no=a SS 3068718.%86 Mean SCuare 2%146%.344 F Value %0.41 <r - F 0.000%
9nal:sis o; Variance <rocedure AuncanDs Multi)le ?ange #est ;or =ariableB ?A# @E#'B #Fis test controls tFe t:)e > com)arisonGise error rateH not tFe e()erimentGise error rate 9l)Fa= 0.01 d;= 1 MS'= 2%146%.3
@umber o; Means 3 4 2 1 8 Critical ?ange 735.3 712.6 784.8 787.2 785.4 Means GitF tFe same letter are not signi;icantl: di;;erent. Auncan Grou)ing 9 9 9 9 9 9 9 9 9 9 9 Mean %137.5 %471.3 %487.8 %443.1 %316.6 %%5%.0 @ 7 7 7 7 7 7 #?9# S9T9M9 S9M>?> G>G.LEL. T.T.U 9M.M9?9@G C9M9C9@>
-'Q'/'7 RES84TA,O EN MINITA+ PARA E4 ANA4ISIS REPETI,O ,E 4AS ,OS EPOCAS ,E SIEM+RA
General Linear Model: RDT versus E!OCA, TRAT, BLOQ Factor '<EC9 LLEVQ'<EC9R #?9# #:)e Le=els Values ;i(ed 3 '<% '<3 ;i(ed 7 % 3 4 2 % 3 4 2 ;i(ed 8 9M.M9?9@G C9M9C9@> S9T9M9
G>G.LEL.
T.T.U
S9M>?>
9nal:sis o; Variance ;or ?A#H using 9dOusted SS ;or #ests Source '<EC9 LLEVQ'<EC9R #?9# '<EC9X#?9# #?9#XLLEVQ'<EC9R 'rror #otal AF % 8 1 1 40 0 26 SeC SS 4026%72 517573 145648 3068718 %302%04 0 6738783 9dO SS 4026%72 517573 145648 3068718 %302%04 0 9dO MS 4026%72 %15740 %06526 2%146% 20%46 0 F XX XX XX XX XX <
XX Aenominator o; F$test is Jero.
-'Q'@ CONC48SION a' se reali) para cada poca 9dise*o blo2"e completo al a)ar:! en ella se nota 2"e los c"ltivares rinden mejor en la seg"nda poca de siembra' b' No e&iste di$erencias signi$icativas en el rendimiento de los c"ltivares de 2"in"a a "n B?'?0! sin considerar el e$ecto de poca' E&iste "n e$ecto de poca 2"e interacciona en los c"ltivares de 2"in"a sobre el rendimiento 9a "n B?'?0:! esto indica 2"e los c"ltivares prod"cen e$ectos di$erentes dependiendo de la poca de siembra' E&iste "n e$ecto de poca 2"e in$l"#e en el rendimiento de los c"ltivares de 2"in"a a "n B?'?05' Este e$ecto p"ede apreciarse en la pr"eba de comparaci n de ,"ncan 2"e
c'
AnGlisis de reHresiIn
CAPIT84O II ANA4ISIS ,E REARESION

7'- !E$!ESION LINEAL MULTIPLE El est"dio e$ect"ado %asta el momento de los mtodos estadsticos se %a limitado principalmente a los datos "nivariables5 es decir a reali)ar el an(lisis estadstico de "na sola variable resp"esta por "nidad e&perimental' En la pr(ctica5 c"ando el investigador toma datos! lo %ace sobre "n conj"nto de variables5 as por ejemplo si se est( est"diando "n conj"nto de tratamientos dado por accesiones de ma)! entonces alg"nos de los datos 2"e el investigador anotar( en s" libro de campo ser(n6 alt"ra de la planta! rendimiento por parcela! das a $loraci n! porcentaje de %"medad! X de ma)orcas! etc' 8n mtodo 2"e permite anali)ar m(s de "na variable mediante "na relaci n $"ncional est( dada por la regresi n' As p"es! la regresi n es "na tcnica estadstica 2"e permite establecer la mejor relaci n $"ncional entre "na variable dependiente # "na m(s variables independientes'
Y= f(x1,. ,x ; 1,. , m)
8na relaci n $"ncional matem(tica est( dado por la sig"iente e&presi n6 donde6 E =i Yj B Es la variable dependiente' B Es la i;sima variable independiente' B Es el j;simo par(metro de la $"nci n' C"ando se decide aj"star los datos m"estrales a "na $"nci n! los par(metros no se
Y= f(x1,. ,x; 1,. , m)+

p"eden determinar sin error! por lo 2"e la $"nci n matem(tica se convierte en6 donde e representa el error cometido en el intento de observar la caracterstica en est"dio! la c"al es in$l"enciada por6 variables no consideradas en el modelo! errores de observaci n o medici n de las variables! M-
modelo no adec"ado! etc' A esta 3ltima $"nci n es la 2"e se denomina $"nci n estadstica! 2"e ser( materia de est"dio en el presente capt"lo' Modelo Estadstico poblacional
Ei B Y? G Y- =i-G Y7 =i7G ''' G Y9p;-: =i9p;-:G ei

donde6 Ei B Y? B Yj B p B ei B =ij B i;simo valor de la variable dependiente E 9iB-!7!'''n: Coe$iciente de intersecci n parametrca' Coe$icientes de regresi n paramtrica 9jB-!7! '' 9p;-::' N3mero de par(metros del modelo poblacional' i;simo trmino de error del modelo' i;sima observaci n de la j;sima variable dependiente'
Este modelo p"ede ser e&presado en $orma matricial de la sig"iente manera6
E B = Y G e ! # en trminos de "n modelo m"estral como6 E B = b G e ! siendo los componentes de este modelo6
U = * e = * U% U3 U4 . . . Un % % d W = . . . . % , * W%% W3% . . . . Wn% W%3 .... W%Q)$%R W33 .... W3Q)$%R . . . . . . . . Wn3 .... WnQ)$%R d b = , * b0 b% b3 . . . bQ)$%R ,
e% e3 . . . . eQ)$%R ,
Mediante el mtodo de Mnimos C"adrados es posible encontrar los estimadores de los par(metros del modelo poblacional! para ello el procedimiento consiste en minimi)ar la s"ma de c"adrados del error! "sando el concepto de derivadas5 l"ego $ormar "n sistema de ec"aciones normales c"#a sol"ci n ser( el vector de estimadores' Paso -6 Minimi)ar la s"ma de c"adrados del error
M7
e! e =0 b
Paso 76 1ormar el sistema de ec"aciones normales

n S Wi% S Wi3 ......... S 3 S Wi% S Wi% S Wi% Wi3 ..... S 3 S Wi3 S Wi3 Wi% S Wi3 ..........S . . . . . . . . S WiQ)$%R ......................... S * Wi% WiQ)$%R Wi3 WiQ)$%R . . . 3 WiQ)$%R , WiQ)$%R b0 S b% S b3 =S . . . . bQ)$%R S * , * Wi3 Ui Wi4 Ui . . . . WiQ)$%R Ui , Wi% Ui
El c"al p"ede ser e&presado como6
( "! " )b=( "!Y )

