TESIS Legorburo Serra+ PDF

UNIVERSIDAD DE CASTILLA-LA MANCHA
Departamento de Producción Vegetal y Tecnología Agraria
Escuela Técnica Superior de Ingenieros Agrónomos de Albacete
TESIS DOCTORAL
ESTIMACIÓN DEL ÁREA FOLIAR EN Vitis vinifera L.
Doctorando:
Antonio Legorburo Serra
Albacete, Mayo 2005

Directores de la Tesis:
Dr. José Arturo de Juan Valero
Dr. Francisco José Montero Riquelme
A Manoli, con amor
A Guillermo, Ana y Manuel, con esperanza
A Conchita y Pepe (†), mis padres, con gratitud
“Cuando creíamos que teníamos todas las respuestas,
de pronto, cambiaron todas las preguntas”
Mario Benedetti
RESUMEN
RESUMEN
La vitivinicultura en Castilla-La Mancha, tanto por sus volúmenes productivos como por sus
implicaciones en la fijación de la población rural, ha sido siempre el principal eje vertebrador de la
socioenomía de la región. En la actualidad, el desarrollo del sector vitivinícola castellano-manchego
pasa necesariamente por una potenciación decidida de la calidad de las producciones, basada en la
reconversión varietal, pero, también, en el conocimiento de cada cultivar para obtener un
aprovechamiento óptimo en cada situación geográfica, tecnológica, medioambiental, e incluso social.
Por ello, cobra especial relevancia conocer con detalle el comportamiento productivo de esta cubierta
vegetal, para lo que es fundamental conocer, entre otras muchas cosas, su área foliar, elemento
determinante de la energía solar captada y, por tanto, de la masa vegetal y de las producciones
obtenidas.
Ciertamente, el área foliar es un parámetro biológico imprescindible en la caracterización del
crecimiento y desarrollo vegetativo del material vegetal, así como en el estudio del efecto que las
diferentes técnicas de cultivo (conducción, poda, programación de riego, fertilización, etc.) tienen
sobre el comportamiento agronómico de la plantación; por esta razón, esta variable se emplea en la
modelización de muchos procesos en los que está implicada la planta, tales como
evapotranspiración, fotosíntesis, crecimiento, rendimiento, intercambios de energía, agua o nutrientes
en el continuo suelo-planta-atmósfera, eficiencia en el uso del agua o de la radiación
fotosintéticamente activa, entre otros. Por ello, en la investigación desarrollada en el campo de la
Producción Vegetal, es fundamental, en muchas ocasiones, disponer de una cuantificación de su
valor en la especie vegetal estudiada.
El objetivo principal de esta Tesis Doctoral es la obtención de un modelo matemático sencillo y
fácil de emplear, que permita estimar el área foliar en cinco cultivares de Vitis vinifera L. (cvs. Airén,
Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo) mediante la utilización de algún parámetro
biométrico foliar de obtención rápida, fácil y no destructiva.
Para ello, se realizó un ensayo durante dos campañas consecutivas, en parcelas diferentes
situadas en el hoy Instituto de la Vid y el Vino de Castilla-La Mancha (IVICAM) en Tomelloso (Ciudad
Real). En la primera campaña, se efectuaron 14 muestreos, recolectando un total de 1705 hojas del
cultivar Cencibel, marcando para cada una de las hojas recogidas el tipo de sarmiento de
procedencia (zariego, delantero o espergura), y estableciendo una agrupación derivada del tamaño
que poseían (pequeñas, medianas o grandes). La segunda campaña se concretó en ocho muestreos,
con un total de 1888 hojas recogidas de los cinco cultivares estudiados. De esta manera, se amplió el
estudio con la variable cultivar y se mantuvo el agrupamiento de las hojas por tamaños, aunque se
eliminó la diferenciación del tipo de sarmiento, debido a las conclusiones obtenidas con los resultados
de la primera campaña. Para cada una de las hojas, se midió manualmente la longitud y la anchura
de limbo, así como la longitud del pecíolo, y se obtuvieron los pesos secos del limbo y del pecíolo.
Posteriormente, se utilizó el analizador de imagen GLOBAL LAB Image Version 2.10 (Data
Translation Inc., Marlboro, MA, EE.UU.) para obtener diversos parámetros de dimensión y forma de la
hoja, a partir de la imagen digitalizada de la misma, uno de los cuales fue el valor del área foliar. Para
la primera campaña, además, se midió el área de cada una de las hojas mediante el integrador
automático de área foliar LI-COR modelo LI-3100 (LI-COR Inc., Lincoln, Nebraska, EE.UU.). En
definitiva, para la primera campaña, se controlaron 17 variables foliares diferentes, 10 de ellas
relacionadas con el tamaño de la hoja, 4 con su forma, 1 con los agujeros de la hoja y 2 con el
pecíolo, y 25 para la segunda, de las cuales 12 están relacionadas con el tamaño de la hoja, 8 con su
forma, 3 con los agujeros de la hoja y 2 con el peciolo.
Del estudio estadístico descriptivo realizado en el primer año, se desprende que la medida del
área foliar aportada por el integrador automático (SFa) no difiere significativamente de la obtenida por
el analizador de imagen (SFi). Además, a los efectos del estudio biométrico realizado en la primera
campaña, se observa que no existe ninguna diferencia significativa entre las hojas procedentes de los
distintos tipos de sarmientos de la planta. Por otra parte, a la vista de los resultados obtenidos, las
variables longitud manual (Lm) y medida con el analizador (La), por un lado, y anchura del limbo
obtenida manualmente (Am) y medida con el analizador (Aa), por otro, no son equiparables. También,
en ambas campañas, las variables que se han manifestado más estables para cada cultivar por
separado, independientemente del tamaño y de la fecha de muestreo, son aquellas que están
relacionadas con su forma (índice de redondez, IR; Lm/Am y La/Aa, entre otras).
El análisis de componentes principales realizado, manifiesta, tanto para la primera campaña como
para cada uno de los cinco cultivares empleados en la segunda, la existencia de coherencia
biométrica entre las variables estudiadas. Por otra parte, a la vista de la información obtenida en este
análisis, junto con la aportada por la actualización bibliográfica oportuna y los criterios de rapidez y
sencillez en la medición y no-destrucción de la muestra, las variables foliares lineales seleccionadas
para su uso como variables independientes en los modelos matemáticos de estimación del área foliar
son: Am, Lm y Lm.Am.
Finalmente, de los modelos planteados como estimadores del área foliar empleando como
variables independientes Am, Lm, Lm.Am y/o superficie específica foliar (SEF), el que refleja un mejor
comportamiento para las dos campañas y para los cinco cultivares estudiados es aquel que toma la
forma de una recta con término independiente y que emplea como variable dependiente el logaritmo
decimal del área foliar (logSFa) y como variable independiente el logaritmo decimal de Lm (logLm), el
logaritmo decimal de Am (logAm) o el logaritmo decimal de Lm.Am (logLm.Am).
Igualmente, en el estudio realizado con el perímetro de la hoja (P), el modelo que se ha mostrado
mejor para su estimación es el mismo que se ha citado para la área foliar, es decir la recta con
término independiente, siempre que se emplee como variable dependiente el logaritmo decimal del
perímetro foliar (logP) y como variable independiente logLm, logAm o logLm.Am.
ABSTRACT
Grape growing and wine production in Castilla-La Mancha, Spain, with regards to its productive
volume as well as its implications of the preoccupation with the rural population, has always been the
main backbone axis of the socio-economy of the region. Currently the development of the vine
growing sector in Castilla La Mancha has necessarily passed through a definite strengthening of
production quality, based on varied re-structuring, but also on improved knowledge of each crop so as
to obtain optimum exploitation of each geographical, technical, environmental and even social
situation. For this reason the productive behaviour of this plant cover takes on special significance. It
is fundamental to know its foliage area, among other factors, which is a determining element of the
solar energy absorbed and therefore of the plant mass and production obtained.
Certainly, the leaf area is an essential, biological parameter in the characterisation of growth and
plant development. The study of the effect of different crop techniques (conduction, pruning, irrigation
scheduling, fertilization, etc) is also important in the agronomical behaviour of the planting process.
For this reason this variable is used in the modelling of many processes in which the plant is involved,
such as evapotranspiration, photosynthesis, growth, yield, energy exchanges, water or nutrients in the
constant soil-plant-atmosphere, efficiency in water use or of the photosynthetic active radiation,
among others. This is why in the research carried out in the field of plant production it is fundamental,
on many occasions to have a quantification of its value in the plant species under study.
The main objective of this doctoral thesis is to obtain a simple easy to use mathematic model which
gives the leaf area estimation of 5 Vitis vinifera L. cultivars (cvs. Airen, Cabernet-Sauvignon, Cencibel,
Garnacha and Macabeo) by using some biometric parameters of leaves easy and quicly to collect and
non destructive.
In order to do this a test was carried out over 2 consecutive field campaigns, in different plots
situated in today’s Wine and Vine Institute of Castilla-la Mancha in Tomelloso (Cuidad Real). In the
first campaign 14 samples were carried out, collecting a total of 1,705 leaves from the Cencibel crop
marking each collected leaf with the type of vine shoot origin (front, back, or adventitions). Groupings
were established depending on the size of the leaves (small, medium, or large). The second campaign
had 8 samples, with a total of 1,888 collected leaves from the 5 cultivars studied. This study was
extended with the variable cultivar and the size groups were kept even though the differences in the
shoot types were removed due to the results obtained in the first campaign. The length and width of
each limb was measured manually of each leaf as well as the length of the petiole and the dry weight
of the limbs and petiole.
Subsequently the image analyser GLOBAL LAB 2.10 version (Data Translation Inc., Marlboro,
MA,USA) was used to obtain diverse size and shape parameters of the leaf, one of which was the leaf
area value from the digitalized image itself. In the first campaign the area of each leaf was measured
by means of a leaf area automatic integrator LI-COR model Li-3100 (Li-COR Inc. Lincoln, Nebraska,
USA). In the first campaign 17 different leaf variables were controlled, 10 of which related to the size
of the leaf, 4 to its shape, 1 with holes in the leaf, 2 with the petiole. In the second there were 25, 12 of
which are related to the leaf size, 8 to its shape,3 with holes in the leaf and 2 with the petiole.
With regards to the statistic descriptive study carried out in the first year, the measurement of the
leaf area taken by the automatic integrator (SFa) does not significantly differ from that of the image
analyser (SFi). Moreover according to the biometric studies carried out in the first campaign, no
significant difference can be detected between the leaves coming from different types of vine shoot of
the plant.
In any case, in view of the results obtained, the variables of length manually measured (Lm) and
measured with the analyser (La) on one hand and the width of the limb manually measured (Am) and
measured with the analyser (Aa) on the other hand are not comparable. In both campaigns, the
variables which have shown to be more stable for each cultivar separately, regardless of its size and
the sample date, are the ones which are related to shape (index of roundness, IR, Lm/Am and La/Aa
among others.)
The Main Component Analysis carried out, showed that there was biometric coherence between
the variables studied not only in the first campaign but also in each of the 5 cultivars used in the
second one. However, in view of the information obtained in this analysis, together with the
information from the up to date bibliography, the speed criteria , the simplicity of the measuring
process and damage-free sample, the leaf lineal variables selected for its use as independent
variables in the mathematic models of estimation of the foliage area are: AM, Lm and Lm.Am.,
Finally, of the models proposed as estimates of the leaf area using as independent variables Am,
Lm, Lm.Am and/or specific leaf area (SEF), the one which best reflects the behaviour of the two
campaigns and the five cultivars studied is the one which was in the shape of a straight line with
independent term, using as dependent variable the decimal logarithm of leaf area (logSFa) and as
independent variable the decimal logarithm of Lm (logLm), the decimal logarithm of Am (logAm) or the
decimal logarithm of Lm.Am (logLm.Am).
Likewise the study carried out on the perimeter of the leaf (P) the model which best shows its
estimation is the same as that cited for the leaf area, that is the line straight with an independent term,
provided that the decimal logarithm of the leaf perimeter (logP) is used as dependent variable, and
logLm, logAm or logLm.Am as independent variable.
ÍNDICE
Índice
ÍNDICE GENERAL
1. INTRODUCCIÓN .................................................................................................................................3
2. OBJETIVOS .........................................................................................................................................7
3. ANTECEDENTES BIBLIOGRÁFICOS...............................................................................................11
3.1. La hoja de las plantas. El sistema foliar de la vid. .....................................................................11
3.2. Ampelografía. .............................................................................................................................12
3.3. Funciones de la hoja. .................................................................................................................13
3.4. Importancia agrónomica del sistema foliar de los cultivos. El caso de la vid. ...........................16
3.5. Métodos utilizados para la determinación del área foliar...........................................................18
3.5.1. Métodos directos................................................................................................................19
3.5.1.1. Método del papel milimetrado....................................................................................19
3.5.1.2. Método planimétrico...................................................................................................19
3.5.1.3. Método gravimétrico. .................................................................................................19
3.5.2. Métodos indirectos. ............................................................................................................19
3.5.2.1. Método de interceptación de la luz. ...........................................................................19
3.5.2.2. Método de interceptación de una corriente de aire. ..................................................20
3.5.2.3. Método del spray acuoso...........................................................................................20
3.5.3. Métodos de estimación. .....................................................................................................20
3.5.3.1. Métodos de estimación basados en medidas lineales de la hoja. ............................21
3.5.3.2. Métodos basados en la relación entre el área foliar y el peso de la hoja..................24
3.5.4. Métodos comparativos. ......................................................................................................25
3.5.4.1. Método comparativo mediante el uso de calibres obtenidos de las hojas. ...............25
3.5.4.2. Método comparativo mediante el uso de calibres de formas sencillas. ....................25
3.5.5. Métodos basados en el análisis de imágenes. ..................................................................25
4. MATERIAL Y MÉTODOS...................................................................................................................29
4.1. Ubicación y duración del ensayo. ..............................................................................................29
4.2. El clima local y las condiciones climáticas durante el ensayo. ..................................................29
4.3. Características edáficas.............................................................................................................32
4.4. Material vegetal. .........................................................................................................................35
4.5. Labores y operaciones culturales. .............................................................................................39
4.6. Procedimiento para la toma de muestras. .................................................................................39
4.7. Trabajo de laboratorio. ...............................................................................................................41
4.8. Módelos para determinar el área foliar. .....................................................................................43
4.9. Análisis estadístico de las variables objeto del estudio. ............................................................43
4.9.1. Estadística descriptiva. ......................................................................................................43
4.9.2. Análisis de Componentes Principales (ACP).....................................................................44
4.9.3. Análisis de Regresión Lineal (ARL). ..................................................................................45
4.9.3.1. Introducción al ARL....................................................................................................45
4.9.3.2. Estimación de modelos con el ARL. ..........................................................................46
4.9.3.3. Supuestos del modelo de regresión lineal.................................................................46
4.9.3.4. Puntos de influencia...................................................................................................48
4.9.3.5. Análisis de regresión por pasos (Regresión “Stepwise”)...........................................48
4.9.3.6. ARL simple con los valores observados y predichos de la variable dependiente.....49
4.9.3.7. Aplicación del ARL al caso de estudio.......................................................................49
5. RESULTADOS Y DISCUSIÓN...........................................................................................................53
5.1. Estadística descriptiva. ..............................................................................................................53
5.1.1. Primera campaña de estudio. ............................................................................................53
5.1.2. Segunda campaña de estudio. ..........................................................................................60
iii
Índice
ÍNDICE GENERAL
5.1.2.1. Cultivar Airén............................................................................................................. 60
5.1.2.2. Cultivar Cabernet-Sauvignon. ................................................................................... 67
5.1.2.3. Cultivar Cencibel. ...................................................................................................... 73
5.1.2.4. Cultivar Garnacha. .................................................................................................... 79
5.1.2.5. Cultivar Macabeo. ..................................................................................................... 85
5.1.3. Resumen de las dos campañas y de los cinco cultivares estudiados. ............................. 91
5.2. Análisis de Componentes Principales. ...................................................................................... 92
5.2.1. Primera campaña de estudio. ........................................................................................... 92
5.2.2. Segunda campaña de estudio........................................................................................... 96
5.2.2.1. Cultivar Airén............................................................................................................. 96
5.2.2.2. Cultivar Cabernet-Sauvignon. ................................................................................. 101
5.2.2.3. Cultivar Cencibel. .................................................................................................... 106
5.2.2.4. Cultivar Garnacha. .................................................................................................. 111
5.2.2.5. Cultivar Macabeo. ................................................................................................... 116
5.2.3. Resúmen de las dos campañas y de los cinco cultivares estudiados. ........................... 121
5.3. Análisis de Regresión Lineal. .................................................................................................. 123
5.3.1. Primera campaña de estudio. ......................................................................................... 123
5.3.2. Segunda campaña de estudio......................................................................................... 128
5.3.2.1. Cultivar Airén........................................................................................................... 128
5.3.2.2. Cultivar Cabernet-Sauvignon. ................................................................................. 133
5.3.2.3. Cultivar Cencibel. .................................................................................................... 138
5.3.2.4. Cultivar Garnacha. .................................................................................................. 143
5.3.2.5. Cultivar Macabeo. ................................................................................................... 148
5.3.3. Resúmen de las dos campañas y de los cinco cultivares estudiados. ........................... 153
5.3.4. Discusión de los resultados de los ARL de las dos campañas y los cinco cultivares
estudiados. ................................................................................................................................ 160
6. CONCLUSIONES. ........................................................................................................................... 163
7. BIBLIOGRAFÍA................................................................................................................................ 167
9. AGRADECIMIENTOS...................................................................................................................... 183
ANEJO 1: ESTADÍSTICA DESCRIPTIVA
ANEJO 2: ANÁLISIS DE COMPONENTES PRINCIPALES
ANEJO 3: ANÁLISIS DE REGRESIÓN LINEAL
iv
Índice
ÍNDICE DE FIGURAS
Figura 1. Esquema de un tallo con los puntos de inserción de los diferentes tipos de hojas (Fuente:
Lüttge et al., 1993) .................................................................................................................................11
Figura 2. Corte perpendicular a la superficie del limbo de una hoja de haya (Fagus sylvatica L.).
(Fuente: Izco et al., 1997) ......................................................................................................................12
Figura 3. Caracteres ampelográficos de la hoja de la vid (Vitis vinífera L.) (Fuente: Reynier, 2002) ...12
Figura 4. Evolución de la tasa de intercambio de CO2 medida sobre hojas de trébol rojo (Trifolium
pratense L.) (planta C-3) en respuesta a diferentes intensidades luminosas. (Fuente: Gardner et al.,
1990). .....................................................................................................................................................13
Figura 5. Representación esquemática y fotográfica del perfil de la calicata de Tomelloso. (Montero,
1998) ......................................................................................................................................................33
Figura 6. Imágenes digitalizadas de los limbos de las hojas de los cultivares Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y Macabeo..........................................................................................39
Figura 7. Representación de los parámetros del limbo de la hoja medidos manualmente ...................41
Figura 8. Representación de diversos parámetros del limbo de la hoja medidos mediante analizador
de imagen...............................................................................................................................................41
2
Figura 9. Media (cm ) y coeficiente de variación (CV, %) de la superficie del limbo de las hojas medida
con analizador (SFa) por tamaños, cv. Cencibel, 1ª campaña (1995). .................................................53
2
Figura 10. Media (cm ) y coeficiente de variación (CV, %) de la superficie del limbo de las hojas
medida con analizador (SFa) por tipo de sarmiento, cv. Cencibel, 1ª campaña. ..................................53
2
Figura 11. Media (cm )y coeficiente de variación (CV, %) de la superificie del limbo de las hojas
medida con integrador (SFi) por tamaños, cv. Cencibel, 1ª campaña (1995). ......................................54
2
Figura 12. Media (cm )y coeficiente de variación (CV, %) de la superificie del limbo de las hojas
medida con integrador (SFi) por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995). ........................54
Figura 13. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo de las hojas
medida manualmente (Lm) por tamaños, cv. Cencibel, 1ª campaña (1995).........................................55
medida manualmente (Lm) por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995)...........................55
2
Figura 15. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am por tamaños de hojas,
cv. Cencibel en la 1ª campaña (1995). ..................................................................................................56
2
Figura 16. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am por tipo de sarmiento,
2
Figura 17. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa por tamaños de hojas,
2
Figura 18. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa por tipo de sarmiento,
2 -1
Figura 19. Media (m .kg ) y coeficiente de variación (CV, %) de la Superficie Específica Foliar de las
hojas (SEF) por tamaños, cv. Cencibel, 1ª campaña (1995). ................................................................58
2 -1
hojas (SEF) por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995). ..................................................58
Figura 21. Media y coeficiente de variación (CV, %) del cociente Lm/Am por tamaños, cv. Cencibel, 1ª
campaña (1995). ....................................................................................................................................58
Figura 22. Media y coeficiente de variación (CV, %) del cociente Lm/Am por tipo de sarmiento, cv.
Cencibel, 1ª campaña (1995).................................................................................................................59
Figura 23. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las hojas (Lp)
por tamaños, cv. Cencibel, 1ª campaña (1995). ....................................................................................59
Figura 24. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las hojas (Lp)
por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995). ......................................................................60
2
medida con analizador (SFa), cv. Airén, 2ª campaña (1996) ................................................................61
medida manualmente (Lm), cv. Airén, 2ª campaña (1996)....................................................................61
2
Figura 27. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am, cv. Airén, 2ª campaña
(1996) .....................................................................................................................................................62
v
Índice
ÍNDICE DE FIGURAS
2
Figura 28. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa, cv. Airén, 2ª campaña
(1996)..................................................................................................................................................... 63
2 -1
hojas (SEF), cv. Airén, 2ª campaña (1996) ........................................................................................... 63
Figura 30. Media y coeficiente de variación (CV, %) del cociente Lm/Am, cv. Airén, 2ª campaña (1996)64
Figura 31. Media y coeficiente de variación (CV, %) del número de agujeros de las hojas (NH), cv.
Airén, 2ª campaña (1996)...................................................................................................................... 65
Figura 32. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las hojas (Lp),
cv. Airén, 2ª campaña (1996) ................................................................................................................ 66
2
medida con analizador (SFa), cv. Cabernet-Sauvignon, 2ª campaña (1996)....................................... 67
medida manualmente (Lm), cv. Cabernet-Sauvignon, 2ª campaña (1996) .......................................... 68
2
Figura 35. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am, cv. Cabernet-
Sauvignon, 2ª campaña (1996) ............................................................................................................. 69
2
Figura 36. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa, cv. Cabernet-
Sauvignon, 2ª campaña (1996) ............................................................................................................. 69
2 -1
hojas (SEF), cv. Cabernet-Sauvignon, 2ª campaña (1996) .................................................................. 70
Figura 38. Media y coeficiente de variación (CV, %) del cociente Lm/Am, cv. Cabernet-Sauvignon, 2ª
campaña (1996)..................................................................................................................................... 70
Cabernet-Sauvignon, 2ª campaña (1996) ............................................................................................. 71
cv. Cabernet-Sauvignon, 2ª campaña (1996) ....................................................................................... 72
2
medida con analizador (SFa), cv. Cencibel, 2ª campaña (1996). ......................................................... 73
medida manualmente (Lm), cv. Cencibel, 2ª campaña (1996). ............................................................ 74
2
Figura 43. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am, cv. Cencibel, 2ª
campaña (1996)..................................................................................................................................... 75
2
Figura 44. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa, cv. Cencibel, 2ª
campaña (1996)..................................................................................................................................... 75
2 -1
hojas (SEF), cv. Cencibel, 2ª campaña (1996). .................................................................................... 76
Figura 46. Media y coeficiente de variación (CV, %) del cociente Lm/Am, cv. Cencibel, 2ª campaña
(1996)..................................................................................................................................................... 76
Cencibel, 2ª campaña (1996). ............................................................................................................... 77
cv. Cencibel, 2ª campaña (1996)........................................................................................................... 78
2
medida con analizador (SFa), cv. Garnacha, 2ª campaña (1996). ....................................................... 79
medida manualmente (Lm), cv. Garnacha, 2ª campaña (1996). .......................................................... 80
2
Figura 51. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am, cv. Garnacha, 2ª
campaña (1996)..................................................................................................................................... 81
2
Figura 52. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa, cv. Garnacha, 2ª
campaña (1996)..................................................................................................................................... 81
2 -1
hojas (SEF), cv. Garnacha, 2ª campaña (1996).................................................................................... 82
Figura 54. Media y coeficiente de variación (CV, %) del cociente Lm/Am, cv. Garnacha, 2ª campaña
(1996)..................................................................................................................................................... 82
vi
Índice
ÍNDICE DE FIGURAS
Garnacha, 2ª campaña (1996). ..............................................................................................................83
cv. Garnacha, 2ª campaña (1996). ........................................................................................................84
2
medida con analizador (SFa), cv. Macabeo, 2ª campaña (1996)..........................................................85
medida manualmente (Lm), cv. Macabeo, 2ª campaña (1996). ............................................................86
2
Figura 59. Media (cm ) y coeficiente de variación (CV, %) del producto Lm.Am, cv. Macabeo, 2ª
campaña (1996). ....................................................................................................................................86
2
Figura 60. Media (cm ) y coeficiente de variación (CV, %) del producto La.Aa, cv. Macabeo, 2ª
campaña (1996). ....................................................................................................................................87
2 -1
hojas (SEF), cv. Macabeo, 2ª campaña (1996). ....................................................................................88
Figura 62. Media y coeficiente de variación (CV, %) del cociente Lm/Am, cv. Macabeo, 2ª campaña
(1996). ....................................................................................................................................................88
Macabeo, 2ª campaña (1996). ...............................................................................................................89
cv. Macabeo, 2ª campaña (1996). .........................................................................................................90
Figura 65. Variables iniciales en el espacio en función de los componentes rotados 1 y 2, cv.
Cencibel, 1ª Campaña (1995). ...............................................................................................................96
Figura 66. Variables iniciales en el espacio en función de los componentes rotados 1 y 2, cv. Airén, 2ª
Campaña (1996). .................................................................................................................................101
Cabernet-Sauvignon, 2ª Campaña (1996). ..........................................................................................106
Cencibel, 2ª Campaña (1996). .............................................................................................................111
Garnacha, 2ª Campaña (1996). ...........................................................................................................116
Macabeo, 2ª Campaña (1996). ............................................................................................................121
Figura 71. Diagrama de dispersión de logSFa frente a logLm y representación del modelo (2.8), cv.
Figura 72. Diagrama de dispersión de logSFa frente a logAm y representación del modelo (2.9), cv.
Figura 73. Diagrama de dispersión de logP frente a logLm y representación del modelo (2.14), cv.
Figura 74. Diagrama de dispersión de logP frente a logAm y representación del modelo (2.15), cv.
Airén. 2ª Campaña (1996)....................................................................................................................131
Airén. 2ª Campaña (1996)....................................................................................................................131
Airén, 2ª Campaña (1996)....................................................................................................................133
Airén, 2ª Campaña (1996)....................................................................................................................133
vii
Índice
ÍNDICE DE FIGURAS
Cabernet-Sauvignon, 2ª Campaña (1996). ......................................................................................... 138
Cabernet-Sauvignon, 2ª Campaña (1996). ......................................................................................... 138
Cencibel, 2ª Campaña (1996). ............................................................................................................ 141
Garnacha, 2ª Campaña (1996). .......................................................................................................... 146
Macabeo, 2ª Campaña (1996)............................................................................................................. 151
Figura 95. Representación del modelo (2.8) logSFa = b0 + b1 . logLm para las dos campañas y los
cinco cultivares estudiados.................................................................................................................. 156
Figura 96. Representación del modelo (2.9) logSFa = b0 + b1 . logAm para las dos campañas y los
Figura 97. Representación del odelo (2.14) logP = b0 + b1 . logLm para las dos campañas y los cinco
cultivares estudiados. .......................................................................................................................... 158
Figura 98. Representación del modelo (2.15) logP = b0 + b1 . logAm para las dos campañas y los
viii
Índice
ÍNDICE DE TABLAS
Tabla 1. Resúmen de los métodos de estimación del área foliar basados en medidas lineales de la
hoja descritos en la bibliografía consultada. ..........................................................................................22
Tabla 2. Características termopluviométricas del año medio de la serie 1980-1991 en Tomelloso
(Ciudad Real). ........................................................................................................................................30
Tabla 3. Condiciones climáticas durante la 1ª Campaña (1995), Instituto de la Vid y el Vino de
Castilla-La Mancha (IVICAM), Tomelloso (Ciudad Real).......................................................................31
Tabla 4. Condiciones climáticas durante la 2! Campaña (1996), Instituto de la Vid y el Vino de Castilla-
La Mancha (IVICAM), Tomelloso (Ciudad Real)....................................................................................32
Tabla 5. Características macromorfológicas del suelo en la calicata. IVICAM, diciembre 1994. ..........33
Tabla 6. Descripción del perfil de la calicata. IVICAM, diciembre 1994.................................................34
Tabla 7. Características fisico-químicas de la calicata. IVICAM, diciembre 1994. ................................34
Tabla 8. Denominaciones de Origen en las que están autorizados los cultivares Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y/o Macabeo.......................................................................................35
Tabla 9. Características ampelográficas principales de los cultivares Airén, Cabernet-Sauvignon,
Cencibel, Garnacha y Macabeo .............................................................................................................37
Tabla 9 (continuación). Características ampelográficas principales de los cultivares Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y Macabeo..........................................................................................38
Tabla 10. Labores y operaciones culturales efectuadas en las parcelas de estudio.............................39
Tabla 11. Fechas y tamaño de las muestras de la 1ª Campaña (1995)................................................40
Tabla 12. Fechas y tamaño de las muestras de la 2ª Campaña (1996)................................................40
Tabla 13. Relaciones matemáticas empleadas en la estimación del área foliar mediante medidas
foliares lineales.......................................................................................................................................43
Tabla 14. Variables y modelos empleados en el Análisis de Regresión Lineal.....................................50
Tabla 15. Media y coeficiente de variación CV(%) de las variables relacionadas con el tamaño de la
hoja para las dos campañas y los cinco cultivares estudiados..............................................................91
Tabla 16. Media y coeficiente de variación CV(%) de las variables relacionadas con la forma de la
Tabla 17. Media y coeficiente de variación CV(%) de las variables relacionadas con los agujeros de la
Tabla 18. Media y coeficiente de variación CV(%) de las variables relacionadas con el peciolo de la
Tabla 19. Matriz de coeficientes de correlación de las variables iniciales, cv. Cencibel, 1ª Campaña
(1995). ....................................................................................................................................................94
Tabla 20. Varianza de las variables explicada por el modelo factorial obtenido (comunalidades), cv.
Cencibel, 1ª Campaña (1995). ...............................................................................................................95
Tabla 21. Varianza total explicada por las componentes, cv. Cencibel, 1ª Campaña (1995). ..............95
Tabla 22. Matriz de componentes, cv. Cencibel, 1ª Campaña (1995)...................................................96
Tabla 23. Matriz de componentes rotados, cv. Cencibel, 1ª Campaña (1995) .....................................96
Tabla 24. Matriz de coeficientes de correlación de las variables iniciales, cv. Airén, 2ª Campaña
(1996). ....................................................................................................................................................98
Airén, 2ª Campaña (1996)......................................................................................................................99
Tabla 26. Varianza total explicada por las componentes, cv. Airén, 2ª Campaña (1996).....................99
Tabla 27. Matriz de componentes (saturaciones), cv. Airén, 2ª Campaña (1996). .............................100
Tabla 28. Matriz de componentes rotados, cv. Airén, 2ª Campaña (1996) .........................................100
Tabla 29. Matriz de coeficientes de correlación de las variables iniciales, cv. Cabernet-Sauvignon, 2ª
Campaña (1996). .................................................................................................................................103
Tabla 31. Varianza total explicada por las componentes, cv. Cabernet-Sauvignon, 2ª Campaña
(1996). ..................................................................................................................................................104
ix
Índice
ÍNDICE DE TABLAS
Tabla 32. Matriz de componentes (saturaciones), cv. Cabernet-Sauvignon, 2ª Campaña (1996)..... 105
Tabla 33. Matriz de componentes rotados, cv. Cabernet-Sauvignon, 2ª Campaña (1996)................ 105
Tabla 34. Matriz de coeficientes de correlación de las variables iniciales, cv. Cencibel, 2ª Campaña
(1996)................................................................................................................................................... 108
Tabla 36. Varianza total explicada por las componentes, cv. Cencibel, 2ª Campaña (1996). ........... 109
Tabla 37. Matriz de componentes (saturaciones), cv. Cencibel, 2ª Campaña (1996). ....................... 110
Tabla 38. Matriz de componentes rotados, cv. Cencibel, 2ª Campaña (1996)................................... 110
Tabla 39. Matriz de coeficientes de correlación de las variables iniciales, cv. Garnacha, 2ª Campaña
(1996)................................................................................................................................................... 113
Tabla 41. Varianza total explicada por las componentes, cv. Garnacha, 2ª Campaña (1996)........... 114
Tabla 42. Matriz de componentes (saturaciones), cv. Garnacha, 2ª Campaña (1996). ..................... 115
Tabla 43. Matriz de componentes rotados, cv. Garnacha, 2ª Campaña (1996) ................................. 115
Tabla 44. Matriz de coeficientes de correlación de las variables iniciales, cv. Macabeo, 2ª Campaña
(1996)................................................................................................................................................... 118
Tabla 46. Varianza total explicada por las componentes, cv. Macabeo, 2ª Campaña (1996)............ 119
Tabla 47. Matriz de componentes (saturaciones), cv. Macabeo, 2ª Campaña (1996). ...................... 120
Tabla 48. Matriz de componentes rotados, cv. Macabeo, 2ª Campaña (1996) .................................. 120
Tabla 49. Varianza total explicada por las componentes (% acumulado de las sumas de las
saturaciones al cuadrado de la extracción) en los ACP realizados con las variables analizadas en las
dos campañas y para los cinco cultivares estudiados. ....................................................................... 122
Tabla 50. Componentes rotados más importantes para las variables analizadas en las dos campañas
y para los cinco cultivares estudiados. ................................................................................................ 122
Tabla 51. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Cencibel, 1ª Campaña
(1995)................................................................................................................................................... 124
Tabla 52. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cencibel, 1ª
Campaña (1995).................................................................................................................................. 124
Tabla 53. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cencibel, 1ª
Campaña (1995).................................................................................................................................. 125
Tabla 54. Modelos seleccionados para estimar SFa. Cencibel, 1ª Campaña (1995)......................... 125
Tabla 55. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv.
Tabla 56. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cencibel, 1ª
Campaña (1995).................................................................................................................................. 127
Tabla 57. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv.
Tabla 58. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Airén. 2ª Campaña
(1996)................................................................................................................................................... 129
Tabla 59. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Airén. 2ª Campaña
(1996)................................................................................................................................................... 129
Tabla 60. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Airén. 2ª
Campaña (1996).................................................................................................................................. 130
Airén. 2ª Campaña (1996). .................................................................................................................. 130
Tabla 62. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Airén. 2ª Campaña
(1996)................................................................................................................................................... 132
x
Índice
ÍNDICE DE TABLAS
Tabla 63. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Airén.
2ª Campaña (1996). .............................................................................................................................132
Tabla 64. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Cabernet-Sauvignon,
2ª Campaña (1996). .............................................................................................................................134
Tabla 65. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cabernet-
Sauvignon, 2ª Campaña (1996). ..........................................................................................................134
Tabla 66. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cabernet-
Tabla 68. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cabernet-
(1996). ..................................................................................................................................................139
Tabla 71. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cencibel, 2ª
Campaña (1996). .................................................................................................................................139
Tabla 72. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cencibel, 2ª
Campaña (1996). .................................................................................................................................140
Tabla 74. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cencibel, 2ª
Campaña (1996). .................................................................................................................................142
Tabla 76. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Garnacha, 2ª
Campaña (1996). .................................................................................................................................144
Tabla 77. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Garnacha, 2ª
Campaña (1996). .................................................................................................................................144
Tabla 78. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Garnacha, 2ª
Campaña (1996). .................................................................................................................................145
Tabla 80. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Garnacha, 2ª
Campaña (1996). .................................................................................................................................147
Tabla 82. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Macabeo, 2ª Campaña
(1996). ..................................................................................................................................................149
Tabla 83. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Macabeo, 2ª
Campaña (1996). .................................................................................................................................149
Tabla 84. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Macabeo, 2ª
Campaña (1996). .................................................................................................................................150
Tabla 86. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Macabeo, 2ª
Campaña (1996). .................................................................................................................................152
Tabla 88. Modelo (2.8) logSFa = b0 + b1.logLm para las dos campañas y los cinco cultivares
estudiados. ...........................................................................................................................................154
xi
Índice
ÍNDICE DE TABLAS
Tabla 89. Modelo (2.9) logSFa = b0 + b1.logAm para las dos campañas y los cinco cultivares
estudiados. .......................................................................................................................................... 154
Tabla 90. Modelo (2.10) logSFa = b0 + b1.logLm.Am para las dos campañas y los cinco cultivares
estudiados. .......................................................................................................................................... 154
Tabla 91. Modelo (2.14) logP = b0 + b1.logLm para las dos campañas y los cinco cultivares
estudiados. .......................................................................................................................................... 155
Tabla 92. Modelo (2.15), logP = b0 + b1.logAm para las dos campañas y los cinco cultivares
estudiados. .......................................................................................................................................... 155
Tabla 93. Modelo (2.13), logP = b0 + b1.logLm.Am para las dos campañas y los cinco cultivares
estudiados. .......................................................................................................................................... 155
xii
Índice
ABREVIATURAS
a, b, c, d: Coeficientes de los ajustes. LAD: Duración del área foliar.
A: anchura del limbo, cm. LAI: Índice de área foliar.
A’: anchura del limbo medida en la mitad de la LAR: Proporción de área foliar.
longitud de la hoja, cm. Ld: regularidad longitudinal o “Length diff”, cm.
Aa: anchura máxima del limbo medida con Li: distancia desde el punto de inserción en el
analizador de imagen, cm. raquis del primer foliolo hasta el extremo superior
ACP: Análisis de Componentes Principales. de la hoja.
Ad: regularidad transversal o “Width diff”, cm. LLN: Número de hojas por nivel.
Am: anchura máxima del limbo medida Lm.Am: producto de la longitud por la anchura del
2
manualmente, cm. limbo de la hoja medidas manualmente, cm .
ANOVA: análisis de Varianza. Lm/Am: cociente entre la longitud y la anchura del
ARL: análisis de Regresión Lineal. limbo de la hoja medidas manualmente,
2 adimensional.
BA: área de la “caja” o “Box Area”, cm .
Lm: Longitud máxima del limbo medida
bi: coeficientes de regresión. manualmente, cm.
BR: proporción del área de la “caja” o “Box ratio”, logX: logaritmo decimal de X.
adimensional.
Lp: longitud del peciolo, cm.
CAM: “Crassulaceous Acid Metabolism”.
Ls: distancia desde la base del peciolo hasta el
CGR: Intensidad de crecimiento del cultivo. extremo superior de la hoja.
cv.: cultivar. MSl: peso seco del limbo, g.
CV: Coeficiente de variación, %. MSp: peso seco del pecíolo, g.
cvs.: cultivares N2+: suma de la longitud de las dos primeras
d: estadístico de Durbin-Watson. nervaduras laterales.
D+: suma de la longitud de las dos primeras N2x: producto de la longitud de las dos primeras
nervaduras principales laterales. nervaduras laterales.
Dx: producto de la longitud de las dos primeras NAR: Velocidad de asimilación neta.
nervaduras principales laterales. NH: número de agujeros que tiene la hoja.
F: estadístico de Fisher-Snedecor O.I.V.: Oficina Internacional de la Viña y el Vino.
FIV: Factores de inflación de la varianza. P: perímetro del limbo, cm.
2
HA: área de los agujeros o “Hole Area”, cm . PAR: radiación fotosintéticamente activa
HR: proporción del área de los agujeros o “Hole (“Photosintetically Active Radiation”)
Ratio”, adimensional. PI: puntos de influencia
I.B.P.G.R.: Oficina Internacional para los Recursos PPDA: relación entre perímetro y área total del
Genéticos. limbo de la hoja, adimensional.
IR: índice de redondez o “Roundness”, r: coeficiente de correlación múltiple.
adimensional.
R: radio medio o “Average Radius”, cm.
IVICAM: Instituto de la Vid y el Vino de Castilla-La 2
Mancha. R : coeficiente de determinación.
JCCM: Junta de Comunidades de Castilla-La RGR: velocidad de crecimiento relativo.
2
Mancha. S: superficie del limbo de la hoja, cm .
2 -1
KMO: medida de adecuación muestral de Kaiser- SEF: superficie específica foliar, m .kg .
Meyer-Olkin. SFa: superficie del limbo de la hoja medida con el
2
L: longitud del limbo, cm. analizador de imagen, cm .
L1: distancia entre la inserción peciolar y el extremo SFEp: Superficie Foliar Específica potencial.
del nervio principal, cm SFi: superficie del limbo de la hoja medida con el
2
L2 = L2d + L2i integrador de área foliar, cm .
L2d: distancia entre la inserción peciolar y el extremo Sig.: nivel de significación.
del primer nervio lateral derecho, cm. t: estadístico de Student
2
L2i: distancia entre la inserción peciolar y el extremo TA: área total o “Total Area”, cm .
del primer nervio lateral izquierdo, cm. U.P.O.V.: Unión Internacional para la Protección de
L3: distancia entre los extremos de los dos primeros Obtenciones Vegetales.
nervios laterales, cm. X: variable independiente.
La.Aa: producto de la longitud por la anchura del xi: variable independiente.
limbo de la hoja medidas con el analizador de Y: variable dependiente.
2
imagen, cm .
Z: estadístico de Kolmogorov-Smirnov.
La/Aa: cociente entre la longitud y la anchura del
limbo de la hoja medidas con el analizador de i: coeficientes de regresión estandarizados.
imagen, adimensional.
La: longitud máxima del limbo medida con
analizador de imagen, cm.
Índice
ABREVIATURAS
INTRODUCCIÓN
Introducción
1. INTRODUCCIÓN
Hablar de vitivinicultura y de desarrollo regional en Castilla-La Mancha ha sido siempre hablar del
principal eje vertebrador de la socioenomía regional, tanto por la gran importancia que representan
los volúmenes de sus productos en los mercados nacional e internacional, como por las correlaciones
que presenta con la fijación y el mantenimiento de la población rural (Olmeda y Bernabéu, 2002). Sin
embargo, en la actualidad se observan pocas posibilidades de desarrollo del sector vitivinícola
castellano-manchego si las alternativas no pasan por una potenciación decidida de la calidad de las
producciones, basada en la reconversión varietal, pero también en el conocimiento de cada cultivar y
su combinación para obtener un aprovechamiento óptimo en cada situación geográfica, tecnológica,
medioambiental, e incluso social (Sotés, 1996).
Por ello, cobra especial relevancia conocer con detalle el comportamiento de esta cubierta vegetal,
extraordinariamente adaptada a las limitantes condiciones naturales de la región, que, por otra parte,
permiten pocas alternativas al viñedo en el uso del suelo (Montero, 1996). Por tanto, tiene gran
importancia evaluar la capacidad productiva del viñedo de secano en las condiciones semiáridas de
Castilla-La Mancha, para lo que es fundamental conocer, entre otros parámetros, su área foliar,
elemento determinante de la energía solar captada y, por tanto, de la masa vegetal y de las
producciones obtenidas.
En efecto, el área foliar es un parámetro biológico imprescindible en la caracterización del
crecimiento y desarrollo vegetativo, así como en el estudio del efecto que las diferentes técnicas de
cultivo (conducción, poda, programación de riego, fertilización, etc.) tienen sobre el comportamiento
agronómico de la plantación, habiéndose demostrado su importancia para valorar el potencial
productivo de los cultivos (Gallagher y Biscoe, 1978). Por ello, esta variable se emplea en la mayoría
de los modelos de evapotranspiración, fotosíntesis, crecimiento de los cultivos, rendimiento
productivo, en los modelos que simulan los intercambios de calor, energía, agua o nutrientes en el
continuo suelo-agua-planta-atmósfera y la eficiencia en el uso del agua o de la radiación
fotosintéticamente activa (PAR), o en aquellos otros que cuantifican la competencia entre cultivos y
malas hierbas, por citar algunos, de manera que su cuantificación resulta a menudo imprescindible en
la investigación desarrollada en el campo de la Producción Vegetal, en general, y de la Viticultura en
particular.
Dada la importancia que supone disponer de una valoración del área foliar, muchos y diversos han
sido los métodos propuestos para su determinación a lo largo del tiempo (Montero et al., 2000); sin
embargo, la elección del mejor método dependerá, en cada caso, de cuánto material vegetal se
pueda medir, de la precisión necesaria, del tiempo y del personal disponibles (Kvet y Marshall, 1971)
y de si es necesario o no mantener inalterado el entorno de la planta. En cualquier caso, la
determinación del área foliar se debe poder realizar por métodos de medición simples, rápidos,
precisos (menos del 5% de error) y compatibles con la vida de las hojas y de las plantas
(Carbonneau, 1976), lo que permitirá realizar sucesivas observaciones con la cubierta vegetal no
alterada (Smith y Kliewer, 1984).
Entre los métodos disponibles, unos son destructivos y otros no destructivos, los hay directos,
indirectos, de estimación y comparativos, a los que se les pueden añadir los métodos que emplean el
análisis de imágenes. Los métodos destructivos, que son el grupo que habitualmente se emplea en el
laboratorio, requieren la destrucción de las hojas, por lo que no permiten la repetición de las
mediciones en las mismas plantas en épocas distintas, al haber sido alterado el entorno. Por el
contrario, los métodos no destructivos salvan este inconveniente, pero su empleo supone realizar las
mediciones en el campo. Por su parte, los métodos directos son muy precisos, pero requieren mucho
tiempo y trabajo y, por ello, su uso es limitado (método del papel milimetrado, método planimétrico y
método gravimétrico). Los métodos indirectos precisan menos tiempo y trabajo que los métodos
directos, pero, en muchos casos, siguen requiriendo realizar las mediciones en el laboratorio, lo que
conlleva la destrucción de las hojas medidas (método de interceptación de la luz, método de
interceptación de una corriente de aire, método del spray acuoso). Los métodos de estimación tratan
de establecer una relación matemática entre el área foliar y alguna característica de la hoja que se
pueda medir, tal como medidas lineales de la hoja o el peso de la misma; resultan más laboriosos al
precisar herramientas matemáticas y, habitualmente, requieren la destrucción de algunas hojas para
su elaboración, pero, una vez obtenidos, permiten una aplicación fácil, sencilla y no destructiva,
siendo el grupo más ampliamente empleado a lo largo del tiempo y con numerosas especies
vegetales. Por otro lado, con los métodos comparativos, la estimación del área foliar se realiza de
manera bastante rápida, pero se requiere un trabajo previo considerable, lo que dificulta su utilización.
Por último, los métodos basados en el análisis de imágenes tienen como ventajas la fiabilidad de las
3
Introducción
medidas obtenidas, la posibilidad de analizar más muestras, la reducción del error experimental, la
minimización de la subjetividad y la reducción del tiempo de muestreo, pero requieren el uso de
equipos costosos y son muy laboriosos, lo que limita su difusión.
De todos los métodos citados, el más sencillo, y que ofrece más ventajas frente a otros (Villegas et
al., 1981; Beerling y Fry, 1990), es el método de estimación que utiliza medidas lineales de la hoja y
que establece una relación matemática entre la área foliar y una o varias medidas lineales de la
misma. Es también el método más extendido y contrastado, habiendo sido aplicado a muchas
especies vegetales diferentes, por su simplicidad, fácil aplicación, rapidez en el empleo, por ser no
destructivo (las mediciones se pueden realizar sobre la planta) y por no precisar del uso de
instrumentos caros. Por todo ello, es el método empleado en la presente Tesis Doctoral, aplicando el
análisis de regresión lineal a la obtención de las mencionadas relaciones matemáticas, o modelos,
que permitan estimar el área de las hojas de cinco cultivares de Vitis vinifera L. (cvs. Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y Macabeo) con medidas foliares lineales no destructivas,
fundamentalmente la anchura máxima y la longitud del limbo.
4
OBJETIVOS
Objetivos
2. OBJETIVOS
El objetivo principal de la tesis doctoral es la obtención de un modelo matemático sencillo y fácil de
emplear, que permita estimar el área foliar en Vitis vinifera L., mediante la utilización de algún
parámetro biométrico foliar de obtención rápida, sencilla y no destructiva.
Este objetivo principal se concreta en los siguientes objetivos específicos:
- Estudio comparativo de dos sistemas destructivos de estimación del área foliar: el integrador
automático de área foliar LI-COR modelo LI-3100 (LI-COR Inc., Lincoln, Nebraska, EE.UU.) y la
medición automática mediante el analizador GLOBAL LAB Image Version 2.10 (Data Translation Inc.,
Marlboro, MA, EE.UU.) de la imagen de la hoja digitalizada mediante un escáner EPSON GT-8000
(Seiko Epson Corporation, Nagano, Japón).
- Estudio biométrico de las hojas de Vitis vinifera L. cv. Cencibel procedentes de los distintos tipos
de sarmientos de la planta: zariegos, delanteros y esperguras.
- Estudio biométrico de las hojas de cinco cultivares de Vitis vinifera L.: Airén, Cabernet-Sauvignon,
Cencibel, Garnacha y Macabeo.
- Identificación de los parámetros más significativos a emplear en la estimación del área foliar.
- Obtención de modelos matemáticos sencillos para la estimación del área foliar en cada uno de los
cultivares de Vitis vinifera L. empleados, Airén, Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo,
mediante la utilización de parámetros biométricos foliares de obtención rápida, sencilla y no
destructiva.
7
Objetivos
8
ANTECEDENTES BIBLIOGRÁFICOS
Antecedentes bibliográficos
3. ANTECEDENTES BIBLIOGRÁFICOS
3.1. La hoja de las plantas. El sistema foliar de la vid.
Font Quer (1985) define la hoja de las plantas como todo órgano lateral que brota del tallo o de las
ramas de manera exógena, tiene crecimiento limitado, forma generalmente laminar y simetría
dorsoventral, cuya función primordial consiste en la asimilación de los hidratos de carbono, para lo
cual están especialmente adaptadas. El término se aplica, en sentido amplio, a briofitos, pteridofitos y
plantas con flores (Izco et al., 1997).
La hoja normal se compone, la mayoría de las veces, de diversas partes (Strasburguer et al.,
1994): el limbo, el pecíolo y la base peciolar, pudiendo esta última constituir una vaina o llevar
estípulas. En las hojas más complejas se pueden distinguir estas cinco partes (Cavero y López, 1997;
López Ríos, 1998), aunque lo más habitual es que tengan solamente las tres primeras (Valla, 1986).
En el caso de la vid (Vitis vinifera L.), la hoja está compuesta por el peciolo y por el limbo, el cual tiene
cinco nervios, cinco senos y cinco lóbulos dentados (Hidalgo, 2002).
Además, la hoja es un órgano extraordinariamente variable tanto en su forma como en su
anatomía interna, tal y como señalan Raven et al. (1992), y ha sido objeto de un análisis minucioso
con fines taxonómicos, tanto en sus aspectos morfológicos como en los anatómicos, dando lugar a
una tipología y una terminología referidas a la misma muy extensas (Valla, 1986; Izco et al., 1997). En
este contexto, las características de la hoja a las que se puede atender son (Valla, 1986; Cavero y
López, 1997; López Ríos, 1998; García Luis et al., 1988): existencia y tamaño, consistencia, duración,
superficie, disposición de las hojas en el tallo (filotaxis), inserción de las hojas en el tallo, morfología
del limbo, simetría, contorno, borde foliar, composición, nervadura, pelos, características del pecíolo o
características de las estipulas. En la vid, la conformación de la hoja con sus características propias,
es la base fundamental de la ampelografía (Apartado 3.2), que estudia y describe los cultivares
(Hidalgo, 2002).
Además de las hojas normales, o nomófilos, en la planta
pueden encontrarse otras formaciones foliares diferentes a
éstas en forma y/o función (Fig. 1), tales como (Valla, 1986;
Lüttge et al., 1993; Izco et al., 1997; López Ríos, 1998):
cotiledones, catáfilos, escamas gemarias, hipsófilos o brácteas,
antófilos, espinas, zarcillos, órganos de almacenamiento de
agua, bulbos, filodios y órganos de caza. También es frecuente
la existencia de anisofilia y heterofilia (Valla, 1986; Izco et al.,
1997). En el caso de la vid, los zarcillos que presenta no se
corresponden con una estructura foliar sino que se trata de
tallos modificados (Raven et al., 1992) que, cuando encuentran
un soporte, se enroscan a él y se lignifican, dándole sujeción al
pámpano (Hidalgo, 2002).
Por otra parte, no todos los órganos laminares de las
plantas son hojas, ya que hay plantas cuyos tallos o ramas se
han hecho planos y asumen la función clorofílica (Izco et al.,
1997).
Por lo que respecta a la estructura interna del limbo foliar,
se observa que se ha adaptado para cumplir dos funciones
fundamentales para la planta, la realización de la fotosíntesis y
Figura 1. Esquema de un tallo con los
puntos de inserción de los diferentes tipos
la disminución y control de la pérdida de agua producida por la
de hojas (Fuente: Lüttge et al., 1993) transpiración (Valla, 1986; Lüttge et al., 1993), cometidos
aparentemente difíciles de conciliar. Para ello, en la estructura
del limbo toman parte, especialmente, tres tejidos con misiones bien definidas (Valla, 1986; Raven et
al., 1992; Wilson y Loomis, 1992; Lüttge et al., 1993; Strasburguer et al., 1994; Izco et al., 1997;
López Ríos, 1998): la epidermis, que ofrece protección a la desecación y permite el intercambio
gaseoso; el mesófilo, compuesto de tejidos de carácter asimilador ricos en cloroplastos; y los haces
vasculares, que tienen la doble función de sostén y conducción (Fig. 2).
Al realizar un corte transversal en una hoja de vid (Martínez de Toda, 1991; Hidalgo, 2002)
aparecen los tejidos propios de las plantas C-3 (Izco et al., 1997): epidermis del haz, formada por una
sola capa de células, recubierta por una cutícula y casi desprovista de estomas; parénquima en
empalizada, formado por una sola capa de células alargadas, dispuestas unas al lado de otras en
sentido longitudinal y con gran cantidad de cloroplastos; parénquima lagunar, compuesto por cinco o
11
seis capas de células muy

irregulares, que dejan entre ellas Epidermis superior
grandes espacios, que están
Parénquima en
comunicados con las cámaras empalizada
subestomáticas; epidermis del
envés, parecida a la del haz, pero
sin cutícula o con muy poca, con xilema
estomas y, frecuentemente, con floema
pelos; y finalmente, los haces
libero-leñosos.
Por otro lado, en general la Parénquima lagunar
estructura del peciolo de la hoja
Epidermis inferior
es muy sencilla. Concretamente,
en el caso de la vid, presenta una Estoma y cámara
subestomática
epidermis con pocos estomas y Figura 2. Corte perpendicular a la superficie del limbo de una hoja de haya
un parénquima interno que ocupa (Fagus sylvatica L.). (Fuente: Izco et al., 1997)
todo su espesor que contiene los
haces libero-leñosos en forma de media luna y que se continúan en las nerviaciones del limbo
(Hidalgo, 2002).
3.2. Ampelografía.
Según Reynier (2002), la ampelografía, que etimológicamente significa descripción de la vid,
abarca tres aspectos complementarios: la descripción de los cultivares y de las especies de vid, para
conseguir su identificación por medio de caracteres morfológicos o de cualidades internas (a partir de
marcadores bioquímicos o moleculares); el estudio de la evolución y de las relaciones entre
cultivares; además de la valoración de las aptitudes y de la potencialidad de los cultivares, de los
portainjertos y de las especies de las que provienen.
Tradicionalmente, la ampelografía utiliza en una primera fase métodos subjetivos de descripción
de los órganos de las plantas, a partir de caracteres visuales cualitativos como la forma, el color o la
vellosidad de los mismos, con especial atención a la hoja, observando su forma, su contorno, su
aspecto y sus senos, aunque también con observaciones de los pámpanos, los sarmientos, las
bayas, los frutos y las semillas (Martínez de Toda, 1991; Hidalgo, 2000). Estas observaciones
cualitativas y subjetivas se pueden complementar con mediciones cuantitativas ampelométricas,
como la medición de longitudes y ángulos sobre las hojas (Fig. 3) y, ocasionalmente, en otros
órganos, con observaciones histológicas y de la morfología del polen (Hidalgo, 2002).
La normalización de estas observaciones dio
lugar al Código de Caracteres Descriptivos de
Variedades y Especies de Vitis (O.I.V-
I.B.P.G.R.-U.P.O.V., 1983), basado en las
normas de identificación que venía empleando
la Oficina Internacional de la Viña y el Vino
(O.I.V., “Office International de la Vigne et du
Vin”), realizado conjuntamente con la Unión
Internacional para la Protección de Obtenciones
Vegetales (U.P.O.V., “L' Union Internationale
pour la Protection des Obtentions Végétales”) y
la Oficina Internacional para los Recursos
Genéticos (I.B.P.G.R., “International Broad for
Plant Genetic Resources”), y que ha supuesto la
posibilidad de disponer de una terminología
común al haber sido internacionalmente
adoptado. El Código asigna a cada carácter
considerado un valor numérico para evaluar el
nivel de expresión del mismo, lo que ha
facilitado el tratamiento matemático y estadístico
de la información (Boursiquot et al., 1987;
Cabello et. al, 1990; Ortiz et al., 1990; L1, L2, L3, L4 y L’2, L’3, L’4: longitudes de los nervios; , , : ángulos
entre los nervios; LT, LLS, LLI: lóbulos de la hoja; L: longitud del limbo de
Costacurta et al., 1996; Silvestroni et al., 1996; la hoja; l: anchura del limbo de la hoja.
Martínez de Toda y Sancha, 1997a; Moreno- Figura 3. Caracteres ampelográficos de la hoja de la vid
Arribas et al., 1999), junto con la de otros (Vitis vinífera L.) (Fuente: Reynier, 2002)
12
parámetros cuantitativos que se comentan más adelante.

En los últimos años, las técnicas en ampelografía se orientan hacia métodos basados en
marcadores moleculares, más eficaces y fiables, que no dependen de la subjetividad del descriptor y
que no están influenciados ni por el medio ambiente ni por las condiciones de cultivo y que se pueden
emplear como complemento a la caracterización ampelográfica tradicional. Se pueden citar el análisis
de isoenzimas y proteínas (Subden et al., 1987; Benin et al., 1988; Caló et al., 1989; Royo et al.,
1994; Cabello y Ortiz, 1995; Moreno-Arribas et al., 1999), el análisis químico de componentes de
naturaleza fenólica (Eder et al., 1994) y las técnicas de análisis de ADN (Thomas et al., 1994; Sefc,
1997, 1998; Grando, 1998; Filippetti, 1999; Ibáñez et al., 1999; Imazio et. al, 2002; Pinto-Carnide et
al. 2003). El tercer grupo de técnicas se perfila como la resolución definitiva del proceso de
identificación y se basa en la detección del polimorfismo a nivel del ADN, que refleja las diferencias
de la secuencia de los nucleótidos del ADN, identificables objetivamente y, en general, no
influenciadas por el medio ambiente o por los factores de desarrollo de la planta (Hidalgo, 2000). De
acuerdo con la experiencia existente, para la identificación varietal de la vid se consideran adecuados
los siguientes marcadores moleculares: proteínas extraídas de mostos, isoenzimas de sarmientos
muestreados durante el reposo invernal y “Randomly Amplified Polymorphic DNA” (RAPDs),
microsatélites y “Amplified Fragment Length Polymorphism” (AFLPs) realizados a partir del ADN
extraído del material vegetal, preferentemente de brotes tiernos (Hidalgo, 2000).
En otra línea, varios trabajos han demostrado la utilidad de las redes neuronales en la
diferenciación de cultivares de vid (Mancuso et al., 1998; Mancuso, 1999a, 2001), y de otras especies
vegetales (Mancuso et al., 1999; Mancuso y Nicese, 1999), al ser técnicas que permiten la
comparación rápida y objetiva de un número teóricamente ilimitado de individuos basándose en
características taxonómicas cuantitativas muy diversas. Igualmente, los análisis basados en
geometría fractal se pueden emplear para estudiar las hojas de vid con un enfoque ampelográfico
(Mancuso, 1999b).
En cualquier caso, la ampelografía tradicional, apoyada en la ampelometría, sigue constituyendo la
base de los estudios ampelográficos, si bien el resto de las técnicas comentadas permiten mejorar la
potencia de los estudios, con la inclusión de caracteres y parámetros complementarios, abarcando
enfoques más precisos en la identificación del material vegetal (Maigre, 1995; Boidron y Audeguin,
2001). A modo de ejemplo, se pueden citar los trabajos realizados por Rodríguez-Torres et al. (2000)
sobre la resolución de sinonimias y homonimias de un grupo de variedades de vid, las
caracterizaciones ampelográficas sobre Torrontés riojano de Rodríguez y Matus (2003), las
realizadas con Syrah en Mendoza (Argentina) por Matus y Rodríguez (1999), las de variedades de la
zona de Somontano en peligro de extinción de Garcés y Gogorcena (2001) e igualmente las
efectuadas sobre variedades en peligro de extinción en Rioja por Blanco et al. (2003), o las
diferenciaciones ampelográficas de Martínez de Toda y Sancha realizadas en Rioja con Monastel
(1998) y con Graciano (1997b).
3.3. Funciones de la hoja.
Las hojas de las plantas en general, y de la vid en particular, son los principales protagonistas,
cuando no los únicos, de numerosas funciones vitales para su crecimiento y desarrollo, tales como la
interceptación de la radiación, la fotosíntesis, la transpiración, la respiración, la fotorrespiración y la
traslocación de productos fotoasimilados, que se revisan a continuación, aunque brevemente.
De toda la radiación solar, entre el 41% y el 50%, según el autor que se consulte, es
potencialmente utilizable por las
plantas (Monteiht, 1965; Meek et al.
1984; Gardner et al., 1990; Guardiola y
García, 1990; Martínez de Toda, 1991;
Barceló et al., 1992), porción que se
denomina radiación fotosintéticamente
activa (PAR, “Photosintetically Active
Radiation”) y que se corresponde con
la radiación visible de longitud de onda
comprendida entre 400 y 700 nm, de la
cual una hoja puede absorber
alrededor del 85%, según su
estructura, reflejando o difundiendo el
resto (Barceló et al., 1992). De toda la Figura 4. Evolución de la tasa de intercambio de CO2 medida sobre
radiación solar absorbida por la hojas de trébol rojo (Trifolium pratense L.) (planta C-3) en respuesta a
diferentes intensidades luminosas. (Fuente: Gardner et al., 1990).
13
superficie de una planta en un día, entre el 75% y el 85% se emplea en evaporar agua, un 5-10% se
almacena como calor sensible en el suelo, un 5-10% se usa en intercambios de calor sensible con la
atmósfera por procesos de convección y el restante 1-5% se utiliza en la fotosíntesis (Gardner et al.,
1990, Barceló et al., 1992). Si ningún otro factor actúa como limitante, a medida que aumenta la
intensidad luminosa aumenta el valor de la tasa fotosintética hasta que se alcanza la saturación, que
varía según las especies, no obstante con una intensidad luminosa muy alta la fotosíntesis puede ser
inhibida, bien por el cierre de estomas debido al aumento de la transpiración, por una respiración
acelerada o por la foto-oxidación del aparato fotosintético (Barceló et al., 1992; Hidalgo, 2002),
mostrándose las hojas más eficientes en la utilización de la energía de la luz con iluminaciones bajas
frente a iluminaciones más intensas (Gardner et al., 1990) (Fig. 4).
Además de la radiación directa, las hojas de las plantas interceptan también la radiación difusa,
pero mientras las hojas más altas interceptan ambas radiaciones, a las hojas más bajas llega una
porción pequeña de la directa (Gardner et al., 1990). Estudios realizados por Kriedemann et al. (1972)
sobre el uso de la radiación difusa en la fotosíntesis de las hojas de vid, concluyeron que su
contribución puede ser importante en las hojas situadas en la parte interior de la planta.
En general, las prácticas culturales que favorecen la iluminación de las hojas, tienen un efecto
positivo sobre la actividad fotosintética (Gardner et al., 1990; Reynier, 2002), lo que se refleja en el
hecho contrastado en la vid de que una alta interceptación de la luz y una distribución uniforme dentro
de su cubierta vegetal favorecen la producción y la calidad de los frutos (Carbonneau, 1980; Smart,
1985; Dokoozlian y Kliewer, 1995). Por otra parte, está probado que las iluminaciones sucesivas
interrumpidas por periodos de oscuridad tienen su importancia en la actividad fotosintética (Barceló et
al., 1992), de modo que el viento puede jugar un papel importante al mover las hojas y facilitar la
iluminación de las hojas interiores del follaje de las plantas de vid (Martínez de Toda, 1991; Winter y
Whiting, 2004).
Estrechamente ligada a la iluminación, la fotosíntesis, según Barceló et al. (1992), constituye el
proceso fundamental de la vida, puesto que supone la fijación de energía luminosa y su
transformación en energía química mediante la síntesis de materia orgánica por las plantas
iluminadas, por medio de una reacción de oxidorreducción en la que un donador de electrones, el
agua, se oxida y un aceptor, el anhídrido carbónico u otro aceptor adecuado, nitrato o sulfato, se
reduce. En las plantas superiores, este proceso tiene lugar en los cloroplastos presentes en sus
órganos asimiladores, fundamentalmente las hojas. La fotosíntesis consta de una reacción
fotoquímica seguida de otra oscura, que no precisa de luz para llevarse a cabo. La captación de la
energía de la radiación luminosa por los vegetales, necesaria en la primera reacción de la
fotosíntesis, se debe a los pigmentos fotosintéticos (clorofilas, carotenoides y ficobilinas) localizados
en los tilacoides de los cloroplastos, de manera que estos pigmentos, con la excitación que les
produce la radiación incidente de longitudes de onda determinadas (entre 400 y 700 nm),
proporcionan a la reacción de oxidorreducción los electrones imprescindibles para que se produzca
(Martínez de Toda, 1991; Barceló et al., 1992; Gil, 1995). De las vías existentes en las plantas para la
fijación del CO2, C-3, C-4 y CAM (“Crassulaceous Acid Metabolism”) (Gardner et al., 1990; Barceló et
al., 1992; Gil, 1995), la vid utiliza la primera ruta, que emplea el ácido fosfoglicérico (PGA,
“Phosphoglyceric Acid”) como primer producto resultante en ella (Martínez de Toda, 1991).
Numerosos factores afectan a la fotosíntesis, unos son internos, tales como el tipo de ruta
fotosintética (C-3, C-4 o CAM), el contenido en clorofila, la edad de la hoja, el transporte de hidratos
de carbono, la superficie foliar y las condiciones de desarrollo de la hoja; otros son factores
ambientales, como la iluminación, la temperatura ambiente, las concentraciones de CO2 y de O2, el
agua y la nutrición mineral (Gardner et al., 1990; Guardiola y García, 1990; Martínez de Toda, 1991,
Barceló et al., 1992; Gil, 1995; Hidalgo, 2002; Reynier, 2002). Los niveles óptimos de algunos
factores ambientales para la vid son, según Martínez de Toda (1991) entre 25 y 30ºC para la
temperatura, de 1.000 a 3.000 ppm para la concentración de CO2, con un punto de compensación
para la iluminación situado entre 400 y 1.000 lux y niveles óptimos de la misma que oscilan entre
35.000 y 50.000 lux, márgenes que varían según el cultivar, el momento y las condiciones
ambientales y de cultivo.
Otra de las funciones mencionadas es la transpiración, que representa, en la definición de Gil
(1995), la pérdida de agua por evaporación que se produce fundamentalmente en la parte aérea de
los vegetales. En sí mismo, no es un fenómeno que se haya demostrado que sea esencial para la
vida de los vegetales, pero representa una adaptación evolutiva que determina el flujo del agua y de
nutrientes desde el suelo, que participa en la regulación térmica de los órganos de la planta y que
influye en el grado de crecimiento de los vegetales. La mayor parte del agua de la planta que se
evapora lo hace en las hojas, debido a sus características anatómicas y la elevada relación
14
superficie-volumen de las mismas (Guardiola y García, 1990). Son muchos los factores que influyen
en las tasas de transpiración (Guardiola y García, 1990; Martínez de Toda, 1991; Barceló et al., 1992;
Gil, 1995), tales como la humedad de la atmósfera, la humedad del suelo, la concentración de CO2
atmosférico, la iluminación, la concentración de oxígeno, la temperatura del aire, la velocidad del
viento, la salinidad del suelo, el taxón al que pertenezca el vegetal, su estructura, las características
de las hojas (forma, estructura, tamaño, contenido de agua, edad, inclinación, temperatura), siendo la
radiación solar incidente absorbida la que mejor se correlaciona con la transpiración (Gil, 1995). En
general, las plantas con una alta relación brote/raíz y un área foliar elevada transpiran más
intensamente que las que poseen un área foliar pequeña, aunque la tasa transpiratoria por unidad de
superficie pueda ser menor (Gil, 1995), lo que se pone de manifiesto con una mayor tasa de
transpiración en plantas de vid más vigorosas frente a otras más debilitadas (Reynier, 2002).
La respiración, por otro lado, como señalan Barceló et al. (1992), está constituida por el conjunto
de reacciones de oxidorreducción mediante las cuales ciertos compuestos de la planta
(carbohidratos, grasas, ácidos grasos y, más raramente, proteínas) son oxidados hasta transformarse
en CO2, mientras que el O2 absorbido por la planta es reducido hasta formar H2O, con liberación de
energía. La respiración vegetal posee dos componentes significativamente diferentes (Gil, 1995) que
son la respiración basal o de oscuridad, netamente citoplasmática y mitocondrial, y la fotorrespiración,
de la que se hablará más adelante. Cuantitativamente, la respiración es de pequeña magnitud
respecto a la fotosíntesis en los tejidos fotosintéticos (alrededor de un 5%), pero si se considera el
conjunto de la planta, el balance, aunque todavía favorable a la fotosíntesis, ya no lo es tanto, dada la
existencia de tejidos no sintéticos (tallos, flores, frutos, etc.) y menos aún si se consideran
conjuntamente los períodos de luz y oscuridad, pudiendo llegar a representar entonces más del 50%
de la fotosíntesis (Gil, 1995). Los factores ambientales influyen decisivamente sobre la magnitud de
las tasas respiratorias de los vegetales, siendo los efectos más significativos los que corresponden a
la temperatura, las concentraciones respectivas de O2 y CO2 y la intensidad de la luz, además del
estado nutricional mineral, la disponibilidad y el balance hídrico, la presencia de heridas y las
alteraciones por traumatismos, entre otros (Barceló et al., 1992; Gil, 1995). En las hojas, con la edad,
disminuye la tasa respiratoria, y también influyen las condiciones de ontogenia y crecimiento de las
mismas (Gil, 1995).
Por lo que respecta a la fotorrespiración, antes mencionada, ésta supone la liberación de CO2,
diferente de la producida por la respiración mitocondrial, que tiene lugar en las hojas estimulada por la
luz (Martínez de Toda, 1991), liberación que es importante en las plantas C-3 e inexistente o muy
pequeña en las plantas C-4, y que no se conoce con certeza que desempeñe ninguna función
esencial en la planta, considerándose generalmente como una pérdida para ésta (Guardiola y García,
1990), aunque podría estar implicada en tareas de disipación de la energía en condiciones en que
ésta no puede utilizarse para la reducción del CO2 y prevenir, de este modo, fotooxidaciones y
fotodestrucciones del aparato fotosintético (Gil, 1995). Se ha comprobado que la fotorrespiración
queda inhibida cuando la relación CO2/O2 es grande (Martínez de Toda, 1991).
Finalmente, el transporte de asimilados en los vegetales se produce al existir una proporción de
tejidos heterótrofos que requieren, para su normal desarrollo y funcionamiento, un suministro de
sustancias orgánicas sintetizadas por los tejidos fotosintéticos (Gil, 1995). Además, durante algunas
fases de la ontogenia, la disponibilidad de metabolitos en la planta supera a las necesidades,
produciéndose un exceso que es transportado a órganos diversos (raíces, troncos, órganos
reproductivos, órganos específicos de reserva, hojas adultas en plantas perennifolias, etc.) donde se
acumula transitoriamente en forma de reservas para ser utilizado posteriormente en aquellas fases en
que el consumo supera la capacidad de absorción y síntesis (Guardiola y García, 1990). La
distribución de fotoasimilados en la planta tiene lugar por el floema (Guardiola y García, 1990),
transporte que no tiene polaridad, puede ser ascendente o descendente, y se dirige desde las fuentes
a los sumideros de fotoasimilados y, además, puede variar de sentido con el tiempo según la fase de
desarrollo en la que se encuentre la planta (Guardiola y García, 1990; Martínez de Toda, 1991; Gil,
1995). En la traslocación de fotoasimilados influyen la temperatura, la iluminación, el gradiente de
concentración, la nutrición mineral, la tensión hídrica, la respiración y el balance hormonal (Guardiola
y García, 1990; Gil, 1995).
En el caso de la vid, el transporte de productos fotoasimilados hacia los diferentes órganos de la
planta tiene gran importancia sobre el rendimiento productivo, ya que bajo unas condiciones muy
favorables a la fotosíntesis, el exceso de fotoasimilados provocado se dirige hacia el crecimiento de
los pámpanos, convirtiéndose éstos en competidores ventajosos sobre el crecimiento reproductivo, no
aumentando necesariamente la producción de fruto (Martínez de Toda, 1991). En la fase final del
ciclo vegetativo anual de la vid tiene lugar el proceso de acumulación de reservas, en forma de
15
almidón, en diversas partes de la planta, tales como pámpanos, tronco, yemas latentes y raíces, con
asimilados procedentes de las hojas, en su mayor parte (Martínez de Toda, 1991; Reynier, 2002).
3.4. Importancia agrónomica del sistema foliar de los cultivos. El caso de la vid.
El área foliar es uno de los principales factores que determinan las funciones principales de la
hoja, como la interceptación total de la energía luminosa por parte de las plantas, lo que a su vez
afecta a la fotosíntesis, a la transpiración, a la acumulación de materia seca y al crecimiento y
desarrollo de los cultivos (Briggs et al., 1920; Rhoads y Bloodworth, 1964; Pearce et al., 1965; Pearce
et al., 1967; Coombs y Hall, 1982; Lieth y Reynolds, 1984; Gardner et al., 1990). Concretamente, el
crecimiento de las plantas, la acumulación de materia seca y, en consecuencia, el rendimiento final
de los cultivos, es el resultado de la asimilación neta de CO2 durante su ciclo vegetativo, lo que a su
vez depende de la energía de la radiación luminosa absorbida y de la eficiencia en su utilización por
parte de la planta y, como se ha señalado anteriormente, para que una planta pueda utilizar
eficientemente la energía del PAR incidente, ésta debe ser absorbida por sus tejidos verdes, que son
los que tienen capacidad fotoasimiladora, siendo de ellos las hojas, en general, los principales
responsables tanto de la interceptación del PAR incidente como de la realización de la fotosíntesis
(Barceló et al., 1992), por lo que la cuantía de área foliar disponible será determinante en estos
procesos.
Por ello, la agricultura actual hace cada vez más necesario tener un profundo conocimiento de
todos los procesos fisiológicos que forman parte de los ciclos que afectan a los cultivos (biológico,
climático, edáfico y fitotécnico), siendo el área foliar un parámetro biológico imprescindible en la
caracterización de procesos como el crecimiento y desarrollo vegetativo, en el estudio del efecto que
las diferentes técnicas de cultivo (conducción, poda, programación de riego, fertilización, etc.) tienen
sobre el comportamiento agronómico de la plantación, habiéndose demostrado su importancia para
valorar el potencial productivo de los cultivos (Gallagher y Biscoe, 1978). Por ello, esta variable se
emplea en la mayoría de los modelos de evapotranspiración, fotosíntesis, crecimiento de los cultivos,
rendimiento productivo, en los modelos que simulan los intercambios de calor, energía, agua o
nutrientes en el continuo suelo-agua-planta-atmósfera y la eficiencia en el uso del agua o de la
radiación fotosintéticamente activa (PAR), o en aquellos otros que cuantifican la competencia entre
cultivos y malas hierbas, por citar algunos. De todo ello conviene hacer, al menos, una breve revisión.
En el caso de la energía de la radiación luminosa, cuando se analiza el balance del PAR y sus
componentes (Gosse et al., 1986; Gallo y Daughtry, 1986; Asrar et al., 1989), se observa que no toda
la radiación incidente potencialmente útil para la fotosíntesis es utilizada por las plantas, ya que una
parte de ella es reflejada por la cubierta vegetal y otra porción se transmite a través de la cubierta
vegetal y tampoco es aprovechada. A la radiación fotosintéticamente activa utilizada por las plantas
se la denomina PAR absorbido y su cuantía depende de la arquitectura foliar de la cubierta vegetal
(Mabrouk et al, 1997b; Falster y Westoby, 2003) y es función de la temperatura y de la disponibilidad
de agua en el suelo (Charles-Edwards et al., 1986). En el caso de la vid, Smart (1973) desarrolló un
modelo numérico con el fin de analizar la interceptación de la iluminación por este tipo de cubiertas.
Por otra parte, la calidad y la cantidad de la radiación cambia con la profundidad de la cubierta
vegetal por el efecto de la atenuación del PAR al atravesarla, lo que se puede enunciar
matemáticamente según la ley de Lambert-Beer mediante la expresión (Monsi y Saeki,1953):
-k.LAI
Ii/I0 = e (1)
donde: I0 es el PAR por encima de la planta, Ii es el PAR por debajo del estrato i-ésimo de hojas,
LAI es el índice de área foliar (Watson, 1947), e es la base de los logaritmos naturales y k es el
coeficiente de extinción de la cubierta vegetal o coeficiente de transmisión de la luz, que
fundamentalmente incluye el ángulo de las hojas y el modo en que se distribuyen éstas en la cubierta
(Thiagarajah et al., 1981; Gardner et al, 1990; Rosenthal y Gerik, 1991). En varios estudios realizados
sobre cultivos herbáceos se comprobó que la eficiencia en la interceptación del PAR se podía
enunciar en función del LAI, con una expresión, que, por ejemplo, en el caso de la alfalfa (Medicago
sativa L.) es (Gosse et al., 1982):
-0,88.LAI
i = 0,97.(1-e ) (2)
donde: i es la eficiencia en la interceptación del PAR y e es la base de los logaritmos naturales.
Bonhomme et al. (1982) obtuvieron una relación similar para maíz (Zea mays L.):
-0,7.LAI
i = 0,46.(1-e ) (3)
Para la de vid, se constata que en una cubierta vegetal densa, con un LAI elevado, la eficiencia en
la interceptación de la radiación es alta, de tal modo que una hoja bien expuesta a la luz transmite tan
sólo un 6% de la radiación que recibe (Brossier, 1999). Sin embargo, como la cubierta de la vid,
16
tomada en conjunto, resulta ser discontinua y espacialmente heterogénea, se complica la

