Manual Metodos Estadisticos UNAMAD

Métodos Estadíscos para la Investigación Forestal - UNAMAD/Joel Peña Valdeiglesias 2010
UNIVERSIDAD NACIONAL AMAZONICA DE MADRE DE DIOS

FACULTAD DE INGENIERIA
CARRERA PROFESIONAL DE INGENIERIA FORESTAL Y MEDIO AMBIENTE
Métodos Estadísticos para la

Investigación Forestal y
Ambiental
Texto Universitario
J
Jooeell PPeeññaa V
Vaallddeeiigglleessiiaass
2010
1
Presentación
El presente Texto Universitario es una guía útil diseñada

para los estudiantes y para las personas que están
involucradas con la investigación científica, convirtiéndose
en una herramienta básica que le servirá para efectuar los
cálculos estadísticos y analíticos, para finalmente
interpretar los resultados obtenidos haciendo inferencias.
Para facilitar la comprensión del lector se utilizo ejemplos
sencillos y prácticos, iniciándose con los más sencillos
hasta llegar a los más complejos a través de la siguiente
estructura:
1. Diseños experimentales con un solo factor

 Diseño Completos al Azar (DCA)
 Diseño de Bloques Completos al Azar (DBCA)
 Diseños en Cuadrado Latino
2. Diseños experimentales con más de un factor

 Diseños con arreglo factorial.
Mención especial merece la sección donde se desarrollan

los Contrastes Ortogonales y Polinomios Ortogonales con
ejemplos totalmente desarrollados y explicados.
Finalmente es necesario indicar que en la parte de anexos
se incluyo la mayor parte de tablas estadísticas que se
utilizan en los diferentes análisis.
El Autor
2
PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL
Los tratamientos son el conjunto de circunstancias creados para el experimento, en

respuesta a la hipótesis de investigación y son el centro de la misma. Entre los ejemplos
de tratamientos se encuentran dietas de animales, producción de variedades de cultivos,
temperaturas, tipos de suelo y cantidades de nutrientes. En un estudio comparativo se
usan dos o más tratamientos y se comparan sus efectos en el sujeto de estudio.
La unidad experimental es la entidad física o el sujeto expuesto al tratamiento

independientemente de otras unidades. La unidad experimental, una vez expuesta al
tratamiento, constituye una sola réplica del tratamiento.
El error experimental describe la variación entre las unidades experimentales tratadas de

manera idéntica e independiente. Los distintos orígenes del error experimental son:
 la variación natural entre unidades experimentales;
 la variabilidad en la medición de la respuesta;
 la imposibilidad de reproducir las condiciones del tratamiento con exactitud de una
unidad a otra
 la interacción de los tratamientos con las unidades experimentales, y
 cualquier otro factor externo que influya en las características medidas.
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.
A continuación se presentan tratamientos, usados en el marco de investigaciones reales,
generados por hipótesis de investigación:
 Se estudió la cinética de bebida de las abejas productoras de miel a diferentes
temperaturas ambientales, para responder a la hipótesis de que la energía
requerida al reunir comida para la colonia era independiente de la temperatura.
 La supervivencia de siembras de Euphorbia atacadas por un patógeno del suelo
se determinó para distintos tipos de tratamientos de fungicida, en respuesta a la
hipótesis de que no todos los fungicidas tienen la misma eficiencia para controlar
tal patógeno.
 En ingeniería de tránsito, se evaluaron varios métodos para medir los retrasos del
tránsito en intersecciones con diferentes tipos de configuraciones en los
semáforos, en respuesta a la hipótesis de que el método para medir retrasos
dependía del tipo de configuración usada en la señalización.
REPRODUCCION
La comunidad científica considera la réplica de un experimento como el primer requisito

para obtener resultados experimentales válidos.
Existen diversas razones para hacer réplicas de un experimento, las más notables son:
 Demuestra que se pueden reproducir los resultados, al menos bajo las
condiciones experimentales actuales.
3
 Proporciona cierto grado de seguridad contra resultados anormales en el

experimento, debidos a accidentes no previstos.
 Proporciona las medias para estimar la varianza del error experimental. Aun
cuando la experimentación previa proporcione estimaciones de la varianza, la
estimación a partir del experimento en curso puede ser más exacta porque refleja
el comportamiento actual de las observaciones.
 Proporciona la posibilidad de aumentar la precisión en la estimación de las medias
de los tratamientos.
El número de réplicas en un estudio de investigación afecta la precisión de las

estimaciones de las medias de los tratamientos y la potencia de las pruebas estadísticas
para detectar las diferencias entre las medias de los grupos en tratamiento. Sin embargo,
el costo de conducir estudios de investigación restringe las réplicas a un número
razonable. Entonces, el número de réplicas está determinado por las restricciones
prácticas que se pueden asignar al problema.
CONTROL LOCAL
El control local describe las acciones que emplea un investigador para reducir o controlar
el error experimental, incrementar la exactitud de las observaciones y establecer la base
de la inferencia de un estudio.
El investigador controla:
 técnica incluyen tareas sencillas como una medición exacta, la preparación de

medios, obtención de soluciones o calibración de instrumentos. Cuando la técnica
tiene un efecto adverso en la precisión, las varianzas estimadas del error
experimental se incrementan de manera innecesaria.
 selección de unidades experimentales Las unidades experimentales
heterogéneas producen valores grandes en la varianza del error experimental. Por
ejemplo, la selección de plantas en un estudio de su crecimiento se puede
examinar en el conjunto de condiciones en el cual se espera cultivar las
variedades; así, las condiciones pueden ser muy diversas. Si las selecciones se
examinan en varios sitios lejanos entre sí, la uniformidad en cada lugar cobra
importancia.
 bloquización o aseguramiento de la uniformidad de información en todos los
tratamientos La bloquización proporciona control local del ambiente para reducir
el error experimental. Las unidades experimentales se agrupan de manera que su
variabilidad dentro de los grupos sea menor que entre las unidades antes de
agruparlas.
 selección del diseño experimental El diseño experimental es el arreglo de las
unidades experimentales utilizado para controlar el error experimental, a la vez
que acomoda los tratamientos. Existe en la literatura una amplia variedad de
arreglos diseñados para controlar el error experimental y se observa una tendencia
natural a diseñar los experimentos de acuerdo con diseños ya existentes.
 medición de covariados. Las covariadas son variables relacionadas con la
variable de respuesta que nos interesa. La información de las covariadas se usa
para establecer un control estadístico sobre la varianza del error experimental,
mediante un procedimiento conocido como análisis de covarianza.
4
ALETORIZACION O RANDOMIZACION
La réplica de un experimento proporciona los datos para estimar la varianza del error
experimental. La bloquización proporciona un medio para reducir el error experimental.
Sin embargo, las réplicas y la bloquización por sí solos no garantizan estimaciones
válidas de la varianza del error experimental o de las comparaciones de tratamientos.
La randomizacion reduce la falsificación sistematica, por ej. Ordenando varias o todas las
parcelas de un tratamiento a un costado del campo donde la luz es mayor, influirá
fuertemente en nuestros datos. La randomizacion además nos da una de las condiciones
básicas para la mayoría de los diseños: los datos son independientes.
Consiste en la determinación al azar de los tratamientos en el área de experimentos o
parcelas, para que influencias marginales y vecinales puedan actuar en forma homogénea
sobre las diferentes variantes o tratamientos. Sin randomizar el coeficiente de varianza es
pequeño, o sea, la precisión alta. Pero la credibilidad del experimento es baja. El ensayo
no es reproducible con el mismo resultado en otro terreno. Para obtener datos validos y
poder responder la hipótesis de la investigación hay que randomizar. La precisión puede
resultar más baja, pero el valor real es más acertado.
Ejemplo sin randomizar
Calidad de suelo
A B C D E
A B C D E
A B C D E
rendimiento
Ejemplo randomizado
Calidad de suelo
A C B E D
E D A B C
C B D A E
rendimiento
5
DISEÑO COMPLETO AL AZAR

(DCA o DCR)
Es un diseño en el cual los tratamientos son asignados completamente al azar a las

unidades experimentales o viceversa. Es usado por las siguientes características:
1. Aplicable solo cuando las unidades experimentales son homogéneas (verificar si
existe tal homogeneidad)
2. Los tratamientos pueden tener igual o diferente número de unidades
experimentales
3. La distribución de los tratamientos a las unidades experimentales se hace
completamente al azar
4. El número de tratamientos está en función del número de unidades experimentales
que se dispone. Es conveniente tener menos tratamientos y mas unidades
experimentales que muchos tratamientos con pocas unidades experimentales
(repeticiones)
Este diseño trata de demostrar lo siguiente:

- Comparar el comportamiento de los tratamientos
- Estimar medias de tratamiento
- Estimar diferencias entre tratamientos
- Predecir el comportamiento de los tratamientos
Las principales ventajas de este diseño son la sencillez y la flexibilidad. Una de sus
desventajas consiste en que algún otro diseño suele ser capaz de estimar el error
estándar por unidad experimental (error experimental) con un mayor grado de precisión.
Ejemplos :
Ejemplo 1.- Para el ejemplo numérico tomaremos el caso hipotético de seis clones
clones de yuca, conducidos en un DCA con 6 repeticiones, y con rendimientos
expresados en Kg.
6
A A D C E C
7.8 8.5 10.0 8.0 7.2 7.8
D B B D F C
6.0 9.2 8.6 8.5 8.4 8.2
B A C E C F
8.0 9.2 7.0 8.6 9.0 6.0
D F A B B A
7.5 7.3 6.9 7.0 7.2 7.6
E D F F E E
6.9 8.0 8.5 9.8 9.2 8.1
Ordenando los datos en un cuadro ordenado de resultados tenemos:
Clones
A B C D E F
7.8 9.2 8 10 7.2 8.4
8.5 8.6 7.8 6 8.6 6
9.2 8 8.2 8.5 6.9 7.3
6.9 7 7 7.5 9.2 8.5
7.6 7.2 9 8 8.1 9.8 Total gral
Total trat 40 40 40 40 40 40 240
Promedio 8 8 8 8 8 8 8
En este caso observamos que los promedios de los tratamientos son aritméticamente
iguales, por lo que no requiere mayor análisis, y se concluye que los seis clones de yuca
tienen la misma capacidad rendidora.
Ejemplo 2.- En el presente experimento se trata de probar el efecto se 4 sustratos

sobre el crecimiento de la caoba, para lo cual se establecieron 5 repeticiones por
tratamiento
Trat 4 : 30 gr humus/bolsa
Ho = todos los tratamientos son iguales

H1= Por lo menos existe una diferencia entre tratamientos
7
Rep T1 T2 T3 T4
1 18 17 17 16
2 17 15 15 11
3 16 16 14 10
4 17 17 16 14
5 18 19 15 12
Sum 86 84 77 63 310
Prom 17.2 16.8 15.4 12.6 15.5
Inicialmente se procede a realizar el análisis de varianza respectivo:
Fuente de variacion G de libertad S de cuadrados C medio error Fc Ft

Tratamiento
Error
Total
Gl trat= nro trat -1 = 4-1=3
Gl Total = (Trat*rep)-1 =19
GL error= (T)*(r)=4*4=16
TC= (Sum x) 2 / T*r = (310*310)/ 4*5 = 4805
SCtrat = - TC
SCtrat = (86 ) 2 + (84) 2 + (77) 2 + (63) 2

