Está en la página 1de 204

MAESTRÍA EN REPRODUCCIÓN ANIMAL

DISEÑO EXPERIMENTAL

JAIME VILLACIS BUENAÑO, Ph. D

2019

1
CONSIDERACIÓN INICIAL

Legislación de cada país para realizar experimentación con


animales.

Tomar en cuenta los aspectos bioéticos al usar animales para la


experimentación.

1. Que los animales no padezcan hambre ni sed.


2. Que no sufran malestar físico ni dolor.
3. Que no sufran heridas ni enfermedades.
4. Que puedan ajustarse a su comportamiento normal y esencial.
5. Que no sufran miedo ni angustia.

2
“All procedures were performed according to approved
animal care and use protocols of the institutional ethics
committee and to good veterinary practice for animal welfare
as to European directive 2010/63/UE. Written farmers’
consent was obtained at the beginning of the study.”

3
GENERALIDADES

El diseño experimental tuvo sus inicios teóricos en el año 1935 por Sir
Ronald Fisher (1980-1962), desarrollados en la Estación Agrícola
Experimental de Rothamsted, Reino Unido, donde introdujo los concepto
de aleatorización y análisis de varianza.

Contribuye en el avances tecnológicos en el cultivo y procesamiento de


alimentos.

Permite controlar la calidad de los productos manufacturados.

Evaluación de las exigencias gubernamentales para que las empresas


alimenticias demuestren que sus productos no son ofensivos para el
consumo humano.

4
Una prueba o serie de pruebas en las cuales se introducen cambios
deliberados en las variables de entrada que forman el proceso, de manera
que sea posible observar e identificar las causas de los cambios en la
variable de salida.

5
OBJETIVO
Estudiar el efecto que sobre la Variable Respuesta tiene un conjunto de otras
variables que reciben el nombre de Factores.

• Variables y clasificación
• Factores
• Tratamiento
• Unidad experimental
• Unidad muestral
• Variable de repuesta
• Población
• Muestra

6
7
ETAPAS

1) Diseñar el experimento
Problema, objetivos, factores, variables de respuesta, unidades experimentales
etc.

2) Realizar la experimentación de acuerdo con el plan establecido.

3) Analizar estadísticamente los resultados y comprobar si las hipótesis y el


diseño elegido se adecuan a la situación estudiada.

4) Realizar las modificaciones oportunas para ampliar o modificar el diseño.

5) Obtener las conclusiones apropiadas.

8
CARACTERISTICAS DE UN EXPERIMENTO
Simplicidad.

Precisión y sensibilidad para distinguir las posibles diferencias entre los


tratamientos y evitar errores sistemáticos

La repetición de un experimento de campo en el tiempo y en el espacio


permitirá aumentar la validez de las conclusiones.

El procedimiento para realizar un experimento es el método científico,


más conocido a veces que comprendido.

El método se basa en establecer hipótesis a partir de hechos observados,


es decir, formular una idea de cómo se interpretan y se explican esos
hechos.

Con los datos obtenidos y los análisis estadísticos se rechaza o acepta la


hipótesis de partida.

9
Un experimento correctamente planteado debe responder a las siguientes
cuestiones:

¿es practicable?

¿es estadísticamente correcto?

¿son los tratamientos realmente lo que se proponen ser?

Cualquier fallo en alguno de esos aspectos puede ser desastroso para la


investigación que se pretende desarrollar.

10
ERROR EXPERIMENTAL

El error experimental es una medida de la variación existente entre las


observaciones realizadas en las unidades experimentales tratadas en forma
similar.

Por ejemplo, si se cultivan cinco plantas juntas en la misma maceta y se les


aplica un mismo tratamiento, la unidad experimental consiste en las cinco
plantas.

La variación proviene de dos fuentes principales:

1ª.- Del material experimental al cual se aplican los tratamientos

2ª.- De cualquier falta de uniformidad en la realización física del experimento.

11
CONTROL DEL ERROR EXPERIMENTAL

1. El diseño experimental.

2. Uso de observaciones paralelas.


3. Tamaño y forma de las unidades experimentales.

12
Control del error experimental mediante bloqueo

13
LAS REPETICIONES Y SUS FUNCIONES

Cuando un mismo tratamiento aparece más de una vez en un experimento se


dice que está repetido.

Permitir una estimación del error experimental.

Aumentar la precisión de un experimento mediante la reducción del error


estándar de una media de tratamiento.

Aumentar el alcance de la inferencia del experimento a través de la selección y


del uso apropiado de unidades experimentales más variables.

Ejercer control sobre la varianza del error.

14
En una investigación se determinó la cantidad de forraje presentes en potreros y la
producción de leche en fincas ganaderas de mixtas y doble propósito del Cantón
Machachi, que tiene un total de 1500 hectáreas. Si la unidad experimental es una parcela
de 600 m2 y la intensidad de muestreo fue del 3 %, determinar la población y la muestra.

15
Identifique los conceptos abajo indicados con ‘V’ si corresponde a variable, con
‘D’ si corresponde a dato, con ‘P’ si corresponde a unidad (muestral o
experimental) y con ‘N’, si no aplica:

Pregunta Respuesta
Número de animales con brucelosis ________
El metro ________
Peso de un animal ________
Área de una finca _________
Raza de un cerdo _________
70 Kg de peso promedio _________
El Curso de Diseño es fácil _________
Semana del mes _________
Número de vacas preñadas _________
Un tubo de ensayo con sangre _________

16
RESUMEN DE LA INFORMACIÓN MUESTRAL

La adecuada obtención y organización de los datos, son el punto de partida de


cualquier análisis estadístico.
Es importante contar con registros bien sistematizados en bases de datos que
se puedan procesar fácilmente.
Al ordenar datos muy numerosos, es usual agruparlos en clases o categorías.
Al determinar cuántos pertenecen a cada clase, establecemos la frecuencia y
construimos así una tabla de datos llamada tabla de frecuencias.
Los siguientes datos corresponden al numero de vacas
preñadas por hato ganadero

a) Construir una tabla de frecuencias y representarla gráficamente.


b) Cual es la probabilidad de encontrar hatos con menos de dos
vacas preñadas

18
Los siguientes datos, corresponden a la ganancia de peso de aves de engorde.

1,67 1,72 1,81 1,72 1,74 1,83 1,84 1,88


1,92 1,75 1,84 1,86 1,73 1,84 1,87 1,83
1,81 1,77 1,73 1,75 1,78 1,77 1,67 1,83
1,83 1,72 1,71 1,85 1,84 1,93 1,82 1,69
1,70 1,81 1,66 1,76 1,75 1,80 1,79 1,84
1,86 1,80 1,77 1,80 1,76 1,88 1,75 1,79
1,87 1,79 1,77 1,67 1,74 1,75 1,78 1,77
1,74 1,73 1,83 1,76 1,83 1,77 1,75 1,77
1,77 1,84 1,83 1,79 1,82 1,76 1,76 1,76
1,79 1,88 1,66 1,80 1,72 1,75 1,79 1,77

a) Construir una tabla de frecuencias con 6 clases y representarla


gráficamente.

b) Interpretar la tabla.

19
MEDIDAS RESUMEN DE LA INFORMACIÓN MUESTRAL

Entre las medidas que permiten resumir información


proveniente de una muestra, se pueden considerar las
medidas de posición, medidas de dispersión y
medidas de forma.

20
Medidas de Media
Tendencia Mediana
Central Moda
Medidas de
Posición Percentiles
Cuartiles
Deciles
Medidas de Rango
Resumen Medidas de Error estandar
Dispersión Varianza, Desviación Estándar
Coeficiente de Variación
Medidas de Asimetría
Forma Apuntamiento (curtosis)
MEDIDAS DE TENDENCIA CENTRAL Y DISTRIBUCIONES
SIMÉTRICAS

Promedio
mediana
MEDIDAS DE TENDENCIA CENTRAL Y DISTRIBUCIONES
ASIMÉTRICAS (+ Y -).

POSITIVA
NEGATIVA

Frecuencia
Frecuencia

moda promedio promedio moda


mediana mediana
MEDIDAS DE FORMA
ASIMETRÍA
CURTOSIS

Esta medida determina el grado de concentración que presentan los valores en la


región central de la distribución.
Cuando la distribución de los datos cuenta con un coeficiente de
asimetría (g1 = ±0.5) y un coeficiente de Curtosis de (g2 = ±0.5), se
le denomina Curva Normal.

Este criterio es de suma importancia ya que para la mayoría de los


procedimientos de la estadística de inferencia se requiere que los
datos se distribuyan normalmente.
Dados los siguientes estadísticos y en base a los conocimientos
de como están relacionados dentro de una distribución de
puntuaciones, describa la probable forma de la distribución
para cada una de las variables citadas. Trazar la curva
indicando las ubicaciones relativas de la media, mediana y
moda.
VARIABLE Media Mediana Moda Forma de la curva Trazo de la curva
Edad (años) 30 35 29
Tamaño de la familia 4,1 3 2
Años empleado 11 8 7
Peso (libras) 160 132 134

27
Los siguientes datos corresponden al numero de vacas
preñadas por hato ganadero

a) Construir una tabla de frecuencias y representarla gráficamente.


b) Cual es la probabilidad de encontrar hatos con menos de dos
vacas preñadas
c) Determinar las medidas de posición, variabilidad, y forma e
interpretar la forma de distribución de los datos.

28
Determinar las medidas de posición, variabilidad, y forma e interpretar la
forma de distribución de los datos.

29
30
31
Effect of melatonin on mCa2+ levels in vitrified bovine oocytes. a,b,c,d: Values
with different superscripts differed significantly between groups (P < 0.05).

