Está en la página 1de 153

INDICE

CAPITULO I .......................................................................................................................................... 1
INTRODUCCION. .............................................................................................................................. 1
1.1 QUE SE ENTIENDE POR DISEO EXPERIMENTAL. ................................................................ 1
1.2 NECESIDAD Y PROSITO DE UN DISEO EXPERIMENTAL. ...................................................... 1
1.3 DEFINICION DE TERMINOS BASICOS. .................................................................................. 2
1.4 PRUEBA DE HIPOTESIS. ........................................................................................................ 4
1.5 SUPOSICIONES DEL ANALISIS DE VARIANZA........................................................................ 6
CAPITULO II ......................................................................................................................................... 7
DISEO COMPLETAMENTE AL AZAR ............................................................................................... 7
2.1 INTRODUCCION. .................................................................................................................... 7
2.2 ALGUNAS VENTAJAS. ............................................................................................................ 8
2.3 ALGUNAS DESVENTAJAS....................................................................................................... 8
2.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS U.E. ............................................................. 8
2.5 CUADRO DE CONCENTRACION DE DATOS. .......................................................................... 9
2.6 MODELOS ESTADISTICO. .................................................................................................... 11
2.7 ANALISIS DE VARIANZA PARA EL DISEO. .......................................................................... 11
2.8 SUBMUESTREO EN UN DISEO COMPLETAMENTE AL AZAR. ............................................ 25
CAPITULO III ...................................................................................................................................... 31
CONTRASTES ORTOGONALES Y COMPARACIONES MULTIPLES DE MEDIAS................................. 31
3.1 INTRODUCCION. .................................................................................................................. 32
3.2 CONTRASTES ORTOGONALES. ............................................................................................ 32
3.3 COMPARACIONES MULTIPLES DE MEDIAS......................................................................... 39
CAPITULO IV ...................................................................................................................................... 50
DISEO DE BLOQUES AL AZAR ...................................................................................................... 50
4.1 INTRODUCCION. .................................................................................................................. 50
4.2 ALGUNAS VENTAJAS. .......................................................................................................... 50
4.3 ALGUNAS DESVENATJAS. ................................................................................................... 50
4.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS u.e. ............................................................ 51

MC. Sergio Snchez Martnez i


4.5 CUADRO DE CONCENTRACION DE DATOS. ........................................................................ 52
4.6 MODELO ESTADISTICO. ...................................................................................................... 53
4.7 ANALISIS DE VARIANZA PARA EL DISEO. .......................................................................... 53
4.8 ESTIMACION DE PARCELAS PERDIDAS. .............................................................................. 57
4.9 SUBMUESTREO EN UN DISEO EN BLOQUES AL AZAR. ..................................................... 61
4.10 EFICIENCIA DE UN DISEO EN BLOQUES AL AZAR CON RESPECTO A UNO
COMPLETAMENTE AL AZAR. ..................................................................................................... 66
CAPITULO V ....................................................................................................................................... 68
DISEO EN CUADRO LATINO ......................................................................................................... 68
5.1 INTRODUCCION. .................................................................................................................. 68
5.2 ALGUNAS VENTAJAS. .......................................................................................................... 68
5.3 ALGUNAS DESVENTAJAS..................................................................................................... 69
5.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS u.e. ............................................................ 69
5.5 CUADRO DE CONCENTRACION DE DATOS. ........................................................................ 70
5.6 MODELO ESTADISTICO. ...................................................................................................... 71
5.7 ANALISIS DE VARIANZA. ..................................................................................................... 71
5.8 DATOS FALTANTES EN UN DISEO CUADRADO LATINO. ................................................... 77
5.9 EFICIENCIA RELATIVA DE3 UN DISEO EN CUADRO LATINO. ............................................ 81
CAPITULO VI ...................................................................................................................................... 82
EXPERIMENTOS FACTORIALES ...................................................................................................... 82
6.1 INTRODUCCION. .................................................................................................................. 82
6.2 ALGUNAS VENTAJAS. .......................................................................................................... 83
6.3 ALGUNAS DESVENTAJAS..................................................................................................... 84
6.4 NOTACION. ......................................................................................................................... 84
6.5 FACTORIAL 22 .................................................................................................................... 84
6.6 FACTORIAL 23 .................................................................................................................... 96
6.7 CONFUSIN EN EXPERIMENTOS FACTORIALES................................................................. 108
CAPITULO VII ................................................................................................................................... 115
EXPERIMENTOS EN PARCELAS DIVIDIDAS ................................................................................... 115
7.1 INTRODUCCIN. ................................................................................................................ 115
7.2 ARREGLO SIMPLE DE PARCELAS DIVIDIDAS. ..................................................................... 115
7.3 ANALISIS ESTADISTICO. ..................................................................................................... 117

MC. Sergio Snchez Martnez ii


CAPITULO VIII .................................................................................................................................. 133
ANALISIS DE COVARIANZA .......................................................................................................... 133
8.1 INTRODUCCIN. ............................................................................................................... 133
8.2 FINALIDADES DEL ANALISIS DE COVARIANZA. ................................................................. 133
8.3 EL MODELO Y SUPUESTOS PARA LA COVARIANZA........................................................... 134
8.4 GANANCIA EN PRECISION POR COVARIANZA. ................................................................. 144
8.5 FACTORIAL 23.................................................................................................................... 147

MC. Sergio Snchez Martnez iii


CAPITULO I

INTRODUCCION.
La aplicacin de las tcnicas estadsticas se ha extendido de sobre manera y la
influencia de la estadstica en nuestra vida es tan grande, que difcilmente podemos
ponderarla como es debido.

Por ejemplo, nuestra abundancia agrcola actual se puede explicar prcticamente


gracias a la aplicacin de la estadstica a los planos y a los anlisis de los
experimentos agrcolas. Este es un campo en el cual la tcnica estadstica se utiliz
relativamente al principio. Algunas de las preguntas que los mtodos de la
estadstica ayudan a contestar son. Qu variedad de maz da el mejor
rendimiento?, Qu clase de mezcla alimenticia se debe dar a las gallinas para que
obtengan el mayor peso?, Qu pasto da mayor numero de toneladas de forraje por
hectrea?. Todas estas preguntas y cientos ms nos afectan a todos en forma
directa a travs del mercado.

1.1 QUE SE ENTIENDE POR DISEO EXPERIMENTAL.

Disear un experimento, simplemente significa planear un experimento de modo


que se rena la informacin que sea pertinente al problema bajo investigacin.
En la planeacin o diseo de un experimento agrcola en particular, es necesario
aplicar un conjunto de disciplinas y conocimientos agronmicos con el fin de
encontrar respuestas correctas al problema especfico. Por ejemplo, si se
comparan diversas variedades de trigo, todos los factores de la produccin que
influyen en el comportamiento de las variedades deben permanecer constantes
y las nicas fuentes de variacin sern las presentadas por las variedades de
trigo, si stas son distintas.

1.2 NECESIDAD Y PROSITO DE UN DISEO EXPERIMENTAL.

La necesidad de un diseo experimental en la investigacin resulta obvia, la cual


se demostrar a travs del siguiente ejemplo:
Se desea probar el efecto letal de tres herbicidas para plantas de hoja ancha y
poder as, hacer una recomendacin; resulta claro que no podemos probar los
herbicidas en la totalidad de la poblacin de las malas hierbas de hoja ancha,
pues esto, adems de caro econmicamente hablando, sera muy tardado y
prcticamente imposible de realizar tal prueba. Pero por otra parte, si podemos
realizar muestreos a partir de la poblacin y realizar nuestras pruebas, con lo

MC. Sergio Snchez Martnez 1


cual obtendramos la informacin conducente en la resolucin de nuestro
problema, mediante mtodos de inferencia estadstica.

El propsito de cualquier diseo experimental es proporcionar una cantidad


mxima de informacin pertinente al problema bajo investigacin. Sin embargo,
tambin es importante que el diseo o plan de prueba sea tan simple como se
pueda. Adems la investigacin deber conducirse lo ms eficiente posible. Esto
es, deber hacerse todo esfuerzo posible para ahorrar tiempo, dinero, personal
y material experimental.

1.3 DEFINICION DE TERMINOS BASICOS.

Antes de proceder a la introduccin y discusin de los diseos experimentales


de mayor uso, se definirn ciertos trminos bsicos para mayor comprensin de
los mismos.
1.1.1 TRATAMIENTO: Es todo procedimiento o material cuyo efecto se desea
medir y comparar, por ejemplo: una marca de fertilizante, una cantidad de
lmina de riego, una racin alimenticia para ganado, etc.

1.1.2 TRATAMIENTO TESTIGO: Es un tratamiento a comparar. Por ejemplo: si se


van a usar cinco tratamientos con fertilizantes, el testigo ser aquel
tratamiento que no incluir fertilizantes, teniendo un experimento con seis
tratamientos, es decir, el testigo deber considerarse como un tratamiento
ms. Si se comparan ocho variedades de sorgo, el testigo ser la variedad
ms comercial de la regin.
Al realizar un experimento, siempre se debe incluir un testigo.

1.1.3 UNIDAD EXPERIMENTAL (u.e.): El material o lugar sobre el cual se aplica


cada tratamiento por ejemplo: una parcela, una maceta, un conejo, un
conjunto de semillas, etc.
1.1.4 ERROR EXPERIMENTAL: Es la medida de variacin que existe entre las
observaciones de u.e., bajo el mismo tratamiento.
Se pueden distinguir dos fuentes principales que ocasionan el error
experimental: la variacin inherente de la u.e. y aquella que proviene de la
falta de uniformidad en la conduccin fsica del experimento.
El error experimental no puede eliminarse, pero si reducir sus efectos, con el
fin de obtener una mejor estimacin de los efectos de los tratamientos. Entre
las modalidades ms recomendables para la reduccin del error estn:
ii) Utilizacin de u.e. tan uniformes como sea posible
Por ejemplo: suelo homogneo.

MC. Sergio Snchez Martnez 2


iii) Tamao adecuado de la u.e.
El tamao de la u.e. influye en la variabilidad, y la variacin es menor
cuanto ms se disperse en el campo.
Muchos investigadores estn de acuerdo en sacrificar el tamao por un
nmero mayor de repeticiones cuando se dispone de un rea de terreno
limitada, y orientar la u.e. en tal forma que la mayor longitud siga la direccin
de mayor variacin del suelo. Esto es,

u.e.

iv) Eliminacin del efecto de orilla y la competencia mutua entre tratamientos,


o sea, el uso de parcela til.

Parcela til

u.e.

Eliminando rea no til

a) Utilizar un nmero eficiente de repeticiones para cada tratamiento

Llmese repeticin, al nmero de veces que se repite un determinado


tratamiento durante el desarrollo del experimento.

En general, varios investigadores han concluido que el nmero de


repeticiones debe ser tal que el nmero de grados de libertad para el error
sea mayor de 10.

MC. Sergio Snchez Martnez 3


El concepto grados de libertad (g.l.) es un concepto matemtico. Es el
nombre dado al nmero de observaciones linealmente independientes que
ocurren en una suma de cuadrados. Una rigurosa discusin de esta definicin
usa ideas moderadamente avanzadas de algebra lineal.

En vez de dedicar espacio a estos temas, simplemente abordaremos la


definicin heursticamente

Supngase que el rendimiento de 5 variedades de un cultivo es de 25, 26,


27, 28 y 29 kg. La media es = 27 ., las desviaciones de los nmeros con
respecto a su media (que debe sumar cero) sera:

25 26 27 28 29

-2 -1 0 1 2

En esta muestra para 5 datos, uno queda fijo, que es y ha sido usada como
el origen para las desviaciones, entonces quedan cuatro valores (4 g. l.)
que pueden ser comparados en forma independiente con la media.

v) Manejo de las u.e. tan uniformes como sea posible.

Por ejemplo: en experimentos de campo, los riegos, control de plagas,


fertilizacin, eliminacin de malezas, etc., deben ejecutarse lo mas uniforme
posible.

vi) Distribucin adecuada de los tratamientos por medio de sorteos, es decir,


que cualquier u.e. debe recibir al azar cualquier tratamiento.

Este principio es fundamental, porque asegura estimaciones imparciales de


medias de tratamientos y del error experimental. Adems, la aleatorizacin
tiende a destruir la correlacin entre errores y hacer validas las pruebas de
hiptesis.

1.4 PRUEBA DE HIPOTESIS.

MC. Sergio Snchez Martnez 4


A menudo en la investigacin cientfica, se presenta la necesidad de hacer
alguna decisin acerca de una poblacin basndonos en la informacin obtenida
a partir de una muestra. Por ejemplo: el decidir, basados en una muestra, si una
nueva droga es efectiva para curar una enfermedad; si una racin alimenticia es
mejor que otra, etc.

Al pretender tomar una decisin, es indispensable que existan alternativas,


suposiciones o conjeturas acerca de la poblacin involucrada.

Tales suposiciones, las cuales pueden ser o no ser ciertas, son llamadas
Hiptesis Estadsticas.

Una hiptesis en general se define como una suposicin terica que se acepta
provisionalmente para explicar ciertos hechos

As algunos ejemplos de hiptesis estadsticas son:

i) La produccin media de cierto cultivo es igual a un valor determinado.

ii) El nmero promedio de hierbas en un campo de cultivo es de 500000 por


Ha

iii) El sistema de drenaje B es mejor que el D.

En ciertas ocasiones se formula una hiptesis estadstica con el solo propsito


de rechazarla o nulificarla. Esto es un principio porque desde el punto de vista
estadstico, una hiptesis nunca puede ser aceptada, sino que nicamente solo
podra no ser rechazada, en base a las evidencias de que se disponga.

As por ejemplo, si se desea decidir que una racin alimenticia es mejor que
otra, se formula la hiptesis de que no hay diferencia entre los diferentes tipos
de racin alimenticia. Tales hiptesis son llamadas: Hiptesis Nula y se denota
por H0

Cualquier hiptesis que difiera de la hiptesis nula es llamada Hiptesis


Alternativa y se denota por H1.

Los procedimientos que nos permiten decidir rechazar o no rechazar una


hiptesis son llamados Pruebas de Hiptesis o reglas de decisin.

Si se rechaza una hiptesis cierta, se dice que se comete un Error Tipo I. si por
el contrario, no se rechaza una hiptesis falsa, se dice que se comete un Error
Tipo II. En cualquiera de los dos casos se comete un error al tomar una decisin
equivocada.

MC. Sergio Snchez Martnez 5


La probabilidad mxima con la que en la prueba de una hiptesis se puede
cometer un error tipo I se llama nivel de significancia. Esta probabilidad se
denota frecuentemente por el parmetro

En la prctica se acostumbra a utilizar niveles de significancia del 0.05 o 0.01,


aunque igualmente pueden emplearse otros valores. Si, por ejemplo, se elige un
nivel de significancia del 0.05 o 5% al disear una prueba de hiptesis, entonces
hay aproximadamente 5 ocasiones en 100 en que se rechazara la hiptesis
cuando debera no ser rechazada, es decir, se est con un 95% de confianza
de que se tome la decisin adecuada.

1.5 SUPOSICIONES DEL ANALISIS DE VARIANZA.

El Anlisis de Varianza (ANVA) fue introducido por Sir Ronald Fisher y es en


esencia un procedimiento aritmtico que cosiste en descomponer la variacin
total de una respuesta, en fuentes de variacin (F.V.) reconocidas, incluyendo
la variacin casual (proveniente de la variabilidad de las u.e. o de la falta de
homogeneidad del ambiente en el que se realiz el experimento), fuente a la
que se conoce como error experimental.

Las suposiciones bsicas del ANVA, a partir del cual se efectuarn las pruebas
de hiptesis son:
i) Los efectos son aditivos
Se refiere a que los efectos de los tratamientos en estudio y el efecto del
error experimental (Ei) se suman.

ii) Los errores se distribuyen normalmente con media cero y varianza 2 ;


esto grficamente sera:

MC. Sergio Snchez Martnez 6


Valores de i i ~ N (0, 2 )
iii) Los errores son independientes
Se supone que la ocurrencia de un error especfico no altera las
probabilidades de ocurrencia de los otros errores.

CAPITULO II

DISEO COMPLETAMENTE AL AZAR

2.1 INTRODUCCION.

El diseo completamente al Azar (DCA) es el ms sencillo de los diseos, y se le


usa cuando las u.e. son lo ms homogneas posible. Tal es el caso de experimentos
de laboratorio, invernadero, gallineros, porcinas, etc. en donde los datos

MC. Sergio Snchez Martnez 7


experimentales tienen las mimas condiciones en todos los sentidos, ya que stas
estn controladas.

2.2 ALGUNAS VENTAJAS.


i) Es fcil de planear y analizar
ii) Es flexible en cuanto al nmero de tratamientos y repeticiones a usar en
un experimento.
iii) No se estiman datos faltantes, es decir, el diseo puede analizarse con
diferente nmero de repeticiones por tratamiento.
iv) Es el diseo que aporta ms g.l. para el error.

2.3 ALGUNAS DESVENTAJAS.


i) no es eficiente con material experimental heterogneo, por ejemplo: para
experimentacin de campo con plantas o animales, ste diseo no es el
ms adecuado.
ii) Puesto que no existen restricciones en cuanto a la aleatorizacin, el error
experimental incluye la variacin total entre u.e. excepto aquella debida a
tratamientos.

2.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS U.E.

Supngase que se desea comparar 5 variedades de cebolla en un invernadero con


cuatro repeticiones, esto es,

Variedades: A, B, C, D, E. (tratamientos)
Repeticiones: I, II, III, IV

Lo anterior implica contar con 20 u.e.

Usando cualquier sistema de sorteo, ya sea por medio de tablas de nmeros


aleatorios o papelitos sorteados cuando son pocos los tratamientos, se puede tener
la siguiente distribucin:

C B D A E

A E B D B

D C A C E

C B E A D

MC. Sergio Snchez Martnez 8


2.5 CUADRO DE CONCENTRACION DE DATOS.

De cada u.e. pueden obtenerse mediciones de diferentes caractersticas de acuerdo


al objetivo del experimento. Por ejemplo: 5 de germinacin, altura de planta,
rendimiento, peso, etc.
Para una caracterstica medida se hace un cuadro de concentracin de datos. Cada
medida u observacin de una u.e. estar perfectamente identificada por el
tratamiento y la repeticin, es decir, cada observacin puede representarse por Y ij;
que denota la medicin en la j-sima u.e. del tratamiento i-simo.
Ahora, supngase que se evaluaron t tratamientos con igual nmero de repeticiones
(r). As, la representacin simblica de los datos puede ser la siguiente:

Repeticiones Medias
Tratamientos I II ... r Total # Observ.

1 . = 1.
1 Y11 Y12 ... Y1r Y1. r

2 . = 2.
2 Y21 Y22 ... Y2r Y2. r



. = .
t Yt1 Yt2 ... Ytr Yt. (*) r

. . = . .
Y.. (**) n=rt

MC. Sergio Snchez Martnez 9


Gran Total de Media General
total u.e.

Donde

. = 1 + 2 + + =
=1

. . = 1. + 2. + + . = .
=1

Por otra parte, si se comparan t tratamientos con diferente nmero de


repeticiones, la representacin simblica de los datos sera:

Repeticiones Medias
Tratamientos I II ... ri Total # Observ.

1. = 1.
1
1 Y11 Y12 ... Y1 r1 Y1. r1

2. = 2.
2
2 Y21 Y22 ... Y2 r2 Y2. r2



. = .

t Yt1 Yt2 ... Yt rt Yt. rt

. . = . .
Y.. 0 0

Gran Total de Media General


total u.e.

