MVUP-Manual Diseño Experimental, Dic. 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo i
DISEÑO EXPERIMENTAL ORIENTADO A LA AGROPECUARIA
Tabla de contenido
1. DISEÑO COMPLETAMENTE AL AZAR ........................................................ 1
GENERALIDADES ..................................................................................... 1
DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NUMERO DE
OBSERVACIONES POR TRATAMIENTO ............................................................................ 2
1.2.1. Modelo matemático ................................................................................... 2
1.2.2. Formulas empleadas .................................................................................. 2
1.2.3. Esquema del análisis de varianza .............................................................. 3
1.2.4. Desarrollo Manual (paso a paso) ............................................................... 4
1.2.5. Desarrollo en Excel (paso a paso) ............................................................. 6
1.2.6. Desarrollo en Infostat (paso a paso) .......................................................... 9
COMPARACIÓN DE MEDIAS ................................................................ 13
1.3.1. Diferencia Mínima Significativa (DMS)................................................. 13
1.3.2. Prueba de Duncan.................................................................................... 13
1.3.3. Prueba de Tukey ...................................................................................... 13
1.3.4. Comparaciones Ortogonales ................................................................... 13
1.3.5. Polinomios Ortogonales .......................................................................... 13
DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE NUMERO
DE OBSERVACIONES POR TRATAMIENTO ................................................................... 13
1.4.1. Modelo matemático ................................................................................. 13
1.4.2. Formulas empleadas ................................................................................ 13
1.4.3. Esquema del análisis de varianza ............................................................ 14
1.4.4. Desarrollo Manual (paso a paso) ............................................................. 14
1.4.5. Desarrollo en Excel (paso a paso) ........................................................... 16
1.4.6. Desarrollo en INFOSTAT (paso a paso) ................................................. 17
DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTRAS ....... 20
Vinicio Uday, 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo ii
2. DISEÑO DE BLOQUES COMPLETOS AL AZAR ........................................ 30

2.1.1. Generalidades .......................................................................................... 30
2.1.6. Desarrollo en Excel (paso a paso) ........................................................... 30
ESTIMACIÓN DE PARCELA PERDIDA EN DISEÑO DE BLOQUES
AL AZAR 30
2.2.1. Generalidades y procedimiento ............................................................... 30
2.2.2. Formula ................................................................................................... 30
2.2.3. Ejemplo de cálculo .................................................................................. 30
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON
SUBMUESTRAS 30
3. DISEÑO CUADRADO LATINO ..................................................................... 30
3.1.1. Generalidades .......................................................................................... 30
3.1.6. Desarrollo en Infostat (paso a paso) ........................................................ 30
ESTIMACIÓN DE PARCELA PERDIDA EN DISEÑO CUADRADO
LATINO 30
3.2.1. Generalidades y procedimiento ............................................................... 30
3.2.2. Formula ................................................................................................... 30
3.2.3. Ejemplo de cálculo .................................................................................. 30
4. EXPERIMENTOS FACTORIALES ................................................................. 31
Vinicio Uday, 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo iii
ESQUEMA BIFACTORIAL CONDUCIDO EN UN DISEÑO

COMPLETAMENTE AL AZAR ............................................................................................ 31
4.1.1. Generalidades .......................................................................................... 31
ESQUEMA BIFACTORIAL CONDUCIDO EN UN DISEÑO DE
BLOQUES COMPLETOS AL AZAR .................................................................................... 31
4.2.1. Generalidades .......................................................................................... 31
ESQUEMA TRIFACTORIAL CONDUCIDO EN UN DISEÑO
4.3.1. Generalidades .......................................................................................... 31
ESQUEMA TRIFACTORIAL CONDUCIDO EN UN DISEÑO DE
4.4.1. Generalidades .......................................................................................... 31
5. ARREGLO EN PARCELAS DIVIDIDAS Y SUBDIVIDIDAS ...................... 32
Vinicio Uday, 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo iv
PARCELAS DIVIDIDAS CONDUCIDAS EN UN DISEÑO

5.1.1. Generalidades .......................................................................................... 32
PARCELAS DIVIDIDAS CONDUCIDAS EN UN DISEÑO DE
BLOQUES AL AZAR ............................................................................................................. 32
5.2.1. Generalidades .......................................................................................... 32
PARCELAS SUBDIVIDIDAS CONDUCIDAS EN UN DISEÑO
5.3.1. Generalidades .......................................................................................... 32
PARCELAS SUBDIVIDIDAS CONDUCIDAS EN UN DISEÑO DE
5.4.1. Generalidades .......................................................................................... 32
6. ANALISIS ECONOMICO DE EXPERIMENTOS AGRICOLAS CON
PRESUPUESTOS PARCIALES ............................................................................................. 33
Vinicio Uday, 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo v
INTRODUCCION ...................................................................................... 33
QUE SON LOS PRESUPUESTOS PARCIALES ..................................... 33
CUANDO UTILIZAR PRESUPUESTOS PARCIALES .......................... 33
PASOS PARA SU APLICACIÓN ............................................................. 33
EJERCICIO (PASO A PASO) ................................................................... 33
Vinicio Uday, 2017

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo 1
1. DISEÑO COMPLETAMENTE AL AZAR
GENERALIDADES
El diseño completamente al azar (DCA) o con un criterio de clasificación es uno de los más
simples de los diseños experimentales. Es el diseño básico que da lugar a los demás diseños
mediante la adición de restricciones o condiciones que se deben cumplir. En este diseño no
hay restricción alguna, lo único que se debe cumplir es que los tratamientos se distribuyan al
azar en todas las unidades experimentales; es decir, cada unidad experimental tiene la misma
oportunidad de recibir a cualquier tratamiento, el número de unidades por tratamiento puede
ser igual o diferente. El DCA es apropiado para experimentos en laboratorio, invernadero y
ganadería, donde los efectos ambientales especialmente son fáciles de controlar.
En el DCA se estudia el efecto de un factor, con varios niveles, en una característica

determinada de la población. Por ejemplo una investigación para estudiar el efecto de cuatro
variedades de frejol, el factor es “variedades de fréjol” y los niveles son las diferentes
variedades (var1, var2, var3 y var4).
El objetivo fundamental de este diseño es investigar si las medias de tratamiento,

determinadas por los niveles del factor, son iguales o si difieren.
El DCA es muy útil y conveniente cuando la variabilidad está uniformemente distribuida en

el material experimental, existe esta característica cuando las unidades tienen igual origen,
igual raza, igual peso, igual edad, igual sesgo, igual sistema de crianza.
Las características del DCA son:
• Los tratamientos y sus réplicas se asignan a las unidades experimentales al azar.

