Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A5 PDF
A5 PDF
Introduccin
Un diseo experimental es un esquema de cmo realizar un
experimento. El objetivo fundamental de los diseos experimentales radica
en el determinar si existe una diferencia significativa entre los diferentes
tratamiento del experimento y en caso que la respuesta es afirmativa, cual
sera la magnitud de esta diferencia. Una segunda meta de los diseos
experimentales es verificar la existencia de una tendencia derivado del
anlisis de los datos del experimento. La diferencia principal entre los diseos
experimentales radica en la forma en que se agrupan o clasifican las
unidades experimentales. En todos los diseos las unidades experimentales
se clasifican por tratamientos; pero en algunos, estos se clasifican
Diseos experimentales
284
285
286
Hiptesis
Cierto
Error tipo I ()
No error (Intervalo de
Confianza)
Falso
No error (Poder Estadstico)
Error tipo II ()
287
(a) Diseo factorial, con Ms de 1 factor
1. ms econmico
288%
asignacin al azar y (b)
2. permite medir las interacciones
Parcelas divididas, sin
asignacin al azar de la
unidad experimental a
la unidad de muestra.
(Badii et al., 2007a)
Diseos multivariados: Cunado se utiliza un gran nmero de variables
1. Componentes principales
* Provee ordenacin y el perfil jerrquica
2. Anlisis Factor
* Reducir el nmero de las variables para el anlisis
3. Anlisis Discriminante (Badii et 1. Agrupar en base a la diferencia
al., 2007d)
2. Ms riguroso con los supuestos de la normalidad
4. Anlisis Cluster (Badii et al., 1. Agrupar en base a la similitud
2007c)
2. Ms robusto con los supuestos de la normalidad
5a. LISREL (Linear Structured 1. Busca linealizar las interrelaciones entre las variables
relationship) (Rositas et al., 2007) 2. Intercambia las variables independientes a las
5b. EQ (como LISREL, pero ms dependientes y vice versa
amigable)
5c. LPS Graph & LPS SMART
6. Correlacin Cannica
* Interrelacin entre gran nmero de variables
288
289
Grupo
1
X11
X12
X13
.
.
.
.
X1n
2
X21
X22
X23
.
.
X2n
Suma
X1.
Media
X1.
.
.
Totales
3 ..
X31
X32
X33
k
Xk1
Xk2
Xk3
X3n
Xkn
X2.
X3.
Xk.
X ..
X2.
X3.
Xk.
X ..
X ij
2
= (Grantotal )
C = i=
rn
rn
b) Suma de los Cuadrados para tratamiento
(Ti )2
SCTrat =
C
ri
(1)
(2)
SCTotal = X ij C
i =1
Diseos experimentales
(3)
290
SC = SCTotal SCTrat
1 1
a) de igual nmero de repeticin S d = s 2 +
r1 r2
b) nmero de repeticiones diferentes S d =
2S 2
r
(5)
(6)
324
108
336
112
330
110
366
122
1356
113
291
los
Fcal
11.6
Ftab (0.05)
7,591
428
Diseos experimentales
292
Tabla 3. Rendimiento de una especie vegetal basado en fertilizante y poca de aplicacin.
P1
O1
P2
O2
P3
O3
Testigo
9
30
16
10
17
12
30
9
7
10
4
7
10
18
18
16
21
18
4
16
24
32
24
4
9
18
4
17
29
26
12
19
67
62
22
57
75
106
73
= 38
16.8
15.5
5.8
14.2
18.75
26.5
18.2
x = 9.5
Fuente de Var.
Tratamiento
Error
Total
S.C.
972.3
1122.9
209.52
Tabla de ANOVA
gl
6
25
31
CM
162
44.9
0
Fc
3.61*
K20/ha
40.4
60.5
80.6
120.8
161
Totales Tx
15.93 T
24.16
15.50 T
22.54
22.55
100.48
293
Pr omedio =
Yi =
8.00 + 7.93
= 7.96
2
rB + tT Gtotal
(r 1)(t 1)
b=
(7)
294
295
Media/B ( X b )
52
56
68
56
58 = media
princiapl
Trmino de correccin:
( X )
C=
rn
2
donde C = (928) / 4 x 4 = 53824
Diseos experimentales
296
(8)
SCTrat =
(9)
3
3
9
15
576
208
70
854
192.0
69.3
7.78
24.69**
3.86 N.S
5.08
297
j = 1,2,...,p,
(10)
k = 1,2,...,q
298
Xij
X11.