,onde el vector sol"ci n es6
b = ( " ! " ) " !Y
#1
Con lo c"al el modelo estimado es6

Z= " b y
4os coe$icientes del vector b p"eden ser interpretados de la sig"iente manera6 b? B C"ando las variables independientes toman el valor ?! en promedio la variable dependiente es b?' Este coe$iciente no siempre tiene interpretaci n pr(ctica! debido a 2"e por e$ectos propios del aj"ste de datos a la ec"aci n de regresi n! p"ede res"ltar "n valor 2"e no tiene relaci n con lo 2"e se est"dia' B C"ando la variable =i vara en "na "nidad! en promedio la variable E vara en bi "nidades! manteniendo constante las dem(s variables M/
bi
independientes' S"p"estos b(sicos del modelo a' b' c' d' 4as variables =i son no aleatorias o $ijas' No e&iste relaci n lineal e&acta entre las variables =i 9no e&iste m"lticolinealidad:' 4a matr) = es de rango completo 9p;-:! es decir 2"e 9p;-: es el n3mero de col"mnas de = # 9p;-: es menor 2"e n 9tama*o de m"estra: ' 4os errores atrib"ibles a cada observaci n Ei no est(n asociados'
MAT!I8 DE CO!!ELACIONES SIMPLES El coe$iciente de correlaci n 9r: es "n n3mero 2"e indica el grado de asociaci n entre dos variables' S" valor se enc"entra entre ;- # -! c"ando rB ;- entonces la asociaci n entre las variables es per$ecta e inversa! c"ando rB- entonces la asociaci n entre las variables es per$ecta # directa # c"ando rB? no %a# asociaci n entre las variables' En la pr(ctica se debe tener en c"enta 2"e es di$cil encontrar relaciones per$ectas entre dos variables distintas5 por lo tanto el valor del coe$iciente de correlaci n debe interpretarse de la sig"iente manera6 C"ando el valor de r se acerca a ;- la asociaci n de las variables es alta e inversa! c"ando el valor de r se acerca a - la asociaci n de las variables es alta # directa # c"ando el valor de r se acerca a cero entonces las variables no est(n asociadas o son independientes' 4a matr) de correlaciones simples se m"estra de la sig"iente manera6
* % r:(% r:(3 ....... r:(Q)$%R r(%: % r(%(3 ....... r(%(Q)$%R . . . . . . % . . . . . . . . . r(Q)$%R: r(Q)$%R(% r(Q)$%R(3 ........ % ,
r=
Siendo6
M@
1 # ( ) ( ) $ ' ' % n r= 1 1 & #( & ) n % #( $ )

n n n i) i ) i=1 ( i=1 ( )=1 &i % ) n n n n i ( ( i ) ) i=1 i=1 )=1 )=1
,onde [i! Kj son variables 2"e p"eden as"mir a dos variables independientes dependiente # "na variable independiente c"al2"iera' C8A,RO ,E ANA4ISIS ,E <ARIANCIA
a la variable
F.'@#'S A' V9?>9C>E@ G?9AES A' S.M9 A' C.9A?9AE Fcal. L>L'?#9A C.9A?9AE M'A>E !!!!" # # e3 A'L>AE 9 L9 ?'G?'S>E@ )$% SC?=b QW UR$nU CM?=SC?&Q)$%RCM?&CM' '??E? n $ ) SC'=SC#$SC? CM'=SC'&Qn$)R !!!+, # e3 #E#9L n $ % SC#=U U$nU *++,
>ip tesis a probar6 M0
>p6 Y-BY7BY/B '''''BY 9p;-:B? >a6 Al menos "n Y i es di$erente de ?! para iB-!7!''!9p;-:' Nivel de signi$icaci n 6 1cal BCMRICME
KONAS CRITICAS
Si 1cal L 1 tab"lar 9con 9p;-: # 9n;p: grados de libertad: se rec%a)a la %ip tesis >p' Si se acepta la >p' entonces no e&iste regresi n m3ltiple! si se rec%a)a la >p' es necesario reali)ar la pr"eba de %ip tesis sobre cada coe$iciente de regresi n! a $in de determinar si e&iste "n e$ecto adicional de cada variable independiente' El procedimiento 2"e se "sa para reali)ar la pr"eba de %ip tesis sobre el i;simo coe$iciente de regresi n 9iB-!7!''! 9p;-:: es6 >p6 YiB? >a6 YiV? Nivel de signi$icaci n6 Tc B bi ISbi \]]]]]]L ,esviaci n est(ndar del coe$iciente de regresi n bi5 el c"al p"ede ser determinado de la matr) variancia;covariancia5 la c"al res"lta de la sig"iente e&presi n6
MM
*+,( " ! " )#1
2"e p"ede ser e&presado como6

* a00 a%0 a30 . . . aQ)$%R0 a0% a%% a3% a03 .......... a0Q)$%R a%3 .......... a33 .......... . . aQ)$%R3 ...... a%Q)$%R a3Q)$%R . aQ)$%RQ)$%R ,
QCM'R
aQ)$%R%
,el c"al se desprende 2"e6