caracterización de su estructura geométrica mediante los índices empleados para cultivos
homogéneos, como el LAI o el índice de cobertura del terreno (Mabrouk et al., 1997a), y, por tanto, el
uso de los modelos indicados para el cálculo de la eficiencia de la interceptación del PAR. No
obstante, aunque se han empleado otros índices utilizados en plantas aisladas, como la densidad
foliar (Carbonneau, 1979; Smart, 1985; Reynolds y Wardle, 1989a,b) e incluso índices
específicamente desarrollados para vid, como SFEp (Superficie Foliar Específica potencial)
(Carbonneau, 1980, 1989) y LLN (Número de hojas por nivel; “Leaf Layer number”) (Smart, 1988),
sigue siendo el LAI, con sus limitaciones, el más empleado.
En relación con el crecimiento, desarrollo y rendimiento de los cultivos, muchos han sido los
intentos hechos para establecer las relaciones que existen entre estos procesos y los factores del
medio (Hooker, 1907; Blackman, 1919; Briggs et al, 1920; Azzi, 1959; Turc, 1972, Dagneaud y
Tranchefort, 1985; i.a.), labor que se ha facilitado en gran medida con las cámaras fisiológicas o
fitotrones al permitir estudiar la influencia de determinadas condiciones ambientales controladas
sobre los cultivos. Uno de los métodos existente, empleado desde hace varias décadas, es el análisis
de crecimiento y desarrollo, que ha proporcionado información sobre la influencia del clima y otros
factores del medio y culturales en los procesos fisiológicos determinantes del rendimiento,
conjugando dos conceptos diferentes: el crecimiento y el desarrollo de los cultivos (de Juan et al.,
1992).
El área foliar, una vez más, es clave para realizar un análisis del crecimiento y desarrollo (Hunt,
1982), ya que es una de las mediciones primarias necesarias, junto con el peso total de la materia
seca de toda la planta y, a menudo, el peso de la materia seca de los diversos órganos de la planta
(tallos, hojas, etc.), expresadas todas ellas sobre unidad de superficie del terreno. Además de los
datos primarios, se emplean también determinados índices que se calculan a partir de aquellos,
algunos de los cuales son ampliamente utilizados en la investigación agrícola al resultar necesarios
para evaluar y determinar la influencia de ciertos factores ambientales y distintas técnicas culturales
sobre diversos fenómenos biológicos y así obtener información sobre algunos factores fundamentales
del crecimiento y desarrollo de los cultivos (Faberio, 1995); estos son: Índice de área foliar (LAI, “Leaf
Area Index”), Intensidad de crecimiento del cultivo (CGR, “Crop Growth Rate), Velocidad de
crecimiento relativo (RGR, ”Relative Growth Rate”), Velocidad de asimilación neta (NAR, ”Net
Assimilation Rate”), Proporción de área foliar (LAR, “Leaf Area Ratio”) y Duración del área foliar (LAD,
”Leaf Area Duration”).
El protagonismo del área foliar es evidente en el índice LAI y, por medio de éste, en NAR, LAD y
LAR, a la vista de sus definiciones, en las que el LAI es uno de los factores (Gardner et al., 1990),
mientras que su participación en los dos restantes, CGR y RGR se establece indirectamente como
consecuencia de la influencia del área foliar sobre las funciones fisiológicas en las que participa la
hoja, determinantes del crecimiento del cultivo, fundamentalmente interceptación de la radiación,
fotosíntesis y respiración.
Los estudios de crecimiento y desarrollo se pueden abarcar desde dos enfoques diferentes, el
método clásico (Sestak et al., 1971; Hunt, 1978) y el método funcional o dinámico (Radford, 1967;
Venus y Causton, 1979; Hunt, 1978, 1979 y 1982; France y Thornley, 1984), estando más difundido el
uso del segundo por las ventajas que ofrece (de Juan et al., 1992).
El método es ampliamente empleado en la investigación agronómica, ofreciendo la posibilidad de
evaluar la influencia de la variabilidad ambiental, agronómica y genética sobre el crecimiento y
desarrollo de las plantas con la finalidad de mejorar la productividad de los cultivos (Botella, 1993). El
interés agronómico de estas metodologías se pone de manifiesto por los muchos estudios realizados
empleando las técnicas del análisis cuantitativo y fisiológico de crecimiento y desarrollo con el
objetivo de proporcionar información para la elaboración del rendimiento tanto a fitomejoradores como
a fitotécnicos. La tipología de ensayos a los que son aplicables es muy amplia y variada (de Juan et
al. 1992), realizados con la intención de aportar al agricultor datos para que racionalice el empleo de
los recursos disponibles y obtenga una mayor rentabilidad económica en su explotación agrícola.
Otra aproximación al estudio de las relaciones entre los procesos que afectan a los cultivos son los
modelos de simulación (Penning de Vries, 1983), que pueden servir de ayuda en la planificación y en
la toma de decisiones de los agricultores en múltiples aspectos (rotaciones, alternativas,
programación de riegos, fertilización, tratamientos fitosanitarios, laboreo, podas, sistemas de
conducción, etc.), simulando análisis que cuantifiquen la producción potencial y los riesgos a los que
está sujeta (Hammer et al., 1995). En la actualidad hay modelos disponibles para simular aspectos
climáticos, hidrológicos, mecánicos, de balance de nutrientes, de crecimiento, de desarrollo, etc.,
todos con una fuerte base eco-fisiológica (Fernández y López-Bellido, 1993).
17
La complejidad del sistema que involucra al cultivo con su entorno puede recomendar dividirlo en
subsistemas, lo que reporta una serie de beneficios (Baker y Curry, 1976) y que supone que los
modelos que se diseñan habitualmente consten de una serie de submodelos que integran
simulaciones de distintos procesos tales como la fotosíntesis, la transpiración, la distribución de la luz,
el balance hídrico o el balance de nitrógeno, entre otros (Fernández y López-Bellido, 1993).
Los datos necesarios para desarrollar un modelo de simulación en agricultura dependerán de la
especie en estudio y del tipo de modelo a construir, pero en todos los casos se requerirán datos sobre
el propio cultivo, como el área foliar (Driessen, 1986), y su manejo, así como de variables macro y
microambientales ligadas al clima y al suelo (Fernández y López-Bellido, 1993). En el caso del área
foliar de una cubierta, ésta es una variable importante en los modelos realizados para predecir el
crecimiento de los cultivos y su rendimiento (Aase, 1978; Knisel, 1980; Steinhorst et al., 1985;
Manrique et al., 1990), en aquellos que cuantifican la competencia entre cultivos y malas hierbas o los
que simulan los intercambios de calor, energía y agua en el continuo suelo-agua-planta (Yin et al.,
2003). La importancia del LAI se observa en modelos de productividad de la biomasa (McLeon y
Running, 1988) o en el estudio de la interceptación de la radiación (Lang y Kiang, 1986; Norman y
Campbell, 1989), por ejemplo.
Concretamente, hay modelos de producción (Hammer et al., 1995; Kiniry et al., 1996) que
emplean datos de área foliar del cultivo, además de climáticos, hídricos y de desarrollo del cultivo.
Igualmente en los modelos de simulación de la fotosíntesis es frecuente emplear el LAI como una de
las variables a introducir (Hodges y Kanemasu, 1977; Acock et al., 1978; Hammer et al., 1987; Center
y Verma, 1997; Lafarge y Hammer, 2002).
Cuando se trata de modelizar el balance del agua en el sistema suelo-planta-atmósfera, se debe
tener en cuenta tanto el desarrollo de la planta al nivel radicular y del área foliar, como los procesos
de transpiración y evaporación, así como las reservas de agua del suelo (Leenhardt et al., 1995,
Hebert y Jack, 1998). Para el cálculo de la evapotranspiración se tiene en cuenta el LAI del cultivo en
modelos como ALMANAC (Kiniry et al., 1992), CERES_Maize (Jones y Kiniry, 1986), SORKAM
(Rosenthal et al., 1989) y otros modelos (Al Kaisi et al., 1989; Brisson et al., 1992; Gardiol et al.,
2002).
Cuando se simula la competencia entre plantas del mismo o de diferentes cultivos se emplea
información de la superficie foliar específica (Bauman et al., 2002), que en el modelo INTERCOM
(Kropff y Van Laar, 1993) se complementa con otros parámetros fisiológicos, morfológicos y
fenológicos. Cuando el modelo simula la competencia entre un cultivo y las malas hierbas, el
parámetro utilizado es el índice de área foliar (Rijsdijk, 1986).
En los modelos de pérdida de cosecha por la incidencia de plagas es importante conocer el índice
de área foliar verde (GLAI, “Green leaf area index”), que definen Bryson et al. (1997) como el número
de unidades de superficie verde de hojas por unidad de superficie del terreno y proponen un método
de campo rápido para determinarlo.
Se han empleado modelos ecofisiológicos que contemplaban la participación de la superficie
específica foliar para identificar caracteres cualitativos en cebada (Yin et al., 1999).
La determinación de la relación cuantitativa entre LAI y el contenido en nitrógeno de la cubierta es
necesaria para realizar modelos de rendimiento de los cultivos en los que se tenga en cuenta el
balance del nitrógeno (Yin et al., 2003)
La cuantificación de la reducción de cosecha, utilizable para la tasación de daños indirectos
provocados por tormentas de granizo, pasa por determinar el grado de pérdida de área foliar
producido (Muro et al., 1991; Muro et al., 1994).
Finalmente, en el caso de la vid, en el modelo de simulación de Bindi et al. (1997), el desarrollo del
área foliar se define como función de la temperatura, mientras que la biomasa es función de la
radiación interceptada, que a su vez es función del LAI.
3.5. Métodos utilizados para la determinación del área foliar.
Como consecuencia de la importancia de disponer de una cuantificación del área foliar,
numerosos trabajos de investigación han abordado su estudio a lo largo del tiempo, lo que ha dado
lugar a la descripción de numerosos métodos para su valoración. Tomando como base las diversas
revisiones realizadas sobre los métodos existentes en cada momento (Thoday, 1909; Darrow, 1932;
Frear, 1935; Miller, 1938; Lal y Subba Rao, 1951; Milthorpe, 1956; Kvet et al., 1966; Kvet y Marshall,
1971; Daughtry, 1990; Larsen y Kershaw, 1990), se puede establecer una clasificación sobre la base
de dos claves (Marshall, 1968): 1) métodos destructivos y no destructivos, y 2) métodos directos,
18
indirectos, de estimación y comparativos, a los que se les pueden añadir los métodos que emplean el
análisis de imágenes.
Los métodos destructivos, que son los que habitualmente se emplean en el laboratorio, requieren
la destrucción de las hojas y no permiten, por tanto, repetir las mediciones en las mismas plantas en
épocas distintas. Por el contrario, los métodos no destructivos no requieren la destrucción de la
muestra, con lo que se salvan los inconvenientes señalados.
La clasificación que se presenta a continuación agrupa los métodos en directos, indirectos, de
estimación, de comparación y métodos que emplean el análisis de imágenes, señalando, en cada
caso, si su aplicación conlleva o no la destrucción de las hojas medidas.
Dada la cantidad y diversidad de métodos propuestos para cuantificar el área foliar, la elección del
mejor método dependerá, en cada caso, de cuanto material vegetal se pueda medir, de la precisión
necesaria, del tiempo y del personal disponibles (Kvet y Marshall, 1971) y de si es necesario o no
mantener inalterado el entorno de la planta.
3.5.1. Métodos directos.
Los métodos directos miden el área directamente sobre la hoja, con la ayuda de algún
instrumento. Son métodos muy precisos, pero que requieren mucho tiempo y trabajo y, por ello, su
uso es limitado.
3.5.1.1. Método del papel milimetrado.
En este método, la hoja es colocada sobre un papel o una rejilla, milimetrados en ambos casos,
dibujando su contorno con la mayor precisión posible. Se obtiene el área foliar contando el número de
cuadros que hay dentro del contorno dibujado (Goodall, 1947; Winter et al., 1956).
Una modalidad no destructiva de éste método, adaptación para su uso en el campo, consiste en
usar una rejilla cuadriculada y una lámina de papel entre las cuales se coloca la hoja a medir;
contando al trasluz los cuadros comprendidos dentro del contorno de la hoja se obtiene el área foliar
(Vyvyan y Evans, 1932).
Otra variante no destructiva del método del papel milimetrado, igualmente para su empleo en
condiciones de campo, es el conteo de puntos. Para ello, se emplea una red punteada con
separación uniforme entre los puntos. El área de la hoja se obtiene contando los puntos que estén
sobre la hoja, teniendo en cuenta la relación entre le número de puntos y el área (Negisi et al., 1957;
2
Henicke, 1963). Este método mejora la precisión del método del papel milimetrado (0,5 cm ), pero no
lo suficiente como para compensar el tiempo extra que requiere (Negisi et al., 1957).
En una aplicación de laboratorio se automatizó el conteo de los puntos mediante un dispositivo
electrónico que recogía el número de puntos que son cubiertos por la hoja (Bachman y Keller, 1965).
3.5.1.2. Método planimétrico.
Con el método planimétrico se obtiene el contorno de la hoja mediante el trazado sobre papel o la
impresión sobre papel fotosensible. El área contenida dentro del contorno es medida con un
planímetro (Brown y Escombe, 1905; Clements y Goldsmith, 1924; Frear, 1935; Miller, 1938; Paquin y
Coulombe, 1959). Se han desarrollado planímetros-digitalizadores portátiles (Daughtry, 1990) que
permiten realizar las medidas de forma rápida, precisa y no destructiva, pero que sólo son
recomendables para plantas pequeñas con pocas hojas (Nyakwende et al., 1997).
3.5.1.3. Método gravimétrico.
Para aplicar esta metodología se traza el contorno de la hoja sobre un papel que tenga una
distribución de peso uniforme respecto a la superficie, posteriormente se recorta la silueta y se pesa.
El área foliar se obtiene por la relación existente entre el peso del papel y su área antes y después de
recortar la silueta de la hoja (Frear, 1935; Miller, 1938; Ruck y Bolas, 1955).
3.5.2. Métodos indirectos.
Los métodos indirectos emplean alguna propiedad variable de la hoja que se pueda medir y que
esté correlacionada con el área foliar. Todos ellos precisan menos tiempo y trabajo que los métodos
directos, pero en muchos casos siguen requiriendo realizar las mediciones en el laboratorio, lo que
conlleva la destrucción de las hojas medidas.
3.5.2.1. Método de interceptación de la luz.
Éste es un método de laboratorio en el que se utiliza un instrumento, denominado planímetro
fotoeléctrico o integrador de área foliar, capaz de medir la cantidad de luz interceptada por una hoja
transformándola en una unidad de superficie (Gerdel y Salter, 1928; Frear, 1935; Withrow, 1935;
19
Mitchell, 1936; Hibbard et al., 1937; Kramer, 1937; Milthorpe, 1942; Conibear y Furmidge, 1960, Kvet
y Marshall, 1971). El principal problema encontrado en este método es que la transmisión de la luz
varía con la especie, edad, condiciones de desarrollo de la hoja e, incluso, con la disposición y el
tamaño de la muestra en el instrumento, para lo que se han buscado soluciones múltiples tales como
reducir la intensidad de la luz (Mitchell, 1936), obtener un factor corrector de la transmisión (Withrow,
1935; Kramer, 1937), usar filtros de luz (Gavrilov y Eremenko, 1959; Hurd y Rees, 1966) o tener en
cuenta la relación entre la resolución del instrumento y el tamaño de la muestra (Biscoe y Jagaard,
1985), llegándose a diseñar un planímetro fotoeléctrico que eliminara alguno de los errores (Batyuk et
al., 1959). También hay que tener presente que el instrumento puede subestimar el área de las hojas
amarillentas debido a que éstas transmiten más luz que las hojas verdes (Tsuda, 1999), lo que se
puede solucionar empleando en el medidor de área fotocopias de las hojas en lugar de medir
directamente las hojas frescas.
Actualmente, se dispone en el mercado de planímetros fotoeléctricos o integradores automáticos
de área foliar que solucionan la mayoría de los problemas enumerados anteriormente y que se
pueden utilizar sin necesidad de calibración y con todo agrupamiento de hojas (Hatfield et al., 1976).
Incluso algunos integradores automáticos son portátiles, por lo que su utilización no requiere la
destrucción de las hojas; este es el caso, entre otros, del equipo LI-3100 (Li-Cor Inc., Lincoln,
Nebraska) cuyo uso está muy extendido.
A pesar de ello, una de las desventajas del planímetro fotoeléctrico es su limitada capacidad, lo
que por otra parte se puede salvar dividiendo las hojas en fragmentos de tamaños tales que el
instrumento permita su medición, sumando posteriormente las distintas mediciones correspondientes
a las porciones de una misma hoja. Otra forma de soslayar este problema consiste en utilizar el
instrumento con una reducción fotográfica a una escala conocida de la hoja a medir (Schwabe, 1951;
Hughes, 1964; Geyger, 1964). En este caso, su uso puede no requerir la destrucción de la muestra
cuando las imágenes fotográficas de las hojas sean captadas directamente en el campo.
El uso del integrador de área foliar está muy extendido en los trabajos de investigación en los que
se valoran diferentes métodos de determinación del área foliar, empleando el área de las hojas
obtenida con este instrumento como el área real de la misma en el momento de hacer los ajustes y
cálculos necesarios en cada caso.
3.5.2.2. Método de interceptación de una corriente de aire.
En este método las hojas se interponen entre una fuente de aire y un receptor (línea de vacío) y se
mide la resistencia, expresada en términos de área foliar, ofrecida a la corriente por la hoja por medio
de un balance entre dos líneas de corriente (Jenkins, 1959). Se requiere la destrucción de la muestra
y no es muy empleado.
3.5.2.3. Método del spray acuoso
Este método de laboratorio, desarrollado por Korva y Forbes (1997), necesita para su aplicación
una balanza de gran precisión, un recipiente con spray acuoso para producir una fina y homogénea
capa de líquido, una pieza de material no poroso de área y peso conocidos, como cartón recubierto
por plástico, y un paño para secar esta pieza entre mediciones. Para su aplicación, se sitúa la hoja a
medir sobre la pieza antes mencionada, se rocía el conjunto con una fina capa de spray acuoso y se
realizan las siguientes pesadas: peso de la pieza de cartón impermeabilizado (a); peso de la pieza de
cartón impermeabilizado más la hoja que se mida y el spray acuoso distribuido (b); peso de la pieza
de cartón impermeabilizado más el peso del spray acuoso una vez retirada la hoja (c). El cálculo de la
superficie foliar se basa en asumir que la proporción de spray acuoso que cubre la hoja (b-c) respecto
de la cantidad total de spray acuoso rociado (b-a) es igual a la proporción del área foliar respecto al
área total de la pieza de cartón impermeabilizado.
Las mediciones del área foliar obtenidas por este método resultaron estar altamente
correlacionadas con las obtenidas con un equipo electrónico, correlación superior a la existente entre
el área foliar y el peso seco de la hoja (Korva y Forbes, 1997). El método presenta las ventajas de su
elevada precisión, obtención de resultados inmediatos y bajo coste y, aunque resulta laborioso, puede
ser sustitutivo en ocasiones de los equipamientos electrónicos. En cualquier caso, su aplicación
requiere la destrucción de las muestras.
3.5.3. Métodos de estimación.
Los métodos de estimación se basan en el establecimiento de una relación matemática entre el
área foliar y alguna característica de la hoja que se pueda medir, como pueden ser alguna medida
lineal de la hoja o el peso de la misma.
20
3.5.3.1. Métodos de estimación basados en medidas lineales de la hoja.

Los parámetros lineales de la hoja más empleados para ser relacionados con el área foliar son la
longitud y la anchura de la misma, entendiendo por longitud la distancia entre el ápice terminal y la
inserción peciolar y por anchura la medida del mayor eje inscrito en la hoja perpendicular al eje de la
longitud, aunque algunas otras medidas lineales han sido utilizadas con algún éxito. Esta técnica se
puede emplear sin necesidad de destruir la muestra, obteniendo las mediciones lineales de las hojas
en el campo. El método ha sido muy empleado a lo largo del tiempo por la facilidad que supone su
uso cuando existe alguna relación matemática basada en algún parámetro lineal fácil de medir.
Las funciones empleadas para estimar el área foliar en función de alguna o algunas medidas
lineales de las hojas varían claramente entre especies, aunque también según el estadio de
desarrollo, genotipo, estación de crecimiento (Kvet y Marshall, 1971) y edad de las hojas (Astegiano y
Favaro, 1987).
En la Tabla nº 1 se recogen algunos de los estudios que han empleado esta técnica para la
determinación del área foliar.
La expresión matemática de la Ec. (1) (Tabla 1) que relaciona linealmente el área foliar y el
producto de la longitud por la anchura de la hoja, y en algunos casos otros parámetros, ha sido objeto
de multitud de trabajos. Por ejemplo, McKee (1964) obtuvo un coeficiente que permite conocer el área
foliar en maíz (Zea mays L.) a partir de medidas de la longitud y de la anchura, siendo el método más
preciso el que utilizaba la Ec. (1) (Tabla 1), empleando como variable independiente el producto de la
longitud por anchura. La misma relación ya había sido probada en algodón (Gossypium hirsutum L.)
(Ashley et al., 1963), con buenos resultados y aún antes en otros cultivos (Tabla 1). Giovanardi (1972)
obtuvo también como parámetro más significativo el de la longitud por la anchura, en un estudio
semejante sobre área foliar en maíz (Zea mays L.). En estudios recientes, Lu et al. (2004) emplearon
medidas lineales de longitud y anchura de diversas partes de la hoja de taro (Colocasia esculenta (L.)
Schott) con la Ec. (1) (Tabla 1), encontrando que las mejores predicciones se conseguían al emplear
el producto de alguna de las medidas de longitud con alguna de las medidas de anchura, frente a las
que incluían únicamente una longitud o el producto de dos de ellas.
Payne et al. (1991), con mijo perla (Pennisetum glaucum (L.) R. Br.), obtuvieron unas
correlaciones muy altas entre el área foliar y el producto de la longitud por la anchura de la hoja al
emplear la Ec. (2) (Tabla 1). Astegiano et al. (2001) determinaron que la función general que mejor
estimaba el área foliar en varios cultivares de tomate (Lycopersicon esculentum Mill.),
independientemente del tamaño de la hoja y del cultivar, era una función lineal del tipo de la Ec. (2)
(Tabla 1), donde el producto de la longitud por la anchura máxima de la hoja era la variable
independiente.
En pepino (Cucurbita pepo L.), Robbins y Pharr (1987) compararon varios modelos (Ecs. (2) y (3);
Tabla 1) para estimar el área foliar a partir de medidas lineales (longitud y anchura), obteniéndose
unas correlaciones muy altas en los modelos utilizados. Por su parte, Bange et al. (2000), usando la
Ec. (3) (Tabla 1) con girasol (Helianthus anuus L.), concluyeron que las mejores determinaciones del
área de hojas individuales requerían la medida tanto de la longitud como de la anchura.
En el estudio alométrico realizado por Schwarz y Kläring (2001) en tomate (Lycopersicon
esculentum Mill.), determinaron que las mejores estimaciones del área foliar se conseguían
empleando como variable independiente, en las Ecs. (5) y (6) (Tabla 1), únicamente la anchura de la
hoja, no mejorando la estimación al emplear en su lugar el producto de longitud por anchura, en
contra de lo indicado en otras estimaciones realizadas igualmente para tomate (Dumas, 1990;
Balakrishnan et al., 1992).
Varios autores, entre ellos Lal y Subba Rao (1951), propusieron la relación de la Ec. (7) (Tabla 1)
para estimar el área foliar en cereales.
En cebolla se utilizó un método en el que se relacionaba, mediante una función logarítmica lineal
(Ec. (8); Tabla 1), el área de la hoja y su longitud (Hoffman, 1971). Además, se comprobó que la
humedad relativa ambiental y la salinidad del suelo no modifican esa relación. Esta misma relación
logarítmica la han empleado otros autores, como Epstein y Robinson (1965) en patata (Solanum
tuberosum L.), Wendt (1967) en algodón (Gossypium hirsutum L.), sorgo (Sorghum bicolor Moench) y
ricino (Ricinus comunis L.), Payne et al. (1991) en mijo perla (Pennisetum glaucum (L.) R. Br.) o
Kandiannan et al. (2002) con pimienta negra (Piper nigrum L.), obteniendo correlaciones muy
elevadas. Wiersma y Bailey (1975) emplearon la misma función logarítmica en soja (Glycine max (L.)
Merr.), pero las mejores correlaciones las obtuvieron empleando como variable independiente el
producto de la longitud por la anchura de la hoja.
21
Tabla 1. Resúmen de los métodos de estimación del área foliar basados en medidas lineales de la hoja
descritos en la bibliografía consultada.
Variables
Expresión matemática Autores Cultivo
independientes
Lyon (1948) Tomate L.A
Ackley et al. (1958) Vid y varios frutales L.A
Suggs et al. (1960) Tabaco L.A
Stickler et al. (1961) Sorgo L.A
Spencer (1962) Tapioca L.A
Ashley et al. (1963) Algodón L.A
McKee (1964) Maíz L.A
Carleton y Foote (1965) Cebada L.A
Bhan y Pande (1966) Arroz L.A
S=a.x
Johnson (1967) Algodón L2, L . A
(1)
Murata (1967) Arroz L.A
Giovanardi (1972) Maíz L.A
Krishnamurthy et al. (1973) Sorgo L.A
Palaniswamy y Gomez (1974) Arroz L.A
Ray y Singh (1989) Pimiento L.A
Balakrishnan et al. (1992) Tomate L.A
Persaud et al. (1993) Mijo perla L.A
Montero et al. (2000) Vid L.A
Lu et al. (2004) Taro L . A (y otros)
Tejawani et al. (1957) Tabaco L.A
Manivel y Weaver (1973) Vid L, A ó Lp
Liebig (1978) Pepino L . A ó A2
Sepúlveda y Kliewer (1983) Vid L, A ó L . A
Smith y Kliewer (1984) Vid L, L2, A, A2 ó L . A
S=a+b.x Robbins y Pharr (1987) Pepino L2
(2) Elsner y Jubb (1988) Vid L.A
Ray y Singh (1989) Pimiento L.A
Gamiely et al. (1991) Cebolla L
Payne et al. (1991) Mijo perla L.A
2
Montero et al. (2000) Vid A ó Lp
Astegiano et al. (2001) Tomate L.A
Fargo et al. (1986) Calabaza LyA
S = a + b.x1 + c.x2 + d.x1.x2 Robbins y Pharr (1987) Pepino LyA
(3) Elsner y Jubb (1988) Vid L2 y A2, (d=0)
Bange et al. (2000) Girasol LyA
Manivel y Weaver (1974) Vid L, A ó Lp
S = a + b . x + c . x2 Carbonneau (1976) Vid L1, L2d, L2i, L2 ó L3
(4) Schultz (1992) Vid L
Montero et al. (2000) Vid L, A ó Lp
Dumas (1990) Tomate L.A
S = a . xb Montero et al. (2000) Vid LóL.A
(5) Schwarz y Kläring (2001) Tomate Ls, Li ó A
Kandiannan et al. (2002) Pimienta negra L
S = a . x1b . x2c Rao (1978) Calabaza LyA
(6) Schwarz y Kläring (2001) Tomate Ls y A ó Li y A
log S = log L + log A’ Lal y Subba Rao (1951)
-
- log (L . A’ . S-1) Langer (1956) Cereales
(7) Anikiev y Kutuzov (1961)
Epstein y Robinson (1965) Patata L
Wendt (1967) Algodón, sorgo, ricino L
Hoffman (1971) Cebolla L
Wiersma y Bailey (1975) Soja L.A
log S = a + b . log x Sepúlveda y Kliewer (1983) Vid L, A ó L . A
(8) Elsner y Jubb (1988) Vid L, A ó L . A
Payne et al. (1991) Mijo perla L
Tarbell y Reid (1991) Maíz L
Silvestre y Eiras-Dias (2001) Vid N2x, N2+, Dx, D+
Kandiannan et al. (2002) Pimienta negra L
a, b, c, d: coeficientes de los ajustes; A: anchura del limbo, cm; A’: anchura del limbo medida en la mitad de la longitud de la hoja, cm; Dx: producto de la longitud de las dos
primeras nervaduras principales laterales; D+: suma de la longitud de las dos primeras nervaduras principales laterales; L: longitud del limbo, cm; L1: distancia entre la inserción
peciolar y el extremo del nervio principal, cm; L2 = L2d + L2i; L2d: distancia entre la inserción peciolar y el extremo del primer nervio lateral derecho, cm; L2i: distancia entre la inserción
peciolar y el extremo del primer nervio lateral izquierdo, cm; L3: distancia entre los extremos de los dos primeros nervios laterales, cm.; Li: distancia desde el punto de inserción en
el raquis del primer foliolo hasta el extremo superior de la hoja; Lp: longitud del pecíolo, cm; Ls: distancia desde la base del peciolo hasta el extremo superior de la hoja; N2x:
producto de la longitud de las dos primeras nervaduras laterales; N2+: suma de la longitud de las dos primeras nervaduras laterales; S: superficie del limbo, cm2; xi: variable
independiente.
En cuanto a los estudios realizados con hojas de vid (Vitis vinifera L.), en el trabajo de Manivel y
2
Weaver (1974) se describe la existencia de un alto coeficiente de determinación (R >90%) del área
foliar con la longitud y la anchura máxima de las mismas, así como con la longitud del peciolo,
empleando una relación lineal (Ec. (2); Tabla 1), una función polinómica de segundo grado (Ec. (4);
22
Tabla 1) y una relación exponencial (Ec. (5); Tabla 1), siendo la función polinómica la que mejores
resultados ofreció. Además, concluyeron que la estimación del área foliar con estas ecuaciones es
rápida y se puede emplear fácilmente sin destruir las hojas, lo que permite realizar medidas repetidas
en la misma hoja a lo largo del tiempo, aunque la precisión puede verse disminuida al realizarse las
mediciones en un entorno más adverso de lo que es el laboratorio, pudiendo reducirse la desviación
empleando grandes muestras. Por último, establecieron que, en principio, el ajuste de la ecuación se
debe realizar para cada cultivar, incluso dentro de una especie, pero que se puede determinar un
factor de correlación con el cual, a partir de una ecuación para un cultivar determinado, se pueda usar
para otros cultivares dentro de la misma especie.
Carbonneau (1976) realizó un estudio con nueve cultivares del género Vitis utilizando, en una
relación polinómica de segundo grado (Ec. 4; Tabla 1), el área de la hoja como variable dependiente y
las siguientes medidas lineales de las hojas como variables independientes: la distancia entre la
inserción peciolar y el extremo del nervio principal (L1), la distancia entre los extremos de los dos
primeros nervios laterales (L3), la distancia entre la inserción peciolar y el extremo del primer nervio
lateral derecho (L2d) y el izquierdo (L2g) y la suma de las dos anteriores (L2). Una de las conclusiones
obtenidas es que la determinación del área de una hoja del género Vitis se puede realizar de manera
sencilla, rápida y precisa (menos del 5% de error) empleando L2 como parámetro de referencia, que
además presenta la ventaja de tener en cuenta la disimetría natural de la hoja.
Schneider y Staudt (1981) obtuvieron buenas estimaciones para el área de la hoja de la vid
empleando como estimadores el producto de su longitud por su anchura.
En los estudios realizados por Sepúlveda y Kliewer (1983), se llegó a la conclusión de que los
modelos lineales (Ec. (2); Tabla 1) eran suficientes para las estimaciones de área foliar realizadas por
ellos, comprobando que las funciones exponenciales linealizadas (Ec. (8); Tabla 1), producían
pequeñas o nulas mejoras en la predicción, insuficientes para justificar su uso debido el trabajo extra
necesario para transformar los datos, según su criterio. Además, los mejores resultados de los
modelos lineales se obtuvieron empleando como variable independiente el producto de la longitud por
2
la anchura (R =99%). Sin embargo, se comprobó que era preciso obtener una ecuación diferente
para cada cultivar y que las condiciones de crecimiento también debían ser tenidas en consideración,
ya que comprobaron que entornos diferentes podían causar diferencias en las características de las
hojas de la vid.
Los modelos lineales utilizados por Smith y Kliewer (1984) en sus trabajos para evaluar el área
foliar en el cultivar Thompson Seedless de Vitis vinifera L. (Ec. (2); Tabla 1), emplearon, con muy
buenos resultados, la longitud de la hoja, la anchura de la misma, el producto de ambas y, también, el
cuadrado de la longitud y el de la anchura, ambos por separado. Los mejores resultados los
obtuvieron con el producto de la longitud por la anchura de la hoja como variable independiente.
Además, el estudio arrojó, como conclusión importante, la ausencia de diferencias estadísticas
significativas entre las predicciones calculadas en las dos localidades utilizadas, ni entre plantas, ni
entre sarmientos de la misma planta; sin embargo, en el caso de la diferencia estadística de las
predicciones entre plantas, está no era significativa al nivel p < 0,05, pero sí al nivel más conservador
p < 0,1, lo que se interpretó que era debido al pequeño tamaño de las muestras empleadas para
realizar las predicciones, proponiendo los autores aumentarla en futuros estudios para soslayar este
inconveniente.
Elsner y Jubb (1988) estudiaron la idoneidad, como estimadores del área de las hojas de Vitis
labruscana Bailey cv. Concord, de medidas lineales simples de las mismas tales como la longitud y la
anchura máxima del limbo. De sus conclusiones cabe destacar que las medidas lineales simples de la
anchura y la longitud de la hoja están bien correlacionadas con el área de las hojas estudiadas,
siendo los modelos que mejores resultados aportaron los que utilizan, por una parte, la Ec. (2) (Tabla
1) empleando como variable independiente el producto de la longitud por la anchura de la hoja
2
(R =98%) y, por otra, la Ec. (3) (Tabla 1), siendo las variables independientes el cuadrado de la
2
longitud y el cuadrado de la anchura, con el coeficiente d igual a cero (R =99%). También estudiaron
las funciones exponenciales linealizadas (Ec. (8); Tabla 1), obteniendo coeficientes de determinación
2 2
muy altos empleando como variables independientes la longitud (R =97%), la anchura (R =99%) y el
2
producto de la longitud por la anchura (R =99%).
Schultz (1992) estimó el área de hojas de vid mediante una relación cuadrática (Ec. (4); Tabla 1),
empleando mediciones no destructivas de la longitud del limbo de la hoja. La calibración de la
relación cuadrática se realizó con 116 hojas de todos los tamaños, seleccionadas al azar, de las
cuales 61 fueron recogidas de la parte exterior de la cubierta y el resto del interior del follaje,
empleando un medidor de área para obtener el área foliar.
23
En el trabajo realizado por Carbonneau y Mabrouk (1996), la estimación del área foliar se realizó
atendiendo a la longitud del sarmiento, lo que supone otra aproximación al problema, diferente de la
determinación del área de hojas individuales.
Montero et al. (2000) probaron ocho relaciones matemáticas distintas con hojas de Vitis vinifera L.
cv. Cencibel, que relacionaban el área foliar y distintos parámetros lineales de la hoja, tales como
longitud, anchura, producto de la longitud por la anchura y longitud del peciolo. Todas las relaciones
2
arrojaron coeficientes de determinación muy altos (R >90%), salvo en los dos casos en que se
empleó la longitud del peciolo (Ecs. (2) y (4); Tabla 1) para los que se obtuvieron valores algo
menores. El modelo que emplea la Ec. (1) (Tabla 1), usando como variable independiente el producto
de la longitud por la anchura de la hoja, resultó preferible frente a otros algo más precisos, pero más
complicados, de modo que el área foliar puede determinarse midiendo la longitud y la anchura de la
hoja y calculando el coeficiente del ajuste, que en el caso del estudio resultó ser idéntico los dos años
estudiados. Otro modelo que resultó adecuado es el que emplea una función exponencial (Ec. (5);
Tabla 1) para relacionar área foliar con un único parámetro lineal de la hoja, en este caso la longitud,
consiguiéndose en este estudio buenas predicciones.
En el mismo trabajo, Montero et al (2000) estudiaron varias relaciones matemáticas distintas entre
el perímetro foliar y distintos parámetros lineales de la hoja (longitud, anchura, producto de la longitud
por la anchura y longitud del peciolo), comprobando que la relación que mejores correlaciones ofrecía
era la que emplea como variable independiente en la Ec. (5) (Tabla 1) el producto de la longitud por la
anchura de la hoja.
En el trabajo realizado por Silvestre y Eiras-Dias (2001), se emplearon diferentes parámetros
lineales medidos en hojas de doce cultivares de Vitis vinifera L. para estimar el área foliar siguiendo
un modelo lineal del tipo de la Ec. (2) (Tabla 1) y una función exponencial linealizada mediante una
transformación logarítmica (Ec. (8); Tabla 1), mostrando que la estimación más adecuada la ofrecía la
función exponencial transformada, cuando se empleaban como variables independientes tanto el
producto como la suma de la longitud de las dos primeras nervaduras laterales, N2x y N2+
respectivamente, así como el producto y la suma de la longitud de las dos primeras nervaduras
principales laterales, Dx y D+, respectivamente.
3.5.3.2. Métodos basados en la relación entre el área foliar y el peso de la hoja.
Este método, que requiere la destrucción de la muestra, se basa en la existencia de una relativa
constancia en las relaciones entre el área foliar y el peso fresco de la hoja (Watson, 1937; Winter et
al., 1956) y el área foliar y su peso seco (Alekseenko, 1965). Para establecer la relación entre el peso
y el área foliar, primero se determina el área de una muestra de hojas por alguno de los métodos
directos descritos y en segundo lugar o bien se obtiene el peso del material fresco o bien se deseca la
muestra hasta peso constante, calculándose a continuación la relación existente entre el área medida
y el peso fresco o el peso seco obtenidos, según sea el caso. Seguidamente, el peso de las hojas se
puede convertir en una medida de área sin más que aplicar la relación anteriormente calculada. Una
variante del método emplea submuestras de las hojas con un área conocida, discos o cuadrados, que
se secan y se pesan para determinar el peso por unidad de área, valor que se utiliza posteriormente
para calcular el área foliar conocido el peso de hojas completas (Monselise y Heymann-Herschberg,
1953; Brougham, 1956).
El problema de la técnica estriba en que la relación entre área foliar y peso seco de la hoja, que es
la superficie específica foliar (SEF), no siempre es consistente (Palit y Battacharyya, 1984), pudiendo
variar según el crecimiento de la planta y las condiciones ambientales y de cultivo (Blackman, 1956;
Gibson, 1975; Acock et al., 1978; Acock, 1980; McCree, 1983; Klein et al., 1991; Elllsworth y Reich,
1993; Lactin y Holliday, 1995; Niinemets, 1997; Gunn et al., 1999; Le Roux et al., 1999; Meziane y
Shipley, 1999) y, cuando se emplea el peso fresco de las hojas, con el contenido hídrico de las hojas
(Marshall, 1968). Sin embargo, es un método que resulta conveniente cuando se requiere estimar el
área foliar de una muestra de hojas muy grande (Korva y Forbes, 1997; Jonckheere et al., 2004).
Como ejemplo, se pueden citar algunos estudios que han empleado el peso fresco en algodón
(Gossypium hirsutum L.) (Rhoads y Bloodworth, 1964) y en vid (Vitis vinifera L.) (Sepúlveda y Kliewer,
1983; Winter y Whiting, 2004) y el peso seco en alfalfa (Medicago sativa L.) (Robison y Massengale,
1967), en soja (Glycine max (L.) Merr.) (Koller, 1972), en algodón (Gossypium hirsutum L.) (Reddy et
al. 1989), en mijo perla (Pennisetum glaucum (L.) R. Br.) (Payne et al., 1991) y en vid (Vitis vinifera L.)
(Smith y Kliewer, 1984; Ollat et al., 1998; Montero et al., 2000) y que mostraron la utilidad del método
en estos casos.
24
3.5.4. Métodos comparativos.

Estos métodos emplean plantillas o modelos de área conocida con los que se comparan las hojas
a medir.
3.5.4.1. Método comparativo mediante el uso de calibres obtenidos de las hojas.
Este método se basa en el establecimiento de una colección de calibres o plantillas de hojas de
muchos rangos de tamaño y forma, de distintas especies, que se obtiene trazando el contorno de
cada una de las hojas seleccionadas sobre un soporte o mediante fotografías (Darrow, 1932;
Williams, 1954; Thorne y Watson, 1955; Humphries y French, 1963; Williams et al., 1964):
Posteriormente se mide el área de los figuras obtenidas o de las fotografías anteriores. A
continuación, para cada forma de hoja distinta de las medidas se hace una selección de diez tamaños
representativos entre los cuales se incremente el área aritmética o geométricamente (Humphries y
French, 1963), que formarán parte de la colección de calibres que se emplearán posteriormente. Para
conocer el área de una hoja concreta, no es necesario cortarla, basta con compararla con las
plantillas de la colección hasta encontrar una de ellas que se adapte en forma y tamaño a la hoja
seleccionada. La estimación se realiza de manera bastante rápida, pero se requiere un trabajo previo
considerable, lo que dificulta la utilización del método.
Carbonneau (1976) puso a punto la técnica en el cultivar Cabernet-Sauvignon de Vitis vinifera L.,
partiendo de la fotografía de una hoja característica de este cultivar, con la que se hicieron 25
ampliaciones diferentes, que constituyeron la colección de calibres, midiendo a continuación el área
de cada calibre. Por superposición de los calibres sobre una hoja concreta se podía decidir entre
cuales se situaba la misma y así evaluar su superficie por interpolación entre la superficie de los dos
extremos determinados. La técnica resultó ser muy precisa, aconsejable en estudios fisiológicos que
requieren una determinación muy precisa del área foliar.
3.5.4.2. Método comparativo mediante el uso de calibres de formas sencillas.
Freeman y Bolas (1956) consideraron que el contorno de muchas hojas se asemejaba a formas
geométricas simples. Por ello emplearon plantillas con una serie de puntos, correspondientes a
elipses de diferentes áreas conocidas, que se comparaban con las hojas y así se determinaba el área
foliar. Humphries y French (1964) describieron otras aproximaciones a este método y experimentaron
con diferentes formas geométricas que incluían elipses, cuadrados y círculos. El método no requiere
la destrucción de las hojas, pero su uso no está muy difundido.
3.5.5. Métodos basados en el análisis de imágenes.
La utilización de métodos basados en el análisis de imágenes supone disponer de la imagen
digitalizada de la hoja para posteriormente realizar mediciones sobre ella. Los sistemas que se han
empleado para capturar la mencionada imagen han evolucionado a lo largo de los tiempos, pasando
por el uso de un circuito cerrado de televisión (Buckley y McAdam, 1972; Buckley et al., 1973),
sistemas electro-ópticos (Ciarcia, 1983; Wieland, 1983; Clarke y McCaig, 1985), cámaras fotográficas
analógicas combinado con algún sistema de digitalización de imágenes (Bailey y Stewart, 1982;
Tarbell y Reid, 1991; Lindsey y Bassuk, 1992; Trooien y Heermann, 1992a; Baker et al., 1996), una o
varias cámaras de video (Bailey y Steward, 1982; Clarke y McCaig, 1985; Luh y Klaasen, 1985;
Meyer y Davison, 1987; Storlie et al., 1989; Trooien y Heerman, 1992b; Beverly, 1996; Nyakwende et
al., 1997; Berverly y van Iersel, 1998), escáneres (Tarbell y Reid, 1991; Kershaw y Larsen, 1992;
Hodson et al., 1995; Hunt y Hodson, 1999; Yonekawa et al., 1996; Montero et al., 2000), hasta llegar
a las cámaras digitales (Baker et al., 1996; Jonckheere et al., 2004; Lu et al., 2004). El área foliar se
medirá, en las imágenes almacenadas, mediante alguno de los programas informáticos de
tratamiento de imágenes disponibles en el mercado en cada momento (i.e., Global Lab Image, 1993)
o con alguno que pueda ser desarrollado a tal efecto, como por ejemplo el programa AmpeloCAD
(“Ampelographic Computer-Aided Digitizing System”) (Alessandri et al., 1996) desarrollado para vid
(Vitis vinifera L.) que, entre otras funciones, mide distintos parámetros lineales, el área y el perímetro
de la hoja.
El método supone la destrucción de la muestra cuando la captación de la imagen se realice en el
laboratorio mediante cualquiera de los dispositivos anteriores. Sin embargo, esto no será así cuando
el instrumento empleado para captar las imágenes sea portátil y se pueda emplear en el campo.
Las ventajas que ofrecen estos métodos son la fiabilidad de las medidas obtenidas, la posibilidad
de analizar más muestras, la reducción del error experimental, la minimización de la subjetividad, la
reducción del tiempo de muestreo, la información digitalizada se puede mantener almacenada
indefinidamente y una vez digitalizada la hoja no urge el realizar el análisis detallado de la misma, ya
que la muestra no se estropea, como ocurre con las mediciones con material fresco en el laboratorio;
25
además, sobre la imagen de la hoja, se pueden realizar muchos más estudios y mediciones que el
mero estudio del área foliar (Storlie et al., 1989; Montero et al., 2000). Los inconvenientes que
presentan estos métodos, tales como el alto coste de los equipos o el alto consumo de tiempo y de
trabajo que requieren, sobre todo con hojas de pequeñas dimensiones (Kershaw y Larsen, 1992),
pueden incidir a la hora de restringir su utilización.
La técnica se ha empleado con buenos resultados tanto en especies forestales (Diebolt y Mudge,
1988; Kershaw y Larsen, 1992; Baker et al., 1996; Hunt y Hodson, 1999) como agrícolas, tales como
maíz (Zea mays L.) (Storlie et al., 1989; Tarbell y Reid, 1991), soja (Glycine max (L.) Merr.) (Storlie et
al., 1989), patata (Solanum tuberosum L.) (Trooien y Heermann, 1992a,b), tomate (Lycopersicon
esculentum Mill.) (Nyakwende et al., 1997), vid (Vitis vinifera L.) (Montero et al., 2000) o taro
(Colocasia esculenta (L.) Schott) (Lu et al., 2004), por citar algunos ejemplos.
26
MATERIAL Y MÉTODOS
Material y métodos
4. MATERIAL Y MÉTODOS.
4.1. Ubicación y duración del ensayo.
El ensayo ha constado de dos campañas consecutivas, 1995 y 1996, y se ha llevado a cabo en
dos parcelas diferentes, una monovarietal del cv. Cencibel para la primera campaña y otra
multivarietal para la segunda. Ambas parcelas se encuentran muy próximas entre ellas, dentro de las
instalaciones del Instituto de la Vid y el Vino de Castilla-La Mancha (IVICAM), el antiguo Centro de
Capacitación y Experimentación Vitivinícola (CCEV), que la Junta de Comunidades de Castilla-La
Mancha tiene en Tomelloso (Ciudad Real) (Figs. 1 y 2); las coordenadas geográficas del campo de
ensayos son: longitud: 3º00’37” W; latitud: 39º09’04” N; altitud: 662 m.
Tomelloso
Estación
agrometeorológica
1ª campaña
IVICAM
IVICAM
2ª campaña
Figura 1. Situación del Instituto de la Vid y el Vino de Figura 2. Localización de las parcelas de ensayo
Castilla-La Mancha (IVICAM) de Tomelloso (Ciudad de las campañas de toma de muestras en el
Real, Castilla-La Mancha, España). Instituto de la Vid y el Vino de Castilla-La Mancha
(IVICAM) de Tomelloso (Ciudad Real).
4.2. El clima local y las condiciones climáticas durante el ensayo.

El clima de Tomelloso es de tipo mediterráneo con un elevado grado de continentalidad, tiene
precipitaciones más abundantes en primavera y otoño y bastante escasas en verano, transiciones
bruscas de temperaturas entre los meses fríos y los cálidos y oscilaciones térmicas diarias grandes
en todas las épocas del año.
El estudio de las condiciones climáticas de la zona del ensayo se ha realizado con la serie
climática 1980-1991 de datos recogidos en la estación meteorológica que el Instituto Nacional de
Meteorología tiene instalada en el IVICAM. Los valores medios de temperaturas y precipitación
acumulada del año medio de la serie climática mencionada se muestran en la Tabla nº 2.
La temperatura media anual es 15,9ºC, con julio como mes más caluroso (26,4ºC) y enero como
mes más frío (6,4ºC). La temperatura media de máximas es 23,1ºC y la media de mínimas 8,7ºC. Las
temperaturas extremas absolutas son 42,0ºC y –11,0ºC. El periodo de heladas medio comprende
desde finales de octubre a primeros de abril. La precipitación media acumulada es 359,7 mm, siendo
la primavera y el invierno las estaciones más lluviosas. El número medio de días de lluvia es de 59.
La evapotranspiración potencial (ETP) calculada de acuerdo con la fórmula de Thornthwaite
(Thornthwaite, 1948; Thornthwaite y Mather, 1955) es 804 mm, alcanzando valores que superan los
de la precipitación entre abril y octubre (Sánchez y Andrés, 1994).
Según la clasificación agroclimática de Papadakis (Papadakis, 1961 y 1966), el tipo climático de la
zona es “Mediterráneo templado” con invierno “Avena fresco”, verano “Arroz”, régimen térmico
29
Material y métodos
“Templado Cálido” y régimen de humedad “Mediterráneo seco”. Según los criterios de Thornthwaite
(1948), se trata de un clima semiárido, con verano muy seco y mesotérmico.
Tabla 2. Características termopluviométricas del año medio de la serie 1980-1991 en Tomelloso (Ciudad
Real).
Temperatura Temperatura Temperatura Temperatura Temperatura Precipitación
Precipitación
media de media de media de máxima mínima máxima en
media
medias máximas mínimas absoluta absoluta 24h
(mm)
(ºC) (ºC) (ºC) (ºC) (ºC) (mm)
Enero 6,4 12,2 0,6 24,0 -9,0 23,9 29,4
Febrero 8,1 14,2 2,0 26,0 -11,0 30,8 24,0
Marzo 11,1 18,0 4,3 31,0 -4,0 23,1 19,0
Abril 12,7 19,5 5,8 31,0 -2,0 51,1 31,2
Mayo 16,3 23,4 9,2 34,0 0,0 37,2 28,1
Junio 22,4 30,1 14,6 41,0 4,0 18,4 24,2
Julio 26,4 34,8 18,0 42,0 13,0 11,5 41,3
Agosto 26,2 34,4 17,9 41,0 11,0 7,6 24,6
Septiembre 22,9 30,9 15,0 40,0 6,0 24,0 48,8
Octubre 16,3 23,4 9,3 37,0 0,0 46,2 67,3
Noviembre 11,1 17,1 5,1 30,0 -4,0 52,5 34,7
Diciembre 7,1 12,5 1,7 23,0 -7,0 32,9 34,2
Año 15,9 23,1 8,7 42,0 -11,0 359,7 67,3
Fuente: Sánchez y Andrés (1994).
Los datos meteorológicos de las campañas del ensayo, 1995 y 1996, se han obtenido de la
Estación Agrometeorológica Fija (“Anchor Station”) que se instaló en el IVICAM de Tomelloso (Ciudad
Real) en el marco del proyecto europeo EFEDA (Martín de Santa Olalla Mañas, 1994; 1996) y cuya
localización se marca en la Figura nº 2. Esta estación está operativa desde el 24 de junio de 1994 y
dispone de sensores para la medición de diversos parámetros meteorológicos, de un sistema de
almacenamiento y tratamiento de la información, así como de un equipo para la transmisión de datos
vía módem a una estación central situada en Albacete (Legorburo y Tébar, 1996).
En las Tablas nº 3 y nº 4 se muestran los datos medios de los parámetros medidos en la “Anchor
Station” instalada en el IVICAM para cada uno de los meses de las campañas del ensayo señaladas
anteriormente, así como la evapotranspiración de referencia calculada según la fórmula de Penman-
Monteith (Allen et al., 1998) con los datos aportados por la estación.
Al comparar los valores de la 1ª campaña (1995) (Tabla 3) con los del año medio de la serie
climática 1980-1991 (Tabla 2), se observa que la temperatura media de esta campaña es algo inferior
a la del año medio, 1,3ºC menos. Julio sigue siendo el mes más caluroso (26,0ºC) y enero el más frío
(5,7ºC). La temperatura media de máximas (21,9ºC) y la media de mínimas (7,2ºC) son,
respectivamente, 1,2ºC y 1,5ºC más bajas que las del año medio. Las temperaturas extremas
absolutas (40,9ºC y -9,0ºC), lo son menos que las del año medio, 1,0ºC para la máxima y 2,0ºC para
la mínima. El periodo de heladas comprende desde finales de noviembre (-0,8ºC, el 26 de noviembre)
hasta finales de abril (-2,3ºC, el 25 de abril), con lo que el periodo de heladas se inicia más tarde que
en el año medio de la serie estudiada, pero, también, se termina más tarde. La precipitación
acumulada es 146,0 mm, un 60% menor que la precipitación acumulada del año medio, con el otoño
como estación más lluviosa con 61,8 mm. La precipitación máxima en 24 horas es inferior a la del año
medio en 51,3 mm. El número de días de lluvia fue 33, muy por debajo de los 59 del año medio. La
insolación acumulada en esta campaña es 3.556,6 horas, con agosto como mes con mayor número
de horas de sol, que también es el mes que tiene una mayor radiación solar incidente media. La
evapotranspiración de referencia calculada según la expresión de Penman-Monteith (Allen et al.,
1998) tiene un valor acumulado de 42,13 mm. en esta campaña.
30
Material y métodos
Tabla 3. Condiciones climáticas durante la 1ª Campaña (1995), Instituto de la Vid y el Vino de Castilla-La Mancha
(IVICAM), Tomelloso (Ciudad Real).
1994 1995
Campaña
OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO SEP
Temperatura
media mensual 14,5 9,8 6,1 5,7 7,8 9,9 13,0 18,9 21,8 26,0 24,9 17,9 14,6
(ºC)
Temperatura
media de 20,2 16,7 12,4 11,8 14,7 17,9 21,6 27,0 29,2 34,1 32,8 24,8 21,9
máximas (ºC)
Temperatura
media de 9,5 4,2 0,4 -0,2 1,6 1,9 3,7 9,9 13,3 16,6 16,2 10,2 7,2
mínimas (ºC)
Temperatura
máxima 25,3 21,1 20,0 15,8 20,4 23,7 28,7 33,7 34,7 40,9 36,2 32,7 40,9
absoluta (ºC)
Temperatura
mínima 2,1 -1,9 -9,2 -9,0 -7,3 -3,2 -2,3 1,8 6,0 13,5 11,3 0,8 -9,2
absoluta (ºC)
Precipitación
acumulada 34,0 27,6 0,2 12,8 12,0 4,4 3,6 5,0 27,4 0,0 10,6 8,4 146,0
(mm)
Precipitación
máxima en 24 h 16,0 14,4 0,2 7,6 9,4 4,4 2,4 2,6 11,0 0,0 8,6 4,4 16,0
(mm)
Radiación solar
incidente media 135,2 108,7 87,2 99,8 133,0 218,8 263,3 308,8 290,5 313,5 287,8 228,7 206,9
(w.m-2)
Insolación
acumulada 270,7 236,9 220,2 239,3 236,9 298,2 337,5 331,0 343,2 347,4 370,3 325,0 3.556,6
(horas)
Evapotranspira-
ción de
2,24 1,67 1,22 1,28 1,89 2,91 4,15 5,31 5,70 6,46 5,62 3,68 42,13
referencia*
(mm)
* (Allen et al., 1998). Fuente: Proyecto EFEDA, Instituto de Desarrollo Regional, Universidad de Castilla-La Mancha (no publicados)
La comparación entre los valores de la 2ª campaña (1996) (Tabla 4) y los del año medio de la
serie climática 1980-1991 (Tabla 2), indica que la temperatura media de esta campaña es algo inferior
a la del año medio, 1,6ºC menos. Agosto es el mes más caluroso (25,4ºC) y febrero el más frío
(4,8ºC). La temperatura media de máximas (20,7ºC) y la media de mínimas (7,6ºC) son,
respectivamente, 2,4ºC y 1,1ºC más bajas que las del año medio. Las temperaturas extremas
absolutas (37,3ºC y -6,9ºC), lo son menos que las del año medio, 4,7ºC para la máxima y 4,1ºC para
la mínima. El periodo de heladas medio comprende desde mediados de diciembre (-1,5ºC, el 13 de
diciembre) hasta principios de abril (-1,0ºC, el 4 de abril), con lo que se reduce a 3 meses y medio. La
precipitación acumulada es 317,0 mm, un 88% de la precipitación acumulada del año medio, con el
invierno como estación más lluviosa con 141,2 mm. La precipitación máxima en 24 horas es muy
inferior a la del año medio, 50,3 mm menos. El número de días de lluvia fue 83, muy por encima de
los 59 del año medio. La insolación acumulada en esta campaña es 3.109,4 horas, con junio como
mes con mayor número de horas de sol, 393,2, que coincide con el mes que tiene una mayor
radiación solar incidente media. La evapotranspiración de referencia calculada según la expresión de
Penman-Monteith (Allen et al. 1998) tiene un valor acumulado de39,28 mm. en esta campaña.
Las diferencias más relevantes entre los valores de las dos campañas del ensayo están en la
precipitación acumulada y en el número de días de lluvia, mucho menor en ambos casos para la 1ª
campaña (1995). Por el contrario, las temperaturas de la segunda campaña son algo menores para
cualquiera de los parámetros que consideremos. También son menores el periodo de heladas en un
mes y medio y la insolación en un 13% para la 2ª campaña con respecto a la primera. La radiación
solar incidente media tiene valores similares en ambas campaña. Por otra parte, la
evapotranspiración de referencia de ambas campañas no presenta grandes diferencias.
31
Material y métodos
Tabla 4. Condiciones climáticas durante la 2! Campaña (1996), Instituto de la Vid y el Vino de Castilla-La Mancha
(IVICAM), Tomelloso (Ciudad Real).
1995 1996
Campaña
OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO SEP
Temperatura
media mensual 17,3 10,2 7,7 7,6 4,8 8,8 12,9 15,4 22,4 22,3 25,4 16,6 14,3
(ºC)
Temperatura
media de 25,2 15,4 11,0 10,8 10,6 15,5 20,4 22,0 31,0 29,8 33,2 23,0 20,7
máximas (ºC)
Temperatura
media de 10,6 4,9 3,3 4,4 -0,5 2,3 5,0 8,4 12,1 14,0 16,4 10,5 7,6
mínimas (ºC)
Temperatura
máxima 30,0 22,6 16,4 16,5 16,3 25,7 25,9 34,2 36,9 37,3 36,1 31,6 37,3
absoluta (ºC)
Temperatura
mínima 2,0 0,3 -1,5 0,3 -6,9 -4,2 -1,0 1,8 6,2 7,8 13,0 7,2 -6,9
absoluta (ºC)
Precipitación
acumulada 3,2 30,6 53,6 53,4 22,2 16,2 14,2 60,6 12,2 1,2 12,0 37,6 317,0
(mm)
Precipitación
máxima en 24 h 2,6 11,8 15,0 17,0 6,6 5,6 6,0 16,6 10,0 1,2 5,8 13,8 17,0
(mm)
Radiación solar
incidente media 170,3 92,9 61,4 67,5 145,6 186,5 251,4 265,3 336,3 340,1 300,2 187,4 200,8
(w.m-2)
Insolación
acumulada 291,9 220,5 150,1 184,6 250,0 308,8 341,0 369,3 393,2 196,9 181,4 221,7 3.109,4
(horas)
Evapotranspira-
ción de
2,98 1,46 0,94 0,93 1,51 2,49 3,79 4,25 6,34 5,63 5,69 3,28 39,28
referencia*
(mm)
* (Allen et al., 1998). Fuente: Proyecto EFEDA, Instituto de Desarrollo Regional, Universidad de Castilla-La Mancha (no publicados)
4.3. Características edáficas.

Geológicamente, la zona de Tomelloso presenta materiales superficiales del Secundario y del
Terciario que fosilizaron el zócalo paleozoico y que se presentan casi totalmente horizontales al no
haber sido afectados por los movimientos alpinos. En el Triásico, destacan las margas abigarradas
multicolores que alternan con yesos y bancos de areniscas silíceas rojas y rosáceas de grano muy
fino, que contienen moscovita. En el Jurásico, por su parte, se encuentran margas calcáreas
blanquecinas, calizas blancas y blanco-rosáceas muy compactas y carniolas de grano grueso mal
estratificadas, cubiertas por dolomías cada vez más ricas en carbonato cálcico (IGME, 1972).
En cuanto a las características edafológicas del área, los suelos son “Calcixerollic Petrocalcic
Xerochrepts”, según la “Soil Taxonomy” (USDA, 1999). La evolución principal que han sufrido es el
lavado parcial de la caliza de los horizontes superiores y su acumulación en horizontes inferiores.
Anteriormente, a este tipo de suelos, se les denominaba “Suelos Pardos” (Baldwin et al., 1938), con
un perfil del tipo A (B) C, desarrollados sobre materiales calizos, con un horizonte superficial muy
poco desarrollado, que reposa sobre sucesivos horizontes con alto contenido en carbonato cálcico.
Por lo que respecta a la clasificación según la FAO (1988), los suelos del área de Tomelloso más
característicos son Calcisoles, con excepción de los lúvicos que no están presentes. Estos suelos
presentan una o más de las siguientes características: un horizonte de acumulación de carbonato
cálcico u horizonte cálcico (Bk), un horizonte petrocálcico (Cmk) o concentraciones de caliza
pulverulenta blanda a una profundidad de 125 cm de la superficie, sin otros horizontes de diagnóstico
más que un horizonte ócrico, un horizonte B cámbico (Bk o Bwk) o un horizonte argílico impregnado
de carbonato cálcico (Btk). Cuando presenta este último horizonte (Btk), y está presente el horizonte
32
Material y métodos
petrocálcico, se clasifican como Calcisoles pétricos, como es el caso de los suelos de Tomelloso
(Sánchez et al, 1994).
En diciembre de 1994, se practicó una calicata junto a las parcelas de ensayo para estudiar las
características del suelo. En la Figura nº 5, se presenta una fotografía del perfil de la calicata y una
representación esquemática de la misma.
cm
0
A p1
12
A p2 0
25
Bk
50
H 2O H 2O 0
B km
110
175
2C
230
Figura 5. Representación esquemática y fotográfica del perfil de la calicata de Tomelloso. (Montero, 1998)
En las Tablas nº 5 y 6, se presentan las características macromorfológicas del suelo y la

descripción del perfil, respectivamente.
Tabla 5. Características macromorfológicas del suelo en la calicata. IVICAM, diciembre 1994.

Nombre del perfil CCEVT
Altitud 662 m
Clasificación (FAO, 1988) Calcisol pétrico
Mesorrelieve Plano
Macrorrelieve Llanura
Geomorfología Planicie
Posición Baja
Pendiente del perfil Llano
Orientación SW
Uso Agrícola de secano
Vegetación Cultivo de viña
Material geológico Rañas, gravas, arenas y limos (Terciario, Plioceno)
Profundidad efectiva del perfil Profundo
Afloramientos rocosos Ninguno
Pedregosidad Abundante, de tamaño grava
Erosión No se aprecia
Drenaje Excesivamente drenado
Condiciones de humedad Muy húmedo
Fuente: Montero (1998)
33
Material y métodos
Tabla 6. Descripción del perfil de la calicata. IVICAM, diciembre 1994.

Profundidad
Horizonte Características morfológicas
(cm)
Ap1 0-12 Pardo en húmedo (7,5YR 4/6) y amarillo rojizo en seco (7,5YR 6/6). Franco arenoso.
Estructura granular, fina, débil. Friable (húmedo); blando (seco). Adherente (mojado);
plástico (mojado). Frecuentes poros, muy finos, continuos y caóticos, tubulares.
Frecuentes elementos gruesos, de tamaño grava, angulares, superficialmente
meteorizados, calcáreos. Pocos nódulos, pequeños, duros, irregulares, blanquecinos,
calcáreos. Calcáreo. Raíces comunes, muy finas. Límite gradual y plano.
Ap2 12-25 Pardo oscuro en húmedo (7,5YR 3/4) y pardo en seco (7,5YR 5/4). Franco arenoso.
Estructura en bloques subangulares, fina, moderada. Friable (húmedo); blando (seco).
Adherente (mojado); plástico (mojado). Frecuentes poros, muy finos, continuos, caóticos,
tubulares. Pocos elementos gruesos, de tamaño grava, angulares, meteorizados
superficialmente, calizos. Frecuentes nódulos, pequeños, duros, irregulares,
blanquecinos, calcáreos. Fuertemente calcáreo. Raíces comunes, muy finas. Límite neto
y plano.
Bk 25-50 Pardo en húmedo (7,5YR 5/6) y amarillo rojizo en seco (7,5YR 6/6). Franco arenoso.
Estructura en bloques subangulares, mediana, débil. Friable (húmedo); ligeramente duro
(seco). Ligeramente adherente (mojado); ligeramente plástico (mojado). Débilmente
cementado. Muchos poros, finos, continuos, caóticos, tubulares. Abundantes elementos
gruesos, de tamaño grava, angulares, meteorizados superficialmente, calcáreos, blancos.
Abundantes nódulos, grandes, duros, irregulares, blanquecinos, calcáreos. Fuertemente
calcáreo. Abundan raíces, muy finas, finas y medianas. Límite neto y plano.
Bkm 50-110 Costra caliza extremadamente dura que engloba fragmentos de elementos gruesos,
también calizos. Muy calcárea. Muy pocas raíces, muy finas. Límite brusco y plano.
R 110-175 Amarillo en húmedo (10YR 7/6) y amarillo en seco (10YR 8/6). Franco arenoso. Capa de
margas cuya cementación y dureza oscila ampliamente. Límite gradual y plano.
C 175-230 Amarillo rojizo en húmedo (7,5YR 6/6) y amarillo rojizo en seco (7,5YR 7/6). Franco arcillo
arenoso. Estructura en bloques subangulares, gruesa, débil. Friable (húmedo);
ligeramente duros (seco). Adherente (mojado); plástico (mojado). Cutanes zonales,
delgados, situados en los poros. Muchos poros, muy finos, continuos, caóticos, tubulares.
Muy pocos nódulos, pequeños, blandos, esféricos, blanquecinos, calcáreos. Calcáreo.
Fuente: Montero (1998).
Se tomaron muestras de los horizontes de la calicata para el estudio de sus características físico-
químicas. Los resultados de los análisis realizados en el Laboratorio Agrario Regional de la
Consejería de Agricultura y Medio Ambiente de la Junta de Comunidades de Castilla-La Mancha se
muestran en la Tabla nº 7.
Tabla 7. Características fisico-químicas de la calicata. IVICAM, diciembre 1994.
Parámetro Ap1 Ap2 Bk R C
Franco-
Franco- Franco- Franco- Franco-
Textura arcillo-
arenosa arenosa arenosa arenosa
arenosa
Arena (%) 65,08 69,08 73,08 72,41 57,08
Limo (%) 14,92 10,92 10,92 11,58 14,92
Arcilla (%) 20,00 20,00 16,00 16,01 28,00
PH (ext. 1/2,5 en HsO) 8,10 7,97 8,01 8,27 8,15
Materia orgánica (%) 2,23 1,74 2,04 1,02 0,85
C/N 10 11 11 11 10
Nitrógeno total (%, Kjeldhal) 0,126 0,092 0,107 0,055 0,048
Fósforo asimilable (ppm, Olsen) 26,3 15,3 5,8 1,7 15,0
Potasio asimilable (ppm, acetato amónico) 215 205 80 11 22
Carbonatos totales (%) 48,3 52,44 52,09 66,24 65,03
Caliza activa (%) 10,35 9,66 10,35 11,50 17,07
Conductividad, ext. 1/5 H2O a 25 ºC (mmhos cm-1) 0,221 0,276 0,310 0,329 0,336
Fuente: Montero (1998).
34
Material y métodos
De estos datos, cabe destacar el alto nivel de los carbonatos totales y de la caliza activa en todos
los horizontes, con un aumento en ambos casos con la profundidad, así como los valores de pH muy
cercanos o por encima de 8. Aunque el pH alto no tiene un efecto directo sobre las plantas, sí que
condiciona qué nutrientes van a estar menos disponibles en el suelo para las plantas. El fósforo
asimilable medido disminuye con la profundidad desde un valor de 26,3 ppm en el primer horizonte.
El potasio también tiene su máximo en el primer horizonte, con un valor de 215 ppm, disminuyendo
conforme profundizamos, con un ligero repunte en el horizonte más profundo. En cuanto a la
-1
conductividad eléctrica, aumenta desde 0,221 mmhos cm en el horizonte más superficial hasta
-1
0,336 mmhos cm en el horizonte más profundo. En resumen, se trata de un suelo con una fertilidad
media-baja, muy representativo de los sistemas de secano de La Mancha.
4.4. Material vegetal.
La vid (Vitis vinífera L.), material vegetal con el que se ha realizado el ensayo, es una especie de
crecimiento arbustivo, sarmentoso y trepador, que se fija a tutores naturales o artificiales mediante
zarcillos o que se extiende sobre el terreno en posición más o menos erguida cuando le faltan estos
tutores, según los cultivares, ocupando extensiones de alguna consideración (Hidalgo, 2002).
El número de cultivares de Vitis vinífera L. descritos se cuenta por millares y han surgido de modo
natural, con una posterior selección y multiplicación llevada a cabo por el hombre, o bien han sido
creadas por éste para satisfacer sus necesidades, con objeto de obtener plantas más idóneas para
condiciones determinadas (Hidalgo, 2002).
Aunque están catalogados varios centenares de cultivares de Vitis vinífera L. cultivados en
España, un grupo reducido de ellos concentra la inmensa mayoría del cultivo (Hidalgo, 2002), de
manera que, tan sólo 18 cultivares totalizan el 87,66% del cultivo nacional de vid dedicado a la
producción de vinos, 11 de ellos blancos (53,37%) y 7 tintos (32,29%). De ellos, tan sólo tres, los cvs.
Airén, Garnacha y Cencibel, suman el 54,44% del cultivo de vid es España.
Los cultivares seleccionados para realizar el estudio han sido cinco, dos blancos, Airén y
Macabeo, y tres tintos, Cencibel, Garnacha y Cabernet Sauvignon. Las sinonimias más habituales
(Borrego, 1990) son, para Airén: Lairén, Manchega, Aidén, Valdepeñas, Valdepeñero; para Cencibel:
Tempranillo, Tinto Fino, Tinto País, Ull de Llebre, Jacibera, Verdiell; para Garnacha: Garnacha Tinta,
Garnatxa Negra, Tinto de Navalcarnero, Tinto Aragonés, Lladoner, Gironet, Garnacha del País; y para
Macabeo: Viura, Macabeu, Alcañón, Blanca de Daroca, Alcañol, Lloza, Viuna.
En la Tabla nº 8 se indican las Denominaciones de Origen que autorizan el uso de alguno de los
cinco cultivares señalados, lo que da una idea de la distribución geográfica de cada uno de ellos.
Tabla 8. Denominaciones de Origen en las que están autorizados los cultivares Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y/o Macabeo.
Cultivar Denominaciones de Origen
Airén La Mancha, Valdepeñas, Vinos de Madrid, Alicante, Bullas, Jumilla, Montilla-Moriles
Ribera del Duero, Navarra, Campo de Borja, Cariñena, Somontano, Cataluña, Costers del
Cabernet- Segre, Penedés, Plá de Bagés, Binissalem-Mallorca, Pla i Llevant, Ribera del Guadiana, La
Sauvignon Mancha, Mondéjar, Valdepeñas, Vinos de Madrid, Alicante, Bullas, Jumilla, Uriel-Requena,
Valencia, Sierra de Málaga
Ribeiro, Cigales, Ribera del Duero, Navarra, Rioja, Calatayud, Campo de Borja, Cariñena,
Somontano, Alella, Cataluña, Conca de Barberá, Costers del Segre, Penedés, Plá de Bagés,
Cencibel Priorato, Binissalem-Mallorca, Pla i Llevant, Ribera del Guadiana, La Mancha, Méntrida,
Mondéjar, Valdepeñas, Vinos de Madrid, Alicante, Bullas, Jumilla, Uriel-Requena, Valencia,
Sierra de Málaga
Cigales, Ribera del Duero, Toro, Navarra, Rioja, Calatayud, Campo de Borja, Cariñena,
Somontano, Alella, Ampurdán-Costa Brava, Cataluña, Conca de Barberá, Costers del Segre,
Garnacha Penedés, Plá de Bagés, Priorato, Ribera del Guadiana, La Mancha, Méntrida, Valdepeñas,
Vinos de Madrid, Alicante, Bullas, Jumilla, Uriel-Requena, Valencia, Yecla, Sierra de Málaga,
VCPRD Cava
Ribeiro, Cigales, Rueda, Navarra, Rioja, Calatayud, Campo de Borja, Cariñena, Somontano,
Ampurdán-Costa Brava, Cataluña, Conca de Barberá, Costers del Segre, Penedés, Plá de
Macabeo Bagés, Priorato, Terra Alta, Binissalem-Mallorca, Pla i Llevant, Ribera del Guadiana, La
Mancha, Mondéjar, Valdepeñas, Vinos de Madrid, Alicante, Bullas, Jumilla, Uriel-Requena,
Valencia, Sierra de Málaga, VCPRD Cava
Fuente: Hidalgo, 2002.
35
Material y métodos
En la Tabla nº 9 se muestran las principales características ampelográficas por órganos de los cvs.
Airén, Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo.
36
Tabla 9. Características ampelográficas principales de los cultivares Airén, Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo
Carácter Código OIV Airén Cabernet-Sauvignon Cencibel Garnacha Macabeo
PÁMPANO JOVEN
Forma de la extremidad 001 Abierta Abierta Abierta Abierta Abierta
Distribución pigmentación antociánica extremidad 002 No ribeteada Ribeteada No ribeteada Ribeteada No ribeteada
Intensidad pigmentación antociánica extremidad 003 Nula o muy débil Fuerte Media Entre media y fuerte Media
Densidad de los pelos tumbados de la extremidad 004 Media Muy alta Alta Entre baja y media Entre alta y muy alta
PÁMPANO
Porte 006 Horizontal Semierguido/horizontal Semierguido Erguido Rastrero
Color de la cara dorsal de los entrenudos 007 Verde con rayas rojas Verde Verde con rayas rojas Verde Verde con rayas rojas
Densidad de los pelos erguidos de los nudos 011 Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja
Densidad de los pelos erguidos de los entrenudos 012 Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja
FLOR
Sexo 151 Hermafrodita Hermafrodita Hermafrodita Hermafrodita Hermafrodita
RACIMO
Tamaño 202 Entre pequeño y mediano Entre pequeño y mediano Entre pequeño y mediano Mediano Mediano
Compacidad 204 Suelto Entre medio y compacto Medio Medio Compacto
Longitud del pedúnculo 206 Mediano (hasta 7 cm.) Corto Muy corto (hasta 3 cm.) Corto (hasta 5 cm.) Muy corto (hasta 3 cm.)
BAYA
Tamaño 220 Grande Entre pequeña y mediana Mediana Mediana Mediana
Forma 223 Esférica Esférica Esférica Esférica Esférica
Color de la epidermis 225 Verde-amarilla Azul-negra Azul-negra Azul-Negra Verde-amarilla
Color de la pulpa 230 No coloreada No coloreada No coloreada No coloreada No coloreada
Sabores particulares 236 Ninguno Gusto especial Ninguno Ninguno Ninguno
Presencia de pepitas 241 Presentes Presentes Presentes Presentes Presentes
Estrías transversales en cara dorsal pepitas 244 Ausentes Ausentes Ausentes Ausentes Ausentes
Fuente: Borrego (1990); OIV (2000)
37
Tabla 9 (continuación). Características ampelográficas principales de los cultivares Airén, Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo.
Carácter Código OIV Airén Cabernet-Sauvignon Cencibel Garnacha Macabeo
ZARZILLOS
Distribución sobre el pámpano 016 Discontinua (2 ó menos) Discontinua (2 ó menos) Discontinua (2 ó menos) Discontinua (2 ó menos) Discontinua (2 ó menos)
Longitud 017 Medios (20 cm.) Medios Largos (aprox. 25 cm.) Muy cortos (10 cm. ó menos) Cortos (aprox. 15 cm.)
HOJA ADULTA
Tamaño 065 Entre mediana y grande Entre pequeña y mediana Entre mediana y grande Pequeña Entre mediana y grande
Forma del limbo 067 Pentagonal Orbicular Pentagonal Pentagonal Pentagonal
Número de lóbulos 068 Cinco Cinco o más Siete Cinco Cinco
Pigmentación antociánica nervios principales haz 070 Nula o muy débil Nula o muy débil Nula o muy débil Nula o muy débil Entre muy débil y débil
Hinchazón del haz 075 Débil Entre media y fuerte Fuerte Nula o muy débil Entre media y fuerte
Forma de los dientes 076 De lados rectilíneos De lados convexos De lados rectilíneos De lados convexos De lados rectilíneos
Longitud de los dientes 077 Medianos Entre medianos y largos Largos Cortos Medianos
Longitud dientes con relación a anchura base 078 Medianos Medianos Largos Cortos Cortos
Forma del seno peciolar 079 Abierto Con lóbulos superpuestos Lóbulos muy superpuestos Abierto Poco abierto
Forma de la base del seno peciolar 080 En V En U En V En V En V
Particularidades del seno peciolar 081 Ninguna Ninguna Ninguna Ninguna Presencia diente en borde
tumbados entre nervios (envés) 084 Entre alta y muy alta Entre media y alta Alta Nula o muy baja Entre media y alta
erguidos entre los nervios (envés) 085 Nula o muy baja Entre baja y media Media Nula o muy baja Entre baja y media
Densidad tumbados nervios principales (envés) 086 Baja Entre baja y media Nula o muy baja Nula o muy baja Nula o muy baja
de los
pelos erguidos nervios principales (envés) 087 Nula o muy baja Nula o muy baja Media Nula o muy baja Nula o muy baja
tumbados del peciolo 090 Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja
erguidos del peciolo 091 Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja Nula o muy baja
SARMIENTO
Superficie 102 Lisa Estriada Lisa Lisa Lisa
FENOLOGÍA
Época de la brotación 301 Precoz Tardía Media Muy precoz Media
Fuente: Borrego (1990); OIV (2000)
38
Material y métodos
En la Figura nº 6, se muestra una

imagen digitalizada de una hoja de
los cultivares Airén, Cabernet-
Sauvignon, Cencibel, Garnacha y
Macabeo.
El porta injerto de las dos
parcelas es 41B, que es un cruce
entre Vitis vinífera L. y Vitis
Airén berlandieri Planchon. Soporta muy
Cabernet-Sauvignon
bien los terrenos calizos, es sensible
a nematodos, tiene un desarrollo
inicial bastante lento y el arraigo de
los barbados es difícil. El
Garnacha
prendimiento de los injertos en
campo es bueno y la compatibilidad
es bastante buena con todas las
variedades probadas.
Cencibel Macabeo
Figura 6. Imágenes digitalizadas de los limbos de las hojas de los

cultivares Airén, Cabernet-Sauvignon, Cencibel, Garnacha y Macabeo.
4.5. Labores y operaciones culturales.