32
Effect of melatonin on the relative mRNA expression of Bax and Bcl2 l1 in vitrified
bovine oocytes. a,b,c: Values with different superscripts differed significantly between
groups (P < 0.05).

33
ANÁLISIS ESTADÍSTICO EN ESTUDIOS COMPARATIVOS

• Pruebas t
•Análisis de Varianza
• DCA y Técnicas No-paramétricas
•Estructura de Parcelas, Tratamientos y Aleatorización
•DBCA y Estructura Factorial de Tratamientos
• DCL y DPD

34
EXPERIMENTOS COMPARATIVOS

consisten en la aplicación de tratamientos a un conjunto de unidades


experimentales

para valorar y comparar las respuestas obtenidas desde diferentes


tratamientos

cuando es deseable incrementar la precisión de las inferencias realizadas


y/o ampliar el espacio de inferencia

35
PREGUNTAS ASOCIADAS A PROYECTOS DE INVESTIGACIÓN
QUE GENERAN DATOS
 ¿Cuántos tratamientos se desean estudiar?
 ¿Cuántas veces necesita observar la respuesta?
 ¿Es necesario observar la evolución de la respuesta en el tiempo?
 ¿Cuáles son las unidades experimentales?
 ¿Cuáles son las unidades de observación?
 ¿Son las unidades experimentales homogéneas?
 ¿Son las unidades experimentales suficientes para realizar todos los
tratamientos?
 ¿Cómo se asignan los tratamientos a las unidades experimentales?
 El objetivo del experimento, ¿es la comparación y/o la estimación?
 ¿Los tratamientos tienen alguna estructura?
 ¿Puede el diseño resultante ser analizado y/o las comparaciones deseadas
llevadas a cabo?.

36
COMPARACIÓN DE DOS POBLACIONES

En muchas situaciones de toma de decisiones, se necesita determinar si los


parámetros de dos poblaciones son iguales o diferentes.

Una empresa, por ejemplo, puede querer probar si sus empleadas reciben
un salario menor que sus empleados por realizar el mismo trabajo.

Un laboratorio puede necesitar indagar el efecto de una droga en un


determinado grupo de animales frente a otro grupo.

Para comparar el efecto de dos virus sobre plantas.

El aumento de peso en animales alimentados con dos pasturas diferentes.

En estos casos se busca, más que el valor real de los parámetros, la relación
entre sus valores, es decir, cuáles son las diferencias.

37
PRUEBAS DE HIPÓTESIS
Procedimiento basado en la información obtenida de la muestra y en la
teoría de la probabilidad para determinar si la hipótesis es una afirmación
razonable.

Una hipótesis es una afirmación o declaración acerca de un parámetro de la


población.
TIPOS DE HIPÓTESIS
Hipótesis nula (Ho): es la que se formula y se quiere probar. Se asume como
correcta hasta tanto la evidencia compruebe lo contrario. Comienza con el
supuesto de que es cierta.

Ej. Ho: μ=3

Hipótesis alternativa (H1): Es cualquier hipótesis que difiera de la hipótesis


nula. Es una afirmación que se acepta si los datos muéstrales proporcionan
evidencia suficiente de que la hipótesis nula Ho es falsa.

Ej. H1: μ≠3


PASOS PARA PROBAR UNA HIPÓTESIS
1. Establecer las hipótesis nula y alternativa.

2. Seleccione el nivel de significancia.

3. Identificar el estadístico de prueba

4. Formular la regla de decisión

5. Concluir

Aceptar la Hipótesis nula

Rechazar la nula y aceptar alternativa


ESTABLECER LAS HIPÓTESIS NULA Y LA ALTERNATIVA

H 0: m = 0
H 1: m = 0
Una prueba de
hipótesis tomando los
valores de los datos de
la media de la población
H 0: m < 0 La hipótesis nula siempre
contiene la igualdad.
(μ) debe asumir una de H 1: m > 0
estas tres formas

H0: m > 0
H1: m < 0
SELECCIONAR EL NIVEL DE SIGNIFICANCIA
Es la probabilidad máxima de cometer un error de Tipo I. Los niveles de
significancia que se utilizan con mayor frecuencia son 0.01, 0.05 y 0.10.

Si los datos de la muestra son consistentes con la Hipótesis nula (Ho), se adapta
la práctica de llegar a la conclusión de “no rechazar Ho”. Es preferible esta
conclusión en lugar de “aceptar la Ho”, porque si se acepta Ho, se corre el
riesgo de cometer un error de Tipo II

Error Tipo I Error Tipo II


Rechazar hipótesis nula cuando es Aceptar hipótesis nula cuando es falsa.
cierta. La probabilidad de cometer un error
La probabilidad de cometer un error Tipo II se designa con ß.
Tipo I = nivel de significancia. La probabilidad de cometer un error
Se designa con la letra griega α. Tipo II:
X m
z
/ n
Investigador
Hipótesis Aceptar Rechazar
nula Ho Ho
Decisión Error
correcta
Ho es cierta Tipo I
(a)
Error Decisión
Tipo II correcta
Ho es falsa
(b)
DETERMINAR EL ESTADÍSTICO DE PRUEBA

Media de una Población, desviación estándar poblacional conocida o


muestras grandes

xm
z  N (0,1)
/ n
Distribuido como una Normal de media 0 y desvío estándar 1.

Media de una población, desviación estándar desconocida y tamaño


muestral pequeño
xm
t  t gl  n 1
S n 1 / n
Distribuido como una t de Student con n-1 grados de libertad.

43
La etiqueta de una botella de “Fríe’ ketchup” dice que
el envase contiene 16 onzas de “ketchup”. Suponga que
deseamos comprobar esta aseveración mediante una
prueba de hipótesis. Se tomó una muestra de 36
botellas que reveló un peso promedio de 16.32 onzas
por botella. La desviación típica del proceso es 0.5 onzas
y el nivel de significancia es de .05. ¿podemos concluir
que el promedio por botella es diferente de 16 onzas?.
Compruebe

44
En una muestra aleatoria de 10 sacos de arroz extra envasado, se obtuvo
una media de 9.4 Kg. con una desviación estándar de 1.8 Kg. ¿Contiene
esta muestra suficiente evidencia para indicar que el peso medio es
menor que 10 Kg. de arroz, a un nivel de significación de 0.1?

45
MUESTRAS INDEPENDIENTES Y DEPENDIENTES

Cuando en las unidades experimentales no se esperan respuestas diferenciales,


es decir son homogéneas, se tendrán muestras independientes.

Si se busca comparar el contenido de ácidos grasos en semillas de dos


variedades distintas.

Si las muestras están relacionadas, esto es: los resultados del primer grupo no
son independientes de los del segundo, se tendrán lo que se llaman
observaciones apareadas.

Si se compara la presión arterial de individuos antes y después de suministrarles


un medicamento.

46
MUESTRAS INDEPENDIENTES Y VARIANZAS CONOCIDAS

Los límites del intervalo de confianza bilateral, con confianza


1-a, para la diferencia de medias están dados por:

47
EJEMPLO

En un sistema de procesamiento de lácteos se aplicaron dos métodos de


control de calidad A y B. En un grupo de 80 muestras se aplicó el método
A y en otro de 120 se aplicó el método B. Los promedios de los
rendimientos obtenidos fueron 13 y 13.5 respectivamente. ¿Podemos
admitir que los métodos de control de calidad no son diferentes y que las
diferencias encontradas en las muestras se deben al azar? Experiencias
anteriores dicen que las variables X1 y X2 que representan los
rendimientos con los métodos A y B, respectivamente, tienen distribución
normal con varianza 3 y 3.5. Utilice un a=0.05.

48
MUESTRAS INDEPENDIENTES Y VARIANZAS POBLACIONALES
DESCONOCIDAS E IGUALES

Los límites del intervalo de confianza bilateral, con confianza 1- , para la


diferencia de medias están dados por:

49
EJEMPLO

Se busca comparar dos formulaciones de un mismo insecticida sobre el


porcentaje de mortalidad de chinche verde evaluada como número de insectos
muertos de un total de 100 iniciales. El ensayo se realizó tomando 20 lotes de
100 insectos cada uno y asignando al azar 10 lotes para la formulación A y el
resto para la formulación B. Los valores obtenidos fueron los siguientes y se
encuentran en el archivo

¿Existen diferencias estadísticamente significativas entre formulaciones


considerando la mortalidad promedio de los insectos? Trabajar con un a= 0,05.

50
MUESTRAS INDEPENDIENTES Y VARIANZAS
POBLACIONALES DESCONOCIDAS Y DIFERENTES

Los límites del intervalo de confianza bilateral, con confianza 1- a, para la


diferencia de medias están dados por:

51
EJEMPLO

Un laboratorio está interesado en estudiar la disminución de la actividad


enzimática de una reacción con calor respecto a la misma reacción en frío. La
actividad enzimática se observa en 10 tubos con calor y 10 con frío.

¿Existen diferencias estadísticamente significativas entre ambas condiciones


de temperatura analizando la actividad enzimática? (a=0,05).

52
MUESTRAS DEPENDIENTES

Los límites del intervalo de confianza bilateral, con confianza 1- a, para la


diferencia de medias están dados por:

53
EJEMPLO

Para evaluar el crecimiento (medido en peso seco) de plantines de repollo


sometidos a dos condiciones hídricas, una con riego no restringido (a capacidad
de campo) y la otra con riego restringido (una vez cada 15 días), ocho equipos
de trabajo obtuvieron datos para ambas condiciones. Cada dato, aportado por
un equipo de trabajo corresponde al peso seco promedio de 50 plantas.

