Está en la página 1de 25

“SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD DE CIENCIAS AGRARIAS

Escuela Profesional de Ingeniería Agrícola

“DISEÑO EXPERIMENTAL Y SU EJEMPLO”

PRESENTADO POR:

CORNELIO VICOS, Nilton Escobar

DOCENTE:

Ing. APARICIO ROQUE, Fidel Gregorio

HUARAZ- PERU

2018
CONTENIDO
I. INTORODUCCIÓN ........................................................................................................... 1
II. MARCO CONSEPTUAL ................................................................................................... 2
 Importancia del diseño experimental .................................................................................. 2
 Planificación del diseño experimental ................................................................................ 3
 Algunas definiciones básicas .............................................................................................. 4
 Principios básicos del diseño experimental ........................................................................ 6
 Análisis de varianza (ANVA) ............................................................................................. 8
 Modelo matemático ............................................................................................................ 9
 Tipos de modelos estadísticos ........................................................................................... 10
 Diseños básicos ................................................................................................................. 11
 Diseño completamente aleatorio o al azar (DCA) ............................................................ 11
III. EJEMPLOS DESARROLLADO...................................................................................... 16
IV. CONCLUCIONES ............................................................................................................ 21
V. BIBLIOGRAFIA .............................................................................................................. 22

CONTENIDO DE FIGURA

Figura 1:Variables del diseño experimental ................................................................................... 4


Figura 2: Agrupación de resultados del experimento en el diseño completamente aleatorio ....... 13
Figura 3: Formato de diseño de bloques ....................................................................................... 13
Figura 4: Regiones críticas en el diseño completamente aleatorio ............................................... 15

CONTENIDO DE TABLAS

Tabla 1: Representación simbólica del análisis de la variancia .................................................. 14


Tabla 2: Valores observados del rendimiento de tomate.............................................................. 16
Tabla 3: Representación simbólica del análisis de la variación del Bloque y tratamientos. ....... 17
Tabla 4: Análisis de la variancia del bloque, cuando se tiene una............................................... 19
Tabla 5: Cuadro del resultado del rendimiento en Kg respecto al tratamiento. .......................... 21
I. INTORODUCCIÓN

La mayor parte de la investigación científica se realiza por medio de los experimentos, y

para que un experimento tenga validez, tiene que ser realizado mediante un método objetivo,

y hasta ahora, la estadística es la única herramienta que cumple esa característica para la

realización y el análisis de experimentos donde diseño de experimentos es indispensable para

realizar cualquier investigación científica.

En el presente documento se hace un breve reseña y ejemplo de lo que son de uso más

común en el sector agrario. Dando como ejemplo la evaluación de lámina de riego en el

cultivo de tomate.

1
II. MARCO CONSEPTUAL

Bono Cabré (2011) señala que el diseño experimental es una estructura de investigación

donde al menos se manipula una variable y las unidades son asignadas aleatoriamente a los

distintos niveles o categorías de la variable o variables manipuladas.

El diseño experimental es el procedimiento de planeación y conducción de experimentos,

así como la definición del análisis estadístico para evaluar los resultados, con el objetivo de

tener conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a

modificar, la manera de su aplicación y el número de pruebas a realizar.

Es una estructura de investigación donde al menos se manipula una variable y las unidades

son asignadas aleatoriamente a los distintos niveles o categorías de la variable o variables

manipuladas. (p,35)

Importancia del diseño experimental

Ríos (2012) indica que el propósito del diseño experimental es proporcionar una cantidad

máxima de información pertinente al problema bajo investigación, es también importante

que el diseño o plan, sea tan simple como sea posible, es decir debe ser eficiente tanto en lo

estadístico como en lo económico. Un experimento diseñado estadísticamente proporciona

una estimación del error que puede servir como norma por la que pueden ser medidos los

resultados del experimento. Un investigador que planee un experimento debería incorporar

ambos de estos factores en sus diseños, esforzarse para lograr eficiencia estadística (buena

metodología estadística) y economizar recursos.

