P. 1
cuadro latino

cuadro latino

|Views: 119|Likes:
Publicado porDiana Marcela Perez

More info:

Published by: Diana Marcela Perez on Mar 18, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

10/16/2012

pdf

text

original

UNIVERSIDAD AUTÓNOMA DE YUCATÁN

FACULTAD DE MEDICINA VETERINARIA Y ZOOTECNIA.

NOTAS DE DISEÑOS EXPERIMENTALES

José C. Segura Correa. Profesor investigador Titular

Mérida Yucatán, enero de 2000.

PROLOGO. Los métodos estadísticos son una herramienta útil en los principales tipos de investigación: experimentos, encuestas y estudios retrospectivos. En los experimentos se desea medir y comparar los efectos de fuentes de variación establecidas por el investigador, por lo cual se cambia la naturaleza de las muestras. En las encuestas y estudios retrospectivos no se cambia la naturaleza de las muestras, únicamente se observan para poder hacer algunas inferencias sobre la población. En la actualidad, el análisis de datos se realiza a través del uso de programas de computadoras escritos para tal fin; son pocos los trabajos de investigación que se analizan a mano. Sin embargo, es importante que el usuario de los métodos estadísticos haya desarrollado, alguna vez, el análisis de los datos, para poder entender los procesos que la computadora realiza. El conocimiento del método de análisis da una apreciación de la filosofía detrás del análisis. Por otro lado, la mayoría de los libros están escritos para gente con sólidos conocimientos de Estadística o son demasiado generales: son por lo tanto de poca ayuda para las gentes que tienen escasos conocimientos en esta ciencia. La mayoría de la gente que trabaja en Producción Animal, les interesa planear su experimento y analizarlo con facilidad. El problema principal, sin embargo, es el diseño del experimento. Este libro está escrito con tal fin. Contiene ilustraciones de la distribución de los tratamientos según el tipo de Diseño del experimento y ejemplos desarrollados paso a paso de los Diseños Experimentales de uso más frecuente en las Ciencias Biológicas para que sirvan de base para el análisis de diseños similares. También se incluye una sección sobre algunas alternativas de mejorar la precisión de los experimentos.

CONTENIDO. Simbología utilizada. I.- IMPORTANCIA DE LA EXPERIMENTACIÓN. 1.1 Importancia de la experimentación en las ciencias biológicas 1.2 Definición de conceptos. II.- ANALISIS DE VARIANZA. III.- DISEÑOS EXPERIMENTALES SIMPLES. 3.1.- DISEÑO COMPLETAMENTE AL AZAR. 3.1.1 Modelo estadístico y Análisis de varianza. 3.1.2 Ejemplos de Diseños Completamente al Azar. 3.1.3 Comparación de medias de tratamientos. 3.1.4 Programa SAS para un Diseño Completamente al Azar. 3.1.5 Contrates ortogonales. 3.1.6 Programa SAS para contrastes ortogonales. 3.2.- DISEÑO DE BLOQUES AL AZAR. 3.2.1 Modelo estadístico y Análisis de varianza. 3.2.2 Ejemplo de un Diseño de Bloques al Azar. 3.2.3 Comparación de medias de tratamientos. 3.2.4 Estimación de parcelas perdidas. 3.2.5 Programa SAS para un Diseño de Bloques al Azar. 3.3.- BLOQUES AL AZAR GENERALIZADOS. 3.3.1 Modelo estadístico y Análisis de varianza. 3.3.2 Ejemplo de un Diseño de Bloques al Azar Generalizados. 3.3.3 Programa SAS para un Diseño de Bloques al Azar Generalizados. 3.4.- DISEÑO EN CUADRO LATINO. 3.4.1 Modelo estadístico y Análisis de varianza. 3.4.2 Ejemplo de un Diseño en Cuadro Latino. 3.4.3 Comparación de medias de tratamientos. 3.4.4 Programa SAS para un Diseño en Cuadro Latino. 3.5.- DISEÑO CROSSOVER. 3.5.1 Modelo estadístico y Análisis de varianza. 3.5.2 Ejemplo de un Diseño Crossover. 3.5.3 Programa SAS para un Diseño Crossover. IV.-DISEÑOS EXPERIMENTALES CON SUBMUESTREO. 4.1.- DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTREO. 4.1.1 Modelo estadístico y Análisis de varianza. 4.1.2 Ejemplos de Diseños Completamente al Azar. 4.1.3 Comparación de medias de tratamientos.

4.1.4 Programa SAS para un Diseño Completamente al Azar. 4.1.5 Contrates ortogonales. 4.1.6 Programa SAS para contrastes ortogonales. 4.2.- DISEÑO DE BLOQUES AL AZAR CON SUBMUESTREO. 4.2.1 Modelo estadístico y Análisis de varianza. 4.2.2 Ejemplo de un Diseño de Bloques al Azar. 4.2.3 Comparación de medias de tratamientos. 4.2.4 Estimación de parcelas perdidas. 4.2.5 Programa SAS para un Diseño de Bloques al Azar. 4.3.- DISEÑO EN CUADRO LATINO CON SUBMUESTREO. 4.3.1 Modelo estadístico y Análisis de varianza. 4 3.2 Ejemplo de un Diseño en Cuadro Latino. 4.3.3 Comparación de medias de tratamientos. 4.3.4 Programa SAS para un Diseño en Cuadro Latino. V.- EXPERIMENTOS FACTORIALES. 5.1 Modelo estadístico. 5.2 Ejemplo de un Diseño Completamente al azar con un arreglo factorial 2x3. 5.3 Comparación entre tratamientos. 5.4 Programa SAS para comparaciones preplaneadas. VI.- EXPERIMENTOS EN PARCELAS DIVIDIDAS. 6.1 Modelo estadístico. 6.2 Ejemplo de un Experimento en Parcelas divididas con un Diseño Completamente al azar. 6.3 Comparación entre tratamientos. 6.4 Programa SAS para un Diseño Completamente al Azar con arreglo de parcelas divididas. 6.5 Programa SAS para un Diseño de Bloques con arreglo de parcelas dividas. VII.- ANALISIS DE COVARIANZA. 6.1 Modelo estadístico. 6.2 Ejemplo de un Análisis de covarianza. 6.3 Comparación entre tratamientos. 6.4 Programa SAS para un Análisis de Covarianza. 6.5 Programa SAS para un Análisis de Covarianza. VIII. METODOS PARA MEJORAR LA PRECISION DE LOS EXPERIMENTOS. IX.- REFERENCIAS BIBLIOGRAFICAS.

ABREVIACIONES Y SIMBOLOGIA UTILIZADA. CM= Cuadrado medio; CMtrat= Cuadrado medio de tratamientos; CMbloque= Cuadrado medio de bloques; CMtotal= Cuadrado medio del total; CMerror= Cuadrado medio del error; CV= FC= FV= GL= Coeficiente de variación; Factor de corrección; Fuentes de variación; Grados de libertad;

SC= Suma de cuadrados. SCtrat= Suma de cuadrados de tratamientos; SCbloque= Suma de cuadrados de bloques; SCtotal= Suma de cuadrados del total; SCerror= Suma de cuadrados del error; SP= Suma de productos; r= Número de repeticiones; t= Número de tratamientos;

Existen dos tipos principales de investigación: estudios observacionales (encuestas) y experimentación. ensayos. nuevas y mejores variedades etc.IMPORTANCIA DE LA EXPERIMENTACIÓN La investigación científica consiste en la búsqueda permanente de la verdad por métodos objetivos. Ciencia. la determinación del tamaño de parcela más eficiente para ensayar variedades de alfalfa. por ejemplo. observaciones. planear y aplicar un conjunto de técnicas para eliminar causas extrañas y realizar experimentos de campo y de laboratorio o de invernadero. adecuados y precisos. comprobar o descubrir fenómenos o principios básicos. Las etapas sucesivas en todo trabajo de investigación se pueden resumir en las siguientes: 1) Especificación del problema.1 I. únicamente se observan para obtener conclusiones sobre ellas y sobre la población total. comprende las pruebas. Se puede considerar la Experimentación como un arte y una ciencia: Arte. en particular. Es decir. la experimentación es un método científico de investigación que consiste en hacer operaciones y prácticas destinadas a demostrar. a) Antecedentes b) Importancia . Se considera una investigación cuando se estudia causa y efecto. Se considera un experimento la prueba con la práctica de una hipótesis formulada. Los resultados de una investigación son de aplicación mediata y puede conducir a desarrollar nuevas técnicas o a modificar las existentes. Por la aplicación del método científico y un conjunto de conocimientos científicos para el desarrollo de tecnologías que permitan obtener nuevas y mejores dietas. por ejemplo. Por la habilidad necesaria para ingeniar. La experimentación en las ciencias biológicas. el ensayo de ganancia de peso de animales proporcionados cuatro dietas distintas. En las encuestas no se cambia la naturaleza de las muestras.. En los experimentos se miden y comparan los efectos de fuentes de variación y generalmente se cambia el estado de las muestras y se observa el efecto de los tratamientos. Comúnmente ambos términos se confunden y son inseparables. Se observan únicamente los efectos y de aplicación práctica inmediata. análisis o estudio práctico de todo cuanto interesa a ésta disciplina.

equipos. Es importante para la planeación correcta de un experimento tener conocimientos de otras ramas de la ciencia. 4) Ejecución y desarrollo de las operaciones en el campo o en el laboratorio. animal. Para un experimento de nutrición por ejemplo es necesario conocer sobre: Fisiología.. los objetivos deben ser establecidos claramente como preguntas a ser contestadas.2. Diseño Experimental. corral etc. Para elegir animales similares en estado fisiológico ya que ésto podría influir en los resultados. animales etc. Para diseñar y analizar correctamente la información generada por el experimento. Experimento. hipótesis a ser probadas y efectos a ser estimados.) c) Número de repeticiones por tratamiento. Genética. 5) Recolección de datos y observaciones 6) Captura y análisis de la información en una computadora 7) Interpretación de los resultados 8) Discusión de los resultados 9) Análisis económico 10) Conclusiones (utilidad práctica) 11) Reporte Nota. Todos los factores excepto el objeto de estudio deben permanecer constantes. Es una búsqueda planeada para obtener nuevos conocimientos o para confirmar o negar los resultados de experimentos previos. a) Lugar de la experiencia b) Identificación de la unidad experimental (tamaño de parcela. A continuación se proporcionan algunas conceptos necesarios para el curso. Al diseñar un experimento. Para elegir genotipos similares Salud. d) Distribución de los tratamientos (diseño) e) Instrumentos. definiciones y 1. Para detectar casos subclínicos Estadística.2 c) Objetivos 2) Revisión de literatura 3) Material y métodos (Planteamiento o diseño del experimento). El diseñar un experimento consiste en planear un experimento de tal forma que reuna la .Definición de conceptos.