X12.
X1..
X21.
X22.
X2..
X...
b1
b2
Xi..
A1
X11.
X12.
X1..
A2
X21
X22.
X2..
/densidad
X.1.
X.2.
X...
299
XA =
Xj =
X ij =
i ..
bn
(11)
j ..
an
X
n
(12)
ij
(13)
G.L.
n1
a1
(a - 1)(n - 1)
an 1
b1
(a - 1)(b - 1)
a(b - 1)(n - 1)
abn 1
a) Factor de correccin
X
=
b
2
i .k
X 12.1 +L X 22.2
FC =
FC
2
(14)
SCbloques =
X
ab
Diseos experimentales
2
..k
FC
300
SC A
X
=
2
i ..
bn
FC
(15)
(16)
SCB
X
=
an
2
. j.
FC
(17)
SC AB
X ij2.
=
FC ( SC A + SCB )
an
(18)
301
Valor Promedio
X=
X i ..
bn
SX =
bn
(19)
2sa2
bn
(20)
Xj =
X .. j .
an
sb2
an
(21)
Diseos experimentales
2sb2
an
(22)
302
X ij =
X ij
n
S X1 X 2 =
2sb2
n
(23)
SX =
(24)
X ij =
X ij
n
2 (b 1)sb2 + s a2
bn
(25)
diferenciademedias
>t
E . E . deladiferencia
M.H. Badii et al.
(26)
303
II
III
Produccin
13.8
15.5
21.0
18.9
19.3
22.2
25.3
25.9
13.5
15.0
22.7
18.3
18.0
24.2
24.8
26.7
13.2
15.2
22.3
19.6
20.5
25.4
28.9
27.6
SCbloques
X
=
ab
2
..k
FC
2(4)
24 = 7.87
Diseos experimentales
304
Tabla 10. Produccin de maz ton/ acre, organizados por tratamientos y bloques.
Tratamientos
Bloques
Total
N
Abono
I
II
III
B
13.8
13.5
13.2
40.5
0
C
15.5
15.0
15.2
45.7
S
21.0
22.7
22.3
66.0
C-S
18.9
18.3
19.6
56.8
Total para parcela Principal
N0
B
120
C
S
C-S
69.2
69.5
70.3
209.0
19.3
22.2
25.3
25.9
18.0
24.2
24.8
26.7
20.5
25.4
28.4
27.6
57.8
71.8
78.5
80.2
92.7
93.7
101.9
288.3
161.9
163.2
172.2
497.3
Fertilizante N
Abono
0
120
Total Factor B
B
40.5
57.8
98.3
Abonos
C
S
45.7
66.0
71.8
78.5
117.5
144.5
C-S
56.8
80.2
137.0
Total
Factor A
209.0
288.3
497.3
3(4)
24 = 262.02
SCNitrogeno =
=
4
24
SCPG =
274.92
SCAbono =
(98.3) 2 + (117.5) 2 + (144.5) 2 + (137.0) 2 (497.3) 2
=
3(2)
24
215.26
M.H. Badii et al.
305
Tabla 11. Resultado del anlisis de varianza para el experimento del rendimiento del maz.
Fuente Var.
S.C.
gl
C.M.
Fc
Parcela grande
274.92
5
Bloques
7.87
2
3.935
1.56 NS
Factor A (nitrgeno)
262.02
1
262.02
104.18 **
Error A
5.03
2
2.515
Factor B (abono)
215.26
3
71.753
118.99 **
Interaccin N x Abono
18.7
3
6.233
10.34 **
Error Factor B
7.24
12
0.603
Total
516.12
23
Tabla 12. Valores promedios para los niveles de factores de nitrgeno y abono.