---------------------------------------------- - TC
5
SCtrat = 65
SC Total = - TC
SC Total = (182 + 17 2 … + 122 ) - TC
SC Total = 105
SCErr = SC Total - SCtra t = 105 - 65
SCErr = 40
8
CMtrat = SCtra t / Gl trat = 21.67
CMErr = SCErr/ GL error = 2.5
Fc = CMtrat / CMErr
Hallando los valores de F tabulado con los valores de la tabla “F” de Fisher al 5% y al 1%
(ver tabla 1 y 3 del anexo) encontramos que:
 Ft 5% = 3.239
 Ft 1% = 5.292
ANALISIS DE VARIANCIA
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 3 65 21.67 8.67 3.24 5.29
Error 16 40 2.5
Total 19 105
CV =
CV = 10.20 %
9
Interpretación del ANVA
Como “F calculado” es mayor a “F tabulado” tanto al 5% y como al 1%, entonces se

concluye que con un 99% de certeza podemos hallar diferencias altamente
significativas entre tratamientos, rechazándose la hipótesis nula bajo el mismo nivel de
significación.
El coeficiente de variabilidad nos muestra un valor bajo (10%), hecho que nos
demuestra que los datos están dentro de la distribución normal, y que podemos
continuar con los análisis.
Comparación de Promedios.
Habiéndose encontrado diferencias significativas entre los tratamientos, ahora tenemos
que detectar cual de los tratamientos es el mejor o tiene mayor rendimiento, para lo cual
tenemos que hacer una prueba de comparación de promedios, en este caso usaremos el
método de Tukey y el de Duncan:
Prueba de Tukey
Paso 1. Primero ordenamos los promedios en orden descendente:
T1 T2 T3 T4
17.2 16.8 15.4 12.6
Paso 2. Elaboramos un cuadro de doble entrada para los promedios de los tratamientos,
luego procedemos a hacer las comparaciones entre los tratamientos.
T1 T2 T3 T4
17.2 16.8 15.4 12.6
T1 17.2 0 0.4 1.8 4.6
T2 16.8 0 1.4 4.2
T3 15.4 0 2.8
T4 12.6 0
Paso 3. Hallando el valor critico de Tukey (w)
Donde :
q = Valor de la tabla de Tukey al 5% y 1%
r = Numero de repeticiones
10
Encontramos los valores de q en la tabla de Tukey :
Donde: q 5%= 4.05

q 1%= 5.19
Por lo tanto el valor crítico de Tukey, de acuerdo a la formula nateriormente indicada es:
w5% = 2.86
w1% = 3.67
Paso 4. Comparar las diferencias entre los promedios con el valor calculado w.
Las diferencias mayores a w5% se marcan con un asterisco (*) y significa que existe
diferencias al 5%. Las diferencias mayores a w1% se marcan con dos asteriscos (**) y
significa que existe diferencias al 1%
T1 T2 T3 T4
17.2 16.8 15.4 12.6
T1 17.2 0 0.4 1.8 4.6(*)((**)
T2 16.8 0 1.4 4.2(*)(**)
T3 15.4 0 2.8
T4 12.6 0
11
Paso 5. Ordenando los resultados
Dosis de humus Altura Significacion

por planta promedio (cm) 5% 1%
30 gramos 17.2 a a
20 gramos 16.8 ab ab
10 gramos 15.4 abc abc
0 gramos 12.5 c c
Interpretación de la Prueba de Tukey
Con un 99% de certeza podemos afirmar que la aplicación de 30, 20 y 10 gramos de

humus de lombriz por bolsa producen un mayor crecimiento de las plantas de caoba, al
mismo tiempo dichos promedios son estadísticamente iguales.
Por otro lado, el crecimiento promedio más bajo se observo en el testigo (0 gramos de
humus)
Prueba de Duncan
Es la más utilizada ampliamente entre las diversas pruebas de rango múltiple disponibles.
Evita la comisión de errores inherentes al empleo indiscriminado de la prueba DSM
(Diferencia Significativa Mínima).
Esta prueba se utiliza más apropiadamente cuando diversos tratamientos no
relacionados se incluyen en un experimento (por ejemplo para efectuar todas las
comparaciones posibles entre las capacidades de producción de diversas variedades)
Los valores son más altos que DSL de T-student, esto permite ser más exigente en la
comparación, porque requiere que la diferencia sea más grande para alcanzar una
significación.
Este método también requiere el cálculo del error estándar de promedios. Así:
AES = Amplitudes estudentizadas significativas (valor de la tabla que

depende del nivel de significación ∞, gl error y del numero de
tratamientos).
12
Así para nuestro caso tenemos que los valores de la tabla de Duncan son tres para cada
nivel de confianza :
Valores
Valores Críticos q'(p, df; 0.05) para pruebas de Rango Múltiple Críticos q'(p, df; 0.01) para pruebas de Ran
de Duncan
gl 2 3 4 5 6 7 2 10 3 11 4 12 5 13 6 14 7 15
8 gl 9 8
1 17.969 17.969 17.969 17.969 17.969 17.969 17.9691 17.969 17.969
90.024 17.969
90.024 17.969
90.024 17.969
90.024 17.969
90.024 17.96990.0
90.024 1
2 6.085 6.085 6.085 6.085 6.085 6.085 6.0852 6.085 6.085 6.085 6.085 6.085 6.085
14.036 14.036 14.036 14.036 14.036 14.036 14.0 6.085
3 4.501 4.516 4.516 4.516 4.516 4.516 4.5163 4.5168.26 4.5168.3214.5168.321
4.5168.321
4.5168.3214.516 8.321
4.516 8.3
4 3.926 4.013 4.033 4.033 4.033 4.033 4.0334 4.033 4.033
6.511 6.677 4.033 4.033 4.033 4.033
6.74 6.755 6.755 6.755 4.033 6.7
5 3.635 3.749 3.796 3.814 3.814 3.814 3.8145 3.814 5.7023.8145.8933.8145.989
3.814 6.04
3.8146.0653.814 6.074
3.814 6.0
6 3.46 3.586 3.649 3.68 3.694 3.697 3.6976 3.697 3.697 3.697 3.697
5.243 5.439 5.549 5.614 5.655 3.697 3.697 3.697 5.6
5.68
7 3.344 3.477 3.548 3.588 3.611 3.622 3.6257 3.625 4.9493.6255.1453.625 5.26
3.6255.333
3.6255.3833.625 5.416
3.625 5.4
8 3.261 3.398 3.475 3.521 3.549 3.566 3.5758 3.579 3.579 3.579 3.579 3.579
4.745 4.939 5.056 5.134 5.189 5.227 3.579 3.579 5.2
9 3.199 3.339 3.42 3.47 3.502 3.523 3.5369 3.544 4.5963.5474.7873.5474.906
3.5474.986
3.5475.0433.547 5.086
3.547 5.1
10 3.151 3.293 3.376 3.43 3.465 3.489 3.505 10 3.5164.4823.5224.6713.5254.789
3.5254.871
3.5254.9313.525 4.975
3.525 5
11 3.113 3.256 3.341 3.397 3.435 3.462 3.4811 3.4934.3923.5014.5793.5064.697
3.509 4.783.514.8413.51 4.8873.51 4.9
12 3.081 3.225 3.312 3.37 3.41 3.439 3.459 12 3.4744.323.4844.504 3.4914.622
3.4954.705
3.4984.7673.498 4.815
3.498 4.8
13 3.055 3.2 3.288 3.348 3.389 3.419 3.441 13 3.4584.263.474.442 3.478 4.56
3.4844.643
3.4884.706 3.49 4.7543.49 4.7
14 3.033 3.178 3.268 3.328 3.371 3.403 3.426 14 3.4444.213.4574.391 3.4674.508
3.4744.591
3.4794.6543.482 4.703
3.484 4.7
15 3.014 3.16 3.25 3.312 3.356 3.389 3.413 15 3.4324.1673.4464.3463.4574.463
3.4654.547
3.471 4.613.476 4.663.478
16 2.998 3.144 3.235 3.297 3.343 3.376 3.402 16 3.4224.1313.4374.3083.4494.425
3.4584.508
3.4654.572 3.47 4.622
3.473 4.6
17 2.984 3.13 3.222 3.285 3.331 3.365 3.392 17 3.4124.0993.4294.2753.4414.391
3.4514.474
3.4594.5383.465 4.589
3.469 4
18 2.971 3.117 3.21 3.274 3.32 3.356 3.383 18 3.4044.0713.4214.2463.4354.361
3.4454.445
3.4544.509 3.46 4.559
3.465 4.6
19 2.96 3.106 3.199 3.264 3.311 3.347 3.375 19 3.3974.0463.415 4.223.4294.3353.444.418
3.4494.4833.456 4.533
3.462 4.5
20 2.95 3.097 3.19 3.255 3.303 3.339 3.368 20 3.394.0243.4094.197 3.4234.312
3.4354.395
3.4454.4593.452 4.513.459 4.5
Calculando los valores de DSL al 5%, y contrastando estos mismos con la diferencia de
25 2.913 3.059
los promedios tenemos: 3.154 3.221 3.271 3.31 3.341 25 3.942 4.112 4.224 4.307 4.371 4.423
3.366 3.386 3.403 3.417 3.429 3.439 3.447 4.4
30 2.888 3.035 3.131 3.199 3.25 3.29 3.322 30 3.3493.8893.3714.0563.3894.168
3.405 4.25
3.4184.3143.429 4.366
3.439 4.4
40 2.858 3.005 3.102 3.171 3.224 3.266 40 3.3283.8253.3523.988
3.3 3.3724.098
3.389 4.18
3.4044.2433.418 4.295
3.429 4.3
60 2.829 2.976 3.073 3.143 3.198 3.241 3.277 60 3.3073.7623.3333.9223.355 4.03
3.3744.111
3.3914.1743.406 4.226
3.419 4
80 2.814 2.961 3.059 3.13 3.185 3.229 3.266 802 3.2973.7323.32333.89
3.3463.997
3.366
44.077
3.384 4.14 3.4 4.192
3.414 4.2
120 2.8 2.947 3.045 3.116 .AES
3.1725%3.217 3.2541202.998 3.702
3.286 3.3133.8583.3373.964
3.114 4.044
3.3774.107
3.3583.235 3.394 4.158
3.409 4.2
240 2.786 2.933 3.031 3.103 Error
3.159 3.205 3.243 240 3.2763.6723.3043.8273.3293.9323.354.0113.374.073
3.388 4.125
3.404 4.1
α 2.772 2.918 3.017 3.089 estándar
3.146 3.193 3.232α0.7071
3.265
3.6433.2943.7963.32 3.9
0.7071 3.343 3.363 4.04
3.978
0.7071 3.382 4.091
3.399 4.1
DSL 2.1198858 2.2019094 2.2874685
T1 T2 T3 T4
17.2 16.8 15.4 12.6
T1 17.2 0 0.4 1.8 4.6 (*)
T2 16.8 0 1.4 4.2(*)
T3 15.4 0 2.8(*)
T4 12.6 0
13
Ordenando los resultados:
Dosis de humus Altura Significacion

por planta promedio (cm) 5%
30 gramos 17.2 a
20 gramos 16.8 ab
10 gramos 15.4 abc
0 gramos 12.5 d
Interprete los resultados y haga la comparación al 1% con su respectiva interpretación.
Ejemplo 3. DCA incompleto.- Una plantación de eucalipto fue sometida a los siguientes
tratamientos:
A.- Riego cada 7 días
B.- Riego cada 10 dias
C.- Riego cada 15 dias
D.- Riego cada 20 dias
E.- Riego cada 25 dias
F.- Sin riego
Obteniendose las siguientes alturas al final del experimento :
A B C D E F
4.9 3.9 4.9 3 3.7 2.1
3.8 2.1 5.2 2.9 2.5 1.9
2.7 4.1 3.4 3 1.8
2 3 4 2
Las hipótesis planteadas son las siguientes:

Ho = todos los tratamientos son iguales
H1= Por lo menos existe una diferencia entre tratamientos
Gl trat= nro trat -1 = 6-1=5

Gl Total = 21-1 =20
GL error= Gl Total - Gl trat = (20-5) = 15
TC= (Sum x) 2 /Nro unidades exp = (66.9)2/21 = 213.12
SCtrat = - TC
SCtrat = [ (11.4)2/3 + (12.1)2/4 + (10.1)2/2 + (12.3)2/4 + (13.2)2/4 + (7.8)2/4 ] - TC
14
SCtrat = 14.4
SCTotal = - TC
SC Total = (4.92 + 3.9 2 … + 22 ) - TC

