UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE AGRONOMA
COMISIN DE ESTUDIO DE POSTGRADO
POSTGRADO DE ESTADSTICA
PROGRAMA DE MAESTRA EN ESTADSTICA
EVALUACIN DE ANLISIS NO
PARAMTRICO DE DATOS PROVENIENTES DE
UN ARREGLO EN PARCELAS DIVIDIDAS.
LIC. ARDINELIA AMALIA MACHADO RAMIREZ
MARACAY, JULIO 2013.
UNIVERSIDAD CENTRAL DE VENEZUELA
FACULTAD DE AGRONOMA
COMISIN DE ESTUDIO DE POSTGRADO
POSTGRADO DE ESTADSTICA
PROGRAMA DE MAESTRA EN ESTADSTICA

EVALUACIN DE ANLISIS NO
PARAMTRICO DE DATOS PROVENIENTES DE
UN ARREGLO EN PARCELAS DIVIDIDAS.
AUTOR: LIC. ARDINELIA AMALIA MACHADO RAMIREZ
TUTOR: DRA. MARISELA ASCANIO EVANOFF
TRABAJO DE GRADO PRESENTADO COMO PARTE DE LOS REQUISITOS
PARA OPTAR AL TITULO DE MAGISTER SCIENTIARUM EN
ESTADSTICA QUE OTORGA LA ILUSTRE UNIVERSIDAD CENTRAL DE
VENEZUELA

MARACAY, JULIO DEL 2013.
UNIVERSIDAD CENTRAL DE VENEZUELA
FACULTAD DE AGRONOMA
COMISIN DE ESTUDIO DE POSTGRADO
POSTGRADO DE ESTADSTICA
PROGRAMA DE MAESTRA EN ESTADSTICA


EVALUACIN DE ANLISIS NO
PARAMTRICO DE DATOS PROVENIENTES DE
UN ARREGLO EN PARCELAS DIVIDIDAS.
EL PRESENTE TRABAJO DE GRADO HA SIDO EXAMINADO Y APROBADO
POR EL SIGUIENTE COMIT CONSEJERO
______________________
Dra. Marisela Ascanio.
Profesor Tutor
___________________ __________________
Prof. Aouiqw Ascanio Prof. Romn Montaa
Miembro Comit Consejero Miembro Comit Consejero
Maracay, Julio 2013
I. DEDICATORIA
A dios todopoderoso, por brindarme la oportunidad y permitirme llegar aqu,
iluminndome en todo momento para la realizacin de este trabajo que representa la
culminacin de una etapa muy importante en mi vida profesional.
II. AGRADECIMIENTO
Esta tesis representa una etapa muy enriquecedora en mi vida profesional y personal y el
camino que el tiempo obliga. En toda la experiencia universitaria y la culminacin del
trabajo de grado, ha habido personas que merecen las gracias porque sin su valiosa
aportacin no hubiera sido posible este trabajo.
Agradezco a la Dra. Marisela Ascanio por ser una excelente gua en el desarrollo de la
tesis y en la elaboracin del trabajo final junto con la publicacin, por su gran
desempeo y dedicacin; e igualmente al Profesor Aouiqw Ascanio integrante del
comit revisor por sus aportaciones hechas en este trabajo.
Agradezco al Ing. Piro Spiridione por haber confiado en m, por su paciencia y por la
disposicin en la direccin de este trabajo.
Esta tesis est dedicada a mi madre Ardinelia Ramrez quien le agradezco por su amor,
cario, compresin y por estar siempre a mi lado en todos mis momentos que con su
apoyo incondicional me da fuerza para seguir adelante gracias te amo muchsimo.
Un agradecimiento especial a la Universidad Central de Venezuela autnoma quien me
brind la oportunidad de cumplir un sueo muy importante en mi vida.
III. TABLA DE CONTENIDO
IV. Tabla de cuadros
V. Tabla de figuras
VI. Resumen
VII. Abstract
1. Introduccin
2. Objetivos
2.1. General
2.2. Especficos
3. Revisin bibliogrfica
4. Metodologa
4.1
IV. TABLA DE CUADROS
Cuadro 1.
Cuadro 2.
V. TABLA DE FIGURAS
Figura 1.
VI. RESUMEN
Los experimentos en parcelas divididas han resultado de mucha utilidad para realizar
estudios en las ms diversas reas de la investigacin. Es un factorial conducido de tal
manera que la unidad experimental con respecto a uno o ms factores es una sub-unidad
de la unidad experimental respecto a otros factores. El anlisis de la informacin que
ellos generan es muy sencillo, siempre y cuando las variables estn medidas en una
escala cuantitativa y cumplan con los cuatro supuestos del anlisis de la varianza
(normalidad de los errores, homogeneidad de la varianza de los errores, independencia
de los errores y aditividad de los efectos). Sin embargo, cuando las variables estn
medidas en escala ordinal o con variable cuantitativa pero se incumple con uno o ms
supuestos del anlisis de la varianza y la transformacin de datos no permite cumplir los
supuestos, la forma adecuada de analizar la informacin generada por un experimento
factorial es mediante la utilizacin de metodologas no paramtricas. En el rea no
paramtrica se han propuesto varias tcnicas para el anlisis de esta situacin, que por
desconocimiento de muchos investigadores no son implementadas y se sigue en muchos
casos aplicando tcnicas erradas. En este sentido en la presente investigacin se
estudiaron cuatro casos para datos alterados normales, para datos originales normales y
datos uniformes, bajo un diseo completamente al azar utilizando los valores de
probabilidad y la respuesta en la hiptesis como criterios de comparacin, plantendose
dos situaciones, en la primera (caso paramtrico) se utilizaron datos que cumplen con
los supuestos del anlisis de la varianza, utilizndose est tcnica como patrn, mientras
que en la segunda situacin (caso no paramtrico) se utilizaron datos en donde la
variable respuesta fue medida en escala cuantitativa en donde uno o ms de los
supuestos del anlisis de la varianza no se cumplieron o en escala ordinal, utilizando en
este caso la tcnica tipo Anova como la tcnica patrn. Las tcnicas estudiadas fueron:
Anavar, Friedman, Wilcoxn, Caso I, Caso II, Caso III y Caso IV. Se evaluaron las
tasas de error tipo I, II y la potencia de las pruebas y esto se lleva a efecto usando
tcnicas de simulacin programando funciones en el proyecto R.
Palabras Claves: Parcelas divididas, no paramtrica, pruebas, wilcoxn, tcnica tipo
anova.
VII. ABSTRACT
The split plot experiments have proved very useful for studies in diverse research areas.
Is driven in such a way factorial experimental unit with respect to one or more factors is
a sub-unit of the experimental unit for other factors. Analyzing the information they
generate is very simple, as long as the variables are measured in a quantitative scale and
meet the four assumptions of analysis of variance (error normality, homogeneity of
variance of the error, regardless of errors and additivity of effects). However, when the
variable are measured on an ordinal scale or quantitative variable but fails to meet one
or more assumptions of the analysis of variance and data processing can not meet the
assumptions, the appropriate way to analyze the data generated by an experiment
factorial using nonparametric methods. On the non-parametric several techniques have
been proposed for the analysis of this situation, that ignorance of many researchers are
not implemented and followed in many cases using wrong techniques. Thus in the
present investigation we studied four cases for normal altered data to original data
normal and uniform data under a completely randomized design using the values of
response probability and hypothesis as comparison criteria, considering two scenarios,
in the first (parametric case) data were used to meet the assumptions of the ANOVA,
using this technique as a template, while in the second situation (nonparametric case)
data were used where the response variable was measured in scale Quantitative wherein
one or more of the assumptions of variance analysis not performed or ordinal scale, in
this case using the technique such as the technique pattern Anova. The techniques
studied were: Anavar, Friedman, Wilcoxon, Case I, Case II, Case III and Case IV.
Evaluated error rates type I, II and potency testing and this is carried out using modeling
techniques in the project scheduling functions R.
Keywords: split plots, nonparametric tests, Wilcoxon type ANOVA technique.
1. INTRODUCCIN
El uso de bloques es una tcnica que es usada para disminuir los efectos de
variacin entre las unidades experimentales. Los niveles del factor (tratamiento) a ser
investigado son asignados a las unidades dentro de los bloques al azar. En la mayora de
los casos, los efectos de los tratamientos son considerados fijos porque los tratamientos
en el experimento son los nicos sobre los cuales se realizarn inferencias. En otras
palabras, el investigador desea estimar y comparar medias de los tratamientos con
precisin y niveles de significancia estadstica que sean validos en referencia a la
poblacin entera de bloques y no slo de aquellos en el experimento. Para lograr esto, se
requiere la especificacin adecuada de los efectos aleatorios en el modelo.
A su vez, los cmputos de los mtodos estadsticos deben incluir adecuadamente
los efectos aleatorios. El modelo para datos de diseos con bloques al azar usualmente
contiene efectos fijos por las contribuciones de los tratamientos y efectos aleatorios de
los bloques, conformndose un modelo mixto.
El diseo de parcelas divididas es un factorial conducido de tal manera que la
unidad experimental con respecto a uno o ms factores es una sub-unidad de la unidad
experimental con respecto a otros factores. Los experimentos con parcelas divididas son
frecuentemente usados por necesidad cuando un factor debe ser aplicado a una gran
unidad experimental, mientras que otros factores son ms apropiados aplicarlos a las
sub-unidades. Tambin este diseo es utilizado por la conveniencia o facilidad de
aplicar diferentes factores a diferentes unidades con tamaos distintos. El diseo de
parcelas divididas tambin puede ser usado para incrementar la precisin del efecto
estimado por la aplicacin de un factor a las sub-unidades.
Por consiguiente, los experimentos en parcelas divididas han resultado de mucha
utilidad para realizar estudios en las ms diversas reas de la investigacin. En el caso
particular de la investigacin experimental en la agricultura, sus aplicaciones con
diferentes disposiciones de los tratamientos principales son resaltadas por autores de
gran trayectoria, como Steel y Torrie (1960), Cochram y Cox (1976), Pimentel (1976),
De Campos (1984), Martnez (1988), entre otros.
Vale la pena destacar, muchos estudios utilizan diseos que requieren modelos
de anlisis de varianza con dos o ms tipos de errores experimentales. Ejemplos los que
son usados en experimentos de parcelas divididas, diseos factoriales y modelos de
regresin. Anteriormente, tales estudios han sido analizados utilizando procedimientos
computacionales apropiados para modelos de efectos fijos modificados para obtener la
estadstica relevante.
En este sentido, la experimentacin dentro de la investigacin cientfica es muy
amplia y la cantidad y tipos de experimentos que se pueden realizar son muy grandes,
uno de estos tipos de experimentos lo constituye el arreglo de tratamiento factorial o
experimentacin factorial como es conocido tradicionalmente.
Sin embargo, en un ambiente de incertidumbre los experimentos son, en forma
general, comparativos en el sentido de que, idealmente, miden y comparan las
respuestas de unidades experimentales esencialmente idnticas, despus de que estas se
exponen a los tratamientos seleccionados y aplicados por el investigador. Canavos,
(1988).
No obstante, cuando las variables respuestas estudiadas en el experimento estn
medidas en una escala cuantitativa (en escala de proporcin o de intervalo) y adems,
cumplen con los supuestos del anlisis de varianza; la tcnica adecuada para poder
analizar la informacin, tanto para la situacin en donde se estudia el efecto de los
factores por separado, como en la que estudia el efecto de las interacciones, es el
anlisis de la varianza, el cual es ampliamente conocido y de uso comn para estas
situaciones.
Es importante hacer referencia a que el anlisis convencional de los datos
experimentales se basa en los supuestos de: normalidad, independencia e igualdad de
varianzas. Existen muchas situaciones experimentales donde estos supuestos no se
cumplen, especialmente el de normalidad no es satisfecho. La mayora de estos mtodos
estn basados en estudios por rangos y su estadstica. Otra de las razones para el uso de
la estadstica por rangos es lo expuesto por Conover e Iman (1976), que los rangos se
acercan aproximadamente a una distribucin normal cuando n (cantidad de elementos)
incrementa.
Notndose que muchos estudios matemticos y estadsticos en los ltimos
tiempos, estn ms interesados en los anlisis no paramtricos, cuando los paramtricos
no pueden ser usados, y estn desarrollando investigaciones que permitan establecer las
condiciones para su uso, los niveles de aceptacin de sus resultados y la comprobacin
de tcnicas estadsticas conocidas con datos de tipo ordinal.
Asimismo, las pruebas no paramtricas de que dispone la literatura cubren varios
procedimientos, entre ellos se pueden mencionar: diseos completamente al azar,
diseos de bloques completamente al azar, diseos de bloques incompletos, diseos
para bioensayos, diseos de parcelas divididas, diseos de cross-over.
Por lo expuesto anteriormente, el presente trabajo pretende analizar las tcnicas
de anlisis estadstico no paramtrico comparar datos experimentales provenientes de un
arreglo en parcelas divididas, a travs del uso de mtodos estadsticos no paramtricos
alternativos (mediante las pruebas de Friedman (1937) y Wilcoxon (1945)
principalmente), para datos provenientes de un arreglo en parcelas divididas, que
permitan mejorar la conduccin, anlisis e interpretacin de los mismos, bajo un diseo
completamente al azar, en donde las variables respuestas estn medidas en escala
cuantitativa, que no cumplen con los supuestos del anlisis de la varianza, estn
medidas en escala ordinal.
2. OBJETIVOS
2.1. General
Analizar las metodologas estadsticos no paramtricos, para datos provenientes de un
arreglo en parcelas divididas.
2.2. Especficos