MC. Sergio Snchez Martnez 10


Donde

0 =
=1

2.6 MODELOS ESTADISTICO.

Cualquier observacin puede ser expresada como:

= 1, 2, ,
= + +
= 1, 2, ,

En el caso de igual nmero de repeticiones por tratamiento.

= 1, 2, ,
= + +
= 1, 2, ,

En el caso de diferente nmero de repeticiones por tratamiento.

Donde,

Yij: Denota la j-sima medicin del tratamiento i-simo.

: Media general.

i: Efecto del i-simo tratamiento.

ij: Error experimental de la j-sima medicin del i-simo tratamiento, y es


considerado (0, 2 )

2.7 ANALISIS DE VARIANZA PARA EL DISEO.

El anlisis del modelo = + + tiene la finalidad de comparar los efectos


de los t tratamientos. Para ese fin se propone la hiptesis nula

0 : 1 = 2 = =

MC. Sergio Snchez Martnez 11


Dado que las alternativas a la hiptesis nula (igualdad de tratamientos) son
mltiples, la hiptesis alternativa se enuncia en palabras como sigue: H1: al menos
uno de los tratamientos es distinto de los dems.

Ahora, la hiptesis a elegir ser de acuerdo con la regla de decisin que depender
de la confrontacin entre la Fc (F calculada) obtenida en el ANVA y de Ft (F de
tablas) obtenida de una tabla de F, con los g.l. para tratamientos, los g.l. para el
error y un nivel de significancia elegido ().

Entonces, si Fc > Ft (=0.05)* se rechaza H0. En este caso se dice que las diferencias
entre los valores medios de los tratamientos son SIGNIFICATIVAS, se simboliza por
un asterisco.

Si Fc > Ft (=0.01)** se rechaza H0. Esto quiere decir que las diferencias entre los
valores medios de los tratamientos son ALTAMENTE SIGNIFICATIVAS, se
simboliza por dos asteriscos.

Si Fc Ft 0.05; 0.01 no se rechaza H0. Esto significa que no existe diferencia


entre valores medios de los tratamientos, se simboliza por N.S.

El ANVA para un diseo completamente al Azar con igual nmero de repeticiones


por tratamiento es definido de la siguiente manera.

F.V. G.L. S.C. C.M. Fc



.2 . 2.
. .
Tratamientos t-1
=1 1

Error n-t .

. 2.
2

Total n-1 =1 =1

MC. Sergio Snchez Martnez 12


El ANVA para un Diseo completamente al Azar con diferente nmero de
repeticiones por tratamiento es:

F.V. G.L. S.C. C.M. Fc



.2 . 2.
. .
Tratamientos t-1 .
=1 1

Error n.-t . .

. 2.
2
.
Total n.-1 =1 =1

n. Representa el total de unidades experimentales

EJEMPLO 2.1. En un estudio, realizado en el invernadero de la U.A.A.A.N., se


compararon los efectos de diferentes medios germinativos en la germinacin de la
cebolla, para este experimento se utiliz la variedad Imperial y 4 cajas de madera
por tratamiento: en cada una se sembraron 50 semillas. La tabla a continuacin
muestra los datos en % de la germinacin.

Repeticiones

Tratamientos I II III IV

T1 85 94 90 92

T2 46 44 52 50

T3 92 89 91 84

T4 68 76 58 72

Donde:

MC. Sergio Snchez Martnez 13


T1: Tierra tratada con formol aldehdo al 40%

T2: Tierra sin tratar (testigo)

T3: Estircol + arena + tierra

T4: Vermiculita + musgo

Las hiptesis a probar son:

H0: No existe diferencia entre tratamientos

H1: Al menos uno de los tratamientos es diferente de los dems.

Construyendo el ANVA.

OBSERVACION 2.1. En experimentos en lo que se hace n conteos de insectos,


de malezas, de plantas enfermas, del nmero de bacterias, de datos en porcentajes,
etc., la distribucin no es normal, sino que frecuentemente se tienen distribuciones
de tipo poisson o binomiales. Pero, si a los datos experimentales se les hacen
transformaciones se ajustarn a una distribucin casi normal. Las transformaciones
de uso ms comn son:

, + 1,

Entonces, tomando en consideracin la observacin arriba mencionada, los


valores de la tabla son transformados a

(0.85) = 67.21
(0.94) = 75.82
(0.90) = 71.56

(0.72) = 58.10

Repeticiones
Tratamientos I II III IV Total # observ. Medias
T1 67.21 75.82 71.56 73.57 288.16 4 72.04
T2 42.71 41.60 46.10 45.00 175.41 4 43.85
T3 73.57 70.63 72.54 66.42 283.16 4 70.79

MC. Sergio Snchez Martnez 14


T4 55.60 60.67 49.60 58.10 223.97 4 55.99
970.70 16 60.67

Factor de correccin (F.C.)

. 2.
. . =

(970.70)2
. . = 16

. . = 58891.15

Suma de cuadrados de tratamientos



.2
. = . .

=1

(288.16)2 + (175.41)2 + (283.16)2 + (223.97)2


. = . .
4
. = 61036.75 58891.15

. = 2145.59

Suma de cuadrados del total


. = 2 . .
=1 =1

. = (67.21)2 + (75.82)2 + (71.56)2 + + (58.1)2 . .

. = 61186.93 58891.15

. = 2295.78

Suma de cuadrados del error

= .

= 2295.78 2145.59

MC. Sergio Snchez Martnez 15


= 150.19

Cuadrado medio:

a) Cuadrado medio de los tratamientos

.
. =
1
2145.59
. =
3
. = 715.19

b) Cuadrado medio del error



=

150.19 150.19
= =
16 4 12
= 12.51

F calculada

.
=

715.19
=
12.51
= 57.16

ANVA

F.V. G.L. S.C. C.M. Fc Ft

2145.59 3.49(0.05)
Tratamientos 3 715.16 57.16** 5.95(0.01)

Error 12 150.19 12.51

Total 15 2295.78

MC. Sergio Snchez Martnez 16


Como Fc > Ft (0.05, 0.01) se rechaza H0.

Se concluye que los tratamientos producen efectos distintos. Es decir que existe
uno o varios medios germinativos mejores que los dems.

Es conveniente calcular el coeficiente de variacin (C.V.), que se calcula haciendo


uso del cuadrado medio del error y la media general:


. . =
..

Esto nos informar acerca de la confianza que se puede tener en los datos. Un alto
valor en porcentaje sugiere escasa confianza en los datos; un valor bajo indica un
buen manejo en las u.e. En general, en experimentos pequeos y trabajando con
animales, los coeficientes de variacin suelen ser altos, por lo que es necesario
tener cautela con los resultados experimentales.

En el ejemplo:


. . =
..

12.51
. = 100
60.66
. . = 5.83

EJEMPLO 2.2 En un ensayo con macetas se aplicaron cinco tratamientos a clones


de pasto estrella. Se tomaron cuatro macetas por tratamiento. Los rendimientos se
presentan en la siguiente tabla. Se determinarn las siguientes hiptesis:

H0: No existe diferencia entre tratamientos.

H1: Existe diferencia entre tratamientos.

Tratamientos
Maceta
T1 T2 T3 T4 T5
1 101 51 83 67 29
2 93 61 68 40 45
3 93 59 72 46 51
4 96 58 75 52 42

MC. Sergio Snchez Martnez 17


Calculando algunos parmetros, tenemos:

Tratamientos
Maceta
T1 T2 T3 T4 T5
1 101 51 83 67 29
2 93 61 68 40 45
3 93 59 72 46 51
4 96 58 75 52 42
Total 383 229 298 205 167 1282
N. Observ. 4 4 4 4 4 20
Medias 95.75 57.25 74.5 51.25 41.75 64.1

Factor de correccin (F.C.)

2. .
. . =

(1282)2
. . =
20
. . = 82176.2

Suma de cuadrados de tratamientos



.2
. = . .

=1

(383)2 + (229)2 + (298)2 + (205)2 + (167)2


. = . .
4
. = 89462 82176.2

. = 7285.8

MC. Sergio Snchez Martnez 18


Suma de cuadrados del total

= 2 . .
=1 =1

= (101)2 + (51)2 + (83)2 + + (42)2 . .

= 90344 82176.2

= 8167.8

Suma de cuadrados del error

= .

= 8167.8 7285.8

= 882

Cuadrado medio:

a) Cuadrado medio de los tratamientos

.
. =
1
7285.8
=
4
= 1821.45

b) Cuadrado medio del error



=

882 882
= =
20 5 15
= 58.8

F calculada

.
=

MC. Sergio Snchez Martnez 19
1821.45
=
58.8
= 30.98

ANVA

F.V. G.L. S.C. C.M. Fc Ft

7285.8 3.06(0.05)
Tratamientos 4 1821.45 30.98** 4.89(0.01)

Error 15 882 58.8

Total 19 8167.8

El valor Ft (tabulado) se encuentra en las tablas de la distribucin F con 4 y 15


grados de libertad.

Conclusin:

Como Fc > Ft (0.05, 0.01) se rechaza H0.

La conclusin que se obtiene es que si existe diferencia entre tratamientos.

Para el ejemplo.


. . =
..

58.8
. . = 100
64.1
. . = 11.96

EJEMPLO 2.3 En un experimento se observ el nmero de gusanos cortadores en


plantas de chile, despus de la aplicacin de 5 tratamientos (insecticidas), teniendo
diferente numero de repeticiones (parcelas) por tratamiento, los datos son:

MC. Sergio Snchez Martnez 20


Repeticiones
tratamientos
I II III IV
T1 11 4 5 6
T2 6 4 3
T3 8 5
T4 16 27
T5 7 4

La hiptesis a probar es:

H0: No existe diferencia entre insecticidas

H1: Existe diferencia entre insecticidas

Construyendo el ANVA

Obsrvese que los datos consisten en recuentos de gusanos en determinada zona,


datos as siguen a menudo la distribucin de poisson. Por consiguiente, antes de
proceder al ANVA se transformaran los datos; sacando la raz cuadrada de cada
observacin.

11 3.31
4 .0 2 .0
5.0 2.23

4 .0 2 .0

Repeticiones
tratamientos Total # Observ. Medias
I II III IV
T1 3.31 2 2.23 2.44 9.98 4 2.50
T2 2.44 2 1.73 6.17 3 2.06
T3 2.82 2.23 5.05 2 2.53
T4 4 5.19 9.19 2 4.60
T5 2.64 2 4.64 2 2.32
35.03 13 2.69

(.. )2 (35.03)2
. . = = = 94.39
13

MC. Sergio Snchez Martnez 21



.2
. = . .

=1

(9.98)2 (6.17)2 (5.05)2 (9.19)2 (4.64)2


. = + + + + 94.39
4 3 2 2 2
. = 103.33 94.39

. = 8.94

= 2 . .
=1 =1

= (3.31)2 + (2.0)2 + + (2.0)2 94.39

= 105.66 94.39

= 11.27

= .

= 11.27 8.94

= 2.33

ANVA

F.V. G.L. S.C. C.M. Fc Ft

Tratamientos 4 8.94 2.23 7.68** 3.84(0.05) 7.01(0.01)

Error 8 2.33 0.29

Total 12 11.27

Como Fc > Ft (0.05, 0.01) se rechaza H0.

MC. Sergio Snchez Martnez 22


Se concluye que los insecticidas producen efectos distintos y la diferencia entre
las medias de los tratamientos es altamente significativa.


. . =
..

0.29
. = 100
2.69
. . = 20

EJEMPLO 2.4 Se analiz un experimento de cuatro raciones para cerdos con


nueve cerdos por racin. Durante el experimento se present una enfermedad y
murieron 16 cerdos. La hiptesis por probar es:

H0: No existe diferencia entre los tratamientos

H1: Si existe diferencia entre los tratamientos

Los aumentos de peso final se muestran en al siguiente tabla.

Raciones
Repeticiones Total
1 2 3 4
1 45 35 34 41 155
2 46 33 34 41 154
3 49 35 44 128
4 44 34 43 121
5 33 41 74
6 42 42
7 44 44

MC. Sergio Snchez Martnez 23


8 41 41
9 41 41
Total 184 68 170 378 800
46 54 34 42

(.. )2 (800)2
. . = = = 32000
20

.2
. = . .

=1

(184)2 (68)2 (170)2 (378)2


. = + + + 32000
4 2 5 9
. = 32432 32000

. = 432


2
= . .
=1 =1

= (45)2 + (46)2 + (49)2 + (44)2 + (35)2 + + (41)2 32000

= 32464 32000

= 464

. = .

. = 464 432

. = 32

ANVA

F.V. G.L. S.C. C.M. Fc Ft

Tratamientos 3 432 144 72 3.24(0.05) 5.29(0.01)

MC. Sergio Snchez Martnez 24


Error 16 32 2

Total 12 464

Como Fc > Ft (0.05, 0.01) se rechaza H0.

Por lo tanto si existe diferencia entre tratamientos.

Posteriormente se har el anlisis adecuado para conocer cual o cuales de los


tratamientos son los mejores.


. . =
..

2
. . = 100
40
. . = 3.53

2.8 SUBMUESTREO EN UN DISEO COMPLETAMENTE AL AZAR.

En ciertas situaciones, debido a falta de recursos econmicos, falta de tiempo o por


razones de tipo prctico las u.e. nos son evaluadas completamente sino dentro de
ellas se hace un submuestreo. Es decir, seleccionar al azar varios cuadrados por
u.e. en cada cuadro seleccionado.

2.8.1 MODELO ESTADISTICO

= 1, 2, 3, ,
= 1, 2, 3, ,
= + + + , = 1, 2, 3,
~(0, 2 )
~(0, 2 )

Donde

MC. Sergio Snchez Martnez 25


Representa la k-sima observacin hecha en la j-sima repeticin del
tratamiento i-simo.

: Efecto o media general.

Efecto del i-simo tratamiento.

Efecto del error experimental en la j-sima repeticin del i-simo tratamiento.

Efecto de la k-sima muestra tomada de la j-sima repeticin del i-simo


tratamiento.

2.8.2 CUADRO DE CONCENTRACION DE DATOS


Repeticiones
Tratamientos .
I II III r

1 12 1 13 1 1 1 1 . 1

11 2 12 2 13 2 1 2 1 . 2

T1

11 12 13 1 1 .

MC. Sergio Snchez Martnez 26


. 11 . 12 . 13 . 1 . 1 . .

11 21 31 1 .1

12 22 32 2 .2

1 2 3 .

. 1. 2. 3. . . .

. . .

2.8.3 ANALISIS DE VARIANZA

F. V. G. L. S. C. C. M. Fc


Tratamientos t-1 ..2
. . 1

=1


Error Exp. (EE) n-t 2
.
. .

=1 =1

Error de nm-n
muestreo (EM)


Total nm-1
2
. .
=1 =1 =1

Donde: n=r t,

. . =

2.8.4 HIPOTESIS Y REGLA DE DECISION

Aqu el propsito principal seguir siendo el detectar las significancias entre


tratamientos para lo cual se deber plantear una hiptesis, que ser elegida de
acuerdo a la regla de decisin antes mencionada.

MC. Sergio Snchez Martnez 27


0 : =

1 :
Obsrvese: que existe una Fc para los errores, la cual nos da una idea del
comportamiento de nuestro error de muestreo, ya que si Fc para el error es grande,
esto implica que nuestro error de muestreo fue pequeo, en caso contrario, nuestro
error de muestreo es grande.

EJEMPLO 2.5 Un agrnomo efecto un ensayo de campo para comparar los


efectos relativos de 4 fertilizantes, respecto al rendimiento de la soya (Glycine max).
Se dispona de 20 parcelas experimentales homogneas y al azar se asignaron 5 a
cada tratamiento. Al tiempo de cosecha se tomaron 3 cuadros muestra (al azar) de
cada parcela experimental y se obtuvo el rendimiento de los 60 cuadros, los datos
son como siguen:

Repeticiones

Tratamientos I II III IV V

27 6 19 13 28

1 16 8 19 26 15

8 10 23 8 28

. 51 24 61 47 71 1 . . = 254

37 24 37 54 41

MC. Sergio Snchez Martnez 28


2 42 48 41 27 40

36 44 41 49 65

. 115 116 119 130 146 2 . . = 626

75 72 71 85 58

3 70 69 62 65 69

69 86 78 63 75

. 214 227 211 213 202 3 . . = 1067

82 76 82 83 79

4 68 69 73 70 67

89 86 78 85 83

. 239 231 233 238 229 4 . . = 1170

. . . = 3117

Note que: m=3, n = tr =(4)(5) = 20

Construyendo el ANVA

(. . . )2 (3117)2
. . = = = 161928.15
(3)(20)

2. .
= . .

=1

(254)2 + (626)2 + (1067)2 + (1170)2


= 161928.15
(5)(3)

= 197585.4 161928.15

= 35657.25

2
.
= . .

=1 =1

MC. Sergio Snchez Martnez 29


(51)2 + (24)2 + + (238)2 +(229)2
= 35657.25 161928.15
3
= 774.93


2
= . .
=1 =1 =1

= (27)2 + (6)2 + + (85)2 + (83)2 161928.15

= 39538.85

= 39538.85 35657.25 774.93

= 3106.67

ANVA

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

Tratamientos 3 35657.25 11885.75 245.42 3.24 5.29

Error Exp. 16 774.93 48.43 0.623 1.92 2.52

MC. Sergio Snchez Martnez 30


Error de 40 3106.67 77.66
Muest.

Total 59 39538.85

Conclusin: Los tratamientos producen efectos distintos y la diferencia entre las


medias de los tratamientos es altamente significativa. Adems , se puede decir que
hubo un error grande de muestreo.

CAPITULO III

CONTRASTES ORTOGONALES Y COMPARACIONES MULTIPLES DE MEDIAS.

MC. Sergio Snchez Martnez 31


3.1 INTRODUCCION.

Una vez que el ANVA para probar la hiptesis 0 : = se ha completado, se


tendrn dos alternativas:

i) Si la H0 no se rechaza, aqu termina el anlisis, diciendo no hay diferencia


significativa entre tratamientos al nivel de significancia usado.
ii) Si el ANVA llega a la conclusin de rechazar la H0, se considera que hay
diferencias entre las medias de los tratamientos. Sin embargo, esta
consideracin no dice como son esas diferencias ya que se podra tener
1 = 2 = = 1 y 1 o bien 1 = 2 , 2 3 = 4 = , etc. O
sea hay un nmero muy grande de formas en las cuales la H0 se rechaza.
Entonces el siguiente paso del anlisis est encaminado a saber en que
radican las diferencias entre los tratamientos. Esto se puede hacer
bsicamente de dos maneras, por contrastes ortogonales o bien por
comparaciones mltiples de medias.

3.2 CONTRASTES ORTOGONALES.

Es una prueba de comparacin de los totales o medias de tratamiento que nos


ayuda a contestar preguntas especificas sobre el comportamiento de los mismos.
El mtodo consiste en descomponer los grados de libertad y la suma de cuadrados
para los tratamientos.

Definicin 3.1 Cualquier combinacin lineal de los efectos de tratamiento.