Aplicaciones del diseño experimental:

2
- Mejora en el rendimiento del proceso

- Menor variabilidad y mayor ajuste a los requerimientos del proceso

- Menor tiempo de desarrollo

- Menores costos globales del proceso. (p,195-196)

Planificación del diseño experimental

Kempthorne (citado en Rios,2012) un experimento diseñado estadísticamente consta

de los siguientes pasos:

1. Enunciado del problema (Comprensión y planteamiento del problema)

2. Formulación de las Hipótesis

3. Selección de tratamientos y el Diseño Experimental

4. Examen de los sucesos posibles y referencias en que se basan las razones que asegure

que el experimento proporciona la información requerida y en la extensión adecuada

5. Consideración de los posibles resultados desde el punto de vista de los procedimientos

estadísticos que se les aplicará, para asegurar que se satisfagan las condiciones

necesarias para que sean válidos estos procedimientos.

6. Ejecución del experimento

7. Aplicación de las técnicas estadísticas a los resultados experimentales

8. Interpretación de resultados y extracción de conclusiones y recomendaciones

9. Valuación de la investigación realizada y preparación del informe final

3
Esta lista es una guía referencial para cualquier investigador, ya que puede asegurar

que nada ha pasado desapercibido. (p,196)

Algunas definiciones básicas

a). Variables
Arquero, Berzosa, García y Monje (2009) define que las variables se pueden

clasificar en:

Variables independientes: es la que causa los cambios, observados al término del

experimento, en la variable dependiente. Es la variable que se puede manipular, o que

puede ser asignada por el investigador.

Variables dependientes: es la que recoge los efectos producidos por la variable

independiente. Está relacionada con el problema investigado.

Tanto la variable dependiente como la independiente están muy ligadas a la hipótesis del

experimento, por lo que la variable independiente en un experimento puede ser

dependiente en otro.

Variables extrañas: son las que no son ni la variable dependiente ni la independiente. (p,7)

Figura 1:Variables del diseño experimental


Fuente: Roser Bono Cabré.

Métodos de la investigación educativa.10/11/2009

4
b). Tratamiento
Ríos (2012) indica que se usa el término tratamiento, para denominar los diferentes

procesos cuyos efectos van a ser medidos y comparados. Un tratamiento es un conjunto

particular de condiciones experimentales que deben imponerse a una unidad

experimental. Un diseño de experimentos tendrá dos o más tratamientos, tal que una

comparación entre ellos permitirá resolver los problemas planteados al inicio del

experimento. En la selección de tratamientos es importante definir claramente cada uno

de ellos y entender el papel que jugará para alcanzar los objetivos del experimento.

La especificación de los tratamientos puede originar casos difíciles relativos a las

condiciones bajo las cuales van a ser comparados los tratamientos. Los tratamientos son

una creación de las circunstancias para el experimento. Es necesario identificar los

tratamientos con el papel que cada uno tiene en la evaluación de la hipótesis de

investigación. Si no se logra delinear con claridad esta hipótesis y el objetivo del estudio,

puede haber dificultades en la selección de los tratamientos y experimentos sin éxito. Por

eso es muy importante que el investigador se asegure de que los tratamientos elegidos

concuerden con la hipótesis de investigación.

c). Unidad Experimental

Ríos (2012) indica que se usará el término de unidad experimental para representar el

conjunto de material al cual se aplica un tratamiento en un solo ensayo.