Fertilizante N
B
C
S
C-S
0
120
/Abono
13.5
19.3
16.39
15.2
23.9
19.58
22.0
26.2
24.08
18.9
26.7
22.83
Ftabulada
19.00
18.51
3.49
3.40
/N
17.4
24.0
20.7
S X1 X 2 =
2 S a2
=
bn
2(5.03)
=
12
0.1956
306
24.0 17.4
= 7.21**
0.1956
S X1 X 2 =
S b2
=
an
(7.24)
= 1.1
6
XB XA
S vs CS
S vs C
S vs B
CS vs C
CS vs B
C vs B
1.25
4.49
7.69
3.24
6.44
3.19
1.1
1.1
1.1
1.1
1.1
1.1
1.138
4.094
7.001
2.956
5.863
2.907
H0
H0
HA
H0
HA
H0
S X1 X 2 =
2S b2
=
n
2(7.24)
= 2.196
3
307
26.2 19.3
= 3.14 NS
2.196
S X1 X 2 =
23.9 13.5
= 4.195 **
2.4789
tc =
26.2 13.5
= 5.123**
2.4789
tc =
26.7 13.5
= 5.324 **
2.4789
Diseos experimentales
308
309
Este hecho elimina el uso de cuadros 2 x 2 como cuadro latino. A los cuadros
2 x 2 se los aplicar la prueba de 2 bajo tablas de contingencia.
Tres cuadros 3 x 3 (9 repeticiones) proporcionar 10 grado de libertad del
error, mientras que dos cuadros 4 x 4 tendrn 15 grado de libertad del
error.
5.1 Procedimiento estadstico
Trmino de correccin
C =
( X ij ) 2 / r 2
r-1
Tratamientos
r1
Error
(r 1) (r - 2)
Total
r2 - 1
X i.
C
r
X 2j ..
r C
( X ij2 ) / r C
2
ij
Diseos experimentales
310
A 18
D 22
B 15
C 22
C 21
B 12
A 20
D 21
D 25
A 15
C 23
B 10
B 11
C 19
D 24
A 17
C 21
B 12
A 20
D 21
74
Totales
D 25
A 15
C 23
B 10
73
B 11
C 19
D 24
A 17
71
75
68
82
70
295
B
48
C
85
D
92
Total
295
(295)2/4 x 4 = 5,439.06
311
Tabla 15. Anlisis de varianza sobre el rendimiento de trigo en funcin de aplicacin de diferentes
fertilizantes.
Fuente de Variacin
SC
gl
CM
Fcal.
Filas
29.19
3
9.73
4.92
Columnas
4.69
3
1.563
0.79 NS
Tratamientos
284.19
3
94.73
47.9
Residuales
11.87
6
1.978
Residuales
11.87
6
1.978
Total
329.94
15
312
313
(27)
donde:
= Efecto general
k= Efecto del bloque k
ij =Efecto del tratamiento hitj
eijk=Error con las propiedades usuales (media cero, varianza constante y no
correlacin con otros trminos de error)
yijk=la caracterstica observada
Diseos experimentales
314
ij
ij
ij
= ij y ij ,
(28)
2
Var ij ij
ij
r
2
ij
(29)
ij
(30)
Bk G
4
4r
Tij2
Tratamientos
ij
Error
3(r-1)
Total
4r-1
G2
r
4r
S2
SCE
y ijk2
ijk
CMT
G2
4r
315
Para un diseo factorial de 2X2 o 22, o sea un experimento con dos factores
con dos niveles de cada factor, cualquiera de las siguientes notaciones es
adecuada.
Factor
A
Forma completa
Nivel
A1
b1
A1b1
b2
A1b2
a2
a2b1
a2b2
Formas abreviadas
A1
a2 a1
a2
(1)
a 00
10
B
ab 01
11
(31)
Diseos experimentales
(32)
316
(33)
317
B=tasa
33
6
Factor
B= tasa
B= tasa
38
12
II
A= Clase
a2
32
26
Nivel
b1
b2
A1
30
36
Media
b2-b1
33
6
29
-6
Nivel
b1
b2
A1
30
36
III
A=Clase
a2
32
38
Media
b2-b1
33
6
35
6
A2-a1
2
8
35.5
9
Media
31
31
A2-a1
2
-10
31
0
-4
Media
31
37
A2-a1
2
2
34
6
318
Para II: AB =
(26-36-32+30) = - 6
Para III: AB =
(38-36-32+30) = 0
Cuando los factores son independientes, los efectos simples son
iguales a los efectos principales correspondientes a un efecto principal, de tal
manera que los efectos principales son las nicas cantidades necesarias
para describir completamente las consecuencias de las variaciones de un
factor, en un experimento factorial cada efecto principal se estima con la
misma precisin que si todo el experimento se hubiese dedicado a ese solo
factor.