1 1 + 2 2 + + = =
=1

Se le conoce como contraste si


= 0
=1

Definicin 3.2 Se dice que los dos contrastes:

MC. Sergio Snchez Martnez 32


1 = 11 1 + 12 2 + + 1

2 = 21 1 + 22 2 + + 2

Son ortogonales si

11 21 + 12 22 + + 1 2 = 0

En un modelo de diseo de experimentos con t tratamientos, se pueden encontrar


t-1 contrastes ortogonales y para cada contraste un grado de libertad.

Prueba de los contrastes

i) Calcular

(=1 . )2
=
=1 2
Donde

Yi. : es el total del i-simo tratamiento

r : Nmero de repeticiones

: Coeficientes escogidos de antemano para cumplir una funcin de comparacin


y debern respetar la definicin 1 y 2.


ii) > ,1 . ,

Rechazamos la H0: Ci=0

Ejemplo 3.1. En un experimento de invernadero se utilizaron 4 tratamientos con


el fin de medir el rendimiento en tomate. Los tratamientos fueron:

T1: Se aplic una hormona tipo I

T2: Se aplic una hormona tipo II

T3: Se aplicaron ambas hormonas

T4: No se aplic ninguna hormona

MC. Sergio Snchez Martnez 33


Obtenindose los siguientes datos:

Repeticiones

Tratamientos I II III IV Total

T1 83 68 72 75 298

T2 67 40 46 52 205

T3 101 93 93 96 383

T4 29 45 51 42 167

El ANVA quedara como se muestra en la tabla siguiente:

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

Tratamiento 3 7051.18 2350.39 34.17 3.49 5.95

Error 12 825.25 68.77

Total 15 7876.43

Por lo que concluimos que existe uno o varios tratamientos mejores que los
dems.

Por otro lado, se tiene inters en hacer las siguientes comparaciones:

i) En promedio las hormonas tienen algn efecto sobre el rendimiento?


1 + 2 + 3
0 : = 4 1 + 2 + 3 34 = 0
3
ii) Existe ms rendimiento si se aplican las dos hormonas al mismo tiempo
o una a la vez?
1 + 2
0 : 3 = 1 + 2 23 = 0
2
iii) Difieren las hormonas I y II en el efecto que producen?
0 : 1 = 2 1 2 = 0

MC. Sergio Snchez Martnez 34


Observacin 3.1 Si en un contraste, algunos de los tratamientos no
interviene en la comparacin, su coeficiente se toma como cero.

Una forma fcil de hallar la S,C. de los contrastes es tabulando de la siguiente


manera:

1. 2. 3. 4. 2
(=1 . )2
2
Contrastes 298 205 383 167 ( . ) =1 2
=1 =1
1 = 1 + 2 + 3 1 1 1 -3 148225 48 3088.02
34
2 = 1 + 2 23 1 1 -2 0 69169 24 2882.04

3 = 1 2 1 -1 0 0 8649 8 1081.12

4 2

1 : ( . ) = [1(298) + 1(205) + 1(383) 3(167)]2 = 148225


=1

4 2

2 : ( . ) = [1(298) + 1(205) 2(383) + 0(167)]2 = 69169


=1

4 2

3 : ( ) = [1(298) 1(205) + 0(383) + 0(167)]2 = 8649


=1

1 : 2 = 4[(1)2 + (1)2 + (1)2 + (3)2 ] = 4(12) = 48


=1

2 : 2 = 4[(1)2 + (1)2 + (2)2 + 0] = 4(6) = 24


=1

3 : 2 = 4[(1)2 + (1)2 + 0 + 0] = 4(2) = 8


=1

Todo lo anterior se resume en el ANVA descompuesto para tratamientos.

Ft

MC. Sergio Snchez Martnez 35


F.V. G.L. S.C. C.M. Fc 0.05 0.01

Tratamientos 3 7051.18 2350.39 34.17 3.49 5.95

C1 1 3088.02 3088.02 44.90 4.75 9.33

C2 1 2882.04 2882.04 41.90 4.75 9.33

C3 1 1081.12 1081.12 15.72 4.75 9.33

Error 12 825.25 68.77

Total 15 7876.43

Conclusin: En promedio las hormonas tienen efecto sobre la productividad del


tomate. Existe ms rendimiento cuando se aplican juntas. Adems, se distingue
diferencia entre hormonas.

Observacin 3.2 En un diseo completamente al azar con submuestreo, la

(=1 .. )2
=
=1 2

Ejemplo 3.2 Utilizando los totales de cada tratamiento del ejemplo 2.5, se puede
tener inters en hacer las siguientes comparaciones.

MC. Sergio Snchez Martnez 36


Contraste Hiptesis

0 : 2 = 3 2 3

C1 1 : 2 3 2 3

0 : 1 = 4 1 4

C2 1 : 1 4 1 4

(2 +3 )
0 : 2
(1 +4 )
= 2 3 1 4
C3 2

(2 +3 ) (1 +4 )
1 : 2
2
2 3 1 4

(2 +3 +4 )
0 : 1 = 3
1 2, 3 4

C4 1 : 1
(2 +3 +4 )
3
1 2, 3 4

Encontrando la
(=1 .. )2
=
=1 2

1.. 2.. 3.. 4.. (4=1 .. )2


=
=1 2
Contraste 254 626 1067 1170

1 2 = 3 0 1 -1 0 6482.70

2 : 1 = 4 1 0 0 -1 27968.53
2 3 1 4 1 1 1 1
3 + 1206.01
2 2 2 2 2 2 2 2

2 3 4 1 1 1
4 : 1 1 No es ortogonal
3 3 3
3 3 3

4 2

1 : ( .. ) = [0(254) + 1(626) + 1(1067) + 0(1170)]2 = 194481


=1

MC. Sergio Snchez Martnez 37


4 2

2 : ( .. ) = [1(254) + 0(626) + 0(1067) 1(1170)]2 = 839056


=1

4 2
1 1 1 1 2
3 : ( .. ) = [2 (254) + 2 (626) + 2 (1067) 2 (1170)] = 18090.25
=1

1 : 2 = (5)(3)[(12 ) + (12 )] = 30
=1

2 : 2 = (5)(3)[(12 ) + (12 )] = 30
=1

4
1 2 1 2 1 2 1 2
3 : 2 = (5)(3) [(2) + (2) + (2) + (2) ] = 15
=1

Asi,

(4=1 .. )2 194481
1 : = = 6482.7
4=1 2 30

(4=1 .. )2 839056
2 : = = 27968.53
4=1 2 30

(4=1 .. )2 18090.25
3 : = = 1206.01
4=1 2 15

MC. Sergio Snchez Martnez 38


ANVA

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

Tratamientos 3 35657.25 11885.75 245.42 3.24 5.29

C1 1 6482.70 6482.70 133.85 4.49 8.53

C2 1 27968.53 27968.53 577.50 4.49 8.53

C3 1 1206.01 1206.01 24.90 4.49 8.53

Error 16 774.93 48.43 0.623 1.92 2.52


Experim.

Error de 40 3106.67 77.66


muestreo

Total 59 39538.85

Conclusin

Existe diferencia significativa entre tratamientos 2 y 3, y tratamientos 1 y 4.

Adems, en promedio, el tratamiento 2 y 3 es diferente a los tratamientos 1 y 4.

3.3 COMPARACIONES MULTIPLES DE MEDIAS.

Frecuentemente una de las decisiones que se hacen en la investigacin es que


una media de tratamiento es diferente de una o ms medias. El mecanismo
mediante el cual se logra este objetivo se conoce como mtodos de
comparaciones mltiples de medias.

Un aspecto importante de este problema es que el investigador alcanza su


propsito con una probabilidad especifica, de que todas las comparaciones
hechas darn respuestas concretas. Los mtodos de comparacin mltiple,
comnmente incluyen a los siguientes:

MC. Sergio Snchez Martnez 39


3.3.1 Diferencia mnima significativa

3.3.2 Mtodo de Duncan

3.3.3 Mtodo de tukey

3.3.4 Mtodo de scheffe

3.3.1 Diferencia mnima Significativa (DMS)

Esta tcnica se aplica cuando se comparan medias adyacentes en un arreglo


ordenado por magnitud o si antes de los resultados se sealan algunas
comparaciones.

La ventaja de esta prueba es que resulta fcil de calcular, pero tiene la desventaja
que puede fallar cuando se prueban todas las posibles diferencias entre diversas
medias.

Procedimiento de prueba.

i) Calcular la DMS
2
= (, .. ) 2

donde,
(, .. ) : Valor de t-student
S2 : cuadrado medio del error
r : nmero de repeticiones

ii) Ordenar las medias de tratamientos por su magnitud creciente o


decreciente, si no se han sealado las diferencias a probarse con la DMS.
iii) Si ocurre que |. . | > , se declara la diferencia diferente de cero,
es decir . .
Pero si |. . | , no se rechaza que . = .

Ejemplo 3.3 Aplicando la prueba DMS al ejemplo 3.1 tenemos:



1. = 74.5
2. = 51.25
3. = 95.75
4. = 41.75

MC. Sergio Snchez Martnez 40


Ordenando las medias

3. 1. 2. 4.
95.75 74.5 51.25 41.75

2(68.77)
= (0.05,12) 4 = 2.17 (5.86) = 12.77

Comparando

|3. 1. | = |95.75 74.5| = 21.25 > = 12.77


|1. 2. | = |74.5 51.25| = 23.25 > = 12.77
|3. 4. | = |51.25 41.75| = 9.5 < = 12.77

Resumiendo

Tratamiento Media

T3 95.75 a

T1 74.5 b

T2 51.25 c

T4 41.75 c

Obsrvese como las medias estadsticamente iguales se identifican con la misma


letra.

Conclusin.

El tratamiento T3 es el mejor, independientemente del anlisis econmico.

Observacin 3.3 Para comparar dos medias basadas en un nmero desigual de


observaciones aplicamos la formula siguiente:

2 2
= (, ..) +

Donde ri y rk es el nmero de observaciones usadas en calcular cada media


muestral . .

Ejemplo 3.4 Aplicando la prueba a los datos del ejemplo 2.3, tendramos:

MC. Sergio Snchez Martnez 41


Medias No. de repeticiones

1. = 2.49 4

2. = 2.05 3

3. = 2.52 2

4. = 4.59 2

5. = 2.32 2

Ordenando

4. 3. 1. 5. 2.
4.59 2.52 2.49 2.32 2.05

0.29 0.29
(4 3 ) = (0.05, 8) 2
+ 2 = (2.30)(0.53) = 1.23

0.29 0.29
(3 1 ) = (0.05, 8) 2
+ 4
= (2.30)(0.46) = 1.058

0.29 0.29
(1 5 ) = (0.05, 8) 4
+ 2
= (2.30)(0.46) = 1.058

0.29 0.29
(5 2 ) = (0.05, 8) 2
+ 3 = (2.30)(0.49) = 1.13

Comparando

|4. 3. | = |4.59 2.52| = 2.07 > = 1.23

|3. 1. | = |2.52 2.49| = 0.03 < = 1.05

|1. 5. | = |2.49 2.32| = 0.17 < = 1.05

|5. 2. | = |2.32 2.05| = 0.27 < = 1.13

Resumiendo

MC. Sergio Snchez Martnez 42


Tratamiento Media

T4 4.59 a

T3 2.52 b

T1 2.49 b

T5 2.32 b

T2 2.05 b

Conclusin:

Los tratamientos T1, T2, T3 y T5 son estadsticamente iguales. Faltando tomar en


cuenta el anlisis econmico para decidir cual debemos escoger.

Observacin 3.4 Para comparar medias en un diseo completamente al azar con


submuestreo, se aplica la siguiente frmula:

2 2
= (, .. .)

En el caso de igual nmero de muestras por u.e.

3.3.2 Mtodo de Duncan

Esta tcnica se conoce tambin como prueba de t mltiple, por que usa un valor de
t tabulado por Duncan para cada una de las comparaciones de medias adyacentes.

La ventaja de la prueba consiste en el hecho de que no necesita que el valor de F


sea significativo para poder usarla, es una prueba que permite comparar todas las
medias entre si, sin restricciones.

Procedimiento de prueba.

i) Calcular el = (, , . . )

MC. Sergio Snchez Martnez 43


Donde

(, , . . ): Valor obtenido de la tabla de Duncan


: Nivel de significancia
M: Nmero de medias a comparar
g.l. : Grados de libertad del error

2
= : Error estndar de la media

Con los g. l. del error se va a la tabla de Duncan y con ella se buscan los valores de
(, , . . ) para 2, 3, 4, etc. (nmero de medias a comparar) hasta el nmero t
de tratamientos del experimento, correspondientes al nivel 5% o 1% segn la
exigencia que se le quiere dar a la prueba.

ii) Ordenar las medias de los tratamientos por su magnitud creciente o


decreciente. Enseguida hacer un listado de todas las diferencias y probar.
Dos medias son consideradas diferentes si su diferencia es mayor que la
RMS. En caso contrario, deben ser consideradas estadsticamente
iguales.

EJEMPLO 3.5 Aplicando la prueba de Duncan a los datos del ejemplo 2.1,
tenemos.

Medias

1. = 72.04

2. = 43.85

3. = 70.79

4. = 55.99

Datos

Cuadrado medio del error = 12.51

Grados de libertad del error = 12

Nmero de tratamientos = 4

MC. Sergio Snchez Martnez 44


Nmero de repeticiones = 4

Con los datos, al nivel de significancia del 5%, encontramos:

M 2 3 4

(, , . ) 3.08 3.23 3.33

2 1.76 1.76 1.76


=

= (, , . . ) 5.24 5.68 5.86

Las diferencias observadas son:

1. 3. 4. 2.

72.04 70.79 55.99 43.85

2. 43.85 28.19(*) 26.94(*) 12.14(*) 0

5.86 5.68 5.42

4. 55.99 16.05(*) 14.8(*) 0

5.68 5.42

3. 70.79 1.25 0

5.42

1. 72.04 0

Obsrvese que las medias marcadas con un asterisco (*) son significativas, es decir
que hay diferencia entre ellas.

Finalmente, se puede hacer el siguiente resumen: cualquier par de medias


subrayadas por la misma lnea son estadsticamente iguales, o la diferencia entre
ellas es no significativa. Cuando dos medias no estn subrayadas por la misma
lnea, la diferencia entre ellas es significativa:

MC. Sergio Snchez Martnez 45


1. 3. 4. 2.

72.04 70.79 55.99 43.85

________________

_________

________

Conclusin:

Los tratamientos T1 y T3 son los mejores, en base a cuestiones econmicas se


decide cual escoger.

Observacin 3.5 en caso de que se tengan diferentes repeticiones por tratamiento,


utilice.

1 2
2
= 2 ( + )

3.3.3 METODO DE TUKEY

Esta prueba es usada para hacer todas las comparaciones mltiples que son
posibles con t tratamientos y es vlida cuando las repeticiones estn completas.

Procedimiento de prueba

a) Calcular la = ( ,,..)

Donde:

( ,,..) : Valor tabular de Tukey, que se encuentra en las tablas con el nmero
de tratamientos (T) los grados de libertad del error (g.l.) y el nivel de significancia
() apropiado.

2
= : Error estndar de la media.

(1)
b) Hallar todas las comparaciones posibles con t tratamientos, que son 2
,
poniendo las medias en orden creciente o decreciente y se resta de la media

MC. Sergio Snchez Martnez 46


mayor todas las dems medias y as sucesivamente hasta que se terminen,
si estas diferencias de medias son mayores que la DMSH (diferencia mnima
significativa honesta), se dice que las medias son significativas, en caso
contrario son no significativas.

Ejemplo 3.6 vase el desarrollo del mtodo con los datos de ejemplo 2.1.

El valor = (, , ..)
= (4.20)(1.76)
= 7.392
Para encontrar las diferencias entre todas las medias, hacer el artificio de la
tabla siguiente:

1. 3. 4. 2.

72.04 70.79 55.99 43.85

2. 43.85 28.19(*) 26.94(*) 21.40(*) 0

4. 55.99 16.05(*) 14.80(*) 0

3. 70.79 1.25 0

1. 72.04 0

DMSH=7.392

Resumiendo
1. 3. 4. 2.

72.04 70.79 55.99 43.85

___________________

__________

__________

Conclusin:
Los tratamientos T1 y T3 siguen siendo los mejores, faltando tomar en cuenta
el aspecto econmico para decidir cual escoger

MC. Sergio Snchez Martnez 47


3.3.4 METODO DE SCHEFFE
Se considera la prueba ms estricta, con la ventaja de fcil aplicacin puesto
que utiliza los valores de la tabla de F. en contraste con las comparaciones
mltiples basadas en rango estudentizado ste es un mtodo exacto para
medias provenientes ya sea de muestras de igual o no tamao y para medias
que han sido ajustadas por covarianza.

Procedimiento de prueba.
2 2
i) Calcular = ()( 1)( 2 ) (1+2+)
Donde
F: valor tabular de F para el nmero de grados de libertad de
tratamientos y del error.
(t-1): grados de libertad de tratamientos
R: Nmero de repeticiones por tratamiento
S2: Cuadrado medio del error
Ci: coeficientes de los contrastes.

ii) Si las diferencias de medias son mayores que la ALSS (amplitud


limite de significancia de Scheffe), se dice que las medias son
significativas, en caso contrario son no significativas.

EJEMPLO 3.6 Se analizarn los datos del ejemplo 2.1.

r=4; t=4; S2=12.51; g.l. error=12

Calculando

12 2
= (3.49)(3)(12.51) ( 4 +14 ) = 8.09
Arreglando las medias en orden creciente o decreciente y para fcil
entendimiento se colocan de la siguiente manera para encontrar sus
diferencias.

MC. Sergio Snchez Martnez 48


1. 3. 4. 2.

72.04 70.79 55.99 43.85

2. 43.85 28.19(*) 26.94(*) 12.14(*) 0

4. 55.99 16.05(*) 14.80(*) 0

3. 70.79 1.25 0

1. 72.04 0

Aplicando la regla de subrayar medias de tratamientos iguales, se


tiene:

1. 3. 4. 2.

72.04 70.79 55.99 43.85

_________________

_________

__________

Conclusin
Los tratamientos T1 y T3 siguen siendo los mejores.

MC. Sergio Snchez Martnez 49


CAPITULO IV

DISEO DE BLOQUES AL AZAR

4.1 INTRODUCCION.

Este es uno de los diseos ms utilizados en experimentos de campo. Su objetivo


es agrupar las u.e. en bloques uniformes, de tal manera que la variabilidad entre
u.e. sea mnima, aun cuando la variacin entre bloques sea alta. La introduccin de
esta idea permite reducir la magnitud de los errores experimentales () y la de
impartir normalidad a los mismos. Por este motivo resulta ms eficaz que el Diseo
Completamente al Azar; aunque esto no es cierto si es que no hay diferencias reales
entre los bloques.

4.2 ALGUNAS VENTAJAS.


i) Al responder todas las u.e. de cada bloque a un nivel diferente de una
fuente de variabilidad, esto permite eliminar de la variabilidad total
existente en todas las u.e., aquella variabilidad debida a dicha fuente.
Trayendo consigo una mejor estimacin de los efectos de los
tratamientos.

ii) Flexibilidad. No hay restricciones en el nmero de bloques o tratamientos.


Por lo menos se requieren dos bloques (excepto en ciertos casos de
factoriales) para eliminar 2

4.3 ALGUNAS DESVENATJAS.

i) La principal desventaja del diseo radica en que no es apropiado para


un elevado nmero de tratamientos, debido a que aumenta el tamao
del bloque y como consecuencia aumenta la variabilidad dentro de cada
bloque y por lo tanto el error experimental.

ii) Cuando faltan los datos de algunas u.e. separadas la tcnica de parcela
perdida, desarrollada por Yates, permite que los resultados disponibles

MC. Sergio Snchez Martnez 50


se utilicen completamente. Esto implica, sin embargo, una labor
adicional de clculo y si las fallas son numerosas, el diseo es menos
conveniente a este respecto que el Diseo Completamente al Azar.