. es la unidad de información más pequeña con base en las repeticiones. cada combinación de los distintos niveles de proteína y energía constituyen un tratamiento y se tendrían seis tratamientos. si el factor que se quiere estudiar es la cantidad de lisina. una maceta etc. Aleatorización. Puede ser un animal o grupo de animales. La diferencia fundamental entre los distintos diseños experimentales (p. cada una de las dosis de lisina aplicada durante el experimento es un tratamiento.3 información que sea pertinente al problema bajo investigación. Por ejemplo. Es el material. una parcela en el campo. La asignación aleatoria de los tratamientos puede hacerse utilizando una tabla de números aleatorios o trozos de papel en los cuales los tratamientos (t) se escriben r veces.e. en este caso. Es característica de las unidades experimentales mostrar variación aún cuando se les aplique el mismo tratamiento. Unidad Experimental. si se tienen 12 unidades experimentales y se quieren probar tres tratamientos. Repetición.) está en la distribución aleatoria de los tratamientos. Los tratamientos a estudiar durante el experimento pueden ser una combinación de varios niveles de factores. un animal o cada una de tres muestras de sangre tomadas en el mismo animal. bloques al azar.e. Por ejemplo. En estudios sociológicos y . Tratamiento. Cada una de las unidades experimentales donde se aplica el mismo tratamiento. p. de las medias de los tratamientos y de las diferencias entre las mismas.. completamente al azar. Proceso que relaciona los tratamientos con las unidades experimentales en forma sistemática con el propósito de obtener un estimado válido e insesgado del error experimental. Es una sola de las formas en cantidad y calidad que toma durante el experimento el factor que se quiere estudiar (cada uno de los niveles de un factor). se tendrán entonces cuatro repeticiones por tratamiento. si se quiere estudiar el efecto de tres niveles de proteína (16 20 y 24%) y dos de energía (2800 y 3200 Kcal/Kg) en la dieta de pollos de engorda en finalización. Fracción de la unidad experimental (o la totalidad de ésta) en la cual se mide el efecto de un tratamiento. Unidad de muestreo. Por ejemplo. cuadro latino etc. lugar o sujeto sobre el cual se aplican los tratamientos en estudio.

ANALISIS DE VARIANZA Quizás el análisis de varianza (ANOVA) es la técnica estadística más usada por el investigador. entonces se podrían tomar las muestras en pares y hacer todas las comparaciones posibles utilizando prueba de t. II. grado de educación. Se aplica a situaciones donde existen varios grupos o tratamientos y se prueba la diferencia entre ellos.. religión. el testigo será aquel tratamiento que no incluya fertilizante (o el nivel de fertilizante de uso más común en la región). c) distribución aleatoria de los tratamientos. debido al diseño experimental se consideran por separado para asignarles los tratamientos que les correspondan. El testigo debe considerarse como otro tratamiento más. Por ejemplo. Conjunto de unidades experimentales que. Entre las modalidades para reducir el error experimental están: a) utilizar unidades experimentales tan uniformes (homogéneas) como sea posible. si se van a usar tratamientos con fertilizantes. Es el error debido a variaciones o diferencias entre muestras dentro de unidades experimentales. Testigo. Sujeto o tratamiento de comparación. Es la variación debida a diferencias entre unidades experimentales tratadas en forma similar. Si se tiene un número de muestras y se quiere probar la diferencia entre ellas. Bloque. esto no es aceptable: 1) Porque se obtendrían respuestas aparentemente significativas cuando no las hay: El número de errores tipo I está muy relacionado con el número de pruebas . Error Experimental. Error de submuestreo. si una corraleta con tres animales es la unidad experimental. sexo. Por ejemplo. y d) utilizar el número óptimo de repeticiones por tratamiento. Sin embargo. los tratamientos se pueden referir a edad. El error experimental no puede eliminarse. entonces las diferencias entre los tres animales son las que contribuyen al error de submuestreo. Al realizar un experimento se debe incluir un testigo para medir el resultado de un experimento o el avance de un programa.4 sicológicos. etc. pero se puede reducir su efecto. b) tamaño de la unidad experimental adecuada.

la prueba de t es inapropiada cuando se comparan más de dos tratamientos. 2) Hacer todas las comparaciones con pruebas de t. con 5 tratamientos se tendrían que hacer 10 pruebas y con 8 tratamientos 28 pruebas.e tratamientos) son iguales. c) Las varianzas dentro de grupos (p. El ANOVA se utiliza en todos los campos de investigación. como se verá más adelante cada diseño tiene su propio ANOVA. es decir cuando las observaciones se hallan en forma de números (son medibles). fuente de variación conocida como residuo o error experimental. b) El error experimental constituye un elemento aleatorio.. Por ejemplo. Por ello.5 (comparaciones) que se llevan a cabo. . logaritmos o raíz cuadrada) pueden aproximarse a la normalidad. También se utiliza para datos no distribuidos normalmente pero que a través de transformaciones (p. a) Los efectos de tratamiento y los efectos ambientales son aditivos. La prueba de Barlett es otro procedimiento para la prueba de homogeneidad de varianzas (Snedecor y Cochran 1980 sección 10. Las suposiciones básicas para que el ANOVA tenga validez son.21). incluyendo la variación que no se ha podido medir (proveniente de la variación inherente al material experimental o de la falta de homogeneidad del ambiente en el que se realizó el experimento). También. normal e independientemente distribuido con media cero y varianza común. Un método sencillo para probar esto consiste en calcular la desviación estándar (DE) de cada nivel (es decir la raíz cuadrada de las varianzas dentro de cada grupo) y se traza contra las medias de las muestras. d) La media y la varianza de los grupos son independientes. Un método más objetivo de la prueba de normalidad de los datos y desigualdad de varianzas es el de la prueba KolmogorovSmirnov. debida al azar. Si se observa alguna asociación entre las medias y DE entonces el ANOVA no es apropiado. Su uso ha significado una gran expansión para el diseño experimental. cuando los datos son medidos cuantitativamente. Es decir. El ANOVA es en esencia un procedimiento aritmético que consiste en descomponer una suma de cuadrados total (variación total) en fuentes de variación reconocidas. la SCtrat + SCError debe ser igual a la SCtotal. implica mucho trabajo. es muy probable que la diferencia entre la media mayor y la menor mostrara significancia en una prueba de t.e.

En el ANOVA para obtener el valor de F calculada (que denota la significación entre tratamientos) se divide el cuadrado medio de tratamientos entre el cuadrado medio del error. Es el diseño más simple y se usa cuando las unidades experimentales son homogéneas o cuando la variación entre ellas es muy pequeña. alejamientos mayores de las suposiciones invalidan el método. que aunque el ANOVA no es muy sensible a las violaciones de las suposiciones (especialmente cuando se usan iguales números de observaciones por subclase. El paso siguiente del ANOVA es la comparación de las medias de tratamientos para conocer cual es el mejor. Esto podría conducir a conclusiones incorrectas. Consecuentemente es una preocupación prudente para verificar las suposiciones básicas del ANOVA.. A continuación se discuten los diseños experimentales de uso más frecuente en las ciencias biológicas. B A C C . utilizando para ello tablas de números aleatorios o papeles escritos con los tratamientos o claves de éstos (Figura 1). El valor de F calculado se halla en la tabla de F con el nivel de significancia (1 o 5%) y con los grados de libertad de tratamientos en el numerador y con los grados de libertad del error experimental en el denominador. 3.1.. invernadero etc. La distribución de los tratamientos se hace aleatoriamente entre todas las unidades experimentales.6 Cabe mencionar. III. Esta es una prueba con un solo criterio de clasificación (tratamientos). Al comparar el valor de F calculado con el de F tabulado podemos establecer si existe o no existe diferencia estadísticamente significativa entre tratamientos.DISEÑOS EXPERIMENTALES CLÁSICOS. tal es el caso de experimentos de laboratorio. en donde las condiciones ambientales son controladas. se rechaza la hipótesis nula en caso contrario se acepta.DISEÑO COMPLETAMENTE AL AZAR. Si el valor de F calculado es mayor que el valor de F tabulado.