La unidad puede ser una parcela, un alumno en el laboratorio, un lote de semillas, una

porción de masa, etc., específicamente en la industria química, ejemplos de unidades

experimentales pueden ser: lotes de material, trabajadores, máquinas. Entonces la unidad

5
experimental es el material experimental unitario que recibe la aplicación de un

tratamiento, es el elemento donde se realiza la medición. Es característico de tales

unidades, que produzcan diversos resultados aun cuando se sujeten al mismo tratamiento:

estas diferencias, bien sean grandes o pequeñas, contribuyen a formar los errores

experimentales.

d). Factor

Ríos (2012) indica que es un factor es un grupo específico de tratamientos, como, por

ejemplo: temperatura, humedad, dosis de nitrógeno en trigo, tipos de suelo, aditivo

químico, etc., se consideran un factor cada uno Las diversas categorías de un factor se

denominan niveles del factor, como, por ejemplo:

- cuatro diferentes dosis de nitrógeno: O; 37,5; 75,0 y 112,5 (kg/ha)

- tres diferentes tipos de suelo: normal, salino, sódico.

Al primero de ellos se le conoce como factor cuantitativo, tiene niveles asociado con

puntos ordenados en alguna escala de medición, y el segundo ejemplo corresponde a los

niveles de un factor cualitativo, que representan distintas categorías o clasificaciones, que

no se pueden acomodar conforme alguna magnitud. Al tratamiento también se le define

como a cada una de las combinaciones de niveles de los distintos factores.

Principios básicos del diseño experimental

Ríos (2012) define los siguientes términos:


a). Reproducción
Se entiende por reproducción la repetición del experimento básico. Es importante la

reproducción ya que:

6
- Proporciona una estimación del error experimental que actúa como una unidad

básica de medida para indicar el significado de las diferencias observadas o para

determinar la amplitud de un intervalo de confianza.

- La reproducción proporciona algunas veces una estimación más aproximada


del error experimental.
b). Aleatorización
Consiste en asignar al azar los tratamientos a las unidades experimentales. La
aleatorización
permite proceder como si la independencia de errores fuera un hecho. Los errores

asociados con unidades experimentales, tenderán a correlacionarse, y lo que hace la

aleatorización es asegurar que el efecto de esta correlación sea muy pequeño. La

aleatorización es una de las pocas características de los diseños experimentales moderno,

las ocasiones en que se requiere la aleatorización varían con el tipo de experimento y

deben dejarse a juicio del investigador. La aleatorización es en cierta forma un seguro,

por el hecho de que es una precaución contra interferencias que pueden o no ocurrir, y ser

o no importantes si ocurren.

c). Control Local

Control local, se refiere a la cantidad de balanceo, bloqueo y agrupamiento de las

unidades experimentales que se emplean en el diseño estadístico que se emplea. El

propósito del control local es hacer al diseño experimental más eficiente. Esta eficiencia

significa la reducción del error experimental mediante el control de todos los factores.

(p,198)

7
Análisis de varianza (ANVA)

El Análisis de Varianza, es una las técnicas más utilizadas en los análisis de los datos

de los diseños experimentales que se usa para comprobar si existen diferencias

significativas entre los promedios de los tratamientos (2 ó más), por lo que puede verse

como una extensión de la prueba t para diferencias de dos medias. Básicamente es un

procedimiento que permite dividir la varianza de la variable dependiente (la que se

estudia) en dos o más componentes, cada uno de los cuales puede ser atribuido a una

fuente (variable o factor) identificable.

El análisis de varianza se aplica en la investigación, pues está relacionado con el diseño

de experimentos, y puede ser usado para dos tipos de análisis: para contrastar hipótesis

acerca de varianzas y para contrastar hipótesis acerca de medias; aunque las conclusiones

acerca de las medias dependerán de las varianzas observadas.

a). Supuestos del análisis de varianza

El ANVA está basado en ciertos supuestos, acerca de dichas variables aleatorias. Es

evidente que cuantos más factores introduzcamos menos cantidad de variación residual

(error) quedará por explicar. Pero siempre quedará alguna variación residual (o error).