4.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS u.e.

Para distribuir los tratamientos a las u.e. se deben realizar los siguientes pasos:

i) Dividir el bloque en tantas u.e. como tratamientos se quieran


estudiar. Cada tratamiento debe aparecer una sola vez en cada
bloque.

ii) Sortear independientemente, en cada bloque, los tratamientos.

iii) Cuando se conoce el gradiente de la variabilidad, en cuyo caso


los bloques deben orientarse perpendicularmente al gradiente y
las u.e. deben tener su mayor dimensin en la misma direccin
que dicho gradiente.

Ejemplo 4.1 se van a comparar 5 variedades de pepino (A, B, C, D, E) con respecto


a sus rendimientos, disponindose para tal efecto de 30 parcelas experimentales.
Sin embargo, existen evidencias de que existe una tendencia en la fertilidad de
oeste a este, siendo ms frtiles las parcelas del este. De acuerdo con esto, parece
razonable agrupar a las parcelas en 6 bloques de 5 parcelas cada uno. Se
asignaran al azar las 5 variedades a las parcelas dentro de cada bloque. As, se
puede tener la siguiente distribucin:

MC. Sergio Snchez Martnez 51


- Gradiente de fertilidad +

1 A 6 D 11 A 16 C 21 A 26 B
2 C 7 B 12 E 17 A 22 E 27 D
3 D 8 E 13 C 18 E 23 D 28 A O P

4 B 9 C 14 B 19 B 24 C 29 C
5 E 10 A 15 D 20 D 25 B 30 E

I II III IV V VI S

4.5 CUADRO DE CONCENTRACION DE DATOS.

La notacin que usaremos para identificar a las respuestas es la misma que en el


diseo anterior. es la respuesta en la j-sima repeticin del tratamiento i-simo.
El ndice i puede tomar cualquier valor entre 1 y t, pero en este caso j siempre toma
valores entre 1 y r, independientemente del valor de i, ya que todos los tratamientos
tienen el mismo nmero de repeticiones. En la tabla siguiente se presenta la
estructura de los datos para este diseo.

Tratamientos Bloques Totales de Medias de tratamiento


I II r tratamiento

T1 11 12 1. 1. = 1.


T2 21 22 2 2. 2. = 2.



Tt 1 2 . . = .

Totales de .1 .2 . . . gran total . . = . . Media gral.


bloques

Donde,

MC. Sergio Snchez Martnez 52


. =
=1

. =
=1

. . = . = .
=1 =1

4.6 MODELO ESTADISTICO.

En un diseo experimental en bloques al azar el modelo lineal supuesto es:


= 1, 2, ,
= + + + ,
= 1, 2, ,
Donde las componentes de la ecuacin representan:

:
:
:
:
: .

Las suposiciones distribucionales pueden resumirse a travs de los escribiendo:

~(0, 2 )

De donde puede verse que la homogeneidad de varianzas tambin juega un papel


importante en este diseo.

4.7 ANALISIS DE VARIANZA PARA EL DISEO.

En el diseo de bloques al azar, la variacin total es dividida en variacin entre


bloques, variacin entre u.e. por efecto de los tratamientos (si es que existe), y
variacin en las u.e. esta estima el error experimental y su valor depender de la
variacin natural de dicha u.e. y de su manejo.

Lo anterior se resume en la tabla siguiente:

MC. Sergio Snchez Martnez 53


F.V. G.L S.C. C.M. Fc

Bloques 1 2 2
. . .



=1
Tratamientos 1 . .
2 2
.
. . 1

=1
Error ( 1)( 1) .
( 1)( 1)

total 1 . 2.
2

=1 =1

Debe notarse que en la tabla se muestra nicamente los cuadrados medios de


tratamientos y del error. La razn es, tal como indica Anderson V.L. (1970)
Biometrics 26:255-268, que los efectos de bloqueo no son estimables ya que cada
bloque aparece una sola vez, entonces no tiene varias observaciones que la
contengan (las observaciones dentro de un bloque no son repeticiones del bloque
ya que son internas en l).

Por otro lado, el anlisis del modelo = + + + tiene la finalidad de


comparar los efectos de los tratamientos. Para ese fin se propone la hiptesis nula:
0 1 = 2 = = . Dado que las alternativas a la hiptesis nula (igualdad de
tratamientos) son mltiples, la hiptesis alternativa se enuncia como sigue: H 1 : al
menos un es distinto de los dems. Y la regla de decisin consiste en rechazar
H0 si Fc> Ft, tal como lo hemos sealado varias veces.

variedades Bloques Total de Medias de


I II III IV V VI tratamiento tratamiento

A 42 46 38 41 36 39 242 40.33

B 32 38 31 30 33 34 198 33.00

C 25 32 28 26 22 27 160 26.66

D 18 20 26 24 26 22 136 22.66

E 35 42 46 40 41 39 243 40.50

Total de 152 178 169 161 158 161 = 979 = 32.63


bloques

MC. Sergio Snchez Martnez 54


Se desea probar la siguiente hiptesis:
H0: No existe diferencia entre tratamientos
H1: al menos un tratamiento es diferente de los dems.

Construyendo el ANVA

..2 (979)2
. . = = = 31948.03
30

6
.2
= . .

=1
(152)2 + (178)2 + (169)2 + (161)2 + (158)2 + (161)2
= 31948.03
5
= 32031 31948.03
= 82.97

5
.2
. = . .

=1
(242)2 + (198)2 + (160)2 + (136)2 + (243)2
. = 31948.03
6
. = 33485.5 31948.03
. = 1537.47

5 6

= 2 . .
=1 =1
= (42)2 + (46)2 + + (41)2 + (39)2 31948.03
= 1812.97

= .
= 1812.97 1537.47 82.97
= 192.53

ANVA

MC. Sergio Snchez Martnez 55


Ft
F.V. G.L. S.C. C.M. Fc
0.05 0.01

Bloques 5 82.97 16.594

Tratamientos 4 1537.47 384.36 39.95 2.87 4.43

Error 20 192.53 9.62

Total 29 1812.97

El valor Fc permite rechazar la hiptesis nula. Concluyendo, que al menos una


variedad tiene diferente rendimiento que las otras.

Ahora, las pruebas de comparaciones mltiples de medias o contrastes ortogonales


permitirn establecer la superioridad estadstica de una variedad sobre otras.

Aplicando la prueba de Duncan y Scheffe para comparar su exigencia, se llega al


siguiente resultado.

Tratamiento E A B C D Prueba

Media 40.5 40.33 33.00 26.66 22.66

__________ Duncan

____

____

____

__________ Scheffe

____

___________

Conclusin:

MC. Sergio Snchez Martnez 56


Las variedades E y A son las mejores, independiente del anlisis econmico.

Observacin 4.1 Si se tiene inters en hacer comparaciones con la tcnica de


contrastes, siga la metodologa 3.2 donde la

(=1 . )2
=
=1 2

4.8 ESTIMACION DE PARCELAS PERDIDAS.

Cuando se usa el diseo completamente al azar, la perdida de una u.e. no afecta el


procedimiento de clculo. Con el diseo de bloques al azar, puede darse el caso
que un ataque de hongos, insectos, pjaros, etc., haya destruido una parcela
completa, o que en un ensayo con animales, uno de ellos haya muerto. Para tales
casos, es necesario estimar el valor faltante, antes de aplicar al ANVA.

Se pueden presentar los siguientes casos:

MC. Sergio Snchez Martnez 57


Casos Croquis Ecuacin para estimar el valor faltante Observaciones

Cuando falta un I II III = ( + )( 1)( 1), A los grados de


dato R=Nm. de bloques; t=Nm. de tratamientos. libertad del error y
1 . . . total se le disminuye
B=Total de observaciones presentes en el bloque
2 Y T que falta y uno.
. .
T=Total de observaciones presentes en el
3 . . . tratamiento que falta y
G=Total de las observaciones presentes.
B

Cuando faltan I II III 1 = [1,2 + ( 1)1 + 2 ]( 2)( 1) A los grados de


dos datos en el 2 = [1,2 + ( 1)2 + 1 ]( 2)( 1) libertad del error y
mismo 1 Y1 . Y2 1,2 total se le
T1,2=suma de las observaciones del tratamiento
tratamiento 2 donde faltan y1 y y2. disminuyen dos.
. . .
B1=suma de las observaciones presentes en el
3 . . . bloque que falta y1
B1 B2 B2=suma de las observaciones presentes en el
bloque que falta y2
Cuando faltan I II III 1 = [1,2 + ( 1)1 + 2 ]( 1)( 2) A los grados de
dos datos en el 2 = [1,2 + ( 1)2 + 1 ]( 1)( 2) libertad del error y
mismo bloque 1 . Y1 . T1 total se le
B1,2=suma de las observaciones del bloque donde
pero en 2 disminuyen dos.
. . . falta y1 y y2
diferente T1=suma de las observaciones presentes en el
tratamiento 3 . Y2 . T2
tratamiento que falta y1
1,2 T2= suma de las observaciones presentes en el
tratamiento que falta y2

MC. Sergio Snchez Martnez 58


Cuando faltan I II III = ( 1)( 1); 1 = 1 + 1 ; A los grados de
dos datos en 2 = 2 + 2 ; : libertad del error y el
diferente 1 Y1 . . T1 1 2 2 1 total se le
1 = , 2 =
bloque y en 2 2 1 2 1 disminuyen dos
. . .
diferente
tratamiento 3 . Y2 . T2

B1 B2

MC. Sergio Snchez Martnez 59


Observacin 4.2 La suma de cuadrados de tratamientos resulta sesgada en una
cantidad
[ ( 1)]2
( 1)
Cuando se estima un valor faltante.
As que se le debe restar al mismo, y a continuacin efectuar la prueba de F.

Observacin 4.3 El error estndar de la diferencia entre la media del tratamiento


que contiene el dato perdido y la media de cualquier otro tratamiento es:

1 1
= 2 (1 + 0.5)
Donde, (r-1) son las repeticiones vlidas del tratamiento que ha perdido la unidad y
(r-0.5) son las del tratamiento con el que se compara.

Ejemplo 4.3 La tabla siguiente, da el contenido de aceite de semillas de lino


inoculadas en diferentes estados de crecimiento con Septoria linicola.

Repeticiones
Tratamientos
I II III IV

Plntula 4.4 5.9 6.0 4.1

Florecimiento Y1 1.9 4.9 7.1 T1=13.9


temprano
Florecimiento 4.4 4.0 4.5 3.1
completo
Florecimiento 6.8 6.6 Y2 6.4 T2=19.8
completo (1/100)
Maduracin 6.3 4.9 5.9 7.1

Sin inocular 6.4 7.3 7.7 6.7

B1=28.3 B2=29 G=122.4

Obsrvese que los dos valores que faltan (y1, y2) estn en bloques diferentes as
como en tratamientos diferentes. Por lo tanto, los clculos para encontrar sus
valores estimados son como sigue:

= ( 1)( 1) = (6 1)(4 1) = 15
1 = 1 + 1 = (4)(28.3) + (6)(13.9) 122.4 = 74.2
2 = 2 + 2 = (4)(29.0) + (6)(19.8) 122.4 = 112.4

MC. Sergio Snchez Martnez 60


1 2 (15)(74.2) 112.4
1 = = = 4.46
2 1 152 1

2 1 (15)(112.4) 74.2
2 = = = 7.19
2 1 152 1

Al pretender hallar , debe tenerse presente la siguiente regla que da el nmero


de repeticiones efectivo para cada tratamiento. Consideremos para esto que los
tratamientos sean florecimiento temprano y florecimiento completo (1/100); se
cuenta una repeticin a favor del tratamiento florecimiento temprano en aquellos
bloques en que ambos tratamientos no tienen ninguna unidad perdida, tal como
sucede en los bloques II y IV, en cambio se cuenta de repeticin a favor del
tratamiento florecimiento temprano en aquellos bloques en que ste no tiene
perdidas pero si florecimiento completo (1/100), tal como sucede en el bloque III; y
no se cuenta ninguna repeticin a favor de florecimiento temprano en aquellos
bloques en que este tratamiento ha perdido su unidad.
La misma regla rige para el tratamiento florecimiento completo (1/100). Asi para
la comparacin de los tratamientos antes mencionados es:

1 1
= 2 (2.5 + 2.5)

Aplicando la misma regla tenemos que para la comparacin de florecimiento


temprano y plntula es:

= 2 (13+3.5
1
)
Y para la comparacin de plntula y maduracin, ambos sin parcelas perdidas, es:

= 2 (14+14)

4.9 SUBMUESTREO EN UN DISEO EN BLOQUES AL AZAR.

Cuando se emplea el submuestreo en un diseo en bloques al azar, el modelo


adecuado es

= + + + +

MC. Sergio Snchez Martnez 61


= 1, 2, ,
= 1, 2, ,
= 1, 2, ,
~ (0, 2 )
~ (0, 2 )

Donde:


:




.

4.9.1 Cuadro de concentracin de datos

La concentracin de datos se realiza en forma similar a la que hemos visto en la


seccin 3.8, con la diferencia de que hay que calcular la
.. = 1. + 2. + + .

.. = .
=1

MC. Sergio Snchez Martnez 62


ANVA
F.V. G.L. S.C. C.M. Fc

Bloques 1
2 2
..
=1
Tratamientos 1 . .
2 2
.. 1

=1
Error exp. ( 1)( 1)
2
. 2
(EE)
( 1)( 1)
=1 =1
.
Error de
muestreo
.
(EM)
Total 1
2 2

=1 =1 =1

Note que el error de muestreo mide la falta de uniformidad en el comportamiento de


las subunidades en las u.e. Es ms comn que el error experimental sea mayor que
el error de muestreo, lo cual se debe a que la variabilidad entre las subunidades de
cada u.e. Cuando se asume que ambas causas de variabilidad son al azar, el error
experimental es apropiado para probar la hiptesis concerniente a los tratamientos.

Ejemplo 4.3

Se llev a cabo un experimento de campo para estimar el efecto de cinco


fertilizantes en el rendimiento de una cierta variedad de nabo. La localizacin de las
30 parcelas experimentales disponibles para la experimentacin fue tal que pareca
ventajoso agruparlas en 6 bloques de 5 parcelas cada uno. Despus los
tratamientos se asignaron al azar a las parcelas dentro de cada bloque. Al final de
la poca del crecimiento el investigador decidi cosechar (para fines de anlisis)
nicamente tres cuadros muestra de cada parcela. Se obtuvieron los siguientes
datos:

Bloques

MC. Sergio Snchez Martnez 63


Trat. De I II III IV V VI ..
fertilizante
57 26 39 23 48 50

T1 46 38 39 36 35 37

28 20 43 18 48 19

. 131 84 121 77 131 106 650

67 44 57 74 61 68

T2 72 68 61 47 60 65

66 64 61 69 75 61

. 205 176 179 190 196 194 1140

95 92 91 105 78 85

T3 90 89 82 85 89 74

89 106 98 85 95 80

. 274 287 271 275 262 239 1608

102 96 102 103 99 117

T4 88 89 93 90 87 93

109 106 98 105 113 107

. 299 291 293 298 299 317 1797

123 93 112 120 113 124

T5 101 110 104 101 109 102

113 115 112 111 111 118

. 337 318 328 332 333 344 1992

.. 1246 1156 1192 1172 1221 1200 = 7187

La hiptesis a probar es:


0 : =

MC. Sergio Snchez Martnez 64


1 :

Construyendo el ANVA

Datos:
r=6
t=5
m=3
n=rt=(6)(5)=30

2 (7187)2
. . = = = 573921.88
90
6
..2
= . .

=1
(1246)2 + (1156)2 + + (1200)2
= 573921.88
(5)(3)
= 574276.07 573921.88 = 354.19

5
..2
. = . .

=1
(650)2 + (1140)2 + + (1992)2
. = 573921.88
(6)(3)
. = 639168.72 573921.88 = 65246.84

5 6 2
.
= . . .

=1 =1
(131)2
+ (84)2 + + (333)2 + (344)2
= 573921.88 354.19 65246.84
3
= 1478.76

5 6 3
2
= . .
=1 =1 =1
= (57)2 + (26)2 + + (111)2 + (118)2 573921.88
= 72363.12

MC. Sergio Snchez Martnez 65


= .
= 72363.12 354.19 65246.84 1478.76
= 5283.33

ANVA
Ft
F.V. G.L S.C. C.M. Fc
0.05 0.01

Bloques 5 354.19

Tratamientos 4 65246.84 16311.71 220.63 2.86 4.43

Error exp. 20 1478.76 73.93 0.839 1.75 2.20

Error de 60 5283.33 88.05


Muest.
Total 89 72363.12

C.V.=0.1076

Conclusin:

Como el valor de Fc es mucho mayor que Ft podemos concluir que al menos un


fertilizante es distinto de los dems.

4.10 EFICIENCIA DE UN DISEO EN BLOQUES AL AZAR CON RESPECTO A UNO


COMPLETAMENTE AL AZAR.

En muchas circunstancias, el investigador desea estimar la influencia del uso de


un diseo en bloques al azar con respecto a lo que podra haber pasado si los
tratamientos hubiesen sido analizados por un diseo completamente al azar.

Un mtodo para comparar la eficiencia antes descrita es utilizando la siguiente


expresin.

MC. Sergio Snchez Martnez 66



. . =

Puede demostrarse que
( 1) + ( 1)
. . =
( 1)

Donde
E.R.= la eficiencia relativa DBA con respecto a un DCA.
r=nmero de repeticiones
t= numero de tratamientos
: Cuadrado medio del error experimental
: Cuadrado medio de bloques

Regla de decisin:

Si la E.R. >1 es mejor analizar por bloques al azar


Si la E.R.<1 es mejor analizar por completamente al azar

MC. Sergio Snchez Martnez 67


CAPITULO V

DISEO EN CUADRO LATINO

5.1 INTRODUCCION.

Una variante en el uso de bloques al azar es el bloqueo mediante dos criterios en


forma ortogonal; esto da origen al diseo en CUADRO LATINO, llamado as por
Fisher que us letras latinas para denotar los tratamientos. Con el objeto de impartir
ortogonalidad a los efectos, se requiere que cada tratamiento aparezca una vez en
cada una de las variantes de los dos criterios (denominados hileras y columnas).
Dos ejemplos sern suficientes para ilustrar en forma comprensible, las ideas al
respecto.

EJEMPLO 5.1
Supongamos que tenemos 5 tratamientos de fertilizantes por investigar y que
disponemos de 25 parcelas para la experimentacin. Si el suelo muestra una
tendencia de fertilidad en dos direcciones (digamos Norte Sur y Esta Oeste)
parecera razonable formar bloques de 5 parcelas en ambas direcciones. Esto es
precisamente lo que se hace bajo la denominacin de hileras y columnas. Entonces,
los tratamientos se aplican al azar, sujetos a la restriccin de que cada tratamiento
aparezca una sola vez en cada hilera y en cada columna.

EJMPLO 5.2
Consideremos la venta de un producto usando 5 tipos de propaganda interna en
un supermercado, (estos 5 tipos son tratamientos) las hileras pueden ser
supermercados y las columnas los das Lunes, Martes, Mircoles, jueves y viernes.