SC Total = 22.27
SCErr = SC Total - SCtra t = 22.27 - 14.40

SCErr = 7.87
CMtrat = SCtra t / Gl trat = 2.88

CMErr = SCErr/ GL error = 0.52
Fc = CMtrat / CMErr = 5.49
CV =
CV = 21.41 %
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 5.00 14.40 2.88 5.49 4.56 2.90
Error 15.00 7.87 0.52
Total 20.00 22.27
Como “F calculado” es mayor a “F tabulado”, entonces se concluye que con un 99% de

certeza podemos hallar diferencias altamente significativas entre tratamientos,
rechazándose la hipótesis nula bajo el mismo nivel de significación.
Prueba de Tukey
Paso 1. Primero ordenamos los promedios en orden descendente:
C A E D B F
5.05 3.8 3.3 3.075 3.025 1.95
Paso 2. Elaboramos un cuadro de doble entrada para los promedios de los tratamientos,
luego procedemos a hacer las comparaciones entre los tratamientos.
15
C A E D B F
5.05 3.8 3.3 3.075 3.025 1.95
C 5.05 0 1.25 1.75 1.975 2.025 3.1
A 3.8 0 0.5 0.725 0.775 1.85
E 3.3 0 0.225 0.275 1.35
D 3.08 0 0.05 1.125
B 3.03 0 1.075
F 1.95 0
Paso 3. Hallando el valor critico de Tukey (w)
En este caso como estamos frente a un experimento con parcelas perdidas, donde
algunos tratamientos no tiene el mismo número de repeticiones, y donde se va ha
comparar los tratamientos en estas condiciones, procedemos a calcular w para cada
comparación, con la siguiente fórmula:
CMerr 1 1
W5% = q5% x √ x √ +
2 rx ry
Donde :
q = Valor de Tukey al 5%
rx = Numero de repeticiones del primer tratamiento a comparar
rx = Numero de repeticiones del segundo tratamiento a comparar
Así por ejemplo, si se va ha comparar el Tratamiento C con el Tratamiento A, el valor de
rx será = 2 (porque el Tratamiento C tiene 2 repeticiones) y ry será =3 (porque el
Tratamiento A tiene 3 repeticiones). en el siguiente cuadro se presenta todos los valores
de w para cada comparación:
16
Paso 4. Comparar las diferencias entre los promedios con el valor calculado w.
Las diferencias mayores a w5% se marcan con un asterisco (*) y significa que existe
diferencias al 5%.
C A E D B F
5.05 3.8 3.3 3.075 3.025 1.95
C 5.05 0 1.25 1.75 1.975 2.025 3.1(*)
A 3.8 0 0.5 0.725 0.775 1.85
E 3.3 0 0.225 0.275 1.35
D 3.075 0 0.05 1.125
B 3.025 0 1.075
F 1.95 0
Trat Promedio Grupo

C 5.050 a
A 3.800 a b
E 3.300 a b c
D 3.075 a b c
B 3.025 b c
F 1.950 c
17
De la misma forma hacemos la prueba de Tukey para un 99% de significación: Donde en

primer lugar se calcula los valores críticos de Tukey (W) para cada comparación.
C A E D B F
5.05 3.8 3.3 3.075 3.025 1.95
C 5.05 0 1.25 1.75 1.975 2.025 3.1(*)
A 3.8 0 0.5 0.725 0.775 1.85
E 3.3 0 0.225 0.275 1.35
D 3.075 0 0.05 1.125
B 3.025 0 1.075
F 1.95 0
Finalmente contrastando las diferencias entre los valores críticos de Tukey tenemos:
18
Trat Promedio Grupo

C 5.050 a
A 3.800 a b
E 3.300 a b
D 3.075 a b
B 3.025 a b
F 1.950 b
Ejemplo 4 . Se probo 4 raciones de alimentos (A,B,C, y D) para ver el efecto de los

mismos en sajinos. Se pide hallar cual de las raciones es la mejor y efectuar las
inferencias y conclusiones correspondientes.
A B C D
20 40 40 25
30 45 35 15
15 30 25 10
25 40 30 20
35 45 30
19
DISEÑO DE BLOQUES COMPLETOS

AL AZAR (BCA)
Siempre que se pueda observar o distinguir la presencia de una fuente de variabilidad en

las unidades experimentales, se debe de emplear el Diseño de Bloques Completos al
Azar.
Para hacer más homogéneo el material del experimento y para poder calcular diferencias
ambientales (calidad de suelo, malezas, luz, viento, ataque de plagas), se recomienda
formar grupos homogéneos, que se denominan bloques. Para reducir estos factores
(conocidos o desconocidos) que influyen en la investigación, pero no son de interés, se
forman grupos, en los cuales las condiciones deben ser lo más homogéneas posibles.
Estos grupos se denominan bloques.
Las diferencias o variaciones dentro de los bloques deben ser mínimas

(homogéneas) y entre los bloques lo más grande posible (heterogéneas), por eso a este
diseño se le conoce como de doble vía de clasificación. Entre más homogéneo sea un
bloque, mejor se podrá calcular en el ANVA el efecto de la influencia no deseada.
Estas diferencias pueden ser tanto las arriba mencionadas, como también puede ser la
cosecha durante varios días. En este caso la cosecha se realiza en un día todo el bloque
completo I, al siguiente día el siguiente bloque completo, para mantener la mayor
homogeneidad dentro de un bloque. Lo mismo vale para evaluaciones. Si diferentes
personas evalúan la investigación, una persona debe hacerlo en todo un bloque, la otra
persona lo hará en otro bloque.
Con la ayuda de bloques se puede calcular el factor “calidad del suelo” (en caso de
heterogeneidad del suelo) y restarlo del error del ensayo. Con esto, los efectos causados
por los factores del tratamiento obtienen estadísticamente mejor visibilidad.
Bloques Incorrectos Bloques correctos

I II III IV
I
II
III
IV
20
Pendiente de
fertilidad
Zonas de heterogeneidad pueden ser zonas de estancamiento, con sombra de arboles o

edificios, zonas pedregosas o laderas. En laderas, el agua puede llevar el abono de una
parcela más alta a una más baja, que en el peor de los casos es el testigo nulo. Este
lavado influye o falsifica los datos obtenidos en la investigación.
Randomizacion y formación de bloques en si son contradictorios, ya que la formación de

bloques requiere de cierta distribución consecuente, mientras que la randomizacion trata
de impedir esto. Esta contradicción se resuelve en formar bloques y randomizar dentro de
ellos.
Bloque I Bloque II
C E A C
D B E D
F A F B
Bloque III Bloque IV

F A E A
D B C F
C E D B
Entre las ventajas de este diseño tenemos:
 Permite eliminar la variabilidad total existente en todas las unidades experimentales

 Si existe perdida de datos de algunas unidades experimentales, se pueden calcular los
mismos por el método de Yates.
Su principal desventaja radica en el hecho de que no es apropiado para un número
elevado de tratamientos, ya que debido a esto aumenta el tamaño del bloque, y por lo
tanto aumenta la variabilidad de cada bloque y dentro de él.
Ejemplo 1.- Se evaluó el crecimiento en altura de cuatro especies forestales al cabo de

15 años, dicha evaluación se hizo en cinco localidades diferentes, obteniéndose los
siguientes resultados:
21
Moena Copaiba Albizzia Palisangre

Bloque I
46.7 23.8 26.9 31.8
Copaiba Palisangre Albizzia Moena

Bloque II
28.7 32.9 27.9 42.4
Palisangre Copaiba Moena Albizzia

Bloque III
29.1 22.9 42.4 27.9
Albizzia Moena Palisangre Copaiba

Bloque IV
22.7 47.3 37.1 27.1
Copaiba Albizzia Palisangre Moena

Bloque V
27.8 30.9 28.9 49.3
Efectúe los análisis y las inferencias respectivas.
Ordenando los datos por bloques y tratamientos tenemos:
Tratamientos
Bloque Moena Copaiba Albizzia Palisangre
I 46.7 23.8 26.9 31.8
II 42.4 28.7 27.9 32.9
III 42.4 22.9 27.9 29.1
IV 47.3 27.1 22.7 37.1
V 49.3 27.8 30.9 28.9
Hallando las sumatorias y promedios tenemos:
Tratamientos
Bloque Moena Copaiba Albizzia Palisangre
I 46.7 23.8 26.9 31.8
II 42.4 28.7 27.9 32.9
III 42.4 22.9 27.9 29.1
IV 47.3 27.1 22.7 37.1
V 49.3 27.8 30.9 28.9
∑ 228.1 130.3 136.3 159.8 654.5
Promedio 45.62 26.06 27.26 31.96 32.725
Efectuando el Análisis de Variancia (ANVA)
GLtrat = 4-1= 3
GLbloq= 5-1=4
GLE = 4*3= 12
TC = GT2 / t*b =(654.5)/ 2 = 21418.5125
SCtrat =( 2282 +1302 +1362 +1592)/5 – TC = 1205.7735
22
SCBloq = (1292 + 1312+1222+1342+1362)/4 -TC= 31.185
SCTot= (462 +232+ …+ 282 ) –TC = 1350.0775
SCE =SCT-SCtrat-SCBloq) = 113.119

FV GL SC CM Fc Ft 5% FT 1%
Trat 3 1205.7735 401.9245 42.6373465 3.49 5.953 **
Bloques 4 31.185 7.79625 0.82704939 3.49 5.953 ns
Error 12 113.119 9.42658333
Total 19 1350.0775 71.0567105
Prueba de Tukey
Ordenando los promedios de los tratamientos y efectuando la diferencia entre ellos:
Moena Palisangre Albizzia Copaiba

45.62 31.96 27.26 26.06
Moena 45.62 0.00 13.66 18.36 19.56
Palisangre 31.96 0.00 4.70 5.90
Albizzia 27.26 0.00 1.20
Copaiba 26.06 0.00
Hallando los valores críticos de Tukey y estableciendo las comparaciones:
w= q (valor tabla) * raiz (Cmerr/r)
w5% = 4.2 1.37302586 = 5.76670859
w1% = 5.5 1.37302586 = 7.55164221
al 5% al 1%
Moena 45.62 a a
Palisangre 31.96 b b
Albizzia 27.26 b c b
Copaiba 26.06 c b
BLOQUE AL AZAR CON UNA PARCELA FALTANTE.
En los experimentos de campo en algunos casos debido a baja emergencia de plantas,

daños de animales, daños de maquinaria u otros daños mecánicos, se puede perder la
información de alguna parcela experimental.
Cuando se pierde información de alguna parcela, no es posible analizar el experimento

debido a que el diseño requiere para su análisis de igual número de repeticiones por
tratamiento. Por lo que es necesario hacer una estimación de la observación faltante
mediante el método de Yates (1936).
23
Yij= Valor estimado.

Ti = Suma del valor del tratamiento que contiene a la parcela perdida.
Rj = suma del valor de la réplica o bloque que contiene a la parcela perdida.
G = Gran Total de todas las observaciones.
t= Número de tratamientos
r =Número de réplicas
EJEMPLO:
Ejemplo 2.- Se realizó un experimento con un diseño de bloques al azar con el

objetivo de evaluar el efecto de un fungicida en 4 variedades de naranjas. La
segunda réplica del tratamiento 2 hubo que eliminarlo. Estime el valor de la
parcela faltante y realice el análisis de varianza.
Bloques
Tratamientos I II III IV
1 15 20 25 18
2 21 16 15
3 20 18 25 15
4 17 15 19 22
Calculando el valor faltante con la ecuación de Yates
4(52) + (4)(53) − 281

Y=
(3)(3)
Y = 15.44
Trabajando con el dato calculado:
Bloques
Trat.
I II III IV ∑ Trat Prom Trat.
1 15 20 25 18 78 19.5
2 21 15.44 16 15 67.44 16.86
3 20 18 25 15 78 19.5
4 17 15 19 22 73 18.25
∑ Bloq 73 68.44 85 70 296.44 18.5275
Prom. Bloq 18.25 17.11 21.25 17.5
24
GLtrat = 4-1= 3
GLbloq= 4-1=3
GLE = 3*3= 9
TC = GT2 / t*b =(296.44)2/ 16 = 5492.2921
SCtrat =( 782 +67.442 +782 +732)/4 – TC = 18.9963
SCBloq = (732 + 68.442+852+702)/4 -TC= 42.2163
SCTot= (152 +202+ …+ 222 ) –TC = 175.1015
SCE =SCT-SCtrat-SCBloq) = 113.8889
Ft
FV GL SC CM Fc Significacion
5% 1%
Trat 3 18.9963 6.3321 0.50039 3.34 5.56 ns
Bloques 3 42.2163 14.0721 1.112039 3.34 5.56 ns
Error 9 113.8889 12.65432
Total 15 175.1015 11.67343
CV =
CV = 19.2 %
Se observa, de acuerdo al coeficiente de variabilidad, que los datos están dentro de la

distribución normal, y se concluye con un 99% de certeza de que no existen diferencias
significativas entre los tratamientos, por lo que nuestro análisis finaliza aquí.
Ejemplo 3.- En un experimento de Bloques Completos al Azar se evaluó el rendimiento

de 06 variedades de pijuayo (a,b,c,d,e y f) . En el cuadro ordenado de resultados se
observa que existe una parcela perdida , y los rendimientos están expresados en kg de
fruto/planta. . Estime el valor de la parcela faltante, realice el análisis de varianza, las
pruebas de comparación de medias y las inferencias respectivas.
25
Cuadro ordenado de resultados, rendimiento de pijuayo en kg/planta.
Calculando el valor faltante con la ecuación de Yates
(6)(161.3) + (5)(228.6) − 1420.1