Las labores y operaciones culturales que se llevaron a cabo en las parcelas en las que se tomaron
las muestras figuran en la Tabla nº 10. Todas ellas fueron llevadas a cabo por el personal laboral
perteneciente al IVICAM.
Tabla 10. Labores y operaciones culturales efectuadas en las parcelas de estudio.
Fecha Práctica cultural Equipo-Material
Noviembre Poda Tijeras (manual)
Noviembre Recogida de sarmientos Horca (manual)
Noviembre Transporte de sarmientos Tractor 80 CV y remolque 5 t.
Tractor 80 CV y remolque-distribuidor 5 t.
Febrero Transporte y distribución de estiércol
Estiércol de oveja, 15 t ha-1
Tractor 80 CV y abonadora centrífuga.
180 kg ha-1 de sulfato amónico 21%. 38 UF
Marzo Abonado, transporte y distribución
360 kg ha-1 de superfosfato (18%). 65 UF
126 kg ha-1 de sulfato potásico (60%). 76 UF
Abril Pase de cultivador Tractor 80 CV y cultivador 9 brazos
Mayo Pase de cultivador Tractor 80 CV y cultivador 9 brazos
Junio Poda en verde Tijeras (manual)
Junio Pase de cultivador Tractor 80 CV y cultivador 9 brazos
Julio Pase de cultivador Tractor 80 CV y cultivador 9 brazos
Septiembre Vendimia Tijeras (manual)
Septiembre Acarreo y transporte a la bodega Tractor 80 CV y remolque 5 t.
Fuente: Instituto de la Vid y el Vino de Castilla-La Mancha (IVICAM) de Tomelloso (Ciudad Real)
4.6. Procedimiento para la toma de muestras.

Se realizaron catorce muestreos en la primera campaña (1995) sobre plantas del cultivar Cencibel
y ocho en la segunda (1996) en cepas de los cultivares Airén, Cabernet-Sauvignon, Cencibel,
Garnacha y Macabeo, lo que supone que se hayan manejado datos de seis poblaciones diferentes.
En la Tablas nº 11 y 12, figuran las fechas y los tamaños de las muestras de las dos campañas del
ensayo.
39
Material y métodos
Al inicio de la primera campaña, se marcaron ochenta plantas con

Tabla 11. Fechas y tamaño de las
muestras de la 1ª Campaña (1995) un nivel de desarrollo semejante y, en cada muestreo, se cortaron
Tamaño de todos los sarmientos a cuatro plantas de las marcadas. Para cada
Muestreo Fecha planta se separaron los sarmientos en tres grupos, delanteros,
la muestra
1 11-05-95 132 zariegos y esperguras, atendiendo a la posición de los mismos en la
2 22-05-95 123 cepa, embolsándolos convenientemente etiquetados para asegurar su
3 01-06-95 115 identificación en todo momento. Posteriormente, en el laboratorio, se
4 12-06-95 114 extrajeron las hojas que compondrían la muestra, tomando para cada
5 22-06-95 107 planta cuatro hojas grandes, cuatro medianas y cuatro pequeñas de
6 03-07-95 131 cada uno de los grupos de sarmientos indicados anteriormente. Las
7 13-07-95 115 hojas eran etiquetadas adecuadamente, de modo que cada hoja
8 24-07-95 132 mostrara el número de muestreo, la planta, el tipo de sarmiento y el
9 03-08-95 124 tamaño que le correspondía. El resto del material recogido era
10 10-08-95 144 empleado en otros estudios paralelos.
11 22-08-95 144 La segunda campaña se inició señalando en el campo cuarenta
12 31-08-95 96 plantas de cada cultivar con un desarrollo equiparable. Más tarde, en
13 11-09-95 124 cada muestreo, se recogieron las muestras sobre cuatro plantas de
14 21-09-95 104 cada cultivar de entre las marcadas, teniendo en cuenta que ninguna
Total 1705 de ellas se muestrease más de una vez. En cada planta se recogieron
doce hojas de los distintos sarmientos de ella, sin atender a la
posición de éstos en la cepa, teniendo como única restricción que, en cada planta, cuatro hojas
fueran grandes, cuatro medianas y cuatro pequeñas. Las hojas eran debidamente etiquetadas, para
conocer en todo momento el cultivar, el número de muestreo y el tamaño que le correspondía a cada
una. La razón por la que en esta 2ª campaña no se diferenció el tipo de sarmiento del que se
recogían las hojas, se debe a que, en las conclusiones de la 1ª campaña, se estableció que no existía
ninguna diferencia significativa, desde el punto de vista morfométrico, entre las hojas procedentes de
cualquiera de los tres tipos de sarmientos.
Tabla 12. Fechas y tamaño de las muestras de la 2ª Campaña (1996).

Tamaño de la muestra
Muestreo
Fecha
Cabernet-
Airén Cencibel Garnacha Macabeo Total
Sauvignon
1 03-06-96 47 48 48 48 48 239
2 25-06-96 48 48 48 47 43 234
3 02-07-96 45 48 44 48 44 229
4 16-07-96 48 47 48 48 43 234
5 30-07-96 47 48 48 48 45 236
6 13-08-96 48 48 47 48 46 237
7 27-08-96 48 48 48 48 48 240
8 12-09-96 48 48 48 47 48 239
Total 379 383 379 382 365 1888
En algunos muestreos, en ambas campañas, existe una diferencia entre el número de hojas
teórico y el real de la muestra, lo que es debido a causas diversas, relacionadas tanto con el material
vegetal fresco como con las imágenes digitalizadas.
En ambas campañas de muestreos, los tres grupos de hojas se establecieron en función del lugar
que ocupase cada una en el sarmiento en el momento de la toma de muestras, de modo que las
hojas pequeñas proceden del tercio superior del sarmiento, las medianas del tercio medio y las
grandes del tercio inferior, pero no se establecieron unos patrones fijos de tamaño.
El material recogido en el campo era embolsado y transportado a las instalaciones de la Escuela
Técnica Superior de Ingenieros Agrónomos, de la Universidad de Castilla-La Mancha, en Albacete,
donde se almacenaba bajo refrigeración hasta el día siguiente, en que se procesaba todo el material
vegetal recolectado.
40
Material y métodos
4.7. Trabajo de laboratorio.

Los parámetros obtenidos en el laboratorio para cada hoja son los siguientes:
a) Parámetros medidos manualmente con una
regla dividida en mm. (Fig. 7):
1. Longitud máxima del limbo medida
manualmente (Lm), en cm.
Lm
2. Anchura máxima del limbo medida
manualmente (Am), en cm.
Am
3. Longitud del peciolo, en cm (Lp).
b) Parámetros calculados en base al peso fresco
medido para cada una de las hojas y a la
humedad de cada grupo de hojas, obtenida con la
pesada en fresco y tras desecación en estufa a
105ºC durante 24 horas de cada uno de los
grupos de hojas, con la ayuda de una balanza con
sensibilidad hasta un cg.:
Figura 7. Representación de los parámetros del limbo de
4. Peso seco del limbo (MSl), en g. la hoja medidos manualmente
5. Peso seco del peciolo (MSp), en g.
c) Parámetros obtenidos a partir de la imagen digitalizada de los limbos de las hojas con un escáner
EPSON GT-8000 (Seiko Epson Corporation. Nagano, Japón) y posteriormente tratadas con el
analizador de imagen GLOBAL LAB Image Version 2.10 (Data Translation Inc. Marlboro, MA,
EE.UU.). En la Figura nº 8 se representan algunos de estos parámetros.
6. Longitud máxima del limbo medida con “Caja”
analizador de imagen (La), en cm.
7. Anchura máxima del limbo medida con el
analizador de imagen (Aa), en cm.
Centro de
8. Área del limbo de la hoja medida con el la “Caja”
analizador de imagen, excluidos los
2
agujeros, (SFa), en cm . La
Ad
9. Perímetro del limbo (P), en cm.
10. Área de los agujeros o “Hole Area” (HA), Ld Centro del
es el área de los huecos que se forman área
como consecuencia de los solapes entre
2
los lóbulos del limbo de la hoja, en cm .
11. Número de agujeros que tiene la hoja
(NH), es un número entero que Aa
corresponde a los huecos que quedan en Figura 8. Representación de diversos parámetros del
la superficie del limbo de la hoja a causa limbo de la hoja medidos mediante analizador de imagen
del solapamiento de los distintos lóbulos
del mismo.
12. Proporción del área de los agujeros o “Hole Ratio” (HR). Es un parámetro adimensional, su
valor está entre 0,0 y 1,0 y se calcula según la siguiente expresión:
-1
HR = HA.(SFa+HA) (4)
2
13. Área Total o “Total Area” (TA), en cm , corresponde a la suma de la superficie del limbo y del
área de los agujeros del mismo.
14. Relación entre perímetro y área total del limbo de la hoja (PPDA), es un parámetro
adimensional que se calcula como:
2 -1
PPDA = P .TA (5)
15. Radio medio o “Average Radius” (R), es el radio medio desde el centro del limbo de la hoja al
borde del mismo, en cm.
16. Índice de redondez o “Roundness” (IR), es un parámetro adimensional que indica cuánto se
aproxima la forma del limbo de la hoja a un círculo; su valor está entre 0,0 y 1,0 y se calcula
según la expresión:
-2
IR = 4.π.SFa.P (6)
41
Material y métodos
2
17. Área de la “caja” o “Box Area” (BA), en cm , corresponde al área del rectángulo o “caja” que
circunscribe al limbo de la hoja orientada según los ejes X e Y.
18. Proporción del área de la “caja” o “Box ratio” (BR), es adimensional, está entre 0,0 y 1,0 y se
calcula como:
-1
BR = SFa.BA (7)
19. Regularidad longitudinal o “Length diff" (Ld) es una medida de la simetría del limbo de la hoja a
lo largo del eje mayor y su valor es la distancia en cm a lo largo del eje mayor entre el centro de
la “caja que circunscribe al limbo de la hoja” y el centro del área del limbo de la hoja. Cuando
su valor es 0 significa que el limbo la hoja es simétrico con respecto al eje mayor.
20. Regularidad transversal o “Width diff" (Ad) es una medida de la simetría de la hoja a lo largo
del eje menor y su valor es la distancia en cm a lo largo del eje menor entre el centro de la
“caja que circunscribe la hoja” y el centro del área de la hoja. Cuando su valor es 0 significa
que el limbo de la hoja es simétrico con respecto al eje menor.
d) Parámetros elaborados a partir de los medidos.
2 -1
21. Superficie específica foliar (SEF), expresada en m .kg y se calcula como el cociente entre la
superficie foliar y el peso seco del limbo de la hoja.
-1
SEF = SFa. MSl (8)
22. Lm.Am, es el producto de la longitud por la anchura del limbo de la hoja medidas
2
manualmente, en cm .
23. Lm/Am, es el cociente entre la longitud y la anchura del limbo de la hoja medidas
manualmente, adimensional.
24. La.Aa, es el producto de la longitud por la anchura del limbo de la hoja medidas con el
2
analizador de imagen, en cm .
25. La/Aa, es el cociente entre la longitud y la anchura del limbo de la hoja medidas con el
analizador de imagen, adimensional.
e) Parámetros medidos con el integrador automático de área foliar LI-COR modelo LI-3100 (LI-COR
Inc. Lincoln, Nebraska, EE.UU.).
2
26. Área del limbo de la hoja medida con el integrador de área foliar, (SFi), en cm .
Las variables indicadas se pueden agrupar en cuatro bloques:
• variables relacionadas con el tamaño de la hoja: SFa, SFi, P, Lm, La, Am, Aa, La.Aa,
Lm.Am, TA, BA, R y MSl.
• variables relacionadas con la forma de la hoja: IR, Lm/Am, La/Aa, BR, PPDA, Ld, Ad y
SEF.
• variables relacionadas con los agujeros de la hoja: NH, HA y HR.
• variables relacionadas con el peciolo de la hoja: Lp y MSp.
De todos los parámetros relacionados, en la primera campaña se emplearon únicamente los
siguientes: Lm, Am, Lp, MSl, MSp, La, Aa, IR, P, HA, SFa, SEF, Lm.Am, La.Aa, Lm/Am, La/Aa, SFi.
En el segundo periodo de muestreo se utilizaron todos los parámetros expuestos, salvo la
superficie del limbo de la hoja medida con el integrador de área foliar (SFi), como consecuencia de
las conclusiones de la primera campaña.
42
Material y métodos
4.8. Módelos para determinar el área foliar.

Todos los modelos evaluados en el presente estudio para determinar el área foliar, se encuadran
en el grupo de los métodos de estimación (Apartado 3.5.3), que, tal y como se ha comentado en el
Apartado 3.5.3.1., se basan en el establecimiento de una relación matemática entre la área foliar y
alguna característica de la hoja que se pueda medir, tales como medidas lineales de la hoja o el peso
de la misma. En el Tabla nº 13, se incluyen las relaciones matemáticas más relevantes descritas en la
bibliografía de las empleadas como métodos de estimación del área foliar basados en medidas
lineales de la hoja
Tabla 13. Relaciones matemáticas empleadas en la estimación del área foliar mediante medidas foliares
lineales.
Expresión Variables independientes
S = a . x (1) L . A, L2
S = a + b . x (2) L, A, L . A, A2 ó Lp
S = a + b.x1 + c.x2 + d.x1.x2 (3) L y A ó L2 y A2
S = a + b . x + c . x2 (4) L, A, Lp, L1, L2d, L2i, L2 ó L3
S = a . xb (5) L . A, L, A, Ls ó Li
S = a . x1b . x2c (6) L y A, Ls y A ó Li y A
log S = log L + log A’ – log (L . A’ . S-1) (7) -
log S = a + b . log x (8) L, L . A, N2(e.d), N2(e+d), D(e.d) ó D(e+d)

a, b, c: coeficientes de los ajustes; A: anchura del limbo, cm; A’: anchura del limbo medida en la mitad de la longitud de la hoja, cm; D(e.d): producto de de la distancia
entre la nervadura principal central y el extremo de la primera nervadura secundaria de las dos primeras nervaduras principales laterales; D(e+d): suma de la distancia
entre la nervadura principal central y el extremo de la primera nervadura secundaria de las dos primeras nervaduras principales laterales; L: longitud del limbo, cm; L1:
distancia entre la inserción peciolar y el extremo del nervio principal, cm; L2 = L2d + L2i; L2d: distancia entre la inserción peciolar y el extremo del primer nervio lateral
derecha, cm; L2i: distancia entre la inserción peciolar y el extremo del primer nervio lateral izquierda, cm; L3: distancia entre los puntos extremos de los dos primeros
nervios laterales, cm.; Li: distancia desde el punto de inserción en el raquis del primer foliolo hasta el extremo superior de la hoja; Lp: longitud del pecíolo, cm; Ls:
distancia desde la base del peciolo hasta el extremo superior de la hoja; N2(e.d): producto de la longitud de las dos primeras nervaduras laterales; N2(e+d): suma de la
longitud de las dos primeras nervaduras laterales; S: superficie del limbo, cm2
De todas las expresiones de la Tabla nº 13, van a ser objeto de estudio las tres primeras y la (8), si
bien es cierto que, tal y como se verá más adelante, ciertas transformaciones matemáticas hacen
posible evaluar con el mismo procedimiento las expresiones (4) y (5).
4.9. Análisis estadístico de las variables objeto del estudio.
Las variables medidas y las calculadas para cada hoja, descritas en el apartado 4.7, han sido
analizadas con distintas técnicas estadísticas, que se detallan a continuación. En el estudio se han
empleado dos programas informáticos, el programa Microsoft® Excell 2000 (Microsoft Corporation,
2000) para la estadística descriptiva y el programa SPSS para Windows versión 11.5.1 (SPSS Inc.,
2002) tanto para el Análisis de Varianza (ANOVA), como para el Análisis de Componentes Principales
(ACP) y el Análisis de Regresión Lineal (ARL).
4.9.1. Estadística descriptiva.
La estadística descriptiva de medidas de posición y de dispersión de la media (Ruiz, 1980;
Kazmier y Díaz, 1991; Romero y Zúnica, 1993) se emplea con el objeto de estudiar la variabilidad de
las muestras.
Para la primera campaña del ensayo, se ha estudiado la variabilidad de cada variable en cada
muestreo, considerando por separado el tipo de sarmiento de procedencia (delanteros, zariegos y
esperguras) y el tamaño de cada hoja (grandes, medianas y pequeñas), incluyendo además para
cada muestreo una análisis global con todas las hojas del mismo. Finalmente se ha realizado un
estudio global de las variables de todas las hojas de todos los muestreos, con y sin agrupamientos
por tipo sarmiento de procedencia y/o tamaño de hoja.
En la segunda campaña del ensayo, se ha realizado el análisis para cada cultivar por separado,
estudiando la variabilidad de cada variable en cada muestreo, diferenciando el tamaño en que se
separaron las hojas (grandes, medianas y pequeñas), incluyendo además, para cada muestreo, un
estudio global con todas las hojas de éste. Finalmente, se ha realizado un estudio global para cada
43
Material y métodos
cultivar, con todas las hojas recolectadas en todos los muestreos, considerando tanto el estudio por
separado de los agrupamientos por tamaños como el análisis global con todas las hojas.
Los estadísticos empleados en este apartado son:
a) Medida de la posición de la media: media aritmética, máximo, mínimo y rango.
b) Medida de la dispersión de la media: varianza, desviación típica, error típico, coeficiente de
variación, coeficiente de asimetría, coeficiente de curtosis e intervalo de confianza (95%).
4.9.2. Análisis de Componentes Principales (ACP).
El principal objetivo del análisis factorial con el método de componentes principales es, dada una
matriz de datos (i variables, j individuos), condensar la información contenida en las i variables en un
número reducido de f nuevas variables, denominadas factores o componentes principales, no
observables directamente y no correlacionados entre ellos, que expliquen el máximo de la variabilidad
de la población, siendo estos factores combinaciones lineales de las variables primitivas (Ferrán,
1996; Pérez, 2001; Pardo y Ruiz, 2002; Campos, 2003).
Como paso previo al propio análisis factorial, conviene comprobar si es apropiado realizarlo con
los datos de que se dispone. Para ello se contrasta, mediante la prueba de esfericidad de Bartlett, la
hipótesis nula de que la matriz de correlaciones es la matriz identidad. Asumiendo que los datos
proceden de una distribución normal multivariante, el estadístico de Bartlett se distribuye
aproximadamente según el modelo de probabilidad chi-cuadrado y es una transformación del
determinante de la matriz de correlaciones. Si el nivel crítico asociado es mayor que 0,05, no se
podrá rechazar la hipótesis nula de esfericidad, en cuyo caso no existirían correlaciones significativas
entre las variables y el modelo factorial no sería pertinente. Así mismo, se comprueba si las
correlaciones parciales entre las variables son suficientemente pequeñas, lo que igualmente es
necesario para aplicar un modelo factorial, ya que cuando las variables incluidas en el análisis
comparten gran cantidad de información debido a la presencia de factores comunes, la correlación
parcial entre cualquier par de variables debe ser reducida. Se emplea para ello la medida de
adecuación muestral de Kaiser-Meyer-Olkin, o estadístico KMO, cuyo valor varía entre 1 y 0; los
valores pequeños indican que no es pertinente el análisis factorial, ya que las correlaciones entre los
pares de variables no pueden ser explicadas por otras variables; un valor cercano a 1 indica que los
datos corresponden a una estructura factorial.
Una vez contrastado que es pertinente la realización de un análisis factorial con la información
disponible, se obtienen, en primer lugar, los coeficientes de correlación entre cada pareja de variables
de las definidas en el Apartado 4.7.
En segundo lugar, se calculan los factores, no correlacionados entre sí, tantos como variables
iniciales consideradas, que sean combinaciones lineales de éstas y que nos ayuden a estudiar la
correlación existente entre las variables iniciales. En el siguiente paso, del conjunto de todos los
factores hallados, se extrae un subconjunto con todos aquellos que cumplan la condición de que el
valor de la varianza explicada por cada uno de ellos sea mayor de 1 (criterio de Kaiser), sin limitación
en el número de factores a extraer.
A continuación, tomando como referencia los factores extraídos, se expresa cada variable en
función de ellos según una relación lineal, asignando a cada variable un coeficiente o saturación para
cada factor. Al emplear el método de Componentes Principales en la extracción de los factores, la
saturación de una variable sobre un factor toma valores entre 1 y -1 y su valor coincide con la
correlación entre la variable y el factor.
Con el objeto de facilitar todavía más la interpretación de las relaciones entre las variables, este
grupo de factores extraídos se rota con una rotación Varimax, para tratar de minimizar el número de
variables con saturaciones altas en un factor. De esta manera, las variables que estén fuertemente
correlacionadas entre sí, tendrán saturaciones altas en valor absoluto sobre un mismo factor y bajas
sobre el resto y las variables que no tengan ninguna correlación, tendrán saturaciones altas en valor
absoluto en distintos factores. Al mismo tiempo, las variables que tengan una saturación alta en valor
absoluto en un factor, están muy bien representadas por ese factor. Por el contrario, aquellas
variables que no presenten una saturación alta en ninguno de los factores, no se podrán interpretar
de manera fiable, al tener una baja representación en el conjunto de los factores extraídos. Teniendo
en cuenta que la calidad de la representación de una variable será más alta cuanto mayor sea su
distancia al origen del subespacio generado por los factores extraídos, se ha representado en planos
la relación entre cada una de las variables y los factores extraídos combinados a pares, son los
gráficos de componentes en el espacio rotado.
44
Material y métodos
En el caso objeto de estudio, se ha aplicado el análisis factorial descrito a todas las hojas
recogidas en la primera campaña en primer lugar; posteriormente, para la segunda campaña, se ha
realizado el mismo estudio para cada cultivar por separado. La matriz de datos está compuesta, por
tanto, por 17 variables y 1.705 hojas para la primera campaña y para la segunda campaña, por 25
variables y el número de hojas recogidas de cada cultivar (Tabla 12).
4.9.3. Análisis de Regresión Lineal (ARL).
4.9.3.1. Introducción al ARL.
En un estudio de regresión, se dispone de j observaciones de una variable aleatoria, Yj, junto con
los valores correspondientes de las variables (aleatorias o no), X1j,...,Xij, de las que la primera
depende o puede depender y se trata, en general, de estudiar las posibles relaciones existentes entre
la distribución de Yj y los valores de las Xij. A la variable Y se le denomina dependiente, endógena,
regresando o explicada, mientras que a las variables Xi se les llama independientes, exógenas,
regresoras o explicativas. En particular, los modelos clásicos de regresión asumen que cada
observación es el valor observado de una variable aleatoria Yj normal, de varianza constante
desconocida y cuyo valor medio es una función de los valores constatados de las Xij (Carbonell et al.,
1983; Domènech y Riba, 1985; Romero y Zúnica, 1993; Pulido y Pérez, 2001; Cladera et al., 2002;
Pardo y Ruiz, 2002; Hocking, 2003; Gujarati, 2004).
Las fases de un estudio con modelos de regresión comprenden la definición del problema la
formulación del modelo, la recogida de datos, la estimación del modelo, la validación del mismo y su
explotación.
En el presente estudio la definición del problema se concreta en la obtención de un modelo
matemático sencillo que permita la estimación del área foliar en Vitis vinifera L. mediante parámetros
biométricos foliares de obtención rápida, sencilla y no destructiva.
Los modelos matemáticos que se van a estimar y validar son:
- Modelos lineales
Y = b1 . X (9)
Y = b0 + b1 . X (10)
Y = b0 + b1 . X1 + b2 .X2 (11)
Y = b0 + b1 . X1 + b2 .X2 + b3 .X3 (12)
- Modelos no lineales
2
Y = b0 + b2 . X (13)
2
Y = b0 + b1 . X + b2 . X (14)
b1
Y = b0 . X (15)
En estos modelos, Y representa a la variable dependiente, X, X1 y X2 son las variables
independientes y bi son coeficientes, que en cada modelo tienen un significado concreto: para los
modelos de las Ecs. (9) y (10), b1 es la pendiente de la recta de regresión simple (coeficiente de
regresión); para el modelo de la Ec. (10), b0 es el punto en que la recta corta al eje vertical y; en los
modelos de las Ecs. (11) y (12), b1, b2 y b3, este último sólo para la Ec. (12), representan el peso
relativo de cada variable en la recta de regresión múltiple y b0 es una constante; para las Ecs. (13) y
(14), b0 es el punto en que la curva corta al eje vertical y b2 representa la medida de la curvatura de la
relación de Y con X; en la Ec. (14), b1 es la pendiente en el origen.
Los modelos curvilíneos se estudiarán como modelos lineales, realizando alguna transformación
matemática. En el caso de las Ecs. (13) y (14), éstas se sustituyen por los modelos lineales de las
Ecs. (10) y (11), respectivamente, creando una “nueva” variable, X1, que es igual al cuadrado de X.
Por otro lado, el modelo de la Ec. (15) se ha transformado en el modelo de la Ec. (10), después de
aplicar un cambio logarítmico, de modo que:
log Y = log bo + b1 . log X (16)
En los tres casos hay que tener presente la conversión realizada a la hora de validar los modelos e
interpretar los resultados obtenidos.
Con las transformaciones comentadas, para la estimación de todos los modelos indicados se
emplea el ARL, Simple o Múltiple, según que esté implicada una sola variable independiente o varias,
respectivamente.
Una vez formulados los modelos y recogidos los datos pertinentes, tal y como se refleja en
apartados anteriores, se entra en la fase de estimación que tiene como objeto utilizar la información
45
Material y métodos
existente en dichos datos para obtener los valores más verosímiles de los parámetros del modelo, así
como estimar la precisión de las estimaciones obtenidas. Posteriormente, con la validación del
modelo se pretende cuestionar la adecuación de las hipótesis en las que se basa el modelo,
aprovechando la información contenida en los datos.
4.9.3.2. Estimación de modelos con el ARL.
En el ARL Simple, con los datos disponibles, se calculan los coeficientes de la recta que hace
mínima la suma de los cuadrados de los residuos, que son las distancias verticales entre cada punto
y la recta de regresión, que representa las diferencias al cuadrado entre los valores observados y los
pronosticados por la recta calculada. Cuando disponemos de más de una variable independiente, el
ARL es Múltiple y define, en lugar de una recta, un hiperplano en un espacio multidimensional, pero
de igual manera que para el caso simple, los coeficientes del modelo se obtienen intentando
minimizar la suma de los cuadrados de los residuos, que son igualmente las diferencias al cuadrado
entre los valores observados y los pronosticados por el hiperplano calculado (Carbonell et al., 1983;
Domènech y Riba, 1985; Romero y Zúnica, 1993; Pulido y Pérez, 2001; Cladera et al., 2002; Pardo y
Ruiz, 2002; Hocking, 2003; Gujarati, 2004).
Para comprobar la bondad del modelo, el primer paso es determinar el nivel de bondad global del
2
ajuste, mediante el Coeficiente de Determinación (R ), que define la porción de la variabilidad de la
variable dependiente que está explicada por el modelo. Se calcula como cociente entre la suma de
cuadrados de la variabilidad explicada y la suma de cuadrados de la variabilidad total y está
comprendido entre 0 y 1. Cuanto más cercano a 1 esté su valor, mayor parte de la variabilidad
constatada de Y estará asociada a las variables explicativas incluidas en el modelo. Se ha empleado
2 2
R corregido, que es una corrección a la baja de R , basada en el número de casos y de variables
2
independientes, que será prácticamente igual a R en análisis con muchos casos y pocas variables
independientes.
También se comprueba la existencia o no de relación lineal significativa entre la variable
dependiente y el conjunto de variables independientes tomadas en conjunto, es decir se trata de
estudiar la hipótesis nula de si al menos una de las variables explicativas estudiadas tiene un efecto
real poblacional, y por tanto, si el valor poblacional del Coeficiente de Correlación múltiple (r) es
distinto de cero, o, lo que es lo mismo, si alguno de los coeficientes bi es igualmente distinto de cero,
para lo que se compara el cociente de la media cuadrática de los cuadrados medios de la variabilidad
explicada y de la media cuadrática de los cuadrados medios de la variabilidad residual con el
estadístico F de Fisher-Snedecor adecuado y el nivel crítico relacionado. Cuando el cociente indicado
sea superior al estadístico F adecuado, el valor del nivel crítico (Sig.) es inferior a 0,05 y se puede
afirmar que existe relación lineal significativa.
A continuación, mediante los coeficientes de regresión parcial, que son los coeficientes bi de los
modelos, el estadístico t de Student y el nivel crítico asociado, se corrobora si es significativo el efecto
de cada una de las variables independientes incluidas en el modelo, de modo que si el nivel crítico de
cada bi es muy pequeño (generalmente menores a 0,05), el coeficiente de regresión parcial es
significativamente distinto de cero y la variable independiente oportuna tiene efecto sobre la variable
dependiente. Además, en el caso de regresiones múltiples, como los coeficientes de regresión parcial
dependen de las unidades de cada variable independiente, se estudian los coeficientes de regresión
parcial estandarizados de cada variable independiente ( i), basados en puntuaciones típicas, que
indican la importancia relativa de cada variable en el modelo, de modo que cada una de ellas tiene
tanta más importancia en la ecuación de regresión cuanto mayor (en valor absoluto) es su coeficiente
de regresión parcial estandarizado.
4.9.3.3. Supuestos del modelo de regresión lineal.
La interpretación de los coeficientes de regresión y la utilización del modelo lineal de regresión
para la predicción, sólo son válidas si los datos cumplen las condiciones de aplicación del modelo.
Concretamente, para el modelo de regresión lineal, en cuanto modelo estadístico que es, hay que
cuestionarse los siguientes supuestos y analizarlos mediante el estudio de las representaciones
gráficas correspondientes y el análisis de residuos (Domènech y Riba, 1985; Pulido y Pérez, 2001;
Cladera y Matas, 2002; Pardo y Ruiz, 2002; Hocking, 2003; Gujarati, 2004):
1. Linealidad. Se tiene que establecer que, efectivamente, la relación entre la variable dependiente
y la variable o variables independientes, es lineal. Su incumplimiento se puede deber a varias causas:
exclusión de variables independientes importantes, inclusión de variables independientes irrelevantes,
la forma funcional no es lineal, etc. Sobre el cumplimiento de este primer supuesto, cuando se está
ante un ARL simple, se puede contrastar observando el diagrama de dispersión de los residuos
tipificados frente a los valores pronosticados tipificados, de modo que, cuando exista relación no
46
Material y métodos
lineal, el diagrama mostrará indicios sobre otro tipo de función de ajuste. Para el caso de un ARL
múltiple, se obtiene información de los diagramas de regresión lineal, similares a los diagramas de
dispersión, pero que no están basados en los valores originales de las dos variables representadas,
la dependiente y una de las independientes, sino en los residuos obtenidos al realizar un análisis de
regresión con el resto de las variables independientes. Son muy útiles porque permiten examinar la
relación existente entre la variable dependiente y cada una de las variables independientes por
separado, tras eliminar de ellas el efecto del resto de las variables independientes incluidas en el
análisis, dando una idea rápida del tamaño y signo de los coeficientes de regresión parcial, que son
los coeficientes de la ecuación de regresión. Si se incumple el supuesto de linealidad, se puede
recurrir a una transformación de las variables, como las indicadas en el Apartado 4.9.3.1.
2. No-colinealidad de las variables independientes. El cumplimiento de este supuesto, obviamente
únicamente cuando se realiza un ARL múltiple, implica que no existe relación lineal entre ninguna de
las variables independientes. La existencia de colinealidad supone un problema ya que, en el caso de
colinealidad perfecta, no es posible estimar los coeficientes de la ecuación de regresión y en el caso
de colinealidad parcial, aumenta el tamaño de los residuos tipificados, lo que se traduce en
coeficientes de regresión muy inestables, que sufren grandes cambios con pequeños cambios en los
datos de partida (por ejemplo añadir o quitar un caso u observación). Por ello interesa identificar su
presencia y adoptar las precauciones posibles. Al evaluar la existencia o no de colinealidad, la
dificultad estriba en determinar cuál es el grado máximo de relación permisible entre las variables
independientes, desde la colinealidad extrema a la no-colinealidad, pasando por una infinidad de
estados intermedios. Además, no existe un criterio estadístico formal en el que basar las decisiones,
tan sólo ciertos indicios que pueden encontrarse en los resultados de un análisis de regresión, tales
como errores estándar de los coeficientes de regresión altos ó signos de los coeficientes de regresión
de signo contrario a lo esperado. Al margen de estos indicios, el programa informático empleado
permite obtener algunos estadísticos orientadores que pueden ayudar a diagnosticar la existencia de
mayor o menor colinealidad, pero que no permiten tomar una decisión definitiva sobre la presencia o
no de colinealidad. El primero que se propone se obtiene al aplicar un análisis de componentes
principales a la matriz estandarizada no centrada de productos cruzados de las variables
independientes e informa sobre cuántas dimensiones o factores diferentes subyacen en el conjunto
de variables independientes utilizadas; la presencia de varios autovalores próximos a cero indica que
las variables independientes están muy relacionadas entre sí. El segundo estadístico de colinealidad
que se puede emplear son los índices de condición, que se calculan como la raíz cuadrada del
cociente entre el autovalor más grande y cada uno del resto de los autovalores; en condiciones de no-
colinealidad, estos índices no deben ser mayores de 15, índices mayores indican un posible problema
y cuando su valor es más grande que 30, revelan un serio problema de colinealidad. Otro estadístico
de colinealidad es el nivel de tolerancia de una variable, que se obtiene restando a 1 el coeficiente de
2
determinación (R ) resultante de regresar esa variable sobre el resto de variables independientes.
Valores de tolerancia pequeños indican que esa variable puede ser explicada por una combinación
lineal del resto de variables, lo cual significa que existe colinealidad. También se puede recurrir a los
factores de inflación de la varianza (FIV), que son el inverso de los niveles de tolerancia; cuanto
mayor es el FIV de una variable, mayor es la varianza del correspondiente coeficiente de regresión
2
(los valores mayores que 1/(1-R ) se consideran grandes).
3. Independencia. Con este criterio se comprueba que los residuos son independientes entre sí y,
por tanto, constituyen una variable aleatoria. La dependencia entre los residuos indica que hay
información en los datos que no ha sido utilizada por el modelo o que la forma funcional escogida es
incorrecta. El estadístico d de Durbin-Watson (Durbin y Watson, 1951), proporciona información sobre
el grado de independencia existente entre los residuos. Su valor está entre 0 y 4, toma el valor 2
cuando los residuos son completamente independientes, los valores menores que 2 indican
correlación positiva y los mayores que 2 significan correlación negativa. Con una muestra de casos
suficientes, puede asumirse que los residuos son independientes cuando el estadístico d toma
valores entre 1,5 y 2,5.
4. Homocedasticidad. Esta hipótesis comporta que para cada valor de la variable independiente, o
combinación de valores de las variables independientes, la varianza de los residuos es constante. El
supuesto de homocedasticidad implica que la variación de los residuos debe ser uniforme en todo el
rango de valores pronosticados o, lo que es lo mismo, que el tamaño de los residuos es
independiente del tamaño de los pronósticos, de donde se desprende que el diagrama de dispersión
de los pronósticos tipificados (pronósticos divididos por su desviación típica) y los residuos tipificados
(residuos divididos por su desviación típica) no debe mostrar ninguna pauta de asociación. Este
diagrama de dispersión permite, además, detectar relaciones no lineales entre las variables. Existen
varios estadísticos para verificar la homocedasticidad (Bartlett, 1937; Levene, 1960; y Burr y Foster,
47
Material y métodos
1972), pero todos requieren disponer de medidas repetidas de la variable dependiente para cada uno
de los valores medidos de la variable independiente (o combinación de valores de las variables
independientes). Dada la naturaleza de las variables independientes del presente estudio, no se
dispone de estas medidas repetidas, por lo que el diagnóstico del cumplimiento del supuesto de
homocedasticidad se realizará únicamente con las pruebas gráficas indicadas. Ante la inexistencia de
homocedasticidad, se puede recurrir a transformaciones de las variables que estabilicen la varianza
de los residuos.
5. Normalidad. Con esta regla se constata que para cada valor de la variable independiente, o
combinación de valores de las variables independientes, los residuos se distribuyen normalmente con
media cero. La normalidad de la distribución de los residuos, se estudia mediante los estadísticos de
Kolmogorov-Smirnov (Kolmogorov, 1933; Smirnov, 1948; Lillieffors, 1967) y de Shapiro-Wilk (Shapiro
y Wilk, 1965), acompañados de sus correspondientes niveles críticos. El programa informático
empleado ofrece, por defecto, el estadístico Z de Kolmogorov-Smirnov, con las probabilidades de
Lillieffors para el caso en el que la media y la varianza poblacionales sean desconocidas y necesiten
ser estimadas, y, en el caso de que el tamaño muestral sea menor o igual que 50, ofrece, además, el
estadístico de Shapiro-Wilk. Cuando el nivel crítico es menor que el nivel de significación establecido
(0,05), se rechaza la hipótesis de normalidad. El problema de estos y otros estadísticos de
normalidad es que, con muestras grandes, son demasiado sensibles a pequeñas desviaciones de la
normalidad. Por esta razón, se pueden complementar con gráficos de normalidad tales como el
histograma de los residuos tipificados, con una curva normal superpuesta de media 0 y desviación
típica 1, y el gráfico de probabilidad normal, que representa en el eje de abscisas la probabilidad
acumulada que corresponde a cada residuo tipificado (calculada como la proporción de casos que
quedan por debajo de cada residuo tras ordenarlos de menor a mayor) y en el eje de ordenadas la
probabilidad acumulada teórica que corresponde a cada puntuación típica en una curva normal con
media cero y desviación típica 1, de modo que cuando los residuos se distribuyen normalmente, la
nube de puntos se encuentra alineada sobre la diagonal del gráfico. Las transformaciones de las
variables que se emplean para estabilizar la varianza, sirven también para normalizar la distribución
de la variable transformada.
4.9.3.4. Puntos de influencia.
En un ARL puede haber uno o más casos que parezcan inusuales, esto es, observaciones que
difieran del grupo principal de datos. Puede ocurrir que el valor de la variable independiente sea
aceptable, pero el valor de la variable dependiente sea muy alto o muy bajo, en relación con el resto
(outliers) o que el valor de la variable independiente sea bastante diferente del resto de los datos
(puntos extremos). Ambos casos pueden ser puntos de influencia cuando su inclusión en el modelo
de regresión altere substancialmente las estimaciones de los coeficientes de la ecuación de
regresión, los residuos o los valores predichos. Esta situación no tiene porque ser un problema en
regresión, pero conviene conocer su existencia, entre otras cosas, por si se tratase de casos con
valores erróneos. Una vez identificados y examinados, podrían ser eliminados del análisis, si se
considera necesario, decisión que debería ser justificada convenientemente (Cladera y Matas, 2002;
Pardo y Ruiz, 2002; Hocking, 2003).
El programa informático empleado ofrece numerosas opciones, entre distancias y estadísticos de
influencia, que contribuyen a precisar la posible presencia de puntos de influencia. De todos ellos, se
ha empleado la distancia de Cook (1977, 1979), que mide el cambio que se produce en las
estimaciones de los coeficientes de regresión al ir eliminando cada caso de la ecuación de regresión.
Una distancia de Cook grande indica que ese caso tiene un peso considerable en la estimación de los
coeficientes de regresión. En general, un caso con una distancia de Cook superior a 1 debe ser
revisado. En primer lugar, se va a comprobar si existe algún punto de influencia, para lo que se
observará el valor máximo de la distancia de Cook. Cuando ésta sea mayor que 1, se identificará la
observación u observaciones con una distancia de Cook superior a 1, estudiando los efectos que
producen y tomando las decisiones argumentadas que se consideren más oportunas en cada
circunstancia.
4.9.3.5. Análisis de regresión por pasos (Regresión “Stepwise”).
A la hora de efectuar un ARL, la selección de las variables independientes que se deben incluir en
el modelo se puede realizar en función de ciertos criterios marcados por el analista, pero también
existen métodos para seleccionarlas sobre una base de criterios estadísticos. De todos ellos, los que
acaso tengan mayor aceptación, son los métodos de selección por pasos (“Stepwise”), en los que se
escoge, en primer lugar la mejor variable de todas las disponibles, en virtud de algún criterio
48
Material y métodos
estadístico, a continuación la mejor de las restantes y así, sucesivamente, hasta que no queden
variables que cumplan los criterios de selección.
En el actual estudio, se va a recurrir a este procedimiento cuando se analicen los modelos que
implican a más de una variable independiente.
Los criterios estadísticos de selección que se van a aplicar son dos:
1. Criterio de significación. En virtud de él, sólo se incorporarán al modelo de regresión aquellas
variables que contribuyan al ajuste del modelo de forma significativa. La contribución individual de
una variable al ajuste del modelo se establece contrastando, a partir del coeficiente de correlación
parcial, la hipótesis de independencia entre esa variable y la variable dependiente. Para decidir si se
mantiene o se rechaza esa hipótesis de independencia, se utiliza la probabilidad de F, de modo que,
una variable pasa a formar parte del modelo de regresión si el nivel crítico asociado a su coeficiente
de correlación parcial al contratar la hipótesis de independencia es menor que 0,05 (probabilidad de
entrada) y se extrae del modelo si el nivel crítico es mayor que 0,10 (probabilidad de salida).
2. Criterio de tolerancia. Una vez superado el criterio de significación, una variable pasará a formar
parte del modelo únicamente si su nivel de tolerancia es mayor que el nivel establecido por defecto
(0,0001 en este caso) y si, además, su incorporación al modelo no hace que alguna de las variables
previamente incluidas pase a tener un nivel de tolerancia por debajo del nivel establecido. El nivel de
tolerancia se ha comentado en el Apartado 4.9.3.3, al hablar de colinealidad.
De los tres métodos de selección de variables por pasos que ofrece el programa informático
utilizado, se ha empleado el método de pasos sucesivos, que selecciona, en el primer paso, la
variable independiente que, además de superar los criterios de entrada, tiene la mayor correlación, en
valor absoluto, con la variable dependiente. A continuación, escoge la variable independiente que,
además de superar los criterios de entrada, tiene el coeficiente de correlación parcial más alto, en
valor absoluto. Cada vez que se incorpora una nueva variable al modelo, las variables previamente
incluidas son evaluadas nuevamente para determinar si siguen cumpliendo o no los criterios de
salida. Si alguna variable seleccionada cumple los criterios de salida, es extraída del modelo. El
proceso de detiene cuando no quedan variables que superen los criterios de entrada y las variables
incluidas no cumplen los criterios de salida.
2
El cambio que se produce en el coeficiente de determinación R a medida que se van incluyendo
y/o extrayendo variables del modelo, es una manera de valorar el efecto que se produce en el modelo
al aplicar los criterios de selección comentados. Este cambio se calcula restando el coeficiente de
determinación previo a la entrada de una variable en el modelo al obtenido una vez incluida ésta. Un
2
cambio grande en R señala que esa variable contribuye de manera importante a explicar la variable
dependiente y viceversa.
4.9.3.6. ARL simple con los valores observados y predichos de la variable
dependiente.
Para finalizar el proceso con los modelos de regresión lineal, una vez obtenida la expresión de un
modelo y hechas todas las comprobaciones pertinentes descritas en los apartados anteriores, se
realiza un ARL simple, sin término independiente, con los valores observados y los predichos para la
variable dependiente, los primeros como variable dependiente y los segundos como independiente.
De este modo, se comprueba si el ajuste obtenido se adapta a los valores observados.
4.9.3.7. Aplicación del ARL al caso de estudio
En definitiva, el procedimiento seguido con cada modelo evaluado es el siguiente:
2
1. Estimación y validación del modelo: cálculo de los coeficientes, cálculo de R , estudio de la
validez del modelo en general y del efecto de cada una de las variables independientes, en particular.
2. Comprobación del cumplimiento de los supuestos del modelo: linealidad entre la variable
dependiente y las variables independientes, no-colineadidad entre las variables independientes (sólo
ARL Múltiple) e independencia, homocedasticidad y normalidad de la distribución de los residuos.
3. Estudio de los puntos de influencia.
4. ARL simple, sin término independiente, con los valores observados y los predichos para la
variable dependiente, únicamente para los modelos seleccionados después de los tres pasos
anteriores.
En el caso objeto del estudio, se ha realizado el ARL descrito para todas las hojas recogidas en la
primera campaña por un lado y, por otro, para todas las muestras de cada cultivar de la segunda
campaña por separado.
49
Material y métodos
Los modelos a ensayar son los que se han descrito en el Apartado 4.9.3.1, con las
transformaciones indicadas para los modelos no lineales. Las variables independientes empleadas en
los modelos se han seleccionado, entre todas las controladas en las hojas, a la vista de los resultados
del ACP, atendiendo además a la rapidez y sencillez de su medición, no-destrucción de la muestra
y/o a su relevancia en la bibliografía consultada.
Como variable independiente, además de SFa, se ha incluido P, por el interés que tiene el
perímetro de la hoja.
De esa manera, los modelos matemáticos utilizados y las variables dependientes e independientes
empleadas con cada modelo en el ARL son las que figuran en la Tabla nº 14.
Tabla 14. Variables y modelos empleados en el Análisis de Regresión Lineal
Modelos Variable Variables independientes
matemáticos dependiente (Y) (Xi)
Y = b1 . X
SFa Lm, Lm2, Am, Am2, Lm.Am, (Lm.Am)2 ó SEF
(1)
SFa Lm, Lm2, Am, Am2, Lm.Am, (Lm.Am)2 ó SEF
Y = b0 + b1 . X
logSFa logLm, logAm, logLm.Am ó logSEF
(2)
logP logSFa, logLm.Am, logLm ó logAm
Lm, Lm2, Am, Am2, Lm.Am, (Lm.Am)2 y/ó

SFa
SEF
Y = b0 + b1 . X1 +...+ bn .Xn, n > 1

logSFa logLm, logAm, logLm.Am y/ó logSEF
(3)
logP logSFa, logLm.Am, logLm y/ó logAm
Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
50
RESULTADOS Y DISCUSIÓN
Resultados y discusión
5. RESULTADOS Y DISCUSIÓN.
5.1. Estadística descriptiva.
A continuación se presentan los resultados correspondientes a la estadística descriptiva,
agrupados por campañas y por cultivares para facilitar su exposición. Para cada variable se comentan
los resultados del estudio global realizado para cada cultivar con la totalidad de las muestras
recogidas en la campaña, así como su evolución entre los diferentes muestreos. También se incluyen
comentarios relativos a las comparaciones de distintos parámetros de una misma colección de datos
o de los mismos parámetros de distintas colecciones. La totalidad de los resultados se puede
consultar en el Anejo 1.
A modo de conclusión, en el Apartado 5.1.3 se muestran la media y el coeficiente de variación de
las variables estudiadas en las dos campañas de estudio y con los cinco cultivares empleados,
agrupando la información atendiendo a la naturaleza de cada una de las variables.
5.1.1. Primera campaña de estudio.
Los resultados del estudio estadístico descriptivo realizado con el material del cultivar Cencibel
obtenido en la primera campaña se encuentran en las Tablas nº 1 a 15 y en las Figuras nº 1 a 35 del
Anejo 1.
En los resultados señalados, se
200
observa que los valores de la media para 100
180
la variable SFa, cuando se realiza el
estudio de las hojas según su tamaño,
160 80
140
120
para el estudio global (entendiendo como 60
cm 2 100 tal el que se realiza con todas las hojas %

2
80 de todos los muestreos) son 33,56 cm 40
2
60 para las hojas pequeñas, 82,98 cm para
2
40
las medianas, 159,93 cm para las 20
2
20
grandes y 92,69 cm para el
0 0
1º 2º 3º 4º 5º 6º 7º 8º 9º agrupamiento de todas las hojas (Tabla
10º 11º 12º 13º 14º Global
15; Anejo 1). Si la agrupación de las hojas

Muestreos
Media Pequeñas Media Medianas Media Grandes Media Todas

CV Pequeñas CV Medianas se hace atendiendo al sarmiento del que
CV Grandes CV Todas
Figura 9. Media (cm2) y coeficiente de variación (CV, %) de la proceden, los datos de la media para el
superficie del limbo de las hojas medida con analizador (SFa) por 2
estudio global son 94,51 cm para los
tamaños, cv. Cencibel, 1ª campaña (1995). 2
delanteros, 90,47 cm para los zariegos y
2
91,04 cm para las esperguras, muy
próximos los tres al valor obtenido para el agrupamiento de todas las hojas. Por otra parte, al
comparar las medias de los diferentes
muestreos para cada uno de los tipos de 160 120
hojas tanto si agrupamos el material por 140

100
su tamaño como por el tipo de sarmiento, 120
se constata un ascenso del valor de la 100

80
media entre el primer y el cuarto muestro, cm

2
80 60 %
a partir del cual se observan unos valores 60
similares, aunque con algunos altibajos

40
40
(Figs. 9 y 10) y, aunque la variabilidad 20

20
natural puede explicar algunas

0 0
diferencias entre los muestreos, ya que 1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º Global
cada uno se hizo sobre plantas

Muestreos
Media Delanteros Media Zariegos Media Esperguras Media Todas

diferentes, la explicación de las CV Delanteros CV Zariegos CV Esperguras CV Todas
diferencias mayores se puede buscar en Figura 10. Media (cm2) y coeficiente de variación (CV, %) de la
el procedimiento con que se recogieron superficie del limbo de las hojas medida con analizador (SFa) por
tipo de sarmiento, cv. Cencibel, 1ª campaña.
las muestras y en el cual los tamaños de
las hojas no se fijaron previamente con
unos patrones fijos, sino que la asignación del tamaño de las hojas recolectadas se fijaba por la
posición en el sarmiento, de tal modo que las hojas pequeñas procedieran del tercio superior del
sarmiento, las medianas del tercio medio y las grandes del tercio inferior. Por otro lado, los muestreos
no fueron realizados por las mismas personas, lo que añade una componente subjetiva en la recogida
y puede ayudar a explicar las diferencias entre ellos.
53
Los coeficientes de variación para la variable SFa son entre altos y medios para el estudio global,
51,52% para las hojas pequeñas, 30,86% para las medianas, 24,12% para las grandes y 63,64%
para la agrupación de todas las hojas (Tabla 15; Anejo 1). Al atender al tipo de sarmiento, los
coeficientes de variación son muy semejantes al indicado para el agrupamiento de todas las hojas
(Tabla 15; Anejo 1).
La variable SFi presenta unas medias
200 para el estudio global, cuando se realiza 100
180
el estudio de las hojas según su tamaño,
160
muy semejantes a las comentadas para la 80
140
120
variable SFa, concretamente 32,65 cm2 60
2
cm 100
para las hojas pequeñas, 81,90 cm2 para %
80 las medianas, 159,74 cm2 para las 40
60 grandes y 91,85 cm2 para el

40
agrupamiento de todas las hojas, (Tabla 20
20
15; Anejo 1). Cuando la agrupación de las
hojas se hace atendiendo al sarmiento del
0 0
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º Global
Muestreos
que proceden, los datos de la media para
CV Pequeñas CV Medianas el estudio global son 93,85 cm2 para los
CV Grandes CV Todas
Figura 11. Media (cm2)y coeficiente de variación (CV, %) de la delanteros, 90,24 cm2 para los zariegos y
superificie del limbo de las hojas medida con integrador (SFi) por 89,01 cm2 para las esperguras,
tamaños, cv. Cencibel, 1ª campaña (1995). igualmente muy próximos a los valores de
la media que presenta la variable SFa.
Por su parte, para las medias de los diferentes muestreos para cada uno de los tipos de hojas para
ambos tipos de agrupamiento de las
160 120
hojas, se observa la misma tendencia que
la señalada para la variable SFa (Figs. 11 140
100
y 12). Los coeficientes de variación para 120
80
la variable SFi son entre altos y medios 100
para el estudio global, e igualmente muy cm 2 80 60 %
semejantes a los de la variable SFa; 60

40
concretamente, 52,72% para las hojas 40
pequeñas, 31,65% para las medianas, 20

20
24,59% para las grandes y 64,70% para 0 0
la agrupación de todas las hojas (Tabla 1º 2º 3º 4º 5º 6º 7º 8º

Muestreos
9º 10º 11º 12º 13º 14º Global
15; Anejo 1). Por tipo de sarmiento, los Media Delanteros Media Zariegos Media Esperguras Media Todas
coeficientes de variación son muy CV Delanteros CV Zariegos CV Esperguras CV Todas
semejantes al señalado para el Figura 12. Media (cm2)y coeficiente de variación (CV, %) de la
superificie del limbo de las hojas medida con integrador (SFi) por
agrupamiento de todas las hojas (Tabla tipo de sarmiento, cv. Cencibel, 1ª campaña (1995).
15; Anejo 1).
El perímetro de la hoja presenta unas medias para el estudio global de 37,53 cm para las hojas
pequeñas, 65,11 cm para las medianas, 90,91 cm para las grandes y 65,00 cm para el agrupamiento
de todas las hojas (Tabla 15; Anejo 1), mientras que para las hojas de los delanteros la media es
65,58 cm, 64,34 cm para las hojas de los zariegos y 63,46 cm para las hojas de las esperguras, estos
tres muy próximos tanto al valor de las hojas medianas como al agrupamiento de todas las hojas.
Cuando se atiende a la evolución a lo largo de los muestreos de la media del perímetro para ambos
tipos de agrupamiento de las hojas (Figs. 5 y 6; Anejo 1), la tendencia es la misma que la comentada
para los parámetros anteriores. Los coeficientes de variación para el estudio global de P son menores
que para SFa y SFi, 35,18% para las hojas pequeñas, 21,96% para las medianas, 18,47% para las
grandes y 40,49% para la agrupación de todas las hojas (Tabla 15; Anejo 1), con valores similares a
éste último para el agrupamiento de las hojas cuando se atiende al tipo de sarmiento.
54
La variable Lm, tiene, para el estudio

global, una media de 7,09 cm para las 20 60
hojas pequeñas, 11,68 cm para las 18

50
medianas, 15,88 cm para las grandes y 16
11,69 cm para el agrupamiento de todas

14
40
12
las hojas (Tabla 15; Anejo 1), con unos cm 10 30 %
valores para el agrupamiento por tipo de 8
sarmiento de 12,01 cm para las hojas de 6

20
los delanteros, 11,76 cm para las de los 4

10
zariegos y 11,63 cm para las hojas de las 2
esperguras, muy próximas tanto al valor 0

0
de las hojas medianas como al del Muestreos
agrupamiento de todas las hojas. Las

CV Pequeñas CV Medianas CV Grandes CV Todas
medias de los muestreos para los Figura 13. Media (cm) y coeficiente de variación (CV, %) de la
distintos tipos de hojas presentan una longitud máxima del limbo de las hojas medida manualmente (Lm)
tendencia ascendente hasta el muestreo por tamaños, cv. Cencibel, 1ª campaña (1995).
tercero, a partir del cual se observan en
todos unos valores similares, aunque con algunos altibajos, como se ha comentado con los
parámetros anteriores (Figs. 13 y 14). En
16 cuanto a los coeficientes de variación, 70
14 son para Lm en el estudio global 29,67% 60
12 para las hojas pequeñas, 18,23% para las 50
10
medianas, 14,88% para las grandes y
cm 8
37,83% para el agrupamiento de todas 40
%
6
las hojas (Tabla 15; Anejo 1), con valores 30
para los agrupamientos de las hojas por 20

4
el tipo de sarmiento semejantes al del 10
agrupamiento de todas las hojas.
2
0 0
1º 2º 3º 4º 5º 6º 7º 8º
Muestreos
9º El estudio global de la variable La,
Media Delanteros Media Zariegos

tiene una media de 6,99 cm para las
Media Esperguras Media Todas
CV Delanteros CV Zariegos
hojas pequeñas, 11,29 cm para las
CV Esperguras CV Todas
Figura 14. Media (cm) y coeficiente de variación (CV, %) de la medianas, 15,88 cm para las grandes y
longitud máxima del limbo de las hojas medida manualmente (Lm) 11,47 cm para el agrupamiento de todas
por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995).
las hojas (Tabla 15; Anejo 1), mientras
que el agrupamiento de las hojas por el tipo de sarmiento tiene unas medias de 11,51 cm, 11,32 cm y
11,35 cm para las hojas de los delanteros, zariegos y esperguras respectivamente. La evolución de
las medias de los muestreos para los distintos tipos de hojas presenta la misma tendencia que la
expuesta en los parámetros anteriores (Figs. 7 y 8; Anejo 1). Los coeficientes de variación de la
variable La para el estudio global son (Tabla 15; Anejo 1) 30,47% para las hojas pequeñas, 17,01%
para las medianas, 13,77% para las grandes y 36,41% para el agrupamiento de todas las hojas,
mientras que para el agrupamiento de las hojas por el tipo de sarmiento, los valores de los
coeficientes de variación son muy próximos al del agrupamiento de todas las hojas, concretamente
36,70% para los delanteros, 35,90% para los zariegos y 37,75% para las esperguras.
Al comparar los valores de las variables La y Lm, se observa que las medias para Lm son, en
general, ligeramente superiores a las de La para todos los tipos de hojas, tanto agrupadas por
tamaños como por tipo de sarmiento, y para todos los muestreos, incluso para el estudio global
(Tablas 1 a 15; Anejo 1). La explicación de estas diferencias se puede buscar en las definiciones de
estos dos parámetros y, por tanto, en la forma de medirlos (Apartado 4.7), que puede hacer que no se
esté evaluando exactamente lo mismo.
La variable Am, para el estudio global, tiene una media de 7,36 cm para las hojas pequeñas, 11,62
cm para las medianas, 15,88 cm para las grandes y 11,69 cm para el agrupamiento de todas las
hojas (Tabla 15; Anejo 1); los valores de la media para las hojas cuando se agrupan según el tipo de
sarmiento son, por su parte, 11,79 cm para las hojas de los delanteros, 11,58 cm para las hojas de
los zariegos y 11,43 cm para las hojas de las esperguras, todas en el rango de los valores de las
medias de las hojas medianas y del agrupamiento de todas las hojas. Las medias de los muestreos
para los distintos tipos de hojas, como en parámetros anteriores, presentan un incremento hasta el
muestreo cuarto, con variaciones a partir de ese muestreo que no obedecen a ninguna tendencia
marcada (Figs. 13 y 14; Anejo 1), sino más bien a la variabilidad natural de las plantas muestreadas.
El coeficiente de variación para Am, en el estudio global, presenta un valor de 28,83% para las hojas
pequeñas, 15,60% para las medianas, 13,05% para las grandes y 34,13% para el agrupamiento de
55
todas las hojas, con unos valores de 34,73% para las hojas de los delanteros, 33,70% para las hojas
de los zariegos y 34,65% para las hojas de las esperguras, estos tres últimos muy semejantes al valor
del agrupamiento de todas las hojas (Tabla 15; Anejo 1).
El estudio global de la variable Aa, tiene una media de 6,52 cm para las hojas pequeñas, 10,70 cm
para las medianas, 14,84 cm para las grandes y 10,77 cm para el agrupamiento de todas las hojas,
con valores para el agrupamiento de las hojas atendiendo al tipo de sarmiento de 10,85 cm para las
hojas de los delanteros, 10,64 cm para las de los zariegos y 10,55 cm para las hojas de las
esperguras (Tabla 15; Anejo 1), que, como en los parámetros anteriores, están muy próximos al valor
de la media de las hojas medianas y al del agrupamiento de todos los sarmientos. Las medias de los
muestreos para los distintos tipos de hojas, presentan una evolución semejante a la indicada para los
parámetros anteriores, con máximos en el muestreo cuarto (Figs. 9 y 10; Anejo 1). En cuanto al
coeficiente de variación, el estudio global presenta tiene unos valores de 30,98% para las hojas
pequeñas, 17,63% para las medianas, 13,75% para las grandes, 36,47% para el agrupamiento de
todas las hojas, 36,80% para las hojas de los delanteros, 36,00% para las hojas de los zariegos y
37,68% para las hojas de las esperguras, estos tres últimos del orden del valor del agrupamiento de
todas las hojas (Tabla 15; Anejo 1).
Al comparar las medias de Aa y Am,
se observa que las medias de Am son 320 100
en todos los casos superiores a las 280
medias de Aa para todos los tipos de

80
240
hojas, agrupando por tamaños o por 200

60
tipo de sarmiento, y para todos los cm 2 160 %
muestreos, también para el estudio 120

40
global, con diferencias altas en algunos 80

casos, superiores a las observadas 40
20
entre La y Lm (Tablas 1 a 15; Anejo 1).

La explicación de estas diferencias se
0 0
puede buscar en la definición y en la Muestreos

forma de medir estas dos variables. CV Pequeñas CV Medianas CV Grandes CV Todas
El estudio de todas las hojas del Figura 15. Media (cm2) y coeficiente de variación (CV, %) del
producto Lm.Am por tamaños de hojas, cv. Cencibel en la 1ª
parámetro Lm.Am tiene unos valores campaña (1995).
2
de la media, en cm , de 56,44, 139,04,
268,79 y 155,46 para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas,
respectivamente, y de 159,81 para las hojas de los delanteros, 152,80 para las de los zariegos y
149,02 para las esperguras (Tabla 15; Anejo 1). Las medias de los muestreos para los distintos tipos
de hojas, presentan unas tendencias similares a las comentadas con los parámetros anteriores (Figs.
15 y 16).
220
El coeficiente de variación para la 120
200
180
variable Lm.Am en el estudio global, 100
160 presenta unos valores de 50,86% para las

140 hojas pequeñas, 30,48% para las 80
cm 2
120
medianas, 25,48% para las grandes y 60 %
64,17% para el agrupamiento de todas

100
80
60 las hojas, con unos valores para las hojas 40
40 agrupadas por el tipo de sarmiento del 20

20
orden del valor del coeficiente de
0 0
1º 2º 3º 4º 5º 6º 7º variación del agrupamiento de todas las
8º 9º 10º 11º 12º 13º 14º Global
hojas (Tabla 15; Anejo 1).