2.2.1 Describir las metodologas estadsticos no paramtricos, para arreglos en
parcelas divididas.
2.2.2 Aplicar las metodologas estadsticos no paramtricos, para datos reales
provenientes de arreglos en parcelas divididas.
2.2.3. Contrastar las metodologas estadsticos no paramtricos, para parcelas
divididas con base a valores de probabilidad y respuestas en la hiptesis.
3. REVISIN DE LITERATURA
Existe una amplia diversidad de pruebas no paramtricas, las cuales pueden ser
utilizadas dependiendo de los objetivos y los juegos de hiptesis planteadas en un
estudio especfico, para establecer conclusiones sobre el comportamiento de las
variables bajo estudio. Estas pruebas ofrecen algunas ventajas con respecto a sus
contrapartes paramtricas, destacndose la rapidez del anlisis y facilidad de
interpretacin del mismo (Berenson and Levine, 1992), es por ello que muchos
investigadores han analizado sus diversas aplicaciones.
En este sentido, Steel y Torrie (1990), con base a sus estudios definen que el
concepto de experimentos factoriales est en realidad restringido a un tipo especial de
diseo de tratamientos, el cual implica que todos los tratamientos posibles son la
resultante de combinar cada uno de los niveles de los diferentes factores bajo estudio.
Asimismo, para Montgomery (1991), los experimentos factoriales completos son
un tipo de arreglos de tratamientos que se llevan a cabo con la finalidad de estudiar los
efectos producidos por dos o ms factores a dos o ms niveles, en estos experimentos se
investigan todas las posibles combinaciones de los niveles de los factores en cada
ensayo completo o rplica.
Siegel (1975), seala que en funcin de la escala en la cual se miden las
variables respuesta, se pueden establecer dos grandes grupos; un primer grupo
compuesto por las escalas de medidas de proporcin y de intervalo, tambin conocidas
como escalas cuantitativas, y un segundo grupo en el que se tienen las escalas de
medidas nominal y ordinal, tambin conocidas como escalas cualitativas.
De tal forma, el llamado diseo en parcelas divididas con falta de aleatorizacin
en la sub-parcela es usado para similar al anlisis estadsticos paramtricos que se
utilizan asumen que los errores se distribuyan normal e independientemente
homogeneidad de varianza de los errores y aditividad de los efectos como supuestos
bsicos. La teora para el caso paramtrico ha sido desarrollada y descrita por muchos
autores (Munzel y Bruner, 200).
Ascanio, et. Al. (2007), en su trabajo titulado El anlisis no paramtrico de un
factorial 2
3
aplicado a la experimentacin en cultivo de tejidos vegetales, comentan que
los procedimientos estadsticos no paramtricos ofrecen una alternativa de anlisis a los
experimentos factoriales en el caso de que los requerimientos de la va paramtrica no
puedan ser satisfechos. En el cual, detalla las metodologas de un procedimiento no
paramtrico que permite la determinacin de las interacciones en un factorial 2
3
para
variables respuesta, que no pueden ser analizadas por los procedimientos paramtricos
convencionales y que sirven de base a la presente investigacin.
Igualmente, Miarro (1998), en su investigacin sobre Estimacin no
paramtrica de la funcin de densidad, deja claro que el enfoque no paramtrico
permite que los datos determinen de forma totalmente libre, sin restricciones, la forma
de la densidad que los ha de representar. Esto implica, que la controversia sobre la
utilizacin de una estimacin paramtrica o no paramtrica no ha cesado a lo largo de
los aos, la eficiencia en la estimacin que proporciona la valoracin paramtrica se
contrapone al riesgo que suponen desviaciones de las suposiciones que determinan el
modelo, que pueden conducir a errores de interpretacin, que supongan mayor prdida
que la ganancia proporcionada por la eficacia estimadora de los mismos.
Entre las principales situaciones en las cuales la estimacin no paramtrica de la
densidad ha resultado ser de especial inters se puede destacar:
Anlisis exploratorio: Diversas caractersticas descriptivas de la
densidad, tales como multi-modalidad, asimtricas, comportamiento en las colas,
etc., enfocadas desde un punto de vista no paramtrico, y por tanto, ms flexible,
pueden ser ms reveladoras y algunas caractersticas no quedar enmascaradas
por suposiciones ms rgidas.
Presentacin de datos: La presentacin grafica de los resultados
obtenidos en una estimacin no paramtrica de la densidad, es fcilmente
comprensible e intuitiva para aquellas personas no especialistas en estadstica
que muy a menudo son los clientes de los servicios de estadstica.
Tcnicas multivariantes: Estimaciones no paramtricas de la densidad
son utilizadas en problemas de discriminacin, clasificacin, contrastes sobre las
modas, etc.
Regresin: Estimaciones no paramtricas de la densidad permiten
estimar la Curva de Regresin de la Media, que sabemos que es la que minimiza
la esperanza matemtica del error cuadrtico.