Y=
(5)(4)
Y = 34.5
26
Realizando el Análisis de variancia con el dato calculado de la parcela perdida.
GLtrat = 6-1= 5
GLbloq= 5-1= 4
GL total= 29 – 1 = 28
GLE = 28-5-4 = 19
TC = GT2 / t*b =(1454.6)2/ 30 = 70528.71
SCTrat =( 252.42 + 236.92 + …262.42)/5 – TC = 1130.3
SCBloq = (263.12 + 275.92 + …283.72 ) /6 -TC= 474.31
SCTot= (452 + 42.72 + …+ 42.52 ) – TC = 2615.7
SCE = SCTot – SCTrat - SCBloq = 1011
Análisis de Variancia
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 5 1130.3147 226.0629 4.2484 2.7400 4.1700
Bloques 4 474.3147 118.5787 2.2284 2.9000 4.5000
Error 19 1011.0253 53.2119
Total 28 2615.6547
√CMErr
CV = x 100
Promedio total
CV = 15.044%
27
Interpretación del ANVA
Como “F calculado” es mayor a “F tabulado” tanto al 5% y como al 1%, entonces se

concluye que con un 99% de certeza podemos hallar diferencias altamente
significativas entre tratamientos, rechazándose la hipótesis nula bajo el mismo nivel de
significación.
El coeficiente de variabilidad nos muestra un valor bajo (15.044%), hecho que nos
demuestra que los datos están dentro de la distribución normal, y que podemos
continuar con los análisis.
Continuando con los análisis hacemos la prueba de comparación de promedios mediante

la prueba de Tukey, donde hay que tener las consideraciones siguientes:
 Si se va a efectuar una comparación entre tratamientos completos (ambos

tratamientos con sus cinco repeticiones) , el valor crítico de Tukey se calcula como
se hace normalmente a través de la siguiente ecuación:
W5% = ( 4.47 ) (3.26226)
W5% = 14.5823
W1% = (5.55) (3.262264847)
W1% = 18.1055699
 Si se va a efectuar una comparación entre un tratamiento completo y otro

incompleto (tratamientos con cinco repeticiones versus tratamiento con cuatro
repeticiones), el valor crítico de Tukey se calcula a través de la siguiente ecuación:
28
W5% = ( 4.47) (7.294645958) (0.479583152)
W5% = 15.63780019
W1% = (5.55) (7.294645958) (0.479583152)
W1% = 19.41606063
Donde:
n = numero de tratamientos.
r = número de repeticiones o bloques.
Ordenando los promedios en forma descendente (de mayor a menor):
Rendimiento
Tratamiento
promedio (kg)
e 58.06
f 52.48
a 50.48
b 47.38
d 43.36
c 39.16
Restando los promedios entre si a través de un cuadro de doble entrada tenemos:
29
Haciendo los contrastes al 95% entre las diferencias de los promedios y los valores
críticos de Tukey tenemos:
W5% = 14.58 (Para parcelas con tratamiento completo)
W5% = 15.64 (Para parcelas con tratamiento incompleto. En este caso solo se
contrastara este valor con los del tratamiento “C”, ya que es el único que tiene las
parcelas incompletas)
En este caso colocamos un asterisco si el valor de la tabla es superior al valor crítico de

Tukey, lo cual indicaría que existe diferencia significativa entre los tratamientos
comparados. Caso contrario, si el valor de la tabla es inferior al valor critico de Tukey, no
se coloca nada en la tabla, lo cual nos indicaría que los tratamientos en comparación son
estadísticamente iguales.
Contrastar con 14.58 Contrastar con 15.64
e f a b d c
Trat.
Prom. 58.06 52.48 50.48 47.38 43.36 39.16
e 58.06 0 5.58 7.58 10.68 14.7 (*) 18.9(*)
f 52.48 0 2 5.1 9.12 13.32
a 50.48 0 3.1 7.12 11.32
b 47.38 0 4.02 8.22
d 43.36 0 4.2
c 39.16 0
Resumiendo se tiene:
Rendimiento
Tratamiento Grupo
promedio (kg)
e 58.06 a
f 52.48 a b
a 50.48 a b
b 47.38 a b
d 43.36 b
c 39.16 b
30
Interpretación de la Prueba de Tukey
Con un 95% de certeza podemos afirmar que las variedades e,f,a y b de pijuayo
producen un mayor rendimiento de frutos de pijuayo por arbol, al mismo tiempo dichos
rendimientos promedios son estadísticamente iguales.
Por otro lado, los rendimientos mas bajos de pijuayo se observo en las variedades d y
c
Para la comparación de promedios con un 99% de certeza se procede de manera similar,

pero esta vez tomando en cuenta los valores críticos de Tukey (W1%) calculados
previamente.
31
DISEÑO EN CUADRADO
LATINO (DCL)
El diseño en bloques aleatorios es adecuado cuando una fuente de variabilidad extraña se

elimina comparando un conjunto de medias muestrales. Una Característica importante de
este tipo de diseño es su balance, que se logra asignando el mismo número de
observaciones a cada tratamiento de cada bloque. La misma clase de balance puede
lograrse en otros tipos de diseño mas complicados, en los cuales es conveniente eliminar
el efecto de varias fuentes extrañas de variabilidad.
El diseño en cuadrado latino (DCL) se usa para eliminar dos fuentes de variabilidad, es
decir, permite hacer la formación de bloques sistemática en dos direcciones. Por lo tanto,
las filas y las columnas representan en realidad dos restricciones sobre la aleatorización.
De esta forma, se llama cuadro latino a un arreglo experimental obtenido a partir de una
matriz cuadrada t x t en la que aparecen t elementos diferentes dados, de tal forma que
cada fila y cada columna, contenga una sola vez cada uno de los elementos en
consideración. Cada una de las t2 celdas resultantes contiene una de las t letras que
corresponde a los tratamientos, y cada letra ocurre una y solo una vez en cada fila y
columna. Algunos de los cuadrados latinos son:
Una de las ventajas del DCL es que al hacer el control local en dos direcciones, se tiene
un mayor control en la variación, resultando el CME más pequeño que cuando se usa
DCA o DBCA.
Sin embargo, esta clase de experimento presenta algunas desventajas, como son:
 El número de tratamientos se limita al número de filas y al número de columnas.
 Si t ≥ 10 no es recomendable el uso de cuadros latinos, pues el número de

unidades experimentales se incrementa notablemente a medida que t aumenta.
32
Hay doce posibles formas de arreglar un cuadro latino 3 x 3:
La siguiente tabla permite relacionar el número de cuadros en función del tamaño.
n = tamaño del cuadro.
Ejemplo 1.- En un cultivo de arroz desarrollado en la fase inicial de un sistema

agroforestal se probaron los siguientes fertilizantes nitrogenados:
 A .- (NH4)2SO4 (Sulfato de Amonio)

 B.- NH4NO3 (Nitrato de Amonio)
 C.- CO(NH2)2 (Urea)
 D.- Ca(NO3)2 (Nitrato de Calcio)
 E.- NaNO3 (Nitrato de Sodio)
 F.- Sin Nitrógeno (Sin fertilizante nitrogenado)
Donde las unidades experimentales o parcelas tenían 10m x 12m y se obtuvieron los
siguientes resultados en kilogramos/parcela:
33
Columna
Fila I II III IV V VI
F D A B E C
I 28.2 29.1 32.1 33.1 31.1 32.4
E B C F D A
II 31 29.5 29.4 24.8 33 30.6
D E F C A B
III 30.6 28.8 21.7 30.8 31.9 30.1
C A B D F E
IV 33.1 30.4 28.8 31.4 26.7 31.9
B F E A C D
V 29.9 25.8 30.3 30.3 33.5 32.3
A C D E B F
VI 30.8 29.7 27.4 29.1 30.7 21.4
Considerando que se utilizo el Diseño en Cuadrado Latino, se pide determinar cuál de los
ferilizantes usado tuvo un mejor efecto en la producción.
Para facilitar los cálculos, en el mismo cuadro ordenado de resultados hallamos las
sumatorias de los rendimientos por columnas y filas:
Columna
Fila I II III IV V VI ∑ filas
F D A B E C
I 186
28.2 29.1 32.1 33.1 31.1 32.4
E B C F D A
II 178.3
31 29.5 29.4 24.8 33 30.6
D E F C A B
III 173.9
30.6 28.8 21.7 30.8 31.9 30.1
C A B D F E
IV 182.3
33.1 30.4 28.8 31.4 26.7 31.9
B F E A C D
V 182.1
29.9 25.8 30.3 30.3 33.5 32.3
A C D E B F
VI 169.1
30.8 29.7 27.4 29.1 30.7 21.4
∑ Col 183.6 173.3 169.7 179.5 186.9 178.7 1071.7
Al mismo tiempo ordenamos los resultados por tratamientos y hallamos la sumatoria y los
promedios:
34
Filas
Trat I II III IV V VI Total Trat Promedio
F 28.2 24.8 21.7 26.7 25.8 21.4 148.6 24.8
A 32.1 30.6 31.9 30.4 30.3 30.8 186.1 31.0
B 33.1 29.5 30.1 28.8 29.9 30.7 182.1 30.4
C 32.4 29.4 30.8 33.1 33.5 29.7 188.9 31.5
D 29.1 33 30.6 31.4 32.3 27.4 183.8 30.6
E 31.1 31 28.8 31.9 30.3 29.1 182.2 30.4
Total 186 178.3 173.9 182.3 182.1 169.1 1071.7 29.8
GLtrat = 6 -1= 5
GLfilas = 6 -1= 5
GLcolumnas = 6 -1= 5
GLTotal = 36 – 1 = 35
GLErr = 35 – 5 – 5 - 5 = 20
TC = GT2 / (# filas)(# col) = 1071.72 / 36 = 31903.91361
SCtrat =( 148.62 +….+ 182.22)/ 6 – TC = 185.7647222
SCfilas = (1862 +…+ 169.12)/4 -TC= 32.18805556
SCcolumnas = (183.62 +…+ 178.72)/4 -TC= 33.66805556
SCTot= (28.22 +24.82+ …+ 29.12 ) –TC = 281.8763889
SCE = SCT- SCtrat – Scfilas - SCColumnas) = 30.25555556
Ft
F de V gl SC CM FC Significacion
5% 1%
Tratamiento 5 185.76 37.15 24.56 2.71 4.10 **
Fila 5 32.19 6.44 4.26 2.71 4.10 **
Columna 5 33.67 6.73 4.45 2.71 4.10 **
Error 20 30.26 1.51
Total 35 281.88
CV
CV = 4.13%
35
Se encontró con un 99% de certeza diferencias altamente significativas entre los

tratamientos, y se puede continuar con los análisis ya que los datos del experimento
tienen una distribución normal.
Prueba de Tukey
Ordenando los promedios y estableciendo la diferencia entre ellos:
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72
A 31.02 0.00 0.38 0.65 0.67 6.25
D 30.63 0.00 0.27 0.28 5.87
E 30.37 0.00 0.02 5.60
B 30.35 0.00 5.58
F 24.77 0.00
Calculando los valores críticos de Tukey
W 5% = (4.45) x ( 0.5021)
W 5% = 2.23
W1% = (5.51) x ( 0.5021)
W1% = 2.77
Estableciendo los contrastes respectivos tanto al 5% como al 1% tenemos:
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
36
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
Se concluye con un 95% de certeza que los tratamientos C,A,D,E y B son