. bi = *+, -ii
KONAS CRITICAS
Si ^Tc^LTtab 9con 9n;p: grados de libertad: se rec%a)a la %ip tesis planteada! con lo c"al se p"ede concl"ir 2"e e$ectivamente la variable =i si aporta signi$icativamente al modelo lineal m3ltiple 9tiene "n e$ecto adicional:'
MQ
COE*ICIENTE DE DETE!MINACION MULTIPLE 4a e&presi n r7B SCR I SCT indica en 2"e porcentaje la variaci n de la variable dependiente es debida a e$ectos de la regresi n' El valor del coe$iciente de determinaci n se enc"entra entre cero # "no5 c"anto m(s lejos este de cero mejor es el modelo de regresi n 2"e se "s para describir los datos' Adicionalmente a este coe$iciente de determinaci n m3ltiple se de$ine el r7 aj"stado 9r7aj':! el trmino aj"stado implica 2"e el coe$iciente "tili)a los grados de libertad como "na manera de mejorar el valor del coe$iciente de determinaci n' 4a e&presi n
r
( -).
=r (
(n # 1) (n # /)
del coe$iciente de determinaci n aj"stado es6 Es "na b"ena pr(ctica "tili)ar el r 7aj' en l"gar del r7 debido a 2"e este 3ltimo proporciona "n c"adro demasiado optimista de la regresi n! partic"larmente c"ando el n3mero de variables independientes no es m"# pe2"e*o en comparaci n con el n3mero de observaciones'
ETEMP4O En -.UU en la estaci n e&perimental C4os Pobres ; IcaC! se reali)aron e&perimentos en papa con el $in de eval"ar la resistencia a diversos tipos de vir"s # al calor' En "no de los e&perimentos se sembraron -M7 clones! de las c"ales se seleccionaron /M por s"s caractersticas de rendimiento! precocidad! n3mero de t"brc"los por planta # apariencia' El sig"iente conj"nto de datos corresponde al rendimiento # otras caractersticas de los clones tolerantes a calor seleccionados en ica6
- 9ltura de la )lanta QcmR - @fmero de tubgrculos&)lanta Q)romedioR - ?endimiento Qgr&)lantaR 20.8 %2.% 108.3 25.0 8.1 483.1 43.8 6.0 18%.% 13.0 1.1 24%.3 44.0 7.% 487.7 8%.8 5.7 252.1 12.8 8.7 100.0 43.4 8.1 324.7 44.8 1.3 316.3 20.0 7.3 281.0 18.8 %1.0 700.0 27.8 %%.2 422.2
MU
16.4 6.8 188.6 2%.8 1.0 446.6 80.8 6.4 233.3 %6.8 6.4 410.0 33.4 5.6 366.7 14.0 8.3 446.1 18.8 %%.0 287.7 45.0 1.7 466.7 47.0 %0.1 811.1 1%.8 %0.% 476.1 32.4 2.7 300.0 11.8 8.2 844.4 26.8 7.1 223.5 37.8 1.2 36%.2 37.0 %0.2 100.0 37.0 %0.3 371.6 14.2 5.6 116.% 36.8 0.2 416.% 24.8 6.7 433.3 43.3 6.2 2%2.3 44.8 6.1 244.4 32.0 7.3 26%.2 32.4 8.3 400.0 27.0 5.8 150.0 *,
7'-'- PROCE,IMIENTO EN SAS PARA E4 ANA4ISIS ,E REARESION M84TIP4E ,ATA SS5 IN1I4E C,6OSASOREAREC5 INP8T A4TP4ANT -;@ NROT8+ER M;. REN,IM --;-05 OPTIONS NO,ATE NON8M+ER PSBQ7 4SB005 PROC REA5 MO,E4 REN,IMBA4TP4ANT NROT8+ER5 PROC CORR5 R8N5 7'7'7'- SA4I,A EN SAS PARA E4 ANA4ISIS ,E REARESION M84TIP4E
ModelB MEA'L% Ae)endent VariableB ?'@A>M 9nal:sis o; Variance Source Model 'rror AF Sum o; SCuares Mean SCuare F Value %%.440 <rob-F 0.0003
3 323040.30102 %3%0%1.%0313 44 413285.10472 %0870.75208
M.
AnGlisis de reHresiIn C #otal ?oot MS' Ae) Mean C.V. 41 152255.60775 %04.4272% 232.71118 32.43112 ?$sCuare 9dO ?$sC 0.206% 0.46%3
<arameter 'stimates Variable >@#'?C'< 9L#<L9@# @?E#.L'? AF % % % <arameter 'stimate %02.488180 2.067303 %5.353721 Standard 'rror 85.60%23%%% %.2285%233 8.86317033 # ;or K0B <arameter=0 %.256 3.7%5 3.75% <rob - h#h 0.%247 0.007% 0.0086
CE??'L9#>E@ 9@9LUS>S 4 DV9?D VariablesB 9L#<L9@# @?E#.L'? ?'@A>M
Sim)le Statistics Variable 9L#<L9@# @?E#.L'? ?'@A>M @ 48 48 48 Mean 20.71744 6.56100 232.71118 Std Ae= %3.16721 3.63616 %40.43533 Sum %26% 376.%0000 %1351
Sim)le Statistics Variable 9L#<L9@# @?E#.L'? ?'@A>M Minimum %6.80000 0.20000 300.00000 Ma(imum 8%.80000 %1.00000 700.00000
<earson Correlation Coe;;icients & <rob - h?h under KoB ?Fo=0 & @ = 48 9L#<L9@# 9L#<L9@# @?E#.L'? ?'@A>M %.00000 0.0 0.37012 0.0561 0.10876 0.00%8 @?E#.L'? 0.37012 0.0561 %.00000 0.0 0.1%2%5 0.00%4 ?'@A>M 0.10876 0.00%8 0.1%2%5 0.00%4 %.00000 0.0
7'7'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS ,E REARESION M84TIP4E