Los supuestos del ANVA son:

1. El valor esperado de cada variable aleatoria residual es cero.

2. Las variables aleatorias residuales son mutuamente independientes.

3. Todas las variables aleatorias residuales tienen la misma varianza.

4. Toda variable aleatoria residual se distribuye normalmente.

8
En algunos casos los datos o mediciones que se realizan no satisfacen las suposiciones,

sobre todo cuando las varianzas de las respuestas para diferentes tratamientos no son

iguales, entonces en estos casos interviene el criterio del investigador, ya que no se puede

desechar las mediciones realizadas en laboratorio, lo que sí se puede hacer es transformar

las mediciones; es decir, usando las mediciones originales, se podrían usar sus raíces

cuadradas, logaritmos o alguna otra función. Muchas de las transformaciones realizadas

tienden a estabilizar la varianza de la respuesta y hacen también que las distribuciones de

probabilidad de las respuestas transformadas estén más cerca de la normalidad.

Cuando es imposible lograr que se satisfagan estos supuestos del ANVA, se debe

utilizar procedimientos no-paramétricos de pruebas de hipótesis.

Modelo matemático

El modelo matemático especificado debe indicar la relación que se supone que existe

entre la variable respuesta y las principales fuentes de variación identificadas.Es

fundamental que el modelo elegido se ajuste a la realidad con la mayor precisión posible.

El modelo más habitual es el modelo lineal:

𝑌 = ∑ 𝛼𝑖 + 𝑒 (1)
𝑖=1

En este modelo la respuesta viene dada por una combinación lineal de término que

representan las principales fuentes de variación planificada más un términ residual (error)

debido a las fuentes de variación no planificada. Los modelos que más se estudian y

aplican, se ajustan a esta forma general.

9
Tipos de modelos estadísticos

Ríos (2012) define los siguientes modelos:

Los modelos de diseños de experimentos según la selección de tratamientos y los

efectos de los factores, pueden ser:

Estadística y diseño de experimentos

a). Modelo de efectos fijos

Es un modelo en el que los niveles del factor han sido seleccionados por el

experimentador. Es apropiado cuando el interés se centra en comparar el efecto sobre la

respuesta de esos niveles específicos.

Ejemplo: un ingeniero está interesado en comparar el rendimiento de tres máquinas

del mismo tipo que tiene en su empresa.

El modelo de efectos fijos es el que más se usa y aplica en ingeniería, y es el que se va

a usar en los diseños básicos que se presenta en este capítulo.

b). Modelo de efectos aleatorios

Es un modelo en el que todos los factores son factores de efectos aleatorios; es decir,

que sólo se incluyen en el experimento una muestra aleatoria simple de todos los posibles

niveles del mismo. Evidentemente se utilizan estos factores cuando tienen un número

muy grande de niveles y no es razonable o posible trabajar con todos ellos. En este caso

se está interesado en examinar la variabilidad de la respuesta debida a la población entera

de niveles del factor.

10
c). Modelo mixto

Es un modelo en el que hay factores de efectos fijos y factores de efectos aleatorios.

Diseños básicos

Los diseños básicos y de uso común en trabajos de investigación son los siguientes:
1. Diseño Completamente Aleatorio
2. Diseño de Bloques Aleatorios
3. Diseño Cuadrado Latino
Diseño completamente aleatorio o al azar (DCA)

Es el diseño más simple y aplicativo en diseños experimentales. El diseño

completamente al azar, es el diseño en el cual los tratamientos son asignados

completamente al azar a las unidades experimentales, o viceversa En este diseño

solamente se estudia el efecto de un factor, el cual se varía en diferente tratamientos o

niveles, por eso al diseño completamente aleatorio también se le llama diseño un factorial

o de clasificación de un solo criterio.

a). Características del diseño completamente al azar

- No impone restricciones en la distribución de los tratamientos a las unidades

experimentales.

- Se debe disponer de unidades experimentales homogéneas. Por lo tanto, este diseño

se usará en laboratorios o invernaderos.

- Cada tratamiento puede tener igual o diferente número de unidades experimentales.