• Es fácil de ser manejado y sencillo de ser ejecutado.
• El número de repeticiones puede variar de tratamiento en tratamiento, es decir puede
admitir igual o diferente número de observaciones por tratamiento.
• Permite tener el máximo de grados de libertad para el error experimental.
• Exige unidades experimentales homogéneas.
• Permite comparar cualquier número de tratamientos, lo recomendable es comparar
hasta 10 y las repeticiones deben ser por lo menos cuatro.
• Admite un factor de varios niveles o combinación de diferentes factores.
Las desventajas del DCA
• Para ser utilizado requiere de material experimental muy homogéneo.
• Su precisión es baja (no aparecen en grupos más homogéneos).
• La aleatorización no es restringida de manera alguna, para asegurar que las unidades
que reciben un tratamiento sean similares a las que reciben otro tratamiento, toda la variación
Vinicio Uday, 2017

entre las unidades experimentales se refleja en el error experimental, esto es compensado en

parte por el mayor número de grados de libertad que se logran para el error, con un número
de tratamientos y unidades experimentales.
• Es el menos eficiente de todos los diseños, de allí, que no se recomiende en
experimentación de campo.
• El sorteo y disposición de las parcelas en el campo, cuando se utiliza el diseño
completamente al azar es:
• Determinar el número de unidades experimentales (n), producto del número de
tratamientos (t) y el número de repeticiones (r) u observaciones n = (t) (r).
• Asignar un número a cada parcela de una manera conveniente, ejemplo de 1 hasta n.
• Asignar los tratamientos a las unidades experimentales de acuerdo con algún esquema
de sorteo, como utilización de números aleatorios, pedazos de papel o computadora.
DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NUMERO

DE OBSERVACIONES POR TRATAMIENTO
El DCA, se usa raramente en experimentos de campo porque hay otros casi tan simples y
mucho más eficientes, sin embargo es recomendado su uso experimental en invernadero y
laboratorios (condiciones controladas), también se recomienda su uso en la ganadería
(condiciones semicontroladas). Además es útil en ensayos preliminares cuando el material
experimental es limitado, por ejemplo poca semilla.
1.2.1. Modelo matemático
En diseño experimental la respuesta de cualquier observación está sujeta a un modelo

matemático. En una observación cualquiera viene dado el efecto del tratamiento más el
efecto del error experimental.
Xij = μ + t i + εij
Dónde:
μ = Efecto medio
t i = Efecto del tratamiento
εij = valor aleatorio, error experimental de la unidad experimental
1.2.2. Formulas empleadas
Las formulas empleadas en el DCA con igual número de observaciones son:
𝐺𝑇 2
Factor de corrección (FC) 𝐹𝐶 = 𝑛
Grados de libertad total 𝐺𝐿𝑇 = 𝑛 − 1
Grados de libertad de tratamientos 𝐺𝐿𝑡 = 𝑡 − 1
Grados de libertad del error 𝐺𝐿𝑒 = (𝑛 − 1) − (𝑡 − 1)
Vinicio Uday, 2017

Suma de cuadrados total 𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶

∑𝑡𝑖=1 𝑡𝑖2
Suma de cuadrados de tratamientos 𝑆𝐶𝑡 = − 𝐹𝐶
𝑟
Suma de cuadrados del error 𝑆𝐶𝑒 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡
𝑆𝐶𝑡
Cuadrados medios de tratamientos 𝐶𝑀𝑡 = 𝐺𝐿𝑡
𝑆𝐶𝑒
Cuadrados medios del error 𝐶𝑀𝑒 = 𝐺𝐿𝑒
𝐶𝑀𝑡
F. calculada para tratamientos 𝐹 = 𝐶𝑀𝑒
𝐺𝑇
Media general del experimento 𝑌̅ = 𝑛
Desviación estándar 𝑠 = √𝐶𝑀𝑒
𝑠
Coeficiente de variación 𝐶𝑉 = 𝑌̅ ∗ 100
1.2.3. Esquema del análisis de varianza
El DCA con igual número de repeticiones significa que cada uno de los tratamientos tiene
que ser repetido el mismo número de veces. Por ejemplo si se tiene tres tratamientos (t1, t2,
t3) y cuatro repeticiones (r1, r2, r3, r4), el t1, t2 y t3 deberán repetirse cuatro veces cada uno.
En la siguiente figura se esquematiza un campo con 12 unidades experimentales homogéneas,

en el cual se planea comparar tres tratamientos con cuatro repeticiones cada uno.
T1 T2 T1 T3
T3 T3 T1 T3
T2 T1 T2 T2
Figura 1. Diseño completamente al azar con tres tratamientos y cuatro repeticiones.
Cuadro 1. Forma general de análisis de varianza del Diseño Completamente Aleatorio