5.2 ALGUNAS VENTAJAS.


a) Reduce la variabilidad de los errores al introducir un doble bloqueo
b) El anlisis es todava sencillo, ligeramente ms complicado que en el de
bloques al azar.
c) An con datos perdidos el anlisis es relativamente simple.

MC. Sergio Snchez Martnez 68


5.3 ALGUNAS DESVENTAJAS.
a) El nmero de tratamientos tiene que ser igual al nmero de hileras y de
columnas.
b) Cuando hay pocos tratamientos, se tienen demasiados parmetros en el
modelo y un nmero reducido de observaciones, lo que produce una
ineficiente estimacin de la varianza del error.

5.4 DISTRIBUCION DE LOS TRATAMIENTOS A LAS u.e.


i) Dividir el lote, o el lugar de la experiencia en un nmero de u.e. al
igual al cuadrado del nmero de tratamientos.
ii) Formar hileras y columnas de u.e. iguales al nmero de
tratamientos.
iii) Distribuir los tratamientos en tal forma que ningn tratamiento se
repita en fila ni en columna.

Para lograr lo anterior, se arreglan los tratamientos haciendo permutaciones


horizontales o verticales. Supongamos que hay cinco tratamientos: A, B, C, D y E

a) Permutaciones horizontales:

A B C D E

E A B C D

D E A B C

C D E A B

B C D E A

MC. Sergio Snchez Martnez 69


b) Permutaciones verticales:

A E D C B

B A E D C

C B A E D

D C B A E

E D C B A

iv) Sortear las hileras y en el cuadro as obtenido sortear las


columnas.

5.5 CUADRO DE CONCENTRACION DE DATOS.

Columnas ..
Hileras 1 2
1 11 () 12 () 1 () 1..

2 21 () 22 () 2 () 2..

1 () 2 () () ..

.. .1. .2. ..

MC. Sergio Snchez Martnez 70


5.6 MODELO ESTADISTICO.

= + + + +

= 1, 2, ,
= 1 ,2, ,
= 1, 2, ,
~ (0, 2 )

Donde

Yijk: respuesta en la i-sima hilera y j-sima columna del tratamiento k-simo


Hi: efecto de la i-sima hilera
Cj: efecto de la j-sima columna
k: efecto del k-simo tratamiento
ijk: efecto del error experimental en la i-sima hilera y j-sima columna del
tratamiento k-simo.

5.7 ANALISIS DE VARIANZA.

F.V. G.L. S.C. C.M. Fc



Hileras 1 ..2 2
2

=1

Columnas 1 ..2 2
2

=1
. .
Tratamientos 1 2
.. 2
2 1

=1
Error Exp. ( 1)( 2) .
( 1)( 2)

Total 2 1 2
2

2
=1 =1 =1

MC. Sergio Snchez Martnez 71


Debe notarse que en la tabla se muestra nicamente los CM de tratamientos y del
error. La razn es que son los nicos CM que intervienen para probar la hiptesis
de igualdad de efectos de tratamientos (0 : 1 = 2 = = )

EJEMPLO 5.3
En un cuadro latino 6 x 6 se ensayaron algunas combinaciones de elementos
menores con nutrientes mayores, para probar su efecto sobre el rendimiento de la
caa de azcar, dando lugar a los siguientes tratamientos:

A. Testigo (0 - 0 - 0)
B. Frmula 6 8 6 + Bo + Mn + Zn
C. Frmula 6 8 6 + Bo + Mn
D. Frmula 6 8 6 + Bo + Zn
E. Frmula 6 8 6 + Bo
F. Frmula 686

Donde

Bo= Borax, 50 kg/Ha.

Mn=sulfato de manganeso, 50 kg/Ha.

Zn=sulfato de Zinc, 25 kg/Ha.

La figura siguiente representa la disposicin de la parcela en el campo,


mostrando los tratamientos aplicados y los rendimientos observados en
Toneladas de caa por parcela de 134.4 m 2.

MC. Sergio Snchez Martnez 72


C1 C2 C3 C4 C5 C6 ..

H1 1.626 1.639 1.617 1.062 1.501 1.827 9.272


(F) (E) (B) (A) (D) (C)

H2 1.816 1.103 1.926 1.992 1.682 1.498 10.017


(D) (A) (F) (E) (C) (B)

H3 1.913 2.134 1.881 1.797 1.701 0.824 10.250


(C) (D) (E) (F) (B) (A)

H4 1.933 1.995 2.011 1.886 0.812 1.596 10.233


(B) (F) (D) (C) (A) (E)

H5 1.262 2.143 2.242 2.229 2.066 1.898 11.840


(A) (B) (C) (D) (E) (F)

H6 1.624 1.885 1.089 1.879 1.343 1.245 9.065


(E) (C) (A) (B) (F) (D)

.. 10.174 10.899 10.766 10.845 9.105 8.888 = 60.677

Trats. A B C D E F

1.062 1.617 1.827 1.501 1.639 1.626

1.103 1.498 1.682 1.816 1.992 1.926

0.824 1.701 1.913 2.134 1.881 1.797

0.812 1.933 1.886 2.011 1.596 1.995

1.262 2.143 2.242 2.229 2.066 1.898

1.089 1.879 1.885 1.245 1.624 1.343

.. 6.152 10.771 11.435 10.936 10.798 10.588 = 60.677

MC. Sergio Snchez Martnez 73


( )2 (60.677)2
. . = = = 102.269
2 36

..2 2
= 2

=1

(9.272)2 + (10.017)2 + + (9.065)2


= 102.269
6
= 103.074 102.269

= 0.805


..2 2
= 2

=1

(10.174)2 + (10.899)2 + + (8.888)2


= 102.269
6
= 102.952 102.269

= 0.683

2
.. 2
= 2

=1

(6.152)2 + (10.771)2 + + (10.588)2


= 102.269
6
= 105.555 102.269

= 3.286


2
= 2
2
=1 =1 =1

MC. Sergio Snchez Martnez 74


= (1.626)2 + (1.639)2 + + (1.245)2 102.269

= 107.317 102.269

= 5.048

= .

= 5.048 0.805 0.683 3.286

= 0.274

ANVA

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

Hileras 5 0.805

Columnas 5 0.683

Tratamientos 5 3.286 0.657 47.95 2.71 4.10

Error Exp. 20 0.274 0.0137

Total 35 5.048

0.0137
. . = 100 = 6.94
1.685

MC. Sergio Snchez Martnez 75


Conclusin:

La prueba de F indica que al menos una combinacin de fertilizante es distinto


de los dems. Los datos son confiables, pues el valor del coeficiente de variacin
es de 6.94%, lo cual es muy pequeo.

Por otro lado, muchas veces la prueba de f en el anlisis de varianza indica que
no hay diferencia entre tratamientos. Sin embargo, las comparaciones
ortogonales son de inters y, como ya se ha indicado, se pueden planear varios
juegos de comparaciones cuyo numero siempre sea (t-1). El procedimiento es
similar al usado en el diseo completamente al azar, pero ahora la

(=1 .. )2
=
=1 2

En este tipo de diseo, los mtodos para las pruebas de significacin entre
medias de tratamientos, que han sido dados en la seccin 3.3, no cambian, esto
es, la

2 2
= ,(..) =

2
= (,,)

2
= (,,)

2
12 22
() = ( 1) ( + +)

MC. Sergio Snchez Martnez 76


5.8 DATOS FALTANTES EN UN DISEO CUADRADO LATINO.

Muchos accidentes dan origen a la perdida de datos. Los cultivos pueden


destruirse, los animales morir, o puede haber errores en la aplicacin de
tratamientos, o en las anotaciones. Afortunadamente, los datos faltantes pueden
estimarse por cuadrados mnimos y anotarse en las casillas vacas del cuadro
de concentracin de datos. El uso ANVA habitual con algunas modificaciones da
entonces resultados que son bastante correctos para usos prcticos.

Se pueden presentar los siguientes casos:

5.4.1 UN DATO FALTANTE

1 2 3 4

1 C A B D

2 D B C A

3 A Y C D B

4 B D A C

[( + + ) 2]
=
( 1)( 2)

Donde

t= numero de tratamientos

=Total de las observaciones presentes en la hilera donde falta el dato Y

= total de las observaciones presentes en la columna donde falta el dato Y

T= total de las observaciones presentes en el tratamiento donde falta la


observacin Y

= total de las observaciones presentes en el experimento

MC. Sergio Snchez Martnez 77


Nota: A los grados de libertad del error y total se les disminuye uno.

Aqu tambin, tal como sucede en el Bloques al Azar, la SC trat. Es sobre


estimada, esta vez en la cantidad

[ ( 1)]2
[( 1)( 2)]2

5.4.2 DOS DATOS FALTANTES EN UN MISMO TRATAMIENTO PERO EN


COLUMNAS E HILERAS DIFERENTES.

1 2 3 4

1 C A B D

2 1 D B C A 1

3 A C 2 D B 2

4 B D A C

1 2

1 = (1 + 1 + 1,2 ) 2

2 = (2 + 2 + 1,2 ) 2

( 1)1 + 2
1 =
( 2)2

( 1)2 + 1
2 =
( 2)2

Donde

T 1,2 = total de las observaciones presentes en el tratamiento donde falta Y 1 y


Y2.

Nota. A los grado de libertad del error y del total se les resta dos.

MC. Sergio Snchez Martnez 78


5.8.3 DOS DATOS FALTANTES EN LA MISMA HILERA PERO EN
COLUMNAS Y TRATAMIENTOS DIFERENTES

1 2 3 4

1 C A B D

2 1 D B 2 C A 1,2

3 A C D B

4 B D A C

1 2

1 = (1 + 1 + 1,2 ) 2

2 = (2 + 2 + 1,2 ) 2

( 1)1 + 2
1 =
( 2)2

( 1)2 + 1
2 =
( 2)2

Donde

1,2 = Total de las observaciones presentes en la hilera donde faltan Y1 y Y2

T1=Total de las observaciones presentes en el tratamiento donde falta Y1

T2= Total de las observaciones presentes en el tratamiento donde falta Y2

Nota. A los grados de libertad del error y el total se les disminuye en dos.

MC. Sergio Snchez Martnez 79


5.8.4 DOS DATOS FALTANTES EN LA MISMA COLUMNA PERO EN
HILERAS Y TRATAMIENTOS DIFERENTES.

1 2 3 4

1 C 1 B D 1

2 D B C A

3 A 2 D B 2

4 B D A C

1,2

1 = (1 + 1 + 1,2 ) 2
2 = (2 + 2 + 1,2 )-2G

( 1)1 + 2 ( 1)2 + 1
1 = 2 =
( 2)2 ( 2)2

Donde:

1,2 = Total de las observaciones presentes en la columna donde falta Y1 y Y2.

5.8.5 DOS DATOS FALTANTES EN TRATAMIENTOS, HILERAS Y


COLUMNAS DIFERENTES.

1 2 3 4

1 C A B D

2 1 D B C A 1

3 A C D B

4 B D 2 C 2

1 2

MC. Sergio Snchez Martnez 80


= ( 1)( 2)

1 = (1 + 1 + 1 ) 2

2 = (2 + 2 + 2 ) 2

1 22
1 =
2 4

2 21
2 =
2 4

1 , 2 , 1 , 2 , 1 , 2 son los totales de tratamientos ya definidos donde faltan las


observaciones Y1 y Y2

5.9 EFICIENCIA RELATIVA DE3 UN DISEO EN CUADRO LATINO.

Antes de terminar nuestra discusin del diseo de Cuadro Latino, debe


hacerse mencin de su eficiencia ralativa con respecto a un
Completamente al Azar y un Bloques al Azar. As, respectivamente, la

+ + ( 1) . .
. ..... =
( + 1) . .

+ ( 1) . .
. ..... =
( ) . .

REGLA DE DECISION.
Si la E.R, >1 es ms eficiente un diseo en Cuadro Latino
Si la E.R. <1 es ms eficiente el diseo que se compara.

MC. Sergio Snchez Martnez 81


CAPITULO VI

EXPERIMENTOS FACTORIALES

6.1 INTRODUCCION.

Cuando se estudian simultneamente dos o ms factores, cada uno con diferentes


niveles, se tienen los experimentos FACTORIALES.

Es importante sealar que el trmino experimento factorial se refiere a la


constitucin de los tratamientos que se quieren comparar. Este trmino afecta lo
que se ha denominado como el diseo de tratamientos que se refiere a la seleccin
de los factores a estudiarse, sus niveles y la combinacin de ellos.

El diseo de tratamientos es independiente del diseo experimental que indica la


manera en que los tratamientos se aleatorizan a las diferentes u.e. y las formas de
controlar la variabilidad natural de las mismas. As el diseo experimental puede ser
Completamente al Azar, Bloques al Azar, Bloques al Azar Generalizado o con
muestreo dentro de parcelas, Cuadros Latinos o Grecolatinos, etc. Y para cada uno
de estos diseos se puede tener un arreglo factorial de los tratamientos, si estos se
firman por la combinacin de niveles de varios factores.

Se puede pensar que a ambos tipos de diseo, el de tratamientos y el experimental,


les corresponde un modelo matemtico. As por ejemplo, si el diseo experimental
consta de Bloques al Azar, el modelo es:

= + + + ; ~(0,2 )

Si se trata de un experimento factorial, los tratamientos se forman combinando los


niveles de los factores en estudio, de manera que el efecto de tratamiento se
considera a su vez compuesto de los efectos de los factores y sus interacciones.
Por ejemplo, si son dos factores en estudio se tiene.

= + +

MC. Sergio Snchez Martnez 82


Donde se establece una equivalencia entre los valores de i y los de k y l. Por
ejemplo, si k=1,2 y l=1, 2, 3, un factor tiene dos niveles y el otro tres, entonces se
trata de un experimento factorial 2 x 3 con seis tratamientos y la equivalencia
mencionada es:

i k l

1 1 1

2 1 2

3 1 3

4 2 1

5 2 2

6 2 3

Por supuesto que se pueden integrar los modelos del diseo experimental y del
diseo de tratamientos. En el ejemplo el modelo resultante es:

= + + + + +

Estas ideas se pueden generalizar a otros diseos experimentales y otros diseos


de tratamientos.

6.2 ALGUNAS VENTAJAS.


i) Economa en el material experimental al obtener informacin sobre varios
factores sin aumentar el tamao del experimento.
ii) Se ampla la base de la inferencia en relacin a un factor ya que se estudia
en las diferentes condiciones respetadas por los niveles de otros factores.
iii) Permite el estudio de la interaccin, esto es, determinar el grado y forma
en la cual se modifica el efecto de un factor por los niveles de los otros
factores.

El experimento factorial es el nico medio para investigar estas


interacciones.

MC. Sergio Snchez Martnez 83


6.3 ALGUNAS DESVENTAJAS.
Una desventaja de los experimentos factoriales es que requiere un gran nmero de
tratamientos, sobre todo cuando se prueban muchos factores o muchos niveles de
algunos factores. Esto tiene dos efectos:
i) Si se quiere usar Bloques al Azar, es difcil encontrar grupos de u.e.
homogneas para asignar todos los tratamientos. Esto se puede eliminar
usando el principio de CONFUCION.
ii) Se aumenta el costo del experimento al tener muchas u.e. esto se
minimiza usando los experimentos FACTORIALES FRACCIONADOS
donde se prueba solo una parte de los tratamientos posibles.

6.4 NOTACION.

Los tratamientos se denotan por los niveles de los factores que los componen.

Los factores se acostumbran denotar por letras latinas minsculas. As se habla de


factores a, b, c, d, etc. Los niveles de un factor se denotan por subndices, as ai,
bj, ck, son nivel i de a, nivel j de b y nivel k de c.
Los tratamientos se denotan de varias maneras.

i) Con letras y nmeros; as varios tratamientos son:


1 2 3, 2 1 3, 0 1 0, .

ii) nicamente con los nmeros y con el orden se indica el factor; as los
tratamientos anteriores son 123, 213, 010, etc.

Los efectos de un factorial son efectos principales efectos de interaccin o


interaccin simplemente, y se denotan por letras maysculas. As A, B, C son
efectos principales y AB, CD, ABC. Son interacciones.

6.5 FACTORIAL 22

Suponiendo un ensayo con dos factores, nitrgeno y fosforo, cada uno en dos
niveles, para examinar su efecto en el rendimiento de un cultivo.

MC. Sergio Snchez Martnez 84


Factor Niveles

Nitrgeno (n) 0 , 1

Fsforo (p) 0, 1

Si todas las combinaciones posibles se ensayan entre los dos niveles de nitrgeno
y los dos de fosforo, generan 4 combinaciones de tratamientos, que se pueden
representar simblicamente como sigue:

TRATAMIENTOS

0 0

1 0

0 1

1 1

Estos 4 tratamientos en un diseo completamente al azar, se tendr 4r u.e. para


examinar los resultados de tal experimento se emplea el modelo lineal:

= + + + () +
= 0, 1
= 0, 1
= 1, 2, ,
~(0, 2 )

Para derivar el cuadro del anlisis de varianza, se construye el:

MC. Sergio Snchez Martnez 85


6.5.1 CUADRO DE CONCENTRACION DE DATOS

Tratamientos Repeticiones Totales


I II r
0 0 001 002 00 00. = (0,0)

1 0 101 102 10 10. = (1,0)

0 1 011 012 01 01. = (0,1)

1 1 111 112 11 11. = (1,1)

Los efectos se determinan con base en totales de tratamientos,

1 (0,1) (1,1)
Solo hay efecto de fsforo

0 (0,0) (1,0)

0 1 N

Para que est en base unitaria y considerando que cada tratamiento se estudia en r
u.e. se debe definir el efecto del factor N por:

[(1,0) (0,0)] + [(1,1) (0,1)]


=
221

[(1,0) + (1,1)] [(0,0) + (0,1)]


=
221

()=1 ()=0
=
21

MC. Sergio Snchez Martnez 86


Generalizando estas ideas para el caso del 2 , en donde n= numero de factores y 2
es el numero de niveles.

De modo semejante

[(0,1) (0,0)] + [(1,1) (1,0)]


=
221

[(0,1) (0,0)] [(0,0) + (1,0)]


=
221

()=1 ()=0
=
221

INTERACCION
Este trmino significa la accin conjunta de dos o ms factores, o la modificacin del
efecto de un factor por la accin del efecto de otro o ms factores.

NOTA: cuando la interaccin es significativa los factores no son independientes entre


s.

1 (0,1) (1,1)

0 (0,0) (1,0)

0 1 N

[(0,0) + (1,1)] [(0,1) + (1,0)]


=
221

()+=0 ()+=1
=
221

MC. Sergio Snchez Martnez 87


+ =0
}
+ =1

OBSERVACION 6.1 Sea A={0,1}, Y definamos en A la operacin suma por la


siguiente tabla.

+ 0 1 2

0 0 1 0

1 1 0 1

2 0 1 0

COEFICIENTE DE LOS EFECTOS

(0,0) (0,1) (1,0) (1,1)

N -1 -1 1 1

P -1 1 -1 1

NP 1 -1 -1 1

Existe ortogonalidad entre efectos.

De modo que las SC para los efectos son (partiendo de que:

(=1 . )2
=
=1 2

[(1,0) + (1,1) (0,0) (0,1)]2


() =
4
[()=1 ()=0 ]2
() =
4

2
[()=1 ()=0 ]
() =
4

2
[()+=0 ()+=1 ]
() =
4

MC. Sergio Snchez Martnez 88


ANVA Utilizando un diseo Completamente al Azar.