7 B C A C A D B D C B A B A D D D Figura 1. d) Por no tener muchas restricciones aumenta el número de grados de libertad para el error.1. Algunas desventajas son. Distribución aleatoria de los tratamientos en un diseño completamente al azar con cuatro tratamientos y cinco repeticiones por tratamiento.1 Modelo estadístico y Análisis de varianza. µ= es la media general. ya que no es necesario que el número de tratamientos y repeticiones sea igual. El modelo estadístico para este diseño es Yij= µ + α i + eij donde: Yij= es la j-esima repetición correspondiente al i-esimo tratamiento. α i es el efecto del iesimo tratamiento. el error experimental incluye toda la variación excepto aquella debida a tratamientos. b) Puesto que no existen restricciones en la aleatorización de los tratamientos. a) No es eficiente con material experimental heterogéneo. c) No hay necesidad de estimar parcelas perdidas. Algunas ventajas de este diseño son. a) Su facilidad de planeación. b) Es flexible en cuanto al número de tratamientos y repeticiones. y eij es el error aleatorio normal e . 3.

Ha: Existe diferencia entre los tratamientos más allá de lo que puede atribuirse al azar. Las hipótesis a probar fueron: Ho: No existe diferencia entre tratamientos.2.C y D) con siete cerdos (unidad experimental) por ración.Ejemplos de Diseños Completamente al azar.8 independientemente distribuído varianza común (0.B.FC FC= (ΣΣYij)²/rt. r=número de 3.1. repeticiones. σ²). . t=número de tratamientos. La distribución de los tratamientos y animales a las jaulas (unidades experimentales) se hizo aleatoriamente.1. Ejemplo de un Diseño Completamente al Azar con desigual número de repeticiones por tratamiento. FV GL SC CM Fc Tratamiento t-1 ∑Y r 2 i − FC SCtrat t −1 SCerror t ( r − 1) CM trat CM error Error t(r-1) SCtotal-SCtrat Total tr-1 ΣΣYij² .. (NID) con media cero y CUADRO 1 ANALISIS DE VARIANZA PARA UN DISEÑO COMPLETAMENT AL AZAR.1. Se analizó un experimento en el que se probaron cuatro raciones (A.2. 3.

487.30.968..74 = 34..0 102 34.45 20 SCtrat 1842 1022 2052 2962 = + + + − FC 4 3 6 7 = 31.3 787 184 46.00 .29 (787)2 = 20 = SCtotal= 452 + 462 + 492 + 442 + 352 + .0 A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANOVA.74 . CUADRO 2 Ganancia de peso de cerdos en una prueba para comparar cuatro tratamientos.452. Se presentó una enfermedad durante el experimento muriéndose ocho cerdos. 41)2 FC= 30.452.. FC = X . + 412 -FC = 31.45 = 484. R A C I O N E S B C 35 33 34 34 34 35 36 33 33 Repeticiones I II III IV V VI VII Total Media A 45 46 49 44 D 41 41 44 43 42 44 41 296 42.55 SCerror = SCtotal .30.SCtrat = 31.487.00 .45 = 518.31.2 N (45 + 46 + 49 + 44 + 35 + ..968..9 Los resultados se presentan en el Cuadro 2.34 .0 205 34.968.

En un ensayo se aplicaron cinco tratamientos a parcelas de pasto estrella y se tomaron cuatro parcelas por tratamiento.01).1.43 2. de los B 51 ++++ ++ ++ A 101 ++++ ++ C 83 C 68 B 61 C 72 E 29 D 67 .55 CM 161.2. Ejemplo de un diseño completamente al azar con igual número de repeticiones por tratamiento. Un ejemplo hipotético de la distribución tratamientos se presenta en la Figura 2. Las hipótesis que se probaron fueron: Ho: No existe diferencia entre tratamientos.26 518.10 CUADRO 3 Análisis de varianza para un diseño completamente al azar con cuatro tratamientos y desigual número de repeticiones. 3. Ha: Existe diferencia entre algunos tratamientos.4 Ft 3.14 Fc 75.24 ** Efecto de tratamiento altamente significativo al 1% (P<0. FV Tratamiento Error Total GL 3 16 19 SC 484.29 34.2.

25 41.75 1282 (1282)² FC = 20 = 82176. Figura 2. Parcela 1 2 3 4 Total Media A 101 93 93 96 T R A T A M I E N T O B C D 51 61 59 58 83 68 72 75 67 40 46 52 E 29 45 51 42 Total 383 229 95. como piedras o árboles. + 522 + 422) . SCtotal = (1012 + 512 + 832 + .7286 = 882.82176 = 7286.50 51.FC .11 A 93 D 40 B 59 ++++ ++++ B 58 C 75 E 51 ++ ++++ ++ A 93 E 45 A 96 D 46 E 42 D 52 + Obstáculos. 383² + 229² + 298² + 205² + 167² SCtrat = 20 = 89462 ..75 57.SCtrat = 8168 .FC = 90344 .82176 = 8168. Distribución aleatoria de tratamientos en un DCA Los rendimientos de materia seca (MS) en kilogramos se presentan a continuación. ..25 298 205 167 74. SCerror = SCtotal .

Para saberlo.. se utilizan las pruebas de comparación de medias.Comparación de medias Diseño Completamente al Azar. Tres de las pruebas de uso más común para la comparación de tratamientos o combinaciones lineales de ellos se describen a continuación. Sin embargo. Realicemos una práctica con los resultados del ejemplo 2. v grados de libertad .1.Prueba de Rango Múltiple de Duncan.1.3 58. es una prueba que permite comparar todas las medias entre sí. La ventaja de esta prueba consiste en el hecho de que no necesita que el valor de F sea significativo para poder usarla.L.8 G.05 Los valores proporcionados se aplican a la siguiente ecuación: DMS= qd*EE donde qd es el valor tabular de la tabla de Duncan (Apéndice A-1) con t tratamientos.98 Ft 4.01 GL 4 15 19 SC 7286 882 8168 CM 1821. no indica cual de ellos es el mejor y como difieren unos de otros.1.3.09** 3. Para el desarrollo de la prueba se necesitan los datos siguientes: Cuadrado medio del error(CMerror) 58. 3.8 Fc 30.. de tratamientos para un El valor significativo de F en un ANOVA implica que los tratamientos no pertenecen a poblaciones con medias comunes y que los tratamientos difieren en forma significativa.12 CUADRO 4 Análisis de varianza para un diseño completamente al azar con cuatro repeticiones. del error(v) 15 Número de tratamientos(t) 5 Número de repeticiones(r) 4 Nivel de significancia (α) 0. FV Tratamiento Error Total ** P<0.3.

EE es el error estándar de las medias el cual se obtiene dividiendo el CMerror entre el número de repeticiones (r) y obteniendo la raíz cuadrada.25 11.25 57.50) 11.75 12. i.53 ( 9.45. El DMS para la comparación de 4 medias se obtiene multiplicando 3.45 5 3. p.53 (21.53 se obtiene multiplicando el valor de la tabla de Duncan para la comparación de 2 medias con el valor de EE = 3.0 C 74.50) 0.10 (38. la diferencia de la media del tratamiento B con la media del tratamiento D es menor que . EE = CM error r Ahora es necesario hallar todas las diferencias entre las medias.31 12.0 D 51.53 (17..25) 0.75 E D B C A 41.e. i.16 12.10 (15. etc.25) 0.83= 11.13 del error y el α deseado (1 o 5%).53 ( 6. de otro modo no son significativas..53.10 4 3.75) 12.50 12.50) 11. de medias a comparar Valor de la tabla Duncan DMS=qd EE 2 3.0 Si las diferencias de medias son mayores que el valor de DMS (entre paréntesis) las medias de los tratamientos en cuestión son diferentes estadísticamente.0 B 57.75 51.e.25) 11.45 (44. 3.83.00) 0. las diferencias de la media del tratamiento A con las medias de los otros tratamientos son mayores que sus respectivos valores de DMS por lo tanto la media de A es diferente estadísticamente de las demás.25 x 3. el valor de 11.25 12.e.68 Como ejemplo. La comparación de los valores de las DMS con las diferencias entre medias es más fácil usando la siguiente tabulación: A 95.25 74.01 11.01*3. Por otro lado.0 E 41.10 (23.00) 12.50) 12..68 (54.25 12.83 = 12. No.75 0.45 (32. para compararlas contra los valores de las DMS de cada comparación de medias.53 3 3.50 95.

El procedimiento es calcular el valor de DMS de acuerdo a la ecuación siguiente: DMS= qt EE donde.1.05). EE = CM error 2  1 1  +  r r   i j donde: i ≠ j. después a la siguiente mayor le restamos las demás medias y así sucesivamente hasta que se terminen.25c E 41. Conclusión: el tratamiento A es el mejor. El método es hallar todas las comparaciones posibles con t tratamientos que son t(t-1)/2 poniendo las medias en orden creciente o decreciente y restando de la media mayor todas las demás medias. d) A 95.14 su respectivo DMS por lo tanto no son diferentes estadísticamente. qt es el valor que se encuentra en las tablas de Tukey con el número de tratamientos. los grados de libertad del error y el nivel de significancia deseado (Apéndice A-2). si estas diferencias de medias superan a la DMS se dice que las medias son significativas.3. Veamos el desarrollo con los datos del ejemplo 2.75a C 74. Una forma más sencilla de expresar la relación entre las medias de los tratamientos es subrayando aquellas que son estadísticamente iguales. en caso contrario no son significativas o diferentes estadísticamente. no difieren Desigual número de repeticiones por tratamiento. como se presenta a continuación. 1) ordenamos las medias de mayor a menor . Esta prueba al igual que la de Duncan se usa para hacer todas las comparaciones múltiples que son posibles con t tratamientos.50b B 57.Prueba de Tukey.25c D 51.75d Las medias de tratamientos subrayadas estadísticamente entre sí (α=0.2. 3. Para el caso de desigual número de repeticiones por tratamiento se utiliza la fórmula de abajo para cada par de medias a comparar.