Hemos de destacar finalmente, que si en los ltimos aos se ha producido un
gran desarrollo de las tcnicas de estimacin no paramtrica, el mismo ha sido paralelo
al de la informtica y su aplicacin a la estadstica, el acceso a nuevos y potentes
ordenadores, y la aparicin de una gran gama de software estadstico y facilidades
graficas de alto nivel.
Por el contrario, los trminos estadsticas no paramtrica o mtodos libres de
distribucin hacen referencia a una coleccin de pruebas estadsticas en las cuales no se
hacen suposiciones acerca de la distribucin de la poblacin de donde provienen datos;
hay algunas suposiciones que se asocian a la mayora de las tcnicas o pruebas
estadsticas no paramtrica como la independencia de las observaciones, la continuidad
bsica de la variable, entre otras, en general estas suposiciones son menores y son ms
dbiles que las asociadas con la estadstica paramtrica. (Hettmansperger, Mckean y
Shearther, 2000).
De igual manera, Hotelling y Pabst (1934), realizan un primer trabajo, la cual se
basan en el uso de las permutaciones para crear un estadstico que permita comparar
dos muestras medidas en escala ordinal, este trabajo es catalogado por muchos autores
como uno de los avances significativos dentro de la inferencia estadstica no
paramtrica.
Adems, Milla y Chacn (2006), estudiaron el ANCOVA Mltiple No
Paramtrico (extensin del mtodo usado por Conover e Imn en ANCOVA Simple), en
el caso de cinco observaciones por tratamiento este genera valores de F en su mayora
superiores a los obtenidos en el ANCOVA Mltiple Clsico, adems, la potencia de
prueba del ANCOVA Mltiple No Paramtrico es significativamente mayor a su
contraparte.
Especialmente, en el caso de diez observaciones por tratamiento, hay evidencias
de que el ANCOVA Mltiple No Paramtrico tiene una mayor potencia de prueba que
el ANCOVA Mltiple Clsico, cuando se est en presencia de distribuciones no
normales, tales como log-normal, exponencial y uniforme.
Vale la pena destacar, una aplicacin interesante fue la realizada por Shah, et al
(2004), en la cual se estudi datos provenientes de enfermedades en plantas, a travs de
un anlisis no paramtricos de datos ordinales en un arreglo factorial, obteniendo que el
poder de la prueba y la precisin de los parmetros estimados aumenten dramticamente
con el incremento del nmero de replicaciones.
Del mismo modo, Mood y Graybill (1972) afirman que al aplicar mtodos
estadsticos resulta necesario conocer, al menos aproximadamente, la forma general de
la distribucin que siguen los datos que se estudian y que si sta es normal, se podr
usar directamente los mtodos paramtricos, pero en caso contrario, se deber
transformar los datos de modo que las observaciones transformadas sigan la distribucin
normal, y que cuando se desconozca la forma de la distribucin se deber usar mtodos
ms generales, llamado distribucin libre o no paramtricos.
Por consiguiente, Calzadilla (1999) presenta en su trabajo titulado la falta de
normalidad puede afectar a la homogeneidad de varianzas, sobre todo cuando existe
mucha diferencia en el nmero de observaciones; que en general los mtodos
paramtricos realizan operaciones aritmticas de los valores mustrales, por lo cual, los
mismos requieren que los datos estn medidos por lo menos en escala de intervalo,
mientras que los de distribucin libre, en su mayora se fijan en el orden o rango de los
valores, no en sus valores numricos, lo cual ha influido en que se establezcan
diferencias en los estadsticos a usar en ambos procedimientos, de acuerdo a las
posibilidades que brinda cada escala de medida y a que se tengan ms en cuenta los
mtodos de distribucin libre, por ser frecuente el estudio de variables medidas en
escalas nominales u ordinales.
En el mismo orden de ideas, con la finalidad de probar la efectividad de las
pruebas no paramtrica, Thompson et al (1995), aplic cuatro test no paramtricos a un
grupo de datos dispuestos en paneles (split), estos test fueron: Mann-Whitney
Wilcoxon, el test de los signos, el test de los signos por rango de Wilcoxon y el test de
Quade, con la finalidad de estimar diferencias entre paneles. Ellos concluyeron que
cuando era dudoso el supuesto de normalidad los test no paramtricos tenan mayor
poder que sus contrapartes paramtrica.
Por el contrario, Dyke y Patterson (1952), usaron la regresin logstica en
arreglos factoriales con predictores cualitativos y Shah, et al (2004), concluyeron que
es ms rpido y fcil interpretar diferencia entre variables en escala de rangos que las
medidas en escala ordinal.
Por su parte, Akritas y Brunner (1997) presentan una investigacin El anlisis
multivariado de datos basado en clasificaciones separadas para las distintas variables
y multivariante a los diseos, en la cual desarrollaron un mtodo no paramtrico para
diseos factoriales generales, sus ideas estn basadas en un teorema central del lmite
para las estadsticas lineales robustas, incluso para funciones de la distribucin
discontinuas. Las conclusiones de esta investigacin establecen que esta metodologa
permite generalizar los resultados de los modelos no paramtrico de los diseos
multivariantes.
Y tambin, Beasley y Zumbo (2003), en una investigacin donde compararon la
prueba de Rangos de Friedman contra mtodos paramtricos evaluando la interaccin
en diseo de parcelas divididas, encontraron que cuando la estructura de covarianza no
es esfrica, se incrementa el error tipo I en la prueba F, en anlisis univariantes cuando
el tamao muestra es muy pequeo, cuando no hay una buena distribucin del error y
cuando los datos son rangos.
En este mismo orden de ideas en cuanto al anlisis no paramtrico Danny
Villegas Rivas (2007), propone ilustrar como se aplican cada una de las tcnicas del
anlisis estadstico no paramtrico en experimentos con mediciones no repetidas en el
tiempo, se utilizarn datos reales provenientes de diseos de tratamientos con
mediciones repetidas en el tiempo caso 2 tratamientos y 2 periodos de tiempo (2x2)
tales como el estadstico U
n
, adems de los estadsticos tipo Wald (WTS) y tipo
ANOVA (ATS); donde se hayan medido variables respuesta en escala cuantitativa bajo
condiciones de cumplimiento de los supuestos del anlisis de la varianza con lo cual se
pretende determinar si tienen la misma eficiencia en cuanto al rechazo o no de la
hiptesis nula.
Entre stos, se establece la siguiente desigualdad: FRMULA. Esta relacin
indica que el criterio de Wald es el de mayor valor numrico. Los tres estadsticos
tendrn el mismo valor slo cuando las races de A- =0 sean todas nula, lo cual
ocurre cuando la hiptesis nula es cierta en la muestra. Mientras mayores sean las
races, mayor ser la diferencia entre los criterios.
Breusch (1979) aclara que la desigualdad de los estadsticos no es una
implicacin de la potencia relativa de los procedimientos y, por lo tanto, no se puede
decir que una prueba es ms potente que otra slo porque el valor del estadstico es
mayor y, en consecuencia, es ms probable rechazar la hiptesis nula. Ms an, la
desigualdad se mantiene cuando la hiptesis es cierta.
Para esta investigacin, la atencin se centrar en el procedimiento de Friedman
(1937), para rangos en ensayos con interaccin. Los efectos de rangos de Friedman en
los datos y la consiguiente prueba estadsticas de los diseos de medidas repetidas han
sido examinados (por ejemplo, Serlin y Harwell, 1994, 1997; Zimmerman y Zumbo,
1993). Sin embargo, ha habido un menor nmero de investigaciones sobre Friedman en
el diseo de rangos de parcelas divididas (por ejemplo, Beasley, 2000; Rasmussen,
1989; Rasmussen et al., 1989).
Por otra parte, Bickel (1965) tambin consider una prueba para una distribucin
asintticamente libre en una forma cuadrtica que involucra la prueba de Wilcoxon
(1949).
Dentro de esta perspectiva, Romn Montaa (2007), analiz cinco tcnicas para
el anlisis de interacciones en experimentos factoriales bajo un diseo completamente al
azar utilizando los valores de la probabilidad y la respuesta en las hiptesis como los
criterios de comparacin, plantendose dos situaciones caso paramtrico y no
paramtrico utilizando datos donde se cumplen los supuestos y donde existe
incumplimiento de los supuestos del anlisis de la varianza.
En cuanto al anlisis de la comparacin de los procedimientos GLM y MIXED
del SAS para analizar diseos de parcelas divididas con bloques al azar, Gil Jos L.
(2001), aplicaron el procedimiento (PROC) GLM del programa estadstico SAS ha sido
comnmente utilizada para analizar datos provenientes de diseos con parcelas
divididas. ste diseo es un factorial conducido de tal manera que la unidad
experimental con respecto a uno o ms factores es una sub-unidad de la unidad
experimental con respecto a otros factores. Los experimentos con parcelas divididas son
frecuentemente usados por necesidad cuando un factor debe ser aplicado a una gran
unidad experimental, mientras que otros factores son ms apropiados aplicarlos a las
subunidades. Tambin este diseo es utilizado por la conveniencia o facilidad de aplicar
diferentes factores a diferentes unidades con tamaos distintos.
Sin embargo, este procedimiento fue desarrollado para evaluar modelos de
componentes fijos y no considera que en realidad este tipo de diseo corresponda a un
modelo mixto con factores fijos y aleatorios, por lo que se hace necesario evaluar
rutinas que consideren los modelos mixtos. El PROC MIXED del SAS fue desarrollado
explcitamente para evaluar datos provenientes de modelos mixtos, eliminndose los
problemas que presenta el PROC GLM para este tipo de anlisis. Se concluye que el
PROC MIXED proporciona los errores estndares adecuados a cada nivel de anlisis,
realizando las comparaciones de media en la forma correcta, por lo que se recomienda
su utilizacin ampliamente en sustitucin del PROC GLM para anlisis de parcelas
divididas.
Por otra parte,
4. METODOLOGA
A objeto de ilustrar las tcnicas propuestas en este trabajo se utilizaron una
matriz de datos reales provenientes de un experimento de diferentes variedades de
cultivo de avena y de abonos (nitrgeno), con tres bloques de tres parcelas cada uno, y
en cada una de las parcelas de cada bloque una de las tres variedades de avena
seleccionadas para el experimento. Cada parcela dividida en cuatro sub-parcelas en cada
una de las cuales se asign aleatoriamente un nivel del factor nitrgeno. Estos cuatro
niveles eran: sin abono, 0.01, 0.02 y 0.03 toneladas de acre. En los cuales se midieron
variables cuantitativas que cumplieron con los supuestos del anlisis de la varianza,
utilizndose estos datos paramtrico (situacin estudiada uno) y variables cuantitativas
que no cumplieron con uno o ms supuestos del anlisis de la varianza, utilizndose
estos datos para el caso no paramtrico (situacin estudiada dos).
4.1. Pruebas no Paramtricos
Existe una amplia diversidad de pruebas no paramtricos, las cuales pueden ser
utilizadas dependiendo de los objetivos y los juegos de hiptesis planteadas en un
estudio especfico para establecer conclusiones sobre el comportamiento de variables
bajo estudio. Estas pruebas ofrecen algunas de las ventajas con respecto a sus
contrapartes paramtricas, destacndose la rapidez del anlisis y facilidad de
interpretacin del mismo (Berenson and Levine, 1992).
La aplicacin de las pruebas no paramtricas tienen un costo: en estudios en que
un parmetro de prueba sea ms apropiado para su comprobacin, pruebas no
paramtricas tienen menos poder. En otras palabras, un mayor tamao de la muestra
puede ser necesario para extraer conclusiones con el mismo grado de confianza que las
pruebas paramtricas.
4.2. Prueba de Wilcoxn
La prueba de Wilcoxon fue desarrollada inicialmente por el bioqumico irlands
Frank Wilcoxon (1892-1965) publicando sus resultados en la revista Biometrika en
1945, proponiendo la prueba conocida como prueba de las sumas de rangos de
Wilcoxon. Posteriormente, un resultado similar para el anlisis de la misma situacin en
que se desean comparar dos muestras que no siguen una distribucin normal fue
publicado por el matemtico americano Donald Ansom Whitney conjuntamente con el
matemtico austriaco Henry Berthold Mann (discpulo de Abraham Wald) en la revista
Annals of Mathematics and Statistics en 1947.
La prueba de los signos de Wilcoxon es un mtodo no paramtrico, alternativo a
la prueba t de Student, que compara la media de dos muestras relacionadas para
determinar si existen diferencias entre ellas. La prueba de Wilcoxon se aplica al caso de
las distribuciones continuas simtricas. Bajo esta condicin, la media es igual a la
mediana y el procedimiento puede emplearse en probar la hiptesis nula que U=U
o
.
Planteamiento:
Supongamos que tenemos dos muestras de n pares de observaciones. Sea x
i
una
observacin inicial e y
i
otra final.
Suposiciones
1. Sea Z
i
= Y
i