- El número de tratamientos está en función del número de unidades experimentales.

(es conveniente menos tratamientos y más unidades experimentales).

11
b). Modelo aditivo lineal en el diseño completamente aleatorio

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 (2)

i = 1, 2,..., t (tratamientos)

j = 1, 2,..., n (iguales repeticiones por tratamiento)

j = 1, 2,..., ni (diferentes repeticiones por tratamiento)

Donde:

μ: es el efecto medio verdadero

τi: es el efecto verdadero del i-ésimo tratamiento.

eij : es el efecto verdadero de la j-ésima unidad experimental sujeta al i-ésimo

tratamiento.

Yij : Respuesta de la j-ésima unidad experimental sujeta al i-ésimo tratamiento.

Asunciones ∑𝑡𝑖=1 𝜏𝑖 = 0 𝑒𝑖𝑗 ~𝑁(0, 𝜎 2 )

c). Representación simbólica de los datos en el diseño completamente aleatorio

Los resultados del experimento que se pueden agrupar de la siguiente forma

12
Figura 2: Agrupación de resultados del experimento en el diseño completamente aleatorio

Fuente: Ríos (2012).

Donde:

Yij: es el resultado de la medición del i-ésimo tratamiento en la j-ésima repetición.

Y... = Σi=1 Yi... La suma de todas las observaciones

n. = Σi=1ni : El número total de unidades experimentales

Figura 3: Formato de diseño de bloques


Fuente: Experimentación agrícola Moquegua, (2009).

d). Análisis de varianza en el diseño completamente aleatorio


En esta parte desarrollaremos el Análisis de Varianza para el modelo de Efectos fijos

del diseño completamente aleatorio.

Para el cual se siguen los siguientes pasos:

13
1. Formulación de las hipótesis

 Hipótesis Nula (HO ): Todos los efectos de los bloques son iguales

𝐻𝑂 : 𝑅1 = 𝑅2 = 𝑅3 =𝑅4

 Hipótesis alterna (Ha ): Por lo menos uno de los efectos de los bloques es
diferente a las demás.

𝐻𝑎 : 𝑅1 ≠ 𝑅2 ≠ 𝑅3 ≠ 𝑅4

2. Presentar un nivel de significación adecuado, generalmente α = 0,05


3. Realizar los cálculos respectivos

Tabla 1: Representación simbólica del análisis de la variancia

Fuente de Grados de Cuadrados


Suma de Cuadrados F calculado (Fc)
Variación Libertad Medios

Tratamiento t-1

Bloque r-1

Error (t-1)(r-1)

Total tr-1

Fuente: Corado (2014)

Donde:

𝑇𝑟 =⋕ 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝑥 ⋕ 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 (2)

𝑋2
𝑇𝑐 = ∶ 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑐𝑐𝑖ó𝑛 (3)
𝑡𝑟

Coeficiente de variabilidad

14
𝑆
𝐶𝑉 = ∗ 100 (4)
𝑋̅
Donde:
S: Desviación estándar
𝑆 = √𝐶𝑀𝐸𝑟𝑟𝑜𝑟 (5)

4). Analizar las regiones críticas


Por otra parte, el cociente de dos variables χ2 se distribuye mediante la

distribución de F.

𝐶𝑀𝑇𝑟
𝐹𝑐 = ∶ 𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 (6)
𝐶𝑀𝐸

Figura 4: Regiones críticas en el diseño completamente aleatorio

Fuente: Regiones críticas en el diseño completamente aleatorio

5). Conclusiones e interpretación.