En un experimento factorial es correcto particiones los grados de
libertad de los tratamientos y la suma de cuadrados en los componentes
atribuibles a los efectos principales y a interacciones aun cuando la prueba
de F total de que no hay diferencia tratamientos no sea significante; los
efectos principales y comparaciones de interaccin son comparaciones
planeadas.
Los resultados de un experimento factorial conducen a una
explicacin relativamente sencilla debido a la variedad y naturaleza de las
comparaciones de tratamientos. Cuando los factores no son independientes,
los datos necesitan un estudio detallado con la posibilidad de ms
experimentacin.
Supongamos que ensayan dos factores, cada uno con dos niveles, con un
total de cuatro combinaciones de tratamientos, los cuales pueden
representarse en la Tabla 19.
319
Tabla 19. Las combinaciones en un arreglo factorial.
Factor
Niveles
Variedad A
a1, a2,
c = 1...a
Densidad B
b1, b2,
j = 1...b
Repeticin n
K = 1...b
G.L.
ab 1
a1
b1
(a - 1)(b - 1)
ab(n-1)
abn 1
320
b1
X11.
B2
X12.
B3
X13.
X1..
a2
X21.
X22.
X23.
X2..
a3
X31.
X32.
X33.
X3..
X41.
X.1.
X42.
X.2.
X43.
X.3.
X4..
X...
a4
Total/ factor B (X.j.)
Factor A:
Factor B:
General
X ij . =
Xi =
Xj =
X i ..
bn
X j ..
an
X ...
X=
abn
SX =
X ij .
n
SX =
s2
bn
SX =
s2
an
s2
n
321
FC =
a)
Factor de correccin
b)
c)
Sumas
SCtratamientos =
d)
de
X ijl
i =1
SCtotal = X ijk2 FC
los
cuadrados
de
tratamiento
2
ij .
FC
n
La suma cuadrado del error I
------
X
nij
SC A
X
=
2
i ..
SCB
X
=
2
. j.
Factor B
F
CM trat
CM Error
- FC
Factor A
Interaccin
AXB
gl
CM
ab - SCtrat/ab-1
1
2
ij .
bn
SC AB
an
a-1
SCFac.A/a-1
CM Fac. A
CM Error
b-1
SCFac.B/b-1
CM Fac. B
CM Error
FC
FC
X ij2.
=
FC ( SC A + SCB )
n
Error I
Error II
Diseos experimentales
(a-1) SCInt./Gl.
(b-1)
CM Interacion
CM Error
ab(n- SCError/Gl
1)
SI2
ab(n- SCError/Gl
1) (n+1)
SII2
322
Bloques
SCbloques
Total
X
=
2
..k
ab
n-1
FC
SCtotal = X ijk2 FC
abn1
SCBloque/n1
CM Bloque
CM Error
____
___
a)
Suma
de
los
2
X i .. FC
SC A =
bn
Cuadrados
para
el
factor
A:
b)
Suma
Cuadrados
para
el
factor
B:
SCbloques
X
=
c)
SC AB
de
los
2
X . j . FC
SCB =
an
=
FC ( SC A + SCB )
n
d)
e)
ab
2
..k
FC
323
Tabla 23. Combinacin de niveles de tratamientos en 4 bloques (Martnez-Garza, 1988).