Fuentes de variación GL SC CM Relación F
Tratamientos t-1 SCt CMt CMt/CMe
Error experimental (n-1)-(t-1) SCe CMe
Total n-1 SCT
Dónde:
GT : Gran total
GL : Grados de libertad
SC : Suma de cuadrados
CM : Cuadrados medios
t : Número de tratamientos
Vinicio Uday, 2017

n : Número de unidades experimentales

SCt : Suma de cuadrados de tratamientos
SCe : Suma de cuadrados del error experimental
SCT : Suma de cuadrados del total
CMt : Cuadrado medio de tratamientos
CMe : Cuadrado medio del error experimental
1.2.4. Desarrollo Manual (paso a paso)
Ejemplo tomado de (Padrón, 1996), en un ensayo con macetas se aplicaron cinco dosis de
fertilización (0, 200, 400, 600 y 800 kg de nitrógeno por hectárea) con a clones de pasto
estrella. Se implementaron cuatro macetas por tratamiento. Los rendimientos en materia seca
se presentan en el cuadro 2, y las hipótesis planteadas fueron:
𝐻0 = Los rendimientos de los cinco clones de pasto estrella no difieren estadísticamente, al

nivel del 5% de significancia.
𝐻𝐴 = Los rendimientos de los cinco clones de pasto estrella difieren estadísticamente, al nivel
del 5% de significancia.
Cuadro 2. Rendimiento en materia seca en el ensayo de cinco clones de pasto estrella,

con macetas.
Tratamientos
Maceta
1 2 3 4 5
1 101 51 83 67 29
2 93 61 68 40 45
3 93 59 72 46 51
4 96 58 75 52 42
Total Tratamientos 383 229 298 205 167
Gran total 1282
Tratamientos 5; macetas u observaciones 4; unidades experimentales (n) 20.
Factor de corrección (FC)
𝐺𝑇 2 1 2822
𝐹𝐶 = = = 82 176,2
𝑛 20
Grados de libertad
GLT = n − 1 = 20 − 1 = 𝟏𝟗
GLt = t − 1 = 5 − 1 = 𝟒
GLe = (n − 1) − (t − 1) = (19) − (4) = 𝟏𝟓
Vinicio Uday, 2017

Suma de cuadrados
𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶 = (1012 + 512 + 832 + ⋯ . +422 ) − 82 176,2 = 8 168

∑𝑡𝑖=1 𝑡𝑖2 3832 + 2292 + 2982 + 2052 + 1672
𝑆𝐶𝑡 = − 𝐹𝐶 = − 82 172,2 = 7 286
𝑟 4
𝑆𝐶𝑒 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡 = 8 168 − 7 286 = 882
Cuadrados medios
𝑆𝐶𝑡 7 286
𝐶𝑀𝑡 = = = 1 821,5
𝐺𝐿𝑡 4
𝑆𝐶𝑒 882
𝐶𝑀𝑒 = = = 58,8
𝐺𝐿𝑒 15
F. calculada
𝐶𝑀𝑡 1 821,5
𝐹= = = 30,98
𝐶𝑀𝑒 58,8
El cuadro resultado del análisis de varianza es.
Cuadro 3. Análisis de varianza, resultado del procedimiento de cálculo manual.

Grados
Suma de Cuadrados
Fuentes de variación de Fc Ft0,05
cuadrados medios
libertad
Tratamientos 4 7 286 1 821, 5 30,98* 3,06
Error Experimental 15 882 58,8
Total 19 8 168
El valor de f tabular F0,05 o F0,01 se lo busca en las tabla de F, se lee el valor haciendo
coincidir cuatro grados de libertad en la horizontal (GLt) y 15 grados de libertad en la vertical
(GLe), cuyo resultado es 3,06 al 5% y 4,89 al 1%.
* Al comparar el valor de F calculada (30,98) con el valor de F tabular con el nivel de

significancia 0,05 se evidencia que Fc es mayor al Ft, lo que indica que existe diferencia
significativa entre los tratamientos y con ello se rechaza la hipótesis nula de que los
tratamientos son iguales y se acepta la hipótesis alternativa que indica que uno o varios
tratamientos son diferentes a los demás.
El resultado del análisis de varianza indica diferencia pero no señala cual o cuales de los
tratamientos son el mejor o mejores.
Vinicio Uday, 2017

Para saber cuál es el mejor tratamiento se aplican las pruebas de comparaciones múltiples en
las medias de tratamiento y la base para ellas es el cálculo del error estándar de la media de
𝐶𝑀𝑒 58,8
tratamiento 𝑠𝑥̅ = √ =√ = 3,83 esta fórmula se utiliza para aplicar la prueba de
𝑟 4
Duncan y Tukey; cuando se aplica la Diferencia Mínima Significativa es necesario
2𝐶𝑀𝑒 2(58,8)
multiplicar por dos el cuadrado medio del error así 𝑠𝑥̅ = √ =√ = 5,42.
𝑟 4
Otros cálculos
𝐺𝑇 1282
Media general del experimento: ̅
X= 𝑛 = = 64,1
20
Desviación estándar: 𝑠 = √𝐶𝑀𝑒 = √58,8 = 7,67
𝑠 7,67
Coeficiente de variación: 𝐶𝑉 = 𝑋̅ ∗ 100 = ∗ 100 = 11,96 %
64,1
CV: Al tratarse de un estudio desarrollado en campo, el coeficiente de variación obtenido

para la variable rendimiento en clones de pasto estrella resultó bajo (11,96 %), valor que
respalda o da confiabilidad a los resultados obtenidos en la investigación.
ns: Cuando el Fc es menor que el Ft, el resultado del análisis de varianza se declara como no
significativo, se acepta la hipótesis nula de que los tratamientos son iguales a un determinado
nivel de significancia.
1.2.5. Desarrollo en Excel (paso a paso)
Para desarrollar un DCA en Excel primeramente es necesario activar herramientas para

análisis, ingresar en archivo y escoger opciones. En opciones seleccionar complementos,
dirigirse a administrar y escoger complementos de Excel, ahí cliquear en la pestaña ir, activar
herramientas para análisis y clic en aceptar.
Vinicio Uday, 2017

Con el procedimiento siguiente se activa la herramienta análisis de datos.
Figura 2. Activación de herramienta análisis de datos en Excel.
Vinicio Uday, 2017