Xi
para 'i=1,...,n'. Las diferencias Z
i
se presuponen independientes.
2. Cada Z
i
proviene de una poblacin continua (no tienen por qu ser idnticas) y
simtricas con respecto a una mediana comn .
Mtodo
La hiptesis nula es H0: = 0. El estadstico W + es calculado tras ordenar los
valores absolutos | Z
1
| ,..., | Z
n
| . El orden de cada | Z
i
| viene dado por R
i
. Representado
por
i
= I(Z
i
> 0) donde I(.) es un indicador de funcin. El estadstico de la prueba de los
signos de Wilcoxon, W +, se define como,
Se suele usar para comparar las diferencias entre dos muestras de datos tomados
antes y despus del tratamiento, cuyo valor central se espera que sea cero. Las
diferencias iguales a cero son eliminadas y el valor absoluto de las desviaciones con
respecto al valor central son ordenadas de menor a mayor. A los datos idnticos se les
asigna el lugar medio en la serie. La suma de los rangos se hace por separado para los
signos positivos y los negativos. S representa la menor de esas dos sumas. Comparamos
S con el valor proporcionado por las tablas estadsticas al efecto para determinar si
rechazamos o no la hiptesis nula, segn el nivel de significacin elegido.
Las pruebas para comparar dos grupos o tratamientos son ampliamente
utilizadas en Estadstica. En funcin de la distribucin de ambas poblaciones, se utilizan
las diferentes pruebas disponibles. Cuando no se cumple la condicin de normalidad es
habitual realizar la prueba de Wilcoxon, aunque tambin puede servir para contrastar
datos normales. Esta prueba tambin puede ser utilizada para comparar dos muestras
con datos categricos ordinales.
Se supone que se tienen dos variables, una de ellas cuantitativa no normal u
ordinal, considerada como variable respuesta (Rta) y la otra dicotmica, considerada
como variable explicativa (Exp). Para establecer si hay diferencias en la variable
respuesta con relacin a los grupos formados por la variable explicativa se utiliza la
prueba W de Wilcoxon. Dicha prueba es equivalente entre s y en el contraste que se
realiza es:
H0: Las medianas son iguales
H1: Las medianas son diferentes (caso bilateral)
H1: La mediana del grupo 1 es superior / inferior a la mediana del grupo 2 (caso
unilateral).
Cuando se desconoce en qu sentido sern las diferencias (caso habitual) se
suele optar por contrastes bilaterales. Por otro lado, en algunos casos particulares
cuando las diferencias en uno de los dos sentidos no tienen significado, no son posibles
o ya est comprobado que no existen, se suele optar por contrastes unilaterales cuya
hiptesis alternativa slo contiene la desigualdad en el sentido de inters.
El contraste de Wilcoxon es la tcnica no paramtrica paralela a la t de Student
para muestras apareadas. Igualmente dispondramos de n parejas de valores (xi, yi) que
podemos considerar como una variable medida en cada sujeto en dos momentos
diferentes.
i = 1, . . . , n, iesima observacin (xi, yi) ! diferencia di = xiyi
El test de Wilcoxon, al igual que los otros contrastes no paramtricos puede
realizarse siempre que lo sea su homlogo paramtrico, con el inconveniente
Bioestadstica: Mtodos y Aplicaciones de que este ltimo detecta diferencias
significativas en un 95% de casos que el de la t de Student. Sin embargo a veces las
hiptesis necesarias para el test paramtrico (normalidad de las diferencias apareadas,
di) no se verifican y es estrictamente necesario realizar el contraste que presentamos
aqu. Un caso muy claro de no normalidad es cuando los datos pertenecen a una escala
ordinal.
El procedimiento consiste en:
1. Ordenar las cantidades |di| de menor a mayor y obtener sus rangos.
2. Consideramos las diferencias di cuyo signo (positivo o negativo) tiene menor
frecuencia (no consideramos las cantidades di = 0) y calculamos su suma, T = 8> < >: P
di>0 y si los signos positivos de di son menos frecuentes; P di<0 i si los signos
negativos de di son menos frecuentes. Del mismo modo es necesario calcular la
cantidad T0, suma de los rangos de las observaciones con signo de di de mayor
frecuencia, pero si hemos ya calculado T la siguiente expresin de T0 es ms sencilla de
usar: T` = m(n + 1) T
Donde m es el nmero de rangos con signo de di de menor frecuencia.
3. Si T T es menor o igual que las cantidades que aparecen en la tabla de Wilcoxon
(tabla nmero 10), se rechaza la hiptesis nula del contraste:
H0 : No hay diferencia entre las observaciones apareadas
H1 : Si la hay
4.3. Observaciones Pareadas Prueba De Wilcoxn
En el caso de dos muestras recolectadas como observaciones apareadas, la
prueba de Wilcoxon descrita en la seccin anterior puede usarse para probar la hiptesis
nula de que las dos medianas de la poblacin son iguales. Dado que la prueba considera
la magnitud de las diferencias entre los valores de cada par asociado, y no slo la
direccin o signo de la diferencia, es una prueba ms sensible que la prueba de los
signos. Sin embargo, los valores muestrales deben hallarse en la escala de intervalo. No
se requiere de ningn supuesto acerca de las formas de las dos distribuciones.
Se determina la diferencia entre cada par de valores, la cual, junto con el signo
aritmtico asociado, se designa como d. Si alguna diferencia es igual a cero, ese par de
observaciones se excluye del anlisis, con lo que el tamao de muestra efectivo se
reduce. Despus, los valores absolutos de las diferencias se clasifican de menor a
mayor, asignando el rango de 1 a la diferencia absoluta menor. Cuando las diferencias
absolutas son iguales, se asigna el rango medio a los valores as relacionados.
Finalmente, se obtiene por separado la suma de los rangos de las diferencias positivas y
de las negativas. La menor de estas dos sumas es la estadstica T de Wilcoxon para una
prueba de dos extremos. En el caso de una prueba de un extremo, la suma menor debe
asociarse con la direccionalidad de la hiptesis nula.
4.3.1 Prueba de Wilcoxn para muestras grandes
Las muestras grandes que deben ser mayores a 25 se les deben transformar en valor Z.
La frmula es:
Donde:
Z
T
= valor Z de la T de Wilcoxon.
T = valor estadstico de Wilcoxon.
T
= promedio de la T de Wilcoxon.
s
T
= desviacin estndar de la T de Wilcoxon.
Asimismo:
Donde:
N = tamao de la muestra.
Por otra parte:
Un mtodo alternativo para la comparacin de las medias de los rangos es el uso
de la prueba de Wilcoxon.
1. Se calcula la diferencia entre las sumas de rango de los grupos (parcelas
principales), usando la formula |R
a
- R
b
|
2. Se calcula el estadstico CD
f
normalizado. Este valor establece que cualquier
diferencia entre la suma de rangos de dos condiciones que sean igual o mayor
que el valor estimado sern significativas.
6
) 1 (
96 . 1