Tratamiento
Factor
Bloque
Suma
H
T
L
I
II
III
IV
1
1
1
1
125.6
98.2
110.6
130.1
464.5=T111
2
2
1
1
112.1
101.5
147.4
135.9
496.9=T211
3
1
2
1
150.8
154.8
175.0
185.0
665.6=T121
4
2
2
1
167.1
185.0
174.4
151.5
678.0=T221
5
1
1
2
121.0
100.6
134.8
134.4
490.8=T112
6
2
1
2
149.2
131.1
118.3
161.3
559.9=T212
7
1
2
2
181.1
174.3
137.0
161.5
653.9=T122
8
2
2
2
145.1
201.0
188.8
201.5
736.4=T222
Suma/B
1152.0
1146.5
1186.3
1261.2
4746 = G
C=
G 2 4746.0 2 22524516.00
=
=
= 703,891.12
tr
8X 4
32
S .C.Total = y 2 C
= 125.6 2 + 112.12 + ....... + 201.5 2 C
= 730,897.74 703,891.12 = 27,006.62
3. S.C. debida a los bloques (S.C.B.)
B 2l
S .C.B. =
C
t
1152.0 2 + .... + 1261.2 2
=
C
8
5639499.38
=
C = 1,046.30
8
Diseos experimentales
324
SCT = r ijq C
T2
TIJ2
SC ( H ) SC (T ) C
2r
955.3 2 + .... + 1414.4 2
S .C.( HT ) =
1205.41 1628.11 703891.12 = 1.35
2X 4
S .C ( HT ) =
Suma/luminosidad
2305.0 =L1
2441.0=L2
4746.0=G
L12 .. + L22
C
4r
2305.0 2 + 2441.0 2
=
C = 578.00
4X 4
L2i.q
SC ( H ) SC ( L) C
SC ( HL) =
2r
1130.12 + ... + 1296.3 2
1205.41 578.00 703891.12
S .C.( HL) =
2X 4
S .C.( HL) = 356.44
SC ( L) =
325
Humedad y Temperatura
Humedad
Suma/temperatura
H1
955.3
1319.5
2274.8=h1
2012.1=T1..
2733.9=T2..
4746.0=G
H2
1056.8
1414.4
2471.2=h2
Factor
Luminosidad
l1
l2
Suma/Temperatura
T1
961.4
1050.7
2012.1 = T1
T2
1343.6
1390.3
2733.9=T2
Suma/luminosidad
2305.0 = l1
2441.0 = l2
4746.0 = G
E.estndar
X ijk =
abcn = N
X ij.
X ij . =
n
X
X i.. = i..
bcn
Tratamiento
Factor A
Factor B
X . j. =
Factor C
X ..K
X . j.
acn
X
= ..k
abn
SX =
S2
n
S Xi.. =
S2
bcn
SX =
S X ..k =
H 12 ... + H 22 ..
C
4r
2274.8 2 + 2471.2 2
=
C
4X 4
= 705,096.53 703,891.12 = 1,205.41
SC ( H ) =
Diseos experimentales
S2
acn
S2
abn
326
T12 .. + T22 ..
C
4R
2012.12 + 2733.9 2
=
C = 16,281.11
4X 4
SC (T ) =
SC (TL) =
T. 2jq
Ft 0.01
SC (T ) SC ( L) C
2r
961.4 2 + ... + 1390.3 2
16281.11 578.00 703891.12
SC (TL) =
2X 4
S .C.(TL) = 56.71
DMS = t 0.05, 21
DMS = 2.08 *
2s 2
4r
2(354.59)
= 13.8
16
3.64
8.02
327
Conclusiones
Una caracterstica comn de los experimentos en muchas disciplinas
es cuando se repiten estos experimentos, los resultados de los tratamientos
varan de un ensayo al otro. Obviamente, esta variacin genera un grado de
incertidumbre con relacin a las conclusiones derivados de estos resultados.
Ahora bien, existe variacin innata entre las unidades experimentales debido
a los factores de la herencia y del medio ambiente. Esta variacin se
denomina el error del experimento o el error experimental cuyo efecto debe
distingue de las variaciones debido a la influencia de los tratamientos.
Precisamente, es por estas razones que se usan los diseos experimentales,
es decir, el uso de los diseos experimentales se debe a la necesidad del
determinar la probable diferencia estadstica entre diferentes tratamiento y a
parte, buscar tendencias o patrones derivados de los resultados. Hay diseos
experimentales estndares que se han usado durante casi un siglo en
diferentes disciplinas cientficas, especialmente en el rea de agricultura,
biologa, psicologa sociologa, fsica, etc. Sin embargo, actualmente existen
diseos especficos adecuados para cada rama del estudio. A parte hay
paquetes especializados (SAS, SPSS, MINITAB, etc.) que permiten la
conduccin de diferentes tipos de diseos experimentales. El objetivo de este
manuscrito es el familiarizar a los alumnos con las bases crticas de los
diseos experimentales comunes por medio de un ejemplo de los datos
reales. Conociendo estos fundamentos permite un acercamiento ms
amigable a otros tipos de diseos ejemplificados en diversos paquetes
estadsticos.