F.V. G.L. S.C. C.M. Fc

Trat. 3 . = () + () + () . .
3

N 1 () () ()
1

P 1 () () ()
1

NP 1 () () ()
1

Error Por dif. .


. .
Total 4 1 2
2

4

ANVA Utilizando un diseo de Bloques al Azar.

F.V. G.L. S.C.



Bloques 1 2
.. 2

4 4
=1

Trat. 3 = () + + ()

N 1 ()

P 1 ()

NP 1 ()

Error Por dif. .

Total 4 1 2
2

4

MC. Sergio Snchez Martnez 89


EJEMPLO 6.1

Considere un experimento agrcola para indicar los efectos de la fecha de plantado


(temprano o tarde) y tipo de fertilizante (areo o granulado) en la cosecha de frijoles
soya. Estaban disponibles 24 parcelas experimentales homogneas.

Se asignaron los tratamientos al azar a las parcelas, sujetos nicamente a la


restriccin de que 6 parcelas estuviesen asociadas con cada una de las 4
combinaciones de tratamiento. Los datos se muestran en la tabla siguiente.

Fecha de plantado (f) Tipo de fertilizante (t) Repeticiones Total de trat.

I II III IV V VI

areo (0) 16 22 16 10 18 8 90 = (0,0)

Temprano (0) Granulado (1) 28 27 17 20 23 23 138 = (0,1)

areo (0) 16 25 16 16 19 16 108 = (1,0)

Tarde (1) Granulado(1) 28 30 19 18 24 25 144 = (1,1)

= 480

[()=1 ()=0 ]2
() =
4
[(1,0) + (1,1) (0,0) (0,1)]2
() =
(4)(6)
[108 + 144 90 138]2 (24)2
() = = = 24
24 24

2
[()=1 ()=0 ]
() =
4
[(0,1) + (1,1) (0,0) (1,0)]2
() =
(4)(6)
[138 + 144 90 108]2 (84)2
() = = = 294
24 24

MC. Sergio Snchez Martnez 90


2
[()+=0 ()+=1 ]
() =
4
[(0,0) + (1,1) (0,1) (1,0)]2
() =
(4)(6)
[90 + 144 138 108]2 (12)2
() = = =6
24 24

2 4802
. . = = = 9600
4 24
2
= . = 162 + 222 + + 252 . .

= 10324 9600 = 724

. = () + () + ()
. = 24 + 294 + 6 = 324

= 724 324 = 400

ANVA
Ft
F.V. G.L. S.C. C.M. Fc
0.05 0.01

Trat. 3 324 108 5.4 3.10 4.94

F 1 24 24 1.2 4.35 8.10

T 1 294 294 14.7 4.35 8.10

FT 1 6 6 0.3 4.35 8.10

Error 20 400 20

Total 23 724

MC. Sergio Snchez Martnez 91


Conclusin:

Del ANVA vemos que existe diferencia significativa entre tratamientos. Debindose
tal diferencia exclusivamente al tipo de fertilizante.

Con los totales o con promedios se trazan las lneas de tendencia.

35

30
(1,1) tarde
25
(0,1) temprano
Rendimiento 20 (1,0)
15

10 (0,0)

Areo granulado tipo de fertilizante


( x dosis)

Conclusin:
i) Existe aumento en produccin de grano al utilizar el fertilizante granulado
ii) Se manifiesta un paralelismo entre las lneas de tendencia; es decir, no hay
interaccin; la prueba F en el ANVA lo confirma.

En cualquier experimento factorial se pueden presentar ocho diferentes casos,


relativos a la significancia de los factores F, T y ala interaccin FT.

Causas Casos posibles


de
variacin 1 2 3 4 5 6 7 8

F N.S. * N.S. * N.S. * N.S. *

T N.S. N.S. * * N.S. N.S. * *

FT N.S. N.S N.S N.S * * * *

MC. Sergio Snchez Martnez 92


N.S. =no significativo

* = significativo

PROMEDIO EN LA TABLA DE DOBLE ENTRADA

Factor Factor t

f t0 t1 ..

f0 00. 01. 0..

f1 10. 11. 1..

.. .0. .1.

00. + 10.
.0. =
2

Caso 1

Si se han hecho las pruebas de Duncan y las comparaciones ortogonales relativas,


la conclusin ser que no hay efecto entre los niveles de los factores ni interaccin.

Caso 2, 3 y 4

Los datos se interpretan indicando que no hay interaccin; los factores actan
independientemente. Para el caso 2, hay que ver la diferencia entre niveles del factor
f; para el caso 3, entre niveles del factor t; y para el caso 4, estudiar las diferencias
entre niveles de f y de t respectivamente.

Las pruebas de significancia se hacen por medio de la DMS, RMS, DMSH, etc. Asi,

PARA DIFERENCIAS ENTRE NIVELES DE f : (0.. 1.. )

2 2
= (. )

MC. Sergio Snchez Martnez 93


2
= (,,)

2
= (,,)

12 22
() = ()( 1) 2 ( + +)

(=1 .. )2
=
=1 2

Donde j=0,1,2,,b (niveles para el factor t )

PARA DIFERENCIAS ENTRE NIVELES DE t : (.0. .1. )


Utilice las mismas frmulas anteriores, pero con la restriccin de que b cambia por a

Donde, i=0, 1, , a (niveles del factor f )

Casos 5, 6, 7 y 8

Existiendo interaccin, los efectos de los factores no son independientes. Para cierto
nivel de f hay que estudiar cual es el mejor nivel de t

Ejemplos : 00. 01.


10. 11.

O estudiar las diferencias entre niveles de f para un mismo nivel de t

Ejemplos: 00. 10.


01. 11.

2 2
= (,..)

2
= (,,)

MC. Sergio Snchez Martnez 94


2
= (,,)

12 22
() = ()( ) 2 ( + +)

2
(=1 . )
=
=1 2

Volviendo al ejemplo 6.1, es claro que interesa ver la diferencia entre niveles del
factor t (Ver ANVA) entonces, aplicando la

2
= (,.)

20
= 2.95 = 3.80
(2)(6)

CONCENTRACION DE LOS PROMEDIOS

Factor t

Factor 0 1

0 15 23

1 18 24

.. .0. = 16.5 .1. = 23.5

15 + 18
.0. = = 16.5
2

MC. Sergio Snchez Martnez 95


23 + 24
.1. = = 23.5
2

0 : .0. .1. = 0
1 : .0. .1. 0

Ahora como |16.5 23.5| = 7 > 3.80 .0. .1.

Conclusin:

Es mejor utilizar el fertilizante granulado que el areo.

6.6 FACTORIAL 23

Ahora, suponiendo un ensayo con los factores N-P-K, cada u o con dos niveles ; a
saber:

Factor Niveles

Nitrgeno (n) 0 , 1

Fsforo (p) 0 , 1

Potasio (k) 0 , 1

Aqu se pueden generar 2 x 2 x 2 =23 combinaciones de tratamientos, y


simblicamente los representamos por:

Total de trats.

0 0 0 (0,0,0)

0 0 1 (0,0,1)

0 1 0 (0,1,0)

0 1 1 (0,1,1)

1 0 0 (1,0,0)

1 0 1 (1,0,1)

1 1 0 (1,1,0)

1 1 1 (1,1,1)

MC. Sergio Snchez Martnez 96


Estos 8 tratamientos ensayados en un diseo completamente al azar, se tendrn 8 r
u.e.

MODELO

= + + + + () + () + () + () +

= 0, 1
= 0, 1
= 0, 1
= 1, 2, ,

~(0, 2 )
PARA CALCULAR LA MAGNITUD DE LOS EFECTOS

[(1,0,0) (0,0,0)] + [(1.0,1) (0,0,1)] + [(1,1,0) (0,1,0)] + [(1,1,1) (0,1,1)]


=
23

Ordenando

MC. Sergio Snchez Martnez 97


[(1,0,0) + (1,0,1) + (1,1,0) + (1,1,1)] [(0,0,0, ) + (0,0,1) + (0,1,0) + (0,1,1)]
=
4

()=1 ()=0
=
4

De modo semejante

()=1 ()=0
=
4

()=1 ()=0
=
4

()+=0 ()+=1
=
4

+ =0
} 2
+ =1

[(1,1,0) + (1,1,1) + (0,0,0) + (0,0,1)] [(0,1,0) + (0,1,1) + (1,0,0) + (1,0,1)]


=
4

()+=0 ()+=1
=
4

+ =0
} 2
+ =1

()+=0 ()+=1
=
4

+ =0
} 2
+ =1

()++=1 ()++=0
=
4

++ =1
} 2
++ =0

MC. Sergio Snchez Martnez 98


Ahora, partiendo de que

(=1 .. )2
=
=1 2

Entonces la S.C. de los efectos son:

(()=1 ()=0 )2
() =
8

2
[()=1 ()=0 ]
() =
8

[()=1 ()=0 ]2
() =
8

2
[()+=0 ()+=1 ]
() =
8

[()+=0 ()+=1 ]2
() =
8

2
[()+=0 ()+=1 ]
() =
8

2
[()++=1 ()++=0 ]
() =
8

MC. Sergio Snchez Martnez 99


ANVA

F.V. G.L. S.C C.M. Fc

TRATS 7 --------------- SCtrat CMtrat

7 CMerror

N 1 SC(N)------- SC(N) CM(N)

1 CMerror

P 1 SC(P)------- SC(P) CM(P)

1 CMerror

K 1 SC(K)------- SC(K) CM(K)

1 CMerror

NP 1 SC(NP)------ SC(NP) CM(NP)

1 CMerror

NK 1 SC(NK)------ SC(NK) CM(NK)

1 1

PK 1 SC(PK)------ SC(PK) CM(PK)

1 CMerror

NPK 1 SC(NPK)----- SC(NPK) CM(NPK)

1 CMerror

ERROR Por Diferencia Por Diferencia SCerror

g.l.
2 2 2
2
..
TOTAL 8r-1 =1 =1 =1 1=1

MC. Sergio Snchez Martnez 100


EJEMPLO 6.2

Consideraremos, para ilustrar la teora, parte de los resultados de un experimento en tomate sobre dosis

De fertilizantes, el cual comprendi los 8 tratamientos de un factorial 23, en un diseo de bloques al azar. Cada uno de los
nutrientes mayores: nitrgeno, fsforo y potasio, se ensay en 2 niveles, o y 200 kilogramos por hectrea. Los resultados
se muestran en la tabla siguiente.

TRATS. FERTILIZANTE BLOQUES TOTAL DE

N P K I II III IV TRATS.

1 0 0 0 125.6 98.2 110.6 130.1 464.5 = (0,0,0)

2 200 0 0 112.1 101.5 147.4 135.9 496.9 = (1,0,0)

3 0 200 0 150.8 154.8 175.0 185.0 665.6 = (0,1,0)

4 200 200 0 167.1 185.0 174.4 151.5 678.0 = (1,1,0)

5 0 0 200 121.0 100.6 134.8 134.4 490.8 = (0,0,1)

6 200 0 200 149. 131.1 118.3 161.3 559.9 = (1,0,1)

7 0 200 200 181.1 174.3 137.0 161.5 653.9 = (0,1,1)

8 200 200 200 145.1 201.0 188.8 201.5 736.4 = (1,1,1)

TOTAL DE BLOQUES 1152.0 1146.5 1186.3 1261.2 Y . . . . = 4746

( . )2 (4746)2
. . = = = 703,891.1
32 32

MC. Sergio Snchez Martnez 101


4
2 1 2 .
=
8 32
1=1

(1152.0)2 + (1146.5)2 + (1186.3)2 + (1261.2)2


= . .
8
= 1046.30

[()=1 ()=0 ]2
() =
32

[(1,0,0) + (1,1,0) + (1,0,1) + (1,1,1) (0,0,0) (0,1,0) (0,0,1) (0,1,1)]2


=
32

[496.9 + 678 + 559.9 + 736.4 464.5 665.6 490.8 653.9]2


=
32

[196.4]2
= = 1205.40
32

2
[()=1 ()=0 ]
() =
32

[(0,1,0) + (1,1,0) + (0,1,1) + (1,1,1) (0,0,0) (1,0,0) (0,0,1) (1,0,1)]2


=
32

[665.6 + 678 + 653.9 + 736.4 496.9 490.8 559.9]2 (721.8)2


= = = 16281.10
32 32

[()=1 ()=0 ]2
() =
32

[(0,0,1) + (1,0,1) + (0,1,1) + (1,1,1) (1,0,0) (0,1,0) 1,1,0]2


=
32

MC. Sergio Snchez Martnez 102


[(490.8 + 559.9 + 653.9 + 736.4 464.5 496.9 665.6 678]2
=
32

[136]2
= = 578
32

2
[()+=0 ()==1 ]
() =
32

[(0,0,0) + (1,1,0) + (0,0,1) + (1,1,1) (1,0,0) (0,1,0) (1,0,1) (0,1,1)]2


=
32

[464.5 + 678 + 490.8 + 736.4 496.9 665.6 559.9 653.9]2


=
32

[6.6]2
= = 1.36
32

[()+=0 ()+=1 ]2
() =
32

[(0,0,0) + (0,1,0) + (1,0,1) + (1,1,1) (1,0,0) (1,1,0) (0,0,1)(0,1,1)]2


=
32

[434.5 + 665.6 + 559.9 + 736.4 496.9 678 490.8 653.9]2


32

[106.8]2
= = 356.44
32

2
[()+=0 ()+=1 ]
() =
32

MC. Sergio Snchez Martnez 103


[(0,0,0) + (1,0,0) + (0,1,1) + (1,1,1) (0,1,0) (1,1,0) (0,0,1) (1,0,1)]2
=
32

[(464.5 + 496.9 + 653.9 + 736.4 665.6 678.0 490.8 559.9]2


=
32

[42.6]2
= = 56.71
32

2
[()++=1 ()++=0 ]
() =
32

[(1,0,0) + (0,1,0) + (0,0,1) + (1,1,1) (0,0,0) (1,1,0) (1,0,1) (0,1,1)]2


=
32

[496.9 + 665.6 + 490.8 + 736.4 464.5 678 559.9 653.9]2


=
32

[33.4]2
= = 34.86
32

2 2 2 4
2
= . . = 73089.74 703891.13
=1 =1 =1 1=1

MC. Sergio Snchez Martnez 104


ANVA

F.V. G.L. S.C. C.M. Fc Ft

0.05 0.01

BLOQUES 3 1046.30 **

TRATS. 7 18513.87 2644.83 7.45 2.49 3.64

N.S.

N 1 1205.40 1205.40 3.40 4.32 8.02

**

P 1 16281.10 16281.10 45.91

N.S.

NP 1 1.36 1.36 0.003

N.S.

K 1 578.0 578.0 1.63

N.S.

NK 1 356.44 356.44 1.00

N.S.

PK 1 56.71 56.71 0.15

N.S.

NPK 1 34.86 34.86 0.098

ERROR 31 7446.44 354.59

TOTAL 31 27006.61

MC. Sergio Snchez Martnez 105


Conclusin:

La prueba de F en el ANVA indica que existe diferencia altamente significativa entre


las medias de los tratamientos. Debindose tal diferencia exclusivamente al factor
fsforo.

Ahora, si se desea saber el incremento en el rendimiento debido a los tres factores:


Nitrgeno (N), Fsforo (P) y Potasio (K), encuentre la magnitud de los mismos.

()=1 ()=0
=
4

[(1,0,0) + (1,1,0) + (1,0,1) + (1,1,1) ][(0,0,0) + (0,1,0) + (0,0,1) + (0,1,1)]


=
4(4)

200 0 /

[496.9 + 678.0 + 559.9 + 736.4]
464.5 + 665.6 + 490.8 + 653.9
=
16


2471.2
2274.8
=
16 16


= 154.45
142.17

= 12.28

MC. Sergio Snchez Martnez 106


En Resumen

- NITROGENO

NIVELES Kg/PU de Tomate

0 142.17

200 154.45

Diferencia 12.28

En forma similar para el

- FOSFORO

NIVELES Kg/PU de Tomate

0 125.8

200 170.9

Diferencia 45.1

PU : Parcela til

- POTASIO

NIVELES Kg/PU de Tomate

0 144.1

200 1524.6

Diferencia 8.5

Conclusin:

MC. Sergio Snchez Martnez 107


En estos cuadros puede notarse que efectivamente el fsforo es el que produce los
mejores rendimientos, puesto que al incrementar de cero a 200 kg/Ha. Se obtiene
un aumento en el rendimiento de 45.1 Kg/parcela til. Mientras que para iguales
cantidades de N y K se tienen los aumentos correspondientes de : N12.28
Kg/parcela til y K - 8.5 Kg/parcela til.

6.7 CONFUSIN EN EXPERIMENTOS FACTORIALES.

Una de las ventajas ms importantes en los diseos experimentales es el uso del


principio de confundido, el cual comprende una serie de diseos que tienen la
caracterstica comn de que cada repeticin queda repartida en varios bloques
incompletos, con el fin de eliminar del error una mayor proporcin de la
heterogeneidad existente en las u.e.

Por ejemplo, para analizar el confundido de la interaccin NPK en un factorial 2 3 ,


considere lo siguiente:

1 (0,0,0)
2 (0,0,1) REPETICIN 1
3 (0,1,0)
4 (1,0,0) -------- (0,0,0) (0,0,1)
5 (1,0,1) (0,1,1) (0,1,0)
6 (1,1,0) (1,0,1) (1,0,0)
7 (0,1,1) (1,1,0) (1,1,1)
8 (1,1,1)
(NPK)i+j+k=0 (NPK)i+j+k=1

REPETICION 1 (1) (2)


El esquema anterior nos indica que la interaccin NPK est confundida con bloques,
es decir, el efecto de bloque (E.B.) y NPK son no ortogonales. Ya que,

E.B. = [Total del bloque 1 Total del bloque]

= [(0,0,0)+(0,1,1)+(1,0,1)+(1,1,0)-(0,0,1)-(0,1,0)-(1,0,0)-(1,1,1)]

MC. Sergio Snchez Martnez 108


= [1 + 7 + 5 + 6 2 3 4 8 ]

Ordenando

. . = [1 2 3 4 + 5 + 6 + 7 8 ]

NPK = (NPK)i+j+k=1 (NPK)i+j+k=0

= [(0,0,1)+(0,1,0)+(1,0,0)+(1,1,1)-(0,0,0)-(0,1,1)-(1,0,1)-(1,1,0)]

= [2 + 3 + 4 + 8 1 7 5 6 ]

Ordenando

NPK = [1 + 2 + 3 + 4 5 6 7 + 8 ]

As = - 1 1 1 1 1 1 1 1 0

E.B. y NPK son no ortogonales.

MC. Sergio Snchez Martnez 109


ANVA FACTORIAL 23 CONFUNDIENDO NPK.

F.V. G.L.

BLOQUES I. 2r 1

TRATS. 6

N 1

P 1

K 1

NP 1

NK 1

PK 1

ERROR

TOTAL 8r 1

NOTA: Las sumas de cuadrados se determinan de igual forma a las que se han
visto para los experimentos factoriales.

EJEMPLO 6.3 Confusin en un experimento factorial 23. Factores N,P,K. Interaccin


confundida (NPK) en bloques de tamao 4. Nm. de tratamientos = 8. Nm. de
repeticiones = 3.