¿Es la diferencia de peso seco entre condiciones de riego estadísticamente


significativa, para un nivel del 5%?

54
55
56
57
58
59
EJEMPLO

60
61
Se puede afirmar que el nuevo herbicida incremento la producción, a un
nivel de significancia del 1 %?
PARA MODELAR ES IMPORTANTE IDENTIFICAR DOS TIPOS DE
ESTRUCTURAS

Estructura de parcelas

Aleatorización

Estructura de tratamientos

65
ESTRUCTURA DE PARCELAS

El diseño de la estructura de parcelas consiste en el agrupamiento de


unidades experimentales homogéneas en grupos o bloques.

El reconocimiento de la estructura de parcelas y su incorporación al modelo


de análisis de la varianza tiene como consecuencia inmediata el aumento de
precisión del diseño.

Completamente aleatorizado

Bloques completos aleatorizados

Cuadrado latino

66
DISEÑO COMPLETAMENTE AL AZAR
Se utiliza cuando el ambiente experimental y las condiciones de manejo
son homogéneos.

VENTAJAS

La estructura del análisis estadístico es simple.

Permite máxima flexibilidad en cuanto al número de tratamientos y


número de repeticiones.

La pérdida de observaciones durante la conducción del experimento no


genera dificultades en el análisis y en la interpretación de los resultados.

Reúne el mayor número de grados de libertad en el residuo, en


comparación con otros diseños.

67
INCONVENIENTES

Cuando el número de unidades experimentales es muy grande es difícil


encontrar lugares grandes que presenten la homogeneidad requerida.

Debido a que las fuentes de variación no asociadas a los tratamientos o a


los niveles del factor en estudio, están incluidas en el residuo como
variación del azar, la buena precisión de los análisis se ve comprometida.

ALEATORIZACIÓN

Considerando un experimento con t = 5 niveles del factor A


(tratamientos) y r = 4 repeticiones para cada nivel, se tiene que el
número total de unidades experimentales (parcelas) incluidas en el
experimento es t x r = 5 x 4 = 20.

68
ANÁLISIS ESTADÍSTICO

La representación de las observaciones de un experimento, con un


factor con t tratamientos (o niveles) y r repeticiones es la siguiente:

69
MODELO ESTADÍSTICO

70
ANALISIS

Los datos provenientes de un experimento implementado bajo un DCA se


analizan mediante la técnica del análisis de varianza (ANAVA).

La técnica de ANAVA permite descomponer la variación total de las


observaciones en la variación entre tratamientos y la variación dentro de
tratamientos.

El objetivo del ANAVA de es contrastar la hipótesis de que los efectos de


tratamientos son nulos versus que al menos uno no lo es. En términos
estadísticos:

El ANAVA se realiza mediante la prueba estadística F - Fisher.

71
El esquema del ANAVA y las expresiones necesarias para la aplicación de la
prueba F, se presentan a continuación:

Los grados de libertad son la cantidad de información suministrada por los datos
que se pueden gastar para estimar los valores de parámetros desconocidos y
calcular la variabilidad de esas estimaciones. Este valor se determina según el
número de observaciones de la muestra y el número de parámetros del modelo
gl = n-1.

72
EJEMPLO

El porcentaje de humedad relativa (HR) es determinante para el ataque de


hongos en semillas almacenadas. Para evaluar la susceptibilidad de las
semillas de maiz al ataque de un hongo se realizó un ensayo en cámaras de
cría con tres porcentajes de HR: 70%, 80% y 90%. Cinco observaciones fueron
tomadas para cada porcentaje de HR, registrándose el número de semillas
atacadas en un grupo de 100 semillas

HUMEDAD NUMERO DE SEMILLAS ATASCADAS


70 7 6 9 5 9
80 12 15 17 18 20
90 14 16 18 21 15

73
ANÁLISIS DE VARIANZA

Fuente de Suma de Grados de Cuadrados F


Variación Cuadrados Libertad Medios

Tratamientos 294.93 2 147.46 21.9

Error 80.8 12 6.73

Total 375.73 14

74
INTERPRETACIÓN DE RESULTADOS

Si a = 0.05, luego el punto crítico que delimita la zona de aceptación y rechazo


de H0 es F(2,12; 0.95) = 3.88.

Como F= 21.91> Fcrítica se concluye, con un nivel de significación del 5%, que se
rechaza la hipótesis nula de igualdad de medias de número de semillas
atacadas para los 3 porcentajes de HR, por lo tanto al menos una de las HR
produce un grado de ataque de hongos diferente de los restantes.

75
PRUEBAS DE COMPARACIONES MÚLTIPLES

Si se rechaza la hipótesis nula del ANAVA, la pregunta que sigue es ¿cuál o


cuáles de las medias poblacionales en estudio son las diferentes?

Existe una gama muy amplia de alternativas para llevar adelante este tipo de
pruebas:

Tukey (Tukey, 1949)

Scheffé (Scheffé, 1953)

Duncan (Duncan, 1955)

Dunnet (Dunnet, 1964)

Fisher (Fisher, 1966)

DGC (2010)

76
PRUEBA DE TUKEY PARA EL EJEMPLO

D= Q(gl del error) x error típico de la media

D= Q(gl del error) x Sx

Q(gl del error)= 3,77

𝐶𝑀𝐸
Sx= = 6,73/5= 1,16
# 𝑅𝐸𝑃𝐸𝑇𝐼𝐶𝐼𝑂𝑁𝐸𝑆

D= 4,37

16,8-4,37 = 12,43 comparar 12,43 < 16,8 Humedad Medias


90 16,8 a
16,4- 4,37 =12,03 comparar 12,03 > 7,2 80 16,4 a
70 7,2 b

77
VERIFICACIÓN DE SUPUESTOS DEL ANÁLISIS

Los errores se suponen normales con esperanza cero, varianza común


e independientes. Los predictores de los errores son los residuos.

Se llama residuo de la observación j-ésima correspondiente al i-ésimo


nivel del factor tratamiento al predictor de ij, que se denota por eij y
se obtiene como la diferencia entre el valor observado y el valor
predicho por el modelo.

78
NORMALIDAD

Seleccionando los residuos como variable de análisis, una de las técnicas


más usadas es construir un Q-Q plot normal. Mediante esta técnica se
obtiene un diagrama de dispersión en el que, si los residuales son normales
y no hay otros defectos del modelo, entonces se alinean sobre una recta a
45°.

3.60
3.40
3.20
Q-Q plot (normal) 3.00
obtenido a partir de 2.80

un modelo con 2.60

errores normales 2.40


2.20
2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6

79
HOMOGENEIDAD DE VARIANZAS

Cuando los errores son homocedásticos, haciendo un gráfico de


dispersión de residuos vs. valores predichos por el modelo se debe
observar una nube de puntos sin patrón alguno. Un patrón típico que
indica falta de homogeneidad en las varianzas, se muestra en la
siguiente figura, ya que a medida que crecen los valores predichos por el
modelo, aumentan las dispersiones de los residuos respectivos.

residuales
Gráfico de residuos en
función de predichos en
0
un ejemplo con falta de
homogeneidad de
varianzas
predichos

80
PRUEBA DE HIPÓTESIS SOBRE LOS SUPUESTOS

• Prueba de Shapiro-Wilks (residuos)


H0: Los errores tienen distribución normal

• Prueba de Levene (valor absoluto de los residuos)


H0: Los errores tienen varianza homogénea

81
Una compañía que fabrica alimentos para personas celíacas está interesada en mejorar
la calidad de conservación de la mercadería que se guardan en sus instalaciones. Para
ello prueba cuatro tipo de recetas, y fabrica seis lotes de alimento para cada tipo de
receta. Cada día verifica la frescura del producto. A continuación se expresan los datos
de vida de almacenamiento (en días) hasta que el producto se califica como no fresco.

Receta A Receta B Receta C Receta D


94 88 76 82
100 89 69 80
90 88 76 82
97 83 79 78
101 79 80 89
90 82 72 80
•Analice los datos para determinar si existen evidencias que indiquen diferencias
significativas en el promedio de duración de almacenamiento del producto
manufacturado con diferentes recetas. Trabaje con un nivel de significación del 0.05
•Si es posible, determine cual es la receta que permite mayor tiempo de
almacenamiento sin que el producto pierda su frescura
•Que conclusiones, acerca de la vida promedio de almacenamiento, puede obtener el
director de la compañía?

82
TRANSFORMACION DE DATOS
NUMEROS DIGITOS

A veces se obtienen resultados con números pequeños, en su mayoría


números dígitos ejemplo conteo de frutos, conteo de insectos en
campos bien tratados etc.

En este caso los datos originales (números dígitos se sustituyen por su


raíz cuadrado. Cuando hay valores de cero, se añade 0,5 a todos los
datos originales antes de sacar la raíz cuadrada.

83
CAMPO GRANDE DE VARIACIÓN

En los casos donde existen diferencias muy grandes entre los


diferentes valores de los tratamientos se recomienda una
transformación logarítmica.

Por ejemplo se pueden encontrar unos pocos insectos en una


parcela tratada con una sustancia efectiva, mientras que en otras no
tratadas la cantidad de insectos pudren alcanzar valores muy
grandes.

84
FRECUENCIAS RELATIVAS

Las frecuencias relativas, están sujetas a la distribución binomial que a


veces puede diferir notablemente de una distribución normal, sobre
todo cuando los datos son muy pequeños y muy grandes.