Conclusiones:
Si Fc > F1–α => Se rechaza Ho
Si Fc < F1–α => No se rechaza Ho
Nota: Los valores de F para α = 0,05

15
III. EJEMPLOS DESARROLLADO

En un experimento en DBCA (Diseño de Bloque Completo al Azar) en el cultivo de Tomate

se desea evaluar el efecto de lámina de riego sobre el rendimiento, los tratamientos están

expresados en mm/día, observados en parcelas de 200 m2 de área útil y el rendimiento en

Kg

Tabla 2: Valores observados del rendimiento de tomate

TRATAMIENTOS T1 T2 T3 T4
BLOQUES 150mm 155 mm 160mm 165mm
1 40 43.4 79.7 58.5
2 39.5 42.6 80 77.3
3 36.7 40.7 75.5 58.8
4 35.2 56.5 81.3 62.6
Elaboración propia
 Realice el análisis de varianza (ANVA) y dé sus conclusiones α=0.05

 Determine el coeficiente de variabilidad (C.V.) y dé la interpretación respectiva.

SOLUCIÓN

 planteamiento de la hipótesis
BLOQUES

 Hipótesis Nula (𝐻𝑂 ): Todos los efectos de los bloques son iguales

𝐻𝑂 : 𝑅1 = 𝑅2 = 𝑅3 =𝑅4

16
 Hipótesis alterna (𝐻𝑎 ): Por lo menos uno de los efectos de los bloques es

diferente a las demás.

𝐻𝑎 : 𝑅1 ≠ 𝑅2 ≠ 𝑅3 ≠ 𝑅4

TRATAMIENTOS

 Hipótesis Nula (𝐻𝑂 ): Todos los efectos de los tratamientos son iguales

𝐻𝑂 : 𝑅1 = 𝑅2 = 𝑅3 =𝑅4

 Hipótesis alterna (𝐻𝑎 ): Por lo menos uno de los efectos de los tratamientos es

diferente a las demás.

 𝐻𝑎 : 𝑅1 ≠ 𝑅2 ≠ 𝑅3 ≠ 𝑅4

 análisis de la varianza
Tabla 3: Representación simbólica del análisis de la variación del Bloque y tratamientos.

TRATAMIENTOS T1 T2 T3 T4 Total Promedio


BLOQUES 150mm 155 mm 160mm 165mm Bloque Bloque
1 40 43.4 79.7 58.5 221.6 55.4
2 39.5 42.6 80 77.3 241.4 59.85
3 36.7 40.7 75.5 58.8 211.7 52.925
4 35.2 56.5 81.3 62.6 235.6 58.9
Total Trat. 151.4 183.2 316.5 257.2 908.3 56.76875
Promedio Trat. 37.85 45.8 79.125 64.3 56.77
Elaboración propia

 Trabajamos con las siguientes fuentes de variabilidad: Bloque, Tratamiento y Error

 Entonces: después de la obtención del cuadro N1trabajamos con las ecuaciones 2,3,4,5y6

para obtener lo siguiente:

17
𝑡𝑟 =⋕ 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝑥 ⋕ 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 =16

𝑋2
𝑇𝑐 = : termino de corrección
𝑡𝑟

9082
𝑇𝑐 = = 51563.06
16

 𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = ∑𝑖𝑗 𝑋 2 𝑖𝑗 − 𝑇𝑐

𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = (402 + 39.72 + ⋯ ) − 51563.06


𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 =363.1369

∑𝑗 𝑋 2 𝑗
 𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = − 𝑇𝐶
𝑡

(261.62 + 279.22 + ⋯ )
𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = − 69907.36
4
𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 =363.1369

∑𝑖 𝑋 2 𝑖
 𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 𝑇𝐶
𝑟

(297.22 + 356.52 + ⋯ )
𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 69907.36
4
𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 =4139.017

 𝑆𝐶 𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 − (𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 + 𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠)


𝑆𝐶 𝐸𝑟𝑟𝑜𝑟 =63.80

18
Tabla 4: Análisis de la variancia del bloque, cuando se tiene una
observación por unidad experimental (ANVA)
Fuente de Cuadrado F Calculado
GL SC
variabilidad Medio (Fc)
Bloques 3 63.138 21.05 2.969
tratamiento 3 2839.45 946.33 133.495
error 9 63.8 7.089
total 15 4565.654
Elaboración propia