Muestreos
Media Delanteros Media Zariegos Media Esperguras Media Todas

CV Delanteros CV Zariegos CV Esperguras CV Todas
2
Figura 16. Media (cm ) y coeficiente de variación (CV, %) del
producto Lm.Am por tipo de sarmiento, cv. Cencibel en la 1ª
campaña (1995).
56
Para el parámetro La.Aa el estudio 280 100
global presenta unos valores de la media,

2
en cm , de 49,76, 124,00, 239,56 y
240
80
138,84 para las hojas pequeñas, 200
medianas, grandes y el agrupamiento de 160

60
todas las hojas, respectivamente, y para

2
cm %
120
las hojas agrupadas por tipo de

40
sarmiento, los valores de las medias,

80
20
2
igualmente en cm , son 141,57 para las 40
hojas de los delanteros, 135,71 para las 0 0
de los zariegos y 136,03 para las

Muestreos
esperguras (Tabla 15; Anejo 1). Las Media Pequeñas Media Medianas Media Grandes Media Todas
CV Pequeñas CV Medianas CV Grandes CV Todas
medias de los muestreos para los
Figura 17. Media (cm2) y coeficiente de variación (CV, %) del
distintos tipos de hojas, presentan unas producto La.Aa por tamaños de hojas, cv. Cencibel en la 1ª
tendencias semejantes a las comentadas campaña (1995).
con parámetros anteriores (Figs. 17 y 18).
El coeficiente de variación para la variable
220 120
200
La.Aa en el estudio global, tiene unos
180 valores de 51,33% para las hojas 100
160 pequeñas, 31,38% para las medianas, 80

140
25,18% para las grandes y 64,45% para
120
cm
2
100
el agrupamiento de todas las hojas, con 60 %
80 unos valores para las hojas agrupadas 40

60
por el tipo de sarmiento del orden del
40
20
valor del coeficiente de variación del 20
0
agrupamiento de todas las hojas (Tabla 0
1º 2º 3º 4º 5º 6º 7º
15; Anejo 1).
8º
Muestreos
Media Delanteros
CV Delanteros
Media Zariegos
CV Zariegos
Al comparar las medias de La.Aa y
Media Esperguras
CV Esperguras
Media Todas
CV Todas
2 Lm.Am, se observa que las medias de

Figura 18. Media (cm ) y coeficiente de variación (CV, %) del
producto La.Aa por tipo de sarmiento, cv. Cencibel en la 1ª este segundo parámetro son en todos los
campaña (1995). casos superiores a las medias del primero
para todos los tipos de hojas y para todos
los muestreos, con diferencias altas en algunos casos, que rondan el 11% en el estudio global
(Tablas 1 a 15; Anejo 1). La explicación de estas diferencias puede estar, una vez más, en la
definición y en la forma de medir las cuatro variables implicadas en el cálculo de estos dos
parámetros (Apartado 4.7).
Las medias de la variable MSl, para el estudio global, son 0,24 g para las hojas pequeñas, 0,64 g
para las hojas medianas, 1,41 g para las hojas grandes y 0,76 g para la agrupación de todas las
hojas, mientras que para las hojas de los delanteros es de 0,80 g, para las de los zariegos 0,75 g y
para las de las esperguras 0,72 g (Tabla 15; Anejo 1), las tres últimas muy próximas al valor de la
media del agrupamiento de todas las hojas. Las medias de los muestreos para cada agrupamiento de
hojas, tanto agrupadas por tamaños como por tipo se sarmiento, presentan una tendencia
ascendente hasta el muestreo décimo, con una estabilización de su valor a partir de ese momento
(Figs. 18 y 19; Anejo 1). El coeficiente de variación de MSl, por su parte, tiene valores altos para la
agrupación de todas las hojas y las hojas pequeñas e intermedios para las hojas medianas y las
grandes, con valores para el estudio global de 61,14% para las hojas pequeñas, 42,73% para las
hojas medianas, 32,93% para las pequeñas y 75,75% para el agrupamiento de todas las hojas, valor
este último del orden del que presentan las hojas agrupadas por tipo de sarmiento (Tablas 1 a 15;
Anejo 1).
57
La variable SEF tiene como valores

medios para el estudio global, 20 50
2 -1
expresados en m .kg , 14,48 para las 18
hojas pequeñas, 13,94 para las 40
medianas, 11,95 para las grandes y 13,54 16

30
para el agrupamiento de todas las hojas, 2
m .kg
-1
14 %
mientras que cuanto se asocian las hojas 20
atendiendo al tipo de sarmiento, los 12
valores son 13,16, 13,46 y 13,97, para las 10

10
hojas de los delanteros, las de los

zariegos y las de las esperguras, 8
0
respectivamente (Tabla 15; Anejo 1). Muestreos
De la observación de las medias de CV Pequeñas CV Medianas CV Grandes CV Todas
2 -1
este parámetro, se constata un ascenso Figura 19. Media (m .kg ) y coeficiente de variación (CV, %) de la
en los primeros muestreos seguido de un Superficie Específica Foliar de las hojas (SEF) por tamaños, cv.
Cencibel, 1ª campaña (1995).
descenso continuado de las mismas para
todos los agrupamientos de las hojas,
20 50
desde el cuarto muestreo hasta el último,
18
40
salvo para las hojas grandes en las que el
descenso se inicia a partir del segundo
16
30 muestreo, (Figs. 19 y 20). En todos los
2 -1
m .kg 14 % muestreos, los valores de la media de
12
20
SEF más altos son los de las hojas
pequeñas, los valores de las hojas
10
10
medianas son intermedios, con los
8 0
valores mínimos para las hojas grandes,
1º 2º 3º 4º 5º 6º 7º 8º
Muestreos
salvo en los tres primeros, en los que se
Media Delanteros Media Zariegos Media Esperguras Media Todas mantiene un orden distinto en cada uno
CV Delanteros CV Zariegos CV Esperguras CV Todas
de ellos (Tablas 1 a 15; Anejo 1). El
Figura 20. Media (m2.kg-1) y coeficiente de variación (CV, %) de la coeficiente de variación de SEF no
Superficie Específica Foliar de las hojas (SEF) por tipo de
sarmiento, cv. Cencibel, 1ª campaña (1995).
presenta diferencias marcadas entre los
distintos tipos de hojas, con valores entre
21,18% y 28,73% para el estudio global (Tabla 15; Anejo 1), incluso es menor en algunos muestreos
(Figs. 19 y 20).
El parámetro IR, relacionado con la forma de la hoja, tiene unos valores de la media muy
semejantes para todos los muestreos y para todos los tipos de hojas (Figs. 29 y 30 y Tablas 1 a 15;
Anejo 1), con unos valores para el estudio global de 0,29 para las hojas pequeñas, 0,26 para las
medianas, 0,25 para las grandes y 0,27 para el agrupamiento de todas las hojas y para los tres tipos
de agrupamientos de las hojas según el sarmiento de procedencia (Tabla 15; Anejo 1). El coeficiente
de variación del IR de los muestreos, por su parte, presenta valores moderados y muy semejantes
para todos los agrupamientos de hojas, que para el estudio global están entre 23,99% y 26,24%
(Tablas 1 a 15; Anejo 1). Es, por tanto, una variable muy constante y con poca variabilidad,
independientemente del tamaño de la hoja, de la fecha de muestreo y del sarmiento de procedencia.
El cociente Lm/Am, al igual que el
parámetro anterior, tiene unos valores de 1,12 16
la media muy semejantes para todos los 1,08 14
muestreos y para todos los tipos de hojas 1,04 12
(Tablas 1 a 14; Anejo 1), que para el 1,00 10
estudio global son 0,96 para las hojas 0,96 8 %
pequeñas, 1,01 para las medianas, 1,05 0,92 6
para las hojas grandes, 1,01 para el 0,88 4
agrupamiento de todas las hojas y para 0,84 2
las hojas de delanteros y esperguras y 0,80 0

1,00 para las hojas de los zariegos (Figs. 1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º Global
Muestreos
21 y 22). Los coeficientes de variación Media Pequeñas Media Medianas Media Grandes Media Todas
para Lm/Am son bajos para todos los CV Pequeñas CV Medianas CV Grandes CV Todas
tipos de hojas en todos los muestreos, Figura 21. Media y coeficiente de variación (CV, %) del cociente
con valores para el estudio global entre Lm/Am por tamaños, cv. Cencibel, 1ª campaña (1995).
10,12% y 8,75% (Tablas 1 a 15; Anejo 1).
58
1,15
En definitiva, resulta ser también una 22
variable muy constante y con poca 20
1,10 variabilidad, independientemente del

18
tamaño de la hoja, de la fecha de 16
14
1,05
muestreo y del sarmiento de procedencia 12
%
1,00
La variable La/Aa tiene, así mismo, 10
unos valores de la media muy semejantes

8
6
0,95 para todos los muestreos y para todos los 4
tipos de hojas (Figs. 23 y 24 y Tablas 1 a 2
0,90
1º 2º 3º 4º 5º 6º 7º 8º 9º
15; Anejo 1), con valores para el estudio
0
Muestreos
global de 1,08 para las hojas pequeñas,
Media Delanteros
CV Delanteros
Media Zariegos
CV Zariegos el agrupamiento de todas las hojas y las
Media Esperguras
CV Esperguras
Media Todas
CV Todas
Figura 22. Media y coeficiente de variación (CV, %) del cociente hojas de las esperguras, 1,07 para las
Lm/Am por tipo de sarmiento, cv. Cencibel, 1ª campaña (1995). hojas grandes y las hojas de los zariegos
y 1,06 para las hojas medianas y las
hojas de los delanteros (Tabla 15; Anejo 1). Los coeficientes de variación de la variable La/Aa, por su
parte, son bajos para todos los agrupamientos de hojas en todos los muestreos, con valores para el
estudio global, entre 6,05% y 7,99% (Tablas 1 a 15; Anejo 1). Por lo tanto es, igualmente, una
variable muy constante y con poca variabilidad, independientemente del tamaño de la hoja, de la
fecha de muestreo y del sarmiento de procedencia.
Al comparar los valores de la media y del coeficiente de variación de Lm/Am con los de La/Aa, se
observa que las medias son superiores en el estudio global para la segunda variable para todos los
agrupamientos de hojas, con unos coeficientes de variación siempre inferiores para La/Aa, aún
siendo bajos en ambos casos.
El único parámetro relacionado con los agujeros de las hojas medido en esta campaña, HA,
presenta unos valores de la media siempre bajos, con un incremento de su valor hasta el muestreo 6º
y sin ninguna tendencia marcada a partir de este momento, con diferencias achacables a la
variabilidad natural de las plantas muestreadas (Figs. 31 y 32 y Tablas 1 a 15; Anejo 1). Los valores
2
de la media para el estudio global, en cm , son 0,43 para las hojas pequeñas, 1,37 para las hojas
medianas, 2,48 para las hojas grandes y 1,44 para el agrupamiento de todas las hojas, mientras que
para las hojas agrupadas por el tipo de sarmiento, las medias son 1,46, 1,46 y 1,35 para las hojas de
los delanteros, zariegos y esperguras, respectivamente, valores, en los tres casos, muy próximos a
los de las hojas medianas y al del agrupamiento de todas ellas (Tabla 15; Anejo 1). El coeficiente de
variación de HA, en todos los muestreos y para todas las agrupaciones de las hojas, presenta valores
moderados o altos, superiores al 43% en la totalidad de los casos, la mayoría superan el 50% y
algunos incluso están por encima del 100%, lo que nos indica que la variabilidad es grande para
todos los tipos de hojas y a lo largo de todo el periodo de muestreos (Tablas 1 a 15; Anejo 1).
Para las variables relacionadas con el
peciolo de la hoja, se observa que los 8 70
valores de la media de la variable Lp para 7 60
el estudio global son 2,39 cm para las 6

50
hojas pequeñas, 4,33 cm para las hojas 5

40
medianas, 6,79 para las hojas grandes y cm 4 %
4,53 cm para el agrupamiento de todas 3

30
las hojas, con unos valores para el 2

20
agrupamiento según el tipo de sarmiento 1 10
casi idénticos a la mostrada por el 0 0

agrupamiento de todas las hojas (Tabla 1º 2º 3º 4º 5º 6º 7º 8º
Muestreos
15; Anejo 1). Para todos los Media Pequeñas Media Medianas Media Grandes Media Todas
agrupamientos de hojas, el valor de la CV Pequeñas CV Medianas CV Grandes CV Todas
media muestra un ascenso hasta el Figura 23. Media (cm) y coeficiente de variación (CV, %) de la
muestreo cuarto para las hojas pequeñas longitud del peciolo de las hojas (Lp) por tamaños, cv. Cencibel, 1ª
campaña (1995).
y medianas y hasta el quinto tanto para
las hojas grandes, como para el agrupamiento de todas las hojas y para los agrupamientos realizados
atendiendo al tipo de sarmiento, con altibajos a partir de ese punto en todos los casos, pero sin
ninguna tendencia marcada (Figuras 23 y 24). El coeficiente de variación de Lp tiene unos valores
para el estudio global algo más altos que en los muestreos, moderados en todo caso, 51,87% para
las hojas pequeñas, 32,54% para las medianas, 23,90% para las grandes y 50,57% para el
agrupamiento de todas las hojas, valor este último del orden del que presentan los agrupamientos por
59
7
el tipo de sarmiento, 50,85%, 49,97% y 120
52,44%, respectivamente, para

delanteros, zariegos y esperguras (Tablas
6
100
5
1 a 15; Anejo 1). 80
cm
4
Para finalizar, la variable MSp, al igual 60 %
3 que la variable anterior, presenta los
2
valores de la media más altos para las 40
hojas grandes, intermedios para las hojas 20

1
medianas y los valores más bajos para
0
1º 2º 3º 4º 5º 6º 7º 8º
las hojas pequeñas, con unas cifras para
0
Muestreos
el estudio global de 0,01 g para las hojas
Media Delanteros
CV Delanteros
Media Zariegos
CV Zariegos pequeñas, 0,05 g para las hojas
Media Esperguras
CV Esperguras
Media Todas
CV Todas
Figura 24. Media (cm) y coeficiente de variación (CV, %) de la medianas, 0,13 g para las grandes y 0,07
longitud del peciolo de las hojas (Lp) por tipo de sarmiento, cv. g para el agrupamiento de todas, con
Cencibel, 1ª campaña (1995). unos valores de 0,07 g para las hojas de
los delanteros y 0,06 g para las de los
zariegos y las esperguras (Figs. 19 y 20 y Tablas 1 a 15; Anejo 1). La evolución del valor de la media
para todos los agrupamientos de las hojas presenta un ascenso hasta el quinto muestreo, unos
valores alternos a partir de entonces y hasta el último muestreo en todos los casos, sin ninguna
tendencia marcada. Los coeficientes de variación de MSp son superiores a los comentados para la
variable anterior (Tablas 1 a 15; Anejo 1), con unos valores para el estudio global de 78,48% para las
hojas pequeñas, 56,50% para las medianas, 47,25% para las grandes, 98,11% para el agrupamiento
de todas las hojas, 97,70% para las hojas de los delanteros, 93,73% para las hojas de los zariegos y
107,98% para las hojas de las esperguras (Tabla 15; Anejo 1).
Finalmente, a modo de resumen para este cultivar en esta primera campaña, se puede señalar
que de la comparación de los datos aportados por el estudio realizado agrupando las hojas por el tipo
de sarmiento del que proceden con aquellos otros obtenidos con la agrupación de todas las hojas
muestreadas se deriva que, a los efectos del estudio biométrico realizado con las hojas de la vid, no
tiene incidencia el sarmiento en el que estén insertadas las hojas, por lo que se puede obviar esta
diferenciación en este tipo de estudios. Asimismo, en el análisis de los valores de los parámetros SFi
y SFa de la primera campaña se observa que la información aportada por el integrador automático no
difiere significativamente de la obtenida por el analizador de imagen. Como, además, el
procedimiento empleado para la obtención de los valores de SFi no ofrece ninguna ventaja respecto
al analizador de imágenes digitalizadas, al exigir, igualmente, la separación de las hojas de la planta
aportando una sola medida frente a las numerosas que se pueden obtener con el segundo, en
trabajos de esta clase se puede prescindir del integrador y emplear únicamente el valor aportado por
el analizador de imágenes digitales. También cabe señalar, que las medias de los parámetros
relacionados con el tamaño de la hoja presentan un incremento hasta un determinado muestreo, el 4º
en la mayoría de ellos, a partir del cual los valores presentan altibajos, sin ninguna tendencia
marcada, probablemente consecuencia de la diversidad natural de la población muestreada. La
variabilidad de estos parámetros es alta tanto para las hojas pequeñas como para las medianas y las
grandes, siendo muy alta cuanto se agrupan las hojas según el sarmiento de procedencia y cuando
se reúnen todas ellas. Las medias de Lm y Am son, en general, superiores a las de La y Aa,
respectivamente, para todos los tipos de agrupamiento de las hojas, tanto por tamaño y por tipo de
sarmiento, y para todos los muestreos, incluso para el estudio global. La superficie específica foliar
(SEF) presenta un ascenso del valor de la media en los primeros muestreos para luego disminuir
progresivamente hasta el último. Las variables IR, Lm/Am y La/Aa presentan unos valores muy
estables y con una baja variabilidad, independientemente del tamaño de la hoja, de la fecha de
muestreo y del sarmiento de procedencia, señal de que las hojas tienen una forma muy característica.
Además, de los valores medios del cociente La/Aa, se puede extraer que los limbos de las hojas de
este cultivar son, en promedio, un 8% más largos que anchos. Las variables relacionadas con el
peciolo de la hoja presentan una gran variabilidad para todos los agrupamientos de las hojas y para
todos los muestreos, también para el estudio global.
5.1.2. Segunda campaña de estudio.
5.1.2.1. Cultivar Airén.
Los resultados de este apartado obtenidos con el cultivar Airén se encuentran en las Tablas nº 16
a 24 y en las Figuras nº 35 a 59 del Anejo 1.
60
Al estudiar en detalle los citados

resultados de la variable SFa, primera de 250 80
las relacionadas con el tamaño de la hoja 200

(Apartado 4.7) que se analiza, ésta 60
presenta, para el estudio global, una 150

2
media de 24,96 cm para las hojas
2
cm 40 %
2 100
pequeñas, 102,49 cm para las medianas,
2
192,99 cm para las grandes y 106,83 50
20
2
cm para el agrupamiento de todas las
hojas, medias que son muy próximas 0
1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
0
para las hojas medianas y para el estudio M u e s t re o s
global (Tabla 24; Anejo 1). Por su parte, M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s

CV P equeñas C V M e d ia n a s C V G ra n d e s CV T odas
al comparar las medias de los diferentes 2
muestreos para cada uno de los tipos de Figura 25. Media (cm ) y coeficiente de variación (CV, %) de la
superficie del limbo de las hojas medida con analizador (SFa), cv.
hojas, aunque se manifiestan diferencias Airén, 2ª campaña (1996)
entre ellas, no se observa una tendencia
marcada desde el primero hasta el último; alguna de las medias máximas se pueden encontrar ya en
los primeros muestreos, lo que puede ser debido a que estos se iniciaron con el desarrollo de las
plantas bastante adelantado (Fig. 25). Además, aunque la variabilidad natural puede explicar algunas
diferencias entre los muestreos, ya que cada uno se hizo sobre plantas diferentes, la explicación de
las diferencias mayores se puede buscar en el procedimiento con que se recogieron las muestras y
en el cual los tamaños de las hojas no se fijaron previamente con unos patrones fijos, sino que la
asignación del tamaño de las hojas recolectadas se fijaba por la posición en el sarmiento, de tal modo
que las hojas pequeñas procedieran del tercio superior del sarmiento, las medianas del tercio medio y
las grandes del tercio inferior. Por otro lado, los muestreos no fueron realizados por las mismas
personas, lo que añade una componente subjetiva en la recogida y puede ayudar a explicar las
diferencias entre ellos.
Los coeficientes de variación para la variable SFa son entre altos y medios, 44,60% para las hojas
pequeñas, 24,63% para las medianas, 19,14% para las grandes y 69,15% para la agrupación de
todas las hojas (Tabla 24; Anejo 1). En los muestreos, el coeficiente de variación más alto lo presenta
siempre el estudio de todas las hojas, seguido por el de las hojas pequeñas, mientras que las
medianas y grandes tienen valores menores y semejantes entre sí (Tablas 16 a 24; Anejo 1).
Además, hay diferencias entre los coeficientes de variación de los distintos muestreos para un mismo
agrupamiento de hojas, en algunos casos grandes. La explicación de estos valores, para el caso de
todas las hojas, puede estar en la gran diversidad de tamaños que supone agrupar todas las hojas,
algunas totalmente desarrolladas y de gran tamaño y otras hojas muy jóvenes y con un menor
desarrollo. Las diferencias entre los muestreos se pueden explicar con los mismos argumentos
expuestos para el caso de la media.
La variable P, por su parte, presenta unas medias para el estudio global del cultivar Airén de 29,45
cm para las hojas pequeñas, 65,17 cm para las medianas, 94,53 cm para las grandes y 63,04 cm
para el agrupamiento de todas las hojas (Tabla 24; Anejo 1). Al igual que para SFa, las medias de las
hojas medianas y del agrupamiento de todas las hojas son muy semejantes y las medias de cada
agrupamiento de hojas para los diferentes muestreos presentan diferencias, pero sin ninguna
tendencia marcada (Fig. 36 y Tabla 16 a 23; Anejo 1). Los mismos argumentos expuestos para
explicar estos datos para SFa se pueden
aplicar en este caso. Los coeficientes de 20 50
variación para el estudio global de P son

40
menores que para SFa, 22,46% para las 15
hojas pequeñas, 18,35% para las 30

cm
10 %
45,57% para la agrupación de todas las 20
hojas (Tabla 24; Anejo 1). En los 5

10
muestreos, el coeficiente de variación
más alto lo presenta siempre el estudio 0 0
del agrupamiento de todas las hojas, las M u e s tre o s
hojas pequeñas tienen valores M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
intermedios, mientras que las hojas C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
medianas y las grandes tienen valores Figura 26. Media (cm) y coeficiente de variación (CV, %) de la
menores (Tablas 16 a 24; Anejo 1). longitud máxima del limbo de las hojas medida manualmente (Lm),
cv. Airén, 2ª campaña (1996)
La variable Lm, tiene, para el estudio
61
global, una media de 6,20 cm para las hojas pequeñas, 12, 82 cm para las medianas, 18,10 cm para
las grandes y 12,37 cm para el agrupamiento de todas las hojas (Tabla 24; Anejo 1). Las medias de
los muestreos para los distintos tipos de hojas, presentan diferencias entre ellas, pero sin una
tendencia marcada (Fig. 26). Para Lm, el estudio global, presenta un coeficiente de variación de
para el agrupamiento de todas las hojas (Tabla 24; Anejo 1) y, para los diferentes muestreos, los
coeficientes de variación son altos cuando se agrupan todas las hojas, intermedios para las hojas
pequeñas y algo menores para las hojas medianas y las grandes (Tablas 16 a 24; Anejo 1).
El estudio global de la variable La, tiene una media de 5,95 cm para las hojas pequeñas, 12,30 cm
para las medianas, 17,09 cm para las grandes y 11,78 cm para el agrupamiento de todas las hojas
(Tabla 24; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas presentan
diferencias entre ellas, pero sin una tendencia marcada (Fig. 37 y Tablas 16 a 24; Anejo 1). El
coeficiente de variación presenta unos valores para el estudio global de 21,13% para las hojas
pequeñas, 12,97% para las medianas, 10,37% para las hojas grandes y 41,05% para el agrupamiento
de todas las hojas (Tabla 24; Anejo 1); los coeficientes de variación de los diferentes muestreos son
altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo menores para
las hojas medianas y las grandes (Tablas 16 a 24; Anejo 1).
Al comparar los valores de las variables La y Lm, se observa que las medias para Lm son
superiores a las de La para todos los tipos de hojas y para todos los muestreos, incluso para el
estudio global, salvo para las hojas pequeñas y las medianas del primero, donde es superior la
medida dada por el analizador de imagen. La explicación de estas diferencias se puede buscar en las
definiciones de estos dos parámetros y, por tanto, en la forma de medirlos, que puede hacer que no
se esté midiendo exactamente lo mismo (Apartado 4.7).
La variable Am, para el estudio global, tiene una media de 6,13 cm para las hojas pequeñas, 12,
71 cm para las medianas, 17,18 cm para las grandes y 12,62 cm para el agrupamiento de todas las
hojas (Tabla 24; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas, como en los
parámetros anteriores, presentan diferencias entre ellas, pero sin una tendencia marcada a lo largo
del periodo de toma de muestras (Fig. 40 y Tablas 16 a 24; Anejo 1). El coeficiente de variación para
Am, en el estudio global, presenta un coeficiente de variación de 22,42% para las hojas pequeñas,
13,96% para las medianas, 10,18% para las grandes y 40,41% para el agrupamiento de todas las
hojas (Tabla 24; Anejo 1); en los muestreos presenta valores altos cuando se agrupan todas las
hojas, intermedios para las hojas pequeñas y algo menores para las hojas medianas y las grandes
(Tablas 16 a 24; Anejo 1).
El estudio global de la variable Aa, tiene una media de 5,68 cm para las hojas pequeñas, 11,70 cm
(Tabla 24; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas, presentan
diferencias entre ellas, pero sin una tendencia marcada (Fig. 38 y Tablas 16 a 24; Anejo 1). El
coeficiente de variación, para el estudio global, de la variable Aa presenta un valor de 21,85% para
las hojas pequeñas, 12,73% para las medianas, 11,02% para las grandes y 40,90% para el
agrupamiento de todas las hojas (Tabla 24; Anejo 1), mientras que, para los muestreos, tiene
coeficientes de variación altos cuando se agrupan todas las hojas, intermedios para las hojas
Al comparar las medias de Aa y Am, se observa que las de Am son en todos los casos superiores
a las de Aa para todos los tipos de hojas y para todos los muestreos, también para el estudio global.
La explicación de estas diferencias, al
igual que en el caso de la longitud de la 400 90
hoja, se puede buscar en la definición y 80
en la forma de medir estas dos variables 300

70
(Apartado 4.7). 60
50
El estudio de todas las hojas del cm 200 2
40
%
parámetro Lm.Am presenta unos valores 30

2
de la media, en cm , de 39,80, 165,41, 100
20
313,36 y 172,91 para las hojas pequeñas, 10
medianas, grandes y el agrupamiento de 0 0

todas las hojas, respectivamente (Tabla M u e s tre o s
24; Anejo 1). Las medias de los M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
muestreos, para los distintos tipos de C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
hojas, tienen diferencias entre ellas, pero Figura 27. Media (cm2) y coeficiente de variación (CV, %) del
sin una tendencia marcada (Fig. 27). El producto Lm.Am, cv. Airén, 2ª campaña (1996)
62
coeficiente de variación para la variable Lm.Am en el estudio global, presenta un valor de 44,62%
para las hojas pequeñas, 26,60% para las medianas, 19,27% para las grandes y 69,85% para el
agrupamiento de todas las hojas (Tabla 24; Anejo 1); para los muestreos, los coeficientes de
variación son altos cuando se agrupan todas las hojas y para las hojas pequeñas y algo menores
para las hojas medianas y las grandes (Tablas 16 a 24; Anejo 1).
El estudio de todas las hojas del
400 90 parámetro La.Aa tiene unos valores de la
2
80 media, en de 35,29 cm para las hojas
2
300
70 pequeñas, 146,11 cm para las medianas,
2
60
278,86 cm para las grandes y 153,46
2
2
cm 200
50
% cm para el agrupamiento de todas las
40
30
hojas (Tabla 24; Anejo 1). Las medias de
100
20
los muestreos, para los distintos tipos de
10 hojas, presentan diferencias entre ellas,
0 0 pero sin una tendencia marcada (Fig. 28).
1º 2º 3º 4º 5º
M u e s tre o s
6º 7º 8º G lo b a l
El coeficiente de variación para la variable
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
La.Aa, en el estudio global, presenta unos
C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas valores de 42,33% para las hojas
Figura 28. Media (cm2) y coeficiente de variación (CV, %) del pequeñas, 25,87% para las medianas,
producto La.Aa, cv. Airén, 2ª campaña (1996) 20,32% para las grandes y 70,20% para
el agrupamiento de todas las hojas (Tabla
24; Anejo 1); por su parte los muestreos tienen coeficientes de variación altos cuando se agrupan
todas las hojas, intermedios para las hojas pequeñas y algo menores para las hojas medianas y las
grandes (Tablas 16 a 24; Anejo 1).
Cuando se comparan los valores de las variables La.Aa y Lm.Am, se advierte que las medias para
Lm.Am son superiores a las de La.Aa para todos los tipos de hojas y para todos los muestreos,
incluso para el estudio global. Al igual que se ha comentado al comparar Aa con Am y La con Lm, la
explicación de las diferencias observadas entre las dos variables se puede buscar en las definiciones
de los cuatro parámetros involucrados y, por tanto, en la forma de obtenerlos, que puede hacer que
no se esté midiendo exactamente lo mismo (Apartado 4.7), por lo que su producto no dará datos
comparables.
2 2
La variable BA tiene como valores de las medias del estudio global 39,89 cm , 164,17 cm , 310,10
2 2
cm y 171,52 cm respectivamente para las hojas pequeñas, medianas, grandes y la agrupación de
todas las hojas (Tabla 24; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas
presentan diferencias entre ellas, pero sin una tendencia concreta (Fig. 54 y Tablas 16 a 24; Anejo 1).
El coeficiente de variación para BA presenta valores altos para la agrupación de todas las hojas y
para las hojas pequeñas y medios para las hojas medianas y las grandes (Tablas 16 a 24; Anejo 1),
con unos valores para el estudio global de 42,81%, 26,20%, 19,04% y 69,44% respectivamente para
las hojas pequeñas, medianas, grandes y la agrupación de todas las hojas (Tabla 24; Anejo 1).
para las medianas, 1,52 g para las grandes y 0,81 g para la agrupación de todas las hojas (Tabla 24;
Anejo 1). Las medias de los muestreos para cada agrupamiento de hojas presentan diferencias entre
ellas, pero sin una tendencia concreta (Fig. 46 y Tablas 16 a 24; Anejo 1). El coeficiente de variación
de MSl, por su parte, tiene valores altos para la agrupación de todas las hojas y para las hojas
pequeñas e intermedios para las hojas
medianas y las grandes (Tablas 16 a 24; 24 25
Anejo 1), que para el estudio global toma 22

20
los siguientes valores: 58,07% para las 20
hojas pequeñas, 32,10% para las hojas 18

15

2 -1
m .k g %
16
10
76,29% para el agrupamiento de todas 14
las hojas (Tabla 24; Anejo 1). 5
12
El parámetro SEF tiene como valores 10 0
de la media en el estudio global 17,70 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
2 -1
m .kg para las hojas pequeñas, 14,21 M u e s t re o s
2 -1 2 -1
m .kg para las medianas, 12,93 m .kg M e d ia P e q u e ñ a s
C V P equeñas
M e d ia M e d ia n a s
C V M e d ia n a s
M e d ia G r a n d e s
C V G ra n d e s
M e d ia T o d a s
C V T odas
2 -1
para las hojas grandes y 14,74 m .kg 2 -1
Figura 29. Media (m .kg ) y coeficiente de variación (CV, %) de la
para el agrupamiento de todas ellas Superficie Específica Foliar de las hojas (SEF), cv. Airén, 2ª
(Tabla 24; Anejo 1). La observación de campaña (1996)
63
las medias de este parámetro en los diferentes muestreos, muestra un descenso continuado de las
mismas para todos los tipos de hojas desde el primero o segundo muestreo hasta el último. Para las
hojas pequeñas el valor medio máximo se alcanza en el muestreo 2º, para el resto de agrupamientos
de las hojas, se presenta el máximo en el 1º (Fig. 29). En todos los muestreos, los valores de la
media de la superficie específica foliar más altos son los de las hojas pequeñas, mientras que los
valores de las medias para las hojas medianas y para las hojas grandes son inferiores y semejantes
entre sí, ligeramente superiores los de las hojas medianas. El coeficiente de variación de SEF no
presenta, en general, grandes diferencias entre los distintos tipos de hojas, con valores para el
estudio global de 23,77% para las hojas pequeñas, 18,96% para las hojas medianas, 12,79% para las
hojas grandes y 23,32% para el agrupamiento de todas las hojas (Tabla 24; Anejo 1).
La variable IR, relacionada con la forma de la hoja, tiene unos valores de la media muy
semejantes para todos los muestreos y para todos los tipos de hojas, con valores para el estudio
global de 0,35 para las hojas pequeñas, 0,31 para las medianas, 0,27 para las grandes y 0,31 para el
agrupamiento de todas las hojas (Tabla 24; Anejo 1). A pesar de las pocas variaciones que existen en
el estudio global, al observar en detalle la evolución de las medias a lo largo de los ocho muestreos,
se observan unas tendencias distintas para cada agrupamiento de hojas. Así, la media del parámetro
IR de las hojas pequeñas y de las medianas asciende desde un valor bajo en el primer muestreo
hasta los muestreos finales, mientras que todas las medias de IR de los muestreos de las hojas
grandes son muy parecidas entre sí y sin ninguna tendencia ascendente o descendente, lo que indica
que la redondez de las hojas grandes casi no sufre modificaciones a lo largo de los muestreos (Fig.
49 y Tablas 16 a 24; Anejo 1). Estos valores indican que las hojas grandes, que ya han alcanzado su
máximo desarrollo, tienen un IR estable a lo largo de todos los muestreos, mientras que las hojas
pequeñas y las medianas, que todavía no han alcanzado un desarrollo pleno, evolucionan en su
redondez. El coeficiente de variación de IR en los ocho muestreos, presenta valores moderados y
muy semejantes entre sí para todos los agrupamientos de hojas, que para el estudio global son
21,80% para las hojas pequeñas, 17,61% para las hojas medianas, 14,27% para las hojas grandes y
21,57% para el agrupamiento de todas las hojas (Tabla 24; Anejo 1).
El cociente Lm/Am, tiene unos valores 1 ,1 5 15
de la media, para el estudio global, de
1,01 para las hojas pequeñas y 1 ,1 0
medianas, 1,06 para las hojas grandes y 10
1,03 para el agrupamiento de todas las 1 ,0 5

%
hojas (Tabla 24; Anejo 1), con pequeñas 1 ,0 0
diferencias entre los muestreos, pero sin 5
ninguna tendencia marcada en ningún 0 ,9 5
caso (Fig. 30). Los coeficientes de 0 ,9 0 0

variación para Lm/Am son bajos para 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
todos los tipos de hojas en todos los M u e s t re o s
muestreos, con valores para el estudio M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
M e d ia G ra n d e s
C V G ra n d e s
M e d ia T o d a s
C V T odas
global de 8,18%, 7,63%, 7,96% y 8,15%
Figura 30. Media y coeficiente de variación (CV, %) del cociente
para las hojas pequeñas, medianas, Lm/Am, cv. Airén, 2ª campaña (1996)
grandes y el agrupamiento de todas las
hojas, respectivamente (Tablas 16 a 24; Anejo 1). Por tanto, es una variable muy constante y con
poca variabilidad, con independencia del tamaño de la hoja y de la fecha de muestreo.
La variable La/Aa, tiene unos valores de la media muy semejantes para todos los muestreos y
para todos los tipos de hojas, con diferencias menores que la variable anterior y unos valores para el
estudio global de 1,06 para las hojas grandes y 1,05 para las hojas pequeñas, medianas y el
agrupamiento de todas las hojas (Tabla 24; Anejo 1), sin ninguna tendencia marcada en estas
variaciones a lo largo del periodo de muestreos que trasluzcan alguna evolución de esta variable en
ese tiempo para ninguno de los tipos de hojas (Fig. 43 y Tablas 16 a 24; Anejo 1). Los coeficientes de
variación de la variable La/Aa, por su parte, son bajos para todos los agrupamientos de hojas en
todos los muestreos (Tablas 16 a 24; Anejo 1), situados entre 8,18% y 7,63% para el estudio global
(Tabla 24; Anejo 1). Resulta ser, efectivamente, una variable muy constante y con poca variabilidad,
independientemente del tamaño de la hoja y de la fecha de muestreo.
observa que las medias son superiores en el estudio global para La/Aa para las todas las
agrupaciones de hojas, salvo para las hojas grandes en que son iguales, con unos coeficientes de
variación bajos en ambos casos y muy semejantes.
64
El índice BR tiene unos valores de la media muy semejantes para todos los muestreos y para
todos los grupos de hojas, con valores para el estudio global de 0,62% para las hojas pequeñas y
0,63% para el resto de agrupamientos de las hojas (Tabla 24; Anejo 1). Las medias de las diferentes
agrupaciones de hojas no presentan ninguna tendencia a lo largo de los muestreos, salvo la
tendencia ascendente que se manifiesta en los tres primeros en las hojas pequeñas (Fig. 55 y Tablas
16 a 24; Anejo 1). Los coeficientes de variación de las medias de BR, por su parte, son muy bajos
para todos los tipos de hojas en todos los muestreos, en general inferiores al 5,5%, también para el
estudio global (Tablas 16 a 24; Anejo 1).
Si embargo, la variable PPDA presenta una tendencia de la media ligeramente decreciente a lo
largo de los muestreos, más marcada en las hojas pequeñas que en el resto de agrupamientos de
hojas, con una cierta estabilización de los valores a partir del quinto muestreo y con un ligero ascenso
de su valor en el último para las hojas medianas y grandes, al igual que para el agrupamiento de
todas las hojas (Fig. 58 y Tablas 16 a 24; Anejo 1). La media para el estudio global revela un PPDA
muy semejante para las hojas medianas y para el agrupamiento de todas las hojas, 41,71 y 41,81
respectivamente, algo superior para las hojas grandes, 46,43, e inferior para las hojas pequeñas,
37,29 (Tabla 24; Anejo 1). Estas medias se pueden interpretar a la vista de los bordes dentados de
las hojas y teniendo en cuenta la definición de esta variable (Apartado 4.7). El coeficiente de variación
de PPDA, en todos los casos, presenta valores inferiores al 20% en todos los muestreos para las
hojas pequeñas, medianas y grandes y algo superiores para el agrupamiento de todas las hojas, en
algunos casos (Tablas 16 a 24; Anejo 1). El estudio global tiene una valores del coeficiente de
variación algo superiores, 26,95%, 19,57%, 15,50% y 22,29% para las hojas pequeñas, medianas,
grandes y el agrupamiento de todas las hojas respectivamente (Tabla 24; Anejo 1).
La variable Ld tiene unos valores de la media para el estudio global de 0,43 cm para las hojas
grandes, 0,21 cm para las medianas, 0,14 para las hojas pequeñas y 0,23 para el agrupamiento de
todas las hojas (Tabla 24; Anejo 1). De las medias de los muestreos se desprende que son más
regulares las hojas de menor tamaño que las más grandes y, en todo caso, no se observa ninguna
tendencia a lo largo del periodo de toma de muestras (Fig. 56 y Tablas 16 a 24; Anejo 1). Los
coeficientes de variación de la media de Ld tienen valores altos para todos los muestreos y todos los
tipos de hojas, que para el estudio global son 83,63%, 92,78%, 97,83% y 116,24% respectivamente
para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 24; Anejo
1).
El parámetro Ad tiene unas medias más altas que el parámetro anterior, con unos valores en los
muestreos para cada agrupamiento de las hojas que indican que la asimetría transversal es mayor
que la asimetría longitudinal. Tampoco se observa ninguna evolución a lo largo del periodo de toma
de muestras (Fig. 57 y Tablas 16 a 24; Anejo 1), con unas medias para el estudio global de 0,27 cm,
0,54 cm, 0,60 cm y 0,47 cm, respectivamente para las hojas pequeñas, medianas, grandes y el
agrupamiento de todas ellas (Tabla 24; Anejo 1). El coeficiente de variación de Ad presenta cifras
altas para todos los muestreos y todos los agrupamientos de las hojas (Tablas 16 a 24; Anejo 1), que
para el estudio global son 72,07%, 65,08%, 75,65% y 80,27%, respectivamente para las hojas
pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 24; Anejo 1).
La media del parámetro NH, primero 3 250
de los parámetros de los relacionados
con los agujeros de las hojas que se 200
comenta, tiene unos valores siempre 2
bajos (Tablas 16 a 24; Anejo 1), que para 150

%
el estudio global son 1,42 para las hojas 100
grandes, 1,08 para las medianas, 0,97 1
para las pequeñas y 1,16 para el 50
agrupamiento de todas las hojas (Tabla 0 0

24; Anejo 1). En cuanto a los muestreos, 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
no se manifiesta ninguna tendencia de la M u e s t re o s
media del parámetro a lo largo de los M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
mismos (Fig. 31). El coeficiente de
Figura 31. Media y coeficiente de variación (CV, %) del número de
variación de NH es alto para todos los agujeros de las hojas (NH), cv. Airén, 2ª campaña (1996)
tipos de hojas en todos los muestreos, en
algunos casos muy alto (Tablas 16 a 24; Anejo 1), con valores para el estudio global 117,75%,
108,16%, 81,68% y 101,08%, respectivamente para las hojas pequeñas, medianas, grandes y el
agrupamiento de todas las hojas (Tabla 24; Anejo 1).
65
La variable HA presenta unos valores de la media siempre bajos o muy bajos y sin ninguna
tendencia marcada a lo largo de los muestreos (Fig. 50 y Tablas 16 a 24; Anejo 1). El estudio global
2
muestra un valor del área de los agujeros mayor para las hojas grandes (0,86 cm ), seguido del valor
2 2
de las hojas medianas (0,32 cm ) y del agrupamiento de todas las hojas (0,42 cm ) y con las hojas
2
pequeñas con el valor menor (0,07 cm ) (Tabla 24; Anejo 1). En todos los muestreos y para todas las
agrupaciones de hojas, los coeficientes de variación de HA son muy altos, superiores al 75% en la
totalidad de los casos, la mayoría superiores al 100%%, algunos incluso superiores al 200%, lo que
nos indica que la variabilidad es grande para todos los tipos de hojas y a lo largo de todo el periodo
de toma de muestras (Tablas 16 a 24; Anejo 1).
El parámetro HR presenta un valor de la media muy bajo para todos los muestreos y para todos
los agrupamientos de hojas, incluido el estudio global, que presenta un mismo valor para las hojas
pequeñas, medianas y el agrupamiento de todas las hojas (0,003%) y algo superior para las hojas
grandes (0,004%) (Tablas 16 a 24; Anejo 1). Al igual que los dos parámetros anteriores, el coeficiente
de variación de HR, tiene unos valores altos o muy altos para todos los muestreos y todos los
agrupamientos de hojas, superiores al 90% en todos los casos, llegando incluso al 400% en casos
concretos, con valores para el estudio global de 143,07% para las hojas pequeñas, 211,02% para las
medianas, 125,34% para las grandes y 159,24% para el agrupamiento de todas las hojas (Tablas 16
a 24; Anejo 1), lo que señala una gran variabilidad para este parámetro.
Pasando a las variables relacionadas con el peciolo de la hoja, se observa que los valores de la
media de la variable Lp más altos son los de las hojas grandes para todos los muestreos, las hojas
medianas tienen valores intermedios, mientras que, por su parte, las hojas pequeñas tienen los
menores valores en cada muestreo
(Tablas 16 a 24; Anejo 1), con unos 12 70
valores para el estudio global de 1,85 cm, 60

10
6,81 cm, 10,44 cm y 6,36 cm,
50
respectivamente para las hojas 8
pequeñas, medianas, grandes y el cm 6

40
%
agrupamiento de todas ellas (Tabla 24; 30

4
Anejo 1). La media presenta altibajos 20
para todos los tipos de agrupamiento de 2 10
las hojas a lo largo de los muestreos, 0 0
pero sin ninguna tendencia marcada que 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l

M u e s t re o s
permita señalar una determinada
evolución (Fig. 32). El coeficiente de C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
variación de Lp, por su parte, tiene los Figura 32. Media (cm) y coeficiente de variación (CV, %) de la
valores más bajos para las hojas grandes longitud del peciolo de las hojas (Lp), cv. Airén, 2ª campaña (1996)
en todos los muestreos, para las hojas
medianas es algo mayor y para las hojas pequeñas mayor todavía (Tablas 16 a 24; Anejo 1). El
coeficiente de variación de la agrupación de todas las hojas alcanza valores altos, superiores en
todos los muestreos al 50%. El estudio global tiene unos coeficientes de variación algo más altos que
los muestreos, 32,18% para las hojas pequeñas, 24,01% para las medianas y 13,62% para las
grandes (Tabla 24; Anejo 1).
Para último, la variable MSp, al igual que la variable anterior, presenta las medias más altas para
las hojas grandes, con unas cifras intermedias para las hojas medianas y el agrupamiento de todas
las hojas y los valores más bajos para las hojas pequeñas (Tablas 16 a 24; Anejo 1). La evolución del
valor de la media a lo largo de los muestreos, para todos los agrupamientos de las hojas, presenta un
ligero ascenso entre los muestreos 1º y 4º, valores alternos entre el 5º y el 7º, para terminar en el
muestreo 8º con otro ascenso en los cuatro casos (Fig. 47; Anejo 1). Los coeficientes de variación de
MSp son superiores a los comentados para la variable anterior, con valores para el estudio global del
58,83% para las hojas pequeñas, 48,67% para las medianas y 35,01% para las grandes (Tabla 24;
Anejo 1).
Finalmente, a modo de resumen para este cultivar en la segunda campaña, cabe destacar que las
medias de los parámetros relacionados con el tamaño de la hoja no presentan ninguna tendencia
marcada a lo largo del periodo de toma de muestras, siendo su variabilidad alta tanto para las hojas
pequeñas, como para las medianas y las grandes, tanto en un muestreo como entre muestreos,
todavía más alta cuanto se agrupan todas las hojas. Las medias de SEF, en los diferentes muestreos,
presentan un descenso continuado de las mismas para todos los tipos de hojas desde el primero o el
segundo hasta el último, con una variabilidad muy diferente entre muestreos, siempre entre media y
alta. Las medias de Lm y Am son, en general, superiores a las de La y Aa, respectivamente, para
66
todos los tipos de hojas y para todos los muestreos, incluso para el estudio global, con una
variabilidad moderada en todos los casos. Las variables Lm/Am, La/Aa, IR y BR, relacionadas con la
forma de las hojas, presentan unos valores muy estables y con una baja variabilidad,
independientemente del tamaño de la hoja y del muestreo. La asimetría transversal es mayor que la
asimetría longitudinal, en promedio, y ambos parámetros tienen una variabilidad alta. Las variables
relacionadas con los agujeros de la hoja tienen una gran variabilidad para todos los agrupamientos de
las hojas y para todos los muestreos, incluso para el estudio global, y unos valores de la media muy
bajos. Las variables relacionadas con el peciolo de la hoja tienen una gran variabilidad para todos
agrupamientos de las hojas y para todos los muestreos, incluso para el estudio global.
5.1.2.2. Cultivar Cabernet-Sauvignon.
Los resultados de la estadística descriptiva del cultivar Cabernet Sauvignon, se encuentran en las
Tablas nº 25 a 33 y en las Figuras nº 60 a 84 del Anejo 1.
Al profundizar en los resultados
citados para la variable SFa, primera de 180 80
las relacionadas con el tamaño de la hoja 160
que se abarca (Apartado 4.7), se observa 140

60
que presenta, para el estudio global, una 120
2
media de 23,15 cm para las hojas cm
100
2
40 %
2
pequeñas, 89,47 cm para las medianas, 80
2 2 60
144,07 cm para las grandes y 85,41 cm 40
20
para el agrupamiento de todas las hojas 20
(Tabla 33; Anejo 1). Por su parte, al 0 0
comparar las medias de los muestreos 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
M u e s t re o s
para cada uno de los tipos de hojas,
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s
aunque se manifiestan diferencias entre CV P equeñas C V M e d ia n a s C V G ra n d e s CV T odas
ellas, no se observa una tendencia 2

Figura 33. Media (cm ) y coeficiente de variación (CV, %) de la
marcada desde el primero hasta el último, superficie del limbo de las hojas medida con analizador (SFa), cv.
incluso alguna de las medias máximas ya Cabernet-Sauvignon, 2ª campaña (1996)
se pueden encontrar en los primeros
muestreos, lo que puede ser debido a que el período de toma de muestras se inició con el desarrollo
de las plantas bastante adelantado (Fig. 33). Al igual que en los cultivares anteriores, aunque la
variabilidad natural puede explicar alguna de estas diferencias, ya que cada muestreo se hizo sobre
plantas distintas, la explicación de las variaciones mayores se puede buscar en el método empleado
para recoger las muestras, ya expuesto. También conviene insistir en que la toma de muestras no fue
realizada siempre por las mismas personas, lo que añade una componente subjetiva en la recogida y
puede ayudar a explicar las diferencias entre muestreos.
Los coeficientes de variación para la variable SFa son entre altos y medios; concretamente, en el
estudio global sus cifras son: 41,68% para las hojas pequeñas, 25,81% para las medianas, 18,64%
para las grandes y 62,99% para la agrupación de todas las hojas (Tabla 33; Anejo 1). En los
muestreos, el coeficiente de variación más alto lo presenta siempre el estudio de todas las hojas,
seguido por el de las hojas pequeñas, mientras que las medianas y grandes tienen valores menores y
semejantes entre sí (Tablas 25 a 33; Anejo 1). Además, hay diferencias entre los coeficientes de
variación de los distintos muestreos para un mismo agrupamiento de hojas, en algunos casos
grandes. La explicación, para el caso de todas las hojas, puede estar en la gran diversidad de
tamaños que supone agrupar todas las hojas, algunas totalmente desarrolladas y de gran tamaño y
otras hojas muy jóvenes y con un menor desarrollo. Las diferencias entre los muestreos se pueden
explicar con los mismos argumentos expuestos para el caso de la media.
La variable P, por su parte, presenta unas medias para el estudio global del cultivar Cabernet-
Sauvignon de 29,25 cm para las hojas pequeñas, 61,14 cm para las medianas, 75,16 cm para las
grandes y 55,13 cm para el agrupamiento de todas las hojas (Tabla 33; Anejo 1). Las medias de cada
agrupamiento de hojas para los diferentes muestreos presentan diferencias, pero sin ninguna
tendencia marcada (Fig. 61 y Tabla 25 a 32; Anejo 1). Los mismos argumentos expuestos para
explicar los datos de SFa se pueden aplicar en este caso. Por lo que respecta a los coeficientes de
variación para el estudio global de P, éstos son menores que los de SFa, concretamente 24,24% para
las hojas pequeñas, 13,57% para las medianas, 10,59% para las grandes y 37,63% para la
agrupación de todas las hojas (Tabla 33; Anejo 1). En los distintos muestreos, el coeficiente de
variación más alto lo presenta siempre el agrupamiento de todas las hojas, las hojas pequeñas tienen
valores intermedios, mientras que medianas y grandes tienen valores menores (Tablas 25 a 33; Anejo
1).
67
La variable Lm, tiene, para el estudio 20 50

global, una media de 6,21 cm para las
hojas pequeñas, 12,27 cm para las 15
40
medianas, 15,58 cm para las grandes y

11,35 cm para el agrupamiento de todas 30
cm
10 %
ellas (Tabla 33; Anejo 1). Las medias de 20
los muestreos para los distintos grupos de 5
hojas presentan diferencias entre ellas, 10
pero sin una tendencia marcada (Fig. 34). 0 0

Los coeficientes de variación del estudio 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
global para Lm son 21,53% para las hojas M u e s tre o s
pequeñas, 12,40% para las medianas, M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
9,81% para las grandes y 36,56% para el
Figura 34. Media (cm) y coeficiente de variación (CV, %) de la
agrupamiento de todas las hojas (Tabla longitud máxima del limbo de las hojas medida manualmente (Lm),
33; Anejo 1); para los diferentes cv. Cabernet-Sauvignon, 2ª campaña (1996)
muestreos, los coeficientes de variación
son altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo menores
para medianas y grandes (Tablas 25 a 33; Anejo 1).
El estudio global de la variable La, tiene una media de 5,83 cm para las hojas pequeñas, 11,47 cm
diferencias entre ellas, pero sin una tendencia marcada (Fig. 62 y Tablas 25 a 33; Anejo 1). Los
coeficientes de variación para el estudio global son 20,50% para las hojas pequeñas, 13,36% para las
medianas, 10,32% para las grandes y 36,59% para el agrupamiento de todas las hojas (Tabla 33;
Anejo 1); los coeficientes de variación de los diferentes muestreos son altos cuando se agrupan todas
las hojas, intermedios para las hojas pequeñas y algo menores para las medianas y las grandes
Al comparar los valores de las variables La y Lm, se observa que las medias para Lm son
estudio global. La explicación de estas diferencias se puede buscar en las definiciones de estos dos
parámetros y, por tanto, en la forma de medirlos (Apartado 4.7).
hojas (Tabla 33; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas presentan
diferencias entre ellas, pero sin una tendencia marcada a lo largo del periodo de toma de muestras
(Fig. 65 y Tablas 25 a 33; Anejo 1). El coeficiente de variación para Am en el estudio global presenta
un coeficiente de variación de 20,89% para las hojas pequeñas, 13,18% para las medianas, 10,53%
para las grandes y 37,37% para el agrupamiento de todas las hojas (Tabla 33; Anejo 1); en los
muestreos presenta valores altos cuando se agrupan todas las hojas, intermedios para las hojas
El estudio global de la variable Aa tiene una media de 5,54 cm para las hojas pequeñas, 11,05 cm
diferencias entre ellas, pero sin una tendencia marcada (Fig. 63 y Tablas 25 a 33; Anejo 1). Los
coeficientes de variación del estudio global son 21,55% para las hojas pequeñas, 13,46% para las
Anejo 1); en los muestreos los coeficientes de variación son altos cuando se agrupan todas las hojas,
intermedios para las hojas pequeñas y algo menores para las medianas y las grandes (Tablas 25 a
33; Anejo 1).
Al comparar las medias de Aa y Am, se observa que las de Am son, en todos los casos,
superiores a las de Aa para todos los tipos de hojas y para todos los muestreos, también para el
estudio global. La explicación de estas diferencias se puede buscar en la definición y en la forma de
medir estas dos variables (Apartado 4.7).
2
El estudio global del parámetro Lm.Am presenta unos valores de la media, en cm , de 37,63,
143,04, 233,80 y 138,16 para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las
hojas, respectivamente (Tabla 33; Anejo 1). Las medias de los muestreos para los distintos tipos de
hojas presentan diferencias entre ellas, pero sin una tendencia marcada (Fig. 35). El coeficiente de
variación para la variable Lm.Am en el estudio global presenta unos valores de 43,15% para las hojas
pequeñas, 24,66% para las medianas, 19,48% para las grandes y 63,22% para el agrupamiento de
68
todas las hojas (Tabla 33; Anejo 1); los 300 80

muestreos tienen coeficientes de
variación altos cuando se agrupan todas 250
60
las hojas y para las hojas pequeñas y 200
algo menores para las hojas medianas y 2

cm 150 40 %
las grandes (Tablas 25 a 33; Anejo 1).
100
El estudio global de La.Aa tiene unos 20
2
valores de la media de 33,65 cm para las 50
2
hojas pequeñas, 128,85 cm para las 0 0
2
medianas, 205,93 cm para las grandes y 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
2 M u e s tr e o s
122,59 cm para el agrupamiento de
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia To d a s
todas las hojas (Tabla 33; Anejo 1). Las C V Pe q u e ñ a s C V M e d ia n a s C V G ra n d e s C V Todas
medias de los muestreos para los Figura 35. Media (cm2) y coeficiente de variación (CV, %) del
distintos tipos de hojas, presentan producto Lm.Am, cv. Cabernet-Sauvignon, 2ª campaña (1996)
diferencias entre ellas pero sin una
tendencia marcada (Fig. 36). El coeficiente de variación para la variable La.Aa en el estudio global
presenta unos valores del 43,40% para las hojas pequeñas, 26,73% para las medianas, 19,07% para
las grandes y 62,90% para el agrupamiento de todas las hojas (Tabla 33; Anejo 1), los muestreos
tienen unos coeficientes de variación
300 80 altos cuando se agrupan todas las hojas,
250
intermedios para las hojas pequeñas y
60 algo menores para las hojas medianas y
200
las grandes (Tablas 25 a 33; Anejo 1).
Cuando se comparan los valores de
2
cm 150 40 %
100 las variables La.Aa y Lm.Am, se advierte

50
20
que las medias para Lm.Am son
superiores a las de La.Aa para todos los
0
0
tipos de hojas y para todos los muestreos,
M u e s tre o s también para el estudio global. Al igual
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s que se ha comentado al comparar Aa con
C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
Am y La con Lm, la explicación de las
Figura 36. Media (cm2) y coeficiente de variación (CV, %) del diferencias observadas entre las dos
producto La.Aa, cv. Cabernet-Sauvignon, 2ª campaña (1996)
variables se puede buscar en las
definiciones de los cuatro parámetros
involucrados y, por tanto, en la forma de obtenerlos, que puede hacer que no se esté midiendo
exactamente lo mismo (Apartado 4.7), por lo que su producto podría estar aportando datos no
comparables.
2 2 2
La variable BA tiene unas medias en el estudio global de 37,68 cm , 143,68 cm , 230,03 cm y
2
136,89 cm , respectivamente para las hojas pequeñas, medianas, grandes y la agrupación de todas
las hojas (Tabla 33; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas presentan
diferencias entre ellas, pero sin una tendencia concreta (Fig. 79 y Tablas 25 a 33; Anejo 1). El
coeficiente de variación para BA presenta valores altos para la agrupación de todas las hojas y para
las hojas pequeñas y intermedios para las hojas medianas y las grandes (Tablas 25 a 33; Anejo 1),
con unos valores para el estudio global de 41,19%, 25,48%, 19,21% y 62,70%, respectivamente para
las hojas pequeñas, medianas, grandes y la agrupación de todas las hojas (Tabla 33; Anejo 1).
para las hojas medianas, 1,17 g para las hojas grandes y 0,66 g para la agrupación de todas las hojas
(Tabla 33; Anejo 1). Las medias de los muestreos para cada agrupamiento de hojas presentan
diferencias entre ellas, pero sin una tendencia concreta (Fig. 71 y Tablas 25 a 33; Anejo 1). El
coeficiente de variación de MSl, por su parte, tiene valores muy altos para la agrupación de todas las
hojas, altos para las hojas pequeñas e intermedios para las hojas medianas y las grandes (Tablas 25
a 33; Anejo 1); para el estudio global toma los siguientes valores: 55,54% para las hojas pequeñas,
34,35% para las hojas medianas, 23,94% para las pequeñas y 70,55% para el agrupamiento de todas
las hojas (Tabla 33; Anejo 1).
69
El parámetro SEF tiene como valores 24 35

2 -1
medios en el estudio global 16,74 m .kg
2 -1 22 30
para las hojas pequeñas, 14,40 m .kg
2 -1
para las medianas, 12,56 m .kg para las 20 25
2 -1
hojas grandes y 14,57 m .kg para el 18
2 -1
20
%
m .k g
agrupamiento de todas las hojas (Tabla 16 15
33; Anejo 1). La observación de las 14 10
medias de este parámetro en los 12 5

diferentes muestreos muestra un 10 0
descenso continuado de las mismas para 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
todos los tipos de hojas desde el primero M u e s t re o s
o el segundo. Para las hojas pequeñas el M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
valor medio máximo se alcanza en el
Figura 37. Media (m2.kg-1) y coeficiente de variación (CV, %) de la
segundo muestreo, el resto de Superficie Específica Foliar de las hojas (SEF), cv. Cabernet-
agrupamientos de hojas lo presentan en Sauvignon, 2ª campaña (1996)
el muestreo 1º (Fig. 37). Los valores de la
media de SEF más altos en los muestreos son, por regla general, los de las hojas pequeñas, mientras
que los de las hojas medianas y grandes son inferiores y próximos entre sí. El coeficiente de variación
de SEF no presenta grandes diferencias entre los distintos tipos de hojas, por regla general, con
valores para el estudio global de 26,63% para las hojas pequeñas, 28,13% para las medianas,
17,38% para las grandes y 27,92% para el agrupamiento de todas las hojas (Tabla 33; Anejo 1).
semejantes para todos los muestreos y para todos los grupos de hojas, con valores para el estudio
global de 0,34 para las hojas pequeñas, 0,30 para las medianas, 0,33 para las grandes y 0,32 para el
agrupamiento de todas las hojas (Tabla 33; Anejo 1). A pesar de las pocas variaciones que existen en
el estudio global, al observar en detalle las medias a lo largo de los muestreos, se observa que, para
las hojas pequeñas, la media presenta una evolución ascendente desde el primer muestreo, mientras
que para las hojas medianas y grandes todas las medias están siempre muy próximas (Fig. 74 y
Tablas 25 a 33; Anejo 1). Por su parte, el coeficiente de variación de IR en los muestreos presenta
valores moderados y muy cercanos para todos los grupos de hojas, que para el estudio global son
22,56% para las hojas pequeñas, 12,37% para las medianas, 13,58% para las hojas grandes y
El cociente Lm/Am tiene unos valores
de la media, para el estudio global, de 1,15 12
1,07 para las hojas pequeñas y 10
medianas, 1,05 para las hojas grandes y 1,10

8
1,06 para el agrupamiento de todas las
hojas (Tabla 33; Anejo 1), con pequeñas 1,05 6 %
diferencias entre los muestreos, pero sin 4
ninguna tendencia marcada en ningún 1,00

2
caso (Fig. 38). Los coeficientes de
variación son bajos para todos los tipos 0,95
0
de hojas en todos los muestreos, con M u e s tre o s
valores para el estudio global de 8,15%, M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

7,42%, 6,47% y 7,43% para las hojas
pequeñas, medianas, grandes y el Figura 38. Media y coeficiente de variación (CV, %) del cociente
Lm/Am, cv. Cabernet-Sauvignon, 2ª campaña (1996)
agrupamiento de todas las hojas,
respectivamente (Tablas 25 a 33; Anejo 1). Es, por tanto, una variable con muy constante y poca
variabilidad, independientemente del tamaño de la hoja y de la fecha de muestreo.
Otra de las variables relacionadas con la forma de la hoja, La/Aa, tiene unas medias muy
semejantes para todos los muestreos y para todos los tipos de hojas, con diferencias menores que la
variable anterior, con valores en el estudio global de 1,06 para las hojas pequeñas, 1,05 para el
agrupamiento de todas las hojas y 1,04 para las hojas medianas y las grandes (Tabla 33; Anejo 1),
con reducidas diferencias entre los muestreos, pero sin ninguna tendencia marcada para ninguno de
los agrupamientos de hojas (Fig. 68 y Tablas 25 a 33; Anejo 1). Los coeficientes de variación de la
variable La/Aa, por su parte, son bajos para todos los grupos de hojas en todos los muestreos (Tablas
25 a 33; Anejo 1), con valores situados entre 5,60% y 5,21% para el estudio global (Tabla 33; Anejo
1). Por tanto, también es una variable muy constante y con poca variabilidad, con independencia del
tamaño de la hoja y de la fecha de muestreo.
70
observa que las medias son superiores en el estudio global para la primera variable en las todas las
agrupaciones de hojas, con unos coeficientes de variación bajos en ambos casos y muy semejantes.
En cuanto al índice BR, los valores de la media son muy semejantes para todos los muestreos y
para todos los agrupamientos de hojas, con valores para el estudio global de 0,62% para las hojas
pequeñas, 0,63% para las hojas medianas y el agrupamiento de todas las hojas y 0,64% para las
hojas grandes (Tabla 33; Anejo 1). No se observa ninguna tendencia en los valores de las medias a lo
largo de los muestreos para las diferentes agrupaciones de hojas (Fig. 80 y Tablas 25 a 33; Anejo 1).
Los coeficientes de variación de las medias de BR son muy bajos para todos los tipos de hojas en
todos los muestreos, con valores para el estudio global de 6,26%, 4,03%, 3,50% y 4,85%,
respectivamente para las hojas pequeñas, medianas, grandes y la agrupación de todas (Tablas 25 a
33; Anejo 1).
La variable PPDA, sin embargo, presenta una tendencia ligeramente decreciente de la media a lo
largo de los sucesivos muestreos, más marcado en las hojas pequeñas que en el resto de
agrupamientos, con una cierta estabilización de los valores a partir del quinto muestreo y con un
ligero ascenso de su valor en el último para las hojas medianas y grandes, al igual que para el
agrupamiento de todas las hojas (Fig. 83 y Tablas 25 a 33; Anejo 1). La media para el estudio global
revela un PPDA muy semejante para los tipos de hojas, 38,15 para las hojas pequeñas, 41,77 para
las medianas, 38,94 para las grandes y 39,62 para el agrupamiento de todas las hojas (Tabla 33;
Anejo 1). El coeficiente de variación de PPDA presenta valores inferiores al 24% en todos los
muestreos para todos los tipos de hojas (Tablas 25 a 33; Anejo 1); en el estudio global el coeficiente
de variación presenta unas cifras del 22,02%, 12,26%, 13,70% y 16,74% para las hojas pequeñas,
medianas, grandes y el agrupamiento de todas, respectivamente (Tabla 33; Anejo 1).
La variable Ld tiene unos valores de la media para el estudio global para las hojas grandes de 0,34
cm, 0,28 cm para las medianas, 0,18 para las hojas pequeñas y 0,26 para el agrupamiento de todas
las hojas (Tabla 33; Anejo 1). En las medias de los muestreos no se observa ninguna evolución a lo
largo del periodo de toma de muestras (Fig. 81 y Tablas 25 a 33; Anejo 1). Los coeficientes de
variación de la media de Ld tienen valores altos para todos los muestreos y todos los grupos de
hojas, que para el estudio global son 75,93%, 78,87%, 88,39% y 89,10%, respectivamente para las
hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 33; Anejo 1).
El parámetro Ad tiene, en general, valores de la media más altos que el parámetro anterior en los
muestreos para cada agrupamiento de las hojas, lo que indica que la asimetría transversal es mayor
que la asimetría longitudinal, pero, al igual que el anterior, tampoco se observa ninguna tendencia de
la media a lo largo del periodo de toma de muestras (Fig. 82 y Tablas 25 a 33; Anejo 1), con unos
valores para el estudio global de 0,18 cm, 0,39 cm, 0,63 cm y 0,40 cm, respectivamente para las
hojas pequeñas, medianas, grandes y el agrupamiento de todas ellas (Tabla 33; Anejo 1). El
coeficiente de variación de Ad tiene valores altos para todos los muestreos y para todos los
agrupamientos de las hojas (Tablas 25 a 33; Anejo 1), con unas cifras para el estudio global del
85,29%, 77,40%, 66,00% y 89,51%, respectivamente para las hojas pequeñas, medianas, grandes y
el agrupamiento de todas las hojas (Tabla 33; Anejo 1).
La media del parámetro NH, primero
de los parámetros de los relacionados 5 100
con los agujeros de las hojas que se 4 80

comenta, tiene unos valores cercanos a
tres, que para el estudio global son 2,38, 3 60
3,32, 3,55 y 3,08 para las hojas %
pequeñas, medianas, grandes y para el 2 40
agrupamiento de todas las hojas, 1 20
respectivamente (Tablas 25 a 33; Anejo

1). No se manifiesta ninguna tendencia en 0
0
la media del parámetro en el periodo de M u e s t re o s
muestreos (Fig. 39). El coeficiente de M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s
variación de NH, para todos los tipos de C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
hojas en todos los muestreos, presenta Figura 39. Media y coeficiente de variación (CV, %) del número de
unos valores moderados (Tablas 25 a 33; agujeros de las hojas (NH), cv. Cabernet-Sauvignon, 2ª campaña
(1996)
Anejo 1), con unas cifras para el estudio
global del 57,96%, 37,78%, 36,30% y 45,42%, respectivamente para las hojas pequeñas, medianas,
grandes y la agrupación de todas las hojas (Tabla 33; Anejo 1).
71
tendencia marcada a lo largo de los muestreos (Fig. 75 y Tablas 25 a 33; Anejo 1). El estudio global
2 2
muestra un área de los agujeros de 2,57 cm para las hojas grandes, 1,45 cm para las medianas,
2 2
0,26 cm para las pequeñas 1,42 cm para el agrupamiento de todas las hojas (Tabla 33; Anejo 1). En
todos los muestreos, y para todas las agrupaciones de hojas, los coeficientes de variación de HA son
altos, superiores al 43% en la totalidad de los casos, con valores para el estudio global del 97,81%,
70,29%, 57,12% y 98,48% para las hojas pequeñas, medianas, grandes y agrupamiento de todas las
hojas, respectivamente (Tablas 25 a 33; Anejo 1).
El parámetro HR presenta una media muy baja para todos los muestreos y para todos los
agrupamientos de hojas, incluido el estudio global que presenta un valor de 0,010%, 0,015%, 0,017%
y 0,014% para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas,
respectivamente (Tablas 25 a 33; Anejo 1). Al igual que los dos parámetros anteriores, el coeficiente
de variación de HR tiene unos valores altos para todos los muestreos y todos los agrupamientos de
hojas, superiores al 44% en todos los casos, con valores para el estudio global de 71,86% para las
hojas pequeñas, 60,77% para las medianas, 52,50% para las grandes y 63,63% para el agrupamiento
de todas las hojas (Tablas 25 a 33; Anejo 1).
Por lo que respecta a las variables 9 70
relacionadas con el peciolo de la hoja, se 8
60
observa que las medias de Lp más altos 7
son las de las hojas grandes para todos 6
50
los muestreos, las hojas medianas tienen cm

5 40
%
valores intermedios, mientras que las 4 30
hojas pequeñas muestran los valores 3

20
más bajos en cada muestreo (Tablas 25 a 2

10
1
33; Anejo 1); para el estudio global las 0 0
medias son 1,60 cm, 5,38 cm, 7,66 cm y 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
4,88 cm, respectivamente para las hojas M u e s t re o s
pequeñas, medianas, grandes y el M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
agrupamiento de todas ellas (Tabla 33;
Anejo 1). Para todos los tipos de longitud del peciolo de las hojas (Lp), cv. Cabernet-Sauvignon, 2ª
agrupamiento de las hojas el valor de la campaña (1996)
media presenta altibajos pero sin ninguna
tendencia marcada que permita señalar una determinada evolución de su valor medio a lo largo del
periodo de muestreo (Fig. 40). El coeficiente de variación de Lp es moderado para todos los
agrupamientos de hojas y para todos los muestreos, con unos valores para el estudio global del
35,31% para las hojas pequeñas, 27,35% para las hojas medianas y 14,10% para las hojas grandes y
Para último, la variable MSp, al igual que la variable anterior, presenta los valores de la media más
altos para las hojas grandes, con unos valores intermedios para las hojas medianas y los valores más
bajos para las hojas pequeñas, mientras el agrupamiento de todas las hojas tiene valores intermedios
(Tablas 25 a 33; Anejo 1). La evolución del valor de la media a lo largo de los muestreos para todos
los agrupamientos de las hojas presenta un ligero ascenso entre los muestreos 1º y 4º, unos valores
alternos entre el 5º y el 7º, para terminar con un ascenso generalizado en el muestreo 8º (Fig. 72;
Anejo 1). Los coeficientes de variación de MSp son superiores a los comentados para la variable
anterior, en todos los casos, con valores para el estudio global del 66,70% para las hojas pequeñas,
hojas (Tablas 25 a 33; Anejo 1).
Finalmente, a modo de resumen para este cultivar, cabe destacar que las medias de los
parámetros relacionados con el tamaño de la hoja no presentan ninguna tendencia marcada a lo largo
del periodo de toma de muestras, que tienen una variabilidad alta tanto para las hojas pequeñas,
como para las medianas y las grandes, tanto en un muestreo como entre muestreos, siendo muy alta
cuanto se agrupan todas las hojas. Las medias de SEF a lo largo de los diferentes muestreos
presentan un descenso continuado para todos los tipos de hojas desde el primero o el segundo hasta
el último, con una variabilidad muy diferente entre muestreos, siempre entre media y alta. Las medias
de Lm y Am son, en general, superiores a las de La y Aa, respectivamente, para todos los grupos de
hojas y para todos los muestreos, incluso para el estudio global, con una variabilidad moderada en
todos los casos. Las variables Lm/Am, La/Aa, IR y BR, relacionadas con la forma de las hojas,
presentan unos valores muy estables y con una baja variabilidad, independientemente del tamaño de
la hoja y del muestreo. La asimetría transversal es mayor que la asimetría longitudinal, en promedio, y
72
ambos parámetros tienen una variabilidad alta. Las variables relacionadas con los agujeros de la hoja
tienen una variabilidad alta para todo los agrupamientos de hojas y para todos los muestreos, incluso
para el estudio global. Las variables relacionadas con el peciolo de la hoja tienen una variabilidad
moderada para todas las agrupaciones de hojas y para todos los muestreos, incluso para el estudio
global.
5.1.2.3. Cultivar Cencibel.
Los resultados del cultivar Cencibel obtenidos en la segunda campaña, se encuentran en las
Tablas nº 34 a 42 y en las Figuras nº 85 a 109 del Anejo 1.
Al observar los resultados de la variable SFa, primera de las relacionadas con el tamaño de la hoja
2
que se estudia (Apartado 4.7), ésta presenta, para el estudio global, una media de 29,29 cm para las
2
2
medianas, 215,16 cm para las grandes y 300 80
2
119,36 cm para el agrupamiento de
250
todas las hojas (Tabla 42; Anejo 1). Por 60
su parte, al comparar las medias de los 200
diferentes muestreos para cada uno de cm 150

2
40 %
los grupos de hojas, aunque se

100
manifiestan diferencias entre ellas, no se 20
observa una tendencia marcada y alguna 50
de las medias máximas se pueden 0 0
encontrar ya en los primeros muestreos, 1º 2º 3º 4º 5º

M u e s tre o s
lo que puede ser debido a que estos se M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

inició el periodo de muestreo con el CV P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
desarrollo de las plantas bastante Figura 41. Media (cm2) y coeficiente de variación (CV, %) de la
adelantado (Fig. 41). Al igual que en los superficie del limbo de las hojas medida con analizador (SFa), cv.
cultivares anteriores, aunque la Cencibel, 2ª campaña (1996).
variabilidad natural puede explicar
algunas diferencias entre los muestreos, al haber realizado cada uno sobre una planta diferente, la
explicación de las diferencias mayores se puede buscar en el procedimiento con que se recogieron
las muestras, ampliamente comentado en apartados anteriores. Conviene, igualmente, recordar, que
la toma de muestreas no fue realizada siempre por las mismas personas, lo que añade una
componente subjetiva en la misma.
Los coeficientes de variación para la variable SFa son entre altos y medios; concretamente, en el
estudio global son 48,76% para las hojas pequeñas, 25,96% para las medianas, 19,05% para las
grandes y 68,36% para la agrupación de todas las hojas (Tabla 42; Anejo 1). En los muestreos, el
coeficiente de variación más alto lo presenta siempre el estudio de todas las hojas, seguido por el de
las hojas pequeñas, mientras que las medianas y grandes tienen valores menores y semejantes entre
sí (Tablas 34 a 42; Anejo 1). Además, hay diferencias entre los coeficientes de variación de los
distintos muestreos para un mismo agrupamiento de hojas, en algunos casos grandes. La explicación
de estos valores, para el caso de todas las hojas, puede estar en la gran diversidad de tamaños que
supone agrupar todas las hojas, algunas totalmente desarrolladas y de gran tamaño y otras con un
menor desarrollo. Las diferencias entre los muestreos se pueden explicar con los mismos argumentos
expuestos para el caso de la media.
La variable P presenta unas medias para el estudio global de 34,30 cm para las hojas pequeñas,
75,39 cm para las medianas, 105,89 cm para las grandes y 71,41 cm para el agrupamiento de todas
las hojas (Tabla 42; Anejo 1). Al igual que para SFa, las medias de cada agrupamiento de hojas para
los diferentes muestreos tienen diferencias, pero sin ninguna tendencia marcada (Tablas 34 a 42;
Anejo 1). Los coeficientes de variación para el estudio global de P son menores que para SFa,
para la agrupación de todas las hojas (Tabla 42; Anejo 1). En los muestreos, el coeficiente de
variación más alto lo presenta siempre el estudio del agrupamiento de todas las hojas, las hojas
pequeñas presentan cifras intermedias, mientras que, por lo general, las hojas medianas y las
grandes tienen valores menores (Tablas 34 a 42; Anejo 1).
73
La variable Lm tiene, para el estudio

25 50
20 40
medianas, 19,59 cm para las grandes y
15 30 13,56 cm para todas las hojas agrupadas
(Tabla 42; Anejo 1). Las medias de los
cm
%
10 20
muestreos para los distintos tipos de
5 10 hojas presentan diferencias entre ellas,
pero sin una tendencia marcada (Fig. 42).
0
0
El coeficiente de variación para el estudio
M u e s t re o s global presenta unas cifras del 24,33%
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s para las hojas pequeñas, 13,94% para las
Figura 42. Media (cm) y coeficiente de variación (CV, %) de la 41,11% para el agrupamiento de todas
longitud máxima del limbo de las hojas medida manualmente (Lm),
cv. Cencibel, 2ª campaña (1996). las hojas (Tabla 42; Anejo 1); para los
diferentes muestreos, los coeficientes de
variación son altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo
menores para las hojas medianas y las grandes (Tablas 34 a 42; Anejo 1).
El estudio global de la variable La tiene una media de 6,60 cm para las hojas pequeñas, 13,35 cm
diferencias entre ellas, pero sin una tendencia marcada (Tablas 34 a 42; Anejo 1). El coeficiente de
variación presenta unos valores para el estudio global del 22,44% para las hojas pequeñas, 14,52%
para las medianas, 11,17% para las grandes y 40,54% para el agrupamiento de todas las hojas
(Tabla 42; Anejo 1); los coeficientes de variación de los diferentes muestreos son, en general, altos
cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo menores para las
hojas medianas y las grandes (Tablas 34 a 42; Anejo 1).
Al comparar los valores de las variables La y Lm se observa que las medias para Lm son
parámetros y, por tanto, en la forma de medirlos (Apartado 4.7).
hojas (Tabla 42; Anejo 1). Las medias de los muestreos para los distintos tipos de hojas, como en los
del periodo de toma de muestras (Tablas 34 a 42; Anejo 1). El coeficiente de variación para Am, en el
estudio global, presenta un coeficiente de variación del 23,05% para las hojas pequeñas, 14,29%
(Tabla 42; Anejo 1); en los muestreos, generalmente, el coeficiente de variación presenta valores
altos para la agrupación de todas las hojas, intermedios para las hojas pequeñas y algo menores para
las hojas medianas y para las grandes (Tablas 34 a 42; Anejo 1).
variación, por su parte, presenta en el estudio global unas cifras del 23,94% para las hojas pequeñas,
hojas (Tabla 42; Anejo 1); los muestreos tienen coeficientes de variación altos cuando se agrupan
todas las hojas, intermedios para las hojas pequeñas y algo menores para las hojas medianas y las
grandes, en general (Tablas 34 a 42; Anejo 1).
Al comparar las medias de Aa y Am se observa que las medias de Am son superiores a las de Aa
para todos los tipos de hojas y para todos los muestreos, también para el estudio global. La
explicación de estas diferencias, al igual que en el caso de la longitud de la hoja, se puede buscar en
la definición y en la forma de medir estas dos variables (Apartado 4.7).
74
La variable Lm.Am presenta unas 300 80

2
medias, en cm , para el estudio global de
49,58, 197,03, 369,67 y 205,43 para las 250
60
hojas pequeñas, medianas, grandes y el 200
agrupamiento de todas las hojas, 2

cm 150 40 %
respectivamente (Tabla 42; Anejo 1). Las
medias de los muestreos para los 100
20
distintos tipos de hojas presentan 50
diferencias entre ellas, pero sin una

0 0
tendencia marcada (Fig. 43). El 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
coeficiente de variación de esta variable M u e s tre o s
en el estudio global presenta unos M e d ia P e q u e ñ a s