Una vez activada la herramienta análisis de datos en Excel se procede a realizar análisis de
varianza en DCA.
Seleccionar la pestaña datos, luego análisis de datos, en la pestaña abierta se escoge la

primera opción “análisis de varianza de un factor” y se da clic en aceptar.
Figura 3. Acceso al análisis de datos en Excel.
Al aceptar en análisis de datos, se abre la ventana “análisis de varianza de un factor”, aquí en

rango de entrada se seleccionan los datos incluyendo el rótulo que en este caso está con el
número de tratamiento, señalar si los tratamientos están en fila o columna, seleccionar la
pestaña rótulos en la primera fila, pichar en rango de salida y dar clic dentro del recuadro que
está frente a rango de salida, posteriormente pichar en la hoja de Excel y finalmente aceptar.
Luego de aceptar se obtienen los resultados, a los que hay que editarlos para presentarlos en
el informe, la edición consiste en cambiar los títulos o encabezados en columnas y filas.
Al final el cuadro de resultados se verá tal como el cuadro presentado en la figura 4. Por
último se procede a interpretar los resultados
Vinicio Uday, 2017

Figura 4. Procedimiento para ADEVA de DCA en Excel.
1.2.6. Desarrollo en Infostat (paso a paso)
Para el desarrollo de un DCA en Infostat, primeramente hay que ordenar los datos en Excel y
seleccionarlos incluyendo los rótulos (Tratamiento y Rendimiento).
Luego, se abre Infostat y en la cinta de opciones se escoge Archivo --- nueva tabla --- pegar
incluyendo nombre de columnas --- análisis de varianza.
Vinicio Uday, 2017

En Excel En Infostat
Figura 5. Ingreso al análisis de varianza en INFOSTAT.
Vinicio Uday, 2017

Cuando aparece la ventana de análisis de varianza, se selecciona el rendimiento y con la

flecha se lo pasa a la ventana de variables dependientes, seguidamente se selecciona y envía
el tratamiento al casillero de variables de clasificación, finalmente para obtener el Adeva se
da clic en aceptar.
Figura 6. Selección de variables y resultados del Adeva en Infostat.
Vinicio Uday, 2017

Nota: Es recomendable copiar los resultados de Infostat y pegarlos en Excel para editarlos y
ubicarlos en el informe con la numeración y título respectivo (ver cuadro 4), finalmente se
procede a interpretar el resultado.
Cuadro 4. Análisis de varianza para el rendimiento de cinco clones de pasto estrella
Grados de Suma de Cuadrados

Fuentes de variación Fc p-valor
libertad cuadrados medios
Tratamientos 4 7 285,8 1 821,45 30,98 <0,0001

Error experimental 15 882 58,8
Total 19 8 167,8
CV (%) 11,96
Nótese que tanto Excel como Infostat arrojan el resultado de probabilidad y p-valor
respectivamente. Este dato sirve para definir la significación estadística al compararlo con el
p≤0,05 o p≤0,01. Si el valor de probabilidad calculado en el análisis de la varianza es mayor
que el valor de 0,01 o 0,05 se dice que no hay diferencia estadística y por el contrario si el
valor de probabilidad calculado en el análisis de la varianza es menor que el valor de 0,01 o
0,05 se dice que existe diferencia estadística significativa al nivel de alfa 0,05 y altamente
significativa al nivel de alfa 0,01.
Vinicio Uday, 2017

COMPARACIÓN DE MEDIAS
1.3.1. Diferencia Mínima Significativa (DMS)
1.3.2. Prueba de Duncan
1.3.3. Prueba de Tukey
1.3.4. Comparaciones Ortogonales
1.3.5. Polinomios Ortogonales
DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE

NUMERO DE OBSERVACIONES POR TRATAMIENTO
En investigación agropecuaria, especialmente en experimentos con ganadería los animales

pueden enfermarse o morirse, el material experimental no es suficiente por igual para todos
los tratamientos o se dañaron las parcelas; también puede ocurrir que en el laboratorio o
invernadero se tomaron datos equivocados o se olvidaron tomarlos, por lo que no se toman
esas observaciones o valores para el análisis estadístico. Entonces se dice que se aplica un
diseño completamente al azar con diferente número de observaciones por tratamiento. Al
realizar las comparaciones entre medias de tratamientos, son menos precisas las medias con
menor número de observaciones.
El procedimiento para el análisis estadístico es similar al análisis de varianza en DCA con

igual número de observaciones, la única diferencia en el análisis se presenta al momento de
calcular la suma de cuadrados.
En diseño experimental la respuesta de cualquier observación está sujeta a un modelo

matemático y en una observación cualquiera viene dado el efecto del tratamiento más el
efecto del error experimental.
Xij = μ + τi + εij
Dónde:
μ = Efecto medio
τi = Efecto del tratamiento
εij = valor aleatorio, error experimental de la unidad experimental
Las formulas empleadas en el DCA con desigual número de observaciones son:
𝐺𝑇 2
Factor de corrección (FC) 𝐹𝐶 = 𝑛
Grados de libertad total 𝐺𝐿𝑇 = 𝑛 − 1
Grados de libertad de tratamientos 𝐺𝐿𝑡 = 𝑡 − 1
Vinicio Uday, 2017

Grados de libertad del error 𝐺𝐿𝑒 = (𝑛 − 1) − (𝑡 − 1)