estadisticamente iguales, y que al mismo tiempo son superiores al tratamiento F
Prueba de Duncan
Hallamos los valores de DSL de Duncan al 5% con la siguiente fórmula:
Así en el cuadro siguiente observamos los valores de la tabla AES 5% para cada
tratamiento, y de la misma forma el error estándar (√CMErr/r). Obteniéndose finalmente
los valores DSL:
2 3 4 5 6
AES 5% 2.9500 3.0970 3.1900 3.2550 3.3030
Error estándar 0.5021 0.5021 0.5021 0.5021 0.5021
DSL 1.4812 1.5550 1.6017 1.6343 1.6584
Contrastando los valores calculados de DSL con la diferencia de los promedios tenemos:
37
2 3 4 5 6
AES 5% 2.9500 3.0970 3.1900 3.2550 3.3030
Error estándar0.5021 0.5021 0.5021 0.5021 0.5021
DSL 1.4812 1.5550 1.6017 1.6343 1.6584
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
Finalmente se concluye indicando que con un 95% de certeza que los tratamientos
C,A,D,E y B son estadisticamente iguales, y que al mismo tiempo son superiores al
tratamiento F
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
Efectuando análogamente la misma comparación al 1% tenemos:
38
2 3 4 5 6
AES 1% 4.0240 4.1970 4.3120 4.3950 4.4590
Error estándar0.5021 0.5021 0.5021 0.5021 0.5021
DSL 2.0205 2.1073 2.1651 2.2067 2.2389
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
Llegando finalmente a la misma conclusión que la comparación al 5%.
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
39
COMPARACIONES DE MEDIAS
En el caso de los tratamientos sin estructura, que son los tratamientos entre los cuales no
existe ninguna relación entre ellos, ejemplo un conjunto de variedades se pueden
comparar por cualquiera delos métodos de comparación de medias como son: MDS,
Duncan, Tukey, SNK, Scheffé, etc.
Los tratamientos cualitativos con estructura, que son los tratamientos que pueden ser
agrupados en cuanto a alguna característica, por ejemplo un conjunto de 4 variedades,
dos precoces y dos tardías, se comparan con contrastes ortogonales.
En los tratamientos cuantitativos, por ejemplo niveles de fertilización (0, 40, 80, Kg./ha
de N), se utilizan los polinomios ortogonales, para estudiar las tendencias: lineal,
cuadrática, cúbica, etc. No quiere esto decir que no podamos aplicar en cada uno de
estos casos otros métodos de comparación de medias, siendo recomendable para
tratamientos cualitativos la prueba de Duncan, y para cuantitativos Tukey u otra prueba.
La DMS debe ser aplicada para pocos tratamientos.
MÉTODO DE COMPARACIÓN DE MEDIAS POR LA MÍNIMA DIFERENCIA

SIGNIFICATIVA
Para este caso se utiliza la siguiente fórmula:

2𝐶𝑀𝐸
𝐷𝑀𝑆 = 𝑡(∞, 𝑔𝑙) √
𝑛
Donde:
t (∞, gl) = Valor de la tabla de distribución de t para el nivel de significación deseado ,

considerando los grados de libertad del error.
n = Numero de repeticiones
Para nuestro ejemplo del cuadrado latino al 5% tenemos:
2(1.51)
DMS 5% = 2.086 x √
6
DMS 5% = 1.480
Estableciendo los contrastes respectivos tenemos:
40
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
COMPARACIÓN DE MEDIAS POR EL MÉTODO DE STUDENT- NEWMAN- KEULS

(SNK)
Esta prueba es similar a la prueba de Duncan pero con las tablas de Tukey.
Pasos a seguir:
Calculo de las medias,
Se calcula el error standard de igual forma que en Duncan
𝐶𝑀𝐸
𝑆𝑁𝐾 = 𝑡(𝑡𝑟𝑎𝑡, 𝑔𝑙) √
𝑛
Donde:
t (trat, gl) = Valor de la tabla deTukey para el nivel de significación deseado ,

considerando los grados de libertad del error.
41
2 3 4 5 6
t 5% 2.9500 3.5800 3.9600 4.2400 4.4500
Error estándar0.5021 0.5021 0.5021 0.5021 0.5021
SNK 1.4812 1.7975 1.9883 2.1289 2.2343
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
Finalmente efectuando los contrastes respectivos tenemos:
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
42
COMPARACIÓN DE MEDIAS POR EL MÉTODO DE SCHEFFÉ.
El procedimiento de la prueba es el siguiente:
𝐶𝑀𝐸
𝑆𝑐ℎ𝑒𝑓𝑓é = √(𝑡 − 1)(𝐹∞, 𝑔𝑙𝑡𝑟𝑎𝑡, 𝑔𝑙𝑒𝑟𝑟) √
𝑛
Donde:
t = Numero de tratamientos
F(∞, gltrat,glerr) = Valor de la tabla de distribución F de Fisher para el nivel de

significación deseado , considerando los grados de libertad de tratamientos y
del error.
1.51
𝑆𝑐ℎ𝑒𝑓𝑓é 5% = √(6 − 1)(2.711) √
6
Scheffe 5% = 1.843
Estableciendo los contrastes respectivos tenemos:
C A D E B F
31.48 31.02 30.63 30.37 30.35 24.77
C 31.48 0.00 0.47 0.85 1.12 1.13 6.72(*)
A 31.02 0.00 0.38 0.65 0.67 6.25(*)
D 30.63 0.00 0.27 0.28 5.87(*)
E 30.37 0.00 0.02 5.60(*)
B 30.35 0.00 5.58(*)
F 24.77 0.00
43
Trat Promedio Grupo

C 31.48 a
A 31.02 ab
D 30.63 abc
E 30.37 abc d
B 30.35 abc de
F 24.77 f
Ejemplo 2.- En el caso hipotético de un DCL con parcela perdida, tenemos en

rendimiento de cinco clones ce copoazu en kg/campaña:
En este caso es necesario calcular la parcela perdida con la siguiente ecuación:
r(F + C + T) − 2G
X=
(𝑟 − 1)(𝑟 − 2)
Donde:
X = Valor estimado.
T = Suma del valor del tratamiento que contiene a la parcela perdida.
F = Suma del valor de la fila que contiene a la parcela perdida.
C = Suma del valor de la columna que contiene a la parcela perdida
G = Gran Total de todas las observaciones.
r =Número de réplicas o repeticiones
44
∑ filas
B E A C D
7 11 10 15 35 78
D B C A E
30 8 11 9 58
E C D B A
10 17 25 9 13 74
C A E D B
20 14 15 30 6 85
A D B E C
12 20 5 14 19 70
∑ columnas 79 70 55 79 82 365
De los cuadros se tiene que :
T = 71
F = 58
C = 55
G = 365
5(58 + 55 + 71) − 2(365)

X=
(5 − 1)(5 − 2)
X = 15.8
Con el nuevo valor hallado reconstruimos las tablas respectivas para poder realizar el
análisis de vartiancia respectivo:
45
Cuadrado Latino con parcela perdida
46
CONTRASTES ORTOGONALES
Los contrastes ortogonales se utilizan cuando se tienen un conjunto de tratamientos

cualitativos con estructura, de tal forma que es conveniente comparar un tratamiento
contra el promedio de otros tratamientos o un conjunto de tratamientos contra otro
conjunto de tratamientos. Es necesario que la suma de los índices para cada contraste
sea igual a cero.
Ejemplo 1. En el caso del ejemplo 1 de Diseños en Cuadrado Latino, donde en el cultivo

de arroz se probaron los siguientes tratamientos:
 A .- (NH4)2SO4 (Sulfato de Amonio)

 B.- NH4NO3 (Nitrato de Amonio)
 C.- CO(NH2)2 (Urea)
 D.- Ca(NO3)2 (Nitrato de Calcio)
 E.- NaNO3 (Nitrato de Sodio)
 F.- Sin Nitrógeno (Sin fertilizante nitrogenado)
Se observa que los tratamientos son cualitativos y tienen la siguiente estructura:
 Sin N y con N (Contraste de F versus A,B,C,D y E)

 N orgánico y N inorgánico (Contraste A,B,D y E versus C)
 N de NH4 y N de NO3 (Contraste A y B versus D y E)
 NH4NO3 y (NH4)2SO4 (Contraste A versus B)
 NaNO3 y Ca(NO3)2 (Contraste D versus E)
A partir de esto se establece los contrates C1,C2,C3,C4 y C5 con sus índices respectivos
para cada tratamiento (la cantidad de contrastes debe ser igual a los grados de libertad de
tratamientos, para este caso igual a 5).
Tal es así que en C1, donde se comparan los tratamientos sin nitrógeno y con nitrógeno,
el índice del tratamiento F es igual a 5 debido a que este se contrastara con los otros 5
tratamientos que tienen nitrógeno ( A,B,C,D y E), cuyos índices son -1, -1, -1, -1 y -1
respectivamente.
47
F A B C D E
Contraste Comparacion No N. (NH4)2SO4 (NH)4NO3 CO(NH2)2 Ca(NO3)2 NaNO3
148.6 186.1 182.1 188.9 183.8 182.2
C1 Sin N y con N 5 -1 -1 -1 -1 -1
C2 N org y N inorg 0 -1 -1 4 -1 -1
C3 N de NH4 y N deNO3 0 1 1 0 -1 -1
C4 NH4NO3 y (NH4)2SO4 0 1 -1 0 0 0
C5 NaNO3 y Ca(NO3)2 0 0 0 0 1 -1
En todos los contrastes es necesario que se cumpla la condición de que la suma de los
índices de cada contraste debe ser igual a cero.
Posteriormente se tiene que efectuar un Análisis de Variancia especial que debe tener los
siguientes elementos:
F tabulado
Fte de variacion gl SC CM FC Signif.
5% 1%
Tratamiento 5 185.765 37.153 24.559 2.71 4.1 **
C1 1
C2 1
C3 1
C4 1
C5 1
Error 20 30.256 1.513
Nótese que los valores que corresponden a Tratamiento y Error son los mismos que se
hallaron con el ANVA anterior (ANVA tradicional hallado en el ejemplo 1 de Diseños en
Cuadrado Latino). Así mismo los grados de libertad para cada contraste es igual a 1.
Para calcular la suma de cuadrados trabajaremos con las sumatorias de cada tratamiento,
(F=148.6, A=186.1, B=182.1, C=188.9, D=183.8 y E=182.2) incluyendo su índice
correspondiente y su signo:
SC.C1 = (5F-A-B-C-D-E)2 / [6(52+12+12+12+12+12)] = 180.20
SC.C2 = (-A-B+4C-D-E)2 / [6(12+12+42+12+12)] = 3.82
SC.C3 = (A+B-D-E)2 / [6(12+12+12+12)] = 0.20
SC.C4 = (A-B)2 / [6(12+12)] = 1.33
SC.C5 = (D-E)2 / [6(12+12)] = 0.21
48
Los cuadrados medios y los valores de F calculado se hallan de acuerdo al ANVA

tradicional:
F tabulado
Fte de variacion gl SC CM FC Signif.
1% 5%
Tratamiento 5 185.76 37.15 24.56 4.10 2.71 **
C1 1 180.20 180.20 119.12 8.10 4.35 **
C2 1 3.82 3.82 2.52 8.10 4.35 NS
C3 1 0.20 0.20 0.13 8.10 4.35 NS
C4 1 1.33 1.33 0.88 8.10 4.35 NS
C5 1 0.21 0.21 0.14 8.10 4.35 NS
Error 20 30.26 1.51
Se llega a la conclusión de que existe diferencias altamente significativas en el contraste