75 2) hallamos el valor DMS= qt Sx =(4. La prueba de Tukey es considerada más estricta que la prueba de Duncan.50 0.50 B 57.05) entre los tratamientos B.25c E 41.0 E 41.25 57. Para un mejor entendimiento se presenta la siguiente tabulación: A 95.25 0.83)= 16.00 44.75 51.25 D 51.74 4) A 95.75 0.50b B 57.75 54.75 C 74. .75c Conclusión: el tratamiento A es el mejor.25 E 41.25 9.15 A 95.50 6.00 0.50 21.0 D 51.74 3) se buscan las diferencias entre todas las medias.25 0.25 17.75 23.75a C 74. Nota: A diferencia con la prueba de Duncan la prueba de Tukey no mostró diferencias significativas (α=0.0 B 57.50 32.50 95.25c D 51.0 C 74.0 DMS=16.50 38.D y E.25 74.25 15.37)(3.75 E D B C A 41.

A 1 101 A 2 93 A 3 93 A 4 96 La segunda forma es: B 1 51 data ejemplo2. A continuación se presentan dos formas de captura de la información del ejemplo 2 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS. replica=3. MODEL MSKG= TRAT. Esta prueba es muy útil y más eficiente cuando se tienen comparaciones preplaneadas. output. B 2 61 title "diseño completamente al azar. RUN. RUN. D 2 40 A 101 93 93 96 D 3 46 B 51 61 59 58 D 4 52 C 83 68 72 75 E 1 29 D 67 40 46 52 E 2 45 E 29 45 51 42 E 3 51 PROC ANOVA.1. MODEL MSKG= TRAT. D 1 67 CARDS. replica=4. C 3 72 MSKG=r3.4. B 4 58 drop r1 r2 r3 r4. INPUT TRAT $1 REPLICA 3 MSKG 5-7. output.5. output. B 3 59 input trat $ 1 r1 3-5 r2 7-9 r3 11-13 r4 15-17. C 4 75 MSKG=r4. replica=2. TITLE "DISEÑO COMPLETAMENTE AL AZAR". CLASSES TRAT.16 3. 3. output.- Contrastes Ortogonales. MEANS TRAT/DUNCAN TUKEY. CARDS. replica=1.1. Otra prueba de comparación de medias o combinaciones lineales de ellas es la de contrastes ortogonales. PROC ANOVA . C 2 68 MSKG=r2. MEANS TRAT/DUNCAN tukey cldiff. E 4 42 CLASSES TRAT. El método consiste en descomponer los grados de libertad y la suma de cuadrados para tratamientos.Programa SAS para un Diseño Completamente al Azar. DATA EJEMPLO2. C 1 83 MSKG=r1. existen .

D y E del ejemplo 2 son en realidad diferentes tipos de abono.e. siendo A el tratamiento testigo (cero abono).17 t-1 contrastes ortogonales para t número de tratamientos. p.68 Para probar si los contrastes son ortogonales. 50 y 100 kg de gallinaza y los tratamientos D y E la aplicación de 40 y 80 kg de urea a la parcela.C.B.05 CME= 58. Se podría entonces pensar en comparar a) el tratamiento testigo contra las parcelas fertilizadas. Veamos un ejemplo: Supongamos que los tratamientos A. p. CUADRO 5 Comparación: 1)Testigo(A) vs otros 5008.e. para ahorrar tiempo y evitar problemas por redondeo de cifras. Otra condición es que el producto de dos filas cualesquiera debe ser también igual a cero. En esta prueba se utilizan los totales de los tratamientos.61** 2) B vs C 595. b) comparar B y C (entre niveles de gallinaza).13** 3) D vs E 180. si se toma el cuarto contrastes se observa que: 0 + 1 + 1 -1 -1 =0.50ns 4) B y C vs D y E 1501. la suma de los coeficientes de cada hilera debe ser igual a cero. en lugar de las medias.8 El valor de Ft= 8.56** Totales por tratamiento 383 229 298 205 167 L² rc² SC 4 0 0 -1 1 0 -1 -1 0 -1 0 1 -1 0 -1 400689 4761 1444 80 8 8 0 1 1 -1 -1 24025 16 ** P<0. si se toman el primer y cuarto contraste se tiene: 4(0)+ -1(1) + -1(1) + -1(1) + -1(1)= 0 Si se satisfacen estas dos condiciones para todas las combinaciones posibles entre contrastes entonces se dice que son ortogonales. el tratamiento B y C. . c) D y E (entre niveles de urea) y d) comparar B y C vs D y E (gallinaza vs urea).

50. 2) L= L2 c2 rc2 SC= L= L2 c2 rc2 SC= L= L2 c2 rc2 SC= 383(0) + 229(1) + 298(-1) + 205(0) + 167(0)= -69. y 4) Si existe diferencia entre la aplicación de gallinaza o urea a la parcela. .56.13. 24025/16 = 1501. rc2 = 4(20)=80. c2 = 42 + (-1)2 + (-1)2 + (-1)2 + (-1)2 = 20. = 4(4)=16. 1444/8 = 180.61. = 02 + (1)2 + (-1)2 + (0)2 + (0)2 = 2. = (-69)2 = 4761. = 02 + (1)2 + (1)2 + (-1)2 + (-1)2 = 4. L2 = 6332 = 400689. 383(0) + 229(0) + 298(0) + 205(1) + 167(-1)= 38. = 4(2)=8.18 1) L= 383(4) + 229(-1) + 298(-1) + 205(-1) + 167(-1)= 633. 4761/8 = 595. 383(0) + 229(1) + 298(1) + 205(-1) + 167(-1)= 155. En conclusión se observa que 1) hubo diferencia entre el tratamiento testigo y los otros tratamientos. SC= 400689/80 = 5008. = (155)2 = 24025. 2) hubo diferencia significativa entre la aplicación de 50 (B) y 100 kg (C) de gallinaza. = 382 = 1444. 3) No se encontró diferencia en la aplicación de 40 y 80 kg de urea. 3) 4) Para encontrar la significancia (valor de F calculado) se divide la SC de cada contraste entre la SC del error del Cuadro 4. = (0)2 + (0)2 + (0)2 + (1)2 + (-1)2 = 2. = 4(2)=8.

19 .

DCA. CLASSES TRAT. PROC GLM. *** A B C D E.6.1. CONTRAST ' Testigo vs Otros' TRAT 4 -1 -1 -1 -1. MODEL MSKG = TRAT. CONTRAST ' D vs E ' TRAT 0 0 0 1 -1. CONTRAST ' B vs C ' TRAT 0 1 -1 0 0. Programa SAS para contrastes ortogonales en un Para correr la prueba de comparaciones pre-planeadas usando el paquete estadístico SAS. simplemente se reemplaza el programa de la sección 3. .1. run. CONTRAST ' B y C vs D y E ' TRAT 0 1 1 -1 -1.20 3.4 (después de los datos) el siguiente programa.

La variabilidad entre unidades experimentales de diferentes bloques debe ser mayor que entre las unidades del mismo bloque. p.e. todas las unidades experimentales dentro de cada bloque deben tratarse de igual forma. La diferencia que no se deba a tratamiento es removida por el diseño y forma parte del error experimental o aleatorio. de tal modo que los tratamientos participen por igual de condiciones tan uniformes como sea posible. posición de corrales. en consecuencia. Este diseño se utiliza cuando existe un gradiente de variación (otro que no sea el de tratamiento). fertilidad del suelo. las que enmascarían el efecto de los tratamientos en estudio.2. estaríamos introduciendo fuentes adicionales de variación cuyo efecto sería imposible de medir..21 3. tiempo. exceptuando la aplicación de los tratamientos cuyo efecto se trata de medir. las diferencias que se encuentren entre unidades se deberán. El objetivo de este diseño es reunir las unidades experimentales a las que se les aplicará los tratamientos en bloques (grupos). Si no fuera así. dentro de cada bloque. en su mayor parte a diferencias entre tratamientos. Durante el curso del experimento. etc.DISEÑO DE BLOQUES AL AZAR. B A C D I B B D A C II L O A C B D III Q U C D A B IV E S C B A D V .

.FC número de bloques.2. . σ2).1.2. 3. α j= es el efecto del j-esimo tratamiento. y eij= error aleatorio NID(0. FV GL SC CM F Bloque Tratamiento Error b-1 t-1 (b-1)(t-1) ∑Y b 2 i. tratamientos.22 Figura 3. µ= media general. 2j − FC − FC SCbloque b −1 SCtrat t −1 SCtotal-SCbloque CM bloque CM Error CM trat CM Error SCError ( b − 1)( t − 1) -SCtrat Total FC= (ΣΣYij)²/bt.2. Yij= µ + ßi + α j + eij donde: Yij= es el dato correspondiente al j-esimo tratamiento del i-esimo bloque. bt-1 b= número ∑ ∑Y de 2 ij . ßi= es el efecto del iesimo bloque. Se presentan los resultados ded seis variedades de frijol ( rendimiento expresado en kg por parcela) en el que se usaron cuatro repeticiones por tratamiento (variedad). t ∑ Y. El modelo estadístico para un diseño de bloques al azar es.Ejemplo de un diseño de bloques al azar.. Ejemplo de la distribución aleatoria de los tratamientos en un diseño de bloques al azar con cuatro tratamientos y cinco repeticiones.t= 3.Modelo estadístico y Análisis de varianza. CUADRO 6 Análisis de varianza para un diseño de bloques al azar.