Suma de cuadrados total 𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶
Suma de cuadrados de tratamientos
∑𝑡𝑖=1 𝑡𝑖2 𝑡12 𝑡22 𝑡𝑛2
𝑆𝐶𝑡 = − 𝐹𝐶 = ( + + ⋯ + ) − 𝐹𝐶
𝑟𝑖 𝑟1 𝑟2 𝑟𝑛
Suma de cuadrados del error 𝑆𝐶𝑒 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡
𝑆𝐶𝑡
Cuadrados medios de tratamientos 𝐶𝑀𝑡 = 𝐺𝐿𝑡
𝑆𝐶𝑒
Cuadrados medios del error 𝐶𝑀𝑒 = 𝐺𝐿𝑒
𝐶𝑀𝑡
F. calculada para tratamientos 𝐹 = 𝐶𝑀𝑒
𝐺𝑇
Media general del experimento 𝑌̅ = 𝑛
Desviación estándar 𝑠 = √𝐶𝑀𝑒
𝑠
Coeficiente de variación 𝐶𝑉 = 𝑌̅ ∗ 100
Realizados los cálculos, se llena el esquema del análisis de varianza, de acuerdo al modelo
que se presenta a continuación.
Cuadro 5. Forma general del análisis de varianza del Diseño Completamente aleatorio
Fuentes de variación GL SC CM Relación F
Tratamientos t-1 SCt CMt CMt/CMe
Error experimental (n-1)-(t-1) SCe CMe
Total n-1 SCT
Dónde:
GT : Gran total
GL : Grados de libertad
SC : Suma de cuadrados
CM : Cuadrados medios
t : Número de tratamientos
n : Número de unidades experimentales
SCt : Suma de cuadrados de tratamientos
SCe : Suma de cuadrados del error experimental
SCT : Suma de cuadrados del total
CMt : Cuadrado medio de tratamientos
CMe : Cuadrado medio del error experimental
Se plantea analizar la descendencia de tres reproductores vacunos expresados por los pesos
en kilogramos de los terneros hijos de cada reproductor, a los cuatro meses de nacidos.
Vinicio Uday, 2017

La hipótesis nula será que los tres reproductores son eficientes al nivel de significancia del
5%.
La hipótesis alternativa será que al menos uno los reproductores es más eficiente que los
otros al nivel de significancia del 5%.
Cuadro 6. Peso de terneros hijos de reproductores a los cuatro meses de edad

Tratamientos
Reproductor A Reproductor B Reproductor C
90 73 101
92 99 96
100 90 64
83 101 103
84 92 -----
81 93 -----
76 ----- -----
Total 606 548 364
Gran total= 1 518
r1=7 r2=6 r3=4
Factor de corrección (FC)

𝐺𝑇 2 1 5182
𝐹𝐶 = = = 135 548,47
𝑛 17
Grados de libertad
GLT = n − 1 = 17 − 1 = 𝟏𝟔
GLt = t − 1 = 3 − 1 = 𝟐
GLe = (n − 1) − (t − 1) = (16) − (2) = 𝟏𝟒
Suma de cuadrados
𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶 = (902 + 922 + 1002 + ⋯ . +1032 ) − 135 548,47 = 1 963,53
∑𝑡𝑖=1 𝑡𝑖2 6062 5482 3642
𝑆𝐶𝑡 = − 𝐹𝐶 = ( + + ) − 82 172,2 = 7 286
𝑟 7 6 4
𝑆𝐶𝑒 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡 = 1963,53 − 88,48 = 1 875,05
Cuadrados medios
𝑆𝐶𝑡 88,48
𝐶𝑀𝑡 = = = 44,24
𝐺𝐿𝑡 2
𝑆𝐶𝑒 1875,05
𝐶𝑀𝑒 = = = 133,93
𝐺𝐿𝑒 14
F. calculada
Vinicio Uday, 2017

𝐶𝑀𝑡 44,24
𝐹= = = 0,33
𝐶𝑀𝑒 133,93
Cuadro 7. Análisis de varianza de ……..

Grados
Suma de Cuadrados
Fuentes de variación de Fc Ft0,05
cuadrados medios
libertad
Tratamientos 2 88,48 44,24 0,33 ns 3,74
Error Experimental 14 1 875,05 133,93
Total 16 1 963,53
Otros cálculos:
Promedio del experimento = 89,29
Desviación estándar = 11,57
Coeficiente de variación = 12,96
Prueba de hipótesis: En el análisis de varianza no se detecta ninguna significancia para

reproductores, se acepta la hipótesis nula de que los tres reproductores son eficientes. El
coeficiente de variación 12,96 % es relativamente alto, lo cual impide que se observen
estadísticamente las diferencias.
El procedimiento para desarrollar el DCA con desigual número de observaciones por

tratamiento es: dirigirse hasta la pestaña datos, Análisis de datos, escoger análisis de varianza
de un factor y aceptar; se abre una nueva ventana en la que se define el rango de entrada de
datos (área sombreada), seguidamente definir si los tratamientos están dispuestos en filas o
columnas, en nuestro ejemplo están en filas, activar la opción rótulos en la primera columna,
seleccionar el rango de salida y luego ubicarse con el cursor en el lugar donde desea que
Excel arroje los resultados del análisis de varianza (celda K4) y finalmente se pincha en
aceptar.
Vinicio Uday, 2017

Figura 7. DCA con diferente número de observaciones por tratamiento en Excel..
Una vez que se acepta se obtienen los resultados, es importante editarlos de acuerdo a las
reglas para elaboración de cuadros y por último se procede a interpretar.
Cuadro 8. Análisis de varianza DCA con diferente número de observaciones por

tratamiento
Fuentes de Suma de Grados de Cuadrados
Fc Probabilidad F0,05
variación cuadrados libertad medios
Tratamientos 88,48 2 44,24 ns 0,33 0,72 3,74
Error Exp. 1875,05 14 133,93
Total 1963,53 16
1.4.6. Desarrollo en INFOSTAT (paso a paso)
Para el desarrollo del DCA con diferente número de observaciones por tratamiento en
Infostat, se procede a organizar los datos en Excel, así como se muestra en la figura XX.
Figura 8. Datos del DCA con diferente número de observaciones por tratamiento
Vinicio Uday, 2017

Figura 9. DCA con diferente número de observaciones por tratamiento en Infostat.
Vinicio Uday, 2017