Re(ression Anal)sis: RENDIM versus ALT!LANT, NROTUBER #Fe regression eCuation is ?'@A>M = %02 i 2.07 9L#<L9@# i %5.4 @?E#.L'? <redictor Constant 9L#<L9@# @?E#.L'? S = %04.4 Coe; %02.46 2.067 %5.354 S' Coe; 85.60 %.226 8.864 # %.10 3.73 3.75 < 0.%22 0.007 0.006
?$SC = 20.6j
?$SCQadOR = 46.%j
9nal:sis o; Variance
Q?
AnGlisis de reHresiIn Source ?egression ?esidual 'rror #otal Source 9L#<L9@# @?E#.L'? AF % % AF 3 44 41 SS 323040 413260 152100 SeC SS %13647 75353 Fit 332.8 S' Fit 1%.6 ?esidual %43.1 St ?esid %.27 W MS %3%0%1 %087% F %%.44 < 0.000
.nusual Ebser=ations Ebs 9L#<L9@# ?'@A>M 40 36.8 416.%
W denotes an obser=ation GFose W =alue gi=es it large in;luence.
Correla"ions: ALT!LANT, NROTUBER, RENDIM 9L#<L9@# @?E#.L'? @?E#.L'? 0.37% 0.056 ?'@A>M 0.106 0.003 0.1%2 0.00%
Cell ContentsB <earson correlation <$Value
7'/ CONC48SION ,el c"adro de an(lisis de variancia se aprecia 2"e e$ectivamente %a# regresi n a "n B?'?0! esto debido a 2"e probL1 9?'???7: es menor a B?'?0' Al reali)ar la pr"eba de %ip tesis sobre cada coe$iciente de regresi n parcial 9Y - # Y7: tambin se m"estra 2"e e&iste regresi n 9prob L _t_ es ?'??U- # ?'??MQ! in$eriores a B?'?0:! con lo c"al se concl"#e 2"e el modelo estimado 2"e establece la relaci n $"ncional es6
Z i = 101.455 + 1.023 " i1 + 10.(0( " i( Y
C"#a interpretaci n de los coe$icientes estimados es6 b?B -?@'/MM C"ando la alt"ra de planta es cero # el n3mero de t"brc"los es cero5 en promedio el rendimiento es -?@'/MM' En este caso la interpretaci n del coe$iciente de intersecci n carece de realismo! debido a 2"e si no %a# desarrollo vegetativo no %a# rendimiento 9rendimiento cero:' Esto se p"ede comprobar tambin c"ando se reali)a la %ip tesis sobre el par(metro Y ?! el c"al res"lta 2"e a "n B?'?0 se acepta la %ip tesis 2"e Y ? es cero #a 2"e prob L _T_ res"lta ?'-@/U 2"e es ma#or a ?'?05 lo c"al indica 2"e es pre$erible reali)ar "na regresi n a travs del origen! Q-
el c"al no incl"#e el coe$iciente Y?' b-B b7B @'?QU C"ando la alt"ra de la planta a"menta en - cm'! en promedio el rendimiento a"menta en @'?QU grsIplanta! manteniendo constante el n3mero de t"brc"los por planta' -.'7.7 C"ando el n3mero de t"brc"los por planta se incrementa en "no! en promedio el rendimiento se incrementa en -.'7.7 grsIplanta! manteniendo constante la alt"ra de la planta'
,e la matr) de correlaciones simples! se establece 2"e tanto el n3mero de t"brc"los como la alt"ra de la planta est(n correlacionados de manera m"# similar con el rendimiento 9?'0?MU # ?'0-@- respectivamente:' 1inalmente! el coe$iciente de determinaci n de la regresi n m3ltiple ?'/Q-7 # ?'@?Q9aj"stado # no aj"stado respectivamente: no es m"# alto! por lo 2"e sera conveniente tomar con m"c%a preca"ci n las estimaciones o predicciones 2"e se realicen con el modelo lineal m3ltiple! "na alternativa a esto sera b"scar "n modelo no lineal m3ltiple! el c"al podra mejorar la estimaci n'
Q7
7'7 !E$!ESION INT!INSECAMENTE LINEAL 4a teora de conceptos $sicos! 2"micos o biol gicos p"eden s"gerir 2"e la relaci n entre variables s lo es posible representarla en $orma no lineal' En a"sencia de estas indicaciones te ricas! la simple inspecci n del diagrama de dispersi n 9ploteo: nos p"ede advertir de lo inapropiado del intento de aj"star a "na relaci n lineal5 en tales casos caben dos posibilidades6 Intentar aj"star directamente a los datos "na relaci n no lineal adec"ada! o bien b"scar "na trans$ormaci n inicial de los datos de tal manera 2"e la relaci n entre los datos trans$ormados apare)ca como apro&imadamente lineal # p"edan aplicarse las tcnicas propias de modelos lineales5 esta "ltima posibilidad es la 2"e ser( materia de la presente e&posici n' Procedimiento Aeneral para el aj"ste a "n modelo no lineal lineali)able6 a' b' Plotear los datos = 9<ariable independiente: con E 9<ariable dependiente:' ,esp"s del paso anterior! identi$icar a 2"e tipo de c"rva podra aj"starse los datos5 para esto se p"ede "sar alg"nos modelos #a gra$icados como el 2"e $ig"ra en el presente trabajo' Identi$icada la c"rva! reali)ar las trans$ormaciones a = e E seg3n sea el caso' Reali)ar la estimaci n de par(metros # el c"adro Anva para el modelo lineali)ado' Considerar 2"e c"al2"ier procedimiento de in$erencia estadstica se deber( reali)ar con el modelo lineali)ado! p"diendo $inalmente concl"ir sobre el modelo original'
c' d' e'
AL$UNOS MODELOS NO LINEALES LINEALI8A)LES MODELO I EMODELO E PONENCIALF

Y7 = 6 -" i e&p9 i :
ln9Ei: B ln9b?: G =i ln9b-: G ei 9modelo m"estral lineal: MODELO II EMODELO DE POTENCIAF

Y7 = 6 " i
e&p9i :
ln9Ei: B ln9b?: G b- ln9=i: G ei 9modelo m"estral lineal: MODELO III EMODELO IN(E!SA LO$A!ITMICAF
Yi = e&p9 ?
+ i : "i
H ln9Ei: B b? ; b- =i G ei
H 9modelo m"estral lineal! =i B -I=i:
MODELO I( EMODELO !ECIP!OCOF

Yi = ?
+ i "i
H 9modelo m"estral lineal! =i B -I=i:
H Ei B b? G b- =i G ei
MODELO ( EMODELO IN(E!SAF