k nk
CD
f
El test de Wilcoxon
El Test que se combinara con el Test de Friedman, es un test que utilice la
informacin entre las parcelas, es decir, las sub-parcelas, este podra ser el test de
Wilcoxon, este test hace uso de la informacin entre parcelas por la asignacin de
rangos a travs de valores absolutos a las diferencias entre observaciones aparecidas en
cada bloque. (Iman et al, 1984)
El test estadstico a probar es:
Donde, A y B vienen dados por
Obteniendo a S
j
a partir de:
Y finalmente S
ij
de:
El resultado del F
Q
es comparado con los cuantiles de la distribucin F para (k-
1); (b-1)(k-1) grados de libertad
PROCEDIMIENTO PARA EL CLCULO
1. Cada X
ij
observacin es remplazada por su respectivo rango, considerando que el
menor valor se la asigna el rango 1 y a el mayor valor el rango N; a los empates
se le asignara el rango promedio entre ellos. De esta manera R(X
ij
)es el rango
que va de 1 a c, asociado con el j-esimo grupo (j= 1,2,,c) en el i esimo
bloque (i= 1,2,,r)
2. Una vez asignados los rangos se deben chequear a travs de la siguiente
frmula:
3. Se realiza la suma se los rangos por parcelas (columnas), obtenindose de esta
forma S
ij
4. Se calcula S
j
, A y B, a travs de la frmula descrita
5. Se obtiene F
Q
, y este resultado se compara con F
4.4 Prueba de Friedman
4.4.1. ANAVA no Paramtrico de Dos Vas o Prueba de Friedman.
Esta es la alternativa no paramtrica ms recurrida al ANAVA de datos
obtenidos a partir de un diseo de bloques completos al azar. En ella se pretende probar
la igualdad de medias entre los tratamientos (H0: 1=...=n), utilizando observaciones,
tales como el orden o las medianas de los valores, para probar las hiptesis bajo estudio.
Estos valores son seleccionados porque frecuentemente son menos sensibles a la
presencia de variaciones entre las repeticiones de un mismo tratamiento y por lo tanto
son menos afectados por los cambios en la variabilidad interna del experimento. En el
caso de las medianas, la hiptesis a probar anloga al ANAVA sera H0: m1=...=mn,
donde m representa la mediana del tratamiento en cuestin. Algunas condiciones deben
ser satisfechas para poder aplicar la prueba de Friedman a datos experimentales: a) los
tratamientos deben ser independientes entre s, y b) los valores deben ser seleccionados
aleatoriamente (Berenson and Levine, 1992).
Existen innumerables situaciones bajo las cuales la prueba de Friedman puede
ser de utilidad. A travs de los aos, se ha hecho una costumbre analizar variables
recogidas en campo directamente con ANAVA, sin determinar primero si las mismas
cumplen con los supuestos que le dan validez al anlisis. (Bielinski et. al 2002)
Algunas de esas prcticas comunes es la que tiene que ver con el examen de
valores para abundancia de malezas o para ndices de severidad de enfermedades. En el
primer caso, las poblaciones de malezas rara vez cumplen con el supuesto de
normalidad, ya que las mismas no colonizan un terreno aleatoriamente, ms bien stas
crecen sin patrn definido por lo que el ANAVA no sera la prueba que refleje con
mayor potencia las diferencias que tiendan a rechazar la H
o
planteada. El segundo caso
pretende convertir variables claramente categricas, como son los ndices de severidad,
en variables cuantitativas continuas. (Bielinski et. al 2002).
Es el equivalente a la prueba ANOVA para dos factores en la versin no
paramtrica. El mtodo consiste en ordenar los datos por filas o bloques,
reemplazndolos por su respectivo orden. Al ordenarlos, debemos considerar la
existencia de datos idnticos.
Mtodo:
1. Sea una tabla de datos, donde m son las filas (bloques) y n las
columnas (tratamientos). Una vez calculado el orden de cada dato en su bloque,
reemplazamos al tabla original con otra donde el valor r
ij
es el orden
de x
ij
en cada bloque i.
2. Clculo de las varianzas intra e inter grupo:
o ,
o
o
o
3. El estadstico viene dado por .
4. El criterio de decisin es
Es el equivalente no paramtrico de un diseo de medidas repetidas de una
muestra o un anlisis de dos vas de la varianza, con una observacin por celda.
Comprueba la hiptesis nula de que k variables relacionadas vienen de la misma
poblacin. Para cada caso, las k variables son ordenadas en un rango de 1 a k. El
estadstico de la prueba se basa en estos rangos.
La W de Kendall es una normalizacin del estadstico de Friedman. Kendalls W
es interpretable como el coeficiente de concordancia, que es una medida del acuerdo
entre jueces. Cada caso es un juez o evaluador y cada variable es un elemento o persona
siendo juzgada. Se calcula la suma de los rangos para cada variable. Kendalls W varia
entre 0 (acuerdo nulo) y 1 (acuerdo absoluto).
Cochrans Q es idntica al test de Friedman pero se aplica cuando todas las
respuestas son binarias. Es una extensin del test de McNemar a la situacin de k-
muestras. Cochrans Q comprueba la hiptesis de que varias variables dicotmicas
relacionadas tienen la misma media. Las variables se miden sobre el mismo individuo o
sobre individuos emparejados.
Esta es la alternativa no paramtrica ms recurrida al ANAVA de datos
obtenidos a partir de un diseo de bloques completos al azar. En ella se pretende probar
la igualdad de medias entre los tratamientos (H
0
:
1
=...=
n
), utilizando observaciones,
tales como el orden o las medianas de los valores, para probar las hiptesis bajo estudio.
Estos valores son seleccionados porque frecuentemente son menos sensibles a la
presencia de variaciones entre las repeticiones de un mismo tratamiento y por lo tanto
son menos afectados por los cambios en la variabilidad interna del experimento. En el
caso de las medianas, la hiptesis a probar anloga al ANAVA sera H
0
: m
1
=...=m
n
,
donde m representa la mediana del tratamiento en cuestin. Algunas condiciones deben
ser satisfechas para poder aplicar la prueba de Friedman a datos experimentales:
a) los tratamientos deben ser independientes entre s, y
b) los valores deben ser seleccionados aleatoriamente (Berenson and Levine,
1992).
Existen innumerables situaciones bajo las cuales la prueba de Friedman puede
ser de utilidad. A travs de los aos, se ha hecho una costumbre analizar variables
recogidas en campo directamente con ANAVA, sin determinar primero si las mismas
cumplen con los supuestos que le dan validez al anlisis.
El procedimiento utilizado para compara los efectos de las parcelas principales
es la Prueba de Friedman, considerando que no es necesario cumplir con supuestos tan
exigentes como en el ANOVA (normalidad, igualdad de varianzas) y permite trabajar
con datos ordinales. Segn Thompson et.al (1989) un grupo de test son recomendados
cuando no se cumplen los supuestos paramtricos, entre ellos el test de Friedman y el
test de Brown y Mood, basados en la suma de n rangos, estos test dependen solamente
del rango entre bloques (parcelas principales) y disminuyen el potencial de poder de los
resultados de la prueba por no usar la informacin contenida en intra bloques (sub
parcelas).
4.5. TEST DE FRIEDMAN K MUESTRAS
El test de Friedman para k muestras, es la tcnica ms utilizada en estos casos,
con la limitante de que solo usa la informacin dentro de las parcelas principales, es
decir, solo obtendramos informacin sobre la comparacin de las parcelas principales,
ya que esta prueba solo incluira en el ANOVA el test de las filas para el arreglo de
datos (ranqueos).
Esta puede ser usada en la prueba de los efectos simples de los elementos por
separados, es decir, consideran las parcelas primero obviando las sub-parcelas y luego
probar las sub-parcelas sin considerar las parcelas.
La finalidad del test es probar que la k medianas entre las parcelas son las
mismas es decir:
Ha: No todas las M
.j
son iguales, siendo j= 1,2,,c
Para el desarrollo del test en el arreglo balanceado de parcelas divididas,
debemos recordar que existen dos pruebas; una para las parcelas principales, que
engloban todas la informacin, y una para las sub parcelas dentro de cada parcela
principal. Es de esta manera, que al considerar el test de Friedman como test estadstico
para compara el efecto entre las parcelas principales (A) podramos usar el test que se
basa en las siguientes frmulas:

( )
( ) [ ] T k b
b
F
f

1
1
Donde T, viene dada por
R
j
esta dado por
Y R(X
ij
) representa el rango asignado al j- esimo tratamiento dentro del i- esimo
parcela principal, cuando el ranqueo es realizado enteramente entre las parcelas. El
resultado obtenido en F
F
es comparado con el valor de la distribucin F utilizando (k-1);
(b-1) (k-1) grados de libertad esto propuesto por Iman and Davenport (1980).
Pasos para realizar el Test de Friedman para k muestras
1. En cada uno de los r bloques independientes (parcelas), cada c observacin es
remplazada por su respectivo rango, considerando que el menor valor se la
asigna el rango 1 y a el mayor valor el rango c; a los empates se le asignara el
rango promedio entre ellos. De esta manera R
ij
es el rango que va de 1 a c,
asociado con el j-esimo grupo (j= 1,2,,c) en el i esimo bloque (i= 1,2,,r)
2. Una vez asignados los rangos se deben chequear a travs de la siguiente
frmula:
3. Se realiza la suma se los rangos por parcelas (columnas), obtenindose de esta
forma R
j
4. Se calcula T, a travs de la frmula descrita
5. Se obtiene F
F
, y este resultado se compara con F
El procedimiento anteriormente descrito causa que la informacin dentro de las
parcelas sea perdida, es decir, la informacin de las sub-parcelas no es considerada,
existiendo la potencial perdida de poder de la prueba.
El procedimiento ms utilizado para el anlisis de los efectos principales
(parcelas principales) es la utilizacin del procedimiento de alineacin por rangos, el
cual es condicionado a una distribucin libre dada la asignacin de rangos a los bloques
(Parcelas) (Hodges and Lehmann, 1962 citado por Hora and Conover, 1984)
Segn Conover (1980) citado por Hora et.al (1984), como la prueba de Friedman
usa para el test los rangos entre bloques solo evala el efecto principal del un factor
(parcela principal). Este procedimiento causa que la informacin acerca de las
diferencias nter bloques se pierdan, existiendo de esta manera una disminucin en
poder de la prueba (Mehra et al, 1969).
Un acercamiento ms general al anlisis de los efectos principales es el
disponible es a travs de procedimientos robustos de alineacin de rangos,
condicionados a una distribucin libre dado la asignacin de lineal de los bloques
(Hodges et al, 1962 citado por Stephen et al 1984)
Quade, 1979 citado por Iman et al, 1984 propone una forma de disminuir este
problema y a travs de una prueba no paramtrica que puede ser usada con bloques
completos llamada prueba de Friedman modificada, de esta forma se calcula el
estadstico:
( ) [ ] 2 / ) 1 ( + k X R W S
ij i ij
Los W
i
representan el rango asignado al rango de la muestra para el bloque i
cuando se compara con el rango de la muestra de otro bloque. Y se remplaza usual
rango de Friedman entre bloques (R(X
ij
)), por la cuenta S
ij
.(Iman, 1984)
El estadstico F
Q
que se obtiene a travs de la siguiente formula:
) (
) 1 (
B A
B b
F
Q

Donde:

b
i
k
j
ij
k
j
j
S A
S
b
B
1 1
2
1
2
1
El resultado de la prueba se compara con lo cuantiles de la distribucin F, con
grados de libertad (k-1) y (b-1)(k-1) para k > 2.
Si el resultado al compara el valor calculado para el anlisis de varianza por
rangos de Friedman, con el valor tabulado es significativo, es indicacin de que existen
evidencias significativas entre por lo menos dos medianas muestrales de las k medianas
estudiadas.
Hiptesis
H
0
:
1
=
2
=
3
Esta hiptesis denota la igualdad de las medianas entre los grupos estudiados.
Con respecto a las muestras, cuando la hiptesis nula es verdadera la suma de los rangos
para todas las k condiciones son iguales.
H
1
:
i

j
i = 1, 2 y 3; j = 2 y 3
La hiptesis alternativa indica que existe al menos diferencias entre dos de las
tres medianas estudiadas, de ser esta hiptesis cierta, la suma de los rangos de al menos
dos de las k condiciones evaluadas pueden no ser iguales.
Seguidamente, se expone la modelizacin desarrollada en el mbito de los
diseos parcelas divididas. Para ello, se desarrollara el caso en que las q (k,, q)
respuestas recogidas a partir de las n (i,, n) unidades mustrales independientes estn
agrupadas de acuerdo con los p (j,, p) niveles de una variable de clasificacin. Para
una situacin como la descrita, el modelo lineal general con N unidades experimentales
puede escribirse como sigue:
Y= =XB+ +E
Donde Y ser una matriz de respuestas de orden N x q, X es la matriz de diseo
de rango pleno de orden N x p, B es una matriz de parmetros no aleatorios de orden P
x q y el error E es una matriz de errores aleatorios de orden N x q. Si denotamos por

(
i j1
,
ijk
) el vector de errores aleatorios correspondiente a la unidad ith, se asume
que cada sub-vector de errores es N
q
(0;j). El hecho de que la forma de j dependa de
j indica que todos los vectores de errores aleatorios no tienen la misma matriz de
varianzas y covarianzas, S, lo que implica que las matrices no son combinables.
En trminos sustantivos las hiptesis de inters del diseo parcelas divididas o
diseo de medidas parcialmente repetidas son las siguientes:
1. Existe interaccin entre las variables entre e intra del diseo?
2. Difieren entre s los diferentes grupos de tratamiento?
3. Tienen todas las respuestas el mismo efecto?
4.6. EXTENSIN MULTIVARIADA DE LA PRUEBA DE FRIEDMAN.
La prueba est basada en los rangos intrabloques. El rankeo se har sobre los K
tratamientos dentro de cada bloque e individualmente para cada variable. As los
s
ij
R

sern los rangos de las
s
ij
X
observaciones.
Formar la n matriz
1
1
1
1
1
1
]
1

p
ik
p
i
ik i
i
R R
R R
R
...
. .
. .
. .
...
1
1 1
1
i = 1, 2,..., n
Cada fila de
i
R
ser alguna permutacin de los nmeros 1, 2,..., k. Definir
*
i
R
de la matriz derivada de
i
R
permutando las columnas de manera tal que los nmeros 1,
2,..., k aparezcan en secuencia en la primera fila. Decimos que dos matrices A y B, son
permutacionalmente equivalentes si A puede ser obtenida de B por un nmero finito de
permutaciones de las columnas de B. Se tiene que
( )
*
i
R S
es el grupo de matrices las
cuales son permutacionalmente equivalentes a
*
i
R
. De all que ( )
*
i
R S contiene k!
elementos.
La distribucin de
*
i
R
sobre todos sus ( )
1
!
p
k combinaciones dependern de la
distribucin de origen, bajo Ho. No obstante, dada una combinacin particular de
*
i
R
,
la distribucin de
i
R
sobre ( )
*
i
R S ser uniforme bajo Ho. De hecho, si ( )
*
i o
R S R ,
entonces
!
1
, (
*
k
Ho R S
R R
P
i
o i

'

.
Finalmente, si ( )
*
i oi
R S R , i = 1, 2, ..., n, entonces

'

'

n
i
i
oi i
i
oi i
Ho R S
R R
P
Ho n i R S
n i R R
P
1
* *
, ) ( ; ,..., 2 , 1 ), (
,..., 2 , 1 ,
porque los rangos intra-bloques son completamente independientes y esto se
asume de bloque a bloque.
Ahora estamos en posicin de seleccionar una funcin de prueba la cual depende
de
n i R
i
,..., 2 , 1 ,
. Tal prueba ser completamente especificada por la ley de
probabilidad condicional y, ser similar a una prueba de Ho. Entonces tendremos que
n

denota la ley de probabilidad.

Se define
( ) k j p s para R
n
T
n
i
s
ij
s
j

1 ; 1
1
1
Fcilmente se ve que
( ) ( ) ( )


+

'

'

'

n
I
n
i
k
j
s
ij
n
s
ij
n
s
j
k R
k n
R
n
T
1 1 1
) 1 (
2
1
1 1 1

si definimos
[ ]
) 1 (
) 1 (
4
1
1
2
,
,
,

1
]
1

k
k k R R
V
k
t
s
it
s
it
s s i
entonces, despus de algunas simplificaciones,
( )
[ ]
, , ,
,
, ,
,
1
,
s s i ii ii
n
s
j i
s
ij
V
k
R R
Cov

'

finalmente, encontramos que
( )( ) [ ]
,
,
,
,
,
1 1
,
s s
jj
n
s
j
s
j
V
k n
T T
Cov

'

donde [ ] ( )
[ ]
, ,
,
1
,
,
1
jj
n
i
s s i
s s y V
n
V

es el delta de Kronecker.
Entonces nuestro estadstico de prueba
[ ]

,
_

+
,
_

+
p
s
p
s
p
j
s
j
s
j
s s
n
k T k T V n L
1 1 1
,
,
,
,
) 1 (
2
1
) 1 (
2
1
,
donde
[ ] 1 ,
,

,
_

,
_

V V
s s
.
Adems la distribucin de
n
L
es asintticamente una
2
con p(k 1) grados de
libertad.
5. INTERACCION PARCELAS x SUBPARCELAS
Este procedimiento esta basado en la matriz de rangos dada las diferentes
medidas dentro de cada combinacin (parcela x sub-parcela) para este clculo es
necesario usar el test de W propuesto por Koch and Sen (1968) citado por Koch (1993),
este es apropiado para situaciones donde las medidas en las diferentes sub parcelas en la
parcela no son necesariamente simtricas. Para el clculo de W se deben calcular por
separado cada combinacin parcela x sub parcela, una posibilidad es aplicar el
algoritmo dado para W cuando existen vectores de rangos enteros, al contrastarlos con
la matriz dada:
El resultado estadstico es aproximadamente similar a la distribucin X
2
con
grados de libertad d (p-1) este test es anlogo al de Friedman multivariado cuando el
supuesto de simetra no se aplica sobre las sub-parcelas.
PROCEDIMIENTO:
A.1. La asuncin bsica: La distribucin de cualquier grupo de contraste
linealmente independiente sobre la observacin de cualquier sujeto es diagonalmente
simtrica.
A.2. La aditividad de los efectos de los sujetos.
A.3. La simetra compuesta de los errores.
De cualquier forma, se tienen cuatro casos de inters, que pueden ser descritos en la
siguiente tabla:
No A.2 A.2
No A.3 Caso I Caso III
A.3 Caso II Caso IV
En cada uno de los casos, la hiptesis de no efecto de tratamiento es:
Ho: T1 = T2 =Tp = 0
6. ANALISIS NO PARAMTRICO DEL CASO I.
Supngase que Ui est definido por Ui = Ci Yi , i = 1,2, ,ni y m
i
por
) ,..., (
1 ip i i
m m m
; se tiene
) ,..., ( `
1 p
t t t
, donde los
,
i
t
estn definidos por
p j n i t b m
i i ij
,..., 2 , 1 ; ,..., 2 , 1 , +
. Finalmente, se tiene que es un vector (p
1)*1 definido por
t C m C
i 1 1

donde
1
C
esta definido por
C =
1
]
1

1
, 2 / 1
C
j p
donde 0 ) 1 ,..., 1 (
1
,
j C y j
Entonces A.1 plantea que para cada
) ( ) ( ,..., 2 , 1
i i
U y U n i
tienen la
misma distribucin. Bajo Ho, 0 , A.1 implica que
i i
U y U
tienen la misma
distribucin. Se puede notar que esto es menos restrictivo que la asuncin usual de
multinormalidad de los U
i
.
Para probar Ho puede procederse de la siguiente manera:
Se tiene que
{ }
p j
n i Y Y Y Rango R
ip i ij ij
,..., 2 , 1
,..., 2 , 1 ,...., :
1