C V Pe q u e ñ a s
C V M e d ia n a s
C V G ra n d e s
M e d ia To d a s
C V Todas
valores del 47,58% para las hojas
pequeñas, 27,21% para las medianas, producto Lm.Am, cv. Cencibel, 2ª campaña (1996).
el agrupamiento de todas las hojas (Tabla 42; Anejo 1), los muestreos tienen coeficientes de variación
altos cuando para las hojas pequeñas y para el agrupamiento de todas y algo menores para las hojas
medianas y las grandes (Tablas 34 a 42; Anejo 1).
El estudio global de las hojas del
500 90
parámetro La.Aa tiene unos valores de la
80 2
400
media de 42,89 cm para las hojas
70 2
60
pequeñas, 172,92 cm para las medianas,
2
300
50
319,75 cm para las grandes y 176,66
2
cm para el agrupamiento de todas ellas
2
cm %
40
200
30 (Tabla 42; Anejo 1). Las medias de los
100 20 muestreos para los distintos tipos de
10
hojas presentan diferencias entre ellas,
0
0
pero sin una tendencia marcada (Fig. 44).
M u e s tre o s El coeficiente de variación para la variable
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s La.Aa en el estudio global, es 47,02%
para las hojas pequeñas, 27,65% para las
Figura 44. Media (cm2) y coeficiente de variación (CV, %) del medianas, 20,05% para las grandes y
producto La.Aa, cv. Cencibel, 2ª campaña (1996).
las hojas (Tabla 42; Anejo 1); los
coeficientes de variación en los muestreos son altos cuando se agrupan todas las hojas, intermedios
para las hojas pequeñas y, en general, menores para las medianas y las grandes (Tablas 34 a 42;
Anejo 1).
Cuando se comparan las medias de las variables La.Aa y Lm.Am se advierte son superiores las de
Lm.Am para todos los tipos de hojas y para todos los muestreos, también para el estudio global. Al
igual que se ha comentado al comparar Aa con Am y La con Lm, la explicación de las diferencias
observadas entre las dos variables se puede buscar en las definiciones de los cuatro parámetros
involucrados y, por tanto, en la forma de obtenerlos, que puede hacer que no se esté midiendo
exactamente lo mismo (Apartado 4.7).
2 2
La variable BA tiene unos valores medios en el estudio global de 49,10 cm , 95,63 cm , 356,33
2 2
cm y 198,30 cm , respectivamente para las hojas pequeñas, medianas, grandes y la agrupación de
presentan diferencias entre ellas, pero sin una tendencia concreta (Tablas 34 a 42; Anejo 1). El
coeficiente de variación para BA presenta valores altos para la agrupación de todas las hojas e
intermedios para las hojas pequeñas, las medianas y las grandes (Tablas 34 a 42; Anejo 1), con unos
valores para el estudio global del 46,73%, 27,06%, 19,18% y 68,21% para las hojas pequeñas,
medianas, grandes y la agrupación de todas las hojas, respectivamente (Tabla 42; Anejo 1).
(Tabla 42; Anejo 1). Las medias de los muestreos para cada agrupamiento de hojas, presentan
diferencias entre ellas, pero sin una tendencia concreta (Tablas 34 a 42; Anejo 1). El coeficiente de
variación de MSl, por su parte, tiene valores altos para la agrupación de todas las hojas e intermedios
para las hojas pequeñas, las medianas y las grandes (Tablas 34 a 42; Anejo 1); para el estudio global
presenta las siguientes cifras: 59,60% para las hojas pequeñas, 31,39% para las hojas medianas,
25,90% para las pequeñas y 78,72% para el agrupamiento de todas (Tabla 42; Anejo 1).
75
El parámetro SEF tiene como valores

2 -1
medios del estudio global 16,28 m .kg 22 40
2 -1
para las hojas pequeñas, 13,76 m .kg 20
2 -1
para las medianas, 11,62 m .kg para las 18
30
2 -1
grandes y 13,91 m .kg para el 16
agrupamiento de todas las hojas (Tabla 2
m .k g -1
20 %
14
42; Anejo 1). La observación de las
medias de este parámetro en los 12
10
diferentes muestreos muestra un 1 0
descenso continuado de las mismas para 8 0

todos los tipos de hojas desde el primero, M u e s t re o s
con un ligero ascenso a partir del 7º (Fig. M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s
45). En los muestreos, las medias de SEF C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
más altas son las de las hojas pequeñas, 2 -1

Figura 45. Media (m .kg ) y coeficiente de variación (CV, %) de la
mientras que son inferiores para las hojas Superficie Específica Foliar de las hojas (SEF), cv. Cencibel, 2ª
medianas y para las hojas grandes y, por campaña (1996).
regla general, próximos entre sí, algo
superiores los de las hojas medianas. El coeficiente de variación de SEF presenta valores semejantes
entre sí para los distintos tipos de hojas en los muestreos, con valores en el estudio global de 23,24%
las hojas pequeñas, 26,98% para las hojas medianas, 17,71% para las grandes y 27,30% para el
La variable IR, relacionada con la forma de la hoja, tiene unas medias muy semejantes entre sí
para todos los muestreos y para todos los tipos de hojas, con valores para el estudio global de 0,32
para las hojas pequeñas, 0,27 para las medianas, 0,25 para las grandes y 0,28 para el agrupamiento
de todas las hojas (Tabla 42; Anejo 1). A pesar de las pocas variaciones que existen en el estudio
global, al observar en detalle la evolución de las medias a lo largo del periodo de toma de muestras,
se advierte que la media de IR de todos los agrupamientos de hojas asciende hasta el tercer
muestreo, a partir del cual se estabiliza (Tablas 34 a 42; Anejo 1). El coeficiente de variación de IR en
muestreos presenta unas cifras moderadas y muy semejantes para todos los agrupamientos de
hojas, que para el estudio global son 25,93% para las hojas pequeñas, 21,54% para las hojas
medianas, 19,63% para las hojas grandes y 25,13% para el agrupamiento de todas las hojas (Tabla
42; Anejo 1).
El cociente Lm/Am refleja una media,
1,15 10
9
para el estudio global, de 1,01 para las
1,10 8 hojas pequeñas, 1,05 para las hojas
7 grandes y 1,04 para las hojas medianas y
1,05 6
para el agrupamiento de todas las hojas
1,00
5 %
4
(Tabla 42; Anejo 1), con pequeñas
3 diferencias entre los muestreos, pero sin
0,95 2 tendencia alguna en ningún caso (Fig.
1
46). Los coeficientes de variación para la
0,90
0
variable Lm/Am son bajos en todas las
M u e s tre o s agrupaciones de hojas y en todos los
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s muestreos; para el estudio global sus
valores son 8,25% para las hojas
Figura 46. Media y coeficiente de variación (CV, %) del cociente pequeñas, 6,27% para las medianas,
Lm/Am, cv. Cencibel, 2ª campaña (1996).
7,10% para las grandes y 7,46% para el
agrupamiento de todas las hojas (Tablas 34 a 42; Anejo 1). Es, por lo tanto, una variable muy estable
y con baja variabilidad, independientemente del tamaño de la hoja y de la fecha en que se haya
realizado el muestreo.
La variable La/Aa presenta unas medias muy semejantes entre sí para todos los muestreos y para
todos los agrupamientos de hojas, con diferencias menores que el parámetro anterior, y valores para
el estudio global de 1,07 para las hojas pequeñas, 1,05 para las hojas medianas y 1,06 tanto para las
hojas grandes como para el agrupamiento de todas las hojas (Tabla 42; Anejo 1), con diferencias
entre los muestreos, pero sin ninguna tendencia marcada en estas variaciones a lo largo del periodo
de toma de muestras (Tablas 34 a 42; Anejo 1). Los coeficientes de variación de la variable La/Aa,
por su parte, son bajos para todos los agrupamientos de hojas en todos los muestreos (Tablas 34 a
42; Anejo 1), situándose entre 5,93% y 5,28% para el estudio global (Tabla 42; Anejo 1). Resulta ser
también, por tanto, una variable muy constante y con escasa variabilidad, con independencia del
tamaño de la hoja y de la fecha de muestreo.
76
Al comparar los valores de la media y del coeficiente de variación de Lm/Am con los de La/Aa se
observa que las medias son, en general, superiores en el estudio global para la segunda variable en
las todas las agrupaciones de hojas, con unos coeficientes de variación bajos en ambos casos y muy
semejantes.
El índice BR tiene unos valores de la media muy próximos entre sí para todos los muestreos y
para todos los agrupamientos de hojas, con valores para el estudio global del 0,60% para las hojas
pequeñas y 0,61% para el resto de grupos (Tabla 42; Anejo 1). En los valores de las medias para las
diferentes agrupaciones de hojas de los diferentes muestreos no se observa ninguna tendencia
(Tablas 34 a 42; Anejo 1). Los coeficientes de variación de las medias de BR son muy bajos para
todos los grupos de hojas en todos los muestreos, con valores para el estudio global del 7,58%,
agrupamiento de todas ellas (Tablas 34 a 42; Anejo 1).
La variable PPDA, sin embargo, presenta una tendencia ligeramente decreciente de la media a lo
largo de los sucesivos muestreos, más marcado en las hojas pequeñas que en el resto de
agrupamientos, con una cierta estabilización de los valores a partir del quinto muestreo y con un
ligero ascenso de su valor en el último para las hojas medianas y grandes, al igual que para el
agrupamiento de todas las hojas (Tablas 34 a 42; Anejo 1). La media para el estudio global revela un
PPDA muy semejante para todos los grupos de hojas, 43,09 para las hojas pequeñas, 48,60 para las
medianas, 51,95 para las grandes y 47,83 para el agrupamiento de todas las hojas (Tabla 42; Anejo
1). El coeficiente de variación de PPDA presenta valores inferiores al 28% en todos los muestreos
para todas las agrupaciones de hojas (Tablas 34 a 42; Anejo 1). El estudio global tiene unos valores
del coeficiente de variación algo superiores, 33,46%, 24,02%, 19,56% y 26,64% para las hojas
pequeñas, medianas, grandes y el agrupamiento de todas las hojas, respectivamente (Tabla 42;
Anejo 1).
pequeñas, 0,43 cm para las medianas, 0,64 para las hojas grandes y 0,43 para el agrupamiento de
todas las hojas (Tabla 42; Anejo 1). En las medias de los muestreos no se observa ninguna evolución
a lo largo del periodo de toma de muestras (Tablas 34 a 42; Anejo 1). Los coeficientes de variación de
la media de Ld tienen valores muy altos para todos los muestreos y todos los tipos de hojas, que para
el estudio global son 84,05%, 102,62%, 101,96% y 115,94%, respectivamente para las hojas
El parámetro Ad tiene, en general, valores de la media más altos que el parámetro anterior en
todos los casos, lo que indica que la asimetría transversal es mayor que la asimetría longitudinal;
tampoco se observa ninguna evolución de su media a lo largo del periodo de toma de muestras
(Tablas 34 a 42; Anejo 1). Los valores de la media de Ad para el estudio global son 0,26 cm, 0,53 cm,
0,65 cm y 0,48 cm, respectivamente para las hojas pequeñas, medianas, grandes y el agrupamiento
de todas ellas (Tabla 42; Anejo 1). El coeficiente de variación de Ad tiene valores altos para todos los
muestreos y todos los agrupamientos de las hojas (Tablas 34 a 42; Anejo 1); para el estudio global
sus valores son 76,07%, 80,17%, 83,30% y 92,19%, respectivamente para las hojas pequeñas,
medianas, grandes y el agrupamiento de todas las hojas (Tabla 42; Anejo 1).
de los parámetros de los relacionados 6 80
con los agujeros de las hojas que se 5

70
comenta, presenta valores, en general, 60

4
entre tres y cuatro (Tablas 34 a 42; Anejo 50
1); para el estudio global estas medias 3 40 %
son 2,51, 4,12, 4,28 y 3,63 para las hojas 2

30
pequeñas, medianas, grandes y para el 20

1
agrupamiento de todas las hojas, 10
respectivamente (Tabla 42; Anejo 1). No 0

0
se manifiesta ninguna tendencia en la M u e s t re o s
media del parámetro a lo largo de los M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
muestreos (Fig. 47). El coeficiente de C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
variación de NH para todos los tipos de Figura 47. Media y coeficiente de variación (CV, %) del número de
hojas en todos los muestreos presenta agujeros de las hojas (NH), cv. Cencibel, 2ª campaña (1996).
unos valores moderados (Tablas 34 a 42;
Anejo 1), con valores para el estudio global 52,24%, 31,32%, 41,73% y 46,21%, respectivamente
para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 42; Anejo
1).
77
tendencia marcada a lo largo de los muestreos (Tablas 34 a 42; Anejo 1). El estudio global muestra
2 2
un valor medio de HA de 0,24 cm para las hojas pequeñas, 1,40 cm para las hojas medianas, 2,74
2 2
cm para las grandes y 1,44 cm para el agrupamiento de todas las hojas (Tabla 42; Anejo 1). En
todos los muestreos, y para todas las agrupaciones de hojas, los valores del coeficiente de variación
de HA son, por lo general, altos, superiores al 35% en la totalidad de los casos, con valores para el
estudio global de 87,96%, 56,32%, 57,18% y 99,45% para las hojas pequeñas, medianas, grandes y
agrupamiento de todas las hojas, respectivamente (Tablas 34 a 42; Anejo 1).
los agrupamientos de hojas, incluido el estudio global con unas medias del 0,008%, 0,012%, 0,013%
y 0,011% para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas,
respectivamente (Tablas 34 a 42; Anejo 1). Al igual que los dos parámetros anteriores, el coeficiente
de variación de HR, tiene unos valores, por lo general, altos para todos los muestreos y todos los
agrupamientos de hojas, superiores al 35% en todos los casos, con valores para el estudio global del
74,74% para las hojas pequeñas, 54,54% para las hojas medianas, 58,31% para las hojas grandes y
64,63% para el agrupamiento de todas las hojas (Tablas 16 a 24; Anejo 1).
Entre las variables del peciolo de la
hoja, se observa que las medias de Lp 12 70
más altas son los de las hojas grandes 10 60
para todos los muestreos, las hojas 8

50
medianas tienen valores intermedios, 40
mientras que, por su parte, las hojas cm 6

30
%
pequeñas tienen los menores valores en 4

20
cada muestreo, (Tablas 34 a 42; Anejo 1); 2 10
para el estudio global las medias son 1,54
cm, 5,39 cm, 9,17 cm y 5,36 cm, 0
0
respectivamente para las hojas M u e s t re o s
pequeñas, medianas, grandes y el M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s

agrupamiento de todas ellas (Tabla 42;
Anejo 1). Para todos los tipos de Figura 48. Media (cm) y coeficiente de variación (CV, %) de la
longitud del peciolo de las hojas (Lp), cv. Cencibel, 2ª campaña
agrupamiento de las hojas el valor de la (1996).
media de esta variable presenta altibajos,
pero sin ninguna tendencia marcada que permita señalar una determinada evolución de su valor
medio a lo largo del periodo de muestreo (Fig. 48). El coeficiente de variación de Lp es moderado
para todos los agrupamientos de hojas y todos los muestreos, con unos valores para el estudio global
del 31,78% para las hojas pequeñas, 25,57% para las hojas medianas y 17,18% para las hojas
grandes y 62,55% para el agrupamiento de todas las hojas (Tabla 42; Anejo 1).
Para último, la variable MSp también presenta los valores más altos de la media para las hojas
grandes, con unos valores intermedios para las hojas medianas y el agrupamiento de todas las hojas
y los valores más bajos para las hojas pequeñas; las medias para el estudio global son 0,004 g, 0,08
g, 0,25 g y 0,11 g, respectivamente para las hojas pequeñas, medianas, grandes y el agrupamiento
de todas (Tablas 34 a 42; Anejo 1). La evolución del valor de la media a lo largo de los muestreos
para todos los agrupamientos de las hojas presenta un ligero ascenso entre el 1º y el 3º, con valores
alternos entre los muestreos 4º y 8º. Los coeficientes de variación de MSp son superiores a los
comentados para la variable anterior en todos los casos, con valores para el estudio global del
para el agrupamiento de todas las hojas (Tablas 34 a 42; Anejo 1).
Finalmente, a modo de resumen para este cultivar en esta segunda campaña, cabe destacar que
las medias de los parámetros relacionados con el tamaño de la hoja no presentan ninguna tendencia
marcada a lo largo del periodo de toma de muestras, que tienen una variabilidad alta tanto para las
hojas pequeñas, como para las medianas y las grandes, tanto en un muestreo como entre muestreos,
siendo muy alta cuanto se agrupan todas las hojas. Las medias de SEF en los diferentes muestreos
presentan un descenso continuado de las mismas para todos los tipos de hojas desde el primero
hasta el séptimo, a partir del cual muestran un ligero ascenso, con una variabilidad muy diferente
entre muestreos, siempre entre media y alta. Las medias de Lm y Am son, en general, superiores a
las de La y Aa, respectivamente, para todos los tipos de hojas y para todos los muestreos, incluso
para el estudio global, con una variabilidad moderada en todos los casos. Las variables Lm/Am,
La/Aa, IR y BR, relacionadas con la forma de las hojas, presentan unos valores muy estables y con
una baja variabilidad, independientemente del tamaño de la hoja y del muestreo. La asimetría
78
transversal es mayor que la asimetría longitudinal, en promedio, y ambos parámetros tienen una
variabilidad alta. Las variables relacionadas con los agujeros de la hoja tienen una variabilidad alta
para todos los agrupamientos de hojas y para todos los muestreos, incluso para el estudio global, con
unos valores de la media moderados. Las variables relacionadas con el peciolo de la hoja tienen una
variabilidad moderada para todos los agrupamientos de hojas y para todos los muestreos, incluso
para el estudio global.
5.1.2.4. Cultivar Garnacha.
Los resultados del cultivar Garnacha se encuentran en las Tablas nº 43 a 51 y en las Figuras nº
110 a 134 del Anejo 1.
Al observar los resultados de la 250 80
variable SFa, primera del grupo del

tamaño de la hoja que se estudia 200
60
(Apartado 4.7), las medias para el estudio 150

2
global son 25,78 cm para las hojas cm
2
40 %
2
pequeñas, 115,33 cm para las medianas, 100
2
198,72 cm para las grandes y 112,83 20
2 50
cm para el agrupamiento de todas las
hojas (Tabla 51; Anejo 1). Al comparar las 0 0
medias de los diferentes muestreos para 1º 2º 3º 4º 5º

M u e s tre o s
cada uno de los tipos de hojas, aunque M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

se manifiestan diferencias entre ellas, no CV P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
se observa una tendencia marcada desde Figura 49. Media (cm2) y coeficiente de variación (CV, %) de la
el primero hasta el último y alguna de las superficie del limbo de las hojas medida con analizador (SFa), cv.
medias máximas se pueden encontrar ya Garnacha, 2ª campaña (1996).
en los primeros muestreos, lo que puede
ser debido a que estos se iniciaron con el desarrollo de las plantas bastante adelantado (Fig. 49). Al
igual que en los cultivares anteriores, aunque la variabilidad natural explica algunas diferencias entre
los muestreos, ya que cada uno se hizo sobre plantas diferentes, la explicación de las diferencias
mayores se puede buscar en el procedimiento con que se recogieron las muestras y en el cual los
tamaños de las hojas no se fijaron previamente con unos patrones fijos, sino que la asignación del
tamaño de las hojas recolectadas se fijaba por la posición en el sarmiento, de tal modo que las hojas
pequeñas procedieran del tercio superior del sarmiento, las medianas del tercio medio y las grandes
del tercio inferior. Por otro lado, la toma de muestras no fue realizada siempre por las mismas
diferencias entre muestreos.
Los coeficientes de variación para la variable SFa son entre altos y medios, con valores para el
estudio global del 42,30% para las hojas pequeñas, 26,43% para las medianas, 17,99% para las
grandes y 67,24% para la agrupación de todas las hojas (Tabla 51; Anejo 1). El coeficiente de
variación más alto en los muestreos lo presenta siempre el estudio de la agrupación de todas las
hojas, seguido por el de las hojas pequeñas, mientras que las medianas y las grandes tienen valores
menores y semejantes entre sí (Tablas 43 a 51; Anejo 1). Además, hay diferencias entre los
coeficientes de variación de los distintos muestreos para un mismo agrupamiento de hojas, en
algunos casos grandes. La explicación de estos valores, para el caso de todas las hojas, puede estar
en la gran diversidad de tamaños que supone agrupar todas las hojas, algunas totalmente
desarrolladas y de gran tamaño y otras hojas muy jóvenes y con un menor desarrollo. Las diferencias
entre los muestreos se pueden explicar con los mismos argumentos expuestos para el caso de la
media.
las hojas (Tabla 51; Anejo 1). Al igual que para SFa, las medias de las hojas medianas y del
agrupamiento de todas las hojas son muy semejantes y las medias de cada agrupamiento de hojas
para los diferentes muestreos tienen diferencias, pero sin ninguna tendencia marcada (Tablas 43 a
51; Anejo 1). Los mismos argumentos expuestos para explicar las diferencias de las medias de SFa
se pueden aplicar en este caso. Los coeficientes de variación para el estudio global de P son
menores que para SFa, concretamente, 22,70% para las hojas pequeñas, 18,39% para las medianas,
10,50% para las grandes y 44,52% para la agrupación de todas las hojas (Tabla 51; Anejo 1). En los
muestreos, el coeficiente de variación más alto lo presenta siempre el estudio del agrupamiento de
todas las hojas, las hojas pequeñas tienen valores intermedios, mientras que, por lo general, las hojas
medianas y las grandes tienen valores menores (Tablas 43 a 51; Anejo 1).
79
20 50
La variable Lm tiene, para el estudio
15
40 hojas pequeñas, 13,68 cm para las
medianas, 18,07 cm para las hojas
30
grandes y 12,70 cm para el agrupamiento
cm
10 %
20 de todas las hojas (Tabla 51; Anejo 1).
5
Las medias de los muestreos para los
10
distintos tipos de hojas, presentan
0 0
1º 2º 3º 4º 5º 6º 7º 8º G lo b a l tendencia marcada (Fig. 50). El
M u e s t re o s
coeficiente de variación del estudio global
M e d ia P e q u e ñ a s
C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
tiene unos valores del 19,97% para las
hojas pequeñas, 14,20% para las
longitud máxima del limbo de las hojas medida manualmente (Lm), medianas, 9,59% para las grandes y
cv. Garnacha, 2ª campaña (1996). 40,30% para el agrupamiento de todas
las hojas y, para los diferentes muestreos,
sus valores son altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo
menores para las medianas y las grandes (Tablas 43 a 51; Anejo 1).
El estudio global de la variable La tiene una media de 5,98 cm para las hojas pequeñas, 12,83 cm
variación presenta unos valores para el estudio global del 20,17% para las hojas pequeñas, 14,28%
para las medianas, 9,43% para las grandes y 40,22% para el agrupamiento de todas las hojas; los
coeficientes de variación de los diferentes muestreos son, en general, altos cuando se agrupan todas
las hojas, intermedios para las hojas pequeñas y algo menores para las hojas medianas y las grandes
Al comparar los valores de las variables La y Lm se observa que las medias para Lm son
parámetros y, por tanto, en la forma de medirlos, que puede hacer que no se esté midiendo
hojas (Tabla 51; Anejo 1). Las medias de los muestreos para los diferentes agrupamientos de las
hojas, al igual que en los parámetros anteriores, presentan diferencias entre ellas, pero sin una
tendencia marcada a lo largo del periodo de toma de muestras (Tablas 43 a 51; Anejo 1). El
coeficiente de variación para Am, en el estudio global, presenta un coeficiente de variación del
para el agrupamiento de todas las hojas (Tabla 51; Anejo 1); en los muestreos, generalmente,
presenta valores altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y
algo menores para las hojas medianas y las grandes (Tablas 43 a 51; Anejo 1).
para las medianas, 16,32 cm para las grandes y 11,43 cm para el agrupamiento de todas las hojas.
Las medias de los muestreos para los distintos grupos de hojas, presentan diferencias entre ellas
pero sin una tendencia marcada (Tablas 43 a 51; Anejo 1). El coeficiente de variación de la variable
La tiene unos valores, para el estudio global, del 20,69% para las hojas pequeñas, 14,07% para las
medianas, 9,61% para las grandes y 40,78% para el agrupamiento de todas las hojas y, para los
muestreos, tiene coeficientes de variación altos cuando se agrupan todas las hojas, intermedios para
las hojas pequeñas y algo menores para las hojas medianas y las grandes, en general (Tablas 43 a
51; Anejo 1).
Al comparar las medias de Aa y Am se observa que las de Am son en todos los casos superiores
a las de Aa para todos los tipos de hojas y para todos los muestreos, también para el estudio global.
La explicación de estas diferencias, al igual que en el caso de la longitud de la hoja, se puede buscar
en la definición y en la forma de medir estas dos variables (Apartado 4.7).
2
El estudio global del parámetro Lm.Am presenta unos valores de la media, en cm , de 40,46,
183,63, 318,81 y 180,97 para las hojas pequeñas, medianas, grandes y el agrupamiento de todas las
hojas, respectivamente (Tabla 51; Anejo 1). Las medias de los muestreos de los distintos grupos de
hojas presentan diferencias entre ellas, pero sin una tendencia marcada (Fig. 51). El coeficiente de
80
variación para la variable Lm.Am en el 400 80

estudio global presenta unos valores de
41,29% para las hojas pequeñas, 27,46% 300 60
para las medianas, 19,19% para las
grandes y 67,96% para el agrupamiento 2
cm 200 40 %
de todas las hojas (Tabla 51; Anejo 1);
para los muestreos, tiene coeficientes de 100 20
variación altos cuando se agrupan todas
las hojas y para las hojas pequeñas y 0 0
algo menores para las hojas medianas y 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
las grandes (Tablas 43 a 51; Anejo 1). M u e s tre o s
Las medias del estudio global de C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
parámetro La.Aa tiene unos valores de Figura 51. Media (cm2) y coeficiente de variación (CV, %) del
2
35,13 cm para las hojas pequeñas, producto Lm.Am, cv. Garnacha, 2ª campaña (1996).
2
162,09 cm para las medianas, 278,42
2 2
cm para las hojas grandes y 157,92 cm para el agrupamiento de todas las hojas (Tabla 51; Anejo 1).
Las medias de los muestreos para los distintos tipos de hojas presentan diferencias entre ellas, pero
sin una tendencia marcada (Fig. 52). El
400 80
coeficiente de variación para la variable
La.Aa en el estudio global presenta unos
300 60
valores de 41,17% para las hojas
pequeñas, 28,36% para las medianas,
2
cm 200 40 %
el agrupamiento de todas las hojas y,
100 20
para los muestreos, tiene coeficientes de
variación altos cuando se agrupan todas
0
0
las hojas, intermedios para las hojas
M u e s tre o s pequeñas y, en general, algo menores
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s para las hojas medianas y las grandes
producto La.Aa, cv. Garnacha, 2ª campaña (1996).
Cuando se comparan los valores de
las variables La.Aa y Lm.Am se advierte
que las medias para Lm.Am son superiores a las de La.Aa para todos los tipos de hojas y para todos
los muestreos, también para el estudio global. Al igual que se ha comentado al comparar Aa con Am
y La con Lm, la explicación de las diferencias observadas entre las dos variables se puede buscar en
las definiciones de los cuatro parámetros involucrados y, por tanto, en la forma de obtenerlos, que
puede hacer que no se esté midiendo exactamente lo mismo (Apartado 4.7), como ya se ha
comentado.
2 2
2 2
coeficiente de variación para BA presenta valores altos para la agrupación de todas las hojas e
intermedios para las hojas pequeñas, las medianas y las grandes (Tablas 43 a 51; Anejo 1), con unos
valores para el estudio global de 40,62%, 27,34%, 17,51% y 67,13%, respectivamente para las hojas
pequeñas, medianas, grandes y la agrupación de todas las hojas (Tabla 51; Anejo 1).
variación de MSl, por su parte, tiene valores altos para la agrupación de todas las hojas e intermedios
para el resto de grupo de hojas (Tablas 43 a 51; Anejo 1); el estudio global presenta los siguientes
valores del coeficiente de variación: 54,74% para las hojas pequeñas, 35,25% para las hojas
medianas, 25,73% para las pequeñas y 74,72% para el agrupamiento de todas las hojas (Tabla 51;
Anejo 1).
2 -1
El parámetro SEF tiene como valores medios del estudio global 15,97 m .kg para las hojas
2 -1 2 -1 2 -1
pequeñas, 13,56 m .kg para las medianas, 12,27 m .kg para las grandes y 13,94 m .kg para el
agrupamiento de todas las hojas (Tabla 51; Anejo 1). La observación de las medias de este
parámetro en los diferentes muestreos muestra un descenso continuado de las mismas para todos
81
los tipos de hojas desde el primero hasta 23 70

el último (Fig. 53). Los valores más altos
60
de SEF en los muestreos corresponden a 20
las hojas pequeñas, mientras que los 50
valores de las medias para las hojas 2 -1

17
40
%
m .k g
medianas y para las hojas grandes son 14
30
inferiores y, por regla general, próximos 20
entre sí, superiores los de las hojas 11

10
medianas. El coeficiente de variación de 8 0
SEF presenta valores semejantes para 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
los distintos grupos de hojas en todos los M u e s t re o s
muestreos, con valores para el estudio M e d ia P e q u e ñ a s

C V P equeñas
C V M e d ia n a s
C V G ra n d e s
M e d ia T o d a s
C V T odas
global de 24,63% para las hojas
2 -1
pequeñas, 35,12% para las medianas, Figura 53. Media (m .kg ) y coeficiente de variación (CV, %) de la
Superficie Específica Foliar de las hojas (SEF), cv. Garnacha, 2ª
campaña (1996).
el agrupamiento de todas las hojas (Tabla
51; Anejo 1).
semejantes para todos los muestreos y para todos los agrupamientos de hojas, con valores para el
estudio global de 0,42 para las hojas pequeñas, 0,34 para las medianas, 0,32 para las grandes y 0,36
para el agrupamiento de todas las hojas (Tabla 51; Anejo 1). A pesar de las pocas variaciones que
existen en el estudio global, al observar el detalle de la evolución de las medias a lo largo de los ocho
muestreos, se observa que la media del IR de todos los agrupamientos de hojas asciende hasta el
cuarto, a partir del cual se estabiliza y casi no sufre modificaciones a lo largo de los siguientes
muestreos (Tablas 43 a 51; Anejo 1). El coeficiente de variación del IR de los ocho muestreos
presenta valores moderados y muy semejantes para todos los agrupamientos de hojas, que para el
estudio global son 20,74% para las hojas pequeñas, 15,41% para las hojas medianas, 11,18% para
las hojas grandes y 21,32% para el agrupamiento de todas las hojas (Tabla 51; Anejo 1).
1,15 15 de la media, para el estudio global, de
1,04 para todos los agrupamientos de las
1,10
hojas (Tabla 51; Anejo 1), con pequeñas
1,05
10
diferencias entre los muestreos, pero sin
% ninguna tendencia marcada en ningún
1,00
5
caso (Fig. 54). Los coeficientes de
0,95
variación para Lm/Am son bajos para
todos los tipos de hojas en todos los
0,90 0 muestreos, con valores para el estudio
M u e s tre o s
global del 7,75%, 7,41%, 8,41% y 7,85%
para las hojas pequeñas, medianas,
C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas grandes y el agrupamiento de todas las
Figura 54. Media y coeficiente de variación (CV, %) del cociente hojas, respectivamente (Tablas 43 a 51;
Lm/Am, cv. Garnacha, 2ª campaña (1996). Anejo 1). Es, por tanto, una variable muy
constante y con baja variabilidad,
La variable La/Aa tiene unos valores de la media muy semejantes entre sí para todos los
muestreos y para todas las agrupaciones de hojas, con valores para el estudio global de 1,06 para las
hojas pequeñas, 1,04 tanto para las hojas medianas como para las grandes y 1,05 para el
agrupamiento de todas, presenta diferencias entre los muestreos, menores que para la variable
anterior, y sin tendencia alguna en estas variaciones a lo largo del periodo de toma de muestras que
trasluzcan alguna evolución de esta variable a lo largo del mismo para ninguno de los grupos de
hojas (Tablas 43 a 51; Anejo 1). Los coeficientes de variación de la variable La/Aa, por su parte, son
bajos para todos los agrupamientos de hojas en todos los muestreos, con valores situados entre
5,98% y 5,10% para el estudio global (Tablas 43 a 51; Anejo 1). Por ello, resulta ser también una
variable muy constante y con baja variabilidad, independientemente del tamaño de la hoja y de la
fecha de muestreo.
observa que son muy semejantes en las todas las agrupaciones de hojas, con unos coeficientes de
variación bajos en ambos casos y muy semejantes.
82
El índice BR tiene unos valores de la media muy parecidos entre sí para todos los muestreos y
para todos los grupos de hojas, con un valor en el estudio global del 0,64% para todos los
agrupamientos de hojas. En los valores de las medias a lo largo de los muestreos para las diferentes
agrupaciones de hojas no se observa ninguna tendencia (Tablas 43 a 51; Anejo 1). Los coeficientes
de variación de las medias de BR son muy bajos para todos los tipos de hojas en todos los
muestreos, con valores para el estudio global del 7,18%, 4,15%, 4,57% y 5,46%, respectivamente
para las hojas pequeñas, medianas, grandes y el agrupamiento de todas ellas (Tablas 43 a 51; Anejo
1).
La variable PPDA presenta una tendencia ligeramente decreciente de la media a lo largo de los
muestreos, más marcada en las hojas pequeñas que en el resto de agrupamientos de hojas, con una
cierta estabilización de los valores a partir del quinto muestreo y un ligero ascenso de su valor en el
último para las hojas medianas y grandes, al igual que para el agrupamiento de todas las hojas. La
media para el estudio global de PPDA es 31,52 para las hojas pequeñas, 38,04 para las medianas,
40,09 para las grandes y 36,53 para el agrupamiento de todas ellas (Tablas 43 a 51; Anejo 1). El
coeficiente de variación de PPDA presenta valores inferiores al 23% en todos los muestreos para
todos los tipos de hojas; el estudio global tiene una valores del coeficiente de variación algo
superiores, concretamente 26,48%, 15,52%, 11,11% y 20,25%, respectivamente para las hojas
pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tablas 43 a 51; Anejo 1).
La variable Ld tiene unos valores de la media en el estudio global de 0,15 cm para las hojas
todas las hojas. En las medias de los muestreos no se observa ninguna evolución a lo largo de los
mismos (Tablas 43 a 51; Anejo 1). Los coeficientes de variación de la media de Ld tienen valores muy
altos para todos los muestreos y para todos los tipos de hojas, que para el estudio global son 88,92%,
agrupamiento de todas las hojas (Tablas 43 a 51; Anejo 1).
que la asimetría longitudinal; tampoco se observa ninguna evolución a lo largo del periodo de
recogida de muestras, con unos valores para el estudio global de 0,22 cm, 0,67 cm, 0,78 cm y 0,55
cm respectivamente para las hojas pequeñas, medianas, grandes y el agrupamiento de todas ellas
(Tablas 43 a 51; Anejo 1). El coeficiente de variación de Ad tiene valores altos para todos los
muestreos y todos los agrupamientos de las hojas, con unas cifras para el estudio global del 69,82%,
agrupamiento de todas las hojas (Tablas 43 a 51; Anejo 1).
La media de NH, primero de los
parámetros de los relacionados con los 0 ,9 500
0 ,8
agujeros de las hojas que se comenta, 400
0 ,7
tiene unos valores muy bajos (Tablas 43 0 ,6
a 51; Anejo 1), que para el estudio global 0 ,5
300
son 0,19, 0,29, 0,27 y 0,25, 0 ,4

%
200
respectivamente para las hojas 0 ,3
pequeñas, medianas, grandes y para el 0 ,2 100
agrupamiento de todas las hojas (Tabla 0 ,1
51; Anejo 1), y o se manifiesta ninguna 0 ,0

1º 2º 3º 4º 5º 6º 7º 8º G lo b al
0
tendencia en la media del parámetro en a M u e s tre o s
lo largo del periodo de muestreos (Fig. M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s
55). El coeficiente de variación de NH C V Pequeñas C V M e d ia n a s C V G ra n d e s CV Todas
para todas las agrupaciones de hojas en Figura 55. Media y coeficiente de variación (CV, %) del número de
agujeros de las hojas (NH), cv. Garnacha, 2ª campaña (1996).
todos los muestreos presenta unos
valores muy altos (Tablas 43 a 51; Anejo
1), que para el estudio global son 281,98%, 208,89%, 195,61% y 223,18%, respectivamente para las
hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 51; Anejo 1).
La variable HA presenta unos valores de la media siempre muy bajos y sin ninguna tendencia
marcada a lo largo de los muestreos (Tablas 43 a 51; Anejo 1). El estudio global muestra una media
2 2
del área de los agujeros de 0,01 cm para las hojas pequeñas, 0,06 cm para las hojas medianas,
2 2
0,18 cm para las hojas grandes y 0,08 cm del agrupamiento de todas las hojas (Tabla 51; Anejo 1).
En todos los muestreos, y para todas las agrupaciones de hojas, los valores del coeficiente de
variación de HA son muy altos, superiores al 133% en la totalidad de los casos, algunos incluso
superiores al 400%, con valores para el estudio global del 325,76%, 313,18%, 276,23% y 388,85%,
83
respectivamente para las hojas pequeñas, medianas, grandes y agrupamiento de todas las hojas
los agrupamientos de hojas, con muchos valores nulos, incluido el estudio global que presenta un
valor de 0% para las hojas pequeñas y medianas y 0,001% para las grandes y el agrupamiento de
todas (Tablas 43 a 51; Anejo 1). Al igual que los dos parámetros anteriores, el coeficiente de variación
de HR, tiene unos valores muy altos para todos los muestreos y todos los agrupamientos de hojas,
superiores al 134% en la totalidad de los casos, algunos incluso superiores al 400%, con valores para
el estudio global de 328,20% para las hojas pequeñas, 277,23% para las hojas medianas, 272,92%
para las hojas grandes y 316,98% para el agrupamiento de todas las hojas (Tablas 16 a 24; Anejo 1).
Del análisis de los resultados de las
variables relacionadas con el peciolo de 10 80
9
la hoja, se observa que los valores de la 8
media de la variable Lp más altos son los 7
60
de las hojas grandes para todos los 6
muestreos, las hojas medianas tienen cm 5 40 %

4
valores intermedios, mientras que las 3
hojas pequeñas tienen los menores; en el 2
20
estudio global las medias son 1,31 cm, 1
4,97 cm, 7,85 cm y 4,71 cm, 0

0
respectivamente para las hojas M u e s t re o s
pequeñas, medianas, grandes y el M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

agrupamiento de todas ellas (Tablas 43 a
51; Anejo 1). Para todos los tipos de Figura 56. Media (cm) y coeficiente de variación (CV, %) de la
longitud del peciolo de las hojas (Lp), cv. Garnacha, 2ª campaña
agrupamiento de las hojas, el valor de la (1996).
media presenta altibajos pero sin ninguna
tendencia marcada que permita señalar una determinada evolución de su valor medio a lo largo del
periodo de muestreo (Fig. 56). El coeficiente de variación de Lp es moderado para todos los
agrupamientos de hojas y para todos los muestreos, alto en todos los casos para el agrupamiento de
todas las hojas, con unos valores para el estudio global del 29,89% para las hojas pequeñas, 28,92%
para las medianas y 16,25% para las grandes y 61,70% para el agrupamiento de todas las hojas
altos para las hojas grandes, con unos valores intermedios para las hojas medianas y el
agrupamiento de todas las hojas y los valores más bajos para las hojas pequeñas, con unas cifras de
la media para el estudio global de 0,004 g, 0,08 g, 0,20 g y 0,10 g, respectivamente para las hojas
pequeñas, medianas, grandes y el agrupamiento de todas (Tablas 43 a 51; Anejo 1). La evolución del
valor de la media a lo largo de los muestreos para todos los agrupamientos de las hojas presenta un
ligero ascenso entre el 1º y el 4º y unos valores alternos entre el 5º y el 8º. Los coeficientes de
variación de MSp son superiores a los comentados para la variable anterior en todos los casos, con
valores para el estudio global de 42,70% para las hojas pequeñas, 51,66% para las medianas,
33,66% para las grandes y 97,87% para el agrupamiento de todas las hojas (Tablas 43 a 51; Anejo
1).
del periodo de recogida de muestras, que tienen una variabilidad alta tanto para las hojas pequeñas,
como para las medianas y las grandes, tanto en un muestreo como entre muestreos, siendo muy alta
cuanto se agrupan todas las hojas. Las medias de SEF presentan un descenso continuado de las
mismas para todos los tipos de hojas desde el primer muestreo hasta el último, con una variabilidad
muy diferente entre muestreos, siempre entre media y alta. Las medias de Lm y Am son superiores a
las de La y Aa, respectivamente, para todos los tipos de hojas y para todos los muestreos, incluso
para el estudio global, con una variabilidad moderada en todos los casos. Las variables Lm/Am,
La/Aa, IR y BR, relacionadas con la forma de las hojas, presentan unos valores muy estables y con
una baja variabilidad, independientemente del tamaño de la hoja y del muestreo. La asimetría
transversal es mayor que la asimetría longitudinal, en promedio, y ambos parámetros tienen una
variabilidad alta. Las variables relacionadas con los agujeros de la hoja tiene una variabilidad alta
para todo agrupamiento de hojas y para todos los muestreos, incluso para el estudio global, con unos
valores de la media muy próximos a cero. Las variables relacionadas con el peciolo de la hoja tienen
84
un variabilidad moderada para todo agrupamiento de hojas y para todos los muestreos, incluso para
el estudio global.
5.1.2.5. Cultivar Macabeo.
Los resultados del cultivar Macabeo, se encuentran en las Tablas nº 52 a 60 y en las Figuras nº
135 a 159 del Anejo 1.
Al estudiar los resultados de la variable SFa, primera de las relacionadas con el tamaño de la hoja
que se analiza (Apartado 4.7), se observa que ésta presenta, para el estudio global, una media de
2 2 2
29,51 cm para las hojas pequeñas, 138,27 cm para las medianas, 247,16198,72 cm para las
2
grandes y 132,65 cm para el agrupamiento de todas las hojas (Tabla 60; Anejo 1). Por su parte, al
comparar las medias de los diferentes
muestreos para cada uno de los tipos de 300 100
hojas, aunque se manifiestan diferencias 250

80
entre ellas, no se observa una tendencia 200

marcada a lo largo de los muestreos y 60
alguna de las medias máximas ya se

2
cm 150 %
40
pueden encontrar en los primeros, lo que 100
puede ser debido a que el periodo de 50

20
toma de muestras se inició con el

desarrollo de las plantas bastante 0
0
adelantado (Fig. 57). Al igual que en los M u e s tre o s
cultivares anteriores, aunque la M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

variabilidad natural puede explicar 2
algunas diferencias entre los muestreos, Figura 57. Media (cm ) y coeficiente de variación (CV, %) de la
superficie del limbo de las hojas medida con analizador (SFa), cv.
ya que cada muestreo se hizo sobre Macabeo, 2ª campaña (1996).
plantas diferentes, la explicación de las
diferencias mayores se puede buscar en el procedimiento con que se recogieron las muestras y en el
cual los tamaños de las hojas no se fijaron previamente con unos patrones fijos, sino que la
asignación del tamaño de las hojas recolectadas se fijaba por la posición en el sarmiento, de tal modo
que las hojas pequeñas procedieran del tercio superior del sarmiento, las medianas del tercio medio y
las grandes del tercio inferior. Por otro lado, los muestreos no fueron realizados por las mismas
diferencias entre muestreos.
Los coeficientes de variación para la variable SFa son entre altos y medios, 48,01% para las hojas
pequeñas, 25,66% para las medianas, 16,43% para las grandes y 70,22% para la agrupación de
todas las hojas (Tabla 60; Anejo 1). En los muestreos, el coeficiente de variación más alto lo presenta
siempre el agrupamiento de todas las hojas, seguido por el de las hojas pequeñas, mientras que las
medianas y grandes tienen valores intermedios (Tablas 52 a 60; Anejo 1). Además, hay diferencias
entre los coeficientes de variación de los distintos muestreos para un mismo agrupamiento de hojas.
La explicación de estos valores, para el caso de todas las hojas, puede estar en la gran diversidad de
tamaños que supone agrupar todas las hojas, algunas totalmente desarrolladas y de gran tamaño y
otras hojas muy jóvenes y con un menor desarrollo. Las diferencias entre los muestreos se pueden
explicar con los mismos argumentos expuestos para el caso de la media.
las hojas (Tabla 60; Anejo 1). Las medias de cada agrupamiento de hojas para los diferentes
muestreos tienen diferencias, pero sin ninguna tendencia marcada (Tablas 52 a 60; Anejo 1). Los
mismos argumentos expuestos para explicar estos datos para SFa se pueden aplicar en este caso.
Los coeficientes de variación para el estudio global de P son menores que para SFa, 26,49% para las
hojas pequeñas, 15,96% para las medianas, 11,26% para las grandes y 44,48% para la agrupación
de todas las hojas, En los muestreos, el coeficiente de variación más alto lo presenta siempre el
estudio del agrupamiento de todas las hojas, las hojas pequeñas tienen valores intermedios, mientras
que, por lo general, las hojas medianas y las grandes tienen valores menores (Tablas 52 a 60; Anejo
1).
La variable Lm tiene, para el estudio global, una media de 6,71 cm para las hojas pequeñas, 14,92
cm para las medianas, 20,83 cm para las hojas grandes y 14,15 cm para el agrupamiento de todas
las hojas (Tabla 60; Anejo 1). Las medias de los muestreos, para los distintos tipos de hojas,
presentan diferencias entre ellas, pero sin una tendencia marcada (Fig. 58). Para Lm, el estudio
global presenta un coeficiente de variación del 24,61% para las hojas pequeñas, 13,83% para las
85
medianas, 11,62% para las grandes y 25 60

las hojas; los coeficientes de variación 20
para los diferentes muestreos son altos 15

40
cuando se agrupan todas las hojas,
cm
%
intermedios para las hojas pequeñas y 10

20
algo menores para las hojas medianas y
las grandes (Tablas 52 a 60; Anejo 1). 5
El estudio global de la variable La 0 0

tiene una media de 6,45 cm para las M u e s tr e o s
hojas pequeñas, 14,01 cm para las M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
medianas, 19,02 cm para las grandes y C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
12,85 cm para el agrupamiento de todas Figura 58. Media (cm) y coeficiente de variación (CV, %) de la
las hojas (Tabla 60; Anejo 1). Las medias longitud máxima del limbo de las hojas medida manualmente (Lm),
de los muestreos para los distintos tipos cv. Macabeo, 2ª campaña (1996).
de hojas presentan diferencias entre
ellas, pero sin una tendencia marcada (Tablas 52 a 60; Anejo 1). El coeficiente de variación presenta
unos valores para el estudio global del 24,17% para las hojas pequeñas, 13,70% para las medianas,
9,60% para las grandes y 42,19% para el agrupamiento de todas las hojas; los coeficientes de
variación de los diferentes muestreos son, en general, altos cuando se agrupan todas las hojas,
intermedios para las hojas pequeñas y algo menores para las hojas medianas y las grandes (Tablas
52 a 60; Anejo 1).
Al comparar los valores de las variables La y Lm se observa que las medias para Lm son, por
regla general, superiores a las de La para todos los tipos de hojas y para todos los muestreos, incluso
para el estudio global. La explicación de estas diferencias se puede buscar en las definiciones de
estos dos parámetros y, por tanto, en la forma de medirlos, que puede hacer que no se esté midiendo
hojas (Tabla 60; Anejo 1). Las medias de los muestreos, para los distintos tipos de hojas, como en los
del periodo de toma de muestras (Tablas 52 a 60; Anejo 1). El coeficiente de variación para Am, en el
estudio global, presenta un coeficiente de variación del 24,98% para las hojas pequeñas, 13,39%
(Tabla 60; Anejo 1); en los muestreos, generalmente, el coeficiente de variación presenta valores
altos cuando se agrupan todas las hojas, intermedios para las hojas pequeñas y algo menores para
las hojas medianas y las grandes (Tablas 52 a 60; Anejo 1).
(Tabla 60; Anejo 1). Las medias de los muestreos, para los distintos tipos de hojas, presentan
diferencias entre ellas, pero sin una tendencia marcada (Tablas 52 a 60; Anejo 1). Para la variable
Aa, el estudio global presenta un coeficiente de variación del 24,26% para las hojas pequeñas,
hojas; los muestreos tienen coeficientes de variación altos cuando se agrupan todas las hojas,
intermedios para las hojas pequeñas y algo menores para las hojas medianas y las grandes, en
general (Tablas 52 a 60; Anejo 1).
100
Al comparar las medias de Aa y Am se 500
observa que las de Am son superiores a 400

80
las de Aa para todos los tipos de hojas y 60

para todos los muestreos, también para el cm
300 2
%
estudio global. La explicación de estas 200
40
diferencias, al igual que en el caso de la

longitud de la hoja, se puede buscar en la 100 20
definición y en la forma de medir estas 0 0

dos variables (Apartado 4.7). 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
M u e s tr e o s
El estudio de todas las hojas del M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
parámetro Lm.Am presenta unos valores C V P equeñas C V M e d ia n a s C V G ra n d e s C V T odas
2
de la media, en cm , de 46,84, 214,81, Figura 59. Media (cm2) y coeficiente de variación (CV, %) del
420,97y 227,54, respectivamente para las producto Lm.Am, cv. Macabeo, 2ª campaña (1996).
86
hojas pequeñas, medianas, grandes y el agrupamiento de todas las hojas (Tabla 60; Anejo 1). Las
medias de los muestreos para los distintos tipos de hojas presentan diferencias entre ellas, pero sin
una tendencia marcada (Fig. 59). El coeficiente de variación para la variable Lm.Am en el estudio
global presenta unos valores del 48,36% para las hojas pequeñas, 26,44% para las medianas,
21,98% para las grandes y 72,95% para el agrupamiento de todas las hojas (Tabla 60; Anejo 1); en
los muestreos, los coeficientes de variación son altos para la agrupación de todas las hojas y para las
El estudio global del parámetro La.Aa
presenta unos valores medios de 41,55 100
2 2
cm con las hojas pequeñas, 192,31 cm
500
2 80
para las medianas, 346,09 cm para las 400
2
hojas y 185,37 cm para el agrupamiento 60
300
de todas las hojas (Tabla 60; Anejo 1). cm 2
%
Las medias de los muestreos para los 200

40
distintos tipos de hojas presentan 20

100
tendencia marcada (Fig. 60). El 0 0
coeficiente de variación para la variable M u e s tre o s
La.Aa en el estudio global presenta unos M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s
valores del 47,66% para las hojas CV P equeñas C V M e d ia n a s C V G ra n d e s C V Todas

2
pequeñas, 25,70% para las medianas, Figura 60. Media (cm ) y coeficiente de variación (CV, %) del
17,13% para las grandes y 70,46% para producto La.Aa, cv. Macabeo, 2ª campaña (1996).
el agrupamiento de todas las hojas; para
los muestreos, tiene coeficientes de variación altos cuando se agrupan todas las hojas, intermedios
para las hojas pequeñas y, en general, algo menores para las hojas medianas y las grandes (Tablas
52 a 60; Anejo 1).
Cuando se comparan los valores de las variables La.Aa y Lm.Am se advierte que las medias para
Lm.Am son superiores a las de La.Aa para todos los tipos de hojas y para todos los muestreos,
también para el estudio global. Al igual que se ha comentado al comparar Aa con Am y La con Lm, la
explicación de las diferencias observadas entre las dos variables se puede buscar en las definiciones
de los cuatro parámetros involucrados y, por tanto, en la forma de obtenerlos, que puede hacer que
no se esté midiendo exactamente lo mismo (Apartado 4.7).
2 2
2 2
coeficiente de variación para BA presenta valores altos para la agrupación de todas las hojas,
moderados, por lo general, para las hojas pequeñas y las medianas y bajos para las grandes (Tablas
52 a 60; Anejo 1), con unos valores para el estudio global del 46,82%, 26,66%, 15,92% y 69,78%,
respectivamente para las hojas pequeñas, medianas, grandes y la agrupación de todas las hojas
variación de MSl, por su parte, tiene valores altos para la agrupación de todas las hojas y moderados
para las hojas pequeñas, las medianas y las grandes (Tablas 52 a 60; Anejo 1), con unas cifras para
el estudio global presenta del 57,39% para las hojas pequeñas, 29,04% para las hojas medianas,
28,01% para las pequeñas y 79,23% para el agrupamiento de todas las hojas (Tabla 60; Anejo 1).
2 -1
El parámetro SEF tiene como valores medios en el estudio global 16,02 m .kg para las hojas
2 -1 2 -1 2 -1
pequeñas, 13,56 m .kg para las medianas, 12,54 m .kg para las hojas grandes y 14,12 m .kg para
el agrupamiento de todas las hojas (Tabla 60; Anejo 1). La observación de las medias de este
parámetro en los diferentes muestreos muestra un descenso de las mismas para todos los tipos de
hojas desde el primer muestreo hasta el último (Fig. 61). En los muestreos, los valores de la media de
la superficie específica foliar más altos son los de las hojas pequeñas, mientras que los valores de las
medias para las hojas medianas y para las hojas grandes son inferiores y, por regla general, próximos
entre sí, superiores los de las hojas medianas. El coeficiente de variación de SEF presenta valores
semejantes entre sí para los distintos tipos de hojas en los muestreos, con valores en el estudio
87
global de 22,79% con las hojas 24 30

pequeñas, 25,35% para las medianas, 21
17,54% para las hojas grandes y 24,88% 18
para el agrupamiento de todas las hojas 15
20
(Tabla 60; Anejo 1). 2 -1

m .k g 1 2 %
La variable IR, relacionada con la 9

10
forma de la hoja, tiene unos valores de la 6
media muy semejantes entre sí para 3

todos los muestreos y para todos los tipos 0 0
de hojas, con valores para el estudio 1º 2º 3º 4º 5º 6º 7º 8º G lo b a l
M u e s tr e o s
global de 0,36 para las hojas pequeñas,
0,34 para las medianas, 0,32 para las CV P equeñas C V M e d ia n a s C V G ra n d e s CV T odas
grandes y 0,34 para el agrupamiento de Figura 61. Media (m2.kg-1) y coeficiente de variación (CV, %) de la
todas las hojas (Tabla 60; Anejo 1). A Superficie Específica Foliar de las hojas (SEF), cv. Macabeo, 2ª
pesar de las pocas variaciones que campaña (1996).
existen en el estudio global, al observar
en detalle la evolución de las medias a lo largo de los ocho muestreos, se observa que la media del
IR de todos los agrupamientos de hojas asciende hasta el séptimo muestreo, a partir del cual se
estabiliza (Tablas 52 a 60; Anejo 1). El coeficiente de variación del IR de los ocho muestreos presenta
valores moderados, incluso bajos en algunos casos, y muy semejantes para todos los agrupamientos
de hojas, que para el estudio global son: 21,65% para las hojas pequeñas, 13,43% para las hojas
Anejo 1).
1 ,1 5 15
de la media, para el estudio global, de
1 ,1 0
1,02 para las hojas pequeñas, 1,06 para
10
las medianas y 1,04 tanto para las hojas
1 ,0 5 grandes como para el agrupamiento de
%
todas las hojas (Tabla 60; Anejo 1), con
1 ,0 0
5 pequeñas diferencias entre los
0 ,9 5 muestreos, pero sin ninguna tendencia
marcada en ningún caso (Fig. 62). Los
0 ,9 0
0 coeficientes de variación para Lm/Am son
M u e s tr e o s bajos para todos los tipos de hojas en
M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s todos los muestreos, con valores para el
C V Pequeñas C V M e d ia n a s C V G ra n d e s CV T odas
estudio global del 8,60%, 6,71%, 6,63% y
Figura 62. Media y coeficiente de variación (CV, %) del cociente 7,46%, respectivamente para las hojas
Lm/Am, cv. Macabeo, 2ª campaña (1996).
pequeñas, medianas, grandes y el
agrupamiento de todas las hojas (Tablas
52 a 60; Anejo 1). Es, por tanto, una variable muy constante y con reducida variabilidad,
La variable La/Aa tiene unos valores de la media muy semejantes entre sí para todos los
muestreos y para todos los tipos de hojas, que para el estudio global son 1,06 para las hojas
pequeñas, 1,04 para las hojas medianas y 1,05 tanto para las hojas grandes como para el
agrupamiento de todas las hojas (Tabla 60; Anejo 1). Se observan diferencias entre los muestreos,
pero sin ninguna tendencia marcada en estas variaciones a lo largo del periodo de toma de muestras
que trasluzcan alguna evolución de esta variable a lo largo del mismo para ninguno de los tipos de
hojas (Tablas 52 a 60; Anejo 1). Los coeficientes de variación de la variable La/Aa, por su parte, son
bajos para todos los agrupamientos de hojas en todos los muestreos (Tablas 52 a 60; Anejo 1),
situados entre 6,19% y 5,06% para el estudio global (Tabla 60; Anejo 1). Al igual que la anterior
variable, ésta es muy constante y con escasa variabilidad, independientemente del tamaño de la hoja
y de la fecha de muestreo.
observa que, por lo general, son muy semejantes para todas las agrupaciones de hojas, con unos
coeficientes de variación bajos en ambos casos y muy semejantes.
El índice BR tiene unos valores de la media muy parecidos entre sí para todos los muestreos y
para todos los tipos de hojas, con valores para el estudio global del 0,63% para las hojas pequeñas,
0,65% para las medianas y las grandes, y 0,64% para el agrupamiento de todas las hojas (Tabla 60;
Anejo 1). En los valores de las medias a lo largo de los muestreos para las diferentes agrupaciones
88
de hojas no se observa ninguna tendencia (Tablas 52 a 60; Anejo 1). Los coeficientes de variación de
las medias de BR son muy bajos para todos los tipos de hojas en todos los muestreos, con valores
para el estudio global del 6,77%, 3,55%, 4,57 y 5,26%, respectivamente para las hojas pequeñas,
medianas, grandes y el agrupamiento de todas ellas (Tablas 52 a 60; Anejo 1).
La variable PPDA presenta una tendencia ligeramente decreciente de la media a lo largo de los
sucesivos muestreos, más marcado en las hojas pequeñas que en el resto de agrupamientos de
hojas, con una cierta estabilización de los valores a partir del sexto muestreo y con un ligero ascenso
de su valor en el último para las hojas medianas y grandes, al igual que para el agrupamiento de
todas ellas (Tablas 52 a 60; Anejo 1). La media para el estudio global revela un PPDA muy semejante
para los tipos de hojas, 36,31 para las hojas pequeñas, 36,91 para las medianas, 39,56 para las
grandes y 37,49 para el agrupamiento de todas las hojas (Tabla 60; Anejo 1). El coeficiente de
variación de PPDA presenta valores inferiores al 22% en todos los muestreos para todos los tipos de
hojas (Tablas 52 a 60; Anejo 1); por su parte, el estudio global muestra unos valores del coeficiente
de variación algo superiores, 24,16%, 13,12%, 14,83% y 18,31%, respectivamente para las hojas
todas las hojas (Tabla 60; Anejo 1). En las medias de los muestreos no se observa ninguna evolución
a lo largo del periodo de toma de muestras (Tablas 52 a 60; Anejo 1). Los coeficientes de variación de
la media de Ld tienen valores muy altos para todos los muestreos y todos los tipos de hojas, que,
para el estudio global, son 86,09%, 83,88%, 98,60% y 113,23%, respectivamente para las hojas
que la asimetría longitudinal; tampoco se observa ninguna evolución a lo largo del periodo de
muestreos (Tablas 52 a 60; Anejo 1), con unos valores para el estudio global de 0,22 cm, 0,48 cm,
0,74 cm y 0,46 cm, respectivamente para las hojas pequeñas, medianas, grandes y el agrupamiento
de todas ellas (Tabla 60; Anejo 1). El coeficiente de variación de Ad tiene valores altos para todos los
muestreos y para todos los agrupamientos de las hojas (Tablas 52 a 60; Anejo 1), siendo en el
estudio global 80,50%, 73,19%, 72,95% y 92,09%, respectivamente para las hojas pequeñas,
medianas, grandes y el agrupamiento de todas las hojas (Tabla 60; Anejo 1).
3 ,0 400
de los parámetros de los relacionados
con los agujeros de las hojas que se 2 ,5
comenta, tiene unos valores muy bajos

300
2 ,0
(Tablas 52 a 60; Anejo 1), que para el
estudio global tiene unos valores de 0,68, 1 ,5 200 %
0,77, 1,06 y 0,83, respectivamente para 1 ,0
las hojas pequeñas, medianas, grandes y 0 ,5

100
para el agrupamiento de todas las hojas

(Tabla 60; Anejo 1). No se manifiesta 0 ,0
0
ninguna tendencia en la media del M u e s t re o s
parámetro a lo largo del periodo de M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G r a n d e s M e d ia T o d a s

CV P equeñas C V M e d ia n a s C V G ra n d e s C V Todas
muestreos (Fig. 63). El coeficiente de
Figura 63. Media y coeficiente de variación (CV, %) del número de
variación de NH para todos los tipos de
agujeros de las hojas (NH), cv. Macabeo, 2ª campaña (1996).
hojas en todos los muestreos presenta
unos valores muy altos (Tablas 52 a 60; Anejo 1), con valores para el estudio global del 147,63%,
La variable HA presenta unos valores de la media siempre muy bajos y sin ninguna tendencia
marcada a lo largo de los muestreos (Tablas 52 a 60; Anejo 1). El estudio global muestra una media
2 2 2
del área de los agujeros de 0,07 cm para las hojas pequeñas, 0,32 cm para las medianas, 0,75 cm
2
para las hojas grandes y 0,36cm para el agrupamiento de todas las hojas (Tabla 60; Anejo 1). En
todos los muestreos, y para todas las agrupaciones de hojas, los valores del coeficiente de variación
de HA son altos o muy altos, superiores al 80% en la totalidad de los casos, algunos incluso
superiores al 300%, con valores para el estudio global del 171,21%, 149,43%, 126,38% y 181,40%,
respectivamente para las hojas pequeñas, medianas, grandes y agrupamiento de todas las hojas
89
los agrupamientos de hojas, incluido el estudio global, que presenta un valor de 0,003% para las
hojas grandes y 0,002% para cada uno del resto de agrupamientos de las hojas (Tablas 52 a 60;
Anejo 1). Al igual que los dos parámetros anteriores, el coeficiente de variación de HR tiene unos
valores altos o muy altos para todos los muestreos y para todos los agrupamientos de hojas,
superiores al 75% en la totalidad de los casos, algunos incluso superiores al 300%, con valores para
el estudio global del 170,56% para las hojas pequeñas, 140,86% para las hojas medianas, 127,20%
para las hojas grandes y 145,75% para el agrupamiento de todas las hojas (Tablas 16 a 24; Anejo 1).
Al estudiar los resultados de las
variables relacionadas con el peciolo de 12 80
la hoja, se observa que los valores de la 10

media de la variable Lp más altos son los 60
de las hojas grandes para todos los 8
muestreos, las hojas medianas tienen cm 6 40 %
valores intermedios, mientras que las 4

hojas pequeñas tienen los menores 20
valores en cada muestreo (Tablas 52 a 2
60; Anejo 1), con unos valores para el 0 0
estudio global de 1,62 cm, 5,84 cm, 8,91 1º 2º 3º 4º 5º

M u e s tre o s
cm y 5,46 cm, respectivamente para las M e d ia P e q u e ñ a s M e d ia M e d ia n a s M e d ia G ra n d e s M e d ia T o d a s

hojas pequeñas, medianas, grandes y el CV P equeñas C V M e d ia n a s C V G ra n d e s CV T odas
agrupamiento de todas ellas (Tabla 60; Figura 64. Media (cm) y coeficiente de variación (CV, %) de la
Anejo 1). Para todos los tipos de longitud del peciolo de las hojas (Lp), cv. Macabeo, 2ª campaña
(1996).
agrupamiento de las hojas, el valor de la
media presenta diferencias a lo largo de
los muestreos, pero sin ninguna tendencia marcada que permita señalar una determinada evolución
(Fig. 64). El coeficiente de variación de Lp es moderado para todos los agrupamientos de hojas y
para todos los muestreos, algo más alto en todos los casos para el agrupamiento de todas las hojas,
con unos valores para el estudio global del 33,78% para las hojas pequeñas, 22,75% para las hojas
medianas, 18,96% para las hojas grandes y 59,58% para el agrupamiento de todas las hojas (Tabla
60; Anejo 1).
altos para las hojas grandes, con unos valores intermedios para las hojas medianas y el
agrupamiento de todas las hojas y los valores más bajos para las hojas pequeñas, con valores para el
estudio global de 0,006 g, 0,09 g, 0,24 g y 0,11 g, respectivamente para las hojas pequeñas,
medianas, grandes y el agrupamiento de todas las hojas (Tablas 52 a 60; Anejo 1). La evolución del
valor de la media a lo largo de los muestreos para todos los agrupamientos de las hojas presenta un
ligero ascenso entre los muestreos 1º y 4º y unos valores alternos entre los muestreos 5º y 8º. Los
coeficientes de variación de MSp son superiores a los comentados para la variable anterior en todos
los casos, con valores para el estudio global del 52,30% para las hojas pequeñas, 43,42% para las
medianas, 37,75% para las grandes y 99,08% para el agrupamiento de todas las hojas (Tablas 52 a
60; Anejo 1).
del periodo de muestreos, que tienen una variabilidad alta tanto para las hojas pequeñas, como para
las medianas y las grandes, tanto en un muestreo como entre muestreos, muy alta cuanto se agrupan
todas las hojas. Las medias de SEF en los diferentes muestreos presentan un descenso continuado
de las mismas para todos los tipos de hojas, desde el primer muestreo hasta el último, con una
variabilidad entre moderada y baja. Las medias de Lm y Am son superiores a las de La y Aa,
respectivamente, para todos los tipos de hojas y para todos los muestreos, incluso para el estudio
global, con una variabilidad moderada en todos los casos. Las variables Lm/Am, La/Aa, IR y BR,
relacionadas con la forma de las hojas, presentan unos valores muy estables y con una baja
variabilidad, independientemente del tamaño de la hoja y del muestreo. La asimetría transversal es
mayor que la asimetría longitudinal, en promedio, y ambos parámetros tienen una variabilidad alta.
Las variables relacionadas con los agujeros de la hoja tienen una variabilidad alta para todos los
agrupamientos de las hojas y para todos los muestreos, incluso para el estudio global, con unos
valores de la media muy bajos. Por su parte, las variables relacionadas con el peciolo de la hoja
tienen una variabilidad moderada para todos los agrupamientos de las hojas y para todos los
muestreos, incluso para el estudio global.
90
5.1.3. Resumen de las dos campañas y de los cinco cultivares estudiados.

Del análisis de los datos obtenidos de las variables SFi y SFa en la primera campaña se concluye
que la información aportada por el integrador automático no difiere significativamente de la obtenida
por el analizador de imagen. Además, en general, el procedimiento empleado para la obtención de los
valores de SFi no ofrece ninguna ventaja respecto al analizador de imágenes digitalizadas cuando
suponga la destrucción de las muestras, ya que aporta una sola medida frente a todas las
posibilidades que ofrece el segundo sistema. De todos modos, el integrador automático puede ser útil
cuando se pueda utilizar sin ocasionar la destrucción de la muestra, ya que, en este caso, se podrán
realizar los estudios de estimación del área foliar sin alterar el medio, al poder medirse directamente
sobre la planta tanto la variable dependiente como las variables independientes lineales implicadas
en los modelos de estimación del Apartado 5.3.
A los efectos del estudio biométrico realizado con las hojas de la vid del cultivar Cencibel en la
primera campaña, no existe ninguna diferencia significativa entre las hojas de los distintos tipos de
sarmientos (delanteros, zariegos y esperguras), por lo que se puede obviar esa diferenciación en este
tipo de estudios.
Por otro lado, en ambas campañas, la variabilidad de los parámetros relacionados con el tamaño
de la hoja es alta en todos los cultivares, consecuencia de la mezcla de hojas de muy diferentes
tamaños. Por su parte, las variables relacionadas con la forma de la hoja IR, Lm/Am, La/Aa y BR,
tienen unos valores muy estables y con una baja variabilidad para cada cultivar, señal de que las
hojas tienen una forma muy característica para cada cultivar, independientemente del tamaño y de la
fecha de muestreo. Las variables relacionadas con el peciolo de la hoja presentan una variabilidad
entre moderada y alta. El número de agujeros es una variable que difiere entre cultivares, con valores
cercanos a cero para Garnacha, próximos a uno para Airén y Macabeo, aproximadamente tres para
Cabernet-Sauvignon y entre tres y cuatro para Cencibel. La superficie específica foliar (SEF), por su
lado, es una variable que presenta una evolución a lo largo del periodo de muestreos realizado, con
un ascenso de su valor en los primeros muestreos y una progresiva disminución posterior hasta el
último en la primera campaña; en la segunda campaña, sin embargo, ese descenso continuado se
observa ya desde los primeros muestreos, lo que se puede deber a que los muestreos del segundo
año se iniciaron con el ciclo vegetativo más avanzado que en el primero.
Finalmente, cabe destacar que las mediciones manuales y automáticas de la longitud, por un lado,
y de la anchura, por otro, no coinciden para ningún cultivar, siendo superiores, en general, las
medidas manuales sobre las automáticas, para ambas variables. La posible explicación de este
hecho habrá que buscarla en la definición de estos parámetros y podría obedecer, en definitiva, a que
no están midiendo exactamente lo mismo.
Para finalizar la presentación de los resultados de este apartado, se muestran en las Tablas nº 15
a 18 la media y el coeficiente de variación de las variables estudiadas en las dos campañas de
estudio, agrupadas por tipos.
Tabla 15. Media y coeficiente de variación CV(%) de las variables relacionadas con el tamaño de la hoja para
las dos campañas y los cinco cultivares estudiados.
1ª Campaña 2ª Campaña
Variables
Cabernet-
Cencibel Airén Cencibel Garnacha Macabeo
Sauvignon
Media CV(%) Media CV(%) Media CV(%) Media CV(%) Media CV(%) Media CV(%)
SFa 92,74 63,64 106,83 69,15 85,41 62,99 119,36 68,36 112,83 67,24 132,65 70,22
SFi 91,90 64,70 NE NE NE NE NE NE NE NE NE NE
P 64,97 40,42 63,04 45,57 55,13 37,63 71,41 45,09 60,77 44,52 65,55 44,48
La 11,46 36,43 11,78 41,05 10,61 36,59 12,69 40,54 11,89 40,22 12,85 42,19
Aa 10,77 36,49 11,18 40,90 10,19 36,98 11,99 40,42 11,43 40,78 12,27 42,03
Lm 11,95 36,64 12,37 41,83 11,35 36,56 13,56 41,11 12,70 40,30 14,15 43,50
Am 11,49 34,48 12,00 40,41 10,73 37,37 13,04 40,13 12,28 40,73 13,59 42,89
La.Aa 138,88 64,45 153,46 70,20 122,59 62,90 176,66 69,23 157,92 67,90 185,37 70,46
Lm.Am 153,11 63,70 172,91 69,85 138,16 63,22 205,43 69,97 180,97 67,96 227,54 72,95
R NE NE 5,37 40,47 4,87 37,05 5,70 40,19 5,56 39,87 5,95 42,00
TA NE NE 107,25 69,25 86,84 63,19 120,81 68,36 112,91 67,26 133,01 70,25
BA NE NE 171,52 69,44 136,89 62,70 198,30 68,21 176,85 67,13 206,35 69,78
MSl 0,76 75,70 0,81 76,29 0,66 70,55 1,01 78,72 0,92 74,72 1,15 79,23
Abreviaturas empleadas en la tabla: consultar listado de abreviaturas. NE: variable no estudiada para la campaña y/o el cultivar.
91
Tabla 16. Media y coeficiente de variación CV(%) de las variables relacionadas con la forma de la hoja para las
dos campañas y los cinco cultivares estudiados.
Variables
Cabernet-
Sauvignon
SEF 13,53 26,41 14,74 23,32 14,57 27,92 13,91 27,30 13,94 28,83 14,12 24,88
IR 0,27 25,42 0,31 21,57 0,32 17,91 0,28 25,13 0,36 21,32 0,34 17,88
La/Aa 1,08 6,44 1,05 6,32 1,05 5,45 1,06 5,74 1,05 5,57 1,05 5,73
Lm/Am 1,04 8,60 1,03 8,15 1,06 7,43 1,04 7,46 1,04 7,85 1,04 7,46
BR NE NE 0,63 5,40 0,63 4,85 0,61 6,24 0,64 5,46 0,64 5,26
PPDA NE NE 41,81 22,29 39,62 16,74 47,83 26,64 36,53 20,25 37,49 18,31
Ld NE NE 0,26 116,24 0,26 89,10 0,43 115,94 0,24 98,03 0,29 113,23
Ad NE NE 0,47 80,27 0,40 89,51 0,48 92,19 0,55 81,29 0,46 92,09
Tabla 17. Media y coeficiente de variación CV(%) de las variables relacionadas con los agujeros de la hoja para
las dos campañas y los cinco cultivares estudiados.
Variables
Cabernet-
Sauvignon
NH NE NE 1,16 101,08 3,08 45,42 3,63 46,21 0,25 223,18 0,83 130,77
HA 1,44 95,36 0,42 189,78 1,42 98,48 1,44 99,45 0,08 388,85 0,36 181,40
HR NE NE 0,003 159,24 0,014 63,63 0,011 64,63 0,001 316,97 0,002 145,75
Tabla 18. Media y coeficiente de variación CV(%) de las variables relacionadas con el peciolo de la hoja para las
dos campañas y los cinco cultivares estudiados.
Variables
Cabernet-
Sauvignon
MSp 0,07 98,03 0,12 100,91 0,08 96,59 0,11 102,98 0,10 97,87 0,11 99,08
Lp 4,53 50,57 6,36 59,21 4,88 56,08 5,36 62,55 4,71 61,70 5,46 59,58
Abreviaturas empleadas en la tabla: consultar listado de abreviaturas.
5.2. Análisis de Componentes Principales.