Vinicio Uday, 2017

DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTRAS
Conocido también como DCA con submuestras. Se trata de tener dos o más observaciones
dentro de cada unidad experimental constituida por varias plantas o animales, en las que se
hacen observaciones individuales. Estas observaciones se conocen como submuestras o
unidades de muestreo.
Ejemplo: en un ensayo en que se están probando varios fungicidas en plantas, en macetas,

donde se sembraron cuatro plantas por maceta, se pueden realizar las observaciones en
algunas o todas las plantas dentro de cada maceta.
El escogimiento de las muestras deberá realizarse siguiendo las leyes del azar o de algún
criterio preestablecido, por ejemplo: sólo aquellas plantas ubicadas del lado derecho de la
maceta.
En el DCA con submuestras existen dos fuentes de variación que contribuyen a la variancia y
que se aplican a comparaciones entre medias de tratamiento y son: el error experimental (la
variación entre unidades experimentales de un mismo tratamiento) y error de muestreo (la
variabilidad entre subunidades o muestras de una misma unidad experimental).
El modelo matemático para este diseño se expresa de la siguiente manera:
𝑋𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗 + 𝛿𝑖𝑗𝑘
Dónde:
μ = Media general del experimento
τi = Efecto de tratamientos
εij = Error experimental
δijk = Error de muestreo
Las formulas empleadas en este diseño se presentan a continuación:
GT2
Factor de corrección Fc =
t∗r∗m
Grados de libertad total GLT = (t ∗ r ∗ m) − 1

Grados de libertad de tratamientos GLt = t − 1
Grados de libertad del error GLe = t(r − 1)
Grados de libertad del error de muestreo GLem = t ∗ r(m − 1)
Vinicio Uday, 2017

Suma de cuadrados total SCT = ∑ Xi2 − Fc

∑ t2i
Suma de cuadrados de tratamientos SCt = − Fc
r∗m
∑ UE2i
Suma de cuadrados de unidad experimental SCue = − Fc
m
Suma de cuadrados del error experimental SCe = SCue − SCt
Suma de cuadrados del error de muestreo SCem = SCT − SCt − SCe
SCt
Cuadrados medios de tratamientos CMt = GLt
SCe
Cuadrado medio del error experimental CMe = GLe
SCem
Cuadrado medio del error de muestreo CMem = GLem
CMt
F calculada para tratamientos Ftrat = CMe
CMe
F calculada para el error experimental Fe = CMem
√CMem
Coeficiente de variación CV = ̅
∗ 100
X
F calculada para el error experimental indica si la variación observada dentro de las unidades
experimentales de un mismo tratamiento es significativo o no.
En función del modelo matemático el esquema del ADEVA del DCA con submuestras es el
siguiente.
Cuadro 9. Análisis de varianza en DCA con submuestras

Grados
Suma de Cuadrados
Fuentes de Variación de Fc F0,05 F0,01
Cuadrados Medios
libertad
Tratamientos
Error experimental
Error de muestreo
Total
Coeficiente de variación
Se evaluaron cuatro soluciones nutritivas en soya bajo invernadero. Se midió la altura de la

planta a los 30 días de la siembra; se sembraron tres macetas por tratamiento y dentro de cada
maceta se evaluaron dos plantas de cuatro que crecieron en cada maceta, entonces se tiene:
Tratamiento Cuatro soluciones nutritivas
Vinicio Uday, 2017

Observaciones o U.E. Tres por tratamiento

Muestras Dos por U.E.
Variable Altura de la planta en cm al mes de sembrada
Ho Solución 1 = solución 2 = solución 3 = solución 4
H1 Solución 1 ≠ solución 2 ≠ solución 3 ≠ solución 4
En la siguiente figura se presenta el esquema del DCA con subunidades por unidad
experimental.
T1 T2
T3 T4
Figura 10. Representación gráfica del DCA con subunidades por unidad experimental
Los datos obtenidos del experimento son los siguientes:
Cuadro 10. Datos del experimento DCA con subunidades por unidad experimental
Tratamientos
Unidad Experimental Solución 1 Solución 2 Solución 3 Solución 4
I II III I II III I II III I II III
1 27 32 33 24 27 20 30 22 24 21 18 15
Muestras
2 30 29 35 20 26 22 27 21 21 19 17 14
Σ U. Experimental 57 61 68 44 53 42 57 43 45 40 35 29
Σ Tratamiento 186 139 145 104
Σ Total 574
Repeticiones r = 3
Tratamientos t = 4
Muestras m = 2
Promedio de cada tratamiento.

X1= 31,00
X2= 23,17
X3= 24,17
X4= 17,33
Promedio general del experimento X= 23,92
Vinicio Uday, 2017

Factor de corrección
GT2 5742
Fc = t∗r∗m = 4∗3∗2 = 13 728,17
Grados de libertad total

GLT = (t ∗ r ∗ m) − 1
GLT = (4 ∗ 3 ∗ 2) − 1
GLT = 23
Grados de libertad de tratamientos

GLt = t − 1
GLt = 4 − 1
GLt = 3
Grados de libertad del error

GLe = 4(3 − 1)
GLe = 4(2)
GLe = 8
Grados de libertad del error de muestreo

GLem = 4 ∗ 3(2 − 1)
GLem = 4 ∗ 3(1)
GLem = 12
Suma de cuadrados total

SCT = ∑ Xi2 − Fc
SCT = ∑(272 + 302 + 322 + 292 + 332 + ⋯ … … … 292 ) − 13 728,17
SCT = 751,83
Suma de cuadrados de tratamientos

∑ t2
SCt = r∗mi − Fc
1862 +1392 +1452 +1042
SCt = − 13 728,17
3∗2
SCt = 564,83
Suma de cuadrados de unidad experimental

∑ UE2i
SCue = − Fc
m
572 +612 +682 +⋯………….292
SCue = − 13 728,17
2
SCue = 717,83
Suma de cuadrados del error experimental
Vinicio Uday, 2017

SCe = SCue − SCt

SCe = 717,83 − 564,83
SCe = 153,00
Suma de cuadrados del error de muestreo

SCem = SCT − SCt − SCe
SCem = 751,83 − 564,83 − 153,00
SCem = 34,00
Cuadrados medios de tratamientos