B L O Q U E S II III IV 46 38 32 20 42 25 203 38 31 28 26 46 22 191 41 30 26 24 40 26 187 VARIEDADES A B C D E F Ballo Jamapa Mantequilla Testigo Cuyo Chontalpa Total I 42 32 25 18 35 36 188 total 167 131 111 88 163 109 769 media 41.75 32.00 40.04 A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANVA.75 27. Ha: existen diferencias entre algunos tratamientos mas allá de lo que puede atribuirse al azar. y resultados en un diseño de CUADRO 7 Rendimiento de semilla de frijol por parcela (kg) en un experimento de bloques al azar.75 22.25 32. Distribución bloques al azar.75 27. B 32 F 36 C 25 A 42 E 35 D 18 B 38 D 20 A 46 C 32 F 25 E 42 E 46 F 22 D 26 B 31 A 38 C 28 C 26 F 26 E 40 B 30 D 24 A 41 Figura 4. .23 Se desea probar la siguiente hipótesis: Ho: No existe diferencia entre tratamientos. La distribución de los tratamientos en campo se presentan en la Figura 4 y los resultados en el Cuadro 7.

Para determinar cuales tratamientos son diferentes es necesario comparar las medias.FC = 24667 . Si nuestro interés hacer unas cuantas comparaciones de interés y lógicas entonces es mejor y mas eficiente utilizar la prueba de contrastes ortogonales...24640 = 1251 SCError= SCtotal . para lo cual se utiliza la prueba de Duncan o Tukey.24640= 27 6 167² + 131² + 111² + 88² + 163² + 109² .2. .13 Fc 13.Prueba de Duncan.3.00 19.20 9..0 Ft 4.FC =26205 1565 .251 27 287 1.1. 3.FC 4 SCtrat= = 25891 .24640= = 24640 SCbloque= 188² + 203² + 191² + 187² .SCbloque ..Comparación de medias. FV GL SC 1.1251 = 287 CUADRO 8 Análisis de varianza para un diseño de bloques al azar.27 .565 CM 250.01 En conclusión: El valor de Fc > Ft por lo tanto rechazamos la Ho de que los tratamientos son iguales y aceptamos la Ha de que algunos tratamientos son diferentes entre sí.SCtrat = 1565 .56** NS Tratamiento 5 Bloque 3 Error 15 Total 23 ** P<0.24 7692 FC = 24 SCtotal= (42² + 32²+. 3.3. si nuestro interés es comparar todos los tratamientos entre sí.+ 40² + 26²) .2.

32 Como ejemplo. el valor de 6. No. El DMS para la comparación de 4 medias se obtiene multiplicando 3. No.16 6. de bloques = 4. de Tratamientos(t)= 6. La comparación de los valores de las DMS con las diferencias entre medias se hace más fácil usando la siguiente tabulación: A D Ballo Testigo E Cuyo B Jamapa C F Manteca Chontal .18 4 proporcionados se aplican a la siguiente la prueba de Ahora es necesario hallar todas las diferencias entre las medias.56 3 3. Los valores ecuación: DMS= qd*EE donde qd es el valor tabular de la tabla de Duncan (Apéndice A-1) con t tratamientos. de medias a comparar Valor de la tabla Duncan DMS=qd EE 2 3.25* 2.22 6 3.31 7.01* 2.05.89 4 3.56.e.13 = 2.01 6. i.09. Nivel de significancia = 0.13.18. EE es el error estándar el cual se obtiene dividiendo el CMerror entre el número de repeticiones (r) y obteniendo la raíz cuadrada.18= 6.25 7.18 = 7. etc.36 7. v grados de libertad del error y el α deseado (5%). EE = CM error = r 19.56 se obtiene multiplicando el valor de la tabla de Duncan para la comparación de 2 medias con el valor de EE = 2. GLerror = 15.09 5 3. para compararlas contra los valores de las DMS de cada comparación de medias. 3..25 La información necesaria para realizar comparación de medias consiste en: CMerror = 19. No.

50 (7.0 18.75 32.25b 22. Cuando usamos el diseño completamente al azar. la perdida de una parcela no afecta el procedimiento de cálculo. de otro modo no son significativas.22) 13.09) 5.. los animales se escaparon y destruyeron una unidad experimental.00b Las medias de tratamientos subrayadas estadísticamente entre sí (α=0.22) 14.75 (7.25 (6. D y F.56) 0.50 (7.75 19.2.75 41. Con el diseño de bloques al azar.D y F son estadísticamente iguales.00 40.56) 0. la media del tratamiento A es igual a la media de E pero diferente a las medias de los tratamientos B. d) A 41. no difieren 3.89) 5. p.56) 0.56) 0.00 (6. C.75 22.0 10.32) 14. uno de ellos haya muerto) se pierda una unidad experimental.75 32.0 F C B E A 27.26 41.00 (6.C.4.89) 0..75a C 40.50 (6.75 40.89) 8. antes de .00 0.56) 0. puede darse el caso que por alguna razón (ataque de pájaros a una parcela.25 D 22.50 (6. como se presenta a continuación.0 Si las diferencias de medias son mayores que el valor de DMS (entre paréntesis) las medias de los tratamientos en cuestión son diferentes estadísticamente.75 (6. Una forma más sencilla de expresar la relación entre las medias de los tratamientos es subrayando aquellas que son estadísticamente iguales.0 5.75b E 27.25 27.75b D 27.00 (6. las medias de los tratamientos B. en un ensayo con animales.00 (6.00 (7.75 (7.09) 13.00 (6.75a B 32.0 5.75 (7.89) 1.75 27. Por otro lado.05). Conclusión: el tratamiento A es el mejor. En tal caso es necesario estimar el valor faltante.e.Estimación de parcelas perdidas.09) 9.75 27.

DATA EJEMPLO3. G= total general. TITLE "DISENO BLOQUES AL AZAR". Ballo 1 42 Jamapa 1 32 Mantequilla 1 25 Testigo 1 18 Cuyo 1 35 Chontalpa 1 36 Ballo 2 46 .27 aplicar el análisis de varianza. Dos formas de captura de la información del Ejemplo 3 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS se proporciona a continuación. Esto se debe a que el valor o valores estimados no tienen desviaciones. El error estándar de la diferencia del tratamiento que contiene el dato perdido y la media de cualquier otro tratamiento es: t 2  EEd = CM error  +   r r ( r − 1)( t − 1)  3. B= total del bloque donde se perdió la experimental. se coloca en la unidad experimental faltante y analizamos el experimento normalmente. sólo que los GL del error y del total se disminuyen en uno. t= número de tratamientos.. r(B) + t(T) -G Parcela perdida = (r-1) (t-1) donde: r= número de repeticiones (bloques). INPUT VARIEDAD $ 1-12 BLOQUE 14 RENDKG 16-17. CARDS. Para ello se utiliza la siguiente ecuación.2. T= total del tratamiento donde se perdió la experimental. unidad unidad Al estimar este valor.Programa SAS para un Diseño de Bloques al Azar.5.

CLASSES VARIEDAD BLOQUE. BLOQUE=2. OUTPUT. MODEL RENDKG= BLOQUE VARIEDAD. RENDKG= REP4. INPUT VARIEDAD $ 1-12 REP1 14-15 REP2 17-18 REP3 20-21 REP4 23-24. MEANS VARIEDAD/DUNCAN tukey. Ballo 42 46 38 41 Jamapa 32 38 31 30 Mantequilla 25 32 28 26 Testigo 18 20 26 24 Cuyo 35 42 46 40 Chontalpa 36 25 22 26 Proc print. OUTPUT. OUTPUT. run. . RENDKG= REP2. BLOQUE=1. BLOQUE=4. means VARIEDAD/DUNCAN tukey.28 Jamapa 2 38 Mantequilla 2 32 Testigo 2 20 Cuyo 2 42 Chontalpa 2 25 Ballo 3 38 Jamapa 3 31 Mantequilla 3 28 Testigo 3 26 Cuyo 3 46 Chontalpa 3 22 Ballo 4 41 Jamapa 4 30 Mantequilla 4 26 Testigo 4 24 Cuyo 4 40 Chontalpa 4 26 PROC ANOVA .BLOQUES AL AZAR GENERALIZADOS. DATA EJEMPLO3. BLOQUE=3. run. DROP REP1 REP2 REP3 REP4. Proc anova. model RENDKG= VARIEDAD bloque. OUTPUT. RUN. CARDS. classes VARIEDAD bloque. Otra forma de captura de la información. TITLE "DISEÑO DE BLOQUES AL AZAR". 3. RENDKG= REP1.3.. RENDKG= REP3.