MC. Sergio Snchez Martnez 110


REP. 1 REP.2

(0,0,1)=45.5 (0,0,0)=46.8 (1,0,1)=49,8 (0,0,1)=55.5

(1,0,0)=62.0 (0,1,1)=49.5 (1,1,0)=52.0 (1,0,0)=59.8

(0,1,0)=44.2 (1,0,1)=57.0 (0,1,1)=48.8 (0,1,0)=56.0

(1,1,1)=48.8 (1,1,0)=62.1 (0,0,0)=51.5 (1,1,1)=58.5

200.5 215.4 202.1 229.8

REP.3

(0,1,1)=53.2 (1,0,0)=69.5

(1,0,1)=57.2 (0,1,0)=62.8

(0,0,0)=56.2 (0,0,1)=55.0

(1,1,0)=59.0 (1,1,1)=55.8

225.4 243.1

(200.5 + 215.4 + 202.1 + 229.8 + 225.4 + 243.1)2


. . =
(3) (8)

(1316.3)2
= = 72193.57
24

(200.5)2 + (215.4)2 + (202.1)2 + (229.8)2 + (225.4)2 + (243.1)2 . .


=
4

= 72538.158 72193.57 = 344.58

MC. Sergio Snchez Martnez 111


(0,0,0) (0,0,1) (0,1,0) (1,0,0) (1,1,0) (1,0,1) (0,1,1) (1,1,1) SUMA TOTAL

DEL

154.3 156 163 191.3 173.1 164 151.5 163.1 + - EFECTO

N -1 -1 -1 1 1 1 -1 1 691.5 624.8 66.7

P -1 -1 1 -1 1 -1 1 1 650.7 665.6 -14.9

K -1 1 -1 -1 -1 1 1 1 634.6 681.7 -47.1

NP -1 1 -1 -1 1 -1 -1 1 646.5 669.8 -23.3

NK -1 -1 1 -1 -1 1 -1 1 644.4 671.9 -27.5

PK -1 -1 -1 1 -1 -1 1 1 660.2 656.1 4.1

NPK -1 1 1 1 -1 -1 -1 1 673.4 642.9 30.5

2
=1 (=1 )2
=1 2

N 24 185.37

P 24 9.25

K 24 92.43

NP 24 22.62

NK 24 31.51

PK 24 0.70

NPK 24 38.76

SCtrats. 360.64

SCtotal= (45.5)2 + (62)2 +

. . . (55)2 + (55.8)2

MC. Sergio Snchez Martnez 112


- F.C.

= 865.74

ANVA

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

B.I. 5 344.58 68.916 **

N 1 185.37 185.37 12.40 4.75 9.33

P 1 9.25 9.25 0.61

K 1 92.43 92.43 6.18*

NP 1 22.62 22.62 1.51

NK 1 31.51 31.51 2.10

PK 1 0.70 0.70 0.40

ERROR 12 179.28 14.94

TOTAL 23 865.74

Para comprobar si el confundido ha sido eficiente, se efecta el ANVA para NPK.

(415.9)2 + (431.9)2 + (468.5)2


= . . = 181.76
8

SCNPK = 38.76

SCerror = SCB.I. SCrep - SCNPK

= 344.58 181.76 38.76 = 124.06

MC. Sergio Snchez Martnez 113


ANVA

Ft

F.V. G.L. S.C. C.M. Fc 0.05 0.01

REP. 2 181.76 90.88

NPK 1 38.76 38.76 0.62 18.51 98.49

ERROR 2 124.06 62.03 N. S.

TOTAL 5 344.58

Si el confundido ha sido eficiente, el CMerror para el

ANVA de NPK tiene que ser ms grande que el CMerror

para el ANVA de los efectos principales e interacciones

de primer orden.

MC. Sergio Snchez Martnez 114


CAPITULO VII

EXPERIMENTOS EN PARCELAS DIVIDIDAS

7.1 INTRODUCCIN.

Muchos son los campos de estudio en las que algn factor requiere u.e. muy
grandes, debido a su propia naturaleza. En estos casos, si se quiere estudiar
conjuntamente otro (o ms factores), se pueden subdividir las u.e. grandes u.e. ms
pequeas y asignar los niveles del segundo (o ms factores) a esas u.e. pequeas.
El arreglo resultante se conoce como PARCELAS DIVIDIDAS. La base de su
anlisis es semejante a los casos de confusin total, pero aqu s se usa el error
interbloque para estudiar los efectos de los tratamientos que van a las u.e.
grandes, y el error intrabloque para los Tratamientos que van a u.e. chicas y las
interacciones. No obstante, existe otra alternativa para estudiar el arreglo, que es la
del mtodo que en anlisis multivariado se conoce con el nombre de ANALISIS DE
PERFIL.

7.2 ARREGLO SIMPLE DE PARCELAS DIVIDIDAS.

7.2.1 DESCRIPCION Una u.e. grande puede ser una parcela de terreno, un
animal, una planta, un mtodo de irrigacin; y las u.e. pequeas seran las
subparcelas de cada parcela, los cortes de carne para ver contenido de protena,
las hojas, variedades o fertilizantes.

Los factores que van a u.e. grandes se pueden arreglar de acuerdo a los diseos
comunes; por ejemplo, completamente al azar, bloques al azar, cuadro latino, etc.
Adems, los niveles aplicados a las u.e. grandes se aleatorizan de acuerdo con las
instrucciones para diseo en el cual las u.e. grandes estn arregladas.

Los niveles aplicados a las u.e. pequeas se distribuyen al azar dentro de cada u.e.
grandes.

MC. Sergio Snchez Martnez 115


Veamos un ejemplo. Si se tratara de estudiar 3 sistemas de riego (r 0, r1, r2) en el
cultivo del tomate y tres variedades (V0, V1, V2) en 3 repeticiones con un diseo en
bloques al azar. El diseo (despus de aleatorizar) podr aparecer como se muestra
en el esquema siguiente.

REP 1 REP 2 REP 3

V0 V2 V1 V1 V0 V2 V1 V1 V2

V2 V1 V2 V2 V1 V0 V2 V0 V1

V1 V0 V0 V0 V2 V1 V0 V2 V0

r0 r2 r1 r2 r0 r1 r0 r1 r2

Vale la pena hacer notar la diferencia entre este arreglo y el de bloques al azar
ordinario. En este ltimo, las 9 combinaciones de los dos factores se asignan a las
9 u.e. pequeas en una repeticin completamente al azar. En el diseo de parcela
dividida, primero se asignan los niveles de r y a continuacin, dentro de cada r se
asignan al azar los 3 niveles de v. Esta es la diferencia decisiva que conduce a un
mtodo de anlisis completamente distinto. Por otra parte, sobresalen los siguientes
puntos en una consideracin del mrito relativo de los dos arreglos:

i) Con el diseo en parcelas divididas, comnmente los efectos de V y RV


se estiman con mayor precisin que los efectos de R; esto se debe por
tener pocas observaciones de los factores que van en u.e. grandes y un
error (interbloque) mayor que el interbloque. Este hecho justifica, que
siempre que sea posible, los factores ms importantes debern asignarse
a las u.e. pequeas.

ii) Para pruebas de significacin y construccin de intervalos de confianza,


el diseo en bloques al azar mantiene una ligera ventaja en promedio,
debido a que ofrece ms grados de libertad para la estimacin de la nica
varianza del error que se requiere.

iii) Como ya se ha indicado, la principal ventaja del arreglo en parcelas


divididas es que, las u.e. grandes que se requieren por necesidad o por

MC. Sergio Snchez Martnez 116


economa del proceso se pueden subdividir en u.e. pequeas y
experimentar otros factores, obtenindose as informacin adicional que
sea muy barata.

iv) Han sido mencionadas por los experimentadores dos desventajas. De


que el error que corresponde a las unidades mayores es muy grande, lo
que hace algunas veces que habiendo diferencias notables entre
tratamientos de estas unidades sin embargo no resulten significativas,
sucediendo lo contrario con los tratamientos de las u.e. pequeas. El
segundo trmino, el hecho de que las diferentes comparaciones de
tratamientos tengan distintas varianzas del error hace el anlisis ms
complejo que el de bloques al azar, especialmente si hay u.e. prdidas.

7.3 ANALISIS ESTADISTICO.

Para facilitar el anlisis y la comprensin de los efectos involucrados, se


plantear un modelo donde se especifiquen los dos tipos de errores. Para mostrar
cmo se efectan los clculos seguiremos el ejemplo antes mencionado. Es un
modelo de tipo mixto, algunos factores fijos y otros aleatorios, estos ltimos son los
dos errores. As el modelo es,

Yijk = + Ri + j + ij + Vk + (RV)ik + ijk ----------------(7.1)

Donde,

i = 1,2,.., a niveles del factor que requiere u.e. grandes.

k = 1,2,.., b niveles del factor que requiere u.e. pequeas.

j = 1,2,.., r nmero de repeticiones.

= media general

Ri = Efecto del factor riego a nivel i.

j = Efecto de repeticin j-sima

ij = error interbloque (interaccin R x repts.); con la suposicin ij ~NI(0, 2).

MC. Sergio Snchez Martnez 117


Vk = Efecto del factor variedad a nivel k.

(RV)ik = Efecto de interaccin de niveles i y k de riego y variedad.

ijk = Error intrabloque (interac. R x V x repts. Y V x repts.); con la suposicin ijk


~NI(0, 2).

CONCENTRACIN DE VALORES USANDO SIMBOLOS

RIEGOS VARIEDADES REPE TICI ONES

I II III YiK Yi

V1 Y111 Y121 Y131 Y11

r1 V2 Y112 Y122 Y132 Y12

V3 Y113 Y123 Y133 Y13

Yij Y11 Y12 Y13 Y1

V1 Y211 Y221 Y231 Y21

r2 V2 Y212 Y222 Y232 Y22

V3 Y213 Y223 Y233 Y23

Yij Y21 Y22 Y23 Y2

V1 Y311 Y321 Y331 Y31

r3 V2 Y312 Y322 Y332 Y32

V3 Y313 Y323 Y333 Y33

Yij Y31 Y32 Y33 Y3

Yj Y1 Y2 Y3 Y

MC. Sergio Snchez Martnez 118


ANALISIS DE VARIANZA para el modelo (7.1)
F.V. G.L. S.C.

REPTS. r-1

2 . . 2 . . .
=1

R a-1

..2 2 . . .
=1

ERROR (r-1)(a-1)

INTER.

2 . 12 . . ..2 . + 2 . . . .
=1 =1 =1 =1

V b-1

2 . . 2 . . .
=1

RV (a-1)(b-1)

2 1. 2 . . ..2 + 2 . . . .
=1 =1 =1 =1

ERROR (B-1)(A)(r-1) Por diferencia

INTRA.

TOTAL abr-1

2
...2
=1 =1 =1

MC. Sergio Snchez Martnez 119


TABLA DE DOBLE ENTRADA PARA ESTUDIAR EL FACTOR QUE REQUIERE
u.e. PEQUEAS

VARIEDADES

RIEGOS V1 V2 V3

r1 Y11 Y12 Y13

r2 Y21 Y22 Y23

r3 Y31 Y32 Y33

Yk Y1 Y2 Y3 Y

COMPARACION DE MEDIAS

Si el factor aplicado a las u.e. grandes contiene a niveles y el factor aplicado a las
u.e. pequeas contiene b niveles, y si CME1, representa el CM del error interbloque
y CME2 el CM del error intrabloque, para comparar los promedios de tratamientos
bajo el modelo 1 se deben usar las desviaciones estndar que se dan en el cuadro
siguiente, segn sea el tipo de comparacin que se haga.

MC. Sergio Snchez Martnez 120


CASO TIPO DE COMPARACIN DESVIACIN ESTANDAR

I Diferencia entre dos medias de R; Ej.


= 21
(r2) (r1)

II Diferencia entre dos medias de V; Ej.


= 22
(V2) (V1)

Diferencia entre dos medias de V al


= 22
mismo nivel de R; Ej. (r1V2) (r1V1)
III

Diferencia entre dos medias de R al


2(1 + ( 1)2 )
mismo nivel V o 2 diferentes niveles =
IV
de V; Ej. (r1V2) (r1V2) o (r2V2) (r1V1)

De acuerdo a la tabla anterior podemos encontrar las siguientes DMS.

i) DMS para diferencias entre tratamientos de parcela grande

21
= (. 1)1

MC. Sergio Snchez Martnez 121


ii) DMS para diferencias entre tratamientos de subparcelas.

22
= (. 1)2

iii) DMS para diferencias entre tratamientos de subparcelas para el mismo


tratamiento de parcela grande.

= , (. 1. )2 22

iv) DMS para diferencias entre tratamientos de subparcelas en distintos


tratamientos de parcela grande.

2(1 + ( 1)2 )
= , (. 1. ) 1.2

Donde;
(1)2 (.1.)2 +1 (.1.)1
, (. 1. )1,2 = (1)2 + 1

7.2.3 EXPERIMENTOS CON PLANTAS PERENNES.

De cultivos como sorgo, tomate, algodn, chile, frutales, etc., con una siembra se
hacen varias cosechas o cortes en una misma planta, o en las plantas de una u.e.
En tales circunstancias, an cuando el experimento sea simple en el cual
nicamente se estudien variedades, fertilizacin, etc., un segundo factor es el
tiempo de corte, pudiendo existir una interaccin variedad x corte o tratamiento x
corte. Es decir ciertas variedades o algunos tratamientos respondern de manera
diferente en cada cosecha.

En estos casos, la mejor modalidad de evaluar los resultados experimentales es por


medio de un arreglo en parcelas divididas, en el que la parcela grande es la variedad
o tratamiento y la parcela chica es la cosecha o corte; sin embargo, es necesario
hacer una modificacin del error intrabloque. Si la distribucin es en bloques al azar,
el error intrabloque tendr dos componentes:

MC. Sergio Snchez Martnez 122


i) Interaccin corte x repts.

ii) Interaccin tratamiento x corte x repts.

La componente ii) es el error experimental para hacer las pruebas de F relativas.

ANVA

F.V. G.L. S.C.

REPTS r-1 Para calcular la S.C. de las

VARIEDADES (V) a-1 diferentes F.V., el procedimiento

ERROR es igual al descrito para el arreglo

INTERBLOQUE (r-1)(a-1) en parcelas divididas con distribu-

CORTES (C) b-1 cin en bloques al azar; sin embar-

VxC (a-1)(b-1) go, para calcular la S.C. para las

interacciones C x rept. y V x C x

x REPT. (b-1)(r-1) rept. se sigue el proceso que se

V x C x REPT. (a-1)(b-1)(r-1) indica a continuacin:

TOTAL abr-1

TABLA PARA CALCULAR LA S.C. DE LA INTERACCIN C X REPT.

MC. Sergio Snchez Martnez 123


Corte REPETICIONES TOTAL DE

I II III r CORTES

1 Y11 Y21 Y31 Yr1 Y1

2 Y12 Y22 Y32 Yr2 Y2

b Y1b Y2b Y3b Yrb Yb

Yj Y1 Y2 Y3 Yr Y


S.C. (C x REPT) = , 2 . . . (. . . + . . )

S.C. (VxCxREPT.) = Se calcula por diferencia

EJEMPLO 7.1

En la tabla siguiente se muestran los rendimientos, por u.e. de 6 m 2, de una


experimento cuyos objetivos fueron estudiar el efecto de la fertilizacin nitrogenada
en la produccin de chile serrano (Capsicum annuum L.). Se us urea de 46%
equivalentes a kg/Ha en parcelas de 3 x 3 = 9 m2, teniendo una parcela til de 6 m2
nicamente. A cada parcela se le dieron cuatro cortes.

DOSIS N Kg/Ha CORTES I II III IV V VI Yik Yi

MC. Sergio Snchez Martnez 124


0 2 2.8 2.4 4.1 3.4 2.5 3.9 19.1

1 1.1 1.3 1.3 0.9 0.9 1.0 6.5

4 1.6 1.5 1.9 0.7 1.3 0.8 7.8

3 1.8 1.5 1.4 1.5 1.7 1.3 9.2

Yij 7.3 6.7 8.7 6.5 6.4 7.0 42.6

50 2 4.5 2.5 3.1 4.4 8.1 3.8 26.4

1 1.5 1.1 1.6 1.7 1.1 1.2 8.2

4 1.9 1.5 1.3 0.9 2.3 0.8 8.7

3 1.7 1.7 2.3 1.7 2.0 1.4 10.8

Yij 9.6 6.8 8.3 8.7 13.5 7.2 54.1

100 2 3.0 4.1 3.9 3.2 2.5 4.3 21.0

1 0.9 0.9 1.4 0.9 1.2 0.9 6.2

4 1.0 1.3 1.7 1.1 1.0 1.1 7.2

3 1.8 1.9 1.6 2.3 2.3 2.0 11.9

Yij 6.7 8.2 8.6 7.5 7.0 8.3 46.3

150 2 4.7 3.0 5.1 5.8 4.5 4.0 27.1

1 1.8 1.5 1.4 1.9 2.2 1.1 9.9

4 1.4 1.7 0.9 1.8 1.9 2.7 10.4

3 3.3 2.4 2.3 2.3 1.9 2.6 14.8

11.2 8.6 9.7 11.8 10.5 10.4 62.2

TOTAL DE Y=
REPETICIONES
Yj 34.8 30.3 35.3 34.5 37.4 32.9 205.2

Yjk

2 (205.2)2
. . = = = 438.61
96

MC. Sergio Snchez Martnez 125


= 2 . . 2
=1

(34.8)2 + (30.3)2 + + (32.9)2


= = 438.61
16

= 440.41 438.61 = 1.805

() = 21 . . 2
=1

(42.6)2 + (54.1)2 + + (62.2)2


= 438.61
24

= 448.08 438.61 = 9.47

1 = 2 . 2 . . . 2 . + 2
=1 =1 =1 =1

(7.3)2 + (6.7)2 + + (10.4)2


= 448.08 440.41 + 438.61
4 -

= 458.63 448.08 440.41 + 438.61 = 8.75


2
= .. / 2 /
=1

MC. Sergio Snchez Martnez 126


TABLA DE DOBLE ENTRADA PARA ENCONTRAR LAS Y . . K

DOSIS CORTES

N Kg/Ha 1 2 3 4 Yi..

42.6

0 6.5 19.1 9.2 7.8

50 8.2 26.4 10.8 8.7 54.1

100 6.2 21.0 11.9 7.2 46.3

150 9.9 27.1 14.8 10.4 62.2

Y..k 30.8 93.6 46.7 34.1 Y= 205.2

(308.8)2 + (93.6)2 + + (34.1)2


= 438.61
(4) (6)

= 543.88 438.61 = 105.27


2 2 2 . . 2
= . .. +

=1 =1 =1 =1

MC. Sergio Snchez Martnez 127


(6.5)2 + (19.1)2 + + (14.8)2
= 448.08 543.88 + 438.61
6

3341.66
= 448.08 543.88 + 438.61
6

= 3.58

= ( 2 . . .) (. . + . .
,

.11 .12

(1.1 + 1.5 + 0.9 + 1.8)2 + (2.8 + 4.5 + 3.0 + 4.7)2 + +
=
4

.44

=
(0.8 + 0.8 + 1.1 + 2.7)2 . .