- ? " i = + i Yi "i
H Ei B b? ; b- =i G ei 9modelo lineal!=i B -I=i! EiB -IEi:
ESTIMACION DE PA!AMET!OS Se procede en $orma similar al caso de regresi n lineal m3ltiple! teniendo en consideraci n 2"e se debe trabajar con los valores de las variables trans$ormadas 9logaritmos ! inversa ! etc':
' i = 0i + 1i $ i + ei
S"poniendo 2"e desp"s de la trans$ormaci n respectiva el modelo m"estral se red"ce a6 ,onde6 [i ! Ki son los valores de Ei ! =i trans$ormadas! adem(s a? ! a- las trans$ormaciones de b? ! b- respectivamente5 entonces se p"ede establecer el sig"iente procedimiento matricial para estimar los par(metros # elaborar el c"adro de AN<A! considerando "n tama*o de m"estra n'
$% a0 # $% # n a = = QN NR QN IR = a% SJi * , * SJi 3 SJi , SGi SGiJi * ,
dondeB % % N = . . % *
J% J3 Jn ,
I = *
G% G3 . . Gn
Z i = Z 0i + Z 1i $ i '
Con lo c"al el modelo estimado para el modelo tran$ormado es6 C8A,RO ,E ANA4ISIS ,E <ARIANCIA
F.'@#'S A' V9?>9C>E@ G?9AES A' S.M9 A' C.9A?9AE Fcal. L>L'?#9A C.9A?9AE M'A>E !!!!" # # e3 A'L>AE 9 L9 ?'G?'S>E@ % SC?ka QN IR$nI CM?=SC? CM?&CM' '??E? n $ 3 SC'=SC#$SC? CM'=SC'&Qn$3R !!!+, # e3 #E#9L n $ % SC#=I I$nI *++,
>ip tesis a probar6 >p6 No e&iste regresi n >a6 E&iste regresi n Nivel de signi$icaci n 6
1calBCMRICME KONAS CRITICAS
Si 1cal L 1 tab"lar 9con - # 9n;7: grados de libertad: se rec%a)a la %ip tesis >p' COE*ICIENTE DE DETE!MINACION r7B SCR I SCT 9Indica en 2"e porcentaje la variaci n de la variable dependiente es debida a e$ectos de la regresi n con el modelo lineali)ado:' El valor del coe$iciente de determinaci n se enc"entra entre cero # "no5 c"anto m(s lejos este de cero mejor es el modelo 2"e se "s para describir los datos' ETEMP4O En "n est"dio reali)ado para la obtenci n de s"ero de sangre de bovinos secado por atomi)aci n se reali) el est"dio del tiempo en min"tos 2"e demora en coag"lar el plasma 9E: con di$erentes concentraciones de Cl7 Ca 9=: dado en gramos! a "na temperat"ra de /Q`C' W U 0.5 10.0 %.0 40.0 %.1 %3.0 3.0 %0.0 4.0 5.0 1.0 7.1
7'7'- PROCE,IMIENTO EN SAS PARA E4 ANA4ISIS ,E REARESION NO 4INEA4 IN1I4E C,6OSASOREARC5 INP8T = -;/ E 0;U5 4OAEB4OA9E:5 4OA=B4OA9=:5IN<EB-IE5 IN<=B-I=5 PROC PRINT5 <AR = E 4OAE 4OA= IN<E IN<=5 PROC P4OT5 P4OT EH=5 PROC REA5 MO,E4 4OAEB=5 MO,E4 4OAEB4OA=5 MO,E4 IN<EBIN<=5 7'7'7'- SA4I,A EN SAS PARA E4 ANA4ISIS ,E REARESION NO 4INEA4
ELS % 3 4 2 1 8 W 0.5 %.0 %.1 3.0 4.0 1.0 U 10.0 40.0 %3.0 %0.0 5.0 7.1 LEGU 4.5%303 4.20%30 3.2725% 3.40315 3.%5633 3.%2006 LEGW $0.%0148 0.00000 0.20126 0.854%1 %.0578% %.80522 >@VU 0.03000 0.04444 0.07444 0.%0000 0.%%%%% 0.%%681 >@VW %.%%%%% %.00000 0.88886 0.10000 0.44444 0.30000
<lot o; UXW. LegendB 9 = % obsH L = 3 obsH etc. 80 i h h 9 h 20 i h U h 9 h 30 i h h 9 9 9 9 h 0 i $$i$$$$$$$$$$$$$i$$$$$$$$$$$$$i$$$$$$$$$$$$$i$$$$$$$$$$$$$i$$$$$$$$$$$$$i$$ 0 % 3 4 2 1 W ModelB MEA'L% Ae)endent VariableB LEGU 9nal:sis o; Variance Sum o; Mean Source AF SCuares SCuare F Value <rob-F Model 'rror C #otal ?oot MS' Ae) Mean C.V. % 2 1 %.2356% %.35302 3.63%61 0.18742 3.64586 30.62278 %.2356% 0.4340% ?$sCuare 9dO ?$sC 0.1314 0.2088 2.238 0.%043
<arameter 'stimates Variable >@#'?C'< W AF % % <arameter 'stimate 4.108355 $0.424387 Standard 'rror 0.24%55418 0.%84%8%63 # ;or K0B <arameter=0 7.%%6 $3.%02 <rob - h#h 0.00%4 0.%043
ModelB MEA'L3 Ae)endent VariableB LEGU 9nal:sis o; Variance Source Model 'rror Corrected #otal AF % 2 1 Sum o; SCuares %.67886 0.54106 3.63%62 0.27410 3.64586 %6.82651 Mean SCuare %.67886 0.34466 F Value 6.82 <r - F 0.0108
?oot MS' Ae)endent Mean Coe;; Var
?$SCuare 9dO ?$SC
0.8182 0.1608
<arameter 'stimates Variable >nterce)t LEGW AF % % <arameter 'stimate 4.46%1% $0.58506 Standard 'rror t Value 0.40%55 0.41014 %%.%8 $3.68 <r - hth 0.0002 0.0108
ModelB MEA'L4 Ae)endent VariableB >@VU
9nal:sis o; Variance Sum o; SCuares Mean SCuare F Value %41.751 0.56%2 0.5824 <rob-F 0.0004
Source Model 'rror C #otal ?oot MS' Ae) Mean C.V.
AF % 2 1
0.00735 0.00735 0.00032 0.00008 0.00712 0.0067% ?$sCuare 0.06616 9dO ?$sC %0.06%12 <arameter 'stimates
Variable >@#'?C'< >@VW
AF % %
<arameter 'stimate 0.%277%4 $0.%%3%15
Standard 'rror 0.00875413 0.00583%36
# ;or K0B <arameter=0 3%.176 $%%.816
<rob - h#h 0.000% 0.0004
7'7'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS ,E REARESION NO 4INEA4
50
40
30
20
10 1 2 3 4 5
Re(ression Anal)sis: LOG* versus #Fe regression eCuation is LEGU = 4.1% $ 0.424 W <redictor Constant W S = 0.1874 Coe; 4.1084 $0.4244 S' Coe; 0.2430 0.%843 # 7.%3 $3.%0 < 0.00% 0.%04
?$SC = 13.1j
?$SCQadOR = 20.6j
9nal:sis o; Variance Source ?egression ?esidual 'rror #otal AF % 2 1 SS %.2356 %.3530 3.63%6 MS %.2356 0.4340 F 2.24 < 0.%04
Re(ression Anal)sis: LOG* versus LOG #Fe regression eCuation is LEGU = 4.46 $ 0.585 LEGW <redictor Constant LEGW S = 0.2741 Coe; 4.46%1 $0.585% S' Coe; 0.4030 0.4101 # %%.%8 $3.68 < 0.000 0.01%
?$SC = 81.8j
?$SCQadOR = 16.%j
9nal:sis o; Variance Source ?egression ?esidual 'rror #otal AF % 2 1 SS %.6786 0.541% 3.63%6 MS %.6786 0.3447 F 6.82 < 0.01%
Re(ression Anal)sis: IN+* versus IN+ #Fe regression eCuation is >@VU = 0.%25 $ 0.%%3 >@VW <redictor Constant >@VW S = 0.0067%% Coe; 0.%277%2 $0.%%3%83 S' Coe; 0.008753 0.005830 # 3%.15 $%%.88 < 0.000 0.000
?$SC = 56.%j
?$SCQadOR = 58.2j
9nal:sis o; Variance Source ?egression ?esidual 'rror #otal AF % 2 1