SCt 564,83
CMt = GLt = = 188,28
3
Cuadrado medio del error experimental

SCe 153,00
CMe = GLe = = 19,13
8
Cuadrado medio del error de muestreo

SCem 34,00
CMem = GLem = =2,83
12
F calculada para tratamientos

CMt 188,28
Ftrat = CMe = = 9,84
19,13
F calculada para el error experimental

CMe 19,13
Fe = CMem = = 6,75
2,83
Coeficiente de variación
√CMem
CV = ̅
∗ 100
X
2,83
CV = √23,92 ∗ 100
CV = 7,04 %
RELACIÓN F
F para tratamientos: el F tabular al 0,05 es 4,07 y al 0,01 es 7,59; con 3 y 8 grados de libertad.
F para el error experimental: el F tabular al 0,05 es 2,85 y al 0,01 es 4,50; con 8 y 12 grados
de libertad
Cuadro 11. Análisis de varianza en DCA con submuestras, resultados del proceso manual.
Grados de Suma de Cuadrados
Fuentes de variación Fc F0,05 F0,01
libertad cuadrados medios
Tratamientos 3 564,83 188,28** 9,84 4,07 7,59
Vinicio Uday, 2017

Error experimental 8 153 19,13** 6,75 2,85 4,5

Error de muestreo 12 34 2,83
Total 23 751,83
F calculada para el error experimental indica si la variación observada dentro de las unidades
experimentales de un mismo tratamiento es significativo o no.
En el análisis de varianza se observa la existencia de diferencias altamente significativas,

tanto para tratamientos como para el error experimental (variación entre unidades
experimentales); es decir se rechaza la hipótesis nula de que las soluciones nutritivas actúan
de igual forma en el crecimiento de las plantas. Además se observa que hay variación entre
las unidades experimentales dentro de un mismo tratamiento.
Ejercicio: Se desea determinar el contenido de ácido ascórbico en tres variedades de pera, en

seis huertos diferentes, como submuestras se utilizaron cuatro frutos de cada huerto
(Gonzalez, 1985).
Cuadro 12. Contenido de ácido ascórbico en tres variedades de pera en mg/100 g.
Fruto
Variedad Huerto
1 2 3 4
1 2 2,1 1,9 2
2 2,2 2,3 2,2 2,1
3 2,4 2,3 2,2 2,3
Variedad A
4 1,9 1,8 2,2 2
5 2,4 2,5 2,3 2,4
6 2,5 2,5 2,4 2,5
1 2,4 2,3 2,4 2,1
2 2 2,1 1,9 1,9
3 2,2 2,2 2,4 2,3
Variedad B
4 2,6 2,5 2,5 2,7
5 1,8 2 2,1 1,9
6 2,5 2,6 2,6 2,7
1 1,8 1,7 1,7 1,9
2 2 2,1 1,9 2,1
3 1,6 1,7 1,7 1,7
Variedad C
4 1,9 1,8 1,9 2
5 2 2,2 2 2,2
6 1,6 1,8 1,7 1,6
Desarrollar el análisis de varianza y concluir.
Vinicio Uday, 2017

Cuadro 13. Datos del experimento DCA con submuestras

Tratamientos
Unidad Experimental Solución 1 Solución 2 Solución 3 Solución 4
I II III I II III I II III I II III
1 27 32 33 24 27 20 30 22 24 21 18 15
Muestras
2 30 29 35 20 26 22 27 21 21 19 17 14
Σ U. Experimental 57 61 68 44 53 42 57 43 45 40 35 29
Σ Tratamiento 186 139 145 104
Σ Total 574
Cuadro 14. Datos arreglados del DCA con submuestras, para análisis en Infostat
Tratamientos Observaciones Muestra Altura

1 1 1 27
1 1 2 30
1 2 1 32
1 2 2 29
1 3 1 33
1 3 2 35
2 1 1 24
2 1 2 20
2 2 1 27
2 2 2 26
2 3 1 20
2 3 2 22
3 1 1 30
3 1 2 27
3 2 1 22
Vinicio Uday, 2017

3 2 2 21
3 3 1 24
3 3 2 21
4 1 1 21
4 1 2 19
4 2 1 18
4 2 2 17
4 3 1 15
4 3 2 14
1. Copia y pega los datos de la hoja de Excel a Infostat

2. Definir a la variable altura como variable dependiente
3. definir a los tratamientos, observaciones y muestra como variables de clasificación
4. Aceptar
Luego en el cuadro de análisis de varianza de Infostat
1. Escribir el modelo para análisis

2.
Tratamientos\Tratamientos>Observaciones
Tratamientos>Observaciones
2. Establecer las comparaciones y los contrastes si es el caso

3. Aceptar y se genera el análisis de varianza siguiente:
Cuadro 15. Análisis de la varianza del DCA con submuestras, resultados de Infostat.
Grados
Suma de de Cuadrados p-
Fuentes de variación cuadrados libertad medios F valor (Error)
Tratamientos 564,83 3 188,28 9,84 0,0046 (Tratamientos>Observaciones

Tratamientos>Observaciones.. 153 8 19,13 6,75 0,0018
Error 34 12 2,83
Total 751,83 23
Vinicio Uday, 2017