El valor de F Tabular lo hallamos a partir de la tabla N˚ IV con un nivel de significancia

𝛼 = 0.05 (95% de confianza) , donde para 3 y 9 GL los valores son 3.86 y 6.99

 PARA BLOQUES
𝐹𝑇 = 3.86
𝐹𝑇 = 6.99
𝐹𝐶 = 2.969

𝑭𝑻 > 𝑭𝑪
El nivel de significancia es de 0.05 (95% de seguridad), cuya área a la derecha sea

de0.05; si 𝐹𝑇 logra ser mayor que 𝐹𝐶 entonces es cuando se acepta la 𝐻𝑜 y se rechaza 𝐻𝑎

 PARA TRATAMIENTOS
𝐹𝑇 = 3.86
𝐹𝑇 = 6.99
𝐹𝐶 = 133.495
𝑭𝑪 > 𝑭𝑻
𝐹𝐶 logra ser mayor que 𝐹𝑇 entonces es cuando se rechaza la 𝐻𝑜 y se acepta 𝐻𝑎 , entonces

existe diferencia entre los promedios de los tratamientos.

19
Conclusiones:

Dentro del análisis de la varianza de nuestros datos se observa que, a mayor valor

de la medida de dispersión, existe mayor variabilidad entre estos.

COEFICIENTE DE VARIABILIDAD

𝑆 = √63.804

𝑆 = 2.663

𝑋̅: Promedio
Entonces:
2.663
𝐶𝑉 = ∗ 100
50.76
𝐶𝑉 = 5.24%
Conclusión:
El coeficiente de variabilidad nos indica la relación entre el tamaño de la media y la

variabilidad de la variable, en nuestro caso el valor obtenido de CV nos indica que hay

mayor homogeneidad entre los valores de la variable (5<CV<10) por lo tanto tiene un

rendimiento excelente.

20
IV. CONCLUCIONES
Se conoció que el diseño experimental es muy importante debido a que experimentalmente

se puede determinar los factores que influen sobre el experimento de acuerdo a los

tratamientos que se dan.

De acuerdo al ejemplo se concluye que la lámina de riego en el cultivo de tomate influye

en el rendimiento del cultivo.

Tabla 5: Cuadro del resultado del rendimiento en Kg respecto al tratamiento.

GRAFICA DE LAMINA DE RIEGO VS


RENDIMIENTO EN KG
90
80
70
60
50
40
30
20
10
0
T1 150mm T2 155 mm T3 160mm T4 165mm

21
V. BIBLIOGRAFIA

Saltos, H. (1993). Diseño experimental. Ambato, Ecuador, Editorial Pío, 12, 89-92.

Recuperado de https://scholar.google.com.pe/scholar?hl=es&as_sdt=0%2C5&q

dise% B1o+experimental+repeticiones&oq.

Argulles y Carvajal (2013). Estadística y diseño de experimentos Bogotá D.C., Colombia,

2013 recuperado de http://digitool.gsl.com.mx:1801/webclient/ StreamGate?

folder_id=0&dvs=1529409761890~54

Roser Bono C. (2012) Dpto. de Metodología de las Ciencias del Comportamiento

Universidad de Barcelona recuperado de

http://www.ub.edu/web/ub/es/universitat/campus_fac_dep/departaments/p/deppsicol

ogiasocialquantitativa.html

Cecilia Ríos Varillas (2012) Estadística y diseño de experimentos editorial Universidad Nacional
de Ingeniería
Corado y Corado, M. (2014). Evaluación de cuatro láminas de riego por goteo sobre el

rendimiento en el cultivo de plátano; Moyuta, Jutiapa (Tesis de grado, universidad

Rafael Landivar, Guatemala). Recuperado de http://biblio3.url.edu.gt/Tesario/

2014/06/03/ Corado-Maximino.pdf

22
23