2a ed. µ= media general.3. para ello es necesario que existan igual número de tratamientos. y eij= error 2 aleatorio NID(0. En este diseño. σ ).4. ßj= es el efecto del i-esimo bloque. 3. α i= es el efecto del iesimo tratamiento.. el experimento es un diseño de bloques al azar generalizado. generalizados.e. Para mayor información sobre bloques ver Steel & Torrie 1985..Modelo estadístico y Análisis de varianza. Cuando cada uno de los tratamientos aparece con un número diferente de repeticiones por bloque se denomina bloques al azar con un número no proporcional de subclases. dos gradientes de fertilidad. p. etc. pag 429).1. hileras y columnas. humedad y sombra.29 Cuando existe más de una unidad experimental por tratamiento por bloque. αßij es la interacción bloque tratamiento. 3.DISEÑO EN CUADRO LATINO. esto es existen dos fuentes de variación. Una condición del diseño cuadro latino es que ningún tratamiento se repita por hilera y columna. la restricción para controlar la variabilidad está en dos direcciones (hileras y columnas). En los bloques al azar generalizados la posibilidad de una interacción de bloques por tratamiento debe presentarse como una hipótesis. Para cuatro y cinco tratamientos los arreglos podrían ser: A C D B C D B A B A C D D B A C B C D A E D A C E B C E B D A A D E B C E B A C D . El modelo estadístico para generalizados es Yijk= µ + α i + ßj + αßij + eijk un diseño de bloques donde: Yij= es el dato correspondiente al j-esimo tratamiento del i-esimo bloque.

.4...1. Ha: Existen diferencias entre algunas razas. FV Tratamiento GL r-1 SC CM SCtrat r −1 SChilera r −1 SCcolumna SCerror CM trat CM error CM hilera CM error CM columna CM error SCerror ( r − 1)( r − 2 ) F ∑Y r 2 t. − FC Hilera r-1 ∑Y r 2 i.Ejemplo de un Diseño Cuadro Latino (DCL).j − FC Error Total (r-1)(r-2) r2-1 ΣΣYij2-FC DIFERENCIA FC= (ΣΣYij(t))2/r2. Ho: No existe diferencia entre razas. El modelo estadístico para este diseño es. Se presentan los resultados de las ganancias de peso de 16 animales de cuatro razas distribuidos en un diseño cuadro latino. Ha: Existen diferencias entre algunos tratamientos. r= número de tratamientos. 3. − FC Columna r-1 ∑Y r 2 .Modelo estadístico y Análisis de varianza.2.30 3. La distribución de los animales y tratamientos. así como los resultados se presentan en la Figura 5 y Cuadro 10. Yij(t)= µ + α i + ßj + Γ(t) + eij(t) CUADRO 9 Análisis de varianza para un diseño Cuadro Latino.4. Se desea probar las siguientes hipótesis: Ho: No existe diferencia entre tratamientos.

6 D A B C 83. y B 65.1 B 83.0 B 81.2 A 66.7 83.6 A 69.3 B 72.1 D 83.4 D 89. Distribución hipotética de tratamientos resultados de un experimento cuadrado latino.3 69.0 II 302.9 .0 C 77.8 CUADRO 10 Resultados de campo de un experimento cuadrado latino.7 71.2 72.4 73.9 Total 1230.0 IV 323.8 80. R Total Posición 1 2 A 3 Z 4 A I 292.4 310.6 322.1 C 81.1 C D A B 77.8 C 85.2 72.5 B C D A 65.1 76.2 III 312.9 81.1 D 89.2 B 81.9 C 85.8 288.7 D 80.8 A 71.31 Figura 5.7 D 76.8 A 73.1 A 66.4 C 72.1 308.

139. SCtrat= SCraza = SCposición= CUADRO 11 Análisis de varianza para un diseño cuadro latino.153.4 + 83.1 + 81.329.SCposición = 756.7² + 303.3² + 316.2 + 83.2 .8 + 65.5.94571.94571.2 292.5² + 288.2 .50 tratamiento A= 66.7 tratamiento B= 81.6. FV GL SC CM Fc Ft .9² .0 322.2.82 Total 79.8 + 73.SCtrat -SCraza .6 = 756.0² + 323.2² + 312.1² + 330.1 = 316.7 + 71.32 Media Total 70..0² + 81.9 = 303.FC 4 = 94900.1² + 310.1 + 72.FC 4 = 94724.+ 81..4 = 130.02 Total 82.1² +.3 tratamiento C= 85.94571.1 tratamiento D= 89.1²) -FC = 95327.6 = 139. 280.0 A continuación se presentan los cálculos para obtener la suma de cuadrados del ANVA.9² -FC 4 = 94711.4 SCerror = SCtotal .2 = 280.6² + 308.17 Total 75.3 + 76.4 + 72. = 94571.0 . 1230.12 FC = 16 SCtotal = (66.6 + 80.8 + 77.6 = 329.8² + 85.7 = 330.0 .0² .94571.6 = 153.0² + 302.8 .8 .0 + 69.6 .

7 51.05) entre razas y posición.33 Tratamiento 3 Raza 3 Posición 3 Error 6 Total 15 * P<0..04 2. No se encontró diferencia significativa (P>0.1 46.334) = 11.90. Para determinar cuales tratamientos son diferentes es necesario comparar las medias.5 21.8 5.44 2) Se hallan las diferencias entre todas las medias.3. El procedimiento para calcular el valor de DMS es de acuerdo a la ecuación siguiente: 1) Encontrar el valor de DMS DMS= qt EE donde. qt es el valor que se encuentra en las tablas de Tukey con el número de tratamientos.2 109. para lo cual se utilizan las pruebas de Duncan o Tukey si nuestro interés es comparar todos los tratamientos entre sí.90 (2. 329. Para un mejor entendimiento se presenta la siguiente tabulación: . EE = CM error = r 218 . los grados de libertad del error y el nivel de significancia deseado (Apéndice A-2).4 130.334 4 qt con 6 GL del error y cuatro tratamientos = 4.05 En conclusión: El valor de Fc > Ft por lo tanto rechazamos la Ho de que los tratamientos son iguales y aceptamos la Ha de que algunos tratamientos son diferentes entre sí. = 2.2 139.Comparación de medias de tratamientos. Prueba de Tukey.14 4. DMS= 4.5 756.76* ns ns 3.35 2.4.0 153.

44 entonces las medias son diferentes.0 B 5.2 I C 3 77. DATA LATINO.17 Conclusión: el tratamiento D es el mejor. I A 1 66.4. CARDS.1 I D 4 83.20 0.4 IV C 4 81.33 6.2 II B 1 81.8 IV B 3 83. D 82.8 II D 3 76.34 D A B C D 70.0 I B 2 65.85 3.6 PROC ANOVA .48 0.0 C 8.4 III A 3 73.1 III D 2 80.0 3) Si la diferenia de medias es mayor que el valor de qt=11.9 III C 1 85. TITLE "DISEÑO CUADRO LATINO".4.17 75.02 82.82 79.7 III B 4 72. CLASSES TRAT RAZA POSICION.7 II A 4 71.3 IV A 2 69.68 3.1 IV D 1 89.8 II C 2 72. .Programa SAS para un Diseño en Cuadro Latino.02 B 75.. MODEL GANANCIA= TRAT RAZA POSICION.0 A 0. Una forma de captura de la información del Ejemplo 4 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS se proporciona a continuación. INPUT POSICION$ 1-3 RAZA$ 5 TRAT$ 7 GANANCIA 9-12.82 A 70.65 0. 3.50 12.50 C 79.

. RUN.35 MEANS TRAT/DUNCAN tukey.

Yij(t)= µ + α i + ßj + Γ(t) + eij(t) Los pasos en un diseño crossover son los siguientes: 1. Ho: No existe diferencia entre tratamientos..1. El modelo estadístico para este diseño es.5.5.. 4 semanas.4 2. 3.36 3.. 3.Dividir las unidades experimentales ( p.3 2. . Los resultados del experimento se presentan en el Cuadro 12..Ejemplo de un Diseño Crossover. animales) en t grupos al azar. 4 tratamientos.. Ha: Algunos tratamientos son diferentes entre si.El modelo estadístico para este diseño es similar al modelo para el Diseño Cuadro Latino.2.e.1 8. La hipótesis de interés es. Este tipo de diseño es común es experimentos de nutrición. Por ejemplo: 8 borregos.5 6. La distribución de los tratamientos y los resultados se presentan en el Cuadro 12.5. Grupo I II III IV Borrego número: 7.DISEÑO CRUZADO (CROSSOVER) Este diseño es una extensión del diseño cuadro latino y se usa cuando se hacen aplicaciones secuenciales de los tratamientos a las mismas unidades experimentales..Elegir un diseño cuadro latino balanceado y aplicar una secuencia de tratamientos al azar a cada grupo de unidades experimentales.

1022450 = 255..FC 4 = 1023100 . BORREGO I D 180 190 B 180 160 C 220 200 A 140 160 TOTAL BORREGO 700 750 730 720 710 720 690 700 5720 C=1620.1022450 = 650. +700² . 1430² + 1430² + 1400² + 1460² .FC 8 = 1022675 ..FC SCAnimal= SCPeriodo= . 7 5 6 1 8 3 2 4 TOTAL PERIODO 1430 1430 1400 1460 TOTAL TRATAMIENTO: A=1250. 1250² + 1370² + 1620² + 1480² SCtrat= 8 .+ 190²) .FC 1034200 .. D=1480. FC = 57202 =1022450. 32 SCtotal= (180² + 190² + 150² +. B=1370.1022450 = 11750 700² + 750² +.. A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANVA.37 CUADRO 12 Ejemplo de los resultados de un diseño cruzado PERIODO II III IV A C B 150 170 C 200 210 D 170 190 B 170 170 200 200 A 150 160 B 160 170 D 180 180 170 190 D 200 190 A 160 160 C 200 190 No.