Con los datos de la primera campaña, en primer lugar, se comprueba el nivel de significación del
test de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es 0,855, muy cercano a 1; a
la vista de los resultados, se considera adecuado realizar el análisis de componentes principales con
los datos de que se dispone.
Se analiza, a continuación, la información de la matriz de coeficientes de correlación de la Tabla nº
19, haciendo especial énfasis en las relaciones más altas y significativas que existen entre las
variables de cada grupo y entre las variables de los diferentes grupos (Apartado 4.7). Para facilitar la
lectura de esta matriz, se han trazado las cuadrículas que agrupan los coeficientes de los grupos de
variables señalados, marcando en negrita aquellos valores comprendidos, en valor absoluto, entre
1,00 y 0,70 y en cursiva los valores, en valor absoluto, incluidos en el intervalo establecido entre 0,69
y 0,40, presentación que se mantiene a lo largo de todo el Apartado 5.2 para todas las matrices de
coeficientes de correlación que se muestran.
Para el grupo de variables relacionadas con el tamaño de la hoja, en la matriz de coeficientes de
correlación se observa una correlación muy alta y muy significativa (p<0,01) entre todas ellas, con los
siguientes valores extremos: r = 0,99 para SFa-SFi y r = 0,95 para MSl-P.
En relación con la forma de la hoja, la correlación entre las variables es bien distinta a la expuesta
para el grupo anterior, con valores bajos o muy bajos en valor absoluto, aunque significativas en su
mayoría (p < 0,01) y todas con signo positivo, salvo SEF-Lm/Am, cuya correlación es negativa. El
92
signo negativo de las correlaciones implica que, cuanto mayor sea el valor de la primera, menor será
el de segunda, y viceversa, para un mismo individuo.
Al estudiar las correlaciones de las variables relacionadas con la forma de la hoja con las del
tamaño, SEF e IR presentan unos coeficientes de correlación intermedios o bajos con todas ellas en
valor absoluto, con signo negativo en todos los casos, con valores extremos para IR-P (r = - 0,54) e
IR-MSl (r = - 0,23) y una significación alta (p < 0,01). La variable Lm/Am, por su lado, tiene unos
coeficientes intermedios con este grupo de variables de tamaño, con una elevada significación (p <
0,01), con valores extremos con Lm (r = 0,37) y Am (r = 0,19). Finalmente, los coeficientes de
correlación de La/Aa con las variables de tamaño, tienen unos valores muy bajos en valor absoluto
pero significativos en su mayoría y todos negativos, salvo con la variable La, cuya correlación es
positiva pero sin significación estadística.
En cuanto a los agujeros de las hojas, la correlación de HA con las variables relacionadas con el
tamaño de las hojas es alta, con valores entre r = 0,73 con P y r = 0,66 con MSl, con un alto nivel de
significación en todos los casos (p < 0,01).Por su parte, los valores de las correlaciones entre HA y
las variables relacionadas con la forma de las hojas son intermedios para IR y La/Aa y bajos, en valor
absoluto, para SEF y Lm/Am, todos negativos salvo para Lm/Am, pero todos muy significativos (p <
0,01).
La correlación entre las dos variables relacionadas con el peciolo de la hoja, es muy elevada y
muy significativa (p < 0,01), r = 0,88, del mismo modo que lo es entre estas y todas las variables
relacionadas con el tamaño de la hoja, con valores entre r = 0,91 (MSp-MSl) y r = 0,75 (MSp-P). Con
las variables del grupo de la forma de la hoja, los coeficientes de correlación de las variables del
peciolo son, para SEF y Lm/Am, intermedios en valor absoluto y con elevada significación (p < 0,01),
negativo para el primero, mientras que el coeficiente es bajo en valor absoluto, negativo y muy
significativo (p < 0,01) con IR y muy bajo pero significativo (p < 0,05) para La/Aa. Para terminar, se
observa que las correlaciones de las dos variables del peciolo con HA tienen un valor intermedio y
con elevada significación (p < 0,01).
93
Tabla 19. Matriz de coeficientes de correlación de las variables iniciales, cv. Cencibel, 1ª Campaña (1995).
SFa SFi P La Aa Lm Am La.Aa Lm.Am MSl SEF IR La/Aa Lm/Am HA MSp Lp
SFa 1
SFi 0,999** 1
P 0,930** 0,928** 1
La 0,974** 0,972** 0,948** 1
Aa 0,968** 0,967** 0,962** 0,983** 1
Lm 0,976** 0,974** 0,948** 0,993** 0,981** 1
Am 0,969** 0,967** 0,957** 0,979** 0,992** 0,978** 1
La.Aa 0,992** 0,992** 0,940** 0,976** 0,972** 0,973** 0,966** 1
Lm.Am 0,965** 0,994** 0,938** 0,972** 0,969** 0,978** 0,972** 0,994** 1
MSl 0,952** 0,954** 0,870** 0,914** 0,913** 0,918** 0,913** 0,944** 0,948** 1
SEF -0,343** -0,346** -0,308** -0,325** -0,342** -0,332** -0,341** -0,338** -0,340** -0,485** 1
IR -0,261** -0,260** -0,538** -0,315** -0,350** -0,316** -0,345** -0,302** -0,297** -0,227** 0,061** 1
La/Aa -0,045* -0,044* -0,138** 0,001 -0,168** -0,025 -0,145** -0,052 -0,054* -0,059* 0,135** 0,217** 1
Lm/Am 0,281** 0,279** 0,238** 0,325** 0,238** 0,366** 0,186** 0,279** 0,276** 0,251** -0,054* 0,001 0,478** 1
HA 0,684** 0,683** 0,729** 0,671** 0,705** 0,674** 0,704** 0,697** 0,699** 0,656** -0,240** -0,388** -0,494** 0,090** 1
MSp 0,895** 0,896** 0,758** 0,844** 0,822** 0,846** 0,824** 0,885** 0,888** 0,911** -0,357** -0,106** 0,045* 0,276** 0,560** 1
Lp 0,851** 0,849** 0,758** 0,852** 0,827** 0,850** 0,832** 0,840** 0,843** 0,792** -0,221** -0,118** 0,053* 0,287** 0,548** 0,876** 1
** La correlación es significativa, p < 0,01.
* La correlación es significativa, p < 0,05.
94
Tabla 20. Varianza de las variables explicada por el El modelo factorial resultante del ACP explica
modelo factorial obtenido (comunalidades), cv. un alto porcentaje de la varianza para las variables
Cencibel, 1ª Campaña (1995). relacionadas con el tamaño de la hoja y del peciolo
Variables Inicial Extracción Variables Inicial Extracción y algunas de las variables relacionadas con la
SFa 1 ,983 MSl 1 ,938 forma como IR y La/Aa, lo que se manifiesta con
SFi 1 ,982 SEF 1 ,501 valores cercanos a 1 de la varianza explicada de la
P 1 ,972 IR 1 ,787 variables en la extracción (comunalidades) (Tabla
La 1 ,973 La/Aa 1 ,767 20). Algo peor resulta para el resto de las
Aa 1 ,973 Lm/Am 1 ,683
Lm 1 ,978 HA 1 ,622
variables, SEF, Lm/Am y HA. Por tanto, el modelo
Am 1 ,970 MSp 1 ,864 factorial obtenido será útil, fundamentalmente,
La.Aa 1 ,980 Lp 1 ,787 para todas las variables relacionadas con el
Lm.Am 1 ,982 tamaño y con el peciolo, así como para IR y La/Aa.
Método de extracción: Análisis de Componentes Principales. Abreviaturas Sin embargo, para las variables Lm/Am y HA se
empleadas para las variables y sus unidades: consultar listado de abreviaturas.
debe utilizar con reservas.
En este ACP concreto, se han extraído tres factores o componentes, aquellos cuyos valores
iniciales de la varianza explicada (autovalores) son mayores que 1, que acumulan un porcentaje
de la varianza explicada muy alto, 86,92% (Tabla 21).
Tabla 21. Varianza total explicada por las componentes, cv. Cencibel, 1ª Campaña (1995).
Sumas de las saturaciones al Suma de las saturaciones al
Autovalores iniciales
cuadrado de la extracción cuadrado de la rotación
Componente
% de la % % de la % % de la %
Total Total Total
varianza acumulado varianza acumulado varianza acumulado
1 12,012 70,661 70,661 12,012 70,661 70,661 11,945 70,262 70,262
2 1,675 9,854 80,515 1,675 9,854 80,515 1,600 9,414 79,676
3 1,056 6,209 86,724 1,056 6,209 86,724 1,198 7,048 86,724
4 ,830 4,881 91,605
5 ,455 2,675 94,281
6 ,427 2,512 96,793
7 ,255 1,499 98,292
8 ,175 1,029 99,321
9 ,038 ,225 99,546
10 ,031 ,182 99,728
11 ,019 ,109 99,837
12 ,014 ,084 99,920
13 ,007 ,041 99,962
14 ,004 ,026 99,987
15 ,001 ,008 99,995
16 ,001 ,003 99,998
17 ,000 ,002 100,000
Método de extracción: Análisis de Componentes Principales.
Con estos tres componentes extraídos, se ha calculado la matriz de componentes, que
contiene los valores de las saturaciones para las 17 variables iniciales (Tabla 22), donde se han
marcado con negrita los valores comprendidos entre 1,00 y 0,60 y con cursiva los incluidos entre
0,59 y 0,30, en valor absoluto en ambos casos. Comparando las saturaciones relativas de cada
variable en cada uno de los tres componentes, se aprecia que el primer componente está
constituido por todas las variables relacionadas con el tamaño, junto con todas las del peciolo de
la hoja y la variable HA, variables que, además de constituir un grupo diferenciado dentro de la
matriz de correlaciones, saturan en un único componente. Por tanto, se puede decir que este
primer componente refleja el tamaño de la hoja, tanto en lo que se refiere al limbo y a sus
agujeros, como al peciolo. El segundo componente, agrupa a las variables La/Aa y Lm/Am, ambas
relacionadas con la forma de la hoja. Por su parte, el tercer componente reúne a las variables IR y
SEF, aunque ambas variables presentan saturaciones relevantes en alguno de los otros
componentes.
Al realizar la rotación de los componentes extraídos, en su correspondiente matriz de
componentes de la Tabla nº 23, donde se ha mantenido el criterio de la Tabla nº 22 para marcar
los valores de las saturaciones, se observa que el nuevo modelo no supone una mejoría
generalizada, lo que tan sólo se observa para IR, empeorando para otras, como sucede con SEF.
95
Tabla 22. Matriz de componentes, De todo ello, se puede concluir, Tabla 23. Matriz de componentes
cv. Cencibel, 1ª Campaña (1995). como ya se podía esperar a la vista rotados, cv. Cencibel, 1ª Campaña
Componente (1995)
de la matriz de coeficientes de
Componente
1 2 3 correlación (Tabla 19), que las
Lm.Am ,991 ,017 -,010 variables relacionadas con el 1 2 3
SFa ,990 ,039 -,038 tamaño de la hoja, con el peciolo SFa ,990 ,046 ,025
La.Aa ,990 ,017 -,002 de la misma y con los agujeros de SFi ,990 ,045 ,022
SFi ,989 ,039 -,041 limbo forman un grupo altamente Lm.Am ,989 ,036 ,059
Lm ,986 ,064 ,052 correlacionado, representado por el La.Aa ,987 ,038 ,066
La ,984 ,061 ,049 primer componente. El grupo más Lm ,979 ,101 ,099
Aa ,982 -,089 ,021 disperso es el de las variables La ,977 ,097 ,098
Am ,980 -,097 ,006 relacionadas con la forma de la Aa ,977 -,053 ,126
P ,954 -,148 ,198 hoja (Apartado 4.7), que aparece Am ,976 -,065 ,114
MSl ,953 ,022 -,173 separado en varios grupos, La/Aa y MSl ,964 -,020 -,097
MSp ,891 ,174 -,201 Lm/Am en el segundo componente P ,935 -,045 ,309
Lp ,864 ,187 -,076 y el tercer componente representa MSp ,905 ,111 -,182
HA ,726 -,266 ,156 a las variables IR y SEF, aunque Lp ,868 ,167 -,073
La/Aa -,068 ,852 ,192 las dos variables tienen HA ,710 -,176 ,295
Lm/Am ,292 ,718 ,289 saturaciones altas en los otros La/Aa -,078 ,862 -,134
-,667 Lm/Am ,272 ,780 ,032
IR -,332 ,481 componentes.
SEF -,377 ,126 ,585 IR -,276 ,201 -,819
Por otro lado, al comparar las SEF -,421 ,319 ,470
Método de extracción: Análisis de Componentes
Principales. Abreviaturas empleadas en la tabla saturaciones que presentan en los Método de extracción: Análisis de Componentes
para las variables y sus unidades: consultar listado tres componentes las variables Principales. Método de rotación: Normalización
de abreviaturas.
SFa y SFi, tanto antes como Varimax con Kaiser. La rotación ha convergido en 6
iteraciones. Abreviaturas empleadas en la tabla
después de la rotación, se observa que las diferencias son para las variables y sus unidades: consultar listado
mínimas en los tres componentes, lo de abreviaturas.
que manifiesta la similitud entre
ambos parámetros y abunda en los 1,0
comentarios realizados en el Apartado La/Aa
5.1.1 en este sentido. Lm/Am
Como complemento a todo lo 0,5 IR

anterior, las representaciones en
planos de las variables iniciales en el MSp
SEF
espacio rotado obtenido en el ACP 0,0
Lp
Lm
La
SFa
SFi
MSl
Lm.Am
La.Aa
Grupo 1 Aa
realizado, tomando como ejes los Am
P
componentes rotados de la Tabla nº HA
mp
23 de dos en dos (Figuras 1 a 3;
ent -0,5
Anejo 2), muestran gráficamente los e 2
agrupamientos de las variables para
cada uno. La más explicativa de todas
ellas es aquella que tiene como ejes -1,0
-1,0 -0,5 0,0 0,5 1,0
los componentes rotados 1 y 2 (Fig. Componente 1
65). Grupo 1: SFa, SFi, La, Lm, La.Aa, Lm.Am, MSl
A la vista todo lo dicho, y a modo Figura 65. Variables iniciales en el espacio en función de los
de conclusión, se puede resumir que componentes rotados 1 y 2, cv. Cencibel, 1ª Campaña (1995).
el componente 1 refleja el tamaño de
la hoja y los componentes 2 y 3 muestran la forma de la misma.
Con los datos del cultivar Airén se comprueba, en primer lugar, el nivel de significación el test
de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es 0,861, muy cercano a 1; a la
vista de estos resultados, se considera adecuado realizar el análisis de componentes principales
con los datos de que se dispone.
Se analiza, a continuación, la información contenida en la matriz de coeficientes de correlación
de la Tabla nº 24, resaltando las relaciones más altas y significativas que existen entre las
variables de cada grupo y entre las variables de los diferentes grupos (Apartado 4.7). Para facilitar
la lectura de esta matriz, se han trazado las cuadrículas que agrupan los coeficientes de los
96
grupos de variables señalados y se han marcado en negrita aquellos valores comprendidos, en

valor absoluto, entre 1,00 y 0,70 y en cursiva los valores, en valor absoluto, incluidos en el
intervalo establecido entre 0,69 y 0,40.
Para el grupo de variables relacionadas con el tamaño de la hoja, en la matriz de coeficientes
de correlación se observa una correlación muy alta y muy significativa (p 0,01) entre todas ellas,
con los siguientes valores extremos: r = 1,00 para TA-SFa y r = 0,93 para MSl-P. En relación con
la forma de la hoja, el grado de correlación entre las variables es bien distinto al expuesto para el
grupo anterior, con tan sólo tres de ellas altas, en valor absoluto, y elevada significación (p < 0,01):
PPDA-IR (r = 0,96), BR-PPDA (r = -0,61) y BR-IR (r = 0,57). El signo negativo de las correlaciones
implica que, cuanto mayor sea el valor de la primera, menor será el de segunda, y viceversa, para
un mismo individuo. Otro conjunto de correlaciones dentro de este grupo de variables, aunque
significativas (p < 0,01 ó p < 0,05), tienen valores bajos o muy bajos, en valor absoluto, muchas
con signo negativo (SEF-BR, SEF-Lm/Am, SEF-Ld, SEF-Ad, IR-La/Aa, IR-Ld, IR-Ad, La/Aa-
Lm/Am, La/Aa-BR, La/Aa-Ad, BR-Ld, BR-Ad) y otras con signo positivo (La/Aa-PPDA, La/Aa-Ld,
Lm/Am-Ld, PPDA-Ld, PPDA-Ad, PPDA-SEF). El resto de correlaciones (SEF-IR, SEF-La/Aa,
Lm/Am-IR, Lm/Am-BR, Lm/Am-PPDA, Lm/Am-Ad, Ld-Ad), son también bajas o muy bajas, en
valor absoluto, y sin significación estadística. Al estudiar las correlaciones de las variables
relacionadas con la forma de la hoja con variables del tamaño, se observa que SEF e IR presentan
unos coeficientes de correlación entre altos e intermedios con todas, en valor absoluto, con signo
negativo en todos los casos, con valores extremos para IR-P (r = - 0,62) e IR-MSl (r = - 0,44) y una
significación alta (p < 0,01). Las variables PPDA, Ld y Ad, por su parte, tienen unos coeficientes de
correlación intermedios con todas las variables de tamaño, con una elevada significación (p <
0,01) y con los siguientes valores extremos: r = 0,56 (PPDA-P) y r = 0,36 (Ad-La y Ad-MSl). Por su
lado, la variable Lm/Am tiene unos coeficientes muy bajos con este grupo de variables, con una
elevada significación (p < 0,01), salvo para Am, con la que no tiene significación estadística.
Finalmente, los coeficientes de correlación de La/Aa y BR con las variables de tamaño, tienen
unos valores muy bajos y poco o nada significativos. En cuanto a los agujeros de las hojas, el
coeficiente de correlación es alto y muy significativo (p < 0,01) entre las tres variables de este
grupo (HA-HR, r = 0,82; NH-HA, r = 0,55; NH-HR, r = 0,67). La correlación con las variables
relacionadas con el tamaño de las hojas es intermedia para HA y baja para NH y HR, con un alto
nivel de significación en todos los casos (p < 0,01), mientras que los valores de las correlaciones
entre estas tres variables y las variables relacionadas con la forma de las hojas son muy bajos.
Entre las dos variables relacionadas con el peciolo de la hoja, la correlación es muy elevada y muy
significativa (p 0,01), r = 0,93, del mismo modo que lo es con todas las variables relacionadas
con el tamaño de la hoja, con valores entre r = 0,96 (Lp-R) y r = 0,86 (MSp-P). Con las variables
del grupo de la forma de la hoja, los coeficientes de correlación de las variables del peciolo son
altos, en valor absoluto, con signo negativo y con elevada significación (p < 0,01) con SEF e IR,
bajos pero muy significativos (p < 0,01) con Lm/Am, PPDA, Ld y Ad y muy bajos y poco
significativos para La/Aa y BR. Para terminar, se observa que las correlaciones de las dos
variables del peciolo con las variables relacionadas con los agujeros tiene unos valores
intermedios y con elevada significación (p < 0,01) para HA y bajos y con poca significación para
HR y NH.
97
Tabla 24. Matriz de coeficientes de correlación de las variables iniciales, cv. Airén, 2ª Campaña (1996).
SFa P La Aa Lm Am La.Aa Lm.Am R TA BA MSl SEF IR La/Aa Lm/Am BR PPDA Ld Ad NH HA HR MSp Lp
SFa 1
P ,972** 1
La ,980** ,981** 1
Aa ,980** ,978** ,986** 1
Lm ,979** ,976** ,989** ,990** 1
Am ,972** ,975** ,988** ,980** ,979** 1
La.Aa ,994** ,974** ,980** ,981** ,977** ,965** 1
Lm.Am ,994** ,974** ,979** ,975** ,982** ,977** ,991** 1
R ,983** ,975** ,993** ,992** ,991** ,990** ,975** ,978** 1
TA 1,00** ,972** ,980** ,980** ,979** ,972** ,995** ,994** ,983** 1
BA ,997** ,978** ,981** ,979** ,981** ,972** ,996** ,996** ,980** ,997** 1
MSl ,973** ,931** ,944** ,946** ,947** ,944** ,965** ,970** ,952** ,973** ,968** 1
SEF -,497** -,466** -,520** -,525** -,529** -,536** -,484** -,498** -,538** -,497** -,487** -,599** 1
IR -,484** -,617** -,505** -,494** -,492** -,504** -,506** -,506** -,469** -,485** -,511** -,435** -,082 1
La/Aa ,038 ,055 ,112* -,042 ,027 ,077 ,032 ,054 ,040 ,037 ,047 ,027 ,031 -,119** 1
Lm/Am ,198** ,171** ,181** ,218** ,271** ,085 ,218** ,193** ,182** ,199** ,206** ,176** -,092* ,003 -,284** 1
BR ,031 -,068 -,002 ,016 -,008 ,008 -,012 -,021 ,051 ,030 -,028 ,056 -,298** ,574** -,125** -,046 1
PPDA ,415** ,564** ,436** ,423** ,419** ,432** ,445** ,441** ,390** ,416** ,447** ,364** ,101* -,956** ,126** -,035 -,611** 1
Ld ,415** ,384** ,413** ,388** ,427** ,371** ,420** ,419** ,394** ,416** ,424** ,403** -,176** -,184** ,145** ,288** -,085* ,150** 1
Ad ,380** ,389** ,361** ,422** ,396** ,400** ,372** ,382** ,398** ,380** ,383** ,361** -,193** -,225** -,317** ,054 -,088* ,190** ,035 1
NH ,185** ,221** ,188** ,185** ,184** ,181** ,193** ,188** ,179** ,190** ,193** ,151** ,058 -,234** ,066 -,004 -,045 ,209** ,114* ,019 1
HA ,487** ,483** ,463** ,471** ,463** ,441** ,504** ,484** ,455** ,495** ,495** ,485** -,220** -,294** -,010 ,143** -,022 ,285** ,294** ,138** ,552** 1
HR ,149** ,165** ,147** ,149** ,142** ,134** ,165** ,152** ,138** ,157** ,158** ,160** -,055 -,131** ,024 ,020 -,029 ,137** ,142** ,013 ,688** ,818** 1
MSp ,913** ,860** ,874** ,878** ,880** ,872** ,906** ,910** ,882** ,913** ,907** ,944** -,533** -,410** ,020 ,183** ,048 ,330** ,382** ,333** ,085 ,425** ,119* 1
Lp ,940** ,930** ,950** ,950** ,950** ,948** ,933** ,936** ,958** ,940** ,936** ,934** -,574** -,455** ,035 ,184** ,044 ,368** ,366** ,374** ,105* ,408** ,104* ,926** 1

98
El modelo factorial resultante al realizar el ACP,

Tabla 25. Varianza de las variables explicada por el explica un alto porcentaje de la varianza para las
modelo factorial obtenido (comunalidades), cv. variables relacionadas con el tamaño de la hoja,
Airén, 2ª Campaña (1996). con el peciolo y con los agujeros de la misma, lo
Variables Inicial Extracción Variables Inicial Extracción que se manifiesta con valores cercanos a 1 de la
SFa 1 ,985 SEF 1 ,572 varianza explicada de la variables en la extracción
P 1 ,982 IR 1 ,912 (Tabla 25). Para algunas de las variables
La 1 ,981 La/Aa 1 ,809 relacionadas con la forma de la hoja, como SEF,
Aa 1 ,982 Lm/Am 1 ,824 Ld y Ad, la varianza queda poco explicada,
Lm 1 ,982 BR 1 ,745 mientras que para el resto el porcentaje es mayor.
Am 1 ,980 PPDA 1 ,903 En consecuencia, ya se puede adelantar que el
La.Aa 1 ,980 Ld 1 ,650 modelo factorial obtenido será útil,
Lm.Am 1 ,984 Ad 1 ,640 fundamentalmente, para todas las variables
R 1 ,983 NH 1 ,722 relacionadas con el tamaño, con el peciolo y con
TA 1 ,985 HA 1 ,843 los agujeros de la hoja y para algunas de las
BA 1 ,986 HR 1 ,907 variables relacionadas con la forma (IR, La/Aa,
MSl 1 ,957 MSp 1 ,854 Lm/Am, BR y PPDA) y no tanto para el resto.
Lp 1 ,934
En este ACP concreto, se han extraído cinco
Método de extracción: Análisis de Componentes Principales. Abreviaturas
empleadas en la tabla para las variables y sus unidades: consultar listado de factores o componentes, aquellos cuyos valores
abreviaturas. iniciales de la varianza explicada (autovalores) son
mayores que 1, que acumulan un porcentaje de la varianza explicada muy alto, 88,33% (Tabla 26).
Tabla 26. Varianza total explicada por las componentes, cv. Airén, 2ª Campaña (1996).
Componente
Total Total Total
1 14,958 59,832 59,832 14,958 59,832 59,832 14,226 56,904 56,904

2 2,534 10,137 69,969 2,534 10,137 69,969 2,622 10,489 67,394
3 2,036 8,142 78,112 2,036 8,142 78,112 2,486 9,943 77,337
4 1,384 5,536 83,648 1,384 5,536 83,648 1,403 5,613 82,950
5 1,170 4,680 88,328 1,170 4,680 88,328 1,344 5,378 88,328
6 0,656 2,624 90,951
7 0,585 2,338 93,289
8 0,479 1,915 95,204
9 0,397 1,587 96,791
10 0,299 1,195 97,987
11 0,200 0,799 98,786
12 0,124 0,495 99,281
13 0,078 0,310 99,591
14 0,037 0,150 99,741
15 0,019 0,076 99,817
16 0,016 0,065 99,882
17 0,013 0,053 99,935
18 0,006 0,024 99,959
19 0,005 0,019 99,977
20 0,003 0,011 99,989
21 0,001 0,005 99,994
22 0,001 0,003 99,997
23 0,000 0,002 99,999
24 0,000 0,001 100,000
25 0,000 0,000 100,000
Método de extracción: Análisis de Componentes Principales. Abreviaturas empleadas en la tabla para las variables y sus unidades:
consultar listado de abreviaturas.
99
Tabla 27. Matriz de componentes (saturaciones), cv. Con estos cinco componentes extraídos, se ha
Airén, 2ª Campaña (1996). calculado la matriz de componentes, que contiene
Componente los valores de las saturaciones para las 25
variables iniciales y que se pueden consultar en la
1 2 3 4 5
Tabla nº 27, donde se han marcado con negrita
BA ,992 -,025 -,025 ,014 ,016
los valores comprendidos entre 1,00 y 0,60 y con
Lm.Am ,990 -,035 -,029 ,026 ,006
cursiva los incluidos entre 0,59 y 0,30, en valor
TA ,990 -,062 -,002 ,021 ,000
absoluto en ambos casos. Comparando las
SFa ,990 -,066 -,009 ,022 ,001
saturaciones relativas de cada variable en cada
La.Aa ,989 -,029 -,013 ,004 ,021
uno de los cinco componentes, se aprecia que el
Lm ,987 -,065 -,025 -,021 ,045
primer componente está constituido por la
Aa ,986 -,071 -,019 -,055 -,030
totalidad de las variables relacionadas con el
La ,986 -,042 -,033 ,078 ,005
tamaño y con el peciolo de la hoja, que saturan en
R ,985 -,098 -,014 ,029 -,032
un único componente, además de constituir un
P ,985 ,066 -,074 ,010 -,036
,979
grupo diferenciado de variables dentro de la
Am -,055 -,051 ,081 -,095
MSl ,969 -,123 ,022 ,041 -,015
matriz de correlaciones y, por tanto, se puede
Lp ,954 -,138 -,052 ,035 -,027
decir que este primer componente refleja el
MSp ,912 -,143 -,020 ,034 ,012
tamaño de la hoja. El segundo componente
SEF -,523 ,499 -,174 -,104 ,091
agrupa a las variables PPDA, BR e IR, todas ellas
PPDA ,474 ,723 -,388 -,048 -,057
relacionadas básicamente con la forma de la hoja.
BR -,030 -,706 ,438 ,155 -,174
Por su parte, el tercer componente se define por
IR -,542 -,684 ,380 ,055 ,050
las variables relacionadas con los agujeros de las
HR ,202 ,474 ,796 -,040 -,083 hojas, aunque ninguna de las tres variables es
HA ,525 ,370 ,651 -,079 -,009 independiente de los dos componentes anteriores.
NH ,220 ,515 ,628 ,005 -,119 El cuarto componente tiene unas saturaciones
La/Aa ,040 ,230 -,081 ,851 ,151 altas para otras dos variables relacionadas con la
Ad ,403 -,057 -,145 -,538 -,405 forma de la hoja, La/Aa y Ad, aunque únicamente
Lm/Am ,204 -,132 ,100 -,540 ,681 Tabla 28. Matriz de componentes rotados, cv. Airén,
Ld ,434 ,054 ,114 ,086 ,662 2ª Campaña (1996)
empleadas en la tabla para las variables y sus unidades: consultar listado de
Componente
abreviaturas. 1 2 3 4 5
La/Aa es independiente del resto de R ,982 ,061 ,099 ,044 ,058
componentes. Por último, el quinto componente Am ,980 ,104 ,094 ,016 -,027
recoge a dos variables relacionadas con la forma SFa ,977 ,088 ,117 ,034 ,090
de la hoja, Ld y Lm/Am, pero en este caso, ambas La ,976 ,113 ,105 -,023 ,068
dependen también de otros componentes para TA ,976 ,088 ,125 ,034 ,091
explicar su varianza. La variable SEF, por su Lm.Am ,973 ,124 ,115 ,024 ,089
parte, tiene saturaciones destacables tanto en el BA ,970 ,133 ,124 ,030 ,103
Aa ,969 ,097 ,112 ,116 ,089
primer componente como en el segundo.
MSl ,968 ,018 ,111 ,029 ,074
Al realizar la rotación de los componentes Lm ,968 ,105 ,101 ,056 ,145
extraídos, en su correspondiente matriz de La.Aa ,966 ,124 ,131 ,037 ,113
componentes de la Tabla nº 28, donde se ha Lp ,962 ,043 ,042 ,041 ,056
mantenido el criterio de la Tabla nº 27 para P ,952 ,231 ,133 ,041 ,045
marcar los valores de las saturaciones, se MSp ,917 ,018 ,055 ,026 ,093
observa una mejoría para los componentes 2 a 5. SEF -,608 ,448 ,017 -,032 ,019
Concretamente, las saturaciones mejoran para las PPDA ,348 ,871 ,126 -,010 -,082
tres variables agrupadas en el segundo BR ,102 -,848 ,017 ,018 -,122
componente, PPDA, BR e IR. Asimismo, las IR -,420 -,847 -,123 -,002 ,062
variables reunidas por el tercer componente, que HR ,048 ,002 ,951 -,007 ,027
son las relacionadas con los agujeros de las NH ,077 ,119 ,836 -,036 -,045
hojas, también aumentan sus saturaciones. En HA ,384 ,047 ,822 ,032 ,129
cuanto al cuarto componente, también se La/Aa ,081 ,131 ,001 -,863 -,201
incrementan las saturaciones de La/Aa y Ad, Ad ,381 ,138 -,016 ,675 -,143
conservando Ad la dependencia del componente Lm/Am ,117 -,021 -,003 ,255 ,863
primero, aunque en menor medida. Finalmente, Ld ,371 ,072 ,114 -,324 ,624
para el componente quinto se observa una Método de extracción: Análisis de Componentes Principales. Método de
mejoría de la saturación de Lm/Am, pero Ld rotación: Normalización Varimax con Kaiser. La rotación ha convergido en 5
iteraciones. Abreviaturas empleadas en la tabla para las variables y sus
empeora, ya que no sólo no pierde la unidades: consultar listado de abreviaturas.
dependencia del primer componente, sino que la
100
aumenta para el cuarto. La situación de la variable SEF mejora discretamente con la rotación,
aumentando la saturación en el primer componente y disminuyendo en el segundo.
De todo ello, se puede concluir que, como ya se podía esperar a la vista de la matriz de
coeficientes de correlación (Tabla 24), las variables relacionadas con el tamaño de la hoja y con el
peciolo de la misma forman un grupo altamente correlacionado, representado por el primer
componente. Las variables vinculadas con los agujeros de las hojas también conforman un grupo
con una alta correlación, reunidas por el componente tercero, con una dependencia de la variable
HA del primer componente, lo que por otro lado parece lógico, ya que cuanto mayores sean las
hojas, mayor tamaño tendrán también los agujeros de las mismas, cuando los tengan. El grupo
más disperso es el de las variables relacionadas con la forma de la hoja (Apartado 4.7), que
aparece separado en tres grupos, PPDA, BR e IR por un lado (segundo componente), La/Aa y Ad
por otro lado (cuarto componente) y Lm/Am y Ld por otro (quinto componente), además, no todos
ellos están bien separados y casi todos presentan saturaciones relevantes en más de un
componente. Finalmente, la variable SEF queda encuadrada tanto en el primero como en el
segundo componente.
Como complemento a todo lo
comentado, las representaciones en
1,0
planos de las variables iniciales en el PPDA
espacio rotado obtenido en el ACP
realizado, tomando como ejes los
componentes rotados de dos en dos 0,5
SEF
(Figuras 4 a 13; Anejo 2), muestran de

P
manera gráfica los agrupamientos de
Componente 2
La/Aa AD BA
Lm.Am
La.Aa
La
Lm
Am
NH LD Aa
SFa
TA
R
las variables para cada componente 0,0 HR
Lm/Am
HA MSpLp
MSl
rotado. La más explicativa de todas Grupo 1
ellas, en este caso, es la que tiene

como ejes los componentes rotados 1 -0,5
y 2 (Fig. 66).
A la vista todo lo dicho, y a modo de IR BR
conclusión, se puede resumir que el -1,0

-1,0 -0,5 0,0 0,5 1,0
componente 1 refleja el tamaño de la
Componente 1
hoja, el componente 2 muestra la
forma de la hoja, el componente 3 Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
resume las características de los Figura 66. Variables iniciales en el espacio en función de los
agujeros de las hojas, el componente 4 componentes rotados 1 y 2, cv. Airén, 2ª Campaña (1996).
recoge la simetría transversal de la
hoja y el componente 5 representa la simetría longitudinal de la misma.
Con los datos del cultivar Cabernet-Sauvignon se comprueba, en primer lugar, el nivel de
significación el test de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es 0,877,
muy cercano a 1; a la vista de estos resultados, se considera adecuado realizar el análisis de
componentes principales con los datos de que se dispone.
grupos de variables señalados y se han marcado en negrita aquellos valores comprendidos, en
valor absoluto, entre 1,00 y 0,70 y en cursiva los valores, en valor absoluto, incluidos en el
intervalo establecido entre 0,69 y 0,40.
de correlación, se observa una correlación muy alta y muy significativa (p 0,01) entre todas ellas,

con los siguientes valores extremos: r = 1,00 para TA-SFa y r = 0,90 para MSl-P.
En relación con la forma de la hoja, el grado de correlación entre las variables es bien distinto
al expuesto para el grupo anterior, con tan sólo cuatro de ellas altas o intermedias, en valor
absoluto, y elevada significación (p < 0,01): PPDA-IR (r = 0,97), BR-PPDA (r = -0,49), Ad-La/Aa (r
= -0,46) y BR-IR (r = 0,46). El signo negativo de las correlaciones implica que, cuanto mayor sea el
valor de la primera, menor será el de segunda, y viceversa, para un mismo individuo. Otro
conjunto de correlaciones dentro de este grupo de variables, aunque significativas (p < 0,01 ó p <
101
0,05), tienen valores bajos o muy bajos, en valor absoluto, muchas con signo negativo (SEF-BR,
SEF-Ld, SEF-Ad, IR-Ld, IR-Ad, Lm/Am-BR, Lm/Am-Ad, BR-Ld) y otras con signo positivo (SEF-
PPDA, La/Aa-Ld, PPDA-Ld). El resto de correlaciones entre las variables relacionadas con la
forma de la hoja son también bajas o muy bajas, en valor absoluto, y sin significación estadística.
tamaño, se observa que BR, Ld y Ad presentan unos coeficientes de correlación entre altos e
intermedios con todas ellas, en valor absoluto, con signo negativo en todos los casos, con valores
extremos para Ad-Aa (r = - 0,55) y BR-P (r = - 0,17) y una significación alta (p < 0,01). La variable
SEF tiene unos coeficientes de correlación intermedios, en valor absoluto, con todas las variables
relacionadas con el tamaño de la hoja, con signo negativo en todos los casos, con valores
extremos para SEF-MSl (r = - 0,60) y SEF-SFa, SEF-La.Aa, SEF-TA y SEF-BA (r = - 0,42) y una
significación alta (p < 0,01). Los coeficientes de correlación de las variables IR, La/Aa y Lm/Am
son bajos, en valor absoluto, con todas las variables de tamaño, con una significación alta (p <
0,01) en la mayoría de los casos, intermedia (p < 0,05) en otros (IR-SFa, IR-TA, IR-MSl, La/Aa-
SFa, La/Aa-Lm.Am, La/Aa-TA, La/Aa-BA, La/Aa-MSl, Lm/Am-P, Lm/Am-La, Lm/Am-Aa, Lm/Am-R,
Lm/Am-BA, Lm/Am-MSl) y sin significación en el resto (La/Aa-La, La/Aa-Lm), con los siguientes
valores extremos: r = - 0,32 (IR-P) y r = 0,02 (Lm/Am-Lm). Finalmente, los coeficientes de
correlación de PPDA con las variables de tamaño, tienen unos valores muy bajos y poco o nada
significativos, salvo con P.
En cuanto a los agujeros de las hojas, el coeficiente de correlación es alto y muy significativo (p
< 0,01) entre las tres variables de este grupo (HA-HR, r = 0,80; NH-HA, r = 0,63; NH-HR, r = 0,73).
Las correlaciones con las variables relacionadas con el tamaño de las hojas son altas para HA e
intermedias para NH y HR, con un alto nivel de significación en todos los casos (p < 0,01),
mientras que los valores de las correlaciones entre estas tres variables y las variables
relacionadas con la forma de las hojas son bajos o muy bajos.
Entre las dos variables relacionadas con el peciolo de la hoja, la correlación es muy elevada y
muy significativa (p 0,01), r = 0,90, del mismo modo que lo es la correlación entre estas dos

variables y todas las variables relacionadas con el tamaño de la hoja, con valores entre r = 0,95
(MSp-MSl) y r = 0,80 (MSp-P). Con las variables del grupo de la forma de la hoja Ad y SEF, los
coeficientes de correlación de las variables del peciolo son intermedios, en valor absoluto, con
signo negativo, y con elevada significación (p < 0,01) en ambos casos, bajos pero significativos (p
< 0,01 ó p < 0,05) con Ld, BR La/Aa y Lm/Am, estos dos últimos con signo negativo, y muy bajos y
poco o nada significativos para IR y PPDA. Para terminar, se observa que las correlaciones de las
dos variables del peciolo con las variables relacionadas con los agujeros de la hoja tienen unos
valores altos y elevada significación (p < 0,01) para HA e intermedios y también muy significativos
(p < 0,01) para HR y NH.
102
Tabla 29. Matriz de coeficientes de correlación de las variables iniciales, cv. Cabernet-Sauvignon, 2ª Campaña (1996).
SFa 1
P ,958** 1
La ,982** ,979** 1
Aa ,979** ,978** ,988** 1
Lm ,967** ,969** ,980** ,980** 1
Am ,973** ,968** ,981** ,976** ,981** 1
La.Aa ,995** ,961** ,986** ,984** ,966** ,969** 1
Lm.Am ,981** ,947** ,969** ,963** ,980** ,985** ,978** 1
R ,988** ,975** ,994** ,992** ,983** ,984** ,984** ,972** 1
TA 1,000** ,958** ,982** ,979** ,966** ,973** ,995** ,981** ,988** 1
BA ,997** ,962** ,983** ,978** ,969** ,973** ,995** ,983** ,986** ,998** 1
MSl ,944** ,904** ,928** ,923** ,935** ,940** ,940** ,957** ,932** ,944** ,944** 1
SEF -,419** -,427** -,444** -,444** -,475** -,459** -,418** -,448** -,443** -,418** -,419** -,597** 1
IR -,100* -,316** -,168** -,170** -,172** -,159** -,125** -,118** -,131** -,098* -,122** -,087* -,057 1
La/Aa -,115* -,137** -,072 -,212** -,140** -,120** -,121** -,103* -,134** -,112* -,109* -,104* ,044 ,072 1
Lm/Am -,125** -,100* -,102* -,090* -,018 -,196** -,111* -,122** -,111* -,127** -,116* -,114* -,020 -,049 -,027 1
BR ,243** ,168** ,227** ,229** ,195** ,226** ,215** ,197** ,256** ,243** ,192** ,219** -,195** ,456** -,010 -,180** 1
PPDA ,031 ,250** ,094* ,096* ,096* ,087* ,057 ,050 ,054 ,028 ,054 ,021 ,088* -,965** -,066 ,025 -,486** 1
Ld ,285** ,299** ,327** ,286** ,310** ,299** ,309** ,309** ,292** ,285** ,303** ,265** -,091* -,107* ,177** ,029 -,131** ,088* 1
Ad ,512** ,506** ,477** ,546** ,505** ,519** ,512** ,512** ,510** ,511** ,518** ,498** -,258** -,108* -,462** -,118* ,005 ,075 ,059 1
NH ,410** ,390** ,419** ,417** ,411** ,411** ,406** ,396** ,438** ,418** ,410** ,366** -,080 ,014 -,101* -,078 ,119** -,071 ,086* ,138** 1
HA ,760** ,698** ,754** ,726** ,722** ,747** ,761** ,754** ,758** ,771** ,767** ,714** -,274** ,015 ,045 -,173** ,172** -,083 ,227** ,340** ,627** 1
HR ,363** ,347** ,392** ,365** ,366** ,390** ,371** ,370** ,393** ,376** ,377** ,327** -,050 ,008 ,063 -,170** ,024 -,066 ,131** ,145** ,730** ,796** 1
MSp ,848** ,797** ,820** ,818** ,832** ,844** ,842** ,868** ,826** ,847** ,844** ,946** -,567** -,062 -,107* -,129** ,202** ,003 ,226** ,456** ,283** ,605** ,237** 1
Lp ,924** ,912** ,924** ,932** ,932** ,935** ,917** ,925** ,933** ,922** ,917** ,933** -,533** -,117* -,184** -,108* ,265** ,044 ,242** ,514** ,349** ,651** ,283** ,904** 1
103
Tabla 30. Varianza de las variables explicada por el Tras realizar el ACP, se observa que el modelo
modelo factorial obtenido (comunalidades), cv. factorial resultante explica un alto porcentaje de la
Cabernet-Sauvignon, 2ª Campaña (1996). varianza para las variables relacionadas con el
Variables Inicial Extracción Variables Inicial Extracción tamaño de la hoja, con el peciolo y con los
SFa 1,000 ,977 SEF 1,000 ,429 agujeros de la misma, lo que se manifiesta con
P 1,000 ,971 IR 1,000 ,915 valores cercanos a 1 de la varianza explicada de
La 1,000 ,979 La/Aa 1,000 ,810 las variables en la extracción (comunalidades)
Aa 1,000 ,977 Lm/Am 1,000 ,890 (Tabla 30). Para algunas de las variables
Lm 1,000 ,975 BR 1,000 ,605 relacionadas con la forma de la hoja, como SEF,
Am 1,000 ,981 PPDA 1,000 ,929 BR, Ld y Ad, la varianza queda poco explicada,
La.Aa 1,000 ,974 Ld 1,000 ,451 mientras que para el resto, IR, La/Aa, Lm/Am,
Lm.Am 1,000 ,972 Ad 1,000 ,624 PPDA, el porcentaje es mayor. En consecuencia,
R 1,000 ,981 NH 1,000 ,782 ya se puede adelantar que el modelo factorial
TA 1,000 ,978 HA 1,000 ,886 obtenido será útil, fundamentalmente, para todas
BA 1,000 ,976 HR 1,000 ,886 las variables relacionadas con el tamaño, con el
MSl 1,000 ,945 MSp 1,000 ,807 peciolo y con los agujeros de la hoja y para
Lp 1,000 ,922 algunas de las variables relacionadas con la forma
Método de extracción: Análisis de Componentes Principales. Abreviaturas (IR, La/Aa, Lm/Am y PPDA) y con ciertos reparos
abreviaturas.
para el resto.
En este ACP concreto, se han extraído cinco
factores o componentes, aquellos cuyos valores iniciales de la varianza explicada (autovalores)
son mayores que 1, que acumulan un porcentaje de la varianza explicada muy alto, 86,49% (Tabla
31).
Tabla 31. Varianza total explicada por las componentes, cv. Cabernet-Sauvignon, 2ª Campaña (1996).
Componente
Total Total Total
1 14,975 59,900 59,900 14,975 59,900 59,900 14,175 56,701 56,701

2 2,461 9,844 69,744 2,461 9,844 69,744 2,500 10,001 66,702
3 1,785 7,141 76,885 1,785 7,141 76,885 2,414 9,657 76,359
4 1,368 5,471 82,356 1,368 5,471 82,356 1,439 5,758 82,117
5 1,035 4,138 86,494 1,035 4,138 86,494 1,094 4,378 86,494
6 ,844 3,376 89,870
7 ,760 3,038 92,908
8 ,567 2,267 95,175
9 ,405 1,619 96,794
10 ,271 1,085 97,880
11 ,234 ,935 98,815
12 ,105 ,419 99,233
13 ,060 ,239 99,472
14 ,049 ,195 99,667
15 ,031 ,123 99,790
16 ,021 ,084 99,874
17 ,011 ,045 99,918
18 ,010 ,041 99,960
19 ,005 ,020 99,980
20 ,002 ,010 99,989
21 ,001 ,005 99,994
22 ,001 ,003 99,997
23 ,000 ,002 99,999
24 ,000 ,001 100,000
25 ,000 ,000 100,000
104
Cabernet-Sauvignon, 2ª Campaña (1996). calculado la matriz de componentes, que contiene
1 2 3 4 5
R ,990 ,003 -,014 ,011 ,000
TA ,988 ,024 -,020 ,026 -,017
BA ,987 -,013 -,012 ,035 -,003
Sfa ,987 ,019 -,033 ,027 -,019
Am ,987 -,024 -,016 ,015 -,083
La.Aa ,986 -,011 -,021 ,034 -,004
La ,986 -,034 ,008 ,077 -,012
Aa ,985 -,050 -,052 -,040 ,023
Lm.Am ,984 -,007 -,031 ,051 -,010
tamaño de la hoja, todas las del peciolo y la
Lm ,980 -,058 -,043 ,043 ,081
variable HA, que saturan en un único
P ,968 -,182 -,013 ,018 -,040 componente, salvo esta última que también tiene
MSl ,962 ,030 -,120 ,069 ,003 una saturación importante en el componente
Lp ,946 ,003 -,166 ,002 -,009 tercero; se puede decir, por tanto, que este primer
MSp ,872 ,036 -,196 ,076 -,031 componente refleja el tamaño de la hoja. El
HA ,786 ,207 ,472 -,047 ,033 segundo componente, agrupa a las variables
Ad ,539 -,131 -,245 -,503 ,049 PPDA, BR e IR, todas ellas relacionadas con la
SEF -,486 -,126 ,370 -,159 -,123 forma de la hoja. Por su parte, el tercer
PPDA ,062 -,938 ,127 -,029 -,165 componente se define por las variables NH y HR,
IR -,136 ,926 -,148 ,031 ,130 relacionadas con los agujeros de las hojas,
BR ,228 ,665 -,243 -,022 -,228 aunque ambas tienen también una saturación
HR ,426 ,210 ,785 -,191 ,086 significativa en el primer componente. Para el
NH ,456 ,212 ,638 -,286 ,199 cuarto componente tienen unas saturaciones altas
La/Aa -,138 ,133 ,322 ,788 -,222 otras dos variables relacionadas con la forma de
Ld ,304 -,163 ,177 ,530 ,138 la hoja, La/Aa y Ld, aunque también tiene
Lm/Am -,132 -,169 -,142 ,194 ,887
Tabla 33. Matriz de componentes rotados, cv.
Método de extracción: Análisis de Componentes Principales. Abreviaturas Cabernet-Sauvignon, 2ª Campaña (1996)
abreviaturas. Componente
1 2 3 4 5
saturaciones substanciales en alguno de los otros
componentes. Por último, el quinto componente, Lm.Am ,967 ,189 -,009 -,005 ,033
recoge a una sola variable, Lm/Am. Las variables SFa ,966 ,199 ,016 -,025 ,049
Ad y SEF, por otro lado, tienen saturaciones Lm ,966 ,187 -,048 -,032 -,061
destacables en más de un componente, Ad en el La ,965 ,210 -,043 ,031 ,031
La.Aa ,965 ,204 -,015 -,019 ,031
primero y el cuarto y SEF en el primero y en el
BA ,964 ,211 -,019 -,015 ,031
tercero.
R ,964 ,221 -,003 -,037 ,034
Al realizar la rotación de los componentes MSl ,964 ,110 ,051 -,017 ,010
extraídos, en su correspondiente matriz de TA ,964 ,212 ,017 -,022 ,050
componentes de la Tabla nº 33, donde se ha Am ,964 ,196 -,036 -,025 ,110
mantenido el criterio de la Tabla nº 32 para Aa ,962 ,195 -,045 -,104 ,011
marcar los valores de las saturaciones, se Lp ,952 ,078 ,032 -,094 ,026
observa una mejoría para los componentes 2 a 5. P ,951 ,167 -,185 -,035 ,049
Concretamente, las saturaciones mejoran MSp ,894 ,015 ,073 -,028 ,031
ligeramente para las tres variables agrupadas en SEF -,560 ,206 -,220 ,008 ,159
el segundo componente, PPDA, BR e IR. Todas HR ,216 ,910 ,013 ,072 ,082
las variables relacionadas con los agujeros de las NH ,262 ,838 ,056 -,083 -,025
hojas quedan ahora reunidas por el tercer HA ,648 ,666 ,081 ,091 ,084
componente, aunque HA sigue teniendo un peso PPDA ,074 -,096 -,953 -,021 ,075
importante en el primer componente. En cuanto al IR -,140 ,050 ,943 ,023 -,048
cuarto componente, también se incrementan las BR ,243 -,056 ,680 -,041 ,282
saturaciones de La/Aa y Ad, conservando Ad una La/Aa -,107 ,002 ,063 ,884 ,112
dependencia del componente primero, aunque en Ad ,517 ,044 -,088 -,588 ,026
menor medida, pero Ld empeora, ya que pierde Ld ,327 ,064 -,174 ,510 -,221
dependencia del cuarto componente y la aumenta Lm/Am -,081 -,077 -,051 ,006 -,936
para el primero y el quinto. Finalmente, para el Método de extracción: Análisis de Componentes Principales. Método de
componente quinto se observa una mejoría de la rotación: Normalización Varimax con Kaiser. La rotación ha convergido en 5
saturación de Lm/Am. La situación de la variable unidades: consultar listado de abreviaturas.
105
SEF, por su parte, mejora discretamente con la rotación, aumentando la saturación en el primer
componente y disminuyendo en el tercero.
con una alta correlación, reunidas por el componente tercero, con una dependencia de la variable
HA del primer componente, lo que por otro lado parece lógico, ya que cuanto mayores sean las
hojas, mayor tamaño tendrán los agujeros de las mismas, cuando los tengan. El grupo más
disperso es el de las variables relacionadas con la forma de la hoja (Apartado 4.7), que aparece
separado en varios conjuntos, PPDA, BR e IR por un lado (segundo componente), La/Aa y Ad por
otro lado (cuarto componente) y Lm/Am por otro (quinto componente); además, no todos ellos
están bien separados y casi todos presentan saturaciones relevantes en más de un componente.
La variable Ld aparece encuadrada tanto en el primero como en el segundo componente.
Finalmente, la variable SEF tiene una dependencia importante en el primer componente, de menor
valor que las del resto de variables incluidas en él, y pesos relevantes en los componentes
segundo y tercero.
planos de las variables iniciales en el 1,0
HR
espacio rotado obtenido en el ACP NH
realizado, tomando como ejes los HA
componentes rotados de dos en dos 0,5
(Figuras 14 a 23; Anejo 2), muestran Grupo 1

R
TA
BA
La
de manera gráfica los agrupamientos SEF La.Aa
SFa
Am
Aa
Componente 2
Lm.Am
Lm
P
MSl
Lp
IR Ld
de las variables para cada componente 0,0 La/Aa
Lm/Am PPDA BR
Ad MSp
rotado. La más explicativa de todas

ellas, en este caso, es la que tiene
como ejes los componentes rotados 1 -0,5
y 2 (Fig. 67).
A la vista todo lo dicho, y a modo de
conclusión, se puede resumir que el -1,0
-1,0 -0,5 0,0 0,5 1,0
componente 1 refleja el tamaño de la Componente 1
hoja, el componente 2 muestra la
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, Lp
forma de la misma, el componente 3
resume las características de los
agujeros de las hojas, el componente 4 Figura 67. Variables iniciales en el espacio en función de los
recoge la simetría transversal de la componentes rotados 1 y 2, cv. Cabernet-Sauvignon, 2ª Campaña
(1996).
hoja y el componente 5 representa el
cociente Lm/Am.
Con los datos del cultivar Cencibel de las segunda campaña se comprueba, en primer lugar, el
nivel de significación el test de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es
0,868, muy cercano a 1; a la vista de estos resultados, se considera adecuado realizar el análisis
de componentes principales con los datos de que se dispone.
variables de cada grupo (Apartado 4.7) y entre las variables de los diferentes grupos. Para facilitar
grupos de variables señalados y se han puesto en negrita aquellos valores comprendidos, en valor
absoluto, entre 1,00 y 0,70 y en cursiva los valores, en valor absoluto, incluidos en el intervalo
establecido entre 0,69 y 0,40.
al expuesto para el grupo anterior, con tan sólo uno de ellas altas, en valor absoluto, y elevada
significación (p < 0,01), PPDA-IR (r = - 0,93). Otro conjunto de correlaciones dentro de este grupo
106
de variables, aunque significativas (p < 0,01), presentan valores más bajos, en valor absoluto; son
concretamente BR-PPDA (r = -0,41), Ad-La/Aa (r = -0,37), BR-IR (r = 0,35), Ld-La/Aa (r = 0,31),
Ld-Lm/Am (r = 0,29) y BR-SEF (r = -0,28). El signo negativo de las correlaciones implica que,
cuanto mayor sea el valor de la primera, menor será el de segunda, y viceversa, para un mismo
individuo. Un tercer grupo de correlaciones dentro de este grupo de variables, aunque
significativas (p < 0,01 ó p < 0,05), tienen valores bajos o muy bajos, en valor absoluto, muchas
con signo negativo (SEF-Lm/Am, SEF-Ld, SEF-Ad, IR-Ld, IR-Ad, La/Aa-BR, BR-Ld) y otras con
signo positivo (PPDA-Ld, PPDA-Ad, PPDA-SEF). El resto de correlaciones, son también bajas o
muy bajas, en valor absoluto, y sin significación estadística.
tamaño, SEF, IR, PPDA, Ld y Ad presentan unos coeficientes de correlación entre intermedios con
todas, en valor absoluto, con signo negativo en todos los casos, con valores extremos para IR-P y
SEF-MSl (r = - 0,59) y PPDA-SFa y PPDA-TA (r = - 0,31) y una significación alta (p < 0,01). Por su
lado, la variable Lm/Am tiene unos coeficientes bajos con este grupo de variables, con una
elevada significación (p < 0,01). La variable BR presenta igualmente correlaciones bajas con las
variables de tamaño, significativas en su mayoría (p < 0,01 ó p < 0,05). Finalmente, los
coeficientes de correlación de La/Aa con las variables de tamaño, tienen unos valores muy bajos y
poco o nada significativos, salvo con Aa.
En cuanto a los agujeros de las hojas, el coeficiente de correlación es alto y muy significativo (p
< 0,01) entre las tres variables de este grupo (HA-HR, r = 0,75; NH-HA, r = 0,59; NH-HR, r = 0,60).
La correlación con las variables relacionadas con el tamaño de las hojas es moderada para HA y
baja para NH y HR, con un alto nivel de significación en todos los casos (p < 0,01), mientras que
los valores de las correlaciones entre estas tres variables y las variables relacionadas con la forma
de las hojas son en general bajos, salvo HA con SEF, IR, PPDA y Ld, HR con SEF y HR con SEF,
IR y PPDA, que presenta unos valores algo mayores.
muy significativa (p 0,01), r = 0,94, del mismo modo que lo es con todas las variables
relacionadas con el tamaño de la hoja, con valores entre r = 0,94 (Lp-R) y r = 0,83 (MSp-P). Con
peciolo son altos, en valor absoluto, con signo negativo y con elevada significación (p < 0,01) con
SEF, moderados pero muy significativos (p < 0,01) con IR, Lm/Am, BR, PPDA, Ld y Ad y muy
bajos y sin significación con La/Aa. Para terminar, se observa que las correlaciones de las dos
variables del peciolo con las variables relacionadas con los agujeros tienen unos valores
intermedios para HA y NH y bajos para HR, en todos los casos con una elevada significación (p <
0,01).
107
Tabla 34. Matriz de coeficientes de correlación de las variables iniciales, cv. Cencibel, 2ª Campaña (1996).
SFa 1
P ,958** 1
La ,982** ,971** 1
Aa ,977** ,969** ,989** 1
Lm ,970** ,959** ,984** ,981** 1
Am ,969** ,964** ,979** ,978** ,984** 1
La.Aa ,993** ,963** ,985** ,980** ,968** ,964** 1
Lm.Am ,979** ,951** ,967** ,961** ,980** ,981** ,978** 1
R ,985** ,965** ,993** ,993** ,985** ,982** ,978** ,965** 1
TA 1,000** ,959** ,982** ,977** ,970** ,969** ,993** ,979** ,985** 1
BA ,996** ,965** ,984** ,978** ,973** ,970** ,995** ,982** ,982** ,996** 1
MSl ,958** ,908** ,935** ,927** ,940** ,938** ,946** ,959** ,940** ,959** ,952** 1
SEF -,440** -,397** -,457** -,459** -,512** -,497** -,426** -,479** -,471** -,443** -,430** -,591** 1
IR -,404** -,591** -,441** -,435** -,431** -,445** -,432** -,430** -,406** -,405** -,431** -,362** -,030 1
La/Aa -,025 -,038 ,008 -,132** -,040 -,049 -,026 -,011 -,063 -,027 -,017 -,006 ,062 -,047 1
Lm/Am ,237** ,219** ,269** ,262** ,324** ,166** ,246** ,225** ,261** ,235** ,242** ,238** -,198** -,056 ,017 1
BR ,157** ,065 ,121** ,138** ,118* ,128** ,102* ,096* ,175** ,157** ,086* ,168** -,280** ,347** -,158** ,006 1
PPDA ,305** ,513** ,337** ,329** ,323** ,340** ,338** ,335** ,298** ,307** ,336** ,267** ,133** -,934** ,068 ,015 -,408** 1
Ld ,413** ,381** ,455** ,390** ,430** ,388** ,438** ,421** ,403** ,410** ,433** ,406** -,184** -,139** ,314** ,292** -,125** ,119** 1
Ad ,368** ,377** ,361** ,423** ,373** ,387** ,375** ,361** ,386** ,369** ,375** ,332** -,141** -,183** -,369** ,023 -,020 ,125** ,031 1
NH ,389** ,412** ,423** ,438** ,426** ,429** ,376** ,374** ,447** ,394** ,386** ,415** -,299** -,199** -,118* ,153** ,112* ,131** ,095* ,210** 1
HA ,682** ,705** ,680** ,691** ,678** ,702** ,675** ,681** ,696** ,692** ,686** ,719** -,420** -,363** -,090* ,079 ,122** ,303** ,113* ,285** ,586** 1
HR ,211** ,288** ,245** ,262** ,256** ,278** ,210** ,225** ,261** ,221** ,220** ,256** -,222** -,284** -,130** ,022 ,029 ,249** -,078 ,127** ,597** ,752** 1
MSp ,893** ,824** ,854** ,851** ,857** ,850** ,877** ,880** ,864** ,895** ,883** ,929** -,514** -,304** -,021 ,225** ,169** ,219** ,357** ,335** ,402** ,694** ,240** 1
Lp ,940** ,902** ,929** ,932** ,932** ,924** ,925** ,922** ,941** ,940** ,932** ,927** -,503** -,361** -,064 ,259** ,186** ,260** ,371** ,390** ,423** ,685** ,246** ,944** 1

108
modelo factorial obtenido (comunalidades), cv. factorial resultante explica un alto porcentaje de la
Cencibel, 2ª Campaña (1996). varianza para las variables relacionadas con el
Variables Inicial Extracción Variables Inicial Extracción tamaño de la hoja, con el pecíolo, con los agujeros
SFa 1,000 ,986 SEF 1,000 ,522 de la misma y algunas de las variables
P 1,000 ,977 IR 1,000 ,868 relacionadas con la forma de la hoja (IR, La/Aa,
La 1,000 ,979 La/Aa 1,000 ,778 Lm/Am y PPDA), lo que se manifiesta con valores
Aa 1,000 ,979 Lm/Am 1,000 ,818 cercanos a 1 para los valores de la varianza
Lm 1,000 ,977 BR 1,000 ,605 explicada de la variables en la extracción
Am 1,000 ,972 PPDA 1,000 ,887 (comunalidades) (Tabla 35). Para el resto de las
La.Aa 1,000 ,980 Ld 1,000 ,628 variables relacionadas con la forma de la hoja,
Lm.Am 1,000 ,971 Ad 1,000 ,645 como SEF, BR, Ld y Ad, la varianza queda peor
R 1,000 ,980 NH 1,000 ,686 explicada. En consecuencia, ya se puede
TA 1,000 ,987 HA 1,000 ,876 adelantar que el modelo factorial obtenido será útil,
BA 1,000 ,985 HR 1,000 ,882 fundamentalmente, para todas las variables
MSl 1,000 ,949 MSp 1,000 ,836 relacionadas con el tamaño, con el peciolo y con
Lp 1,000 ,921 los agujeros de la hoja y para algunas de las
Método de extracción: Análisis de Componentes Principales. Abreviaturas variables relacionadas con la forma (IR, La/Aa,
abreviaturas.
Lm/Am y PPDA) y con ciertos reparos para el
resto.
En este ACP concreto, se han extraído cinco factores o componentes, aquellos cuyos valores
iniciales de la varianza explicada (autovalores) son mayores que 1, que acumulan un porcentaje
de la varianza explicada muy alto, 86,70% (Tabla 36).
Tabla 36. Varianza total explicada por las componentes, cv. Cencibel, 2ª Campaña (1996).
Componente
Total Total Total
1 15,175 60,698 60,698 15,175 60,698 60,698 14,120 56,478 56,478

2 2,245 8,980 69,678 2,245 8,980 69,678 2,457 9,827 66,305
3 1,925 7,700 77,378 1,925 7,700 77,378 2,329 9,317 75,622
4 1,330 5,319 82,696 1,330 5,319 82,696 1,480 5,921 81,543
5 1,002 4,007 86,703 1,002 4,007 86,703 1,290 5,160 86,703
6 ,748 2,992 89,695
7 ,622 2,486 92,181
8 ,482 1,927 94,108
9 ,472 1,888 95,996
10 ,409 1,636 97,632
11 ,264 1,057 98,689
12 ,100 ,402 99,091
13 ,067 ,268 99,359
14 ,055 ,222 99,581
15 ,044 ,178 99,759
16 ,020 ,078 99,837
17 ,019 ,075 99,912
18 ,009 ,035 99,947
19 ,007 ,029 99,976
20 ,002 ,009 99,985
21 ,002 ,007 99,991
22 ,001 ,005 99,996
23 ,001 ,003 99,999
24 ,000 ,001 100,000
25 ,000 ,000 100,000
109
Cencibel, 2ª Campaña (1996). calculado la matriz de componentes, que contiene
1 2 3 4 5
R ,987 ,061 ,038 -,043 -,012
TA ,985 ,047 ,086 -,055 -,060
La ,985 ,005 ,096 -,006 -,014
BA ,985 -,002 ,104 -,055 -,035
Lm ,984 ,032 ,072 -,010 ,048
SFa ,984 ,048 ,096 -,061 -,059
Aa ,984 ,028 ,013 -,100 ,029
La.Aa ,981 ,002 ,111 -,066 -,031
Am ,980 ,012 ,019 -,053 -,084
tamaño de la hoja, todas las del peciolo y la
Lm.Am ,978 ,010 ,098 -,042 -,057
variable HA, que saturan en un único
P ,973 -,155 ,019 -,060 -,042 componente, salvo esta última que también tiene
MSl ,964 ,109 ,050 ,040 -,061 una saturación importante en el componente
Lp ,952 ,109 ,025 -,036 -,010 tercero. Se puede decir, por tanto, que este primer
MSp ,902 ,136 ,026 ,024 -,055 componente refleja el tamaño de la hoja. El
HA ,749 -,036 -,490 ,251 -,103 segundo componente, agrupa a las variables
SEF -,503 -,451 ,099 -,232 -,046 PPDA, BR e IR, todas relacionadas con la forma
PPDA ,366 -,863 -,070 -,042 -,030 de la hoja. Por su parte, el tercer componente se
IR -,467 ,800 ,089 ,044 ,013 define por la variable HR, relacionada con los
BR ,123 ,706 -,160 -,005 -,257 agujeros de las hojas, aunque también tiene unas
HR ,320 -,155 -,757 ,427 ,030 saturaciones significativas en los componentes
Ld ,417 -,054 ,557 ,300 ,224 primero y cuarto. El cuarto componente tiene unas
NH ,472 ,038 -,540 ,367 ,190 saturaciones altas para otras dos de las variables
La/Aa -,048 -,201 ,522 ,604 -,315 relacionadas con la forma de la hoja, La/Aa y Ad,
Ad ,400 ,004 -,260 -,573 ,300 aunque ambas presentan saturaciones
Lm/Am ,262 ,103 ,230 ,268 ,783
Tabla 38. Matriz de componentes rotados, cv.
Método de extracción: Análisis de Componentes Principales. Abreviaturas Cencibel, 2ª Campaña (1996)
abreviaturas. Componente
1 2 3 4 5
substanciales en alguno de los otros
componentes. Por último, el quinto componente, SFa ,983 ,113 ,044 ,047 ,066
recoge a una sola variable, Lm/Am. Las variables TA ,981 ,123 ,044 ,047 ,064
NH, Ld, y SEF, por su parte, tienen saturaciones BA ,976 ,113 ,095 ,044 ,088
destacables en más de un componente, NH en el La.Aa ,975 ,102 ,093 ,050 ,090
Lm.Am ,972 ,122 ,079 ,028 ,071
primero y tercero, Ld en el primero y en el tercero
La ,967 ,149 ,086 ,020 ,119
y SEF en el primero y en el segundo.
R ,966 ,172 ,033 ,083 ,096
Al realizar la rotación de los componentes Am ,965 ,177 ,074 ,063 ,018
extraídos, en su correspondiente matriz de Aa ,956 ,164 ,073 ,151 ,103
componentes de la Tabla nº 38, donde se ha Lm ,955 ,168 ,065 ,063 ,168
mantenido el criterio de la Tabla nº 37 para MSl ,950 ,197 -,029 -,003 ,083
marcar los valores de las saturaciones, se P ,938 ,182 ,242 ,068 ,039
observa un cambio para los componentes 2 a 5. Lp ,934 ,176 -,019 ,087 ,096
Concretamente, las saturaciones mejoran MSp ,889 ,193 -,060 ,022 ,071
ligeramente para las tres variables agrupadas en SEF -,472 -,308 ,419 ,028 -,168
el segundo componente, PPDA, BR e IR, aunque HR ,102 ,921 ,126 ,052 -,067
tras la rotación quedan encuadradas en el tercer NH ,286 ,755 -,023 ,093 ,158
componente. Por su parte, todas las variables HA ,613 ,697 ,057 ,045 -,098
relacionadas con los agujeros de las hojas PPDA ,272 ,152 ,883 -,015 -,094
quedan ahora reunidas por el segundo IR -,369 -,188 -,832 -,016 ,070
componente, aunque HA sigue teniendo un peso BR ,189 ,103 -,715 ,057 -,211
importante en el primer componente. En cuanto al La/Aa ,020 -,107 ,120 -,865 ,054
cuarto componente, también se incrementan las Ad ,350 ,005 ,108 ,713 ,048
saturaciones de La/Aa y Ad, conservando Ad una Lm/Am ,156 ,081 -,016 ,044 ,886
dependencia del componente primero, aunque en Ld ,435 -,161 ,101 -,377 ,510
menor medida. Finalmente, para el componente Método de extracción: Análisis de Componentes Principales. Método de
quinto se observa una mejoría de la saturación de rotación: Normalización Varimax con Kaiser. La rotación ha convergido en 5
Lm/Am y la variable Ld pasa a tener una unidades: consultar listado de abreviaturas.
110
saturación relevante en este componente, aun cuando tenga saturaciones importantes en los
componentes primero y cuarto. La situación de la variable SEF, por su parte, mejora discretamente
con la rotación, aumentando la saturación en el primer componente y disminuyendo en el tercero.
De todo ello, se puede concluir que las variables relacionadas con el tamaño de la hoja y con el
con una alta correlación, reunidas por el componente segundo, con una dependencia de la
variable HA del primer componente, lo que por otro lado parece lógico, ya que cuanto mayores
sean las hojas, mayor tamaño tendrán los agujeros de las mismas, cuando los tengan. El grupo
más disperso es el de las variables relacionadas con la forma de la hoja (Apartado 4.7), que
aparece separado en tres grupos, PPDA, BR e IR por un lado (tercer componente), La/Aa y Ad por
otro lado (cuarto componente) y Lm/Am y Ld por otro (quinto componente), además, no todos ellos
están bien separados y casi todos presentan saturaciones relevantes en más de un componente.
Finalmente, la variable SEF tiene una dependencia importante en el primer componente, de menor
valor que las del resto de variables incluidas en ese componente, y pesos relevantes en los
componentes segundo y tercero.
espacio rotado obtenido en el ACP HR
realizado, tomando como ejes los NH

HA
componentes rotados de dos en dos
(Figuras 24 a 33; Anejo 2), muestran 0,5
de manera gráfica los agrupamientos Grupo 1

de las variables para cada componente MSp MSl
Componente 2
PPDA P
LpAm
LmR
Aa
La
BR TA
Lm.Am
SFa
BA
La.Aa
rotado. La más explicativa de todas 0,0
Lm/Am
Ad
ellas, en este caso, es la que tiene IR

La/Aa
Ld
como ejes los componentes rotados 1 SEF
y 2 (Fig. 68). -0,5
conclusión, se puede resumir que el
componente 1 refleja el tamaño de la
-1,0
hoja, el componente 2 resume las -1,0 -0,5 0,0 0,5 1,0
características de los agujeros de las Componente 1
hojas, el componente 3 muestra la Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
forma de la hoja, el componente 4 Figura 68. Variables iniciales en el espacio en función de los
recoge la simetría transversal de la componentes rotados 1 y 2, cv. Cencibel, 2ª Campaña (1996).
hoja y el componente 5 representa la
simetría longitudinal.
Con los datos del cultivar Garnacha se comprueba, en primer lugar, el nivel de significación el
test de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es 0,872, muy cercano a 1;
a la vista de estos resultados, se considera adecuado realizar el análisis de componentes
principales con los datos de que se dispone.
al expuesto para el grupo anterior, con tan sólo cuatro de ellas altas, en valor absoluto, y elevada
significación (p < 0,01): PPDA-IR (r = - 0,97), PPDA-BR (r = -0,59), BR-IR (r = 0,54) y Ad-La/Aa (r
= -0,46). El signo negativo de las correlaciones implica que, cuanto mayor sea el valor de la
111
primera, menor será el de segunda, y viceversa, para un mismo individuo. Otro grupo de
correlaciones dentro de este grupo de variables, aunque significativas en su mayoría (p < 0,01 ó p
< 0,05), tienen valores bajos o muy bajos, en valor absoluto, muchas con signo negativo (SEF-IR,
SEF-BR, SEF-Ld, SEF-Ad, IR-Lm/Am, IR-Ld, IR-Ad, La/Aa-Lm/Am, La/Aa-PPDA, Lm/Am-BR, BR-
Ld,) y otras con signo positivo (SEF-Lm/Am, SEF-PPDA, IR-La/Aa, La/Aa-Ld, Lm/Am-PPDA,
PPDA-Ld, PPDA-Ad,). El resto de correlaciones (SEF-La/Aa, La/Aa-BR, Lm/Am-Ld, Lm/Am-Ad,
BR-Ad, Ld-Ad), son también bajas o muy bajas y sin significación estadística.
tamaño, IR, PPDA y Ad presentan unos coeficientes de correlación entre altos e intermedios con
todas, en valor absoluto, con signo negativo para IR con todas, con valores extremos, en valor
absoluto, para IR-P (r = - 0,68) e PPDA-MSl (r = - 0,40) y una significación alta (p < 0,01). Las
variables SEF y Ld, por su parte, tienen unos coeficientes de correlación intermedios en valor
absoluto con todas las variables de tamaño, de signo negativo para SEF, con una elevada
significación (p < 0,01) y los siguientes valores extremos, en valor absoluto: r = - 0,54 (SEF-MSl) y
r = 0,31 (Ld-P y Ld-Aa). Por su lado, la variable La/Aa tiene unos coeficientes bajos con este grupo
de variables, con signo negativo y una elevada significación (p < 0,01). Finalmente, los
coeficientes de correlación de Lm/Am y BR con las variables de tamaño, tienen unos valores muy
bajos y nada significativos, salvo para Lm/Am-Am que sí tiene significación (p < 0,01).
En cuanto a los agujeros de las hojas, el coeficiente de correlación es muy significativo (p <
0,01) entre las tres variables de este grupo con los valores altos para HA-HR (r = 0,95) e
intermedios para NH-HA (r = 0,43) y NH-HR (r = 0,60). La correlación con las variables
relacionadas con el tamaño de las hojas es intermedia para HA y baja para NH y HR y significativa
en todos los casos (p < 0,01 ó p < 0,05), mientras que los valores de las correlaciones entre estas
tres variables y las variables relacionadas con la forma de las hojas son muy bajos y nada
significativos, salvo para NH con SEF, IR, BR, PPDA y Ad, para HA con Ad y para HR con IR, BR,
PPDA y Ad, que siguen siendo bajos, pero significativos (p < 0,01 ó p < 0,05).
relacionadas con el tamaño de la hoja, con valores entre r = 0,94 (Lp-R) y r = 0,87 (MSp-P). Con
peciolo son entre altos e intermedios, en valor absoluto, y elevada significación (p < 0,01) con
PPDA, Ld, Ad, SEF e IR, los dos últimos con signo negativo, bajos pero muy significativos (p <
0,01) con La/Aa y muy bajos y nada significativos para Lm/Am y BR. Para terminar, se observa
que las correlaciones de las dos variables del peciolo con las variables relacionadas con los
agujeros tiene unos valores bajos y con elevada significación (p < 0,01) para HA y HR y muy bajos
y sin significación para NH.
112
Tabla 39. Matriz de coeficientes de correlación de las variables iniciales, cv. Garnacha, 2ª Campaña (1996).
SFa 1
P ,976** 1
La ,981** ,986** 1
Aa ,980** ,986** ,991** 1
Lm ,976** ,985** ,988** ,991** 1
Am ,973** ,977** ,984** ,982** ,980** 1
La.Aa ,995** ,977** ,984** ,984** ,976** ,969** 1
Lm.Am ,990** ,974** ,976** ,976** ,980** ,983** ,988** 1
R ,986** ,986** ,995** ,995** ,991** ,987** ,982** ,979** 1
TA 1,000** ,975** ,981** ,980** ,976** ,973** ,995** ,990** ,986** 1
BA ,997** ,981** ,983** ,982** ,980** ,973** ,996** ,991** ,985** ,997** 1
MSl ,952** ,913** ,931** ,931** ,930** ,934** ,947** ,952** ,936** ,952** ,948** 1
SEF -,373** -,331** -,387** -,385** -,384** -,409** -,369** -,385** -,394** -,373** -,367** -,541** 1
IR -,560** -,681** -,595** -,600** -,609** -,586** -,578** -,578** -,580** -,559** -,584** -,476** -,163** 1
La/Aa -,157** -,178** -,120** -,243** -,191** -,159** -,162** -,161** -,175** -,157** -,159** -,158** ,032 ,174** 1
Lm/Am -,040 -,024 -,047 -,026 ,027 -,157** -,024 -,064 -,050 -,040 -,025 -,070 ,209** -,120** -,160** 1
BR ,039 -,059 ,003 -,002 -,026 ,013 ,000 -,007 ,032 ,039 -,019 ,063 -,303** ,545** ,034 -,259** 1
PPDA ,489** ,620** ,521** ,525** ,535** ,513** ,512** ,514** ,500** ,489** ,519** ,405** ,183** -,969** -,133** ,104* -,593** 1
Ld ,317** ,313** ,339** ,311** ,326** ,322** ,329** ,330** ,316** ,317** ,325** ,330** -,151** -,185** ,135** ,022 -,102* ,172** 1
Ad ,525** ,537** ,508** ,565** ,534** ,542** ,521** ,527** ,541** ,525** ,532** ,509** -,191** -,358** -,456** -,065 -,077 ,305** ,083 1
NH ,096* ,147** ,105* ,104* ,106* ,108* ,100* ,103* ,101* ,098* ,110* ,032 ,205** -,331** -,002 ,000 -,284** ,371** ,035 ,133** 1
HA ,252** ,215** ,235** ,241** ,228** ,244** ,250** ,249** ,245** ,256** ,251** ,256** -,082 -,066 -,058 -,073 ,016 ,063 ,046 ,235** ,432** 1
HR ,174** ,160** ,166** ,168** ,160** ,176** ,174** ,176** ,171** ,178** ,178** ,173** ,009 -,133** -,021 -,063 -,103* ,148** ,045 ,197** ,598** ,946** 1
MSp ,914** ,868** ,878** ,877** ,875** ,875** ,909** ,910** ,882** ,914** ,911** ,931** -,429** -,475** -,136** -,039 ,025 ,412** ,304** ,472** ,004 ,223** ,151** 1
Lp ,929** ,924** ,930** ,934** ,931** ,924** ,927** ,926** ,935** ,929** ,929** ,908** -,419** -,555** -,186** -,022 -,004 ,483** ,299** ,518** ,029 ,204** ,139** ,945** 1