1.
Interpretación: Con un 99% de certeza se encontró diferencias altamente significativas

en el contraste 1, lo que significa que los rendimientos de los tratamientos que tienen
fertilizantes nitrogenados son estadísticamente superiores al rendimiento del tratamiento
que no tiene fertilizante nitrogenado.
Por lo tanto; los fertilizantes nitrogenados contribuyen a mejorar significativamente los

rendimientos del cultivo de arroz en comparación con los otros fertilizantes.
Ejemplo 2. En un experimento se compararon 4 variedades de maíz con un diseño de

bloques al azar, donde los tratamientos fueron:
T1= Variedad 1. Precoz resistente.
T2= Variedad 2. Precoz susceptible.
T3= Variedad 3. Tardía resistente.
T4= Variedad 4. Tardía susceptible.
Los datos del rendimiento son:
Tratamientos
Bloque T1 T2 T3 T4
I 6 5 7 8
II 7 6 7 9
III 7 7 8 8
IV 8 8 9 10
V 7 8 9 9
Efectúe los análisis respectivos a través de contrastes ortogonales
49
Paso 1. Se efectúa el Análisis de variancia normal para un diseño de bloques completos

al azar.
Tratamientos
Bloque T1 T2 T3 T4 ∑
I 6 5 7 8 26
II 7 6 7 9 29
III 7 7 8 8 30
IV 8 8 9 10 35
V 7 8 9 9 33
∑ 35 34 40 44 153
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 3 12.95 4.32 15.70 3.26 5.41
Bloques 4 12.3 3.07 11.1818182 3.49 5.95
Error 12 3.3 0.27
Total 19 28.55
Paso 2. Estableciendo los contrastes respectivos y construyendo la tabla de índices de

contrastes:
Contraste1: Comparación entre variedades precoces y tardías (T1 y T2 versus T3 y T4)
Contraste2: Comparación entre variedades precoces (T1 versus T2)
Contraste3: Comparación entre variedades tardías (T3 versus T4)
Indices de Contraste
Contrastes T1 T2 T3 T4
35 34 40 44
C1 1 1 -1 -1
C2 1 -1 0 0
C3 0 0 1 -1
Paso 3.- Hallando el ANVA especial, en este caso se usa los datos de tratamientos y del
error del ANVA normal asi:
50
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 3 12.95 4.32 15.70 3.26 5.41
C1
C2
C3
Error 12 3.30 0.27
Los grados de libertad de los contrastes (C1, C2 y C3) siempre serán 1.
Para calcular la suma de cuadrados trabajaremos con las sumatorias de cada tratamiento,
(T1=35, T2=34, T3=40 y T4=44) incluyendo su índice y su signo correspondiente.
SC.C1 = (1T1 + 1T2 - 1T3 – 1T4)2 / [5(12+12+12+12)] = 11.25
SC.C2 = (1T1 – 1T2)2 / [5(12+12)] = 0.10
SC.C3 = (1T3 – 1T4)2 / [5(12+12)] = 1.60
Los cuadrados medios y los valores de F calculado se hallan de la misma forma que para
un ANVA normal.
Ft
F de V gl SC CM Fc
5% 1%
Tratamientos 3 12.95 4.32 15.70 3.26 5.41 **
C1 1 11.25 11.25 40.91 4.75 9.33 **
C2 1 0.10 0.10 0.36 4.75 9.33 ns
C3 1 1.60 1.60 5.82 4.75 9.33 *
Error 12 3.30 0.27
51
POLINOMIOS ORTOGONALES
Los polinomios ortogonales se utilizan cuando se tiene un conjunto de tratamientos

cuantitativos y nos interesa saber la tendencia de la respuesta. Las tendencias pueden
ser lineal, cuadrática, cúbica, etc.
En el análisis de polinomios ortogonales, la suma de cuadrados de tratamientos se

descompone en t-1 suma de cuadrados, cada una con un grado de libertad.
Cada suma de cuadrados representa un efecto: lineal, cuadrático, etc. La tendencia para
la partición de la suma de cuadrados de tratamientos es igual a la de contrastes
ortogonales.
Cuando los tratamientos están igualmente espaciados, los coeficientes de los

tratamientos de los
contrastes son:
52
EJEMPLO 1:
Se realizó un experimento con un diseño de bloques al azar, con el objetivo de

comparar 4 normas de riego en plátano fruta, clon “Cavendish gigante”. Las
normas fueron:
T1: 20 mm semanales
T2: 40 mm semanales
T3: 60 mm semanales
T4: 80 mm semanales
53
TABLA DE DATOS
VARIABLE: Rendimiento final
Bloques
Trat I II III IV
1 38.30 37.80 38.10 38.40
2 69.20 65.60 67.80 69.10
3 53.70 52.80 54.10 55.60
4 45.60 44.30 46.10 44.80
Paso 1.- Se halla el ANVA tradicional para el diseño de Bloques Completos al

Azar.
Bloques
Trat I II III IV Total Promedio
1 38.30 37.80 38.10 38.40 152.60 38.1500
2 69.20 65.60 67.80 69.10 271.70 67.9250
3 53.70 52.80 54.10 55.60 216.20 54.0500
4 45.60 44.30 46.10 44.80 180.80 45.2000
206.80 200.50 206.10 207.90 821.30 51.33
Fde V gl SC CM FC 5% 1% Significac.
Trat 3 1976.33 658.776 912.765 3.863 6.992 **
Bloque 3 8.17188 2.72396 3.77417 3.863 6.992 NS
Error 9 6.49562 0.72174
Total 15 1990.99
CV = 1.65%
Paso 2.- Hallando el ANVA especial usando la tabla de coeficientes de contraste
Trat T1 T2 T3 T4
C1 -3 -1 1 3
C2 1 -1 -1 1
C3 -1 3 -3 1
54
En este caso se usara la sumatoria para cada tratamiento:
Trat T1 T2 T3 T4
∑ 152.6 271.7 216.2 180.8
[ (−3)(152.6) + (−1)(271.7) + (1)(216.2) + (3)(180.8)]2

SCLineal =
4[(−3)2 + (−1)2 + (1)2 + (3)2 ]
SCLineal = 10.585
[ (1)(152.6) + (−1)(271.7) + (−1)(216.2) + (1)(180.8)]2

SCCuadratico =
4[(1)2 + (−1)2 + (−1)2 + (1)2 ]
SCCuadratico = 1491.89
[ (−1)(152.6) + (3)(271.7) + (−3)(216.2) + (1)(180.8)]2

SCCubico =
4[(−1)2 + (3)2 + (−3)2 + (1)2 ]
Cúbico = 473.85
Fde V gl SC CM FC 5% 1% Significac.
Lineal 1 10.585 10.585 14.666 5.117 10.562 **
Cuadratico 1 1491.891 1491.891 2067.086 5.117 10.562 **
Cubico 1 473.851 473.851 656.543 5.117 10.562 **
Error 9 6.496 0.722
Interpretación:
55
Se encontró que los tratamientos tienen un efecto lineal, cuadrático y cubico con
un 99% de certeza, y para determinar más claramente este resultado graficaremos
los resultados:
64 64
60 60
56 56
52 52
B
B
48 48
44 44
40 40
36 36
32 32
24 32 40 48 56 64 72 80 88 16 24 32 40 48 56 64 72 80 88
A A
Gráficamente encontramos una mejor respuesta en el modelo cuadrático. Por lo
tanto se tiene que encontrar la ecuación respectiva a este modelo.
Paso 3 .- Calculando la Ecuación parcial a la que se ajusta el modelo.
Para hallar la ecuación general de cualquier modelo, se aplica la siguiente

ecuación general:
Ŷ= ỹ + αP1 + α2P2+ α3P3 + α4P4 + eij
Donde:
Ŷ = valor estimado de Y
ỹ = valor promedio de los tratamientos
α = Coeficiente para la ecuación polinomial
P = potencias de x
eij = Error experimental
56
Como se encontró la existencia de una respuesta cuadrática, entonces nuestra

ecuación será:
Ŷ= ỹ + αP1 + α2P2 + eij
Hallando los valores de α y ỹ tenemos:
∑(coef x Prom.) ∑(coef)2 α

Trat. T1 T2 T3 T4
(a) (b) (a/b)
Prom. 38.15 67.925 54.05 45.2 205.325 4 51.331
Efect. Lin. -3 -1 1 3 7.275 20 0.3638
Efect. Cuad. 1 -1 -1 1 -38.625 4 -9.656
Efect. Cub. -1 3 -3 1 48.675 20 2.4338
Donde:
 205.325 resulta de la sumatoria del producto del promedio por su índice (en este caso
el índice de los promedios es igual a 1).
 7.275 resulta de la sumatoria del producto del promedio por el índice de polinomio
(38.15(-3) + 67.925(-1) + 54.05(-1) + 45.2(3)).
Con estos datos la ecuación seria:
Ŷ= 51.331 + 0.3638 P1 – 9.656P2
Paso 4 .- Calculando la Ecuación final.
En este caso se deben de calcular los valores de P a través de las siguientes

ecuaciones
57
x−δ Para una respuesta lineal

𝑃1 = λ1 [ ]
d
x−δ 2 t2 −1
𝑃2 = λ2 [( ) −( )] Para una respuesta cuadrática
d 12
x−δ 3 x−δ 3t2 −7

𝑃3 = λ3 [( ) −( )( )] Para una respuesta cubica
d d 20
Donde:
λ = valor de índice de polinomios de la tabla
x = variable de la ecuación
= media de la distancia
d = distancia entre tratamientos
t = numero de tratamientos
Calculando los valores de P tenemos:
x−δ
𝑃1 = λ1 [ ]
d
x−δ 2 t2 −1
𝑃2 = λ2 [( ) −( )]
d 12
Reemplazando P1 y P2 en la ecuación parcial:
Ŷ= 51.331 + 0.3638 P1 – 9.656P2
58
Tenemos:
Ŷ= 1.2320 + 2.4504x – 0.0241x2
Tabulando tenemos los valores estimados de Y y graficando tenemos:
66
63
60 x y
57 20 40.6
40 60.7
y
54
60 61.5
51
80 43
48
45
42
24 32 40 48 56 64 72 80 88
x
Tratando de encontrar el tratamiento óptimo para tener mayor rendimiento

tenemos:
x y
20 40.6
40 60.7
60 61.5
80 43
41 61.2
42 61.6
43 62
44 62.4
45 62.7
46 63
47 63.2
48 63.3
49 63.4
50 63.5
51 63.5
52 63.5
53 63.4
54 63.3
59
EXPERIMENTOS FACTORIALES
Características generales
El termino experimento factorial o arreglo factorial hace referencia a la constitución de los
tratamientos o combinaciones de tratamientos que se desean comparar. Este término no
afecta lo que se conoce como diseño de tratamientos, pues este se refiere a la selección
de factores que se desean estudiar los niveles de los factores a ensayar y combinación de
estos.
De esta forma se debe dejar en claro que el diseño de tratamientos es independiente del
diseño experimental, el cual hace referencia a la manera en que los tratamientos se
aleatorizan a las diferentes unidades experimentales y la forma como se controla la
variabilidad natural de las mismas. Así el diseño experimental puede ser completamente
aleatorizado, bloques completamente aleatorizados, cuadros latinos, etc., y para cada uno
de estos diseños se puede tener un arreglo factorial.
En muchos experimentos el éxito o fracaso del ensayo depende más de la selección de

los tratamientos que se desea comparar que de la elección del diseño. Sin embargo, la
selección de ambos (del diseño y de los tratamientos) es importante por tanto ninguno de
los dos debe descuidarse en la planeación del experimento.
Ventajas de esta clase de experimento:

i. Al obtener información sobre varios factores sin aumentar el tamaño del experimento
hay economía en el material experimental.
ii. Se amplía la base de la inferencia en relación a un factor ya que se estudia en las
diferentes condiciones representadas por los niveles de otros factores.
iii. Se puede obtener una estimación de la interacción de los efectos, o sea, se determina
el grado y la forma en la cual se modifica el efecto de un factor en presencia de los niveles
de los otros factores.
iv. El conjunto de los tratamientos en el diseño factorial es optimo para estudiar efectos
principales e interacciones.
Desventajas más importantes:

i. El gran número de combinaciones de tratamientos cuando se estudian muchos factores
a muchos niveles. Esto tiene dos efectos:
a) Si se desea usar bloques completos es difícil encontrar grupos de unidades
experimentales homogéneos para asignar todos los tratamientos, esto se puede eliminar
usando el principio de confusión.
b) Se aumenta el costo del experimento al tener muchas unidades experimentales,
problema que se minimiza usando experimentos factoriales fraccionados, en este caso, se
prueba solo una parte de los tratamientos posibles.
60
ii. Difícil interpretación principalmente de las interacciones de orden superior

(interacciones de más de tres efectos).
Tipos de factores
Factores Cuantitativos.- Si sus niveles son cantidades cuantificables.