0 1550.0 11750.38 = 1031775 .33 86.10 Ft ns ns 5.86 75.01 .255 .09** Animal 7 Periodo 3 Tratamiento 3 Error 18 Total 31 * P<0.650 . CUADRO 13 Análisis de varianza para un diseño crossover. FV GL SC 650.87 36.0 225.1022450 = 9325.11 Fc 1.08 0.SCAnimal -SCPeriodo .00 3108.0 9325.SCtrat = 11750 . SCerror= SCtotal .9325 = 1550.0 CM 92.

cards. PROC ANOVA. RUN. I d 7 180 I d 5 190 I a 7 150 I a 5 170 I c 7 200 I c 5 200 I b 7 170 I b 5 190 II b 6 180 II b 1 160 II c 6 200 II c 1 210 II a 6 150 II a 1 160 II d 6 200 II d 1 190 III c 8 220 III c 3 200 III d 8 170 III d 3 190 III b 8 160 III b 3 170 III a 8 160 III a 3 160 IV a 2 140 IV a 4 160 IV b 2 170 IV b 4 170 IV d 2 180 IV d 4 180 IV c 2 200 IV c 4 190 TITLE 'DISENO CROSSOVER. El programa para el análisis estadístico programa SAS se da a continuación.5. .Programa SAS para el Diseño Crossover. DOS ANIMALES POR TRATAMIENTO'. MODEL GDP= PERIODO TRAT ANIMAL. CLASSES PERIODO TRAT ANIMAL. MEANS TRAT/TUKEY.39 3.3. utilizando el DATA BORREGO.. INPUT periodo$ 1-3 trat$ 5 animal 7 gdp 9-11.

cuatro tratamientos se aplican a tres corrales con dos animales cada corral. 4. En este tipo de experimentos existen dos fuentes de variación que contribuyen a la varianza aplicable a las comparaciones entre medias de tratamientos: 1) la variación entre submuestras (animales) de una misma unidad experimental (corral) y 2) la variación de las unidades experimentales (corrales) dentro de tratamientos. la unidad experimental es el corral y la unidad de muestreo el animal. Los cuadrados medios de los dos tipos de variación mencionados anteriormente se denominan en general error de muestreo y error experimental. En este caso. Tales observaciones se hacen en submuestras o unidades de muestreo. El modelo estadístico para este diseño es.e. 4. Al probar una hipótesis sobre medias de tratamientos. respectivamente.. el divisor apropiado para F es el cuadrado medio del error experimental ya que este incluye la variación proveniente de todas las fuentes que contribuyen a la variabilidad de las medias de los tratamientos exceptuando los tratamientos.40 IV.DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTREO..DISEÑOS EXPERIMENTALES CON SUBMUESTREO.1 Modelo estadístico y Análisis de varianza. En este diseño la distribución de tratamientos similar al diseño completamente al azar excepto que toman dos o más medidas por unidad experimental.. p. Yijk= µ + α i + eij + δ ijk donde: Yijk= es la ijk-ésima observación µ= es la media general α i= es el efecto del i-ésimo tratamiento eij= es el error experimental δ ijk= es el error de submuestreo es se . En algunas situaciones se pueden tomar varias observaciones dentro de una misma unidad experimental.1.1.

FV GL SC CM F Tratamiento t-1 ∑Y r 2 i. . para lo cual se sembró cada variedad en tres macetas y se midieron los crecimientos en una semana de los tallos de cuatro plantas por maceta. t= número de tratamientos. s=Número de 4.B. CUADRO 14 Análisis de varianza para un diseño completamente al azar con submuestreo.2 Ejemplo de un Diseño Completamente al Azar con Submuestreo. muestras.D y E.FC FC= (ΣΣYij)²/rt. Se condujo un experimento con el propósito de determinar si exiten o no diferencias entre cinco variedades de plantas de menta denominadas A.C.41 El análisis de varianza para un diseño completamente al azar con submuestreo se presenta a continuación. − FC 2 ∑ ∑ Yij. Los resultados se presentan a continuación.1. SCtrat t −1 -FC-SCtrat SCerror t ( r − 1) CM trat CM error Error Error de muestreo Total tr(s-1) trs-1 t(r-1) s Diferencia ΣΣY²ij .

35.5 8.FC .2312.5 5.5 6. .0 5.15.02 SCvar = 12 2427.0 6.0 4.5 6.5 6.0 17.5 19.+ 352 Scunidad experimental = (maceta) .0 35.0 8.5 9.0 3.5 18.52 +.52 + 95..0 3.94.5 26.5 5. SCtotal= (5.60 = 180.34 SCerror(exp)=SCunidad experimental .40 .52/60 = 2312.5 8.02 + 77.52 + 88.5 9.SCvar = = 130.02) .0 3.60 = 115.5 5.0 7.115.52 +.0 9.5 7.5 4.0 3.0 28.0 5.5 6.0 7.5 32.5 22.0 5.5 28.0 8.5 7.0 7.5 4.0 6.5 33.05 = 15.2312.52 + 62.. 49.0 6.5 7.0 7.0 5.02 + 3.5 FC= 372.65 .0 8.0 27.5 7.0 7.5 5..52 + 7.FC 4 = 2448.0 22.0 11.. Media Variedad Maceta Variedad 1 de 2 planta 3 4 Total Total maceta Variedad A B C D E 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 5.0 21.0 4.0 6. No.5 4.5 6.0 8.5 95.0 14.52 + 4.5 29.FC = 2492.5 3.0 5.0 7.0 5.+ 8.5 4.0 6.9 372.0 7.0 7.0 4.3 77.75 .60 = 136.0 7. 182 + 142 + 17.0 7.0 Gran total 49.0 5.5 8.42 CUADRO 15 Resultados de campo obtenidos para un DCA con submuestreo.2 88.1 62.0 6.5 4.0 4.05.2312.60.0 4.5 8.0 7.

43 SC error de muestreo = SCtotal .SC unidad experimental= = 180.40 = 49.15 -130. .75.

test H= var E= maceta(var).0 7.5 7.5 6.0 D 1 6.1.0 3.0 6.15 CM 28. planta=2.0 8.0 7.0 B 1 5. output.35 49.76 1.0 5. planta=4.89** 4.5 E 2 6. A 1 5.5 3. FV Variedad Error(exp) Error de muestreo Total GL 4 10 45 59 SC 115.0 8. output.05 15.44 CUADRO 16 ANVA para un diseño completamente al azar con submuestreo.0 7. Drop p1-p4.5 7.0 5. Creccm= p4.0 7. Creccm= p2. output.0 4.5 5.5 C 2 6.5 D 3 6.0 8. classes var maceta.0 9.0 9.0 5.5 7. planta=1.0 D 2 6. run.5 3.0 5.24 Fc 28.5 8.5 6. Creccm= p3.5 B 2 5.0 A 3 4.0 E 3 11.5 6.0 8.5 4. .0 4.0 7.5 6. Data DCAsub.5 4.75 180.5 A 2 3.5 3. model Creccm= var maceta(var). Creccm= p1.5 5.5 4.5 E 1 7.5 4.0 9. output.0 4.0 7. means var /duncan E=maceta(var).5 C 3 7.5 7.5 8.0 7.0 B 3 5.0 4.3 Programa SAS para un Diseño Completamente al Azar con Submuestreo.0 8. Cards. Input Var$ 1 Maceta 3 p1 5-8 p2 10-13 p3 15-18 p4 20-23.0 Proc Anova.54 1.0 5.5 C 1 8. planta=3.20 Ft 4.

j.2.. El modelo estadístico para un diseño de bloques al azar con submuestreo es el siguiente.FC SCerror(m) tb(s-1) tb(s-1) tbs-1 .1. CUADRO 17 Análisis de varianza para un diseño de bloques al azar con submuestreo. Yijk= µ + α i + ßj + eij + δ ijk donde: Yijk= es la ijk-ésima observación µ= es la media general α i= es el efecto del i-ésimo tratamiento ßj= es el efecto del j-ésimo bloque eij= es el error experimental δ ijk= es el error de submuestreo El análisis de varianza para un diseño de bloques al azar con submuestreo se presenta a continuación. FV GL SC CM F Tratamiento t-1 ∑Y bs 2 i ..45 4. s (b-1)(t-1) -SCtrt-SCbloque Error de muestreo Total ΣΣΣY²ijk ΣΣΣY²ijk ΣΣY²ij.FC CM trat CM error (exp) CM bloque CM error (exp) Bloque b-1 ∑Y ts 2 .2. Modelo estadístico y Análisis de varianza. − FC SCtrat t −1 SCbloque b −1 SCerror(exp) . − FC Error Experimental (b-1)(t-1) ΣΣY²ij. s .DISEÑO DE BLOQUES AL AZAR CON SUBMUESTREO 4.