Regre
S = 0.0078113
SS 0.0073510 0.000322% 0.007145%

!"# $%"&
R-Sq(adj) = 96.4 %
MS 0.0073510 0.00008%0
F %41.51
< 0.000
INVY = 0.148814 - 0.112162 INVX R-Sq = 97.1 %
0.12
INVY
0.07
0.02 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1
INVX
7'7'/ CONC48SION ,el an(lisis gr($ico! se aprecia 2"e la tendencia de los datos es no lineal # 2"e %a# dos posibles modelos 2"e mejor se p"eden aj"star 9modelo potencia # modelo inversa:5 para ello se reali)a el an(lisis de regresi n con los dos modelos # se observa 2"e el modelo inversa es el 2"e mejor se aj"sta debido al ma#or r 7 9?'.Q-@:5 por lo tanto el modelo estimado lineali)ado 2"e se debe "sar para $ines de in$erencia estadstica es6
lX X U = 0.%277%4 $ 0.%%3%15 W
Siendo el modelo estimado original6
Y
= ?'-@UU-/ ?'--7-0.
"i
El c"al p"ede ser "sado para $ines de predicci n' Por otra parte5 del c"adro AN<A para el modelo inversa! se p"ede concl"ir 2"e e$ectivamente e&iste regresi n a "n nivel de signi$icaci n B?'?05 debido a 2"e el valor ProbL1 es menor a ?'?0'
INT!ODUCCION AL P!OCESAMIENTO ESTADISTICO CON SAS