Ejemplo. Niveles de nitrogeno: 20, 40 y 60 kg/ha
Factores Cualitativos.- Si sus niveles no tienen orden natural y corresponden a clases o

categorías. Ejemplo. Especies maderables
Ejemplo. Se tiene un factor conformado por 3 sustancias de crecimiento a 4 niveles de

concentración aplicados para evaluar la propagación vegetativa de un cultivo sobre
medios artificiales.
Respuesta del experimento: Formación de callos a la cuarta semana.
El factor (A) sustancia de crecimiento con niveles:

a1 : Ácido Indolacético ( AIA )
a2 : Cinetina ( C)
a3 : Ácido Naftaleno acético ( ANA )
El factor (B) concentración con niveles:

b1 : 0.0
b2 : 0.1 µM
b3 : 1.0 µM
Otro Ejemplo: aplicado en campo de agricultores para generar tecnología.
Control sanitario (0, 1)

Control de maleza (0,1)
Aplicación de fertilizante (0,1)
0=no aplica el agricultor
1=Se aplica el control.
El factorial es 2x2x2 = 23 = 8 tratamientos.
Los factoriales son expresados mediante la siguiente notación:

2A2B = 2x2: 2 niveles de A por 2 niveles de B.
2A3B = 2x3: 2 niveles de A por 3 niveles de B.
2A2B2C = 2x2x2: 3 factores a 2 niveles cada uno.
2A3B3C = 2 niveles de A por 3 niveles de B y 3 niveles de C.
61
Ejemplo 1.- En un experimento realizado con tres variedades de peces, se evaluo el

efecto de tres porciones de alimentos, para lo cual se utilizo un Diseño de Bloques
Completos al Azar con tres repeticiones y con arreglo factorial 3 x 3. En el cuadro se
puede observar las ganancias de peso de los peces al final del experimento.
Especie Porcion I II III

p1 95 90 87
A p2 67 68 78
p3 74 64 67
p1 74 85 79
B p2 71 68 69
p3 68 73 65
p1 87 93 89
C p2 70 75 69
p3 67 70 71
Ordenando los datos y hallando las sumatorias respectivas para los tratamientos,
especies, porciones y bloques tenemos:
Especie A B C
Porcion p1 p2 p3 p1 p2 p3 p1 p2 p3
I 95 67 74 74 71 68 87 70 67 673
II 90 68 64 85 68 73 93 75 70 686
III 87 78 67 79 69 65 89 69 71 674
272 213 205 238 208 206 269 214 208 2033
p1 779 p2 635 p3 619 2033
A 690 B 652 C 691 2033
62
Efectuando los cálculos para el ANVA tenemos:
TC = (2033)2 / (27) = 153077.3704
SCTratamientos = [ (2722+2132+…+2082) / (3) ] – TC = 1970.296296
SCBloques = [ (6732+6862+6742) / (9) ] –TC = 11.62962963
SCEspecies = [ (6902+6522+6912)/ (r*E) ] – TC = 109.8518519
SCPorciones = [ (7792+6352+6192) / (r*P) ] – TC = 1725.62963
SCTotal = (952+…+712) – TC = 2275.62963
SCError = SCTotal – SCTratamientos – SCBloques = 293.7037037
SC E*P = SCTratamientos – SCPorciones – SCEspecies = 134.8148148
Ft
F de V gl SC CM Fc
5% 1%
Bloques 2 11.62963 5.814815 0.3168 3.634 6.226 ns
Tratamientos 8 1970.2963 246.287 13.417 2.591 3.89 **
Especie 2 109.85185 54.92593 2.9922 3.634 6.226 ns
Porcion 2 1725.6296 862.8148 47.003 3.634 6.226 **
ExP 4 134.81481 33.7037 1.8361 3.007 4.773 ns
Error 16 293.7037 18.35648
Total 26 2275.6296
√CMErr
CV = x 100
Promedio total
√18.35648148
CV = x 100
75.2962963
CV = 5.69
El Coeficiente de variabilidad nos indica que los datos son homogéneos, y que por lo tanto
podemos continuar con los análisis
Se encontró diferencias altamente significativas (con un 99% de certeza) entre los

tratamientos y entre las porciones, por lo que es necesario efectuar la prueba de Tukey
para determinar cuál es el mejor de los tratamientos, y cuál es la mejor porción.
63
Para efectuar la prueba de Tukey entre los tratamientos, en primer lugar hallamos el valor
critico de Tukey de la siguiente forma:
CMerr
W1% = q1% x √
r
18.35648148
W1% = 6.22 x √
3
.
W1% = 15.39
CMerr
W5% = q5% x √
r
18.35648148
W5% = 5.03 x √
3
W5% = 12.44
Estableciendo las diferencias entre los promedios tenemos:
AP1 CP1 BP1 CP2 AP2 BP1 CP3 BP3 AP3

90.67 89.67 79.33 71.33 71.00 69.33 69.33 68.67 68.33
AP1 90.67 0.00 1.00 11.34 19.34 19.67 21.34 21.34 22.00 22.34
CP1 89.67 0.00 10.34 18.34 18.67 20.34 20.34 21.00 21.34
BP1 79.33 0.00 8.00 8.33 10.00 10.00 10.66 11.00
CP2 71.33 0.00 0.33 2.00 2.00 2.66 3.00
AP2 71.00 0.00 1.67 1.67 2.33 2.67
BP1 69.33 0.00 0.00 0.66 1.00
CP3 69.33 0.00 0.66 1.00
BP3 68.67 0.00 0.34
AP3 68.33 0.00
Efectuando los constrastes entre las diferencias de promedios y los valores críticos de
Tukey tenemos:
64
AP1 CP1 BP1 CP2 AP2 BP1 CP3 BP3 AP3
90.67 89.67 79.33 71.33 71.00 69.33 69.33 68.67 68.33
AP1 90.67 0.00 1.00 11.34 19.34 19.67 21.34 21.34 22.00 22.34
CP1 89.67 0.00 10.34 18.34 18.67 20.34 20.34 21.00 21.34
BP1 79.33 0.00 8.00 8.33 10.00 10.00 10.66 11.00
CP2 71.33 0.00 0.33 2.00 2.00 2.66 3.00
AP2 71.00 0.00 1.67 1.67 2.33 2.67
BP1 69.33 0.00 0.00 0.66 1.00
CP3 69.33 0.00 0.66 1.00
BP3 68.67 0.00 0.34
AP3 68.33 0.00
Se observa que los valores de la parte sombreada son superiores a los valores de Tukey
al 1% y al 5%, por lo tanto a estas celdas le correspondería dos asteriscos como señal de
que existe diferencias entre los tratamientos comparados.
Grupo
Tratamiento Promedio
5% 1%
AP1 90.67 a a
CP1 89.67 a b a b
BP1 79.33 a b c a b c
CP2 71.33 c c
AP2 71.00 c c
BP1 69.33 c c
CP3 69.33 c c
BP3 68.67 c c
AP3 68.33 c c
Se concluye, con un 99% de certeza, de que los tratamientos: AP1,CP1 y BP1 son
estadísticamente iguales, y que al mismo tiempo son superiores al resto de tratamientos.
De la misma forma efectuamos la prueba de Tukey para las porciones, donde los valores
críticos de Tukey son los siguientes:
65
CMerr
W1% = q1% x √
r
18.35648148
W1% = 4.78 x √
9
W1% = 6.82
CMerr
W5% = q5% x √
r
18.35648148
W5% = 3.65 x √
9
W5% = 5.21
Estableciendo las diferencias entre los promedios de las porciones tenemos:
P1 P2 P3
86.556 70.556 68.778
P1 86.556 0 16 17.778
P2 70.556 0 1.778
P3 68.778 0
Efectuando los constrastes entre las diferencias de promedios y los valores críticos de
Tukey tenemos:
P1 P2 P3
86.556 70.556 68.778
P1 86.556 0 16 17.778
P2 70.556 0 1.778
P3 68.778 0
Grupo
Porcion Promedio
5% 1%
P1 86.556 a a
P2 70.556 b b
P3 68.778 b b
Se encontró con un 99% de certeza que la porción 1 tiene un mejor efecto en el

peso de los peces.
66
Bloque I Bloque II Bloque III Bloque IV

C B A C A B A C B B C A Parcelas
D1 D4 D1 D3 D1 D2 D4 D2 D3 D2 D1 D4
25 24 12 27 9 20 18 23 15 18 24 10
D2 D3 D3 D1 D4 D1 D2 D3 D1 D3 D4 D3
20 13 11 26 14 11 22 22 18 16 25 15
Sub
D4 D1 D4 D2 D2 D4 D1 D4 D4 D1 D3 D1
Parcelas
29 13 14 25 22 29 17 16 19 17 27 12
D3 D2 D2 D4 D3 D3 D3 D1 D2 D4 D2 D2
32 28 8 23 16 23 11 23 19 20 26 13
Nótese que las parcelas y las subparcelas están totalmente randomizadas
Bloque I Bloque II Bloque III Bloque IV

C B A C A B A C B B C A
D1 D4 D1 D3 D1 D2 D4 D2 D3 D2 D1 D4
25 24 12 27 9 20 18 23 15 18 24 10
D2 D3 D3 D1 D4 D1 D2 D3 D1 D3 D4 D3
20 13 11 26 14 11 22 22 18 16 25 15
D4 D1 D4 D2 D2 D4 D1 D4 D4 D1 D3 D1
29 13 14 25 22 29 17 16 19 17 27 12
D3 D2 D2 D4 D3 D3 D3 D1 D2 D4 D2 D2
32 28 8 23 16 23 11 23 19 20 26 13
Tot Parcelas 106 78 45 101 61 83 68 84 71 71 102 50

Tot Bloques 229 245 223 223
Variedades A= 224 B= 303 C= 393
Distancias D1 = 207 D2 = 244 D3 = 228 D4 = 241
67
Fuentes de Variacion Grados de libertad

Bloques r - 1 , (4 - 1) = 3
Variedades (V) n -1 , (3 - 1) = 2
Error (V) (n - 1)(r - 1), 2x3 = 6
PARCELAS (n x r) -1, 3x4-1 = 11
Densidades (D) n -1 , (4 - 1) = 3
Interaccion (VxD) (n - 1)(n - 1), 3x2 = 6
Error (D) n(n - 1)(r - 1), 3x3x3 = 27
SUBPARCELAS (n x n x r ) -1 , 3x4x4 -1 = 47
BIBLIOGRAFIA
1. Cochram, W. y Cox, G 1991. Experimental design, Wiley.
2. Expósito, E. y Gardón, C. 1988. Manual de clases prácticas. Universidad de

Granma.
3. Fernández, P. 1991. Manual de clases prácticas de Experimentación Agrícola.

UNAH. La Habana
4. Guerra, B. 1979. Estudio de la relación modelo-diseño de tratamientos en la

Determinación de las dosis óptimas de fertilizantes con experimentos de
campo.Referencia para optar por el grado científico de Doctor en Ciencias
Agrícolas. UNAH.
5. Guerra, D. y Sevilla, P. 1987. Introducción al análisis estadístico para procesos.
68
6. Guzmán, C. 1988. Diseños de experimentos para ingenieros mecánicos. ISPJAM.

Stgo de Cuba.
7. Lerch G. 1977.La experimentación en las ciencias biológicas y agrícolas. Ed.

Cientif. Téc. La Habana
8. López, P. 1988. Diseños estadísticos de experimentos. Ed. Cientif. Téc. La

Habana.
9. Olivares, S.1992. Nota de diseños experimentales con aplicación a la

Experimentación agrícola y primara. Universidad autónoma de nueva león. México.
10. Ruesga, I. y Exposito I. 2005. LIBRO DE EXPERIMENTACIÓN AGRÍCOLA.