Se debe realizar la transformación de los datos si la mayoría de estos no


se encuentran entre un 30 y 70%.

85
Inversa [1/Y]

Se utiliza para casos poco comunes en los que los datos presentan una
elevada variabilidad y las varianzas son proporcionales a las medias
elevadas a 4. Los datos presentan una distribución fuertemente sesgada
a la derecha (J invertida) o a la izquierda (en forma de J). Esta
Transformación también precisa que sumemos una cantidad a cada
valor, por ejemplo 1, si existen ceros.

Datos periféricos o raros (“outliers”)

Cuando se encuentran valores inusualmente grandes o pequeños


respecto al conjunto de los valores observados, la opción más correcta
es averiguar si se trata de un error y corregirlo. Si hay motivos fundados
para sospechar que se trata de un error, pero resulta imposible
corregirlo, debería tratarse como dato perdido y realizar el ANOVA con
el valor(es) estimado(es) con la consiguiente pérdida de uno o varios
grados de libertad.

86
Se desea conocer el efecto de las cepas de inoculantes de Rhizobium, fijadoras
de nitrógeno atmosférico, sobre el contenido de nitrógeno de plantas de
trébol rojo. Para ello se dispone de 30 macetas de trébol rojo en un
invernadero. Se asignan al azar 5 macetas para cada una de las cepas y se
procede a inocularlas. Los resultados son los siguientes (en mg. de
nitrógeno/Kg de Materia Seca). Archivo “DCA 2”

a) ¿Cuáles son las unidades experimentales?, ¿Cuántas repeticiones hay?


b) Plantear las hipótesis del experimento
c) Realizar el Análisis de la Varianza (α = 0.05) y concluir sobre si las distintas
cepas producen el mismo nivel de fijación de nitrógeno o no.

87
VERSIÓN NO-PARAMÉTRICA DEL ANAVA

El ANAVA propuesto por Kruskal y Wallis permite comparar las esperanzas de 2 o


más distribuciones sin necesidad de realizar el supuesto de que los términos de
error se distribuyen normalmente.

El estadístico de la prueba (H) se basa en la suma de los rangos asignados a las


observaciones dentro de cada tratamiento.

La interpretación se realiza de igual manera que el ANAVA paramétrico

88
Se realizó un ensayo para evaluar el rendimiento en kg de materia seca por
hectárea de una forrajera con distintos aportes de N2 en forma de urea. Las
dosis de urea probadas fueron 0 (control), 75, 150, 225 y 300 kg/ha, bajo un
diseño completamente al azar con cuatro repeticiones. A continuación se
presentan los resultados obtenidos. Archivo “DCA 3”.

UREA
(kg/ha) 1 2 3 4
0 2010 1832 2170 1879
75 2915 2175 2610 2294
150 3049 2908 2964 2971
225 3199 3235 3003 2937
300 3381 3270 3129 3171
a) ¿Cuál es el modelo matemático para el experimento?
b) Plantear las hipótesis científicas y estadísticas del experimento
c) Realizar el Análisis de la Varianza (α = 0.05) y concluir sobre si las distintas
dosis producen el mismo rendimiento de materia seca.

89
DCA CON DESIGUAL REPETICIONES

En un experimento bajo el diseño completamente al azar se compararon 4


cepas nativas de Azotobacter, en el cultivo del pimiento variedad Verano 1,
donde se evaluó como variable principal la altura de las plantas a los 35
días.

T1 T2 T3 T4

90
PRUEBA DE COMPARACIÓN DMS

IGUAL REPETICIONES DESIGUAL REPETICIONES

91
T2 TUNAS 19 49,4
T4 TUNAS 27 38,667
T1 TUNAS1 44,5
T3 TUNAS52 44,8

T2 TUNAS 19 49,4
T3 TUNAS52 44,8
T1 TUNAS1 44,5
T4 TUNAS 27 38,667

Comparar las diferencias entre las medias de los tratamientos con el valor
de la DMS.

Si la diferencia entre las medias es mayor que DMS entonces las medias
difieren significativamente.

92
93
94
95
96
Prueba de Duncan

Encontrar el valor de Sx

𝐶𝑀𝐸
Sx= =4.03
# 𝑅𝐸𝑃𝐸𝑇𝐼𝐶𝐼𝑂𝑁𝐸𝑆

Calcular los rangos mínimos significativos (RMS)


en base a los rangos mínimos de Duncan (RMD)
VALORES PARA
MEDIAS 2 3 4
RMD 3,26 3,40 3,48
RMS=RMD*Sx 13,14 13,70 14,00

97
• Colocar las medias de menos a mayor

4 49 d
1 70,67 c
3 92 b
2 123,33 a

123,33-14.0 109,33
92-13.70 78,3
70,67-13.14 57,53

98
CONTRASTES ORTOGONALES
Un contraste es definido como una combinación lineal de los parámetros del modelo
(Montgomery, 1991).

Ortogonal = independiente y aditivo (balanceado)


• Comparación de grupos de tratamientos
• Descomposición de la SC de tratamientos

SC Total
SC Trat SC1
Particionada SC2
SC Trat
SC4 SC Trat = SC1 + SC2 + .. +SCt-1
SC3
SC EE SC EE

99
En el análisis de varianza los contrastes generalmente toman la forma a1M1+
a2M2+...+ akMk (donde los coeficientes ai son constantes conocidas, al menos
dos distintos de cero y su suma es cero, Mi es la i-ésima media poblacional.).

Para que las comparaciones sean independientes unas de otras, los contrastes
deberán ser ortogonales.

Dos contrastes son ortogonales si la suma de los productos de los coeficientes de


ambos contrastes es cero. O sea, para C1 = a1M1+ a2M2+...+ akMk y C2 = b1M1
+ b2M2+...+ bkMk, C1 y C2 son ortogonales si a1b1+ a2b2+...+akbk = 0.

Tres o más contrastes son ortogonales si todos los pares de contrastes son
ortogonales.

100
Se realizó un experimento bajo un diseño completamente al azar para
evaluar el efecto de cuatro fungicidas sobre el control de un patógeno en
granos almacenados de maíz. Los datos corresponden al número de insectos
encontrados en muestras de un kilogramo de maiz.

Tratamiento
Repetición A B C D E Tratamientos
1 16 8 8 10 14 A= control sin tratamiento
2 19 8 7 11 16 B y C= fungicidas mercúricos
3 24 9 1 12 14 D y E= fungicidas no mercúricos
4 22 7 1 8 13

101
CONTRASTES ORTOGONALES

Tratamientos
A= testigo sin tratamiento
B y C= fungicidas mercúricos
D y E= fungicidas no mercúricos

Los 4 grados de libertad de los tratamientos se pueden descomponer en 4 hipótesis


con un grado de libertad cada hipótesis
Coeficientes
A B C D E
mB  mC  mD  mE
1. H0 : m A  4 -1 -1 -1 -1
4
mB  mC mD  mE
2. H 0 :  0 1 1 -1 -1
2 2
3. H 0 : mB  mC 0 1 -1 0 0

4. H 0 : mD  mE 0 0 0 1 -1

102
103
104
Una empresa agrícola necesita establecer si le conviene fertilizar sus cultivos de soja y
si es así, seleccionar el fertilizante mas adecuado. Para este propósito se realizó un
ensayo en un lote de 5 has., dividido en parcelas de 1/4 ha. cada una, asignando los
tratamientos en forma aleatoria. Los rendimientos obtenidos (qq/ha) fueron:

Control (sin fertilizar) Fert. A Fert. B Fert. C


23 30 28 27
20 32 36 25
22 29 31 24
20 35 32 28
21 33 34 26

a) Plantear los objetivos de la investigación


b) Hacer una representación gráfica de la disposición del experimento en el campo
c) Representar gráficamente los promedios del rendimiento por tratamiento
b) ¿Se recomendaría la fertilización?
c) De ser así, ¿cuál de los fertilizantes se recomendaría? Realice la recomendación en base a
una prueba exacta de comparación de medias.

105
Considere un experimento donde se compararon 4 variedades de maíz bajo un
diseño de bloques completos. Las variedades evaluadas fueron las siguientes:
Variedad 1. Precoz resistente.
Variedad 2. Precoz susceptible.
Variedad 3. Tardía resistente.
Variedad 4. Tardía susceptible.
Variedad 5. Testigo
Los rendimientos en kg/ parcela se presentan en el siguiente cuadro
TRATAMIENTO T1 T2 T3 T4 T5
I 6 5 7 8 9
II 7 6 7 9 10
III 7 7 8 8 9
IV 8 8 9 9 10
V 7 8 9 9 11

Determine: a) El modelo matemático; b) Plantee las hipótesis para cada una de las
comparaciones ortogonales posibles. c) Verifique la ortogonalidad de los contrastes
planteados. d) Redacte los objetivos, metodología (con todos los aspectos, inclusive el
croquis experimental), resultados y conclusiones; incluya cuadros, gráficos y toda la
información necesaria para poder interpretar los resultados.