Diseos experimentales
328
Referencias
Badii, M.H., J. Castillo, K. Cortez & H. Quiroz. 2007a. Anlisis de clusters. Pp. 15-36. In: M.
H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, J.N. Barragn & A. E. Flores. 2007b. Anlisis discriminante. Pp. 119136. In: M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin.
UANL, Monterrey.
Badii, M.H., J. Castillo, J. Rositas & G. Alarcn. 2007c. Uso de un mtodo de pronstico en
investigacin. Pp. 137-155. In: M.H. Badii & J. Castillo (eds.). Tcnicas
Cuantitativas en la Investigacin. UANL, Monterrey.
Badii, M.H. J. Castillo & M. Rodrguez. 2007d. Respuesta de superficie. Pp. 187-198. In: M.H.
Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, A. Wong & J.N. Barragn. 2007e. Lattice designs. Pp. 245-290. In:
M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, F. Gorjn & R. Foroughbakhch. 2007f. Completely randomized
designs. Pp. 307-334. In: M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en
la Investigacin. UANL, Monterrey.
Badii, M.H., J. Castillo, R. Rositas & G. Ponce. 2007g. Experimental designs. Pp. 335-348. In:
M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007h. Papel de la estadstica en la
investigacin cientfica. InnOvaciOnes de NegOciOs. 4(1): 107-145.
Brits, S. J. M. & H. H. Lemmer, 1990. An adjusted Friedman test for the nested design.
Communic. Statist.- Theor. Meth. 19: 1837-1855.
Conover, W. J. & R. L. Iman, 1976. On some alternative procedures using ranks for the
analysis of experimental designs. Communic. Statist-Theor. Meth. 5:1349-1368.
Cox, G. M. & W. P. Martn 1937. Iowa State Collection. Journal Science, 11: 323-331.
Daniel, W. W., 1998. Bioestadstica base para el anlisis de las ciencias de la salud, Tercera
edicin, UTEHA Noriega editores, Mxico, 347-380.
Fisher, R. A. 1936. The use of multiple measurements in taxonomic problems. Annual Eugen.
7: 179-188.
Fogiel, M. 2000. Statistics. Research and Education Association, Piscataway, N. J.
Gillman, M. & R. Hails. 1997. An Introduction to Ecological Modeling Putting Practice into
Theory. Blackwell Science, London.
Goodman, L.A. 1970. The multivariante analysis of qualitative data: Interactions among
multiple classifications. J. Amer. Statist. Assoc. 65:226-256.
Goulden, G. H. 1952. Methods of Statistical Analysis. Second Edition. Wiley, N. Y.
Hill, R, S. 1980. A stopping rule for partitioning dendrograms. Botanical Gazette, 141: 321-324.
Huntsberger, D. V. & P. Billingsley, 1977. Elementos de Estadstica Inferencial, Primera
edicin, Compaa Editorial Continental, Mxico, 320-343.
Iman, R. L., S. C. Hora & W. J. Conover, 1984. Comparison of asymptotically distribution-free
procedures for the anlisis of complete blocks. J.Amer. Statist.Assoc. 79:674-685.
M.H. Badii et al.
329
Kemp, A.W. 1989. A note on Strilings expansion for factorial n. Statist. Prob. Lett. 7: 21-22.
Kepner, J.L. & D. H. Robinson, 1988. Nonparametric methods for detecting treatment effects
in repeated measures designs. J..Amer. Statist. Assoc. 83:456-461.
Keppel, G. 1991. Design and Analysis: A Researchers Handbook 3rd ed. Prentice Hall.
Englewood Cliffs New Jersey.
Kirk, R. E. 1982. Experimental design: Procedures for theBehavioral Sciences. 2nd ed.
Brooks/Cole, Monterey California.
Lance, G. N. & W. T. Williams. 1967. A genral theory for classificatory sorting strategies. 1.
hierarchial systems. Computer Journal, 9: 373-380.
Maxwell, S. E. 1980. Pairwise multiple comparisons in repeated measures designs. J. Educ.