INST!UCCIONES PA!A CODI*ICA! ; EJECUTA! UN A!C1I(O DE P!OCEDIMIENTOS SAS El SAS es "n so$taare integrado de m3ltiples aplicaciones en estadstica5 este so$taare permite reali)ar diversos tipos de an(lisis estadsticos! desde los an(lisis mas sencillos 9estadstica descriptiva: %asta los an(lisis con tcnicas m(s so$isticadas' Para el "so de este so$taare es pre$erible contar con "n so$taare editor de te&tos en ASCII 9por ejemplo6 el SE,IT el E,IT del ,OS o el [ordpad en [indoas:' En los sig"ientes pasos para ejec"tar "n arc%ivo de procedimiento SAS se s"pondr( el "so del SE,IT como editor de te&tos # el SAS en version ,OS' Sec"encia para reali)ar "n an(lisis estadstico con SAS6 -' Crear "n arc%ivo de datos 9de pre$erencia con la e&tensi n ,AT :! con la in$ormaci n de los res"ltados e&perimentales5 ejemplo6 Considere el e&perimento en +lo2"es completos al a)ar con c"atro tratamientos # / blo2"es6 trat'blo2"e blo2"e 7 blo2"e / ; ; Invocar al programa Sedit 4"ego aparece6 @'/ @'Q 0'7 trat'7 M'/ 0'? 0'Q @'0 trat'/ /'Trat'@ Testigo @'M Q'/
M'0
Nea $ile''' _'''G''''-''''G''''7''''G''''/''''G''''@''''G''''0''''G''''M''''G''''Q'b ????? H H H Top o$ $ile H H H ????- H H H End o$ $ile H H H
Al presionar Enter! aparecer( la $lec%a BBBBL! desp"s del c"al se digita el comando A,, -7! con el c"al se a*adir(n -7 lneas al arc%ivo 9es el n3mero total de datos:5 a contin"aci n digitar en col"mna los datos! as de la col"mna - a la / $ig"ran los tratamientos 9codi$icados:! en la col"mna 0 los blo2"es 9codi$icados:! de la col"mna Q a la . los datos'
BBBBL
h... i....%....i....3....i....4....i....2....i....1....i....8....i....6.m
%3&%
00000 0000% 00003 00004 00002 00001 00008 00006 00007 00005 000%0 000%% 000%3 000%4
X X t% t3 t4 Xt2 t% t3 t4 Xt2 t% t3 t4 Xt2 X X
X % % % % 3 3 3 3 4 4 4 4 X
#o) o; ;ile X X X 2.4 8.4 4.% 2.8 2.6 1.0 . - .nidad e()erimental )erdida 6.4 1.3 1.6 8.1 2.3 'nd o; ;ile X X X
Nota6 En el arc%ivo de datos solamente se deben poner los valores res"ltado de la eval"aci n! considerando cada col"mna como "na variable5 es recomendable 2"e los niveles de los $actores de nat"rale)a al$an"mrica 9ej' tratamientos: tengan a lo m(s U caracteres' C"ando se reali)a an(lisis estadstico en el c"al se tiene "nidades e&perimentales perdidas! se debe colocar "n p"nto 9': al $inal de la col"mna en la variable resp"esta5 es pre$erible en estos casos reali)ar el AN<A para dise*os e&perimentales! "sando el procedimiento A4M5 asimismo para reali)ar la comparaci n de medias por ,8NNETT! se debe identi$icar al tratamiento testigo anteponiendo "n asterisco 9H: al nombre del tratamiento testigo' ; Arabar el arc%ivo con el comando 1I4E! asi6 BBBBL $ile 7' Crear "n arc%ivo de procedimientos SAS 9 de pre$erencia con la e&tensi n SAS:! %aciendo "so del mismo editor 2"e se "so para la creaci n de "n arc%ivo de datos' ,E PROCE,IMIENTO SAS PARA 8N ,ISENO
1ORMATO AENERA4 E=PERIMENTA46
BBBBL _'''G''''-''''G''''7''''G''''/''''G''''@''''G''''0''''G''''M''''G''''Q'b ????? H H H Top o$ $ile H H H ????- ,ATA SS5 ????7 IN1I4E CNOM+RE ,E4 ARC>I<O ,E ,ATOSC ????/ INP8T 9SE IN,ICA 4AS <ARIA+4ES E 4OS CAMPOS:5 ????@ PROC 9SE IN,ICA E4 PROCE,IMIENTO:5 ????0 C4ASS 9SE IN,ICAN 4OS 1ACTORES R8E INTER<IENEN:5 ????M MO,E4 B 9SE IN,ICA E4 MO,E4O ESTA,ISTICO:5 ????Q MEANS 9SE IN,ICA E4 NOM+RE ,E4 TRATAMIENTO:I OPCIONES5 ????U R8N5 ????. H H H End o$ $ile H H H
Ejm6 %3'%
_'''G''''-''''G''''7''''G''''/''''G''''@''''G''''0''''G''''M''''G''''Q'b ????? H H H Top o$ $ile H H H ????- ,ATA SS5 ????7 IN1I4E CC6OSASOANO<A',ATC5 ????/ INP8T TRATP -;/ +4OR 0;0 REN, Q;.5 ????@ PROC ANO<A5 ????0 C4ASS TRAT +4OR5 ????M MO,E4 REN,B +4OR TRAT5 ????Q MEANS TRATI,8NNETT5 ????U R8N5 ????. H H H End o$ $ile H H H
S lo a las variables al$an"mricas se le asigna la terminaci n del smbolo d lar P en el INP8T 9ej' la variable tratP:5 a las variables n"mricas se les indica por "n nombre de variable sin terminaci n alg"na' Es recomendable 2"e los nombres de las variables tengan a lo m(s U caracteres' /' Ejec"tar el procedimiento SAS /'>acer clic al cono ,esp"s del c"al aparecer( la sig"iente ventana6
/'7
8na ve) ingresado al SAS! tipear entre comillas en la ventana E,ITOR6 INC48,E CANO<A'SASC si el arc%ivo de procedimiento SAS es ANO<A'SAS! caso contrario dar como nombre el "sado como procedimiento SAS5 se debe tener en c"enta para este paso el directorio donde el arc%ivo en menci n se enc"entra' El SAS tiene tres ventanas6 E,ITOR6 Es la ventana en el c"al se p"ede incorporar arc%ivos de procedimientos! de datos! etc' 4OA6 En esta ventana se p"ede apreciar el stat"s de la ejec"ci n del %3+%
procedimiento SAS' O8TP8T6 En esta ventana se aprecia el res"ltado 9salida: de la ejec"ci n del procedimiento SAS' /'/ Ejec"tar el procedimiento SAS6 Presionar la tecla de $"nci n 1-? o s" e2"ivalente' C"ando termina de ejec"tar el procedimiento SAS # si no %a# errores de ejec"ci n se graba la salida con el comando 1I4E' Ejemplo6 1ile Canova'o"tC 9la e&tensi n O8T p"de agregarse para indicar 2"e es arc%ivo de salidaC Salir del SAS digitando +EE # presionando ENTER'
/'@
AL$UNOS P!OCEDIMIENTOS EN SAS PROC ANO<A Reali)a an(lisis de variancia para datos balanceados en "na variedad de dise*os e&perimentales'
PROC ANO<A 5 C4ASS variables5 MO,E4 dependientesBe$ectos 5 MEANS e$ectos I ,8NCAN T_4S, T8SEE ,8NNETT5 EBe$ecto a considerar como error 5 TEST >Be$ectos a probar EBe$ecto 2"e se considera como error5 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
PROC REA Reali)a el aj"ste de la regresi n por mnimos c"adrados'