106
POLINOMIOS ORTOGONALES

Cuando los tratamientos usados en un experimento son cuantitativos, por ejemplo,


diferentes niveles de un fertilizante aplicados a varias parcelas con algún cultivo,
no tiene mucho sentido hacer comparaciones múltiples para las medias de los
Tratamientos. En estos casos, es más útil ver cual es la tendencia de la respuesta
Que producen los diferentes niveles empleados con polinomios de grado n:
Para dos niveles Y  b b X
• Polinomio de primer grado: i 0 1 (Lineal)
Para tres niveles Yi  b0  b1X
• Polinomio de primer grado: (Lineal)
Yi  b0  b1X  b2 X 2
• Polinomio de segundo grado: (Cuadrático)

Para cuatro niveles Yi  b0  b1X


• Polinomio de primer grado: (Lineal)
Yi  b0  b1X  b2 X 2
• Polinomio de segundo grado: (Cuadrático)
Yi  b0  b1X  b2 X 2  b3 X 3
• Polinomio de tercer grado: (Cúbico)

107
COEFICIENTES PARA GRADOS DEL POLINOMIO

No. Grados del Tratamientos total


Tratam. Polinomio T1 T2 T3 T4 T5 T6
2 1 -1 +1
3 1 -1 0 +1
2 +1 -2 +1
4 1 -3 -1 +1 +3
2 +1 -1 -1 +1
3 -1 +3 -3 +1
5 1 -2 -1 0 +1 +2
2 +2 -1 -2 -1 +2
3 -1 +2 0 -2 +1
4 +1 -4 +6 -4 +1
6 1 -5 -3 -1 +1 +3 +5
2 +5 -1 -4 -4 -1 +5
3 -5 +7 +4 -4 -7 +5
4 +1 -3 +2 +2 -3 +1
5 -1 +5 -10 +10 -5 +1

108
Los siguientes datos son de rendimientos en kg/parcela, obtenidos al
aplicar al azar cuatro niveles de nitrógeno a varias parcelas de maíz.

Nivel de Nitrógeno
REP. 0 50 100 150

1 25.4 34.3 36.4 28.3


2 34.2 42.8 43.2 36.2
3 21.2 32.1 34.2 23.2
4 39.9 45.8 43.3 41.3

109
ANAVA con tratamientos cuantitativos
Resultado del análisis de los datos:
Variable N R² R² Aj CV
Rendim 16 0.96 0.94 5.44

Cuadro de Análisis de la Varianza (SC tipo III)


F.V. SC gl CM F p-valor
Modelo 824.55 6 137.42 37.62 <0.0001
Bloque 572.02 3 190.67 52.20 <0.0001
Nitrogeno 252.52 3 84.17 23.05 0.0001
Error 32.87 9 3.65
Total 857.42 15

Contrastes
Nitrogeno SC gl CM F p-valor
Contraste1 9.11 1 9.11 2.49 0.1487
Contraste2 243.36 1 243.36 66.63 <0.0001
Contraste3 0.05 1 0.05 0.01 0.9094
Total 252.52 3 84.17 23.05 0.0001

Coeficientes de los contrastes


Nitrogeno Cont. 1 Cont. 2 Cont. 3
1.00 -3.00 1.00 -1.00
2.00 -1.00 -1.00 3.00
3.00 1.00 -1.00 -3.00
4.00 3.00 1.00 1.00

110
DISEÑO EN BLOQUES COMPLETOS AL AZAR
El diseño en bloques completos al azar toma en cuenta los tres principios básicos
de la experimentación: repetición, aleatorización y control local.

Las unidades experimentales se distribuyen en grupos homogéneos, cada uno de


estos grupos es llamado bloque.

El número de unidades experimentales dentro de cada bloque es igual al número


de tratamientos incluidos en el experimento.

Los tratamientos son distribuidos en las unidades experimentales dentro de cada


bloque aleatoriamente, así, cada bloque irá a constituir una repetición.

Se utiliza cuando se tienen dudas acerca de la homogeneidad del ambiente o


cuando se sabe de su heterogeneidad.

111
ALEATORIZACIÓN

Se aleatorizan las tratamientos dentro de cada bloque.

La aleatorización se realizará de forma independiente para cada bloque.

Suponiendo que se tiene un experimento que incluye un factor con 5


niveles (denotados con las letras A, B, C, D y E), distribuidos en 4
bloques.

112
ANÁLISIS ESTADÍSTICO
Sea t el número de niveles del factor A (tratamientos) distribuidos en r
bloques. La notación adoptada para representar los valores de la variable de
respuesta sería:

113
MODELO ESTADÍSTICO
El modelo asociado a este diseño experimental sería:

114
Esquema del ANAVA y las expresiones necesarias para la aplicación de la
prueba F.

115
La dueña de la fábrica de alimentos para celíacos cree que el tipo de horno
afecta el tiempo de almacenamiento de los productos. Para ello, prueba
cada receta en cuatro tipos de hornos. El tiempo de vida en
almacenamiento, medido en días, hasta que el producto es considerado
no fresco se expresa a continuación. Analice los datos de este experimento
y concluya a un nivel de significancia del 5 %.

Horno Receta A Receta B Receta C Receta D


I 92,21 81,54 67,35 76,81
II 96,51 84,10 69,70 79,33
III 93,10 82,22 72,25 83,09
IV 86,33 87,51 73,68 86,16

116
EJEMPLO
Un artículo en el Diario de Tecnología de Alimentos describe un estudio sobre el
contenido de protopectina en tomates durante el almacenamiento. Se
seleccionaron cuatro tiempos de almacenamiento y se analizaron muestras de
nueve lotes de tomates. El
contenido de protopectina (expresada en mg/kg de ácido clorhídrico soluble), se
muestra en la siguiente tabla.

117
Se evaluó el efecto de tres soluciones de lavado para retardar el crecimiento de
bacterias en contenedores de leche de 5 galones. El análisis se hace en laboratorio
y solo pueden hacerse tres análisis por día. Puesto que los días podrían
representar una fuente potencial de variabilidad, se decide hacer un DBCA. Se
hacen observaciones en 4 días. Analice los datos de este experimento y concluya a
un nivel de significancia del 5 %.

118
VERSIÓN NO-PARAMÉTRICA DEL DBCA

El ANAVA propuesto por Friedman (1937, 1940) permite comparar las


esperanzas de 2 o más distribuciones cuando el diseño de la experiencia ha
sido en bloques completos aleatorizados, sin necesidad de verificar el
cumplimiento del supuesto de normalidad.

Esta prueba requiere que las observaciones sean independientes y que las
varianzas poblacionales sean homogéneas.

La hipótesis a probar es: H0: u1=u2=,...,=ua

119
CUADRADO LATINO
Este diseño es utilizado cuando existe necesidad de controlar la variabilidad
experimental en dos direcciones, esto es, las filas en una dirección y las
columnas en otra dirección.

En este diseño el número de filas o hileras (h), el número de columnas (c) y el


número de tratamientos (t) debe ser igual.

Ventaja:
 Controla la variabilidad extraña a tratamientos en doble sentido
Desventajas:
 Menos grados de libertad en error experimental que DCA y DBCA
 Número de repeticiones = número de tratamientos o múltiplo
 Los tratamientos deben aparecer sólo una vez en hilera / columna

120
ALEATORIZACIÓN
Si se tiene un experimento con cinco tratamientos (A, B, C, D y E), la
localización de las parcelas en el área experimental sería:

121
ANÁLISIS ESTADÍSTICO

A continuación se presentan una tabla de datos para un cuadrado latino 4 x 4:

122
MODELO ESTADÍSTICO MATEMÁTICO

123
Esquema del ANAVA y las expresiones necesarias para la aplicación de la
prueba F.

124
Se estudia el efecto de cinco ingredientes diferentes (A, B, C, D y E) sobre el
tiempo de reacción de un proceso químico. Cada lote de material nuevo solo
alcanza para permitir la realización de cinco corridas. Además cada corrida
requiere aproximadamente 1.5 horas, por lo que solo pueden realizarse cinco
corridas en un día. El experimentador decide realizar el experimento como un
cuadrado latino para que los efectos del día y el lote puedan controlarse
sistemáticamente. Los datos se muestran a continuación:

125
Un ingeniero industrial investiga cuatro métodos de ensamblaje (A, B, C, D)
sobre el tiempo de ensamblaje (minutos) de cajas de plátano verde. Se
seleccionaron cuatro operadores para el estudio. Para tomar en cuenta la
fatiga que puede producir el proceso de ensamblaje, independientemente
del método, se emplea un diseño en cuadrado latino. Los datos se presentan
a continuación:

126
ESTRUCTURA DE TRATAMIENTOS
ESQUEMAS FACTORIALES

La estructura de tratamientos es la forma como se encuentran estructurados los


tratamientos.

En los esquemas factoriales, se estudia simultáneamente el efecto de dos o más


factores.

Los tratamientos se forman por la combinación de los diferentes niveles de cada


uno de los factores.

127
EXPERIMENTO CON DOS FACTORES
CON DOS NIVELES CADA UNO

A2B1 A1B1
Posible arreglo para un experimento
bifactorial sin repeticiones, conducido
bajo un diseño completamente
A1B2 A2B2 aleatorizado.

128
MODELO PARA UN EXPERIMENTO FACTORIAL
SIN REPETICIONES

Yij=m + ai + bj + ij con i=1,2 j=1,2


ij es el término de error independiente que se supone es una variable
aleatoria normal, con esperanza cero y varianza común 2

Cuando los experimentos factoriales no tienen repeticiones, se


debe suponer que los factores no interactúan, para poder
estimar el error experimental.

129
TABLA DE ANAVA
EXPERIMENTO BIFACTORIAL SIN REPETICIONES

F.V. Suma de Cuadrados Grados de Cuadrado F


Libertad Medio
Factor A SCA a-1 CMA CMA
CMD

Factor B SCB b-1 CMB CMB


CMD

Error SCD=SCT-SCA-SCB (a-1)(b-1) CMD

Total SCT a.b-1

130
EJEMPLO

A continuación se muestran los datos de un ensayo comparativo del efecto


de distintos potenciales agua del substrato sobre el porcentaje de
germinación en Eucalipto.