Statist. 5:269-287.
Maxwell, S. E. & H. D. Delaney, 1990. Desining Experiment and analyzing data. Wadsworth,
Belmont, California.
OBrien, R. G., & M. Kaiser, 1985. MANOVA meted for analyzing repeated measures
designs. Psychol. Bull. 97: 316-333.
Ostle, B., 1994. Estadstica Aplicada, Primera edicin, Editorial Limusa, Mxico, 447-452.
Pompa, J., L. Mucina, O. Van Tongeren & E. Van der Maarel. 1983. On the determination of
optimal levels in phytosociological classifications. Vegetario, 52: 65-75.
Ratliff, R. D. & R. D. Pieper. 1982. Approaches to plant community classification for range
managers. Journal of Range Management Monographs series, No. 1.
Rohlf, F. G. 1974. Methods of comparing classifications. Annual Review of Ecology and
Systematics, 5: 101-113.
Rohlf, F. G. 1982. Consensus indices for comparing classifications. Mathematical Biological
Sciences, 59: 131-144.
Rositas, J., M.H. Badii, J. Castillo & R. Foroughbakhch. 2007. Tcnicas de investigacin
basadas en sistemas de modelacin estructurada. Pp. 291-304. In: M. H. Badii & J.
Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL, Monterrey.
Samuels, M. L., G. Casella, & G. P. McCabe 1991. Interpreting blocks and random factors.
J. Amer. Statist. Assoc. 86: 798-808.
Shearer, P. R. 1973. Missing data in quantitative designs. J. Royal Statist. Soc. Ser. C.
Appl. Statist. 22: 135-140.
Spiegel, M. R., 1976. Probabilidad y Estadstica Serie Schaum, Primera edicin, Editorial
McGraw-Hill, Mxico.
Sneath, P. H. A. & R. R. Sokal. 1973. Numerical Taxonomy. Freeman, San Francisco.
Southwood, T. R. E. & P. A. Henderson. 2000. Ecological Methods. Third Edition. Blackwell
Science, London.
Diseos experimentales
330
Anexo A
Tabla A. Tabla de ANOVA para el diseo completamente al azar*.
FV
Gl
SC
CM
Fobservado
Tratamientos
t-1
(X2t/r) - c
SCt/gl
CMt/CME
Error
resta
resta
SCE/gl
Total
rt - 1
(X2) - c
__
*: FV = Fuente de variabilidad, Gl= Grados de libertad, SC= Suma
de Cuadrados, CM = Cuadrado medio, t= # de tratamientos, r = # de
repeticiones, c = Factor de correccin = (X)2/N, N = # total de
repeticiones.
Tabla B. Tabla de ANOVA para el diseo bloques al azar*.
FV
Gl
SC
CM
Fobservado
Bloques
b -1
(X2b/r) - c SCB/gl
CMBl/CME
Tratamientos
T -1
(X2t/r) - c
SCt/gl
CMt/CME
Error
resta
resta
SCE/gl
Total
rt - 1
(X2) - c
__
*: b = # de bloques, los dems acrnimos como en la Tabla A.
Tabla C. Tabla de ANOVA para el diseo Cuadro latino*.
FV
Gl
SC
CM
Fobservado
Hilera
h-1
(X2h/r) - c SCh/gl
CMh/CME
Columna
Tratamientos
c-1
t-1
(X2c/r) - c
SCc/gl
CMc/CME
(X2t/r)
SCt/gl
CMt/CME
-c
Error
resta
resta
SCE/gl
Total
rt - 1
(X2) - c
__
*: h = # de bloques horizontales, c = # de bloques verticales, los
dems acrnimos como en la Tablas A y B.
FV
rep
Tratamientos
at - 1
(X2at/r) - c
SCt/gl
CMt/CME
a-1
(X2a/tr)
-c
SCa/gl
CMa/CME
Factor B
b-1
(X2b/tr)
-c
SCb/gl
CMb/CME
AXB
a-1(b-1)
SCaXb/gl
CMaXb/CME
Factor A
resta
Error
resta
resta
SCE/gl
Total
rt - 1
(X2) - c
__
*: h = # de bloques horizontales o hileras, c = # de bloques verticales o
columnas, los dems acrnimos como en la Tablas A, B y C.