CENTRO UNIVERSITARIO VLADIMIR. I. LENIN. LAS TUNAS. Ciudad de La
Habana, Cuba
11. Segura, J. 2000. Notas de Diseños Experimentales. Universidad Autónoma de

Yucatán, México.
12. Sigarroa, A. 1991 Biometría y diseño experimental. La Habana.
13. Yates, F. (1936). "A new method of arranging variety trials involving a large number
of varieties." Journal of Agricultura1 Science 26,424-455.
ANEXOS
1. Tabla 1. Tabla de la Distribución F de Fisher al 5%.
5. Tabla 5. Tabla de Intervalos de Student al 5% para la prueba de Tukey.
69
6. Tabla 6. Tabla de Intervalos de Student al 1% para la prueba de Tukey
7. Tabla 7. Recorrido Significativo de Duncan al 5%.
8. Tabla 8. Recorrido Significativo de Duncan al 1%.
9. Tabla 9. Índices de Polinomios Ortogonales
10. Tabla 10. Tabla de F máxima.
70
Tabla 1. Tabla de la Distribución F de Fisher al 5%.
71
72
73
74
Tabla 5. Tabla de Intervalos de Student al 5% para la prueba de Tukey
75
Tabla 6. Tabla de Intervalos de Student al 1% para la prueba de Tukey
76
Tabla 7. Recorrido Significativo de Duncan al 5%.
Valores Críticos q'(p, df; 0.05) para pruebas de Rango Múltiple de Duncan a = 0.05
gl 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969
2 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085
3 4.501 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516
4 3.926 4.013 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033
5 3.635 3.749 3.796 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814
6 3.46 3.586 3.649 3.68 3.694 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697
7 3.344 3.477 3.548 3.588 3.611 3.622 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625
8 3.261 3.398 3.475 3.521 3.549 3.566 3.575 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579
9 3.199 3.339 3.42 3.47 3.502 3.523 3.536 3.544 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547
10 3.151 3.293 3.376 3.43 3.465 3.489 3.505 3.516 3.522 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525
11 3.113 3.256 3.341 3.397 3.435 3.462 3.48 3.493 3.501 3.506 3.509 3.51 3.51 3.51 3.51 3.51 3.51 3.51 3.51
12 3.081 3.225 3.312 3.37 3.41 3.439 3.459 3.474 3.484 3.491 3.495 3.498 3.498 3.498 3.498 3.498 3.498 3.498 3.498
13 3.055 3.2 3.288 3.348 3.389 3.419 3.441 3.458 3.47 3.478 3.484 3.488 3.49 3.49 3.49 3.49 3.49 3.49 3.49
14 3.033 3.178 3.268 3.328 3.371 3.403 3.426 3.444 3.457 3.467 3.474 3.479 3.482 3.484 3.484 3.484 3.484 3.484 3.484
15 3.014 3.16 3.25 3.312 3.356 3.389 3.413 3.432 3.446 3.457 3.465 3.471 3.476 3.478 3.48 3.48 3.48 3.48 3.48
16 2.998 3.144 3.235 3.297 3.343 3.376 3.402 3.422 3.437 3.449 3.458 3.465 3.47 3.473 3.476 3.477 3.477 3.477 3.477
17 2.984 3.13 3.222 3.285 3.331 3.365 3.392 3.412 3.429 3.441 3.451 3.459 3.465 3.469 3.472 3.474 3.475 3.475 3.475
18 2.971 3.117 3.21 3.274 3.32 3.356 3.383 3.404 3.421 3.435 3.445 3.454 3.46 3.465 3.469 3.472 3.473 3.474 3.474
19 2.96 3.106 3.199 3.264 3.311 3.347 3.375 3.397 3.415 3.429 3.44 3.449 3.456 3.462 3.466 3.469 3.472 3.473 3.474
20 2.95 3.097 3.19 3.255 3.303 3.339 3.368 3.39 3.409 3.423 3.435 3.445 3.452 3.459 3.463 3.467 3.47 3.472 3.473
25 2.913 3.059 3.154 3.221 3.271 3.31 3.341 3.366 3.386 3.403 3.417 3.429 3.439 3.447 3.454 3.459 3.464 3.468 3.471
30 2.888 3.035 3.131 3.199 3.25 3.29 3.322 3.349 3.371 3.389 3.405 3.418 3.429 3.439 3.447 3.454 3.46 3.466 3.47
40 2.858 3.005 3.102 3.171 3.224 3.266 3.3 3.328 3.352 3.372 3.389 3.404 3.418 3.429 3.439 3.448 3.456 3.463 3.469
60 2.829 2.976 3.073 3.143 3.198 3.241 3.277 3.307 3.333 3.355 3.374 3.391 3.406 3.419 3.431 3.441 3.451 3.46 3.468
80 2.814 2.961 3.059 3.13 3.185 3.229 3.266 3.297 3.323 3.346 3.366 3.384 3.4 3.414 3.427 3.438 3.449 3.458 3.467
120 2.8 2.947 3.045 3.116 3.172 3.217 3.254 3.286 3.313 3.337 3.358 3.377 3.394 3.409 3.423 3.435 3.446 3.457 3.466
240 2.786 2.933 3.031 3.103 3.159 3.205 3.243 3.276 3.304 3.329 3.35 3.37 3.388 3.404 3.418 3.432 3.444 3.455 3.466
α 2.772 2.918 3.017 3.089 3.146 3.193 3.232 3.265 3.294 3.32 3.343 3.363 3.382 3.399 3.414 3.428 3.442 3.454 773.466
Tabla 8. Recorrido Significativo de Duncan al 1%.
Valores Críticos q'(p, df; 0.01) para pruebas de Rango Múltiple de Duncan a = 0.01
gl 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024
2 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036
3 8.26 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321
4 6.511 6.677 6.74 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755
5 5.702 5.893 5.989 6.04 6.065 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074
6 5.243 5.439 5.549 5.614 5.655 5.68 5.694 5.701 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703
7 4.949 5.145 5.26 5.333 5.383 5.416 5.439 5.454 5.464 5.47 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472
8 4.745 4.939 5.056 5.134 5.189 5.227 5.256 5.276 5.291 5.302 5.309 5.313 5.316 5.317 5.317 5.317 5.317 5.317 5.317
9 4.596 4.787 4.906 4.986 5.043 5.086 5.117 5.142 5.16 5.174 5.185 5.193 5.199 5.202 5.205 5.206 5.206 5.206 5.206
10 4.482 4.671 4.789 4.871 4.931 4.975 5.01 5.036 5.058 5.074 5.087 5.098 5.106 5.112 5.117 5.12 5.122 5.123 5.124
11 4.392 4.579 4.697 4.78 4.841 4.887 4.923 4.952 4.975 4.994 5.009 5.021 5.031 5.039 5.045 5.05 5.054 5.057 5.059
12 4.32 4.504 4.622 4.705 4.767 4.815 4.852 4.882 4.907 4.927 4.944 4.957 4.969 4.978 4.986 4.993 4.998 5.002 5.005
13 4.26 4.442 4.56 4.643 4.706 4.754 4.793 4.824 4.85 4.871 4.889 4.904 4.917 4.927 4.936 4.944 4.95 4.955 4.96
14 4.21 4.391 4.508 4.591 4.654 4.703 4.743 4.775 4.802 4.824 4.843 4.859 4.872 4.884 4.894 4.902 4.909 4.916 4.921
15 4.167 4.346 4.463 4.547 4.61 4.66 4.7 4.733 4.76 4.783 4.803 4.82 4.834 4.846 4.857 4.866 4.874 4.881 4.887
16 4.131 4.308 4.425 4.508 4.572 4.622 4.662 4.696 4.724 4.748 4.768 4.785 4.8 4.813 4.825 4.835 4.843 4.851 4.858
17 4.099 4.275 4.391 4.474 4.538 4.589 4.63 4.664 4.692 4.717 4.737 4.755 4.771 4.785 4.797 4.807 4.816 4.824 4.832
18 4.071 4.246 4.361 4.445 4.509 4.559 4.601 4.635 4.664 4.689 4.71 4.729 4.745 4.759 4.771 4.782 4.792 4.801 4.808
19 4.046 4.22 4.335 4.418 4.483 4.533 4.575 4.61 4.639 4.664 4.686 4.705 4.722 4.736 4.749 4.76 4.771 4.78 4.788
20 4.024 4.197 4.312 4.395 4.459 4.51 4.552 4.587 4.617 4.642 4.664 4.684 4.701 4.716 4.729 4.741 4.751 4.761 4.769
25 3.942 4.112 4.224 4.307 4.371 4.423 4.466 4.502 4.532 4.559 4.582 4.603 4.621 4.638 4.652 4.665 4.677 4.688 4.698
30 3.889 4.056 4.168 4.25 4.314 4.366 4.409 4.445 4.477 4.504 4.528 4.55 4.569 4.586 4.601 4.615 4.628 4.64 4.65
40 3.825 3.988 4.098 4.18 4.243 4.295 4.339 4.376 4.408 4.436 4.461 4.483 4.503 4.521 4.537 4.552 4.566 4.579 4.591
60 3.762 3.922 4.03 4.111 4.174 4.226 4.27 4.307 4.34 4.368 4.394 4.417 4.437 4.456 4.474 4.489 4.504 4.518 4.53
80 3.732 3.89 3.997 4.077 4.14 4.192 4.236 4.273 4.306 4.335 4.36 4.384 4.405 4.424 4.442 4.458 4.473 4.487 4.5
120 3.702 3.858 3.964 4.044 4.107 4.158 4.202 4.239 4.272 4.301 4.327 4.351 4.372 4.392 4.41 4.426 4.442 4.456 4.469
240 3.672 3.827 3.932 4.011 4.073 4.125 4.168 4.206 4.239 4.268 4.294 4.318 4.339 4.359 4.378 4.394 4.41 4.425 4.439
α 3.643 3.796 3.9 3.978 4.04 4.091 4.135 4.172 4.205 4.235 4.261 4.285 4.307 4.327 4.345 4.363 4.379 4.394 4.408
78
Tabla 9. Índices de Polinomios Ortogonales
79
Tabla 10. Tabla de F máxima
80

Manual Metodos Estadisticos UNAMAD

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Metodos Estadisticos UNAMAD

Cargado por

Copyright:

Formatos disponibles

Métodos Estadíscos para la Investigación Forestal - UNAMAD/Joel Peña Valdeiglesias 2010

UNIVERSIDAD NACIONAL AMAZONICA DE MADRE DE DIOS

Métodos Estadísticos para la

El presente Texto Universitario es una guía útil diseñada

1. Diseños experimentales con un solo factor

2. Diseños experimentales con más de un factor

Mención especial merece la sección donde se desarrollan

PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL

Los tratamientos son el conjunto de circunstancias creados para el experimento, en

La unidad experimental es la entidad física o el sujeto expuesto al tratamiento

El error experimental describe la variación entre las unidades experimentales tratadas de

La comunidad científica considera la réplica de un experimento como el primer requisito

 Proporciona cierto grado de seguridad contra resultados anormales en el

El número de réplicas en un estudio de investigación afecta la precisión de las

 técnica incluyen tareas sencillas como una medición exacta, la preparación de

Ejemplo sin randomizar

DISEÑO COMPLETO AL AZAR

Es un diseño en el cual los tratamientos son asignados completamente al azar a las

Este diseño trata de demostrar lo siguiente:

Ordenando los datos en un cuadro ordenado de resultados tenemos:

Ejemplo 2.- En el presente experimento se trata de probar el efecto se 4 sustratos

Ho = todos los tratamientos son iguales

Inicialmente se procede a realizar el análisis de varianza respectivo:

Fuente de variacion G de libertad S de cuadrados C medio error Fc Ft

Gl trat= nro trat -1 = 4-1=3

Gl Total = (Trat*rep)-1 =19

TC= (Sum x) 2 / T*r = (310*310)/ 4*5 = 4805

SCtrat = (86 ) 2 + (84) 2 + (77) 2 + (63) 2

SC Total = (182 + 17 2 … + 122 ) - TC

SCErr = SC Total - SCtra t = 105 - 65

CMtrat = SCtra t / Gl trat = 21.67

CMErr = SCErr/ GL error = 2.5

Interpretación del ANVA

Como “F calculado” es mayor a “F tabulado” tanto al 5% y como al 1%, entonces se

Paso 1. Primero ordenamos los promedios en orden descendente:

Paso 3. Hallando el valor critico de Tukey (w)

Encontramos los valores de q en la tabla de Tukey :

Donde: q 5%= 4.05

Paso 5. Ordenando los resultados

Dosis de humus Altura Significacion

Interpretación de la Prueba de Tukey

Con un 99% de certeza podemos afirmar que la aplicación de 30, 20 y 10 gramos de

AES = Amplitudes estudentizadas significativas (valor de la tabla que

Ordenando los resultados:

Dosis de humus Altura Significacion

Interprete los resultados y haga la comparación al 1% con su respectiva interpretación.

Las hipótesis planteadas son las siguientes:

Gl trat= nro trat -1 = 6-1=5

TC= (Sum x) 2 /Nro unidades exp = (66.9)2/21 = 213.12

SCtrat = [ (11.4)2/3 + (12.1)2/4 + (10.1)2/2 + (12.3)2/4 + (13.2)2/4 + (7.8)2/4 ] - TC

SC Total = (4.92 + 3.9 2 … + 22 ) - TC

SCErr = SC Total - SCtra t = 22.27 - 14.40

CMtrat = SCtra t / Gl trat = 2.88

Como “F calculado” es mayor a “F tabulado”, entonces se concluye que con un 99% de

Paso 1. Primero ordenamos los promedios en orden descendente:

Paso 3. Hallando el valor critico de Tukey (w)

Trat Promedio Grupo

De la misma forma hacemos la prueba de Tukey para un 99% de significación: Donde en

Trat Promedio Grupo

Ejemplo 4 . Se probo 4 raciones de alimentos (A,B,C, y D) para ver el efecto de los

DISEÑO DE BLOQUES COMPLETOS

Siempre que se pueda observar o distinguir la presencia de una fuente de variabilidad en

Las diferencias o variaciones dentro de los bloques deben ser mínimas

TC= (Sum x) 2 / Tr = (310310)/ 4*5 = 4805