0 0.5 1.0 1.5

S1 88 73 61 29

S2 81 72 39 18

131
ANÁLISIS DE LA VARIANZA

Fuente de Suma de G. de Cuadrado F obs. F tabla


Variación Cuadrados Libertad Medio

Osmolito 50.0 1 50.0 5.6 10.128

Potencial 6118.5 3 2172.8 241.0 9.276


Agua

Error 27.0 3 9.0

Total 6195.5 7

132
MODELOS CON INTERACCIÓN

La inclusión de términos de interacción en el modelo conlleva la necesidad de


tener repeticiones para cada tratamiento.

Modelo lineal para un experimento bifactorial con interacciones bajo un DCA.

Yijk= m + ai+ bj + ij + ijk con i=1,2 j=1,2 k=1,..,nij

133
TABLA DE ANAVA

Fuente de Suma de Cuadrados Grados de Libertad Cuadrado F


Variación Medio
Factor A SCA a-1 CMA
CMA
CMD
Factor B SCB b-1 CMB
CMB
CMD
Interacción AB SCAB (a-1)(b-1) CMAB
CMAB
CMD

Error SCD=SCT-SCA-SCB- glt-gla-glb-glab CMD


SCAB

Total SCT glt= n-1

134
Se desea estudiar el efecto de la presión y temperatura sobre el
rendimiento de un proceso químico. Se seleccionan tres niveles de
cada factor y se lleva a cabo un experimento factorial con dos
repeticiones. Los datos del rendimiento son:

135
136
137
138
Concentración proteica (% del peso seco) en hojas de Atriplex cordobensis
cosechadas en invierno y verano de plantas masculinas y femeninas.

Femeninas Masculinas
Invierno Verano Invierno Verano
24 17 17 24
28 18 18 25
26 16 16 23

139
TABLA DE ANAVA

Fuente de Suma de Grados de Cuadrado


Variación Cuadrados Libertad Medio F obs. F
tabla
Factor Sexo 3 1 3.00 1.71 5.32

Factor Epoca 3 1 3.00 1.71 5.32


de cosecha

Interacción 192 1 192.00 109.7 5.32


Epoca-Sexo

Error 14 8 1.75

Total 212 11

140
ANÁLISIS DE INTERACCIONES EN DISEÑO DE TRATAMIENTOS
BIFACTORIALES
Si una interacción es significativa, se debe investigar el tipo de interacción para ver
como interpretar los efectos principales
Interacción ordinal: los factores muestran la misma tendencia

b1
a1
b2 a2

a1 a2 b1 b2

El orden de los niveles de A es el mismo en los diferentes niveles de B y el


orden de los niveles de B es el mismo en los niveles de A

Los efectos principales se pueden interpretar

141
Interacción híbrida: las tendencias de los niveles de B dentro de los
niveles de A tienen diferentes direcciones sin llegarse a cruzarse. Igual
situación muestran las tendencias de los niveles de A dentro de los
niveles de B; sin embargo, estos si se cruzan

b1
a1

b2 a2

a1 a2 b1 b2

Solamente se puede interpretar el efecto principal B

El efecto principal A no se debe interpretar:


a1<a2 solamente vale para el nivel b1, no para b2

142
Interacción disordinal: Hay orientaciones diferentes de los dos efectos
principales

b1
a1

b2 a2

a1 a2 b1 b2

Los dos efectos principales observados aisladamente, no tienen significancia


No se debe interpretar ningún efecto principal
Diferencias entre niveles de A solamente se deben interpretar considerando
los niveles actuales de B y viceversa

143
Gráfico para estudiar interacción
30

masculinas
contenido de proteínas

femeninas
Media  error estándar
25 de la concentración de
proteínas en hojas de
Atriplex cordobensis por
efecto del sexo y la época
20
de cosecha.

femeninas masculinas
15
Verano Invierno

144
Gráfico para estudiar interacción
60

55

50
Media  error
Fibras Insolubles

masculinas
estándar de la
45 concentración de
fibras insolubles en
40
hojas de Atriplex
35 femeninas cordobensis por
efecto del sexo y la
30 época de cosecha.
25
Verano Invierno

145
VENTAJA DE LA ESTRUCTURA
FACTORIAL DE TRATAMIENTOS

Comparar el efecto de tres tipos de ruptura de dormición y el efecto de tres


temperaturas de cámara de germinación bajo un DCA con tres repeticiones.

Fuente Gl Fuente GL

Temperatura 2 Tipo de Ruptura 2

Error 6 Error 6
Total 8 Total 8

Número total de UE 18

146
Fuente Gl
Temperatura (A) 2
Tipo de Ruptura (B) 2
A*B 4
Error 9
Total 17

Número total de UE 18

147
148
149
Se realizó un experimento para evaluar el efecto de dos dosis de un
promotor de crecimiento (1,5 mg y 2 mg) sobre el rendimiento de dos
variedades de caña de azúcar, bajo un diseño de bloques al azar con 4
réplicas.

I II III IV
T1 V1D1 81 83 83 78
T2 V1D2 86 85 87 86
T3 V2D1 83 79 82 80
T4 V2D2 81 80 83 82
T5 TESTIGO 70 72 69 67

150
151
152
Identificar el modelo lineal
Realice la tabla del ANAVA (fuentes de
variación y grados de libertad)
Identificar la estructura de parcelas y
tratamientos
Realizar el croquis experimental
Determinar el tipo de interacción en forma
gráfica y analítica
Concluir a un nivel del 5 %

153
DISEÑO EN PARCELA DIVIDIDA
o La naturaleza de los tratamientos justifica el uso de diferentes tamaños de
parcela
o Para modelar respuestas en el tiempo (esfericidad)
o El experimento está en marcha y se quieren agregar nuevos sub tratamientos
o Estimar con diferente precisión los experimentos
o Diferentes tamaños de parcela
o Mayor precisión a nivel de subparcela que en parcela
o Por lo general, el interés se centra más en la parcela pequeña
o Dos pasos de aleatorización:
o Para parcelas grandes
o Para subparcelas (parcelas pequeñas)
o Es posible generalizar para mayor subdivisión de parcelas: parcelas
subdivididas

154
PARCELAS DIVIDIDAS BAJO UN DCA

Yijk  m  Ai  k (i)  B j  ( AB)ij ijk

Donde:
Yijk = Variable de respuesta en la parcela grande i, parcela pequeña j
y repetición k
µ = La media general
Ai = El efecto principal de la parcela grande i
 k (i) = El error para la parcela grande
Bj = El efecto principal de la parcela pequeña j
(AB)ij = La interacción de la parcela grande i con la parcela pequeña j
ijk = El error para la parcela pequeña

155
156
CROQUIS EXPERIMENTAL

repeticiones=2 Factor A=3 niveles Factor B=3 niveles

a3 a2 a2 a3 a1 a1

b2 b2 b3 b1 b1 b2

b3 b1 b1 b3 b2 b1

b1 b3 b2 b2 b3 b3

157
En un experimento se probaron dos métodos de siembra y tres variedades de
arroz. Por razones de facilidad en el manejo del mismo, se decidió utilizar un
arreglo en parcelas divididas, en donde las parcelas grandes correspondieron a
los métodos de siembra y en las parcelas pequeñas se sembraron las tres
variedades de arroz (Oryza sativa L.). Los tratamientos se distribuyeron
mediante un diseño completamente al azar con 4 repeticiones. La variable de
respuesta fué kg/parcela de 72 m2. A continuación se detallan los factores
evaluados.
Métodos de siembra: S: Secano I: Inundación Variedades: BB: Blue Bonnett
BP: Belle Patna CR: Criolla

158
159
En un ensayo de resistencia de cartón se realizaron preparados de pasta
básica con tres distintas cantidades de agua (50, 75 y 100 litros). Cada uno
de los preparados (parcelas principales) se repitió tres veces en orden
aleatorio a lo largo del tiempo. Luego, se dividieron los preparados en cuatro
fracciones iguales (subparcelas) y se los sometió a distintas temperaturas de
cocción (15, 20, 25 y 30 grados), las que fueron asignadas al azar. La variable
en estudio fue la resistencia del cartón obtenido.

160
AGUA REPETICION TEMPERATURA RESISTENCIA
50 1 15 55,78
50 2 15 59,61
50 3 15 61,64
75 1 20 59,56
75 2 20 64,89
75 3 20 58,64
100 1 25 67,53
100 2 25 72,77
100 3 25 66,93
50 1 30 57
50 2 30 60,16
50 3 30 63,87
75 1 15 65,26
75 2 15 58,19
75 3 15 59,96
100 1 20 64,71
100 2 20 62,81
100 3 20 62,03
50 1 25 53,69
50 2 25 61,87
50 3 25 54,5
75 1 30 70,96
75 2 30 62,85
75 3 30 64,11
100 1 15 64,4
100 2 15 60,51
100 3 15 62,41
50 1 20 56,3 161
50 2 20 56,79
Determinar:

El modelo matemático y sus componentes


El croquis experimental
La tabla del análisis de varianza
El tipo de interacción existente en forma gráfica y
analítica
La cantidad de agua y la temperatura óptima a la cual
se alcanzó la mayor resistencia.
La conclusión del experimento.