Donde los empates se obtienen por el mtodo de los rangos promedios.
Se tiene que
) ,..., (
,..., 2 , 1
1
, 1 ,
,
1
,
p n n n
n
i
ij j n
T T T
p j para R
n
T

Se puede observar que si

p j Y Y Z i
ij ij
,..., 2 , 1 , .
entonces
{ }
n i
p j Z Z Z Rango R
ip i ij ij
,..., 2 , 1
,...., 2 , 1 ,..., :
1

Los ij
Z
son contrastes, bajo Ho, los vectores
) ,..., ( ) ,..., (
1
,
1
,
ip i i ip i i
Z Z Z y Z Z Z
tienen la misma distribucin por A.1.
Esto genera un grupo de
n
2
realizaciones igualmente probables, y como
resultado, el vector de rangos
) 1 ,..., 1 ( ) 1 ( ) ,..., (
1
, ,
1
,
ip i i i i
R p R p R j p y p R R + + +
son igualmente
probables (condicionalmente), cada uno probabilidad condicional para
. ,..., 2 , 1 n i

Bajo esta ley de probabilidad condicional (
n

),
[ ]
p j j todo para v
p
R
p
R
n
T T
Cov
p
R p R
n
T
E
n
i
jj n ij
ij
n
j n
j n
n
i
ij ij
n
j n
,..., 2 , 1 ,
2
1
2
1 1
,
,
2
1
2
) 1 (
1
,
1
, 2
,
,
1
,
, ,
,

,
_

+

,
_

'

+ +

'

Se define la matriz
) (
,
,ii n
n
v V
. Los j n
T
, satisface el contraste

+
p
j
j n
p p T
1
,
) 1 (
2
1
V
n
es esencialmente singular y de rango p 1.
Entonces definida C, el estadstico de prueba es [ ]
n n n n
T C C V C C T W
1
1
,
1 1
,
1
,

.
Al mismo tiempo, Sen y Puri (1967), se puede demostrar que
n
T n
2
1
tiene una
distribucin asintticamente multi-normal (bajo
)
n

de rango p 1. Entonces, bajo

n n
W ,
tiene una distribucin asintticamente Chi cuadrada de rango p 1. De aqu
el siguiente procedimiento de prueba:
Rechazar Ho si y solo si
{ } 1 0 , ) 1 ( ) 1 ( ), 1 (
2
) 1 (
2 2
) 1 (
< <



p p P donde p W
n

n
W
est basado en los rangos intra-bloques, claramente no es afectado por la no
aditividad de los efectos de los sujetos. Tambin siendo un estadstico de rango, es
menos vulnerable a errores grandes o valores atpicos (outliers). Finalmente, la
multinormalidad no es requerida para
n
W
. Esto claramente indica su robustez.
6.1. ANALISIS NO PARAMETRICO DEL CASO II
Bajo esta condicin
i
Y
esta compuesto de p variables aleatorias para todo i =
1, 2, ,..., n . De all se generan un grupo ( )
n
p! permutaciones igualmente probables y el
modelo permutacional asociado est denotado por
n

~
. En este caso, tambin
trabajaremos con el estadstico
n
T
pero bajo
n

~
. Entonces tenemos
( )
( )
( )

,
_

,
_

+
,
_

n
i
p
j
ij
R
R
jj
n
j n
j n
n
j n
p
R
np
donde
p j j
n p
p
T T
p
T
E
1 1
2
2
,
2
,
,
,
2
1 1
, ,..., 2 , 1 , ,
1
1
~
,
cov
, 1
2
1
~
,
,

,
jj

es el delta de Kronecker.
De este modo podemos usar el estadstico de prueba

,
_

+
1
1
]
1

p
j
j n
R
n
p T
p
p n
W
1
2
, 2
) 1 (
2
1
) 1 (
~

La distribucin asinttica de , ,..., 2 , 1 , ) 1 (
2
1
,
2
1
p j p T n
j n

,
_

+ (bajo
n

~
) es multi-
normal, y
n
W
~
tiene asintticamente una distribucin chi cuadrada con p 1 grados
de libertad.

6.2. ANLISIS NO PARAMETRICO DEL CASO III.
Se define un grupo de variables aleatorias
n i
p j j Y Y U
ij
ij
jj i
,..., 2 , 1
,..., 2 , 1 ,
,
;
, ,

Donde se debe notar que
,
; jj i
U
es idnticamente 0. Bajo Ho cada
,
; jj i
U
) (
,
j j est
simtricamente distribuido alrededor de 0 y
( )
) 1 ( ; 1 ; 1 ;
,..., ,...,
p p i p i p i
U U U
es
diagonalmente simtrico alrededor de 0 (la distribucin es singular y de rango p 1. Se
tiene
,
1
1
;
, ,

n
i
jj i ij
S
n
W
Donde
( ) { } [ ] { } p j j para U U U Rango U Signo S
jj n jj jj i jj i jj i
,..., 2 , 1 ,..., :
,
; ; 1 ; ; ;
, , , , ,

.En
esta definicin los empates son sustituidos por el rango promedio y el cero (0) es
asignado con el valor de cero (0). Tambin
,
jj
W
es el estadstico de rango de Wilcoxn
(1949); al mismo tiempo
p j j todo para W W
jj j j
,..., 2 , 1
,
, ,

.
( )
*
,
*
1 ,
*,
1
*
,
,...,
, ,..., 2 , 1
,
,
p n n n
p
j
jj
j n
T T T
p j W T

De la definicin de
,
jj
W
sigue que
0
1
*
,

p
j
j n
T
, y al menos p 1 de los
*
, j n
T

son linealmente independientes. Si se definen las puntuaciones ij
S
por
p j
n i S S
p
j
jj i
ij
,..., 2 , 1
,..., 2 , 1 ,
1
;
,
,

entonces
*
, j n
T
pueden alternativamente ser escritos como

n
i
ij j n
S
n
T
1
*
,
1
Bajo el modelo permutacional
n

de simetra diagonal tenemos

*
,
1
2
*
,
*
,
*
,
, ,
, 1
,..., 2 , 1 0
jj n
n
i
ij
ij
n
j n
j n
n
j n
v S S
n
T T
E
p j
T
E

'

'

Si
( )
*
;
*
,
jj n
n
v V
una prueba de Ho puede estar basada en:
[ ]
*
1
1
,
1
*
1
,
1
*, *
n n n n
T C C V C C T W

Donde:


Para tamaos de muestras grandes
*
n
W
tiene una distribucin
2
con p 1
grados de libertad. cuando no existe efecto de la condicin dentro de cada i grupo.
*
n
W
es una forma cuadrtica en el estadstico de rango de Wilcoxn, menos
vulnerable a errores grandes u observaciones atpicas e insensible a la no normalidad.
Mas an los resultados de Sen (1968) indican que es tambin robusto a no aditividad de
los efectos de los sujetos as tambin como a posible heteroscedasticidad.
6.3. ANLISIS NO PARAMETRICO DEL CASO IV.
Se tiene que
{ }
p j
n i Z Z Z Rango R
np ij ij
,..., 2 , 1
,..., 2 , 1 :,..., :
11
*

( )

,
_

n
i
p
j
p
j
ij ij
R
p
R
p n
R
1 1 1
* * * 2
1
) 1 (
1

, entonces una prueba para Ho puede estar

basada en
( )
* 2
1
2
*
,
*
2
1
~
R
np
T
n W
p
j
j n
n

,
_

Para tamaos de muestra grandes

*
~
n
W
sigue una distribucin
2
con p 1
grados de libertad. Como las otras pruebas no paramtricas anteriores,
*
~
n
W
es menos
vulnerable a errores grandes o a valores atpicos y no es sensible a la no normalidad.
7. DESARROLLO DE LAS HIPOTESIS
Las hiptesis expuestas anteriormente sern expresadas todas mediante una
adecuada eleccin de la matriz de contrastes R y tambin en trminos de los parmetros
de la matriz B que sigue:
La hiptesis nula afirma que las diferencias entre los niveles de la variable de
tratamiento no dependen de los niveles de la variable intra considerados, es decir, que
no existe interaccin y viene dada por
O bien,
Donde R= C A es una matriz de orden (p-1)(q-1) x pq, C es una matriz de
coeficientes de orden (p-1) x p que determina los elementos de a incluir en la hiptesis
nula, A es una matriz de orden qx(q-1) propia de las situaciones multivariadas que
permite generar hiptesis entre los diferentes parmetros de respuesta, es un vector de
parmetros de orden pq x 1 y 0 es un vector nulo de cuyo orden es pqx1. Las matrices
C y A adoptan la forma que sigue:
La H
01
se rechaza al nivel a si
De resultar la interaccin significativa la hiptesis nula de ausencia de
diferencias entre los grupos viene dada por:
O simplemente:
Donde R= C a es una matriz de orden (p-1) x pq, C es una matriz de
coeficientes de orden (p-1) x p que determina los elementos de a incluir en la hiptesis
nula, a es un vector de unos de orden q x 1.
8. GENERACIN DE LAS MUESTRAS
Se realiz el proceso de simulacin, utilizando el mdulo de Excel, con el cual se
prepararon 1000 muestras aleatorias con distribucin normal, cada una de tamao t,
segn la estructura del modelo no paramtrico de parcelas divididas propuesto.
Con cada muestra aleatoria fueron ejecutados los supuestos, el anlisis de la varianza,
el coeficiente de variacin prueba de wilcoxn y los cuatros casos anteriormente
mencionados para datos normales originales, los datos alterados y los uniformes.