Vinicio Uday, 2017

Vinicio Uday, 2017

2. DISEÑO DE BLOQUES COMPLETOS AL AZAR

2.1.1. Generalidades
ESTIMACIÓN DE PARCELA PERDIDA EN DISEÑO DE

BLOQUES AL AZAR
2.2.1. Generalidades y procedimiento

2.2.2. Formula
2.2.3. Ejemplo de cálculo
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON

SUBMUESTRAS

3. DISEÑO CUADRADO LATINO

3.1.6. Desarrollo en Infostat (paso a paso)
ESTIMACIÓN DE PARCELA PERDIDA EN DISEÑO

CUADRADO LATINO
3.2.1. Generalidades y procedimiento

3.2.2. Formula
3.2.3. Ejemplo de cálculo
Vinicio Uday, 2017

4. EXPERIMENTOS FACTORIALES
ESQUEMA BIFACTORIAL CONDUCIDO EN UN DISEÑO

COMPLETAMENTE AL AZAR
ESQUEMA BIFACTORIAL CONDUCIDO EN UN DISEÑO DE

BLOQUES COMPLETOS AL AZAR
ESQUEMA TRIFACTORIAL CONDUCIDO EN UN DISEÑO

ESQUEMA TRIFACTORIAL CONDUCIDO EN UN DISEÑO DE

Vinicio Uday, 2017

5. ARREGLO EN PARCELAS DIVIDIDAS Y

SUBDIVIDIDAS
PARCELAS DIVIDIDAS CONDUCIDAS EN UN DISEÑO

PARCELAS DIVIDIDAS CONDUCIDAS EN UN DISEÑO DE

BLOQUES AL AZAR
PARCELAS SUBDIVIDIDAS CONDUCIDAS EN UN DISEÑO

PARCELAS SUBDIVIDIDAS CONDUCIDAS EN UN DISEÑO DE

Vinicio Uday, 2017

6. ANALISIS ECONOMICO DE EXPERIMENTOS

AGRICOLAS CON PRESUPUESTOS PARCIALES
INTRODUCCION
QUE SON LOS PRESUPUESTOS PARCIALES
CUANDO UTILIZAR PRESUPUESTOS PARCIALES
PASOS PARA SU APLICACIÓN
EJERCICIO (PASO A PASO)
Vinicio Uday, 2017

MVUP-Manual Diseño Experimental, Dic. 2017

Cargado por

Información del documento

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

MVUP-Manual Diseño Experimental, Dic. 2017

Cargado por

Copyright:

Formatos disponibles

Guía para estudiantes de Ingeniería Agropecuaria ESPE-Santo Domingo i

DISEÑO EXPERIMENTAL ORIENTADO A LA AGROPECUARIA

Vinicio Uday, 2017

2. DISEÑO DE BLOQUES COMPLETOS AL AZAR ........................................ 30

Vinicio Uday, 2017

ESQUEMA BIFACTORIAL CONDUCIDO EN UN DISEÑO

Vinicio Uday, 2017

PARCELAS DIVIDIDAS CONDUCIDAS EN UN DISEÑO

Vinicio Uday, 2017

Vinicio Uday, 2017

1. DISEÑO COMPLETAMENTE AL AZAR

En el DCA se estudia el efecto de un factor, con varios niveles, en una característica

El objetivo fundamental de este diseño es investigar si las medias de tratamiento,

El DCA es muy útil y conveniente cuando la variabilidad está uniformemente distribuida en

Las características del DCA son:

• Los tratamientos y sus réplicas se asignan a las unidades experimentales al azar.

Vinicio Uday, 2017

entre las unidades experimentales se refleja en el error experimental, esto es compensado en

DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NUMERO

1.2.1. Modelo matemático

En diseño experimental la respuesta de cualquier observación está sujeta a un modelo

1.2.2. Formulas empleadas

Las formulas empleadas en el DCA con igual número de observaciones son:

Vinicio Uday, 2017

Suma de cuadrados total 𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶

1.2.3. Esquema del análisis de varianza

En la siguiente figura se esquematiza un campo con 12 unidades experimentales homogéneas,

Figura 1. Diseño completamente al azar con tres tratamientos y cuatro repeticiones.

Cuadro 1. Forma general de análisis de varianza del Diseño Completamente Aleatorio

Vinicio Uday, 2017

n : Número de unidades experimentales

1.2.4. Desarrollo Manual (paso a paso)

𝐻0 = Los rendimientos de los cinco clones de pasto estrella no difieren estadísticamente, al

Cuadro 2. Rendimiento en materia seca en el ensayo de cinco clones de pasto estrella,

Tratamientos 5; macetas u observaciones 4; unidades experimentales (n) 20.

Factor de corrección (FC)

Vinicio Uday, 2017

𝑆𝐶𝑇 = ∑ 𝑦𝑖2 − 𝐹𝐶 = (1012 + 512 + 832 + ⋯ . +422 ) − 82 176,2 = 8 168

El cuadro resultado del análisis de varianza es.

Cuadro 3. Análisis de varianza, resultado del procedimiento de cálculo manual.

* Al comparar el valor de F calculada (30,98) con el valor de F tabular con el nivel de

Vinicio Uday, 2017

CV: Al tratarse de un estudio desarrollado en campo, el coeficiente de variación obtenido

1.2.5. Desarrollo en Excel (paso a paso)

Para desarrollar un DCA en Excel primeramente es necesario activar herramientas para

Vinicio Uday, 2017

Con el procedimiento siguiente se activa la herramienta análisis de datos.

Figura 2. Activación de herramienta análisis de datos en Excel.

Vinicio Uday, 2017

Seleccionar la pestaña datos, luego análisis de datos, en la pestaña abierta se escoge la

Figura 3. Acceso al análisis de datos en Excel.

Al aceptar en análisis de datos, se abre la ventana “análisis de varianza de un factor”, aquí en

Vinicio Uday, 2017

Figura 4. Procedimiento para ADEVA de DCA en Excel.

1.2.6. Desarrollo en Infostat (paso a paso)

Vinicio Uday, 2017

Figura 5. Ingreso al análisis de varianza en INFOSTAT.

Vinicio Uday, 2017

Cuando aparece la ventana de análisis de varianza, se selecciona el rendimiento y con la

Figura 6. Selección de variables y resultados del Adeva en Infostat.

Vinicio Uday, 2017

Cuadro 4. Análisis de varianza para el rendimiento de cinco clones de pasto estrella

Grados de Suma de Cuadrados

Tratamientos 4 7 285,8 1 821,45 30,98 <0,0001