113
modelo factorial obtenido (comunalidades), cv.
Garnacha, 2ª Campaña (1996).
factorial resultante explica un alto porcentaje de la
varianza para las variables relacionadas con el
Variables Inicial Extracción Variables Inicial Extracción
tamaño de la hoja, con el peciolo y con los
SFa 1,000 ,982 SEF 1,000 ,547 agujeros de la misma, lo que se manifiesta con
P 1,000 ,983 IR 1,000 ,901 cuantías cercanas a 1 para los valores de la
La 1,000 ,980 La/Aa 1,000 ,791
varianza explicada de la variables en la extracción
Aa 1,000 ,984 Lm/Am 1,000 ,220
(comunalidades) (Tabla 40). Para algunas de las
Lm 1,000 ,976 BR 1,000 ,677
variables relacionadas con la forma de la hoja,
Am 1,000 ,972 PPDA 1,000 ,884
como SEF, Lm/Am y Ld, la varianza queda poco
La.Aa 1,000 ,980 Ld 1,000 ,370
explicada, mientras que para el resto el porcentaje
Lm.Am 1,000 ,980 Ad 1,000 ,613
es mayor. En consecuencia, ya se puede
R 1,000 ,982 NH 1,000 ,656
adelantar que el modelo factorial obtenido será útil,
TA 1,000 ,982 HA 1,000 ,894
fundamentalmente, para todas las variables
BA 1,000 ,984 HR 1,000 ,951
relacionadas con el tamaño, con el peciolo y con
MSl 1,000 ,940 MSp 1,000 ,856
los agujeros de la hoja y para algunas de las
Lp 1,000 ,909
variables relacionadas con la forma (IR, La/Aa,
empleadas en la tabla para las variables y sus unidades: consultar listado de BR, PPDA y Ad) y con ciertos reparos para el
abreviaturas. resto.
En este ACP concreto, se han extraído cuatro
factores o componentes, aquellos cuyos valores iniciales de la varianza explicada (autovalores)
son mayores que 1, que acumulan un porcentaje de la varianza explicada muy alto, 83,98% (Tabla
41).
Tabla 41. Varianza total explicada por las componentes, cv. Garnacha, 2ª Campaña (1996).
Componente
Total Total Total
1 14,856 59,422 59,422 14,856 59,422 59,422 14,578 58,310 58,310

2 2,691 10,764 70,187 2,691 10,764 70,187 2,616 10,464 68,774
3 2,108 8,433 78,620 2,108 8,433 78,620 2,444 9,777 78,551
4 1,339 5,358 83,978 1,339 5,358 83,978 1,357 5,427 83,978
5 ,976 3,905 87,883
6 ,789 3,155 91,038
7 ,612 2,449 93,488
8 ,491 1,964 95,452
9 ,422 1,688 97,140
10 ,265 1,059 98,199
11 ,213 ,853 99,052
12 ,099 ,396 99,448
13 ,039 ,155 99,603
14 ,027 ,109 99,712
15 ,024 ,095 99,807
16 ,017 ,066 99,873
17 ,015 ,061 99,934
18 ,008 ,034 99,967
19 ,003 ,012 99,980
20 ,002 ,010 99,989
21 ,001 ,005 99,995
22 ,001 ,003 99,998
23 ,000 ,001 99,999
24 ,000 ,001 100,000
25 ,000 ,000 100,000
114
Tabla 42. Matriz de componentes Con estos cuatro componentes extraídos, se ha

(saturaciones), cv. Garnacha, 2ª Campaña calculado la matriz de componentes, que contiene los
(1996). valores de las saturaciones para las 25 variables iniciales
Componente y que se pueden consultar en la Tabla nº 32, donde se
1 2 3 4 han marcado con negrita los valores comprendidos entre
BA ,991 -,040 -,012 ,024 1,00 y 0,60 y con cursiva los incluidos entre 0,59 y 0,30,
Aa ,990 -,041 -,021 -,051 en valor absoluto en ambos casos. Comparando las
R ,989 -,069 ,000 ,004 saturaciones relativas de cada variable en cada uno de
P ,988 ,034 -,073 ,018 los cuatro componentes, se aprecia que el primer
La.Aa ,988 -,052 -,010 ,025 componente está constituido por todas las variables
Lm.Am ,988 -,056 -,003 ,030 relacionadas con el tamaño de la hoja, todas las del
TA ,988 -,075 ,011 ,020 peciolo y las variables IR y Ad; todas ellas saturan en un
SFa ,988 -,077 ,008 ,020 único componente, salvo las dos últimas, que también
Lm ,986 -,029 -,045 -,005 presentan una saturación importante en algún otro
La ,986 -,054 -,018 ,064 componente, en el segundo para IR y en el cuarto para
Am ,983 -,069 ,016 ,035 Ad. El segundo componente agrupa a las variables BR,
MSl ,952 -,173 ,058 ,015 NH, PPDA y SEF, todas ellas relacionadas básicamente
Lp ,948 -,094 -,041 -,017 con la forma de la hoja, salvo NH. Por su parte, el tercer
MSp ,914 -,143 ,007 ,024 componente se define por las variables HA y HR,
IR -,631 -,604 ,369 -,041 relacionadas con los agujeros de las hojas, aunque
Ad ,571 ,101 ,090 -,518 ambas presentan unas saturaciones importantes en los
BR -,043 -,732 ,362 -,089 componentes primero y segundo. El cuarto componente
NH ,138 ,688 ,392 ,103 tiene unas saturaciones altas para otras dos variables
PPDA ,563 ,655 -,362 ,082 relacionadas con la forma de la hoja, La/Aa y Ld, aunque
SEF -,387 ,587 -,230 ,002 ambas tienen saturaciones substanciales en alguno de
HA ,275 ,336 ,839 -,034 los otros componentes, sobre todo Ld. Por su parte, la
HR ,212 ,493 ,814 ,022 variable Lm/Am tiene saturaciones destacables en tres
Lm/Am -,040 ,269 -,324 -,202 componentes.
La/Aa -,196 -,100 ,070 ,859 Tabla 43. Matriz de componentes rotados,
Ld ,339 -,016 -,065 ,501 cv. Garnacha, 2ª Campaña (1996)
Método de extracción: Análisis de Componentes Principales. Componente
Abreviaturas empleadas en la tabla para las variables y sus 1 2 3 4
unidades: consultar listado de abreviaturas.
R ,987 ,029 ,081 -,024
Al realizar la rotación de los componentes extraídos, SFa ,987 ,019 ,084 -,008
TA ,987 ,018 ,087 -,008
en su correspondiente matriz de componentes de la Tabla
BA ,986 ,060 ,087 -,006
nº 43, donde se ha mantenido el criterio de la Tabla nº 42
Lm.Am ,985 ,042 ,086 ,002
para marcar los valores de las saturaciones, se observa,
La.Aa ,985 ,050 ,082 -,004
una mejoría en todos los componentes. Concretamente,
La ,985 ,053 ,076 ,036
el primer componente congrega únicamente las variables
Aa ,984 ,062 ,075 -,080
relacionadas con el tamaño de la hoja y con el pecíolo. El
Lm ,982 ,086 ,063 -,034
segundo componente reúne ahora las variables BR,
Am ,981 ,021 ,095 ,007
PPDA e IR, aún cuando estas dos últimas tengan
P ,976 ,155 ,074 -,014
saturaciones importantes en el primer componente. Por
MSl ,963 -,092 ,071 -,008
su parte, todas las variables relacionadas con los
Lp ,952 ,026 ,028 -,042
agujeros de las hojas quedan ahora reunidas por el tercer
MSp ,924 -,042 ,040 ,002
componente, aunque HA sigue teniendo un peso
BR ,037 -,816 -,087 -,054
moderado en los dos primeros componentes. En cuanto al
PPDA ,487 ,796 ,107 ,035
cuarto componente, también se incrementan los valores
IR -,560 -,762 -,081 ,006
de las saturaciones de La/Aa y Ad, conservando Ad una
SEF -,451 ,582 ,068 -,014
dependencia del componente primero, aunque en menor
Lm/Am -,064 ,388 -,145 -,211
medida, pero Ld empeora, ya que pierde dependencia del ,970
HR ,098 -,002 -,019
cuarto componente y la aumenta para el primero. La HA ,179 -,145 ,914 -,069
situación de la variable SEF mejora discretamente con la NH ,022 ,384 ,711 ,059
rotación, aumentando la saturación en el primer La/Aa -,163 -,105 ,018 ,868
componente, manteniéndose en el segundo y Ad ,533 ,066 ,175 -,542
disminuyendo en el tercero. La variable Lm/Am, Ld ,353 ,071 -,003 ,491
finalmente, queda muy repartida, con saturaciones Método de extracción: Análisis de Componentes Principales.
relevantes en los tres últimos componentes. Método de rotación: Normalización Varimax con Kaiser. La rotación
ha convergido en 4 iteraciones. Abreviaturas empleadas en la tabla
De todo ello, se puede concluir que, como ya se podía para las variables y sus unidades: consultar listado de
esperar a la vista de la matriz de coeficientes de abreviaturas.
115
correlación (Tabla 39), las variables relacionadas con el tamaño de la hoja y con el peciolo de la
misma forman un grupo altamente correlacionado, representado por el primer componente. Las
variables vinculadas con los agujeros de las hojas también conforman un grupo con una alta
correlación, reunidas por el componente tercero, con una dependencia de la variable HA del
primer componente, lo que por otro lado parece lógico, ya que cuanto mayores sean las hojas,
mayor tamaño tendrán los agujeros de las mismas, cuando los tengan. El grupo más disperso es
el de las variables relacionadas con la forma de la hoja (Apartado 4.7), que aparece separado en
varios grupos, PPDA, BR e IR por un lado (segundo componente) y La/Aa, Ld y Ad por otro lado
(cuarto componente), además, no todos ellos están bien separados y casi todos presentan
saturaciones relevantes en más de un componente. La variable SEF tiene una dependencia
importante en el segundo componente, de menor valor que las del resto de variables incluidas en
él, y un peso relevante en el componente primero. Finalmente, la variable Lm/Am queda
encuadrada en los tres últimos componentes.
realizado, tomando como ejes los PPDA
componentes rotados de dos en dos SEF

(Figuras 34 a 39; Anejo 2), muestran 0,5
Lm/AmNH
de manera gráfica los agrupamientos
de las variables para cada componente
Componente 2
P
Ld Ad Lm
rotado. La más explicativa de todas 0,0 HR
Aa
BA
La
La.Aa
Lm.Am
Lp
MSp
R
Am
SFa
TA
ellas, en este caso, es la que tiene La/Aa

HA
MSl
Grupo 1
como ejes los componentes rotados 1
y 2, que muestra la separación de un -0,5
número importante de las variables
iniciales (Fig. 69). IR
BR
-1,0
conclusión, se puede resumir que el -1,0 -0,5 0,0 0,5 1,0
componente 1 refleja el tamaño de la Componente 1
hoja, el componente 2 muestra la Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
forma de la hoja, el componente 3
Figura 69. Variables iniciales en el espacio en función de los
resume las características de los componentes rotados 1 y 2, cv. Garnacha, 2ª Campaña (1996).
agujeros de las hojas y el componente
4 recoge el cociente La/Aa.
Con los datos del cultivar Macabeo se comprueba, en primer lugar, el nivel de significación el
test de Barlett, cuyo valor es 0,000, y el valor del estadístico KMO, que es 0,862, muy cercano a 1;
a la vista de estos resultados, se considera adecuado realizar el análisis de componentes
principales con los datos de que se dispone.
al expuesto para el grupo anterior, con tan sólo tres de ellas altas o moderadas, en valor absoluto,
y elevada significación (p < 0,01): PPDA-IR (r = 0,96), BR-PPDA (r = - 0,52), BR-IR (r = 0,47). El
signo negativo de las correlaciones implica que, cuanto mayor sea el valor de la primera, menor
será el de segunda, y viceversa, para un mismo individuo. Otro grupo de correlaciones dentro de
este grupo de variables, aunque significativas en su mayoría (p < 0,01 ó p < 0,05), tienen valores
bajos o muy bajos, en valor absoluto, muchas con signo negativo (SEF-IR, SEF-BR, SEF-Ad, IR-
116
Ad, La/Aa-Lm/Am, La/Aa-Ad,) y otras con signo positivo (SEF-La/Aa, SEF-PPDA, IR-La/Aa, La/Aa-
Ld, Lm/Am-Ld, PPDA-Ad, Ld-Ad,). El resto de correlaciones, SEF-Lm/Am SEF-Ld, IR-Lm/Am, IR-
Ld, La/Aa-BR, La/Aa-PPDA, Lm/Am-BR, BR-Ld, BR-Ad, Lm/Am-PPDA, Lm/Am-Ad, PPDA-Ld, son
también bajas o muy bajas, en valor absoluto, todas negativas, salvo las tres últimas, y sin
significación estadística.
tamaño, todos los coeficientes de correlación son muy significativos (p < 0,01), con valores entre
altos e intermedios, en valor absoluto, para las variables SEF, IR, BR, PPDA, Ld y Ad, negativos
para las dos primeras. Para la variable Lm/Am, las correlaciones son bajas y positivas, pero
significativas (p < 0,01 ó p < 0,05). Por su parte, la variable La/Aa presenta correlaciones bajas, en
valor absoluto, todas negativas, salvo con Lm.Am, y poco o nada significativas
En cuanto a los agujeros de las hojas, el coeficiente de correlación es alto o moderado y muy
significativo (p < 0,01) entre las tres variables de este grupo (HA-HR, r = 0,80; NH-HA, r = 0,52;
NH-HR, r = 0,65). La correlación con las variables relacionadas con el tamaño de las hojas es
intermedia para HA y baja para NH y HR, con significación en todos los casos (p < 0,01 ó p <
0,05), salvo para NH-MSl; por otro lado, los valores de las correlaciones entre estas tres variables
y las variables relacionadas con la forma de las hojas son bajos o muy bajos.
relacionadas con el tamaño de la hoja, con valores entre r = 0,95 (Lp-R) y r = 0,86 (MSp-La). Con
peciolo son altos o moderados y con elevada significación (p < 0,01) con Ld y Ad y con SEF,
aunque el último con signo negativo; son bajos, pero muy significativos (p < 0,01), con Lm/Am, BR,
PPDA e IR, éste con signo negativo, y muy bajos, y poco significativos, para La/Aa. Para terminar,
se observa que las correlaciones de las dos variables del peciolo con las variables relacionadas
con los agujeros tienen unos valores moderados y con elevada significación (p < 0,01) para HA y
bajos y con poca significación para HR y NH.
117
Tabla 44. Matriz de coeficientes de correlación de las variables iniciales, cv. Macabeo, 2ª Campaña (1996).
SFa 1
P ,973** 1
La ,981** ,980** 1
Aa ,978** ,984** ,989** 1
Lm ,982** ,982** ,993** ,991** 1
Am ,978** ,982** ,987** ,985** ,987** 1
La.Aa ,994** ,973** ,984** ,980** ,982** ,973** 1
Lm.Am ,994** ,971** ,977** ,971** ,982** ,980** ,992** 1
R ,985** ,981** ,994** ,994** ,994** ,992** ,980** ,977** 1
TA 1,000** ,973** ,981** ,978** ,982** ,978** ,994** ,994** ,985** 1
BA ,997** ,977** ,983** ,979** ,985** ,980** ,995** ,996** ,984** ,997** 1
MSl ,957** ,929** ,931** ,935** ,933** ,938** ,948** ,951** ,939** ,957** ,954** 1
SEF -,351** -,311** -,346** -,363** -,344** -,354** -,340** -,337** -,363** -,350** -,344** -,526** 1
IR -,279** -,416** -,284** -,298** -,291** -,296** -,296** -,297** -,264** -,278** -,299** -,245** -,285** 1
La/Aa -,009 -,053 ,036 -,101* -,028 -,014 -,005 ,009 -,033 -,008 -,002 -,044 ,105* ,086* 1
Lm/Am ,185** ,176** ,199** ,210** ,245** ,100* ,207** ,172** ,188** ,184** ,191** ,141** -,034 -,050 -,196** 1
BR ,222** ,151** ,196** ,207** ,181** ,196** ,184** ,171** ,233** ,222** ,168** ,226** -,384** ,472** -,062 -,050 1
PPDA ,204** ,348** ,209** ,223** ,217** ,226** ,225** ,229** ,185** ,203** ,227** ,178** ,326** -,964** -,077 ,001 -,522** 1
Ld ,445** ,404** ,455** ,411** ,453** ,427** ,456** ,466** ,428** ,446** ,457** ,393** -,060 -,073 ,210** ,175** -,047 ,058 1
Ad ,473** ,512** ,454** ,516** ,482** ,493** ,476** ,477** ,482** ,472** ,486** ,487** -,196** -,276** -,354** ,034 -,057 ,254** ,091* 1
NH ,164** ,182** ,203** ,168** ,194** ,200** ,180** ,193** ,178** ,167** ,180** ,054 ,249** -,154** ,205** -,040 -,182** ,173** ,199** ,049 1
HA ,447** ,379** ,447** ,413** ,438** ,444** ,442** ,457** ,446** ,453** ,448** ,369** -,037 ,049 ,169** ,031 ,108* -,082 ,352** ,094* ,523** 1
HR ,147** ,111* ,164** ,137** ,155** ,170** ,145** ,159** ,163** ,152** ,148** ,093* ,077 ,098* ,168** -,084 ,015 -,077 ,186** -,018 ,646** ,794** 1
MSp ,903** ,868** ,864** ,873** ,867** ,872** ,897** ,897** ,872** ,903** ,899** ,949** -,481** -,250** -,064 ,129** ,204** ,188** ,349** ,475** ,004 ,329** ,073 1
Lp ,948** ,940** ,948** ,952** ,950** ,946** ,945** ,940** ,953** ,948** ,947** ,925** -,401** -,273** -,051 ,184** ,206** ,200** ,388** ,473** ,113* ,394** ,127** ,919** 1

118
Tras realizar el ACP, se observa que el modelo factorial resultante explica un alto porcentaje de la
Tabla 45. Varianza de las variables explicada por el
varianza para las variables relacionadas con el
modelo factorial obtenido (comunalidades), cv. tamaño de la hoja, con el peciolo y con los agujeros
Macabeo, 2ª Campaña (1996). de la misma, lo que se manifiesta con cuantías
Variables Inicial Extracción Variables Inicial Extracción cercanas a 1 para los valores de la varianza explicada
SFa 1,000 ,988 SEF 1,000 ,593 de las variables en la extracción (comunalidades)
P 1,000 ,982 IR 1,000 ,902 (Tabla 45). Para algunas de las variables
La 1,000 ,980 La/Aa 1,000 ,829 relacionadas con la forma de la hoja, como SEF, BR,
Aa 1,000 ,981 Lm/Am 1,000 ,892 Ld y Ad, la varianza queda peor explicada, mientras
Lm 1,000 ,984 BR 1,000 ,624 que para el resto, IR, La/Aa, Lm/Am y PPDA, el valor
Am 1,000 ,980 PPDA 1,000 ,915 también es alto. En consecuencia, ya se puede
La.Aa 1,000 ,985 Ld 1,000 ,567 adelantar que el modelo factorial obtenido será útil,
Lm.Am 1,000 ,984 Ad 1,000 ,626 fundamentalmente, para todas las variables
R 1,000 ,982 NH 1,000 ,735 relacionadas con el tamaño, con el peciolo y con los
TA 1,000 ,988 HA 1,000 ,831 agujeros de la hoja y para algunas de las variables
BA 1,000 ,989 HR 1,000 ,879 relacionadas con la forma (IR, La/Aa, Lm/Am y PPDA)
MSl 1,000 ,952 MSp 1,000 ,865 y con ciertos reparos para el resto.
Lp 1,000 ,930 En este ACP concreto, se han extraído cinco
Método de extracción: Análisis de Componentes Principales. Abreviaturas factores o componentes, aquellos cuyos valores
abreviaturas. iniciales de la varianza explicada (autovalores) son
mayores que 1, que acumulan un porcentaje de la
varianza explicada muy alto, 87,85% (Tabla 46).
Tabla 46. Varianza total explicada por las componentes, cv. Macabeo, 2ª Campaña (1996).
Componente
Total Total Total
1 14,563 58,251 58,251 14,563 58,251 58,251 14,281 57,125 57,125

2 2,667 10,669 68,920 2,667 10,669 68,920 2,663 10,650 67,775
3 2,456 9,825 78,745 2,456 9,825 78,745 2,458 9,831 77,606
4 1,179 4,716 83,461 1,179 4,716 83,461 1,414 5,656 83,263
5 1,097 4,389 87,850 1,097 4,389 87,850 1,147 4,587 87,850
6 ,708 2,831 90,681
7 ,588 2,350 93,031
8 ,505 2,019 95,050
9 ,403 1,611 96,661
10 ,330 1,321 97,982
11 ,174 ,696 98,678
12 ,139 ,557 99,235
13 ,083 ,333 99,568
14 ,031 ,123 99,691
15 ,029 ,118 99,808
16 ,018 ,072 99,880
17 ,014 ,056 99,936
18 ,007 ,030 99,965
19 ,004 ,016 99,981
20 ,002 ,009 99,990
21 ,001 ,005 99,995
22 ,001 ,003 99,998
23 ,000 ,001 99,999
24 ,000 ,001 100,000
25 ,000 ,000 100,000
Método de extracción: Análisis de Componentes Principales. Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de
abreviaturas.
119
Macabeo, 2ª Campaña (1996). calculado la matriz de componentes, que contiene los
Componente valores de las saturaciones para las 25 variables
1 2 3 4 5
iniciales y que se pueden consultar en la Tabla nº 47,
donde se han marcado con negrita los valores
BA ,994 ,004 ,000 ,043 ,004
comprendidos entre 1,00 y 0,60 y con cursiva los
TA ,993 -,031 -,001 ,037 -,004
incluidos entre 0,59 y 0,30, en valor absoluto en
SFa ,993 -,031 -,006 ,039 -,005
La.Aa ,991 -,001 -,003 ,046 ,019
ambos casos. Comparando las saturaciones relativas
Lm.Am ,991 ,006 ,017 ,049 -,010
de cada variable en cada uno de los cinco
R ,990 -,044 -,001 ,002 ,001
componentes, se aprecia que el primer componente
Lm ,990 -,002 -,002 ,022 ,059
está constituido por todas las variables relacionadas
Aa ,988 -,009 -,049 -,042 ,024
con el tamaño de la hoja y las del peciolo, que
La ,988 -,013 ,026 ,065 ,008
saturan en un único componente; se puede decir, por
Am ,987 -,004 ,011 ,006 -,081
tanto, que este primer componente refleja el tamaño
P ,983 ,103 -,064 ,007 -,031 de la hoja. El segundo componente, agrupa a las
Lp ,961 -,045 -,064 ,005 -,017 variables PPDA, BR, IR, y SEF todas ellas
MSl ,961 -,104 -,112 ,023 -,073 relacionadas básicamente con la forma de la hoja,
MSp ,910 -,087 -,148 ,013 -,086 aunque todas tienen saturaciones relevantes en los
Ad ,512 ,175 -,276 -,499 -,090 componentes primero, tercero y/o cuarto. Por su
Ld ,459 ,035 ,298 ,406 ,319 parte, el tercer componente se define por las
PPDA ,237 ,901 -,176 ,023 -,122 variables HA, NH y HR, relacionadas con los
IR -,310 -,870 ,200 -,031 ,094 agujeros de las hojas, no obstante todas tienen
BR ,188 -,751 -,043 -,077 -,129 saturaciones importantes en los componentes
SEF -,375 ,600 ,272 ,057 ,122 primero, segundo y/o cuarto. El cuarto componente
HR ,175 -,008 ,855 -,340 -,014
Tabla 48. Matriz de componentes rotados, cv. Macabeo,
HA ,460 -,083 ,750 -,216 ,061 2ª Campaña (1996)
NH ,189 ,315 ,744 -,215 ,003 Componente
La/Aa -,032 -,020 ,481 ,727 -,261
1 2 3 4 5
Lm/Am ,190 ,014 -,143 ,017 ,914
SFa ,987 -,003 ,103 -,006 ,058
empleadas en la tabla para las variables y sus unidades: consultar listado de TA ,986 -,004 ,108 -,005 ,058
abreviaturas. BA ,986 ,031 ,110 -,002 ,068
tiene una saturación alta para otra variable La.Aa ,983 ,026 ,107 -,001 ,082
relacionada con la forma de la hoja, La/Aa, que sin Lm.Am ,982 ,033 ,122 ,011 ,053
embargo tiene una saturación relevante en el R ,981 -,019 ,120 -,037 ,061
componente tercero. Por último, el quinto Am ,981 ,021 ,129 -,025 -,021
componente, recoge una sola variable, Lm/Am. Las La ,979 ,015 ,124 ,030 ,073
P ,977 ,131 ,072 -,062 ,030
variables Ld y Ad, por su parte, tienen saturaciones
Aa ,977 ,014 ,098 -,100 ,080
destacables en cuatro de los cinco componentes.
Lm ,977 ,023 ,119 -,025 ,119
Al realizar la rotación de los componentes MSl ,972 -,070 -,001 -,053 -,011
extraídos, en su correspondiente matriz de Lp ,960 -,017 ,057 -,057 ,042
componentes de la Tabla nº 48, donde se ha MSp ,925 -,053 -,035 -,075 -,026
mantenido el criterio de la Tabla nº 47 para marcar PPDA ,228 ,916 -,065 -,097 -,098
los valores de las saturaciones, se observa una IR -,302 -,888 ,083 ,103 ,065
nueva situación para los componentes 2 a 5. BR ,221 -,744 -,057 -,048 -,125
Concretamente, las saturaciones mejoran SEF -,424 ,574 ,235 ,138 ,099
ligeramente para tres de las variables agrupadas en HR ,064 -,086 ,929 ,031 -,055
el segundo componente, concretamente PPDA, BR HA ,364 -,137 ,818 ,088 ,051
e IR, aunque empeora ligeramente para SEF, que NH ,086 ,253 ,810 ,082 -,022
aumenta levemente su dependencia del La/Aa -,001 ,014 ,134 ,876 -,207
componente primero. Por su parte, todas las Ad ,492 ,163 ,021 -,589 -,097
variables relacionadas con los agujeros de las Ld ,434 ,057 ,189 ,447 ,374
hojas, reunidas por el tercer componente, mejoran Lm/Am ,140 ,016 -,066 -,115 ,924
su situación, aunque HA sigue teniendo un peso Método de extracción: Análisis de Componentes Principales. Método de rotación:
importante en el primer componente. En cuanto al Normalización Varimax con Kaiser. La rotación ha convergido en 5 iteraciones.
Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar
cuarto componente, también se incrementan las listado de abreviaturas.
saturaciones de La/Aa, Ld y Ad, conservando Ld y
Ad una dependencia del componente primero, aunque en menor medida. Finalmente, para el
componente quinto se observa un leve aumento de la saturación de Lm/Am.
120
componente. Las variables vinculadas con los agujeros de las hojas también conforman un grupo con
una alta correlación, reunidas por el componente tercero, con una dependencia de la variable HA del
primer componente, lo que por otro lado parece lógico, ya que cuanto mayores sean las hojas, mayor
tamaño tendrán los agujeros de las mismas, cuando los tengan. El grupo más disperso es el de las
variables relacionadas con la forma de la hoja (Apartado 4.7), que aparece separado en varios
grupos, PPDA, BR, IR y SEF por un lado (segundo componente), La/Aa, Ld y Ad por otro lado (cuarto
componente) y Lm/Am por otro (quinto componente), además, no todos ellos están bien separados y
casi todos presentan saturaciones relevantes en más de un componente.
1,0
planos de las variables iniciales en el PPDA
realizado, tomando como ejes los SEF
componentes rotados de dos en dos (Figs. 0,5
40 a 49; Anejo 2), muestran gráficamente

NH
los agrupamientos de las variables para
Componente 2
Ad P
cada componente rotado. La más 0,0 Lm/Am
La/Aa
Ld Lm.Am
BA
La.Aa
Lm
Am
La
Aa
SFa
TA
Lp
R
MSp
explicativa de todas ellas, en este caso, es HR
HA Grupo 1
MSl
la que tiene como ejes los componentes

rotados 1 y 2 (Fig. 70).
-0,5
conclusión, se puede resumir que el BR
componente 1 refleja el tamaño de la hoja, IR
el componente 2 muestra la forma de la -1,0

-1,0 -0,5 0,0 0,5 1,0
misma, el componente 3 resume las Componente 1
características de los agujeros de las
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
hojas, el componente 4 recoge la variable
Figura 70. Variables iniciales en el espacio en función de los
La/Aa y el componente 5 representa el componentes rotados 1 y 2, cv. Macabeo, 2ª Campaña (1996).
cociente Lm/Am.
5.2.3. Resúmen de las dos campañas y de los cinco cultivares estudiados.
Al analizar conjuntamente los valores de la matriz de coeficientes de correlación de las variables
estudiadas en las dos campañas y de los cinco cultivares (Tablas 19, 24, 29, 34, 39, 44 y 49), se
observa que, entre las variables relacionadas con el tamaño de la hoja, las correlaciones son siempre
altas y positivas; lo mismo ocurre entre las variables relacionadas con el pecíolo de la hoja y entre
éstas y las variables de tamaño.
Cuando se atiende a las variables relacionadas con los agujeros de las hojas, los coeficientes de
correlación entre ellas son de moderados a altos, positivos en todos los casos. Las correlaciones son
igualmente positivas entre las variables de los agujeros de las hojas y las variables del tamaño, para
ambas campañas y los cinco cultivares, aunque con valores moderados; con las variables del pecíolo,
las de los agujeros presentan coeficientes de correlación entre moderados y altos, también positivos,
en todos los casos estudiados.
En el caso de las variables relacionadas con la forma de las hojas, la situación no es ni tan simple
ni tan clara como la comentada para el resto de grupos de variables. Solamente el coeficiente de
correlación de IR-PPDA es alto y positivo en todos los casos. La correlación IR-BR es también
positiva para todos los cultivares, aunque con valores moderados. Otros dos pares de variables,
La/Aa-Ad y BR-PPDA, tienen también valores de los coeficientes de correlación moderados en todos
los casos, aunque con valores negativos. El resto de coeficientes de correlación son bajos o muy
bajos, algunos son positivos para todos los casos (SEF-La/Aa, SEF-PPDA, La/Aa-Ld, Lm/Am-Ld,
PPDA-Ld, PPDA-Ad, Ld-Ad), otros son negativos (SEF-BR, SEF-Ld, SEF-Ad, IR-Ld, IR-Ad, BR-Ld);
para el resto (SEF-IR, SEF-Lm/Am, IR-La/Aa, IR-Lm/Am, La/Aa-Lm/Am, La/Aa-BR, La/Aa-PPDA,
Lm/Am-BR, Lm/Am-PPDA, Lm/Am-Ad, BR-Ad), la situación no es tan estable, ya que son positivos
para alguna de las campañas o alguno de los cultivares y negativos para otros. Cuando se atiende a
los valores de los coeficientes de correlación entre las variables de la forma de la hoja SEF, IR,
PPDA, Ld y Ad y las variables del tamaño, se observan valores moderados en todos los casos,
aunque con signo negativo para las dos primeras variables de forma. Las otras tres variables de
121
forma, Lm/Am, La/Aa y BR, sin embargo, presentan correlaciones positivas con las variables de
tamaño de la hoja, en algunos casos, y negativas, en otros, casi siempre con valores bajos o muy
bajos. La situación todavía es menos uniforme cuando se observan los coeficientes de correlación
entre las variables de la forma y las de los agujeros de la hoja, ya que, solamente el valor del par
SEF-HA mantiene el signo negativo para todos los casos estudiados; para el resto, en unos casos los
coeficientes son positivos y en otros negativos. Finalmente, los coeficientes de correlación entre las
variables de la forma de la hoja y las del pecíolo muestran mayor uniformidad a lo largo de las dos
campañas y para los cinco cultivares estudiados, con coeficientes de correlación siempre negativos
entre las variables del pecíolo y las variables SEF e IR y siempre positivos con PPDA, Ld y Ad. Para
las otras tres variables, BR, Lm/Am y La/Aa, en algunos casos los coeficientes son positivos y otros
negativos.
A continuación, se presentan conjuntamente en la Tabla nº 49 las varianzas explicadas por los
componentes en la extracción realizada en los ACP de cada campaña y cada uno de los cultivares
estudiados y en la Tabla nº 50 los componentes rotados para los que tienen los valores más altos
cada una de las variables analizadas.
Tabla 49. Varianza total explicada por las componentes (% acumulado de las sumas de las
saturaciones al cuadrado de la extracción) en los ACP realizados con las variables analizadas
en las dos campañas y para los cinco cultivares estudiados.
Cabernet-
Sauvignon
Nº Componentes 17 25 25 25 25 25
1 70,661 59,832 59,900 60,698 59,422 58,251
2 80,515 69,969 69,744 69,678 70,187 68,920
3 86,724 78,112 76,885 77,378 78,620 78,745
4 - 83,648 82,356 82,696 83,978 83,461
5 - 88,328 86,494 86,703 - 87,850
Tabla 50. Componentes rotados más importantes para las variables analizadas en las dos
campañas y para los cinco cultivares estudiados.
Cabernet-
Sauvignon
Nº Componentes
3 5 5 5 4 5
rotados del ACP
SFa 1 1 1 1 1 1
SFi 1 NE NE NE NE NE
P 1 1 1 1 1 1
La 1 1 1 1 1 1
Aa 1 1 1 1 1 1
Lm 1 1 1 1 1 1
Am 1 1 1 1 1 1
La.Aa 1 1 1 1 1 1
Lm.Am 1 1 1 1 1 1
R 1 1 1 1 1 1
TA 1 1 1 1 1 1
BA 1 1 1 1 1 1
MSl 1 1 1 1 1 1
MSp 1 1 1 1 1 1
Lp 1 1 1 1 1 1
HA 1 1,3 1,2 1,2 3 1,3
NH NE 3 2 2 3 3
HR NE 3 2 2 3 3
SEF 1,2,3 1 1 1,2 1,2 1,2
IR 3 2 3 3 2 2
BR NE 2 3 3 2 2
PPDA NE 2 3 3 2 2
La/Aa 2 4 4 4 4 4
Lm/Am 2 5 5 5 2,4 5
Ld NE 5 1,4 1,5 1,4 1,4,5
Ad NE 4 1,4 1,5 1,4 1,4
Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas. NE: variable no estudiada para la
campaña y/o el cultivar correspondiente.
122
En la Tabla nº 50, se observa que todas las variables relacionadas con el tamaño de las hojas, así
como las variables del pecíolo, se muestran agrupadas en el mismo factor, y con el mismo signo, en
los seis ACP realizados, lo que indica que, para todos los cultivares estudiados, las variables
relacionadas con el tamaño de limbo y las del pecíolo están directamente relacionadas. Igualmente, la
variable HA también está directamente relacionada con las variables mencionadas anteriormente,
para todos los casos estudiados, excepto Garnacha, que presenta valores de las variables de los
agujeros cercanos a cero. La variable SEF, por su parte, está igualmente relacionada, aunque
inversamente, con las variables de tamaño, en todos los casos estudiados. A la vista de todo lo
comentado, se observa la existencia de una coherencia biométrica entre las variables estudiadas
relacionadas con el tamaño y con el pecíolo de la hoja.
Por otro lado, a la vista de los coeficientes de correlación y de la situación expuesta en la Tabla nº
50, las variables teóricamente más apropiadas para estimar el área foliar mediante modelos
matemáticos serán, precisamente, las que muestran una coherencia biométrica con el área de la
hoja, por tanto, todas las variables relacionadas con el tamaño de la hoja y las del pecíolo. Las
variables HA, SEF, Ld y Ad, en principio, también se muestran apropiadas para estimar el área foliar,
en algunos cultivares más que en otros, en virtud de los coeficientes de correlación y de los
componentes principales para los que muestran saturaciones importantes.
Para la elección final de las variables a emplear en los modelos de estimación (Apartado 5.3), se
debe contemplar, además de todo lo comentado, la sencillez de su medición, que su obtención no
suponga la destrucción de las hojas y/o su relevancia en la bibliografía consultada. Por ello, todas las
variables que requieran la digitalización de la muestra para su obtención deben ser desestimadas, ya
que requieren la destrucción de la muestra, a menos que se disponga de algún instrumento capaz de
captar una imagen digital de calidad de las hojas directamente sobre la planta; aún en ese caso, lo
laborioso del proceso aconseja mantener este grupo de variables, en principio, fuera del estudio. Las
variables relacionadas con el pecíolo de la hoja no son tomadas en consideración dada la escasa
relevancia bibliográfica que tienen en este tipo de trabajos, a pesar de la facilidad de su obtención y
de manifestarse muy relacionadas con el área foliar. La materia seca del limbo, por su lado, aunque
estrechamente relacionada con el área foliar, es una variable cuya laboriosa obtención requiere,
además, la destrucción de las hojas. En definitiva, los parámetros foliares que se consideran más
adecuados para su uso como variables independientes en los modelos matemáticos de estimación
del área foliar son la anchura máxima de limbo medida manualmente (Am), la longitud del limbo
medida manualmente (Lm), el producto de ambas variables (Lm.Am) y la superficie especifica foliar
(SEF). Las tres primeras variables se escogen en virtud de los tres criterios comentados de sencillez
de su obtención, no-destrucción de las hojas y relevancia bibliográfica, la variable SEF se selecciona
en atención al criterio bibliográfico.
5.3. Análisis de Regresión Lineal.
En este apartado, se presentan los resultados de los Análisis de Regresión Lineal (ARL) que se
han realizado con los tres modelos de la Tabla nº 14, empleando los datos del cultivar Cencibel de la
primera campaña, de acuerdo con el procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº
51 a 57 se ha recogido la información más relevante de todos los análisis realizados y en el Anejo nº
3 se presentan los estadísticos y las figuras asociadas de los modelos seleccionados (Tablas 1 a 4 y
Figs. 1 a 42; Anejo 3).
Para el primer modelo probado (Tabla 51), todos los ARL realizados presentan un coeficiente de
2
determinación muy alto (R >89%), salvo cuando se emplea SEF como variable independiente
2 2 2 2 2 2
(R =54,8%), con los mayores valores para Lm.Am (R =99,7%), Am (R =99,2%) y Lm (R =99,3%). El
error estándar más bajo lo presentan los modelos (1.2), (1.4) y (1.5) y el más alto el que emplea SEF
como variable explicativa. Sin embargo, ninguno de estos modelos cumple todos los supuestos del
modelo de regresión lineal; concretamente, ninguno cumple los requisitos de homocedasticidad,
media de la distribución de los residuos nula y distribución normal de los residuos y el supuesto de
2 2
independencia de los residuos lo cumplen únicamente las rectas que utilizan Lm , Am y Lm.Am
como variable independiente, que son las mismas que cumplen el criterio de linealidad.
123
Tabla 51. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Cencibel, 1ª Campaña (1995)
b1, Residuos
R2 Error intervalo Linea-
X PI
(%) Estándar confianza lidad Indepen- Norma- Media
Homoce-
dencia lidad dasticidad
(95%)
Lm 8,390**
94,5** 25,55 No No No 0 No No
(1.1) 8,294/8,486
2
Lm 0,565**
99,3** 9,21 Sí Sí No 0 No No
(1.2) 0,563/0,567
Am 8,745**
93,5** 27,86 No No No 0 No No
(1.3) 8,635/8,854
Am2 0,632**
99,2** 9,67 Sí Sí No 0 No No
(1.4) 0,629/0,635
Lm.Am 0,602**
99,7** 5,80 Sí Sí No 0 No No
(1.5) 0,600/0,603
(Lm.Am)2 0,002**
89,0** 36,35 No No No 0 Sí No
(1.6) 0,002/0,002
SEF 5,605**
54,8** 73,58 No No No 0 No Sí
(1.7) 5,363/5,847
** Significativo (p 0,01). Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
Al aplicar el segundo modelo (Tabla 52), la situación que se presenta es parecida a la anterior,
2
donde los coeficientes de determinación son muy altos en todos los casos (R >90%), excepto para el
2
modelo que utiliza SEF como variable independiente (R =11,8%). El error estándar más bajo lo
presentan los modelos (1.2), (1.4) y (1.5) y el más alto el que emplea SEF. Así mismo, ninguna de las
rectas cumple la totalidad de los supuestos del modelo de regresión lineal, ya que, aunque la media
2
de la distribución de los residuos sí es nula en todos los casos, el modelo que utiliza (Lm.Am) como
variable independiente cumple el criterio de homocedasticidad, pero no cumple ninguno de los tres
2
restantes, de los que cumplen los supuestos de independencia de los residuos y de linealidad (Lm ,
2
Am y Lm.Am), ninguno cumple el de normalidad, y, por el contrario, el que observa el criterio de
linealidad e independencia de los residuos (Am), no cumple el supuesto de normalidad de la
distribución de los residuos.
Tabla 52. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cencibel, 1ª Campaña (1995).
b0, b1, Residuos
R2 Error intervalo intervalo Linea-
X PI
(%) Estándar confianza confianza lidad Indepen Norma- Media Homoce-
dencia lidad Dasticidad
(95%) (95%)
Lm -63,543** 13,106**
95,3** 12,84 No Sí No 0 No No
(2.1) -65,543/-62,018 12,967/13,245
2
Lm 4,155** 0,547**
97,7** 8,92 Sí Sí No 0 No No
(2.2) 3,387/4,923 0,543/0,551
Am -72,275** 14,384**
93,9** 14,58 No Sí Sí 0 No No
(2.3) -74,387/-70,164 14,210/14,559
Am2 -1,479** 0,639**
97,3** 9,64 Sí Sí No 0 No No
(2.4) -2,348/0,611 0,634/0,644
Lm.Am 0,087 (ns) 0,601**
99,0** 5,80 Sí Sí No 0 No No
(2.5) -0,247/0,600 0,599/0,604
2
(Lm.Am) 42,021** 0,002**
90,2** 18,45 No No No 0 Sí No
(2.6) 40,843/43,198 0,001/0,002
SEF 152,92** -4,428**
11,7** 55,44 No No No 0 No Sí
(2.7) 144,61/161,28 -5,005/-3,852
Cuando el modelo lineal simple se emplea con los logaritmos de las variables, tanto de la
dependiente como de la independiente (Tabla 53), tres de los modelos ensayados presentan
coeficientes de determinación muy altos, superiores al 97%, concretamente los que utilizan como
variable independiente logLm, logAm y logLm.Am, además, los tres tienen un error estándar muy
pequeño. Los tres modelos indicados, aunque cumplen los supuestos del modelo de regresión lineal
de linealidad e independencia de los residuos, sin embargo no cumplen los de normalidad y
homocedasticidad.
124
Tabla 53. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cencibel, 1ª Campaña (1995).
b0, b1, Residuos
X PI
Dencia lidad Dasticidad
(95%) (95%)
logLm -0,259** 2,017**
97,8** 0,06 Sí Sí No 0 No No
(2.8) -0,274/-0,244 2,003/2,031
logAm -0,356** 2,138**
97,7** 0,06 Sí Sí No 0 No No
(2.9) -0,372/-0,340 2,123/2,154
logLm.Am -0,326** 1,048**
98,7** 0,04 Sí Sí No 0 No No
(2.10) -0,338/-0,314 1,042/1,053
logSEF 3,255** -1,264**
12,9** 0,36 No No No 0 No No
(2.11) 3,079/3,430 -1,419/-1,108
Con el modelo (3), se ha realizado el análisis de regresión con el método “Stepwise”, incluyendo
2 2 2
como posibles variables independientes Lm, Lm , Am, Am , Lm.Am, (Lm.Am) y SEF, frente a la
variable dependiente SFa. Como resultado, el análisis ofrece cinco modelos, el primero incluye como
única variable independiente Lm.Am, es decir, el modelo (2.5) de la Tabla nº 52, ya comentado. En el
segundo modelo, el análisis por pasos incluye además Lm, pero sin ninguna mejoría con respecto al
2
primer modelo (R cambio=0,0%), por lo que se desestima. La situación del resto de los modelos de este
2 2
apartado, que incorpora sucesivamente a las variables (Lm.Am) , Lm y Am, es la misma, con una
2
aportación a la estimación nula (R cambio=0,0%) y tampoco se tienen en cuenta.
Al aplicar al modelo (3) el análisis de regresión “Stepwise” con logSFa como variable
independiente y logLm, logAm, logLm.Am y logSEF como posibles variables independientes, el
proceso aporta dos modelos; el primero incluye una única variable independiente, logLm.Am, por lo
que la estimación obtenida es el modelo (2.10) de la Tabla nº 53, del que ya se ha hablado. Para el
segundo modelo se incorpora, además, logSEF, pero su entrada no supone una mejoría significativa
2
con respecto al primer modelo (R cambio=0,1%).
De todos los modelos probados
tomando como variable dependiente SFa Tabla 54. Modelos seleccionados para estimar SFa. Cencibel, 1ª
o logSFa, ninguno cumple con todos los Campaña (1995).
filtros estadísticos. Sin embargo, nueve al Modelo R2 Error
menos cumplen los criterios de linealidad (1.2) SFa = 0,565 . Lm 2
99,3 9,21
e independencia de los residuos, además (1.4) SFa = 0,632 . Am2 99,2 9,67
de presentar coeficientes de (1.5) SFa = 0,602 . Lm.Am 99,7 5,80
2
determinación muy altos (R >97%) y (2.2) SFa = 4,155 + 0,547 . Lm2 97,7 8,92
errores estándar pequeños, los menores
(2.4) SFa = -1,479 + 0,639 . Am2 97,3 9,64
para los modelos (2.8), (2.9) y (2.10)
(2.5) SFa = 0,087 + 0,601 . Lm.Am 99,0 5,80
(Tabla 54).
(2.8) logSFa = -0,259 + 2,017 . logLm 97,8 0,06
A la vista de estos comentarios, se
(2.9) logSFa = -0,356 + 2,138 . logAm 97,7 0,06
realiza el último paso del proceso descrito
en el Apartado 4.9.3.7 con estos tres (2.10) logSFa = -0,326 + 1,048 . logLm.Am 98,7 0,04
Abreviaturas empleadas en la tabla para las variables y sus unidades: ver listado de abreviaturas.
modelos, tres ARL simples sin término
independiente, empleando como variable dependiente el logaritmo de los valores observados de SFa
y, como variable independiente de cada uno de los análisis, el logaritmo de los valores de SFa
predichos por cada uno de los modelos seleccionados (Tabla 55).
Tabla 55. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Cencibel, 1ª
Campaña (1995).
b1,
Residuos
X PI
(%) Estándar confianza lidad Indepen- Norma- Homoce-
(95%) Media
1,000**
logSFa modelo (2.8) 99,9** 0,06 Sí Sí No 0 No No
0,999/1,001
1,000**
0,999/1,001
1,000**
0,999/1,001
125
El valor del coeficiente de determinación de los tres ARL de la Tabla nº 55 está muy próximo a 1 y
su un error estándar es muy pequeño y, aunque todos cumplen los criterios de linealidad e
independencia, ninguno de ellos verifica los requisitos de normalidad y homocedasticidad del modelo
de regresión lineal. En definitiva, la única diferencia apreciable entre los tres modelos es el menor
error estándar del tercer modelo. Por tanto, cualquiera de los tres podría ser utilizado para estimar el
área foliar en el caso del cultivar Cencibel con los datos de la primera campaña, con los reparos
derivados del incumplimiento de alguno de los requisitos del modelo de regresión lineal, siendo más
recomendables, por ser más sencillos, aquellos que implican una única medida de la hoja,
concretamente los modelos (2.8) y (2.9).
Para finalizar con este estudio, se representan los modelos (2.8) y (2.9) en las Figuras nº 71 y nº
72, respectivamente, junto con los pares de los valores observados, (logSFa-logLm) para el primer
caso y (logSFa-logAm) para el segundo, tomando como ejes las variables logSFa y logLm para el
primer modelo y logSFa y logAm para el segundo.
3,00
logSFa = -0,259 +2,017.logLm (modelo 2.8)
2,50
R2 = 97,8%**
2,00
logSFa
1,50
1,00
0,50
0,00
0,10 0,30 0,50 0,70 0,90 1,10 1,30 1,50
logLm
** Significativo (p 0,01). Abreviaturas empleadas para las variables y sus unidades: consultar listado de
abreviaturas.
Figura 71. Diagrama de dispersión de logSFa frente a logLm y representación del
modelo (2.8), cv. Cencibel, 1ª Campaña (1995).
3,00
logSFa = -0,356 +2,138.logAm (modelo 2.9)
R2 = 97,7%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,00
0,10 0,30 0,50 0,70 0,90 1,10 1,30 1,50
logAm
abreviaturas.
Figura 72. Diagrama de dispersión de logSFa frente a logAm y representación del
A continuación, se procede con el estudio del modelo (2) empleando logP como variable
dependiente y logSFa, logLm.Am, logLm y logAm como variables independientes, sucesivamente
126
(Tabla 56). Los coeficientes de determinación que muestran los ARL son muy altos en los cuatro
2
casos (R >93%), con errores estándar muy bajos e idénticos, además todos ellos cumplen los
supuestos del modelo de regresión lineal, con excepción del criterio de homocedasticidad.
Tabla 56. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cencibel, 1ª Campaña (1995).
b0, b1, Residuos
X PI
(95%) (95%)
logSFa 0,769** 0,542**
94,0** 0,05 Sí Sí Sí 0 No No
(2.12) 0,757/0,781 0,535/0,548
logLm.Am 0,578** 0,575**
95,1** 0,05 Sí Sí Sí 0 No No
(2.13) 0,565/0,591 0,569/0,581
logLm 0,617** 1,104**
93,9** 0,05 Sí Sí Sí 0 No No
(2.14) 0,603/0,631 1,091/1,118
logAm 0,558** 1,176**
94,6** 0,05 Sí Sí Sí 0 No No
(2.15) 0,544/0,572 1,163/1,189
Cuando se utiliza el análisis de regresión “Stepwise” con modelo (3) con logP como variable
dependiente y logSFa, logLm.Am, logLm y logAm como posibles variables independientes, dos son
los modelos propuestos, el primero con un única variable independiente, logLm.Am, por lo que el
modelo resultante es el (2.13), que ya recoge la nº 56, mientras que para el segundo se incorpora,
además, la variable independiente logLm, sin embargo su inclusión no supone ninguna ventaja con
2
respecto al modelo univariante, al no aporta nada nuevo (R cambio=0,1%).
En definitiva, todos los modelos estudiados tomando como variable dependiente logP están en
una misma posición en cuanto al cumplimiento de los criterios estadísticos marcados (Tabla 56), por
lo que se opta por realizar con todos ellos el último paso del proceso descrito en el Apartado 4.9.3.7,
tres ARL simples y sin término independiente, empleando como variable dependiente en todos los
casos el logaritmo de los valores observados de P y como variable independiente de cada uno de los
análisis el logaritmo de los valores de P predichos por cada uno de los cuatro modelos señalados
(Tabla 57).
Tabla 57. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Cencibel, 1ª
Campaña (1995).
b1,
Residuos
X PI
(95%) Media
1,000**
logP modelo (2.12) 99,9** 0,05 Sí Sí No 0 No No
0,999/1,001
1,000**
logP modelo (2.13) 99,9** 0,05 Sí Sí Sí 0 No No
0,999/1,001
1,000**
logP modelo (2.14) 99,9** 0,05 Sí Sí No 0 No No
0,999/1,001
1,000**
logP modelo (2.15) 99,9** 0,05 Sí Sí Sí 0 No No
0,999/1,001
El valor del coeficiente de determinación de los cuatro ARL de la Tabla nº 55 está muy próximo a 1
y su un error estándar es muy pequeño y, aunque todos cumplen los criterios de linealidad e
independencia, solamente dos de ellos cumple el requisito de normalidad (modelos (2.13) y (2.15)) y
ninguno el de homocedasticidad. Cabe señalar que, aunque el modelo (2.14) no cumple
estrictamente el supuesto de normalidad, sin embargo el nivel crítico del estadístico Z de Kolmogorov-
Smirnov está muy próximo a 0,05, concretamente 0,04. En conclusión, no existen grandes diferencias
entre los modelos (2.13), (2.14) y (2.15) y, por tanto, cualquiera de los tres podría ser utilizado para
estimar el perímetro de la hoja en el caso del cultivar Cencibel con los datos de la primera campaña,
con los reparos que se puedan derivar del incumplimiento de algunos de los requisitos del modelo de
regresión lineal, tal y como se ha comentado anteriormente, siendo más recomendables, por ser más
sencillos, aquellos que implican una única medida de la hoja, concretamente los modelos (2.14) y
(2.15), que emplean Lm ó Am, respectivamente.
Como paso final, se presentan las Figuras nº 73 y nº 74, con la representación de los modelos
(2.14) y (2.15), respectivamente, junto con los pares de los valores observados correspondientes,
127
(logP-logLm) para el primer caso y (logP-logAm) para el segundo, tomando como ejes las variables
logP y logLm para el primer modelo y logP y logAm para el segundo.
2,30
logP=0,617 +1,104.logLm (modelo 2.14)
R2 = 93,9%**
2,00
1,70
logP
1,40
1,10
0,80
0,50
0,10 0,30 0,50 0,70 0,90 1,10 1,30 1,50
logLm
abreviaturas.
Figura 73. Diagrama de dispersión de logP frente a logLm y representación del
2,30
logP =0,558 +1,176.logAm (modelo 2.15)
R2 = 94,6%**
2,00
1,70
logP
1,40
1,10
0,80
0,50
0,10 0,30 0,50 0,70 0,90 1,10 1,30 1,50
logAm
abreviaturas.
Figura 74. Diagrama de dispersión de logP frente a logAm y representación del

A continuación, se presentan los resultados de los ARL que se han realizado con los tres modelos
de la Tabla nº 14 y los datos obtenidos con el material del cultivar Airén, de acuerdo con el
procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº 58 a 63 se resume la información
más relevante de todos los análisis realizados y en el Anejo nº 3 se han reunido los estadísticos y las
figuras asociados a los modelos seleccionados (Tablas 5 a 8 y Figs. 43 a 78; Anejo 3).
128
Tabla 58. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Airén. 2ª Campaña (1996).
b1, Residuos
X PI
Homoce-
(95%)
Lm 9,423**
94,8** 29,69 No No No 0 No No
(1.1) 9,200/9,647
2
Lm 0,584**
99,1** 12,41 Sí Sí No 0 No No
(1.2) 0,578/0,589
Am 9,727**
94,0** 31,79 No No No 0 No No
(1.3) 9,479/9,975
Am2 0,635**
99,0** 13,27 Sí Sí No 0 No No
(1.4) 0,629/0,642
Lm.Am 0,614**
99,6** 8,20 Sí Sí No 0 No No
(1.5) 0,610/0,618
(Lm.Am)2 0,002**
91,1** 38,81 No No No 0 No No
(1.6) 0,002/0,002
SEF 6,326**
54,2** 87,82 No No Sí 0 No No
(1.7) 5,740/6,912
2
2 2 2 2 2 2
(R =54,2%), con los mayores valores para Lm (R =99,1%), Am (R =99,0%) y Lm.Am (R =99,6%). El
como variable explicativa. De todos modos, ninguno de estos modelos cumple todos los supuestos
del modelo de regresión lineal; concretamente, ninguno cumple los requisitos de homocedasticidad y
media de la distribución de los residuos nula, sólo cumple el requisito de distribución normal de los
residuos el modelo que emplea SEF como variable independiente y el supuesto de independencia de
2 2
los residuos lo cumplen únicamente las rectas que utilizan Lm , Am y Lm.Am como variable
independiente, que son las mismas que cumplen el criterio de linealidad.
Tabla 59. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Airén. 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
Lm -66,367** 13,993**
95,8** 15,06 No No Sí 0 No No
(2.1) -70,367/-62,460 13,698/14,288
2
Lm 5,299** 0,564**
97,3** 12,04 Sí Sí No 0 No No
(2.2) 3,213/7,386 0,555/0,574
Am -71,258** 14,834**
94,5** 17,35 No No Sí 0 No No
(2.3) -75,949/-66,567 14,472/15,197
Am2 1,388 (ns) 0,630**
96,8** 13,27 Sí Sí No 0 No No
(2.4) -0,975/0,641 0,618/0,641
Lm.Am 1,597* 0,608**
98,8** 8,16 Sí Sí No 0 No No
(2.5) 0,155/3,039 0,601/0,615
2
(Lm.Am) 42,851** 0,001**
90,8** 22,36 No No No 0 No No
(2.6) 39,798/45,904 0,001/0,001
SEF 264,35** -10,687**
24,5** 64,19 No No Sí 0 No No
(2.7) 235,76/292,93 -12,576/-8,798
** Significativo (p 0,01); * Significativo (p 0,05); (ns): No significativo. Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
2 2
Cuando se emplea SFa con el segundo modelo como variable independiente y Lm, Lm , Am, Am .
2
Lm.Am, (Lm.Am) ó SEF como variable independiente (Tabla 59), la situación es parecida a la
2
anterior, es decir, coeficientes de determinación muy altos (R >90%), excepto para el modelo que
2
utiliza SEF (R =24,5%) y, asimismo, ninguna de las rectas cumple la totalidad de los supuestos del
modelo de regresión lineal, aunque, ahora la media de la distribución de los residuos sí es nula en
todos los casos, pero ninguno de ellos cumple el criterio de homocedasticidad y, de los que cumplen
el supuesto de normalidad (Lm, Am y SEF), ninguno verifica el de linealidad y/o el de independencia
2 2
de los residuos y, por el contrario, los que observan estos dos últimos criterios (Lm , Am y Lm.Am)
no cumplen con el supuesto de normalidad de la distribución de los residuos.
129
Tabla 60. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Airén. 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logLm -0,154** 1,939**
98,8** 0,04 Sí Sí Sí 0 Sí No
(2.8) -0,177/-0,131 1,918/1,960
logAm -0,186** 1,990**
98,6** 0,05 Sí Sí Sí 0 Sí No
(2.9) -0,212/-0,161 1,966/2,015
logLm.Am -0,185** 0,989**
99,4** 0,03 Sí No No 0 Sí No
(2.10) -0,201/-0,168 0,981/0,997
logSEF 4,648** -2,394**
30,1** 0,34 No No No 0 No No
(2.11) 4,221/5,075 -2,761/-2,026
Si el modelo lineal simple que se emplea incluye los logaritmos de las variables, tanto de la
dependiente como de la independiente (Tabla 60), tres de los modelos ensayados, los que utilizan
como variable independiente logLm, logAm y logLm.Am, presentan coeficientes de determinación
muy altos, superiores al 98%, y un error estándar pequeño. De los tres, únicamente los dos primeros
cumplen todos los supuestos del modelo de regresión lineal. Sin embargo, el modelo (2.10) está
próximo al cumplimiento de los dos criterios que no verifica, por un lado el de independencia, ya que
tiene un valor de 1,39 para el estadístico d, cercano al valor inferior de 1,5 marcado al efecto, y, por
otro el supuesto de normalidad, con un valor del nivel de significación del estadístico Z de 0,02,
cuando el límite está situado en 0,05. Además, ninguno tiene puntos de influencia.
Con el modelo (3) de la Tabla nº 14 se ha realizado el análisis de regresión con el método
2 2 2
“Stepwise”, incluyendo como posibles variables independientes Lm, Lm , Am, Am , Lm.Am, (Lm.Am)
y SEF, frente a la variable dependiente SFa. Como resultado, el análisis ofrece dos modelos, el
primero incluye como única variable independiente Lm.Am, por lo que no es otro que el modelo (2.5)
de la Tabla nº 59, ya comentado. En el segundo caso, el análisis por pasos incluye en el modelo una
2
segunda variable, Lm, pero con una contribución mínima (R cambio=0,0%), dato que apoya su
exclusión.
independiente y logLm, logAm, logLm.Am y logSEF como posibles variables independientes, la única
variable independiente incluida es logLm.Am, con lo que el modelo obtenido es el (2.10) de la Tabla
nº 60.
De todos los modelos probados para estimar SFa, únicamente dos pasan los filtros estadísticos
impuestos, los modelos (2.8) y (2.9) de la Tabla nº 60. Sin embargo, como se ha comentado
anteriormente, el modelo (2.10) está cercano al cumplimiento de los criterios que incumple,
independencia y normalidad, por lo que, a la vista de los resultados obtenidos en otros cultivares, se
considera conveniente tenerlo en cuenta. A continuación, con estos tres modelos se realiza el último
paso del proceso descrito en el Apartado 4.9.3.7, realizando tres ARL simples y sin término
independiente, empleando como variable dependiente en los tres casos el logaritmo de los valores
observados de SFa y, como variable independiente de cada uno de los análisis, el logaritmo de los
valores de SFa predichos por cada uno de los dos modelos seleccionados (Tabla 61).
Tabla 61. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Airén. 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
dencia Lidad dasticidad
1,000**
logSFa modelo (2.8) 99,9** 0,04 Sí Sí Sí 0 Sí No
0,998/1,002
1,000**
logSFa modelo (2.9) 99,9** 0,05 Sí No Sí 0 Sí No
0,997/1,003
1,000**
logSFa modelo (2.10) 100** 0,03 Sí No No 0 Sí No
0,998/1,002
El valor del coeficiente de determinación de los tres ARL de la Tabla nº 61 es muy alto y todos
tienen un error estándar muy bajo, pero el único análisis que cumple todos los requisitos del modelo
de regresión lineal es el que emplea como variable independiente el valor de logSFa calculado con la
130
expresión del modelo (2.8). Los otros dos modelos, sin embargo, están muy próximos al cumplimiento
del criterio de independencia de los residuos, ya que el estadístico d de Durbin-Watson tiene un valor
de 1,32 para el modelo (2.9) y 1,39 para el modelo (2.10), muy cercano al límite inferior establecido
de 1,5. Además, el modelo (2.10) está muy próximo al cumplimiento del supuesto de normalidad, con
un valor del nivel de significación del estadístico Z de 0,021, cuando el límite se ha situado en 0,05.
En definitiva, y teniendo en cuenta estos últimos comentarios, cualquiera de los tres modelos podría
ser utilizado para estimar el área foliar en el caso del cultivar Airén, con los reparos que se puedan
derivar del incumplimiento de algunos de los requisitos del modelo de regresión lineal, tal y como se
ha comentado anteriormente, siendo más recomendables, por ser más sencillos, los dos primeros, al
implicar una única medida de la hoja, Lm ó Am.
Como paso final de este estudio realizado con el área foliar en el cultivar Airén, se representan, en
las Figuras nº 75 y nº 76, los modelos (2.8) y (2.9) respectivamente, junto con los pares de los valores
observados correspondientes, (logSFa-logLm) para el primer caso y (logSFa-logAm) para el segundo,
tomando como ejes las variables logSFa y logLm para el primer modelo y logSFa y logAm para el
segundo.
3,00

2,50
R2 = 98,8%**
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logLm
abreviaturas.
modelo (2.8), cv. Airén. 2ª Campaña (1996).
3,00
R2 = 98,6%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.
modelo (2.9), cv. Airén. 2ª Campaña (1996).
131
En cuanto a los modelos planteados para estimar el perímetro de la hoja, el estudio realizado con
el modelo (2) tomando logP como variable dependiente y logSFa, logLm.Am, logLm y logAm
sucesivamente como variables independientes (Tabla 62), muestran unos coeficientes de
2
determinación muy altos en los cuatro casos (R >96%) y errores estándar pequeños. En cuanto al
cumplimiento de los supuestos de modelo de regresión lineal, en todos los casos se cumple el
supuesto de homocedasticidad, la media de la distribución de los residuos es nula y la relación es
lineal, sólo tres modelos cumplen el requisito de normalidad (modelos (2.13), (2.14) y (2.15) y ninguno
de los cuatro modelos cumple la restricción de independencia de los residuos.
Tabla 62. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Airén. 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logSFa 0,719** 0,547**
96,4** 0,04 Sí No No 0 Sí No
(2.12) 0,698/0,739 0,537/0,558
logLm.Am 0,610** 0,545**
97,2** 0,04 Sí No Sí 0 Sí No
(2.13) 0,590/0,630 0,536/0,554
logLm 0,629** 1,066**
96,3** 0,04 Sí No Sí 0 Sí No
(2.14) 0,660/0,652 1,045/1,088
logAm 0,607** 1,099**
96,7** 0,04 Sí No Sí 0 Sí No
(2.15) 0,585/0,629 1,078/1,119
Cuando se aplica el análisis de regresión “Stepwise” al modelo (3) con logP como variable
dependiente y log SFa, logLm.Am, logLm y logAm como potenciales variables independientes, la
única variable independiente incluida es logLm.Am, por lo que el modelo resultante es el (2.13), que
ya recoge la Tabla nº 62.
En definitiva, en el caso de los modelos estudiados tomando como variable dependiente logP, tres
de ellos, los modelos (2.13), (2.14) y (2.15), están en una misma posición en cuanto al cumplimiento
de los criterios estadísticos marcados (Tabla 62) y, aunque ninguno de ellos cumple el criterio de
independencia de los residuos, se opta por realizar con ellos el último paso del proceso descrito en el
Apartado 4.9.3.7, tres ARL simples y sin término independiente, empleando como variable
dependiente en todos los casos el logaritmo de los valores observados de P y como variable
independiente de cada uno de los análisis el logaritmo de los valores de P predichos por cada uno de
los tres modelos señalados (Tabla 63).
Tabla 63. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Airén. 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
logP modelo (2.13) 99,9** 0,04 Sí No Sí 0 Sí No
0,998/1,002
1,000**
0,997/1,003
1,000**
0,998/1,002
Todos los ARL de la Tabla nº 63 tienen un coeficiente de determinación muy próximo a 1 y un

error estándar muy pequeño, 0,04 en los tres casos, y, aunque todos cumplen los criterios de
linealidad, normalidad y homocedasticidad del modelo de regresión lineal, ninguno de ellos verifica el
requisito de independencia de los residuos. En definitiva, no existe ninguna diferencia apreciable
entre los modelos (2.13), (2.14) y (2.15) y, por tanto, cualquiera de los tres podría ser utilizado para
estimar el perímetro de la hoja en el caso del cultivar Airén, con los reparos que se puedan derivar del
incumplimiento del requisito de independencia de los residuos, tal y como se ha comentado
anteriormente, siendo más recomendables, por ser más sencillos, aquellos que implican una única
medida de la hoja, concretamente los modelos (2.14) y (2.15), que emplean Lm ó Am,
respectivamente.
Para finalizar este estudio, se presentan, en las Figuras nº 77 y nº 78, los modelos (2.14) y (2.15)
respectivamente, junto con los pares de los valores observados correspondientes, (logP-logLm) para
132
el primer caso y (logP-logAm) para el segundo, tomando como ejes las variables logP y logLm para el
primer modelo y logP y logAm para el segundo.
2,25
logP = 0,629 +1,066.logLm (modelo 2.14)
R2 = 96,3%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,70 0,90 1,10 1,30 1,50
logLm
abreviaturas.
modelo (2.14), cv. Airén, 2ª Campaña (1996).
2,25
logP = 0,607 +1,099.logAm (modelo 2.15)
R2 = 96,7%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.
modelo (2.15), cv. Airén, 2ª Campaña (1996).