9. CRITERIOS DE COMPARACIN
9.1. MODELOS Y TAMAO DE MUESTRA
9.1.1 TASAS DE ERROR Y POTENCIA
Las metodologas estadsticas no paramtricas son comparados en este trabajo en
trminos de la tasa de error tipo I y II cometidos en cada uno de los cuatro casos y la
potencia de las pruebas. De acuerdo con la especificacin del modelo y el rea bajo
estudio, se podr luego ofrecer recomendaciones acerca del uso de uno u otro mtodo.
La tasa de error tipo I se calcula cuando se rechaza la hiptesis nula siendo que
en realidad es verdadera, respecto al total de ejecuciones de la prueba estadstica en
cada uno de los cuatro casos mencionados.
Fue calculado, contando el nmero de veces en que se rechaz la hiptesis FG
=D siendo cierta, respecto al total de ejecuciones de la prueba estadstica en cada uno de
los casos mencionados.
Para decidir si se est cometiendo el error, debe rechazarse la prueba, una vez
que se ha planteado la hiptesis con los valores determinados. La hiptesis alternativa es
desigual a stos.
La tasa de error tipo II se calcula cuando no se rechaza la hiptesis nula sabiendo
que en realidad es falsa, respecto al total de ejecuciones de la prueba estadsticas en
cada uno de los cuatros casos mencionados.
Fue calculado, contando el nmero de veces en que no se rechaz la hiptesis
FG =D siendo falsa, respecto al total de ejecuciones del estadstico en cada uno de los
casos mencionados.
Para decidir si se est cometiendo el error, debe no rechazarse la prueba, una vez
que se ha planteado la hiptesis con los valores falsos. La hiptesis alternativa es mayor
que stos.
El criterio para identificar el error tipo II, fue no rechazar la prueba, una vez que
se ha planteado la hiptesis con los valores falsos de . La hiptesis alternativa es
mayor que stos.
Los valores determinados de , calculados por =(XX) (XY), se obtienen, a
partir de la matriz original de datos
Los valores falsos de , se obtienen a partir de la poblacin y los valores de cada
coeficiente de variacin o cada elemento de .
Ntese que todo valor verdadero de es siempre mayor que su

Resultados y discusin.
Conclusiones.
Recomendaciones.
Rerefencias bibliograficas.
AKRITAS, M., 1991. Limitations of the rank transform procedures: a study of repeated
measures designs, Parte I J. Amer. Statist. Assoc. 86, 457-460.
AKRITAS, M., 1993. Limitations of the rank transform procedures: a study of repeated
measures designs, Parte II J. Statist. Prob. Lett. 17, 149-156.
AKRITAS. M.G., ARNOLD, S.F., Y BRUNNER, E., 1997. Nonparamctric hypothesis
and rank statistics for unbalanced factorial designs. J. Amer. Statist. Assoc. 92, 258-265.
ASCANIO, M., Y MONTAA, R (2007). Anlisis estadstico no paramtrico para
experimentos factoriales 2
k
y 3
k
, para K: 2 y 3. Tesis de Maestra. Facultad de
Agronoma UCV.
BEASLEY T.M. Y B.D. ZUMBO (2003). Comparison of aligned Friedman rank and
parametric methods for testing interactions in split-plot designs. Computational
Statistics & Data Analysis. 42. 569 593.
BALESTRINI ACUA, MIRAN (1998) Cmo se elabora el Proyecto de Investigacin
(2da Edicin) Caracas: BL Consultores Asociados, servicio Editorial
BERENSON, M.L. Y D.M. LEVENE. 1992. Basic business statistics: Concepts and
applications. 5th Ed. Prentice-Hall, Inc., EE.UU. 953 pp.
BICKEL, P. (1965). On some asymptotically non-parametric competitors of hotellings
T
2
. Ann. Math. Statist. 36, 160-173.
BIELINSKI M. SANTOS, JAMES P. GILREATH, RAMN ARBONA Y ANGEL R.
PIMENTEL. 2002. La Estadstica no Paramtrica para el Anlisis e Interpretacin de
Estudios de Plagas: Alternativas al Anlisis de Varianza.
BRUNNER Y PURI M. 2000. A class of rank score test in factorial designs. J. Statist.
Plann. Inference (to appear).
BRUNNER, E., Y MUNZEL, U. (2000). Nonparametric methods in multivariate
factorial designs. Journal of Statistical Planning and Inference 88, 117-132.
BRUNNER E., PURI M., Y SUN S., (1995). Nonparametric methods for stratified two-
sample designs whit application to multiclinic trials. J. Amer. Statist. Assoc. 90, 1004-
1014.
CALZADILLA, JOSEFINA.1999. Procedimientos de la estadstica no paramtrica.
Aplicaciones en las Ciencias Agropecuarias. Tesis presentada en opcin al ttulo de
Master en Matemtica Aplicada a las Ciencias Agropecuarias.
CANAVOS, G., (1988). Probabilidad y estadsticas. Mc. Graw-Hill. Mexico, D.F. 651 p
CHACN, F., (2000). Diseo y Anlisis de experimentos. Ediciones del Vicerrectorado
Academico, U.C.V. Caracas-Venezuela.
CONOVER, W.J. Y IMAN, R.L. (1976). In Some Alternative Procedure Using Rank
for the Anlisis of Experimental Desings. Commum. Statist. Theor. Math. A5(14).1349-
1368.
DYKE, G. V., AND H. D. PATTERSON. 1952. Analysis of factorial arrangements
when the data are proportions. Biometrics 8: 1_12.
HETTMANSPERGER, T., MCKEAN, J. y SHEATHER, S., (2000). Robust
nonparametric methods. J. A. S. A., 95, 452, 1308-1312.
KEPNER J., Y ROBINSON, D. (1988). Nonparametric methods for detecting treatment
effects in repeated measures designs. J. Amer. Statist. Assoc. 83, 456-461
KOCH GARY G. 1969. Some aspects of the statistical anlisis of Split plot
experiments in completely randomized layouts. J. Amer. Statist. Assoc. 485-505
MANN, H. Y WHITNEY, D.(1947). On a test of whether one of two random variables
is stochastically larger then the other. Annals of Mathematical Statistics 18, 50-60.

MIARRRO, A. 1998. Estimacin no paramtrica de la funcin de densidad. Editorial
Barcelona. Espaa. 5p.
MONTGOMERY, D. (1991). Diseo y Anlisis de experimentos. Grupo Editorial
Iberoamerica Mxico, D.F. 588p.
MOOD, ALEXANDER M. AND GRAYBILL, FRANKLIN A. 1972. Introduccin a la
teora de la Estadstica. Edicin espaola. Aguilar S.A. de ediciones. Madrid. Espaa.
528p.
OTT, L., M.T. LONGNECKER Y R.L. OTT. 2000. An introduction to statistical
methods and data analysis. 5th Ed. Brooks-Cole Publ., EE.UU. 1184 pp.
RUPERT G. MILLAR JR. (1980). Simultaneous Statistical inference. Second Edition.
SHAH, D.A. Y MADDEN, L.V. (2004). Nonparametric Analysis of Ordinal Data in
Designed Factorial. The American Phytophatological Society. Vol 94 N1. 33-44
SIEGEL, S., (2000). Estadstica no paramtrica aplicada a las ciencias de la conducta.
Editorial Trillas, S.A. Mxico, D.F.
STEEL Y TORRIE, J. (1990). Principies and procedures of statistic. Mc Grawhill.
Broth Co. Inc. New York.
THOMPSON, G. Y AMMANN, L (1989). Efficacies of rank-transform statistics in
two-way models with no interaction. J. Amer. Statistic. Assoc. 84, 325-330.
THOMPSON J Y R. PARMER (1995). A comparison of nonparametric methods with
parametric Methods for the cps cati/capi mode effects analysis. Statist. Theor.
Math. A4 (11).1300-1315.
T. MARK BEASLEYA, BRUNO D. ZUMBO. 2002. Comparison of aligned Friedman
rank and parametric methods for testing interactions in split-plot
VILLEGAS RIVAS, DANNY. 2007. Alternativas de anlisis estadstico no paramtrico
en experimentos con mediciones repetidas en el tiempo.
G. VALLEJO SECO y J.R. ESCUDERO GARCIA. Algunas soluciones aproximadas
para diseos split-plot con matrices de covarianza arbitrarias, QU ESTIIO, vol. 22, 3,
p. 443-468, 1998