162
Se realizó un experimento con un arreglo en parcelas divididas con el objetivo
de evaluar tres variedades con dos sistemas de preparación de suelos.
Los sistemas de preparación de suelos son los siguientes: S1 con inversión del
prisma y S2 sin inversión del prisma.
Las tres variedades son las siguientes: V1 Señorita; V2 CMC-40 y Jagüey
Dulce. Los datos que se expresan a continuación corresponden al
rendimiento en toneladas por hectárea.

163
Determinar:

El modelo matemático y sus componentes


El croquis experimental
El tipo de interacción existente en forma gráfica y
analítica
La conclusión del experimento.

164
DBCA EN PARCELA DIVIDIDA

Yijk  m  Ri  Aj ij  Bk  ( AB) jk ijk

Donde:

Yijk = Variable de respuesta en la parcela grande i, parcela pequeña j


y bloque k
µ = La media general
Ri = El efecto del bloque k
Aj = El efecto principal de la parcela grande i
= El error para la parcela grande
 ij
Bk = El efecto principal de la parcela pequeña j
(AB)jk = La interacción de la parcela grande i con la parcela pequeña j

ijk = El error para la parcela pequeña

165
166
ANAVA Parcelas Divididas
Bloque I Bloque II
a2 a1 a3 a3 a1 a2
b2 b2 b3 b1 b1 b2

b3 b1 b1 b3 b2 b1

b1 b3 b2 b2 b3 b3

Bloque III Bloque IV


a2 a1 a3 a3 a1 a2
b2 b2 b3 b1 b1 b2

b3 b1 b1 b3 b2 b1

b1 b3 b2 b2 b3 b3

167
Se realizó un experimento para conocer la respuesta (cantidad de materia
seca MS producida anualmente, tm.ha-1) de tres tipos de praderas (Estrella
Africana, Guinea y Jaraguá) deterioradas, a las cuales se les aplicaron
diferentes prácticas culturales (quema, chapeo y aplicación de herbicida)
para su recuperación. El diseño aplicado fue bloques al azar, considerando
en la parcela grande el tipo de pradera. Los resultados se presentan a
continuación:

168
169
Batres, De León, Salazar y Saquimux (2000) realizaron una investigación para
determinar la mejor edad de los árboles semilleros de pinabete (Abies
guatemalensis), así como el período óptimo que debe transcurrir entre la
colección y la siembra de la semilla. El estudio se realizó en el paraje Chuisapón
de la aldea Chimente del municipio de Totonicapán. Se utilizó un diseño de
bloques completos al azar con arreglo en parcelas divididas y cuatro
repeticiones. Cada unidad experimental estuvo conformada por 500 semillas
sembradas en cada caja germinadora de madera, en donde se utilizó arena de río
como sustrato y fue desinfectada con hervida (en ebullición). Los factores
evaluados y sus respectivos niveles se citan a continuación:

170
171
En un ensayo de trigo se dispusieron dos parcelas principales en tres bloques.
Sobre las parcelas principales se aleatorizaron los niveles del factor riego y estas
fueron divididas en cuatro subparcelas donde se aleatorizaron 4 variedades de
trigo. La variable en estudio fue el rendimiento medido en kg/parcela
experimental. Para el factor “riego”
(Factor A) se tienen dos niveles: secano (sin riego) y riego y para el factor
“variedad”
(Factor B) se usaron las siguientes variedades: Buck-Charrúa, Las Rosas-INTA,
Pigue y Pro-INTA Puntal.

172
PARCELA BLOQUE VARIEDAD RENDIMIENTO
Riego 1 BUCK-Charrua 409.3
Riego 2 BUCK-Charrua 311.7
Riego 3 BUCK-Charrua 516.4
Secano 1 BUCK-Charrua 266.3
Secano 2 BUCK-Charrua 252.8
Secano 3 BUCK-Charrua 299.9
Riego 1 LasRosas-INTA 544.9
Riego 2 LasRosas-INTA 445.4
Riego 3 LasRosas-INTA 585.7
Secano 1 LasRosas-INTA 259.3
Secano 2 LasRosas-INTA 358.4
Secano 3 LasRosas-INTA 350.2
Riego 1 Pigue 519.9
Riego 2 Pigue 477.0
Riego 3 Pigue 624.5
Secano 1 Pigue 340.7
Secano 2 Pigue 296.6
Secano 3 Pigue 327.2
Riego 1 Pro-INTA Puntal 629.5
Riego 2 Pro-INTA Puntal 639.0
Riego 3 Pro-INTA Puntal 585.7
Secano 1 Pro-INTA Puntal 236.6
Secano 2 Pro-INTA Puntal 335.7
Secano 3 Pro-INTA Puntal 390.5

173
En un estudio con pasto Napier (Pennisetum purpureum) se evaluaron dos
métodos de siembra y tres densidades de siembra, bajo un arreglo en
parcelas divididas y distribución en bloques al azar. En la parcela grande se
ubicó el factor métodos de siembra y en las parcelas pequeñas la densidad
(kg.ha-1) Factor A: Métodos de siembra: M1= al voleo. M2=20 cm.
entre surco Factor B: Densidades: D1=15 kg.ha-1 D2=25 kg.ha-1
D3=35 kg.ha-1 La variable de respuesta medida fue el rendimiento
expresado en toneladas métricas por hectárea (peso fresco) de pasto. Los
resultados obtenidos se presentan a continuación, tal como fueron
obtenidos en el campo:

174
175
Se realizó un experimento en DBCA para comparar dos niveles de irrigación (alta y
moderada) y cuatro variedades de caña de azúcar. La parcela grande corresponde
a la irrigación y la parcela pequeña a las variedades. Los datos de rendimiento en
ton/ha son los siguientes:

VARIEDAD
Irrigación 1 2 3 4
Alta 123.2 132.3 123.2 128.8
BLOQUE I
Moderada 118.2 123.2 115.2 116.3
Alta 128.2 138.3 128.2 125.8
BLOQUE II
Moderada 119.2 120.2 117.2 121.3
Alta 118.2 122.3 121.2 124.8
BLOQUE III
Moderada 111.2 117.2 113.2 113.3
Alta 128.2 123.3 128.2 132.8
BLOQUE IV
moderada 113.2 122.2 114.2 116.3

176
DCA EN PARCELA SUBDIVIDIDA

177
178
179
ANAVA Parcelas SubDivididas
Los datos del archivo provienen de un diseño completamente aleatorizado con 3
repeticiones (Blo). Cada repeticion fue dividida en tres parcelas principales. En cada
parcela principal (PP) se asignaron al azar tres métodos de labranza (Factor Lab, niveles
Cero, Mínima y Convencional). Luego de la labranza, las parcelas Principales fueron
divididas en tres subparcelas (SP), y en cada una de ellas se asignaron al azar 3
variedades de maíz (Factor Var, niveles v1, v2 y v3). Por último, cada una de las
subparcelas fue dividida en 4 sub-subparcelas (SSP), y en ellas se asignaron al azar 4
tipos de fertilizante (Factor Fer, niveles A, B, C, y D). La variable evaluada fue
rendimiento de maíz (qq/ha).

180
ANAVA Parcelas SubDivididas
Yijkl= µ + Si + Ej(i) + Hk + (SH)ik + Ejk(i) + Ml + (SM)il + (HM)kl + (SHM)ikl + Eijkl

Yijkl es la observación de la distancia k , en el método de control l, en el sistema de


labranza j, en el
bloque i.
μ = es la media verdadera general.
Si es el efecto del sistema i
Ej(i) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHik es el efecto de la interacción del sistema j espacio k
Ejk(i) es el error experimental de las subparcelas
Ml es el efecto del método l
SMil es el efecto de la interacción de la distancia j método l
HMkl es el efecto de la interacción del espacio k y el método l
SHM ikl es el efecto de la interacción del sistema i, el espacio k y el método l
Eijkl es el error para las sub sub parcelas

181
Se realizó un experimento con un diseño en parcela subdividida donde se
evaluaron:

Dos sistemas de labranza:


S1_ con inversión del prisma.
S2- sin inversión del prisma.

Tres espacios entre hileras:


H1- 45 cm.
H2- 60 cm.
H3- 90 cm.

Tres métodos de control de malas hierbas:


M1- con herbicidas.
M2- manual.
M3- no control.

Se evaluó el rendimiento en Kg / ha en la variedad de Soya INIFAT- V9.

182
Las hipótesis que se prueban son:
Ho: S1 = S2 =……= Sa vs Hl: Al menos un sistema diferente
Ho: H1 = H2 =……= Ha vs Hl: Al menos un espacio diferente
Ho: M1 = M2 =……= Ma vs Hl: Al menos un método diferente
Ho: no hay interacciòn Sx H vs Hl: si hay interacción S x H
Ho: no hay interacciòn Sx M vs Hl: si hay interacción S x M
Ho: no hay interacciòn H x M vs Hl: si hay interacción H x M
Ho: no hay interacciòn Sx H x M vs Hl: si hay interacción S x H x M

183
184
CLASE 28
DBCA EN PARCELA SUBDIVIDIDA
CONTENIDO
• Objetivos
• Marco teórico
• Modelo matemático
• Estructura de tratamientos
• Tablas de análisis de varianza
• Problema de aplicación y análisis
• Evaluación
185
ANAVA Parcelas SubDivididas
Yijkl= µ + Bi + Sj + Eij + Hk + (SH)jk + Ejk(i) + Ml + (SM)jl + (HM)kl + (SHM)jkl + Eijkl(c)

Yijkl es la observación de la distancia k , en el método de control l, en el sistema de


labranza j, en el
bloque i.
μ = es la media verdadera general.
Bi es el efecto del bloque i
Sj es el efecto del sistema j
Eij(a) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHjk es el efecto de la interacción del sistema j espacio k
Eijk(b) es el error experimental de las subparcelas
Ml es el efecto del método l
SMjl es el efecto de la interacción de la distancia j método l
HMkl es el efcto de la interacción del espacio k y el método l
SHM jkl es el efecto de la interacción del sistema j, el espacio k y el método l
Eijkl es el error para las sub sub parcelas

186
En cada parcela principal (PP) se asignaron al azar tres métodos de
labranza (Factor Lab, niveles Cero, Mínima y Convencional). Luego
de la labranza, las parcelas principales fueron divididas en tres
subparcelas (SP), y en cada una de ellas se asignaron al azar 3
variedades de maíz (Factor Var, niveles v1, v2 y v3). Por último, cada
una de las subparcelas fue dividida en 4 sub-subparcelas (SSP), y en
ellas se asignaron al azar 4 tipos de fertilizante (Factor Fer, niveles A,
B, C, y D).