9 69.6 458.5 70.9 --------------------------------------------------C 47. s= experimental.8 124.9 37. 4.2 60.1 --------------------------------------------------D 38.t= número de número de mediciones por unidad un Diseño de Bloques al Azar con Se desea determinar el efecto de cuatro dietas sobre la ganancia de peso posdestete de cabritos durante una prueba de 200 días.8 51.9 32.9 --------------------------------------------------76. Ha: Algunos tratamientos son diferentes entre sí.9 32.2 54.2 41.3 --------------------------------------------------92.3 --------------------------------------------------103.8 --------------------------------------------------B 51.8 52.5 107.0 64.5 142.5 55. La hipótesis a probar fue: Ho: No existe diferencia entre los tratamientos. A I II IV 63. Se midió la ganancia de peso durante la prueba para cada cabrito.5 520.46 FC= (ΣΣΣYijk)²/tbs.2 Ejemplo Submuestreo.0 62.1 68. tratamientos.8 65. Los resultados se presentan a continuación.0 59.7 109.9 33.1 57.4 109.8 127.2 54.7 429.8 287.3 52.2. Se utilizaron 32 cabritos en 16 corraletas ( dos cabritos por corraleta) distribuyéndose los tratamientos en bloques.9 56.7 56.3 44.8 63.9 54.7 ==================================================== 397.5 35.8 418.5 427.7 124.1 --------------------------------------------------125.4 68.3 62. BLOQUE III Total Media Tratamiento TRAT. CUADRO 18 Resultados de un DBA con submuestreo.7 54. de b= número de bloques.2 34.9 .7 52.7 62.2 430.2 109.5 1684.1 74.3 35.0 72.2 120.

01.SCbloque = 4022.FC Para obtener la SCerror(exp) se necesita la SC unidades experimentales la cual se obtiene como.3² SCtrat = 4(2) = 738939.7² + 124.7² + 287.21. .95 = 277.82 +.25 = 4022.25 = 92..FC = 92922.+ 33.FC 397.32.../s .47 ==================================================== A continuación se presentan los obtensión de las sumas de cuadrados.3652.2² + 430..02 + 62.95. .7² = 2 = 185475.92.82) .31.63/8 .8² + 458. FC SCerror(exp) = SCunidad experimental .88715./tbs = 1684.SCunidad experimental = 4207.25.1² + 418.0/32 = 88715.8² + 127.SCtrat . . cálculos para la FC = Y2.32 .72 + 62. SCtotal= (63.31 = 185.. SC error de muestreo = SCtotal .5² + 427.88715.5² +.15.15 .25 = 4207.7² + 429.13/2 .25 = 3652.5² SCbloque = 4(2) = 710465.+ 68. 520.57 .88715.23/8 .92/4(4)2 = 2838888. SCunidad experimental de la = ΣΣYij2..88715.4022. 125.31 .FC.

80 =2. EE = CM error (exp) = b 30.50 29.01 Como la Fc es mayor que la Ft se rechaza la hipótesis nula de que no hay diferencia entre los tratamientos.39 16.32 CM 1217.34 57. cual tratamiento es mejor.52 1.91 52.26 21.92 C 52.01 4207. no así para el efecto de bloque el cual no fué significativo (P>0. DMS= qt(t. qt= valor de la tabla para t=4 y GL=9.34 B 57.42** NS Tratamiento 3 Bloque 3 Error(exp) 9 Error de muestreo 16 Total 31 ** P<0.43 D 35.80 11. A continuación se comparan las medias de los tratamientos utilizando la prueba de Tukey.26 65.91 C 52. Prueba de Tukey.05). α= 0.19 12. por lo que es necesario realizar una prueba de comparación de medias.98 30.05. La significancia entre tratamientos no muestra.77 4 DMS= 4.26 A 65.38 30.56 Fc 39. donde: DMS= valor crítico de Tukey.15 92.76 7.21 185. FV GL SC 3652.35 4.48 CUADRO 19 Análisis de varianza para un diseño de bloques al azar con submuestreo.v)EE.77) = 12.24.42(2.10 . sin embargo. Media Trat.95 277.00 Ft 6.91 D 35. D C B A 35.84 B 57.10 A 65.

49 El mejor tratamiento es la dieta A ya que B no es diferente de la dieta C. .

8 proc anova.3 55.0 62. run.5 32. gdp = m7.7 62. bloque=1. output.50 4. gdp = m8.9 54.7 52.8 62. drop m1-m8. output. cabrito=2.3 54. cabrito=1.5 54.2 32. output. gdp = m5. output.9 33. bloque=4.0 60.3 72. Input Trat$ m1 m2 m3 m4 m5 m6 m7 m8. cards. cabrito=2.2 52. cabrito=1.2 54. model gdp= trat bloque trat*bloque. output.0 70. cabrito=2.0 63.9 34. gdp = m4.2 51.5 B 51. gdp = m3.8 D 38. A 63. classes trat bloque. bloque=2. Data DBAsub. gdp = m1.9 59. . cabrito=2.8 56. output. cabrito=1. gdp = m2. bloque=2.9 37. bloque=4. bloque=3.5 64. cabrito=1. test H= trat bloque E= trat*bloque. gdp = m6.2.9 41. means trat /tukey E=trat*bloque. bloque=1. output.9 44. output.2 35.8 56.6 C 47.7 69. bloque=3.3 Programa SAS para un Diseño de Bloques al Azar con Submuestreo.

intervalos espaciados igualmente para los niveles de un tratamiento estiman las respuestas para todo el rango de los niveles escogidos y se provee una mejor base para trazar una curva. Es deseable usar una serie aritmética para los niveles de un factor. El primer paso en el análisis es determinar el efecto de los tratamientos (con y sin grasa). También se puede examinar las medias de los tratamientos para ver si existe una tendencia lineal significativa en la ganancia de peso. niveles de inclusión de un forraje en una dieta basada en melaza. Muchas veces se desea estudiar el efecto de un factor a varios niveles. se pueden plantear dos preguntas independientes. ya que. el investigador tiene interés en la respuesta de las unidades experimentales (parcelas. Debido a que existen dos grados de libertada (GL) para la interacción grasa-nivel de chaya. El análisis mostró interacción significativa. niveles de proteína en la dieta. Estas podrían ser: ¿Existe diferencia significativa en la respuesta lineal a la chaya para G0 y G1? y ¿Existe diferencia significativa en alguna respuesta no lineal? Para simplificar los cálculos de las SC el primer paso es derivar los coeficientes de la comparación (Cuadro 20). debido al aumento en el nivel de Chaya para los dos niveles de grasa. 10 y 20%. animales) a los varios niveles de un tratamiento. El objetivo de un experimento fue determinar la forma de la respuesta a los niveles de inclusión de chaya con y sin grasa en la dieta. la respuesta a la inclusión de chaya depende de la presencia o no de grasa en la dieta. En adición hay ventajas en el cálculo de las sumas de cuadrados y de las ecuaciones de regresión. en la ganancia de peso. los niveles de insecticida y la interacción de estos dos factores. fechas de corte o cosecha. más que a las diferencias entre niveles. etc. En estos casos.51 SUPERFICIES DE RESPUESTA. . por ejemplo. incrementos de un fertilizante. es decir. que una serie donde los intervalos entre niveles sucesivos no son iguales. Ejemplo. Se utilizaron niveles de inclusión de 0.

la SC de los tratamientos debe ser igual a las SC para cada una de las comparaciones puesto que estas son independientes. Comparación G0C0 341 Tratamientos y totales G0C1 G0C2 G1C0 G1C1 G1C2 290 244 446 459 460 Grasa +1 Chaya lineal Chaya no lineal G x CL G x CNL -1 +1 +1 -1 -1 0 +2 0 -1 -1 -2 +1 -1 -1 +1 +1 +1 +1 +1 0 +1 0 -2 -1 -2 -1 +1 +1 +1 La comparación "Grasa" compara la media de todas las parcelas de G0 con la media de todas las parcelas de G1. entonces se pueden calcular las SC: (∑ c Y ) SC = ∑c i i 2 i 2 donde c es el coeficiente y Y el total. un coeficiente -1 es asignado a los componentes de un grupo y +1 a los componentes del otro. Note que los coeficientes de G x CL y G x CNL se obtienen por multiplicación de los coeficientes para grasa con aquellos para chaya lineal o no lineal. .52 CUADRO 20 Coeficientes de comparación para determinar las funciones de respuesta a los nivels de chaya con y sin grasa en la dieta. Cada comparación tiene un GL. Los coeficientes de "chaya lineal" y "chaya no lineal" se derivan del Cuadro xx (Ver apéndice).33 5(6) SCGrasa= Para checar las operaciones matemáticas. por ejemplo: (-341 -290 -244 +446 +459 +460) = 8003. Es una comparación sencilla de clases y dado que ambos grupos son de tamaño igual.

53 6.05 0.33 172.V. En general.44 48.36 Los valores de F para G x CL y G x CNL muestran una interacción significativa para la ganancia de peso lineal y no interacción a una respuesta que no es lineal (Cuadro 22).33 344.10 Grasa (G) 1 Chaya lineal (CL) 1 Chaya nolineal(CNL) 1 G x CL 1 G x CNL 1 Residual 24 Este es un método alterno para determinar la diferencia entre las medias de los tratamientos.94** 7.05 4.89 8003. F.82 F 163.94** 3. las pruebas de F planeadas ofrecen un procedimiento más preciso de comparación de medias.V.45 0.82 616.27 620.82 48. F.67 1793.00 12.87 1171. GL SC 8003.67 10140.47 8003. Por lo que este método es un estimulo .82 163. GL SC CM F Tratamiento Grasa Chaya G x C Residual Total 5 1 2 2 24 29 8969. CUADRO 22 Análisis de varianza de la ganancia de peso.33 345.53 CUADRO 21 Análisis de varianza de la ganancia de peso.62* 0.64 310. Las comparaciones deberán planearse antes de realizar el experimento.

.54 importante para la definición clara de los objetivos del experimento.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->