PROC REA 5 CORR 5 MO,E4 dependientesBindependientes5 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
PROC A4M "sa el mtodo de mnimos c"adrados para aj"star a "n modelo lineal general! este procedimiento es conveniente c"ando se tiene datos no balanceados' P"ede ser "sado en an(lisis de variancia # regresi n
PROC A4M 5 C4ASS variables5 MO,E4 dependientesBindependientes CONTRAST clabelc dvalores de e$ectos'''eI E EBe$ecto ETEPEBn SINA84ARBn5 ESTIMATE clabelc dvalores de e$ectos'''eI E ,I<ISORBn SINA84ARBn5 4SMEANS e$ectos I CO< E EBe$ecto ETEPEBn NOPRINT O8TBSASdataset P,I11 SINA84ARBn ST,ERR T,I115 MEANS e$ectos I ,8NCAN T_4S, T8SEE ,8NNETT EBe$ecto a considerar como error5 TEST >Be$ecto EBe$ecto I >TEPEBn ETEPEBn5 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
PROC P4OT es "sado para establecer "n diagrama de dispersi n de los datos
PROC P4OT 5 P4OT verticalH%ori)ontal I opciones5 +E variables5 NOMISS e&cl"#e las observaciones perdidas5
%3/%
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
*UNCIONES ; OPE!ACIONES DEL SAS Smbolo ,escripci n del operador
G S"ma ; Resta H M"ltiplicaci n I ,ivisi n A+S9arg"mento: retorna el valor absol"to ' SRRT9arg"mento: calc"la la ra) c"adrada' 4OA9arg"mento: calc"la el logaritmo nat"ral' 4OA79arg"mento: calc"la el logaritmo en base 7' 4OA-?9arg"mento: calc"la el logaritmo en base -?' ARCOS9arg"mento: calc"la el arco coseno' ARSIN9arg"mento: calc"la el arco seno' ATAN9arg"mento: calc"la el arco tangente' COS9arg"mento: calc"la el coseno de "n (ng"lo' SIN9arg"mento: calc"la el seno de "n (ng"lo' TAN9arg"mento: calc"la la tangente de "n (ng"lo'
%30%
)iblioHra,9a consBltada -' 7' /' @' 0' M' Q' U' .' -?' Aliaga Rodrg"e) 4' 9-.Q.:'; Prod"cci n de C"#es! editorial de la 8niversidad nacional del centro del Per3! %"anca#o' +arr# Arnold' -.Q.'; C"rso de Estadstica E&perimental Avan)ado 9Tomos I! II:! Centro Internacional de la Papa ; 4ima Per3' +enavides Pantigo)o T' 9-.U.:'; Introd"cci n a la Investigaci n Operativa 9Man"scrito indito:! Estaci n E&perimental de E"rimag"as;Per3' Cal)ada +en)a T' -.Q7'; Mtodos estadsticos para la investigaci n! 8niversidad Nacional Agraria 4a Molina;Per3' Casta*eda P'R' -.U?'; ,ise*o de e&perimentos aplicados! Editorial Trillas! Me&ico' Caramete C5 Tomesc"! -.Q?'; Metode Statistice in N"tritia Planteloa si Aplicarea Ingrasaminte loa ' Academia de Stiinte Agricole Si Silvice! +"c"resti;Romania' ,imanc%a S'5 +erca M' -.Q0'; Elementos de Tcnicas E&perimental Agrcola! +"c"resti;Romania' >artle#! >! O' 9-.0?:'; T%e Ma&im"n 1;ratio as S%ort;c"t Test $or >eterogenet# o$ <ariance' +iometriDa /Q6/?U;/-7 Martne) A' A' 9-.U/:'; Introd"ci n al SAS! Colegio de Postgrad"ados! Centro de Estadstica # c(lc"lo C%apingo M&ico' Soto Rodrg"e) I' 9-..-:'; An(lisis de Covariancia en el ,ise*o +lo2"es Completos al A)ar! con "nidades e&perimentales perdidas' Anales cient$icos! Editorial de la 8niversidad Nacional Agraria 4a Molina! Per3' Sevilla P' # A"tores <arios 9-.U0:'; Estadstica Aplicada a la E&tensi n Agrcola! 8niversidad Nacional Agraria la Molina' ,epartamento Acadmico de Estadstica e In$orm(tica! Per3' <as2"e) Arce <' 9-..?:'; E&perimentaci n Agrcola! Amar" Editores! 4ima! Per3'
--'
-7'
INDICE
I'
,ise*os E&perimentales -'-'7 -'/ -'@ -'0 -'M Aspectos generales E&perimento en el dise*o completamente al a)ar E&perimento en el dise*o blo2"es completos al a)ar E&perimento $actorial en blo2"es completos al a)ar E&perimento en parcelas divididas ,ise*o c"adrado latino /@? @0 -7 -Q 70
II'
Introd"cci n al procesamiento estadstico con SAS

Diseños Jaime Mori

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseños Jaime Mori

Cargado por

Copyright:

Formatos disponibles

PRESENTACION

Jaime Alberto Mori Castro Universidad Nacional Mayor de San Marcos

CAPITULO I DISEOS E PE!IMENTALES

c' d' e' $'

c' d' e'

Croquis de una parcela experimental

-'? m Aolpe e&perimental Aolpe con e$ecto de borde

Area total 6 0'0 & /'0 B -.'70 m 7

Dise6o Com.letamente al A7ar

,onde el n3mero de repeticiones de los tratamientos T-! T/ # T7 es @! 0 # / respectivamente' Modelo estad9stico:

;i< = > ? i ? ei<

,ise*o Completamente al A)ar

,ise*o Completamente al A)ar

,ise*o Completamente al A)ar

,ise*o Completamente al A)ar

,ise*o Completamente al A)ar

Dise6o en )loABes Com.letos al A7ar

Dise6o en )loABes Com.letos al A7ar

;i< = + + < ? ei<

Dise6o en )loABes Com.letos al A7ar

Dise6o en )loABes Com.letos al A7ar

Dise6o en )loABes Com.letos al A7ar

?A# Mean %053.02%86

9nal:sis o; Variance <rocedure

%B00 Sunda:H 9)ril 1H %552

Class LLEV #?9#

@umber o; obser=ations in data set = 32 9nal:sis o; Variance <rocedure

Sum o; SCuares 3861358.886 868860.353 441%588.517 C.V. %4.40738 S9S

Mean SCuare 4422%3.074 21%%%.414

?oot MS' 3%3.4524

?A# Mean %151.51744

%B00 Sunda:H 9)ril 1H %552

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

;i<D = ? D ? i ? < ? EFi< ? ei<D

iB-!7!'''!p jB-!7!'''!2 DB-!7!'''!r

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

-'@'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS ,E4 1ACTORIA4 EN ,+CR

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

^b0b%b3^b%b3b0^b%b3b0^b3b0b%^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb a% a4 a3 a0 YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^ ^b3b%b0^b0b3b%^b%b3b0^b%b3b0^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb *, *- sub)arcela )arcela

;i<D = ? D ? i ? eiD ? < ? EFi< ? i<D

D B i B eiD j B 9:ijB ijD B

E-.erimento en Parcelas Divididas

1cal= B CM=ICMError9b: ! siendo = el $actor + o la interacci n A&+' KONAS CRITICAS

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

E-.erimento en Parcelas Divididas

-'0'7'7 SA4I,A EN MINITA+ PARA E4 ANA4ISIS EN PARCE4AS ,I<I,I,AS

? denotes an obser=ation GitF a large standardiJed residual.

E-.erimento en Parcelas Divididas

E-.erimento en CBadrado Latino

9 L C A !!!" L C A 9 !!!" C A 9 L !!!" A 9 L C *+++,

9 L C A !!!" L 9 A C !!!" C A 9 L !!!" A C L 9 *+++,

;i<D = ?i ? *< ? CD ? ei<D

CUAD!O DEL ANALISIS DE (A!IANCIA EAN(AF

E-.erimento en CBadrado Latino

E-.erimento en CBadrado Latino

^b0b%b3^b%b3b0^b%b3b0^b3b0b%^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb a% a4 a3 a0 YZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ\ZZ[ZZ[ZZ] ^ ^ ^ ^ ^ ^b3b%b0^b0b3b%^b%b3b0^b%b3b0^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ _ZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZaZZ`ZZ`ZZb , - sub)arcela )arcela