La variable evaluada fue rendimiento de maíz (qq/ha).

187
Considere los datos de un experimento realizado bajo un DBCA en
parcelas subdivididas, con 3 fechas de siembra (S1, S2 y S3) del
cultivo de remolacha (Beta vulgaris L.), 2 niveles de aplicación de
insecticidas (I0 = sin insecticida y I1= con insecticida) y 3 épocas de
cosecha (E1, E2 y E3). El experimento fue realizado en 4 bloques, la
variable respuesta medida fue la producción por área. Los resultados
se presentan a continuación:

188
189
CLASE 28
ANALISIS DE COVARIANZA
CONTENIDO
• Objetivos
• Marco teórico
• Modelo matemático
• Estructura de tratamientos
• Tablas de análisis de varianza
• Problema de aplicación y análisis
• Evaluación
190
TÉCNICAS COMBINADAS DE ANÁLISIS
ANÁLISIS DE COVARIANZA = ANAVA + Regresión
Modelo matemático:

Yij  m  Ti  b  X ij  X..   ij


 
donde:
Yij = Valor de la variable de respuesta correspondiente al tratamiento i en la repetición j
m = Promedio general
Ti = Efecto del tratamiento i
X ij = Valor de la variable X de la parcela de tratamiento i y la repetición j
X.. = Media general de la covariable
b = Coeficiente de regresión lineal
ij = Error experimental

 Permite estimar un error más puro de Y sin la perturbación de X


 Las medias ajustadas miden los efectos esperados de tratamientos,
si no influyera X
 Aumenta la precisión
 Brinda información sobre relación X y Y
191
ANÁLISIS DE COVARIANZA

Supuestos:

 Los valores x (covariable) se miden sin error e independientes


de los tratamientos
 Homogeneidad de las regresiones b dentro de los grupos
i
 La regresión es lineal e independiente de los tratamientos. Los
tratamientos no influyen en la covariable X
 Los residuos se distribuyen normalmente e independientemente con
media 0 y varianza común. Esto implica que las regresiones
poblacionales tienen la misma pendiente
 Existe correlación entre la variable dependiente y la covariable.
si no hay correlación, el análisis de covarianza no tendría ventajas
sobre el ANAVA

192
193
ANÁLISIS DE COVARIANZA
Ejemplo:
Se hizo una prueba del efecto de tres tratamientos al suelo sobre el crecimiento
en altura de arbolitos de dos años. Los tratamientos se asignaron al azar a las tres
parcelas dentro de cada uno de los 10 bloques. Cada parcela incluía 50 arbolitos.
La media del crecimiento de 5 años fue el criterio para evaluar los tratamientos.
Las alturas iniciales y los crecimientos de cinco años, todos ellos medidos en pies,
fueron:
Tratamientos
A B C
Bloque Alt. Ini Crecim Alt. Ini Crecim Alt. Ini Crecim
1 3.6 8.9 3.1 10.7 4.7 12.4
2 4.7 10.1 4.9 14.2 2.6 7.0
3 2.6 6.3 0.8 5.9 1.5 7.4
4 5.3 14.0 4.6 12.6 4.3 10.1
5 3.1 9.6 3.9 12.5 3.3 6.8
6 1.8 6.4 1.7 9.6 3.6 8.3
7 5.8 12.3 5.5 12.8 5.8 11.9
8 3.8 10.8 2.6 8.0 2.0 7.5
9 2.4 8.0 1.1 7.5 1.6 5.2
10 5.3 12.6 4.4 8.4 4.8 10.7
Existen razones para creer que, en el caso de árboles jóvenes, el crecimiento
está afectado por la altura inicial.|

194
ANÁLISIS DE COVARIANZA
Resultados del análisis de covarianza:

Análisis de la varianza

Variable N R² R² Aj CV
Crecimiento 30 0.81 0.68 15.09

Cuadro de Análisis de la Varianza (SC tipo III)


F.V. SC gl CM F p-valor Coef
Modelo 157.32 12 13.11 6.22 0.0004
Bloque 8.66 9 0.96 0.46 0.8839
Tratamiento 16.61 2 8.31 3.94 0.0392
AltInicial 34.59 1 34.59 16.42 0.0008 1.81
Error 35.80 17 2.11
Total 193.12 29

Test:Duncan Alfa:=0.05
Error: 2.1060 gl: 17
Tratamiento Medias n
B 10.67 10 A
A 9.30 10 A B
C 8.89 10 B
Letras distintas indican diferencias significativas(p<= 0.05)

195
ANÁLISIS DE COVARIANZA

Resultados del análisis de varianza:

Análisis de la varianza

Variable N R² R² Aj CV
Crecimiento 30 0.64 0.41 20.56

Cuadro de Análisis de la Varianza (SC tipo III)


F.V. SC gl CM F p-valor
Modelo 122.73 11 11.16 2.85 0.0235
Bloque 110.43 9 12.27 3.14 0.0186
Tratamiento 12.30 2 6.15 1.57 0.2346
Error 70.39 18 3.91
Total 193.12 29

Tratamiento Medias n
B 10.22 10
A 9.90 10
C 8.73 10

196
DISEÑO CON ESTRUCTURA ANIDADA DE
TRATAMIENTOS
Existen experimentos con más de un factor, en donde los niveles de uno
no representan lo mismo bajo diferentes niveles del otro factor.

Diseño anidado se dice que el Factor B está anidado en los niveles del
Factor A, si para cada nivel de A existe un conjunto particular de
niveles de B. Si B está anidado en A

No tiene sentido estudiar la interacción entre A y B, ya que los niveles


de B están siendo evaluados dentro de cada nivel de A

197
Una compañía papelera compra papel por lotes a tres compañías madereras. La
variable en estudio son los g/m2 del papel obtenido en relación a la compañía y
al lote. De cada compañía se examinan cuatro lotes de materia prima extraídos
al azar y se hacen tres determinaciones por lote. Existen diferencias entre
compañías? los lotes provenientes de las compañías son o no homogéneos en
cuanto a la respuesta observada?

LOTE
COMPAÑÍA
1 2 3 4
65 62 62 65
1 63 61 64 68
64 60 65 64
65 64 63 64
2 62 68 64 67
61 66 62 66
66 62 65 67
3 68 64 63 66
64 66 66 65

198
ANALISIS DE PRESUPUESTO PARCIAL
(Perrín et al.1976)
Es un método que se utiliza para organizar los datos experimentales con el fin de
obtener los costos y beneficios de los tratamientos alternativos

RENDIMIENTO
HERBICIDA
MANUAL
RENDIMIENTO MEDIO 2000 2400
RENDIMIENTO AJUSTADO 1800 2160
BENEFICIOS BRUTOS DE CAMPO 3600 4320
COSTO DEL HERBICIDA 0 500
MANO DE OBRA PARA APLICAR 0 100
MANO DE OBRA PARA DESHIERBE 400 0
TOTAL COSTOS VARIABLES 400 600
BENEFICIOS NETOS 3200 3720

TAZA DE RETORNO MARGINAL: 520/200=2,6 ó 260 %


RENDIMIENTO AJSUTADO: 10%
COSTO DE 1 KG: $ 2

199
TRATAMIENTO CONTROL DE MALEZAS DENSIDAD DE SIEMBRA
1 Sin control de maleza 120
2 Herbicida (2 l ha-1) 120
3 Sin control de maleza 160
4 Herbicida (2 l ha-1) 160

TRATAMIENTO COSTOS VARIABLES RENDIMIENTO RENDIMIENTO AJUSTADO


1 2400 1994 1595
2 3875 2444 1955
3 3200 2084 1667
4 4675 2600 2080

200
TRATAMIENTO COSTOS VARIABLES BENEFICIO BRUTO BENEFICIO NETO
1 2400 12760 10360
2 3875 15640 11765
3 3200 13336 10136
4 4675 16640 11965

201
TRATAMIENTO DOMINADO: aquel que tiene beneficios netos menores o
iguales a los de un tratamiento de costos que varían más bajos

202
TAZA DE RETORNO MARGINAL
Es la relación entre el beneficio neto marginal y el costo marginal, expresada en
porcentaje (para tratamientos no dominados).

TAZA DE
COSTOS BENEFICIOS NETOS
TRATAMIENTO COSTOS VARIABLES BENEFICIOS NETOS RETORNO
MARGINALES MARGINALES
MARGINAL
1 2400 1475 10360 1405 95
2 3875 800 11765 200 25
4 4675 11965

203
++++++++++++++++++++++++
++++++++++++++++++++++++
+++++++++++++

204

También podría gustarte