(5.3)2 + (15)2 + + (5.4)2


= 438.61 1.805 105.27
4
549.91

PARA COMPROBAR

REPETICIONES

MC. Sergio Snchez Martnez 128


CORTES I II III IV V VI Y. .k

1 5.3 4.8 5.7 5.4 5.4 4.2 30.8

2 15.0 12.0 16.2 16.8 17.6 16.0 93.6

3 8.6 7.5 7.6 7.8 7.9 7.3 46.7

4 5.9 6.0 5.8 4.5 6.5 5.4 34.1

Y.j. 34.8 30.3 35.3 34.5 37.4 32.9 Y... = 205.2

. .

( . ) = 549.91 438.61 1.805 105.27 = 4.2

MC. Sergio Snchez Martnez 129


Ft

F.V. G.L. S.C. C.M. Fc 0.05


0.01

REPTS. 5 1.80 ---------- --------

N 3 9.47 3.15 5.43* 3.29


5.42

E1 15 8.75 0.58 --------

C 3 105.27 35.09 70.18** 2.82


4.26

NxC 9 3.58 0.39 0.78

C x REPTS 15 4.22 ----------

NxCxREPT. 45 22.88 0.50

TOTAL 95 155.97

0.50
=
213

= 33.19%

MC. Sergio Snchez Martnez 130


Cul es la mejor dosis de N?
..
. . =

1 . . = 1.755 PRUEBA DE TUKEY

2.. = 2.25

DMSH = q (, T, g) S

3 . . = 1.92
= 4.08 1

4 . .2.59
0.58
= 4.08 = 0.63
24

4 .. 2 .. 3 .. 1 ..

2.59 2.25 1.92 1.775

1 .. 1.77 0.82 0.48 0.15 0

4 .. 2 .. 3 .. 1..
3 .. 1.92 0.67 0.33 0
150 50 100 0

2 .. 2.25 0.34 0

4 .. 2.59 0

MC. Sergio Snchez Martnez 131


CONCLUSION

La dosis a recomendar sera 50 y 150 , Kg/Ha, independiente del anlisis


econmico.

PRUEBA DE SCHEFFE

12 22
() = ()( 1)( 2 ) ( + + )

1 1
= (3.29)(3)(0.50) (24 + )
24

= (3.29)(3)(0.50)(112) = 0.69

4 .. 2 .. 3 .. 1 ..

2.59 2.25 1.92 1.77

1 .. = 1.77 0.82 0.48 0.15 0

3 .. = 1.92 0.67 0.33 0 4 .. 2 .. 3 .. 1 ..

2 .. = 2.25 0.34 2.59 2.25 1.92 1.77

4 .. = 2.59 0

Conclusin:

La dosis a recomendar sera 50 Kg/Ha, independiente del anlisis econmico.

MC. Sergio Snchez Martnez 132


CAPITULO VIII

ANALISIS DE COVARIANZA

8.1 INTRODUCCIN.

Las diferentes formas de disminuir el error experimental en los experimentos pueden


reunirse en dos grandes grupos: directa e indirecta. La forma directa incluye los
siguientes procedimientos: (i) seleccin homognea de las u.e.; (ii) estratificacin
de las unidades en grupos homogneos (diseos: bloques al azar, cuadro latino,
latices, etc.); y (iii) refinamiento en la conduccin de los experimentos. Como forma
indirecta de controlar el error experimental tenemos la COVARIANZA.

Cuando se usa la covarianza como mtodo para reducir el error, se hace


reconociendo el hecho de que la variacin observada de la variable dependiente y
(dato propio del estudio que se realiza) es parcialmente atribuible a la variacin de
la variable independiente X (observacin tomada en cada u.e. antes de aplicar los
tratamientos). Por ejemplo: el nmero de plantas (X) es concomitante del
rendimiento (Y) de cada parcela; los pesos iniciales (X) de los animales al comienzo
del experimento son concomitantes de los pesos finales (Y), etc. En el anlisis de
covarianza se combinan los anlisis de varianza y el de regresin. La tcnica es
posible aplicarla en los ms diversos diseos experimentales y en las ms variadas
condiciones; incluso cuando se tiene desiguala nmero de unidades por
tratamiento.

8.2 FINALIDADES DEL ANALISIS DE COVARIANZA.

Las finalidades ms importantes del anlisis de covarianza son los siguientes:

(i) Disminuir el error experimental, con le consiguiente aumento en la


precisin del experimento.
El efecto para incrementar precisin se puede ver en el siguiente ejemplo:

El grfico anterior est basado en el experimento realizado para comparar el efecto


de dos sustancias que posiblemente pueden estimular el crecimiento de ratones.

MC. Sergio Snchez Martnez 133


La correccin por covarianza es 1 = ( . . ), lo que hace es considerar
cules hubieran sido los incrementos de pesos si el peso inicial de todas las ratas
fuera .. Por lo tanto la diferencia 1 2 sera pequea y negativa, y 1 2 sera
grande y positiva.

(ii) Ajustan los promedios de los tratamientos a las diferencias entre los
promedios de la variable independiente.
La finalidad (ii) es evidente en la fig. 8.1 para cada tratamiento, se ve que
la variacin de X contribuye a la variacin de Y. Al mismo tiempo, la
distancia entre puede contribuir grandemente a la diferencia entre
1 2 . As pues, si las Y de los tratamientos se han observado a partir
de una comn, digamos .., entonces sern comparables.

(iii) Aclara la naturaleza de los efectos de tratamientos en experimentos


aleatorios.
Por ejemplo, en un experimento sobre los efectos de fumigantes para
suelos sobre nematodos, se encontraron algunas diferencias
significativas entre fumigantes, tanto en el nmero de quistes de
nematodos (X) como en los rendimientos (Y) del cultivo. La pregunta
surge: Pueden achacarse estas diferencias en rendimiento a las
diferencias en el nmero de nematodos? Una manera de examinar este
asunto es ver si las diferencias por tratamientos en los rendimientos
persisten, o si se desvanecen hasta hacerse insignificantes, despus de
ajuste por regresin de rendimientos sobre un nmero de nematodos.

8.3 EL MODELO Y SUPUESTOS PARA LA COVARIANZA.

El modelo aditivo lineal para un diseo dado es el correspondiente al ANVA ms un


trmino adicional para la variable independiente. As, para el diseo de bloques al
azar, la descripcin matemtica est dada por

= + + + ( . . ) +

donde B es el coeficiente de regresin de Y sobre X.

Reescribiendo la expresin en las siguientes formas:

MC. Sergio Snchez Martnez 134


( . . ) = + 1 + +

= + ( . . ) +

En el primer caso, deseamos efectuar un ANVA de valores que han sido ajustados
a la regresin respecto de una variable independiente. En el segundo caso, se
acenta el enfoque que la regresin. Deseamos medir la regresin de Y con
respecto a X sin la interferencia de efectos de bloques y tratamientos. Note que si
X no se midiera, entonces ( . . ) no se podra determinar y quedara pues
incluida en el trmino de error.

Los supuestos necesarios para el uso vlido de la covarianza son:

i) Los X son fijos e independientes de los tratamientos.


ii) La regresin de Y respecto a X es lineal e independiente de tratamientos
y bloques.
iii) Los errores se distribuyen normal e independientemente con media cero
y varianza comn.

MC. Sergio Snchez Martnez 135


TABLA 8.1 Anlisis de covarianza para un Diseo de Bloques al Azar

SUMA DE CUADRADOS Y PRODUCTOS SCy y Ajustado por X

F.V. G.L. ScX SPxy G.L. S.C. C.M.

TOTAL tr-1 , 2
2 ..
,
.... ..2
2

.

BLOQUES r-1
2 .

2 ..

. .

.... . 2


TRATAMIENTOS t-1
12

2 ..

.. .... 2 . ..2 t-1 A-B

1

ERROR (t-1)(r-1) POR DIFERENCIA Eyy ()2


(t-1)(r-1)-1

(1)(1)
2

Exx Exy

( )
TRAT.+ERROR R(t-1) +
+
+ r(t-1)-1


MC. Sergio Snchez Martnez 136


La tabla 8.1 da el anlisis de la covarianza para un diseo de bloques al azar y al
mismo tiempo, ilustra el procedimiento general que consiste en los siguientes pasos:

i) ANVA para la variable X


ii) ANVA para la variable Y
iii) El anlisis de covarianza (ANCOVA)
iv) Estimacin de B
v) Ajuste de los promedios de la variable
Dependiente Y si rechazamos Ho: B=0.

EJEMPLO 8.1 Los siguientes datos son rendimientos (Y) de cuatro lneas de frijol
soya que se compararon en un diseo de bloques al azar, y el porcentaje de tallos
infectados (X).

REPETICIONES LINEAS TOTALES

XA Y XB Y XC Y XD Y X Y

I 19.3 21.3 10.1 28.3 4.3 26.7 14.0 25.1 47.7 101.4

II 29.2 19.7 34.7 20.7 48.2 14.7 30.2 20.1 142.3 75.2

III 1.0 28.7 14.0 26.0 6.3 29.0 7.2 24.9 28.5 108.6

IV 6.4 27.3 5.6 34.1 6.7 29.0 8.9 29.8 27.6 120.2

TOTALES 55.9 97.0 64.4 109.1 65.5 99.4 60.3 99.9 246.1 405.4

Observando algunas parcelas con X extraordinariamente altas o bajas, ntese que


parece que hay una definida relacin negativa entre Y y X. Entonces, la aplicacin
de la covarianza es evidente para quitar esta fuente de error.

MC. Sergio Snchez Martnez 137


El primer paso es hacer el ANVA de los datos X y de Y, en la forma conocida para
el diseo de bloques al azar. Los resultados de estos dos anlisis se dan en el
cuadro siguiente:

F.V. % Infeccin (X) Rendimiento (Y)

G.L. S.C. C.M. Fc G.L. S.C. C.M. Fc.

BLOQUES 3 2239.3 3 272.9

TRATAMIENTOS 3 14.3 4.76 0.10N.S. 3 21.2 7.06 0.96N.S.

ERROR 9 427.0 47.44 9 66.0 7.33

TOTAL 15 2680.6 15 360.1

De estos anlisis de varianza se deduce que no hay diferencia significativa entre los
porcentajes de infeccin en las lneas de frijol, y que en estas condiciones tampoco
hay diferencias significativas entre los rendimientos. Sin embargo, debe buscarse la
respuesta a la siguiente pregunta:

Cules hubieran sido los promedios de rendimiento de las lneas de frijol, si no


hubiera habido infeccin de tallo o si ste hubiera sido uniforme?

Para responder esta pregunta se hace necesario el ANCOVA. Para este anlisis
hay que determinar los siguientes trminos que faltan en la tabla 8.1.


. . . .
=

=1 =1

(246.1)(405.4)
= (19.3)(21.3) + + (8.9)(29.8)
(4)(4)

= 5352.1 6235.55

= 883.45

MC. Sergio Snchez Martnez 138


=1 . . . . . .
=

= (47.7) (101.4) + + (27.6) (120.2) 6235.55

= 747.96

=1 . . . . . .
=

= (55.9)(97.0) + + (60.3)(99.9) 6235.55

= 10.20

SPerror= SPtotal SPbloques - SPtrat

= 883.45 + 747.96 10.20

= 145.69

ANCOVA

F.V. G.L. Y Ajustado por X

MC. Sergio Snchez Martnez 139


SCx SPxy SCy G.L. S.C. C.M. Fc

TOTAL 15 2680.6 -883.45 360.1

BLOQUES 3 2239.3 -747.96 272.9

TRATAMIENTO 3 14.3 10.20 21.2 3 29.3 9.76 4.8*

ERROR 9 427.0 -145.69 66.0 8 16.3 2.03

TRAT+ERROR 12 441.3 -135.49 87.2 11 45.60

Para tratamientos ms error, la suma de cuadrados ajustada es

()2 (135.492
= 87.2
441.3

= 45.60 con r(t-1)-1=11 g.1.

La suma de cuadrados del error est implicada en la tabla 8.1 como

2
( ) (145.69)2
= 66
427

= 16.3 con (r-1) (t-1)-1 = 8 g.1.

Y la suma de cuadrados de tratamientos ajustados es la diferencia entre la suma de


cuadrados de tratamientos ms error y la suma del error, es decir,

MC. Sergio Snchez Martnez 140


45.60 16.3 = 29.3 con t-1 = 3 g.1.

Para probar la hiptesis de que no hay diferencias entre medias de tratamientos


para Y ajustada por la regresin de Y con respecto a Z, calclese

9.76
= 2
= = 4.8
2.03

La Fc es significativa es prueba de que existen diferencias reales entre las medias


de los tratamientos para Y cuando se ajustan por X. Si las medias de tratamientos
no ajustadas hubiesen sido significantes, pero no las ajustadas, ello indicara que
las diferencias entre las medias no ajustadas solo reflejara diferencias en grado de
ataque de la enfermedad y no en rendimiento a una infeccin de tallo uniforme.

Deber aclararse que el coeficiente de regresin B, se supuso diferente de cero. Si


ste no fuese el caso, la introduccin en los clculos de la variable concomitante X
sera una complicacin innecesaria. Algunas veces el investigador querr
comprobar estas suposiciones. Esto es, considerar la hiptesis Ho: B=0. Cuando
se hace esto, l estar interesado en verificar la validez de Ho. La debida relacin
Fc es

2
( ) /
=
2

la cual tiene i y (t-1)(r-1) 1 grados de libertad. Para nuestro ejemplo:

(145.69)2 427
= = 24.48
2.03
Puesto que Fc > F(=0.01)= 9.65, razonablemente podemos suponer que B no es cero
y que, por lo tanto, es justificable realizar un ANCOVA.

OBSERVACION 8.1 El coeficiente de regresin est dado por la ecuacin.

MC. Sergio Snchez Martnez 141



=

Para ejemplo tenemos

145.69
= = 0.3411
427

Esto es, que por un aumento de una unidad en el % de infeccin a los tallos, hay un
decremento en promedio de 0.3411 unidades en el rendimiento.

Por otra parte, los promedios ajustados de los tratamientos estn dados por:

= . ( . . )

As para ejemplo tenemos

TRATAMIENTOS . ( . . ) =

A 24.25 - (-0.3411) (13.97-15.37) = 23.77

B 27.27 (-0.3411) (16.1 - 15.37 = 27.51

C 24.85 (-0.3411) (16.3 15.37) = 25.19

MC. Sergio Snchez Martnez 142


D 24.97 (-0.3411) (15.0715.37) = 24.86

El error estndar de la diferencia entre dos medias de tratamiento ajustadas es:

2 ( . . )2
2 [ +
= ]

Por ejemplo, para comparar las lneas A y B, se requiere

2 (13.97 16.1)2
= 2.03 [ + ] = 1.018
4 427

Para dar respuesta a la hiptesis Ho: B=D podemos hacer uso de la prueba de t,
esto es

2 4
=
2 [ + 2 (2 . 4 .)2
]

27.51 24.86
= = 2.62 > 0.05 (8) = 2.31
1.009

Conclusin:

MC. Sergio Snchez Martnez 143


Existe diferencia significativa entre las lneas B y D

8.4 GANANCIA EN PRECISION POR COVARIANZA.

Para probar la efectividad de la covarianza como medio de controlar el error, se


hace una comparacin de la varianza de una media de tratamiento antes y despus
del ajuste para la variable independiente X. Es decir,

CMerror (Y) antes del ajuste = 7.33

CMerror despus del ajuste = 2.03

Es necesario ajustar el ltimo valor con la ecuacin

2 2
()
= [1 + ]
( 1)
14.3
= 2.03 [1 + (3)(427)
]

= 2.052

Una estimacin de la eficiencia relativa (E.R.) es

()

2
. . = 100

7.33
= 100
2.052
= 357.21 %

Esto indica que 100 repeticiones con covarianza son tan efectivas como 357 sin
ello.

MC. Sergio Snchez Martnez 144


EJEMPLO 8.1

Considere un experimento agrcola para indicar los efectos de la fecha de plantado (temprano o tarde) y tipo de fertilizante
(areo o granulado) en la cosecha de frijoles soya. Estaban disponibles 24 parcelas experimentales homogneas. Se
asignaron los tratamientos al azar a las parcelas, sujetos nicamente a la restriccin de que 6 parcelas estuviesen asociadas
con cada una de las 4 combinaciones de tratamiento. Los datos se muestran en la tabla siguiente.

FECHA DE TIPO DE (t) REPETICIONES TOTAL DE

PLANTADO (F) FERTILIZANTE I II III IV V VI TRAT.

areo (0) 16 22 16 10 18 8 90 = (0,0)

Temprano

(0) granulado (1) 28 27 17 20 23 23 138 = (0,1)

areo (0) 16 25 16 16 19 16 108 = (1,0)

Tarde

(1) granulado (1) 28 30 19 18 24 25 144 = (1,1)

MC. Sergio Snchez Martnez 145


Y= 480

MC. Sergio Snchez Martnez 146


Ahora como |16.5 23.5| = 7 > 3.80 0 . 1 .

Conclusin:

Es mejor utilizar el fertilizante granulado que el areo.

8.5 FACTORIAL 23

Ahora, suponiendo un ensayo con los factores N-P-K, cada uno con dos niveles; a
saber:

FACTOR NIVELES

Nitrgeno (n) no, n1

Fsforo (p) po, p1

Potasio (k) ko, k1

Aqu se pueden generar 2 x 2 x 2 = 2 3 combinaciones de tratamientos, y


simblicamente los representamos por:

TOTAL DE TRATS

n0 p0 k0 (0,0,0)

n0 p0 k1 (0,0,1)

n0 p1 k0 (0,1,0)

n0 p1 k1 (0,1,1)

n1 p0 k0 (1,0,0)

n1 p0 k1 (1,0,1)

n1 p1 k0 (1,1,0)

n1 p1 k1 (1,1,1)

MC. Sergio Snchez Martnez 147


Estos 8 tratamientos ensayados en un diseo completamente al azar, se tendrn 8
r u.e.

MODELO

= + + + + () + () + () + () +

i = 0, 1

j = 0, 1

k = 0, 1

1 = 1 , 2, , r

~ = (0, 2 )

PARA CALCULAR LA MAGNITUD DE LOS EFECTOS

[(1,0,0) (0,0,0)] + [(1,0,1) (0,0,1)] + [(1,1,0) (0,1,0)] + [(1,1,1) (0,1,1)]


=
231

[(1,0,0) + (1,0,1) + (1,1,0) + (1,1,1)] [(0,0,0) + (0,0,1) + (0,1,0) + (0,1,1)]


=
4

() = 1 () = 0
=
4
De modo semejante

()=1 ()=0
=
4

MC. Sergio Snchez Martnez 148


()=1 ()=0
=
4

()+=0 ()+=1 + =0
= } 2
4 + =1

[(1,1,0) + (1,1,1) + (0,0,0) + (0,0,1)] [(0,1,0) + (0,1,1) + (1,0,0) + (1,0,1)]


=
4

() + = 0 () + = 1 + =0
= } 2
4 + =1

+=0 ()+=1 + =0
= } 2
4 + =1

()++=1 ()++=0 ++ =1
= } 2
4 ++ =0

Ahora, partiendo de que

(=1 . .)2
=
=1 2

Entonces la SC de los efectos son

[()=1 ()=0 ]2
() =
8

2
[()=1 ()=0 ]
() =
8

MC. Sergio Snchez Martnez 149


[()=1 ()=0 ]2
() =
8

2
[()+=0 ()+=0 ]
() =
8

[()+=0 ()+=1 ]2
() =
8

2
[()+=0 ()+=1 ]
() =
8

MC. Sergio Snchez Martnez 150

También podría gustarte