En este apartado, se muestran los resultados obtenidos al realizar los ARL a los tres modelos de
la Tabla nº 14 con los datos obtenidos con el material del cultivar Cabernet-Sauvignon, de acuerdo
con el procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº 64 a 69 se resume la
información más relevante de todos los análisis realizados y en el Anejo nº 3 se han reunido los
estadísticos y las figuras asociados a los modelos seleccionados (Tablas 9 a 12 y Figs. 79 a 114;
Anejo 3).
2
2 2 2 2 2 2
error estándar más bajo lo presentan los modelos (1.2), (1.4) y (1.5). Sin embargo, ninguno de estos
modelos cumple todos los supuestos del modelo de regresión lineal; en concreto ninguno cumple los
133
requisitos de homocedasticidad y media de la distribución de los residuos nula y el de independencia

2 2
de los residuos lo verifican únicamente las rectas que utilizan Lm , Am y Lm.Am, que son las mismas
que cumplen el criterio de linealidad.
Tabla 64. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Cabernet-Sauvignon, 2ª
Campaña (1996).
b1, Residuos
X PI
Homoce-
(95%)
Lm 8,114**
94,4** 23,86 No No No 0 No No
(1.1) 7,915/8,312
Lm2 0,581**
98,4** 12,64 Sí Sí No 0 No No
(1.2) 0,573/0,588
Am 8,584**
94,9** 22,79 No No No 0 No No
(1.3) 8,384/8,784
Am2 0,642**
98,6** 11,97 Sí Sí No 0 No No
(1.4) 0,634/0,649
Lm.Am 0,614**
98,9** 10,47 Sí Sí No 0 No No
(1.5) 0,608/0,621
(Lm.Am)2 0,002**
89,8** 32,21 No No No 0 No No
(1.6) 0,002/0,003
SEF 5,038**
56,9** 66,21 No No No 0 No No
(1.7) 4,599/5,478
2 2
2
2
anterior, coeficientes de determinación muy altos (R >86%), excepto para el modelo que utiliza SEF
2
(R =17,4%) y, asimismo, ninguna de las rectas cumple la totalidad de los supuestos del modelo de
regresión lineal, aunque, ahora la media de la distribución de los residuos sí es nula en todos los
casos, pero ninguno de ellos cumple el criterio de homocedasticidad y, de los que cumplen el
supuesto de normalidad (Lm, Am y SEF), ninguno verifica el de linealidad y/o el de independencia de
2 2
los residuos y, por el contrario, los que observan estos dos últimos criterios (Lm , Am y Lm.Am), no
cumplen con el supuesto de normalidad de la distribución de los residuos.
Tabla 65. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cabernet-Sauvignon, 2ª Campaña
(1996).
b0, b1, Residuos
X PI
(95%) (95%)
Lm -56,609** 12,513**
93,4** 13,82 No Sí Sí 0 No No
(2.1) -60,651/-52,566 12,178/12,847
2
Lm 2,112 (ns) 0,570**
94,5** 12,61 Sí Sí No 0 No No
(2.2) -0,273/4,497 0,557/0,584
Am -54,476** 13,040**
94,6** 12,45 No Sí Sí 0 No No
(2.3) -58,049/-50,902 14,472/15,197
2
Am 4,275** 0,619**
95,2** 11,75 Sí Sí No 0 No No
(2.4) 2,100/6,451 0,605/0,633
Lm.Am 2,068* 0,604**
96,2** 10,43 Sí Sí No 0 No No
(2.5) 0,108/4,029 0,592/0,616
2
(Lm.Am) 35,850** 0,002**
86,6** 19,71 No No No 0 No No
(2.6) 33,061/38,638 0,002/0,002
SEF 166,22** -5,545**
17,4** 48,90 No No Sí 0 No No
(2.7) 147,92/184,51 -6,755/-4,336
** Significativo (p 0,01); (ns): No significativo. Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
Cuando el modelo lineal simple que se emplea incluye los logaritmos de las variables, tanto de la
dependiente como de la independiente (Tabla 66), tres de los modelos ensayados, los que utilizan
como variable independiente logLm, logAm y logLm.Am, presentan coeficientes de determinación
muy altos, superiores al 98%, y un error estándar pequeño. De los tres, únicamente el primero cumple
todos los supuestos del modelo de regresión lineal, aunque el modelo (2.9) está cercano al
cumplimiento del supuesto de normalidad (nivel de significación del estadístico Z es 0,02). Además,
ninguno tiene puntos de influencia.
134
Tabla 66. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cabernet-Sauvignon, 2ª
Campaña (1996).
b0, b1, Residuos
X Indepen Norma- Homoce- PI
(%) Estándar confianza confianza lidad Media
(95%) (95%)
logLm -0,216** 1,983**
97,9** 0,05 Sí Sí Sí 0 Sí No
(2.8) -0,247/-0,186 1,954/2,012
logAm -0,136** 1,954**
97,9** 0,05 Sí Sí No 0 Sí No
(2.9) -0,166/-0,107 1,925/1,983
logLm.Am -0,191** 0,991**
98,6** 0,04 Sí Sí No 0 Sí No
(2.10) -0,215/-0,166 0,979/1,003
logSEF 3,512** -1,486**
20,6** 0,33 No No No 0 Sí No
(2.11) 3,175/3,850 -1,779/-1,194
Con el modelo (3) se ha realizado el análisis de regresión con el método “Stepwise”, incluyendo
2 2 2
como posibles variables independientes Lm, Lm , Am, Am , Lm.Am, (Lm.Am) y SEF, frente a la
variable dependiente SFa. Como resultado, el análisis ofrece cuatro modelos, el primero posee como
única variable independiente Lm.Am, por lo que no es otro que el modelo (2.5) de la Tabla nº 65, ya
comentado. En el segundo caso, el análisis por pasos incluye en el modelo una segunda variable,
2 2
(Lm.Am) , pero con una contribución mínima (R cambio=0,2%). Para los siguientes modelos, el tercero
que introduce la variable SEF, además de las dos anteriores, y el cuarto, que incluye también Lm, la
situación es todavía más clara que para el segundo, ya que la contribución al modelo de las variables
2
introducidas en cada paso es todavía menor (tercer modelo, R cambio=0,1%; cuarto modelo,
2
R cambio=0,0%) por lo que se opta por desestimar todos estos modelos.
Al aplicar el análisis de regresión “Stepwise” al modelo (3) con logSFa como variable
independiente y logLm, logAm, logLm.Am y logSEF como posibles variables independientes, el
análisis aporta dos modelos como resultado, en el primero la única variable independiente incluida es
logLm.Am, con lo que el modelo obtenido es el (2.10) de la Tabla nº 66, del que, por tanto, ya se ha
hablado. En el segundo modelo, el análisis por pasos incluye como segunda variable logSEF, pero
2
con una contribución nula (R cambio=0,0%).
En definitiva, de todos los modelos probados para estimar SFa, sólo el modelo (2.8) de la Tabla nº
66 salva todos los filtros estadísticos. Sin embargo, el modelo (2.9) está cercano al cumplimiento del
criterio de normalidad, el único requisito que incumple, por lo que, a la vista de los resultados
obtenidos en otros cultivares, se considera conveniente tenerlo en cuenta en los siguientes pasos del
estudio. En cuanto al modelo (2.10), que incumple únicamente el criterio de normalidad, igualmente
se estima oportuno considerarlo. Con estos tres modelos, por tanto, se realiza el último paso del
proceso, realizando tres ARL simples y sin término independiente, empleando como variable
dependiente en ambos casos el logaritmo de los valores observados de SFa y, como variable
independiente de cada uno de los análisis, el logaritmo de los valores de SFa predichos por cada uno
de los dos modelos seleccionados (Tabla 67).
Tabla 67. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Cabernet-
Sauvignon, 2ª Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
logSFa modelo (2.8) 99,9** 0,05 Sí Sí No 0 Sí No
0,997/1,003
1,000**
0,997/1,003
1,000**
0,998/1,002
todos tienen un error estándar muy bajo, pero ninguno de los tres análisis cumple todos los requisitos
del modelo de regresión lineal; concretamente, todos incumplen el supuesto de normalidad de los
residuos. A pesar de ello, cualquiera de ellos podría ser utilizado para estimar el área foliar en el caso
del cultivar Cabernet-Sauvignon, con los reparos que se puedan derivar del incumplimiento de
algunos de los requisitos del modelo de regresión lineal, tal y como se ha comentado anteriormente,
135
siendo más recomendables, por ser más sencillos, los dos primeros, al implicar una única medida de
la hoja, Lm ó Am.
Finalmente, se representan, en las Figuras nº 79 y nº 80, los modelos (2.8) y (2.9),
respectivamente, junto con los pares de los valores observados correspondientes, (logSFa-logLm),
para el primer caso, y (logSFa-logAm), para el segundo, tomando como ejes las variables logSFa y
logLm para el primer modelo y logSFa y logAm para el segundo.
3,00
R2 = 97,9%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40
logLm
abreviaturas.
modelo (2.8), cv. Cabernet-Sauvignon, 2ª Campaña (1996).
3,00
R2 = 97,9%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40
logAm
abreviaturas.
En cuanto a los modelos planteados para estimar el perímetro de la hoja, en el estudio realizado
con el modelo (2) tomando logP como variable dependiente y logSFa, logLm.Am, logLm y logAm
sucesivamente como variables independientes (Tabla 68), todos muestran unos coeficientes de
2
determinación muy altos (R >95%) y errores estándar pequeños. En cuanto al cumplimiento de los
supuestos de modelo de regresión lineal, en todos los casos se cumple el supuesto de
homocedasticidad, la media de la distribución de los residuos es nula y la relación es lineal, pero sólo
los modelos (2.13), (2.14) y (2.15) cumplen los requisitos de normalidad y de independencia de los
residuos.
136
Tabla 68. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cabernet-Sauvignon, 2ª Campaña
(1996).
b0, b1, Residuos
dencia lidad Casticidad
(95%) (95%)
logSFa 0,771** 0,516**
96,4** 0,04 Sí No Sí 0 No No
(2.12) 0,752/0,789 0,506/0,526
logLm.Am 0,666** 0,515**
96,3** 0,04 Sí Sí Sí 0 Sí No
(2.13) 0,645/0,686 0,505/0,525
logLm 0,651** 1,031**
95,8** 0,04 Sí Sí Sí 0 Sí No
(2.14) 0,629/0,674 1,009/1,053
logAm 0,695** 1,014**
95,4** 0,04 Sí Sí Sí 0 Sí No
(2.15) 0,672/0,717 0,992/1,037
Cuando se aplica el análisis de regresión “Stepwise” al modelo (3), con logP como variable
dependiente y log SFa, logLm.Am, logLm y logAm como potenciales variables independientes, dos
son los modelos propuestos. El primero incluye una única variable independiente, logSFa, por lo que
el modelo resultante es el (2.12), que ya recoge la Tabla nº 68. En el segundo modelo, el análisis por
pasos incluye como segunda variable logLm.Am, pero con una contribución muy pequeña
2
(R cambio=0,3%), lo que avala su no-inclusión.
En definitiva, en el caso de los modelos estudiados tomando como variable dependiente logP, tres
de ellos, los modelos (2.13), (2.14) y (2.15), están en una misma posición en cuanto al cumplimiento
de los criterios estadísticos marcados (Tabla 68) y se realiza con ellos el último paso del proceso
descrito en el Apartado 4.9.3.7, ARL simples y sin término independiente, empleando como variable
dependiente en todos los casos el logaritmo de los valores observados de P y como variable
independiente de cada uno de los análisis los valores de logP predichos por cada uno de los tres
modelos señalados (Tabla 69).
Tabla 69. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Cabernet-
b1,
Residuos
X PI
(95%) Media
1,000**
logP modelo (2.13) 100** 0,04 Sí Sí Sí 0 Sí No
0,998/1,002
1,000**
logP modelo (2.14) 99,9** 0,04 Sí Sí Sí 0 Sí No
0,998/1,002
1,000**
0,998/1,002
Todos los ARL de la Tabla nº 69 tienen un coeficiente de determinación muy próximo a 1 y un

error estándar muy pequeño, 0,04 en los tres casos, y todos cumplen los criterios de linealidad,
normalidad, homocedasticidad e independencia de los residuos del modelo de regresión lineal. En
definitiva, no existe ninguna diferencia estadística entre los modelos (2.13), (2.14) y (2.15) y por tanto,
cualquiera de los tres podría ser utilizado para estimar el perímetro de la hoja en el caso del cultivar
Cabernet-Sauvignon, siendo más recomendables, por ser más sencillos, aquellos que implican una
única medida de la hoja, concretamente los modelos (2.14) y (2.15), que emplean Lm ó Am,
respectivamente.
Como paso final de este estudio, se presentan en las Figuras nº 81 y nº 82 los modelos (2.14) y
(2.15) respectivamente, junto con los pares de los valores observados correspondientes, (logP-logLm)
para el primer caso y (logP-logAm) para el segundo, tomando como ejes las variables logP y logLm
para el primer modelo y logP y logAm para el segundo.
137
2,25
R2 = 95,8%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40
logLm
abreviaturas.
2,25
R2 = 95,4%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40
logAm
abreviaturas.

Se presentan, a continuación, los resultados de los ARL realizados a los modelos de la Tabla nº
14 con los datos obtenidos con el material del cultivar Cencibel en la segunda campaña, de acuerdo
con el procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº 70 a 75 se resume la
información más relevante de todos los análisis realizados y en el Anejo nº 3 se han reunido los
Anejo 3).
2
2 2 2 2 2 2
como variable explicativa. De todos modos, ninguno de estos modelos verifica todos los supuestos
del modelo de regresión lineal; concretamente ninguno cumple los requisitos de normalidad,
138
homocedasticidad y media de la distribución de los residuos nula, y el supuesto de independencia de

2 2
los residuos lo cumplen únicamente las rectas que utilizan Lm , Am y Lm.Am, que son las mismas
(1996).
b1, Residuos
X PI
Homoce-
(95%)
Lm 9,672**
94,4** 34,28 No No No 0 No No
(1.1) 9,434/9,911
2
Lm 0,556**
98,4** 18,50 Sí Sí No 0 No No
(1.2) 0,573/0,564
Am 10,090**
93,9** 35,69 No No No 0 No No
(1.3) 9,231/10,35
2
Am 0,612**
98,2** 19,40 Sí Sí No 0 No No
(1.4) 0,603/0,620
Lm.Am 0,587**
98,7** 16,68 Sí Sí No 0 No No
(1.5) 0,580/0,594
(Lm.Am)2 0,002**
87,8** 50,46 No No No 0 No No
(1.6) 0,001/0,002
SEF 7,330**
53,4** 98,67 No No No 0 No No
(1.7) 6,639/8,021
2 2
Cuando se emplea el segundo modelo con SFa como variable independiente y Lm, Lm , Am, Am .
2
2
anterior; coeficientes de determinación muy altos (R >84%), excepto para el modelo que utiliza SEF
2
supuesto de normalidad (Lm y Am), ninguno verifica ni el de linealidad ni el de independencia de los
2 2
residuos y, por el contrario, los que observan estos dos últimos criterios (Lm , Am y Lm.Am), no
Tabla 71. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Cencibel, 2ª Campaña (1996).
b0, b1, Residuos
(%) Estándar confianza confianza Lidad Media
dencia lidad Casticidad
(95%) (95%)
Lm -73,109** 14,379**
94,1** 19,80 No No Sí 0 No No
(2.1) -79,109/-68,548 14,015/14,743
2
Lm 6,357** 0,536**
95,0** 18,16 Sí Sí No 0 No No
(2.2) 3,167/9,546 0,524/0,549
Am -79,652** 15,424**
93,8** 20,25 No No Sí 0 No No
(2.3) -85,199/-74,105 15,024/15,824
2
Am 4,290** 0,596**
94,4** 19,25 Sí Sí No 0 No No
(2.4) 1,166/8,013 0,581/0,610
Lm.Am 4,142* 0,573**
95,9** 16,54 Sí Sí No 0 No No
(2.5) 1,209/7,075 0,561/0,585
(Lm.Am)2 52,265** 0,001**
84,5 ** 32,07 No No No 0 No No
(2.6) 47,917/56,613 0,001/0,001
SEF 251,026** -9,462**
19,2** 73,35 No No No 0 No No
(2.7) 222,86/279,192 -11,415/-7,509
coeficientes de determinación muy altos, superiores al 97%, y un error estándar pequeño; son,
concretamente, los que utilizan como variable independiente logLm, logAm y logLm.Am. De los tres,
todos respetan el criterio de independencia de los residuos, sólo los dos primeros cumplen el
supuesto de homocedasticidad, pero ninguno de los tres verifica el requisito de normalidad de la
distribución de los residuos. Por otra parte, ninguno tiene puntos de influencia.
139
Tabla 72. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Cencibel, 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logLm -0,170** 1,936**
97,9** 0,06 Sí Sí No 0 Sí No
(2.8) -0,202/-0,139 1,907/1,064
logAm -0,229** 2,016**
97,5** 0,06 Sí Sí No 0 Sí No
(2.9) -0,265/-0,193 1,983/2,049
logLm.Am -0,212** 0,993**
98,3** 0,05 Sí Sí No 0 No No
(2.10) -0,241/-0,183 0,980/1,007
logSEF 4,260** -2,064**
28,3** 0,34 No No Sí 0 Sí No
(2.11) 3,884/4,635 -2,395/-1,733
Con el modelo (3) se ha realizado el análisis de regresión con el método “Stepwise”, incluyendo,
2 2 2
como posibles variables independientes, Lm, Lm , Am, Am , Lm.Am, (Lm.Am) y SEF, frente a la
variable dependiente SFa. Como resultado, el análisis ofrece cuatro modelos, el primero incluye como
2 2
(Lm.Am) , pero con una contribución mínima (R cambio=0,5%), dato que apoya su exclusión. Para los
siguientes modelos, el tercero que introduce la variable SEF y el cuarto que incluye además Am, la
situación es todavía más clara que para el segundo, ya que la contribución al modelo de las variables
2
introducidas en cada paso es todavía menor (tercer modelo, R cambio=0,2%; cuarto modelo,
2
R cambio=0,1%) por lo que no se opta por la inclusión de ninguna de ellas.
independiente y logLm, logAm, logLm.Am y logSEF como posibles variables independientes, como
resultado, el análisis aporta tres modelos; en el primero la única variable independiente incluida es
logLm.Am, con lo que el modelo obtenido es el (2.10) de la Tabla nº 72. En el segundo modelo, el
análisis por pasos incluye como segunda variable logSEF, pero con una contribución muy escasa
2
(R cambio=0,1%), dato que apoya su no-inclusión. Para el tercero, además, se añade la variable logLm,
2
pero dada su nula contribución al modelo (R cambio=0,0%), no se tiene en cuenta su inclusión.
En resumen, de todos los modelos probados para estimar SFa, ninguno de ellos cumple todos los
filtros estadísticos impuestos. Sin embargo, los modelos (2.8) y (2.9) de la Tabla nº 72 únicamente
incumplen un criterio, el de normalidad, y el modelo (2.10) incumple los supuestos de normalidad y
homocedasticidad; por ello, y a la vista de los resultados obtenidos en otros cultivares, se considera
conveniente tenerlos en cuenta. De esta manera, con estos tres modelos se realiza el último paso del
proceso descrito en el Apartado 4.9.3.7, realizando tres ARL simples y sin término independiente,
empleando como variable dependiente, en todos los casos, el logaritmo de los valores observados de
SFa y, como variable independiente de cada uno de los análisis, el logaritmo de los valores de SFa
el error estándar es muy bajo, pero ninguno de los análisis cumple todos los requisitos del modelo de
regresión lineal. A pesar de ello, cualquiera de ellos podría ser utilizado para estimar el área foliar en
el caso del cultivar Cencibel, con los reparos que se puedan derivar del incumplimiento de algunos de
los requisitos del modelo de regresión lineal, tal y como se ha comentado anteriormente, siendo más
recomendables, por ser más sencillos, los dos primeros, al implicar una única medida de la hoja, Lm ó
Am.
Tabla 73. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Cencibel, 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
0,997/1,003
1,000**
0,997/1,003
1,000**
0,997/1,003
140

3,00
R2 = 97,9%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logLm
** Significativo (p 0,01). Abreviaturas empleadas para las variables y sus unidades: consultar listado de abreviaturas.
3,00

R2 = 97,5%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,70 0,90 1,10 1,30 1,50
logAm
** Significativo (p 0,01). Abreviaturas empleadas para las variables y sus unidades: consultar listado de abreviaturas.
el modelo (2), tomando logP como variable dependiente, y logSFa, logLm.Am, logLm y logAm,
sucesivamente, como variables independientes (Tabla 74), muestra unos coeficientes de
2
determinación muy altos en los cuatro casos (R >94%) y errores estándar pequeños. Por lo que
respecta al cumplimiento de los supuestos de modelo de regresión lineal, en todos los casos se
cumple el supuesto de linealidad y la media de la distribución de los residuos es nula, pero sólo los
modelos (2.13), (2.14) y (2.15) cumplen los requisitos de homocedasticidad y normalidad. Con
respecto al criterio de independencia de los residuos, únicamente lo verifica el modelo (2.15), aunque
su cumplimiento está cercano para los modelos (2.13) y (2.14), con valores para el estadístico d de
1,387 y 1,308, respectivamente.
141
Tabla 74. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Cencibel, 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
nidad 0,740** 0,550**
94,9** 0,05 Sí No No 0 No No
(2.12) 0,715/0,766 0,537/0,563
nida.Am 0,613** 0,551**
94,9** 0,05 Sí No Sí 0 Sí No
(2.13) 0,585/0,642 0,538/0,564
nida 0,638** 1,072**
94,3** 0,05 Sí No Sí 0 Sí No
(2.14) 0,609/0,667 1,045/1,099
nida 0,602** 1,120**
94,4** 0,05 Sí Sí Sí 0 Sí No
(2.15) 0,572/0,632 1,092/1,148
** Significativo (p 0,01). Abreviaturas empleadas en la tabla para las variables y sus nidades: consultar listado de abreviaturas.
Cuando se aplica el nidades de regresión “ nidades” al modelo (3), con logP como variable
dependiente y log SFa, nida.Am, nida y nida como potenciales variables independientes, dos son
los modelos propuestos. El primero incluye una única variable independiente, nida.Am, por lo que el
modelo resultante es el (2.13), de la Tabla nº 74. En el segundo modelo, el nidades por pasos
introduce como segunda variable nidad, pero con una nidades ent muy pequeña al modelo
2
(R cambio=0,4%), lo que avala su no-inclusión.
En definitiva, de todos los modelos estudiados tomando como variable dependiente logP, sólo el
modelo (2.15) de la Tabla nº 74 pasa los filtros estadísticos impuestos. Sin embargo, como se ha
comentado anteriormente, los modelos (2.13) y (2.14) están cercanos al cumplimiento del criterio de
independencia de los residuos, el único que no verifican, por lo que, a la vista de los resultados
obtenidos en otros cultivares, se considera conveniente tenerlos en cuenta. Con estos tres modelos
se realiza, por tanto, el último paso del proceso descrito en el Apartado 4.9.3.7, tres ARL simples y sin
término independiente, empleando como variable dependiente, en todos los casos, el logaritmo de los
valores observados de P y como variable independiente, de cada uno de los nidades, los valores de
logP predichos por cada uno de los tres modelos señalados (Tabla 75).
Tabla 75. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Cencibel, 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
0,997/1,003
1,000**
0,997/1,003
1,000**
0,997/1,003
** Significativo (p 0,01). Abreviaturas empleadas en la tabla para las variables y sus nidades: consultar listado de abreviaturas.
Todos los ARL de la Tabla nº 75 tienen un coeficiente de nidades ente muy próximo a 1 y un
error estándar muy pequeño, 0,05 en los tres casos, y todos cumplen los criterios de linealidad,
normalidad y homocedasticidad de los residuos; únicamente, el último modelo verifica el criterio de
independencia de los residuos del modelo de regresión lineal, si bien es cierto que el valor del
estadístico d de los otros dos modelos está cercano a 1,5, límite inferior establecido para certificar el
cumplimiento de este criterio, 1,387 y 1,308, respectivamente. En definitiva, el modelo (2.15) se
presenta como el mejor para estimar el perímetro de la hoja en el caso del cultivar Cencibel, si bien,
de acuerdo con lo comentado en los párrafos anteriores, los modelos (2.13) y (2.14) podrían ser
nidades e utilizados con los reparos que se puedan derivar del incumplimiento de algunos de los
requisitos del modelo de regresión lineal, siendo más recomendables, por ser más sencillos, aquellos
que implican una única medida de la hoja, nidades ente los modelos (2.14) y (2.15), que emplean
Lm ó Am, respectivamente.
Como paso final, se presentan en las Figuras nº 85 y nº 86 los modelos (2.14) y (2.15),
el primer caso y (logP-logAm) para el segundo, tomando como ejes las variables logP y nida para el
primer modelo y logP y nida para el segundo.
142
2,30
R2 = 94,3%**
2,10
1,90
logP 1,70
1,50
1,30
1,10
0,45 0,55 0,65 0,75 0,85 0,95 1,05 1,15 1,25 1,35 1,45
logLm
** Significativo (p 0,01). Abreviaturas empleadas para las variables y sus nidades: consultar listado de
abreviaturas.
2,30
R2 = 94,4%**
2,10
1,90
logP
1,70
1,50
1,30
1,10
0,45 0,55 0,65 0,75 0,85 0,95 1,05 1,15 1,25 1,35 1,45
logAm
abreviaturas.

En este apartado se presentan los resultados de los ARL que se han realizado el ARL con los
modelos de la Tabla nº 14 y los datos obtenidos con el material del cultivar Garnacha en la segunda
campaña, de acuerdo con el procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº 76 a 81
se resume la información más relevante de todos los análisis realizados y en el Anejo nº 3 se han
reunido los estadísticos y las figuras asociados a los modelos seleccionados (Tablas 17 a 20 y Figs.
151 a 186; Anejo 3).
143
Tabla 76. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Garnacha, 2ª Campaña
(1996).
b1, Residuos
X Indepen- Norma- Homoce- PI
(%) Estándar confianza lidad Media
(95%)
Lm 9,699**
94,7** 31,33 No No No 0 No No
(1.1) 9,468/9,930
Lm 2 0,603**
99,0** 13,28 Sí Sí No 0 No No
(1.2) 0,597/0,609
Am 10,027**
94,7** 31,40 No No No 0 No No
(1.3) 9,787/10,27
2
Am 0,640**
98,7** 15,75 Sí Sí No 0 No No
(1.4) 0,633/0,648
Lm.Am 0,626**
99,4** 10,77 Sí Sí No 0 No No
(1.5) 0,621/0,631
(Lm.Am)2 0,002**
91,6** 39,27 No No No 0 No No
(1.6) 0,002/0,002
SEF 6,934**
54,7** 91,51 No No No 0 No No
(1.7) 6,300/7,569
2
2 2 2 2 2 2
del modelo de regresión lineal; concretamente ninguno cumple los requisitos de normalidad,
2 2
los residuos lo cumplen únicamente las rectas que utilizan Lm , Am y Lm.Am como variable
independiente, que son las mismas que cumplen el criterio de linealidad.
Tabla 77. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Garnacha, 2ª Campaña (1996).
b0, b1, Residuos
Dencia lidad dasticidad
(95%) (95%)
Lm -71,307** 14,551**
95,2** 16,57 No No Sí 0 No No
(2.1) -75,779-66,834 14,223/14,879
Lm 2 2,469* 0,593**
97,0** 13,23 Sí Sí No 0 No No
(2.2) 0,093/4,845 0,583/0,604
Am -69,117** 14,884**
94,6** 17,65 No No Sí 0 No No
(2.3) -73,846/-64,387 14,525/15,242
2
Am 4,486** 0,623**
95,8** 15,56 Sí Sí No 0 No No
(2.4) 1,714/7,257 0,610/0,636
Lm.Am 1,654 (ns) 0,620**
98,0** 10,74 Sí Sí No 0 No No
(2.5) -0,279/3,586 0,611/0,629
(Lm.Am)2 43,355 0,001**
90,1 ** 23,85 No No No 0 No No
(2.6) 40,020/46,691 0,001/0,002
SEF 211,090** -7,049**
13,7** 70,47 No No No 0 No Sí
(2.7) 185,47/236,713 -8,815/-5,282
** Significativo (p 0,01); * Significativo (p 0,05); (ns): No significativo. Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
2
Cuando, con el segundo modelo, se emplea SFa como variable independiente y Lm, Lm , Am,
2 2
Am . Lm.Am, (Lm.Am) ó SEF como variable independiente (Tabla 77), la situación es parecida a la
2
2
supuesto de normalidad (Lm y Am), ninguno verifica ni el de linealidad ni el de independencia de los
2 2
residuos y, por el contrario, los que observan estos dos últimos criterios (Lm , Am y Lm.Am), no
144
únicamente los modelos (2.8) y (2.9) cumplen el supuesto de homocedasticidad, sólo verifican el
criterio de independencia de los residuos los modelos (2.9) y (2.10), y, solamente el modelo (2.8),
respeta el requisito de normalidad de la distribución de los residuos. Cabe señalar, en cuanto al
supuesto de independencia de los residuos, único que incumple el modelo (2.8), que el valor del
estadístico de referencia, d, para este modelo, es 1,436, muy cercano al valor mínimo establecido
para su cumplimiento (1,5). Por otra parte, ninguno tiene puntos de influencia.
Tabla 78. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Garnacha, 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logLm -0,195** 1,981**
98,6** 0,05 Sí No Sí 0 Sí No
(2.8) -0,221/-0,170 1,957/2,004
logAm -0,137** 1,955**
98,5** 0,05 Sí Sí No 0 Sí No
(2.9) -0,163/-0,111 1,931/1,980
logLm.Am -0,179** 0,990**
99,2** 0,04 Sí Sí No 0 No No
(2.10) -0,199/-0,160 0,981/0,999
logSEF 3,628** -1,528**
14,4** 0,37 No No No 0 Sí No
(2.11) 3,249/4,007 -1,862/-1,194
Con el modelo (3), se ha realizado el análisis de regresión con el método “Stepwise”, incluyendo,
2 2 2
variable dependiente SFa. Como resultado, el análisis ofrece dos modelos, el primero incluye como
2 2
Lm , pero con una contribución mínima (R cambio=0,1%), dato que apoya su exclusión.
Al aplicar el análisis de regresión “Stepwise” al modelo (3), con logSFa como variable
resultado, el análisis aporta un único modelo; en el que la única variable independiente incluida es
hablado.
De todos los modelos probados para estimar SFa, ninguno de ellos cumple todos los filtros
estadísticos impuestos. Sin embargo, los modelos (2.8), (2.9) y (2.10) de la Tabla nº 78 únicamente
incumplen un criterio, el de normalidad en el caso de los modelos (2.9) y (2.10) y el de independencia
de los residuos en el caso del modelo (2.8), con la peculiaridad comentada anteriormente; por ello, y
a la vista de los resultados obtenidos en otros cultivares, se considera conveniente tener en cuenta a
los tres para el resto del estudio. De esta manera, con estos tres modelos, se realiza el último paso
del proceso descrito en el Apartado 4.9.3.7, realizando tres ARL simples y sin término independiente,
empleando como variable dependiente en los tres casos el logaritmo de los valores observados de
SFa y, como variable independiente de cada uno de los análisis, el logaritmo de los valores de SFa
Tabla 79. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Garnacha, 2ª
Campaña (1996).
b1,
Residuos
X PI
(%) Estándar confianza Lidad Indepen- Norma- Homoce-
(95%) Media
1,000**
logSFa modelo (2.8) 99,9** 0,05 Sí No Sí 0 Sí No
0,998/1,002
1,000**
0,997/1,003
1,000**
0,998/1,002
145
el error estándar es muy bajo, pero ninguno de los análisis cumple todos los requisitos del modelo de
regresión lineal; concretamente, el primero de ellos no verifica el supuesto de independencia de los
residuos, el segundo incumple el requisito de normalidad de los residuos y el tercero incumple tanto el
supuesto de normalidad como el de homocedasticidad. A pesar de ello, cualquiera de los modelos
señalados podría ser utilizado para estimar el área foliar en el caso del cultivar Garnacha, con los
reparos que se puedan derivar del incumplimiento de algunos de los requisitos del modelo de
regresión lineal, tal y como se ha comentado anteriormente, siendo más recomendables, por ser más
sencillos, los dos primeros, al implicar una única medida de la hoja, Lm ó Am.
3,00

R2 = 98,6%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,70 0,90 1,10 1,30 1,50
logLm
abreviaturas.
modelo (2.8), cv. Garnacha, 2ª Campaña (1996).
3,00
R2 = 98,5%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.
el modelo (2), tomando logP como variable dependiente y logSFa, logLm.Am, logLm y logAm,
146

2
respecta al cumplimiento de los supuestos de modelo de regresión lineal, en todos los casos, se
cumple el supuesto de linealidad, el de normalidad de los residuos y la media de la distribución de los
residuos es nula, pero sólo los modelos (2.13), (2.14) y (2.15) cumplen el requisito de
homocedasticidad. Con respecto al criterio de independencia de los residuos, ninguno de ellos lo
verifica, aunque su cumplimiento está cercano para los modelos (2.13), (2.14) y (2.15), con valores
para el estadístico d de 1,118, 1,334 y 1,182, respectivamente.
Tabla 80. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Garnacha, 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logSFa 0,666** 0,559**
97,3** 0,04 Sí No Sí 0 No No
(2.12) 0,647/0,684 0,530/0,568
logLm.Am 0,557** 0,557**
97,9** 0,03 Sí No Sí 0 Sí No
(2.13) 0,540/0,575 0,549/0,566
logLm 0,545** 1,118**
97,8** 0,03 Sí No Sí 0 Sí No
(2.14) 0,527/0,564 1,101/1,135
logAm 0,584** 1,098**
96,7** 0,04 Sí No Sí 0 Sí No
(2.15) 0,562/0,606 1,078/1,118
dependiente y log SFa, logLm.Am, logLm y logAm como potenciales variables independientes, dos
son los modelos propuestos. El primero incluye una única variable independiente, logLm.Am, por lo
que el modelo resultante es el (2.13), que ya recoge la Tabla nº 80. En el segundo modelo, el análisis
por pasos incluye como segunda variable independiente logLm, pero con una contribución muy
2
pequeña al modelo (R cambio=0,1%), lo que avala su no-inclusión.
En definitiva, de todos los modelos estudiados tomando como variable dependiente logP (Tabla
80), ninguno de ellos pasa los filtros estadísticos impuestos. Sin embargo, como se ha comentado
anteriormente, los modelos (2.13), (2.14) y (2.15) están cercanos al cumplimiento del criterio de
independencia de los residuos, el único que incumplen, por lo que, a la vista de los resultados
obtenidos en otros cultivares, se considera conveniente tenerlos en cuenta en el resto del estudio.
Con estos tres modelos se realiza, por tanto, el último paso del proceso descrito en el Apartado
4.9.3.7, tres ARL simples y sin término independiente, empleando como variable dependiente, en
todos los casos, el logaritmo de los valores observados de P y como variable independiente, de cada
uno de los análisis, los valores de logP predichos por cada uno de los tres modelos señalados (Tabla
81).
Tabla 81. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Garnacha, 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
logP modelo (2.13) 100** 0,03 Sí No Sí 0 Sí No
0,998/1,002
1,000**
0,998/1,002
1,000**
0,998/1,002
Todos los ARL de la Tabla nº 81 tienen un coeficiente de determinación muy alto y un error
estándar muy pequeño; todos cumplen los criterios de linealidad, normalidad y homocedasticidad de
los residuos, pero ninguno verifica el criterio de independencia de los residuos del modelo de
regresión lineal, si bien es cierto que el valor del estadístico d de todos estos modelos está cercano a
1,5, límite inferior establecido para certificar el cumplimiento de este criterio, 1,118, 1,334 y 1,182,
respectivamente. En definitiva, sobre la base de lo comentado, cualquiera de los modelos (2.13),
(2.14) y (2.15) podría ser utilizado para estimar el perímetro de la hoja en el caso del cultivar
Garnacha, con los reparos que se puedan derivar del incumplimiento de algunos de los requisitos del
147
modelo de regresión lineal, siendo más recomendables, por ser más sencillos, aquellos que implican
una única medida de la hoja, concretamente los modelos (2.14) y (2.15), que emplean Lm ó Am,
respectivamente.
2,25
R2 = 97,8%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,70 0,90 1,10 1,30 1,50
logLm
abreviaturas.
2,25
R2 = 96,7%**
2,00
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.

Para finalizar, se muestran los resultados de los ARL que se han realizado con los modelos de la
Tabla nº 14 y los datos obtenidos con el material del cultivar Macabeo en la segunda campaña, de
acuerdo con el procedimiento expuesto en el Apartado 4.9.3.7. En las Tablas nº 82 a 87 se resume la
información más relevante de todos los análisis realizado y el Anejo nº 3 se han reunido los
Anejo 3).
2
148
2 2 2 2 2 2
del modelo de regresión lineal; concretamente, ninguno cumple los requisitos de normalidad,
2 2
los residuos lo cumplen únicamente las rectas que utilizan Lm , Am y Lm.Am, que son las mismas
Tabla 82. Análisis de Regresión Lineal aplicado al modelo (1) SFa = b1 . X, cv. Macabeo, 2ª Campaña
(1996).
b1, Residuos
X Indepen- Norma- Homoce- PI
(%) Estándar confianza lidad Media
(95%)
Lm 10,642**
95,0** 36,21 No No No 0 No No
(1.1) 10,39/10,89
2
Lm 0,594**
99,2** 14,04 Sí Sí No 0 No No
(1.2) 0,588/0,599
Am 11,119**
94,5** 38,02 No No No 0 No No
(1.3) 10,84/11,39
2
Am 0,657**
99,2** 14,74 Sí Sí No 0 No No
(1.4) 0,651/0,663
Lm.Am 0,628**
99,6** 10,50 Sí Sí No 0 No No
(1.5) 0,624/0,632
2
(Lm.Am) 0,002**
91,1** 48,34 No No No 0 No No
(1.6) 0,002/0,002
SEF 8,308**
55,5** 108,04 No No No 0 No No
(1.7) 7,54497,073
2 2
2
2
2
casos, pero ninguno de ellos cumple ni el criterio de homocedasticidad ni el de normalidad y
solamente tres verifican los supuestos de linealidad e independencia de los residuos, son los modelos
2 2
que emplean como variable independiente Lm , Am ó Lm.Am.
Tabla 83. Análisis de Regresión Lineal aplicado al modelo (2) SFa = b0 + b1 . X, cv. Macabeo, 2ª Campaña (1996).
b0, b1, Residuos
(95%) (95%)
Lm -80,153** 15,605**
96,4** 17,60 No No No 0 No No
(2.1) -84,745-75,561 15,295/15,914
Lm 2 5,521* 0,577**
97,8** 13,68 Sí Sí No 0 No No
(2.2) 3,119/7,923 0,568/0,586
Am -84,687** 16,633**
95,7** 19,33 No No No 0 No No
(2.3) -89,838/-79,535 16,270/16,997
2
Am 2,613* 0,648**
97,5** 14,68 Sí Sí No 0 No No
(2.4) -0,005/5,232 0,637/0,659
Lm.Am 2,731* 0,619**
98,8** 10,39 Sí Sí No 0 No No
(2.5) 0,886/4,576 0,612/0,626
(Lm.Am)2 51,987** 0,001**
90,1 ** 29,36 No No No 0 No No
(2.6) 47,894/56,079 0,001/0,001
SEF 263,951** -9,300**
12,1** 87,35 No No No 0 No No
(2.7) 226,661/301,24 -11,863/-6,737
** Significativo (p 0,01); * Significativo (p 0,05). Abreviaturas empleadas en la tabla para las variables y sus unidades: consultar listado de abreviaturas.
todos cumplen el supuesto de linealidad y el criterio de independencia de los residuos, pero,
149
solamente los modelos (2.8) y (2.9) verifican el supuesto de homocedasticidad y el modelo (2.8) es el
único que respeta el requisito de normalidad de la distribución de los residuos. Por otra parte, ninguno
tiene puntos de influencia.
Tabla 84. Análisis de Regresión Lineal aplicado al modelo (2) logSFa = b0 + b1 . X, cv. Macabeo, 2ª Campaña (1996).
b0, b1, Residuos
X PI
(95%) (95%)
logLm -0,167** 1,957**
99,1** 0,04 Sí Sí Sí 0 Sí No
(2.8) -0,189/-0,146 1,938/1,997
logAm -0,187** 2,005**
98,6** 0,05 Sí Sí No 0 Sí No
(2.9) -0,214/-0,160 1,980/2,030
logLm.Am -0,188** 0,996**
99,4** 0,03 Sí Sí No 0 No No
(2.10) -0,214/-0,160 0,987/1,004
logSEF 3,742** -1,570**
13,1** 0,40 No No No 0 No No
(2.11) 3,271/4,213 -1,982/-1,157
Con el modelo (3), se ha realizado el análisis de regresión con el método “Stepwise”, incluyendo,
2 2 2
variable dependiente SFa. Como resultado, el análisis ofrece cuatro modelos, el primero incluye como
2 2
(Lm.Am) , pero con una contribución mínima (R cambio=0,1%), dato que apoya su exclusión. Los otros
dos modelos incluyen, sucesivamente, las variables Am y SEF, pero, en ambos casos, su
2
contribución al modelo es nula (R cambio=0,0% en ambos casos), lo que avala su no-inclusión en el
modelo.
Al aplicar el análisis de regresión “Stepwise” al modelo (3), con logSFa como variable
resultado, el análisis aporta tres modelos; en el primero la única variable independiente incluida es
hablado. Los otros dos modelos introducen, progresivamente, las variables logSEF y logAm, pero, en
2
ambos casos, su contribución al modelo es nula (R cambio=0,0% en ambos modelos), lo que avala su
no-inclusión en el modelo.
De todos los modelos probados para estimar SFa, sólo el (2.8) de la Tabla nº 84 pasa los filtros
estadísticos impuestos. Sin embargo, los modelos (2.9) y (2.10) (Tabla 84) únicamente incumplen el
criterio de normalidad, por lo que, a la vista de los resultados obtenidos en otros cultivares, se
considera conveniente tenerlos en cuenta en el resto del estudio. De esta manera, con estos tres
modelos, se realiza el último paso del proceso descrito en el Apartado 4.9.3.7, realizando tres ARL
simples y sin término independiente, empleando como variable dependiente en todos los casos el
logaritmo de los valores observados de SFa y, como variable independiente de cada uno de los
análisis, el logaritmo de los valores de SFa predichos por cada uno de los tres modelos seleccionados
(Tabla 85).
Tabla 85. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logSFa = b1 . X, cv. Macabeo, 2ª
Campaña (1996).
B1,
Residuos
X PI
(95%) Media
1,000**
logSFa modelo (2.8) 100** 0,04 Sí Sí Sí 0 Sí No
0,998/1,002
1,000**
logSFa modelo (2.9) 100** 0,05 Sí Sí No 0 Sí No
0,997/1,003
1,000**
logSFa modelo (2.10) 100** 0,03 Sí Sí No 0 No No
0,998/1,002
El valor del coeficiente de determinación de los tres ARL de la Tabla nº 85 es 1 y el error estándar
es muy bajo en ellos, pero, solamente, el primero cumple todos los requisitos del modelo de regresión
lineal; los otros dos modelos, por su parte, no verifican el supuesto de normalidad de los residuos. A
pesar de ello, cualquiera de los tres podría ser utilizado para estimar el área foliar en el caso del
150
cultivar Macabeo, con los reparos que se puedan derivar del incumplimiento de algunos de los
requisitos del modelo de regresión lineal, tal y como se ha comentado, siendo más recomendables,
por ser más sencillos, los dos primeros, al implicar una única medida de la hoja, Lm ó Am.
3,00

R2 = 99,1%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,70 0,90 1,10 1,30 1,50
logLm
abreviaturas.
modelo (2.8), cv. Macabeo, 2ª Campaña (1996).
3,00
R2 = 98,6%**
2,50
2,00
logSFa
1,50
1,00
0,50
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.
el modelo (2), tomando logP como variable dependiente, y logSFa, logLm.Am, logLm y logAm,
2
respecta al cumplimiento de los supuestos de modelo de regresión lineal, en todos los casos, se
cumple el supuesto de linealidad, el de normalidad de los residuos, el de homocedasticidad y la
media de la distribución de los residuos es nula. Con respecto al criterio de independencia de los
residuos, solamente lo verifica el modelo (2.15), aunque su cumplimiento está cercano para los
modelos (2.13) y (2.14), con valores para el estadístico d de 1,312 y 1,307, respectivamente.
151
Tabla 86. Análisis de Regresión Lineal aplicado al modelo (2) log P = b0 + b1 X, cv. Macabeo, 2ª Campaña (1996).
b0, B1, Residuos
X PI
(95%) (95%)
logSFa 0,747** 0,519**
97,2** 0,04 Sí No Sí 0 Sí No
(2.12) 0,729/0,765 0,510/0,528
logLm.Am 0,643** 0,520**
97,8** 0,03 Sí No Sí 0 Sí No
(2.13) 0,625/0,661 0,512/0,528
logLm 0,654** 1,022**
97,4** 0,04 Sí No Sí 0 Sí No
(2.14) 0,635/0,673 1,005/1,039
logAm 0,644** 1,048**
97,1** 0,04 Sí Sí Sí 0 Sí No
(2.15) 0,623/0,664 1,029/1,066
dependiente y log SFa, logLm.Am, logLm y logAm como potenciales variables independientes,
solamente se propone un modelo, el que incluye como única variable independiente logLm.Am, por lo
que el modelo resultante es el (2.13), que ya recoge la Tabla nº 86.
En definitiva, de todos los modelos estudiados tomando como variable dependiente logP (Tabla
86), el único que supera los filtros estadísticos impuestos es el (2.15). Sin embargo, como se ha
comentado anteriormente, los modelos (2.13) y (2.14) están cercanos al cumplimiento del criterio de
independencia de los residuos, el único que incumplen, por lo que, a la vista de los resultados
obtenidos en otros cultivares, se considera conveniente tenerlos en cuenta. Con estos tres modelos
se realiza, por tanto, el último paso del proceso descrito en el Apartado 4.9.3.7, un ARL simple y sin
término independiente, empleando como variable dependiente, en todos los casos, el logaritmo de los
valores observados de P y como variable independiente, de cada uno de los análisis, los valores de
logP predichos por cada uno de los tres modelos señalados (Tabla 87).
Tabla 87. Análisis de Regresión Lineal de comprobación del ajuste aplicado a logP = b1 . X, cv. Macabeo, 2ª
Campaña (1996).
b1,
Residuos
X PI
(95%) Media
1,000**
0,998/1,002
1,000**
0,998/1,002
1,000**
logP modelo (2.15) 100** 0,04 Sí Sí Sí 0 Sí No
0,998/1,002
Todos los ARL de la Tabla nº 87 tienen un coeficiente de determinación igual a 1 y un error

estándar muy pequeño; todos cumplen los criterios de linealidad, normalidad y homocedasticidad de
los residuos, pero, solamente, el modelo (2.15) verifica el criterio de independencia de los residuos
del modelo de regresión lineal, si bien es cierto que el valor del estadístico d de los otros dos modelos
está cercano a 1,5, límite inferior establecido para certificar el cumplimiento de este criterio, 1,31 y
1,307, respectivamente. Por tanto, en virtud de lo expuesto, cualquiera de los modelos (2.13), (2.14) y
(2.15) podría ser utilizado para estimar el perímetro de la hoja en el caso del cultivar Macabeo, con
los reparos que se puedan derivar del incumplimiento de algunos de los requisitos del modelo de
regresión lineal, siendo más recomendables, por ser más sencillos, aquellos que implican una única
medida de la hoja, concretamente los modelos (2.14) y (2.15), que emplean Lm ó Am,
respectivamente.
152
2,25

2,00
R2 = 97,4%**
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logLm
abreviaturas.
2,25

2,00
R2 = 97,1%**
1,75
logP
1,50
1,25
1,00
0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
logAm
abreviaturas.
5.3.3. Resúmen de las dos campañas y de los cinco cultivares estudiados.

De los posibles modelos que se han planteado en la Tabla nº 14 como estimadores del área foliar
empleando como variables independientes Am, Lm, Lm.Am y/o SEF, en definitiva, el que mejor
comportamiento presenta para las dos campañas y los cinco cultivares estudiados es el modelo
exponencial linealizado, empleando como variable dependiente el logaritmo decimal del área foliar y
como única variable independiente el logaritmo decimal de Lm (modelo (2.8)), de Am (modelo (2.9)) o
de Lm.Am (modelo (2.10)).
De estos tres modelos, se consideran más adecuados los dos primeros en atención a la mayor
rapidez y sencillez en la obtención de la variable independiente, ya que la tercera propuesta,
estadísticamente algo mejor, precisa de dos mediciones en cada hoja, lo que duplica el trabajo, sin
que haya una mejoría de ese grado en la estimación del área foliar.
La elección de la longitud o de la anchura máxima del limbo de la hoja como variable
independiente para el modelo se deberá realizar en función del mencionado criterio de rapidez y
sencillez, siendo, generalmente, más intuitiva la medición de la longitud del limbo que la de la
anchura, por situarse la primera, habitualmente, sobre el nervio principal de la hoja.
153
A modo de resumen se presentan en las Tablas nº 88 a 90, para cada campaña de estudio y para
cada cultivar de los empleados, respectivamente, los modelos (2.8), (2.9) y (2.10) propuestos para
estimar el área de la hoja de vid en función de las mediciones de Lm y Am de la misma.
Tabla 88. Modelo (2.8) logSFa = b0 + b1.logLm para las dos campañas y los cinco cultivares estudiados.
Residuos
Cultivar- R2 Error Linea-
b0 b1 Indepen- Norma- Homoce- PI
Campaña (%) Estándar lidad Media
Cencibel-1995 97,8** 0,06 -0,259** 2,017** Sí Sí No 0 No No
Airén-1996 98,8** 0,04 -0,154** 1,939** Sí Sí Sí 0 Sí No
Cabernet-
97,9** 0,05 -0,216** 1,983** Sí Sí Sí 0 Sí No
Sauvignon-1996
Garnacha-1996 98,6** 0,05 -0,195** 1,981** Sí No Sí 0 Sí No
Macabeo-1996 99,1** 0,04 -0,167** 1,957** Sí Sí Sí 0 Sí No

Tabla 89. Modelo (2.9) logSFa = b0 + b1.logAm para las dos campañas y los cinco cultivares estudiados.
Residuos
Airén-1996 98,6** 0,05 -0,186** 1,990** Sí Sí Sí 0 Sí No

Cabernet-
97,9** 0,05 -0,136** 1,954** Sí Sí No 0 Sí No
Sauvignon-1996
Cencibel-1996 97,5** 0,06 -0,229** 2,016** Sí Sí No 0 Sí No
Garnacha-1996 98,5** 0,05 -0,137** 1,955** Sí Sí No 0 Sí No
Macabeo-1996 98,6** 0,05 -0,187** 2,005** Sí Sí No 0 Sí No

Tabla 90. Modelo (2.10) logSFa = b0 + b1.logLm.Am para las dos campañas y los cinco cultivares estudiados.
Residuos
Airén-1996 99,4** 0,03 -0,185** 0,989** Sí No No 0 Sí No

Cabernet-
98,6** 0,04 -0,191** 0,991** Sí Sí No 0 Sí No
Sauvignon-1996
Garnacha-1996 99,2** 0,04 -0,179** 0,990** Sí Sí No 0 Sí No
Macabeo-1996 99,4** 0,03 -0,188** 0,996** Sí Sí No 0 Sí No

En el caso de los modelos planteados como estimadores del perímetro de la hoja empleando
como variables independientes Am, Lm, Lm.Am y/o SFa (Tabla 14), al igual que en el caso de la
estimación del área foliar, el que presenta mejor comportamiento para las dos campañas y los cinco
cultivares estudiados, es el modelo exponencial linealizado, empleando como variable dependiente el
logaritmo decimal del perímetro foliar y como única variable independiente el logaritmo decimal de Lm
(modelo (2.14)), de Am (modelo (2.15)) o de Lm.Am (modelo (2.13)).
De los tres modelos señalados, se consideran más adecuados los dos primeros en atención a la
mayor rapidez y sencillez en la obtención de la variable independiente. El tercer modelo, al igual que
154
ocurría con el área foliar, aunque es estadísticamente algo mejor, sin embargo requiere la realización
de dos mediciones en cada hoja, lo que duplica el trabajo, sin que haya una contrapartida de ese
nivel en cuanto a mejoría de su estimación del perímetro foliar.
Al igual que se ha comentado anteriormente para el área foliar, la selección de la longitud o de la
anchura máxima del limbo de la hoja como variable independiente para el modelo de estimación del
perímetro foliar, deberá realizarse de acuerdo con el citado criterio de rapidez y sencillez, siendo,
generalmente, más intuitiva la medición de la longitud del limbo que la de la anchura, por situarse la
primera, habitualmente, sobre el nervio principal de la hoja.
En la Tablas nº 91 a 93 se presentan, respectivamente, los modelos (2.14), (2.15) y (2.13)
propuestos para estimar el perímetro de la hoja de vid en función de las mediciones de Lm y Am de la
misma para cada campaña de estudio y para cada cultivar de los empleados.
Tabla 91. Modelo (2.14) logP = b0 + b1.logLm para las dos campañas y los cinco cultivares estudiados.
Residuos
Cencibel-1995 93,9** 0,05 0,617** 1,104** Sí Sí Sí 0 No No
Airén-1996 96,3** 0,04 0,629** 1,066** Sí No Sí 0 Sí No

Cabernet-
95,8** 0,04 0,651** 1,031** Sí Sí Sí 0 Sí No
Sauvignon-1996
Cencibel-1996 94,3** 0,05 0,638** 1,072** Sí No Sí 0 Sí No
Garnacha-1996 97,8** 0,03 0,545** 1,118** Sí No Sí 0 Sí No
Macabeo-1996 97,4** 0,04 0,654** 1,022** Sí No Sí 0 Sí No

Tabla 92. Modelo (2.15), logP = b0 + b1.logAm para las dos campañas y los cinco cultivares estudiados.
Residuos

Cabernet-
95,4** 0,04 0,695** 1,014** Sí Sí Sí 0 Sí No
Sauvignon-1996
Cencibel-1996 94,4** 0,05 0,602** 1,120** Sí Sí Sí 0 Sí No
Macabeo-1996 97,1** 0,04 0,644** 1,048** Sí Sí Sí 0 Sí No

Tabla 93. Modelo (2.13), logP = b0 + b1.logLm.Am para las dos campañas y los cinco cultivares estudiados.
Residuos
Cabernet-
96,3** 0,04 0,666** 0,515** Sí Sí Sí 0 Sí No
Sauvignon-1996
Cencibel-1996 94,9** 0,05 0,613** 0,551** Sí No Sí 0 Sí No
Macabeo-1996 97,8** 0,03 0,643** 0,520** Sí No Sí 0 Sí No
155
Finalmente, se representan conjuntamente los modelos de las Tablas nº 88, 89, 91 y 92,
respectivamente, en las Figuras nº 95 a 98.
2,75
Modelo 2.8
2,50
2,25
2,00
logSFa
1,75
1,50
1,25
1,00
0,75
0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5
logLm
Cencibel 95 Airén 96 Cabernet-Sauvignon 96

Cencibel 96 Garnacha 96 Macabeo 96
Abreviaturas empleadas para las variables y sus unidades: consultar listado de abreviaturas.
Figura 95. Representación del modelo (2.8) logSFa = b0 + b1 . logLm para las dos campañas y los cinco cultivares
estudiados.
156
2,75
Modelo 2.9
2,50
2,25
2,00
logSFa
1,75
1,50
1,25
1,00
0,75
0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5
logAm

Figura 96. Representación del modelo (2.9) logSFa = b0 + b1 . logAm para las dos campañas y los cinco cultivares
estudiados.
157
2,3
Modelo 2.14
2,1
1,9
logP
1,7
1,5
1,3
1,1
0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5
logLm
Figura 97. Representación del odelo (2.14) logP = b0 + b1 . logLm para las dos campañas y los cinco cultivares
estudiados.
158
2,3
Modelo 2.15
2,1
1,9
logP
1,7
1,5
1,3
1,1
0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5
logAm
Figura 98. Representación del modelo (2.15) logP = b0 + b1 . logAm para las dos campañas y los cinco cultivares
estudiados.
159
5.3.4. Discusión de los resultados de los ARL de las dos campañas y los cinco
cultivares estudiados.
Al contrastar los modelos evaluados para la estimación del área foliar con las referencias
mencionadas en la bibliografía consultada, se observa que varios de ellos ya han sido propuestos
anteriormente para la vid por algunos autores.
El modelo (1.5) fue ya citado por Montero et al. (2000), con una pendiente de la recta un poco
inferior a la obtenida en este estudio y un coeficiente de determinación igualmente alto, pero que al
ser el único estadístico mencionado no permite hacer mayores comparaciones con el ajuste obtenido.
Para Manivel y Weaver (1974), los modelos (2.1) y (2.3) ofrecían buenos coeficientes de
2
determinación (R >93%), siendo el único estadístico del ajuste presentado, por lo que la discusión no
se puede extender más allá; los valores del término independiente y de la pendiente de ambas rectas
de regresión son menores que los obtenidos en el presente estudio, aunque conviene señalar que el
número de hojas medidas por estos autores era muy reducido. Sepúlveda y Kliewer (1983) también
obtuvieron buenos resultados con los modelos (2.1) y (2.3), con coeficientes de determinación
semejantes o algo inferiores a los obtenidos en este trabajo, con algunas diferencias en los
coeficientes de la recta de regresión, marcadas en alguno de los supuestos de la citada referencia.
En el estudio realizado por Smith y Kliewer (1984), los modelos (2.1), (2.2), (2.3), (2.4) y (2.5)
arrojaron, igualmente, coeficientes de determinación altos, con los valores más elevados para el
modelo (2.5); además, este modelo presentó valores de la pendiente de la recta muy semejantes a
los obtenidos en el presente estudio, no así el término independiente, donde hay relevantes
diferencias. Montero et al. (2000), al estudiar el modelo (2.4), ofrecen como único estadístico el
coeficiente de determinación con unos valores semejantes a los obtenidos en el presente trabajo,
aunque con diferencias en los coeficientes de la recta de regresión, más acusadas en el término
independiente que en su pendiente. Para el modelo (2.5), tanto Sepúlveda y Kliewer (1983) como
Elsner y Jubb (1988), obtuvieron coeficientes de determinación muy próximos, o algo inferiores, a los
obtenidos en este trabajo; el término independiente de la recta de regresión presenta diferencias
entre los valores de los tres trabajos, mientras que la pendiente de la recta es muy semejante tanto
en los estudios de Sepúlveda y Kliewer (1983) como en el que se presenta en esta Tesis Doctoral.
En cuanto al modelo (3), ninguna de las estimaciones propuestas en este formato en la bibliografía
consultada (Manivel y Weaver, 1974; Carboneau, 1976; Elsner y Jubb, 1988; Schultz 1992; Montero
et al., 2000), tan siquiera ha sido considerada por el análisis de regresión “Stepwise” realizado con él
en la presente Tesis Doctoral.
Por otro lado, Montero et al (2000) emplearon el modelo exponencial (Ec. (5); Tabla 1) para
estimar el área foliar, el cual no se ha utilizado en esta Tesis Doctoral, obteniendo valores altos para
el coeficiente de determinación, único estadístico utilizado, manejando como variables independientes
la longitud de la hoja y el producto de su longitud por su anchura.
En relación con el modelo exponencial linealizado (Ec. (8); Tabla 1), éste ya había sido propuesto
para la vid por Sepúlveda y Kliewer (1983), Elsner y Jubb (1988) y Silvestre y Eiras-Dias (2001). En el
primer caso, los mejores resultados se obtuvieron con el producto de la longitud por la anchura de la
2
hoja como variable independiente, con un coeficiente de determinación muy alto (R >97%). Cabe
señalar, sin embargo, que Sepúlveda y Kliewer (1983) desecharon la utilización del modelo
argumentando que las mejoras obtenidas con respecto a otros no justificaban el trabajo extra
necesario para calcular los logaritmos de los datos, lo que no es un problema en la actualidad.
En el estudio de Elsner y Jubb (1988), se emplearon como variables independientes la longitud, la
anchura de la hoja y su producto de ambas variables, con valores del coeficiente de determinación
algo mayores que en el estudio que se presenta en esta Tesis Doctoral para la anchura y el producto
de longitud y anchura y algo menores para la longitud. No es posible establecer comparaciones entre
los coeficientes de los ajustes al no estar citados en la referencia bibliográfica señalada.
Por su parte, Sepúlveda y Eiras-Dias (2001) propusieron el mismo modelo exponencial linealizado,
pero con unas variables independientes diferentes a las comentadas y basadas en las medidas de las
longitudes de los nervios no centrales y de las distancias entre ellos y con el nervio central, lo que no
permite comparar los resultados, pero que sirven para resaltar el potencial del modelo exponencial
linealizado en este tipo de estudios.
En cuanto a los modelos estudiados para estimar el perímetro de la hoja, Montero et al (2000)
citan el modelo exponencial (Ec. (5); Tabla 1) para su estimación, con valores altos del coeficiente de
determinación, empleando como variable independiente el producto de la longitud por la anchura de
la hoja.
160
CONCLUSIONES
Conclusiones
6. CONCLUSIONES.
Se presentan las conclusiones de esta Tesis Doctoral agrupadas de acuerdo con los cinco
objetivos específicos propuestos, independientemente de la naturaleza de cada una de ellas.
También se incluye un apartado con propuestas para futuros trabajos.
a) Estudio comparativo de dos sistemas destructivos de estimación del área foliar.
Del análisis de los datos obtenidos para las variables SFi y SFa en la primera campaña se
concluye que la información aportada por el integrador automático no difiere significativamente de la
obtenida por el analizador de imagen, por lo que cualquiera de los dos valores se podría utilizar como
variable dependiente en el proceso de obtención de los coeficientes de regresión de los modelos de
estimación obtenidos en la Tesis Doctoral.
b) Estudio biométrico de las hojas de la vid Vitis vinifera L. cv. Cencibel por tipo de sarmiento.
Del estudio estadístico descriptivo realizado con las variables de las hojas del cultivar Cencibel de
la primera campaña agrupando las hojas por el tipo de sarmiento del que proceden, se deriva que, a
los efectos del estudio biométrico realizado, no existe ninguna diferencia significativa entre las hojas
de los distintos tipos de sarmientos, por lo que se puede obviar esta diferenciación en este tipo de
estudios.
c) Estudio biométrico de las hojas de cinco cultivares de Vitis vinifera L.
La variabilidad de los parámetros relacionados con el tamaño de la hoja es alta en todos los
cultivares, consecuencia de la mezcla de hojas de diferentes tamaños y estados.
Cuatro de las variables relacionadas con la forma de la hoja (IR, Lm/Am, La/Aa y BR), presentan
unos valores muy estables y con una baja variabilidad para cada cultivar, de lo que se puede concluir
que las hojas tienen una forma muy característica para cada cultivar, independientemente del tamaño
o de la fecha de muestreo de las hojas.
Las variables relacionadas con el peciolo de la hoja presentan una variabilidad entre moderada y
alta.
El número de agujeros es una variable que difiere entre cultivares, con valores cercanos a cero
para Garnacha, próximos a uno para Airén y Macabeo, sobre tres para Cabernet-Sauvignon y entre
tres y cuatro para Cencibel.
La superficie específica foliar (SEF), por su parte, es una variable que presenta una evolución a lo
largo del periodo de muestreos realizado, con un ascenso de su valor en los primeros muestreos para
luego disminuir progresivamente hasta el último en la primera campaña, mientras que en la segunda
se produce ese descenso continuado desde los primeros muestreos. La diferencia observada entre
ambas campañas se debe a que los muestreos del segundo año se iniciaron en fechas más tardías
que los del primero.
Las mediciones manual y automática de la longitud de la hoja, por un lado, y las realizadas sobre
la anchura de la hoja, por otro, no coinciden para ningún cultivar, siendo superiores, en general, las
medidas manuales sobre las automáticas, en ambos casos.
Existe coherencia biométrica entre las variables relacionadas con cualquier aspecto del tamaño de
las hojas en los cinco cultivares de vid estudiados.
d) Parámetros más significativos a emplear en la evaluación del área foliar.
Las variables más apropiadas para estimar el área foliar en los cultivares estudiados mediante
modelos matemáticos, a la vista de los resultados y en atención a la rapidez y sencillez de su
medición, la no-destrucción de las hojas, y/o a su relevancia en la actualización bibliografía realizada,
son: Lm, Am y Lm.Am,.
e) Modelos para la estimación del área foliar y del perímetro foliar.
El modelo que se propone para estimar el área foliar en los cinco cultivares de Vitis vinifera L.
estudiados es una recta simple, en la que el término dependiente es el logaritmo decimal del área
foliar y el término independiente es el logaritmo decimal de la longitud de limbo de la hoja (Tabla nº
88) o de su anchura máxima (Tabla nº 89).
logSFa = b0 + b1.logX X = Lm ó Am (17)
Por otra parte, el modelo que se propone para estimar el perímetro foliar en los cinco cultivares de
Vitis vinifera L. estudiados es una recta simple, en la que el término dependiente es el logaritmo
decimal del perímetro foliar y el término independiente es el logaritmo decimal de la longitud de limbo
de la hoja (Tabla nº 91) o de su anchura máxima (Tabla nº 92).
logP = b0 + b1.logX X = Lm ó Am (18)
163
Conclusiones
La utilización de cualquiera de los modelos finales propuestos en unas condiciones diferentes a las
señaladas en el ensayo requiere su calibración, debiendo calcularse en cada caso los coeficientes b0
y b1 de los mismos.
f) Nuevas propuestas de trabajo.
A tenor del trabajo desarrollado en esta Tesis Doctoral, y de sus conclusiones, se ha podido
comprobar que estas metas alcanzadas se podrían complementar si se añadiesen los siguientes
aspectos, que se proponen para futuros trabajos:
Estimar el número mínimo de hojas necesarias para calibrar del modelo final propuesto para un
cultivar de vid concreto, de modo que el error de la estimación del área foliar se mantenga por
debajo del límite del 5% señalado por Carbonneau (1976).
Estudiar la aplicación del modelo final propuesto en situaciones diferentes a las planteadas,
comprobando las estimaciones proporcionadas por él en otros cultivares de vid y en otras
condiciones de cultivo.
Ensayar instrumentos capaces de medir directamente en el campo el área foliar o de obtener la
imagen digital de las hojas in situ, tales como integradores de área foliar versátiles, escáneres
transportables o cámaras digitales, ya que su utilización permitiría disponer de los valores del
área foliar sin destruir las muestras.
Desarrollar un programa informático capaz de medir sobre las imágenes digitales de las hojas de
la vid todos los parámetros relacionados con las nervaduras de las hojas propuestos tanto por
Carbonneau (1976) como por Silvestre y Eiras-Dias (2001).
Realizar, en las imágenes de las hojas consideradas en este estudio, la medición de la distancia
entre la inserción peciolar y el extremo de la nervadura principal central, más intuitiva que la
longitud del limbo, y comprobar su validez con el modelo final propuesto como estimador del área
foliar.
Ensayar los parámetros relacionados con las nervaduras de las hojas de la vid propuestos por
Carbonneau (1976) y por Silvestre y Eiras-Dias (2001) con el modelo final propuesto en esta
Tesis Doctoral.
164
BIBLIOGRAFÍA
Bibliografía
7. BIBLIOGRAFÍA
AASE, J.K., 1978. Relationship between leaf area and dry matter in winter wheat. Agron. J. 70, 563-565.
ACKLEY, W.B., CRANDALL, P.C., RUSSELL, T.S., 1958. The use of linear measurements in estimating leaf
areas. Proc. Amer. Soc. Hort. Sci. 72, 326-330.
ACOCK, B., 1980. Analyzing and predicting the response of the glass house crop to environmental manipulation..
En: Hurd R.G. et al. (ed.) Opportunities for increasing crop yields, pp 131-148. Proc. Meet. Assoc. Applied
Biology, Reading, England. 17-21 Sept. 1979. Pitman, Londres.
ACOCK, B., CHARLES-EDWARDS, D.A., FITTER, D.J., HAND, D.W., WARREN-WILSON, J., 1978. Modelling
canopy net photosynthesis by isolated blocks and rows of chrysanthemum plants. Ann Appl Biol, 90 (2), 255-
263.
ACOCK, B., CHARLES-EDWARDS, D.A., SAWYER, S., 1978. Growth response of an chrysantemum crop to the
environment. III. Effects of radiation and temperature on dry matter partitioning and photosynthesis. Ann.
Bot., 44, 289-300.
AL KAISI, M., BRUN, L.J., ENZ, J.W., 1989. Transpiration and evapotranspiration from Maite as related to leaf
area index. Agric. For. Meteorol., 48, 111-116.
ALEKSEENKO, L.N., 1965. Vesovoy method opredeleniya listovoy poverkhnosti lugovykh rasteny I lugovykh
soobshchestv (Method of determining leaf surface of meadow plans and meadow communities by weighing).
Bot. Sh., 50, 205-208.
ALESSANDRI, S., VIGNOZZI, N., VIGNINI, A.M., 1996. AmpeloCADs (Ampelogra-phic Computer-Aided
Digitilizing System: an integrated system to digitise, file and process biometrical data from Vitis ssp. leaves.
Am. J. Enol. Vitic. 47 (3), 257-267.
ALLEN, R.G. PEREIRA, L.S. RAES, D. SMITH, M., 1998. Crop transpiration. Guidelines for computing crop water
requirements. FAO Irrigation and Drainage paper 29. Food and Agriculture Organization of the United
Nations. Roma. Italia.
ANIKIEV, V.V., KUTUZOV, F.F., 1961. Novy sposob opredeleniya ploshchadi listovoy poverkhnosti u zlakov. (A
new method for determining leaf surface area of cereals). Fiziol. Rast., 8, 375-377.
ASHLEY, D.A., DOSS, B.D., BENNETT, O.L., 1963. A method of determining leaf area in cotton. Agron. J., 55,
584-585.
ASRAR, G., MYNENI, R.B., KANEMASU, E.T., 1989. Estimation of plant Canopo attributes from spectral
reflectance measurements. En: Asrar, G. (ed.), Theory and application of optical remote sensing, pp. 252-
296. John Wiley & Sons, Inc., New York.
ASTEGIANO, E.D., FAVARO, J.C, 1987. Desarrollo del área foliar en tres cultivares de tomate. Resúmenes de la
XVIII Reunión Nacional de Fisiología Vegetal. Corrientes. Argentina. 4pp.
ASTEGIANO, E.D., FAVARO, J.C., BOUZO, C.A., 2001. Estimación del área foliar en distintos cultivares de
tomate (Lycopersicon esculentum Mill.) utilizando medidas foliares lineales. Invest. Agr.: Prod. Prot. Veg.,
Vol 16 (2), 249-256.
AZZI, G., 1959. Ecología Agraria. Salvat Ediciones, S.A. Madrid-Barcelona.
BACHMAN, P., KELLER, B., 1965. Messeinrichtung zur Bestimmung von Blattoberflächen. Schweiz. Z. Forswes,
116, 623-625.
BAILEY, W.G., STEWART, R.B., 1982. A method for assessing leaf area. Can. J. Plant Sci., 62, 211-214.
BAKER, B., OLSZYK, D.M., TINGEY, D., 1996. Digital image analysis to estimate leaf area. J. Plant Physiol., vol
148, 530-535.
BAKER, C.H., CURRY, R.B., 1976. Structure of agronomical simulators: a philosophical view. Agricultural
Systems, 1, 201-218.
BALAKRISHNAN, K., SUNDARAM, K.M., AJUNAN, A., MATARAJATNAM, N.A., 1992. A simple method for
estimating leaf area in tomato. Madras Agric. J., 79 (3), 162-163.
BALDWIN, M. KELLOGG, C. THORP, J., 1938. Soil classification. In Soils and men, p 979-1001. U.S. Dep. Agr.
Yearb. Agr. U.S. Govt. Printing Office, Washington, D.C.
BANGE, M.P., GRAEME, L.H., MILROY, S.P., KENNETH, G.R., 2000. Improving estimates of individual leaf area
of sunflower. Agron. J., 92, 761-765.
BARCELÓ COLL, J., NICOLÁS RODRIGO, G., SABATER GARCÍA, B., SÁNCHEZ TAMÉS, R., 1992. Fisiología
vegetal. Ediciones Pirámide, S.A. Madrid.
167
Bibliografía
BARTLETT, M.S., 1937. Some samples of statistical methods of research in agriculture and applied biology.
Journal of Royal Statistical Society, Supp. 4, 158-159.
BATYUK, V.P. RYBLAKO, E.F., OKANENKO, A.S., 1959. A photoelectric planimeter for measuring leaf area. Biol.
Plant, 1, 167-175.
BAUMAN, D.T., BASTIAANS, L., GOUDRIAAN, J., VAN LAAR, H.H., KROPFF, M.J., 2002. Agricultural Systems,
73, 173-203.
BEERLING, D.J., FRY, J.C., 1990. A comparison of the accuracy, variability and speed of five different methods
for estimating leaf area. Ann. Bot, 65, 483-388.
BENIN, M., GASQUEZ, J., MAHFOUDI, A., BESSIS, R., 1988. Caractérisation biochimiquie des cépages de Vitis
vinifera L. par électrophorèse d’isozimes foliares: Essai de classification des varietés. Vitis, 27, 157-172.
BERVERLY, R.B., VAN IERSEL, M.W., 1998. Calibration of a video image analysis system for measurement of
stem length, leaf area, and percent ground coverage. Commun. Soil Sci. Plant. Anal., 29 (9&10), 1071-1081.
BEVERLY, R.B., 1996. Video image analysis as a non-destructive measure of plant vigor for precision agriculture.
Commun. Soil Sci. Plant Anal., 27, 607-614.
BHAN, V.M., PANDE, H.K., 1966. Measurement of leaf area of rice. Agron. J., 58, 454.
BINDI, M., MIGLIETTA, F., GOZZINI, B., ORLANDINI, S., SEGHI, L., 1997. A simple model for simulation of
growth and development of grapevine (Vitis vinifera L.). I. Model description. Vitis 36 (2), 67-71.
BISCOE, P.V., JAGAARD, K.W., 1985. Measuring plant growth and structure. En: Marshall, B., Woodward, F.I.
(Eds.), Instrumentation for Environmental Physiology, pp. 215-228. Cambridge University Press. Sidney.
BLACKMAN, G.E., 1956. Influence of light and temperature on leaf growth. En: Milthorpe, F.L. (ed.). The growth of
leaves, pp. 151-167. Butterworths Scientific publications, Londres.
BLACKMAN, V.H., 1919. The compound interest law and plant growth. Ann. Bot. 33, 353-360.
BLANCO, C; MARTÍNEZ, M.T., MARTÍNEZ DE TODA, F. 2003. Caracterización ampelográfica y ampelométrica
de variedades de vid en peligro de extinción en Rioja. VII Jornadas científicas de los grupos de investigación
enológica, N 15, 42-44.
BOIDRON, R., AUDEGUIN, L. 2001. L’ampélographie traditionnelle toujours d’actualité. Mise au pont de l’ENTAV
après l’article de J. Bisson: L’usagel officiel des noms des cépages. Les progès agricole et viticole, vol. 118,
nº 7, 151-152.
BONHOMME, R., RUGET, F., DERIEUX, M., VINCOURT, P., 1982. Relations entre production de matière sèche
aérienne et énergie interceptée chez differents génotypes de maïs. C.R. Acad. Sci. série D, 294, 393-398.
BORREGO, J., 1990. Descripciones ampelográficas nacionales. Monografías de Investigación y Experimentación
Agraria. Comunidad de Madrid. Madrid.
BOTELLA MIRALLES, O., 1993. Análisis del crecimiento y desarrollo del girasol (Helianthus Annuus L.)
oleaginoso, cultivado en segunda cosecha en los regadíos de Albacete, a través de un ensayo de cultivares.
Tesis doctoral. Directores: Francisco José Martín de Santa Olalla Mañas y José Arturo de Juan Valero.
Universidad de Valencia. Valencia.
BOURSIQUOT, J.M., FABER, M.P., BLACHIER, O., TRUEL, P., 1987. computerization and statistical analysis of
ampelographic data. Agronomie 7 (1), 13-20.
BRIGGS, G.E., KIDD, F., WEST, C., 1920. Quantitative analysis of plant growth. I and II. Ann. Appl. Biol. 7, 103-
123, 202-223.
BRISSON, N., SEGUIN, B, BERTUZZI, P., 1992. Agrometeorological soil water balance for crop simulation
models. Water Resour. Res., 59, 267-287.
BROSSIER, C., 1999. Evaluation de l’entassement du feuillage chez Vitis vinifera L. (var. Grenache et
Mourvèdre). Etude préliminaire. Centre Technique Interprofessionnel de la Vigne et du Vin. Rodilhan (no
publicado).
BROUGHAM, R.W., 1956. Effect of intensity of defoliation on re-growth of pasture. Austral. J. Agric. Res., 7, 377-
387.
BROWN, H., ESCOMBE, F.,1905. Researches on some of the physiological processes of green leaves. Proc.
Roy. Soc., B 76, 29-111.
BRYSON, R.J., PAVELEY, N.D, CLARK, W.S., SYLVESTER-BRADLEY, R., SCOTT, R.K., 1997. Use of in-field
measurements of green leaf area and incident radiation to estimate the effects or yellow rust epidemics on
the yield of winter wheat. European Journal of Agronomy, 7, 53-67.
168
Bibliografía
BUCKLEY, D.J., McADAM, W.E., 1972. A television-scanned, digital planimeter and dimension gage for
measuring size of agricultural produce. Transactions of the ASAE, 15, 324-326.
BUCKLEY, D.J., REID, W.S., VOLDENG, H.D., 1973. A digital leaf-area measuring system using a television-
scanned conveyor. Canadian Agricultural Engineering, vol. 15, nº 2, 107-109.
BURR, I.W., FOSTER, L.A.1972. A test for equality of variances. Department of Statistic Mimeo Series, nº 282.
Purdue University.
CABELLO, F., ORTÍZ, J.M., 1995. Isoenzimatic and morphological characterization of Spanish vine varieties (Vitis
vinífera L.). Bulletin de l’OIV, 775-776, 720-745.
CABELLO, F., ORTÍZ, J.M., ALTUBE, H., SOTÉS, V., 1990. Caracterización morfométrica del género vitis
mediante análisis de imagen. Vitivinicultura, 10, 37-40.
CALÓ, A., COSTACURTA, A., PALUDETTI, G., CALO, G., ARULSEKAR, S., PARFITT, D., 1989. The use of
isozyme markers to characterize grape cultivars. Riv. Vit. Enol. (1), 15-22.
CAMPOS GARAULET, I. 2003. Contribución al estudio de cultivares de almendro en el sureste español. Tesis
doctoral. Director: Francisco Montero Riquelme. ETSIA. Universidad de Castilla-La Mancha. Albacete.
CARBONELL, E., DENIS, J.B., CALVO, R., GONZÁLEZ, F., PRUÑONOSA, V., 1983. Regresión lineal: un
enfoque conceptual y práctico. Instituto Nacional de Investigaciones Agrarias. Madrid.
CARBONNEAU, A., 1976. Principes et méthodes de mesure de la surface foliare. Essai de caractérisation des
types de feuilles dans le genre Vitis. Ann. Amélior. Plantes, 26 (2), 327-343.
CARBONNEAU, A., 1979. Research on criteria and outlines of training systems for the grapevine. Extension to
woody and perennial plants. Ann. Amélior. Plantes, 29, 173-185.
CARBONNEAU, A., 1980. Recherche sur les systèmes de conduite de la vigne: essai de maîtrise du microclimat
et de la plante entière pour produire économiquement du raisin de qualité. Thèse Doct. Ing. Univ. Bordeaux.
II.
CARBONNEAU, A., 1989. L’exposition utile du feuillage: définition du potentiel du système de conduite. Système
de conduite de la vigne et mécanisation. OIV. Ed. Paris.
CARBONNEAU, A., MABROUK H., 1996. A simple method for determination of grapevine Vitis vinifera L. leaf
area. Progrès Agricole Viticole, 18, 392-398.
CARLETON, A.E., FOOTE, W.H., 1965. A comparison of methods for estimating total leaf area of barley plants.
Crop Science, 602-603.
CAVERO, R.Y., LÓPEZ, Mª.L., 1997. Introducción a la botánica. Ediciones Universidad de Navarra, S.A.
(EUNSA). Pamplona.
CENTER, B., VERMA, B.P., 1997. A fuzzy photosynthesis model for tomato. Transactions of the ASAE, Vol 40 (3),
815-821.
CHARLES-EDWARDS, D.A., DOLEY, D., RIMMINGTON, G.M., 1986. Modelling plant growth and development .
Academic Press, Sydney.
CIARCIA, S., 1983. Build the Micro D-Cam solid-state video camera. 1. The IS32 Optic Ram and the Micro D-Cam
hardware. Byte, 8 (9), 20-31.
CLADERA MUNAR, M, MATAS MIR, A. 2002. Introducció a l’Anàlisi de Regressió Lineal. Col·lecció materials
didàctics. Universitat de les Illes Balears. Palma.
CLARKE, J.M., McCAIG, T.N., 1985. A versatile, inexpensive microcomputer-based leaf area measurement
system. Agron. J., 77, 966-968.
CLEMENTS, F.E., GOLDSMITH, W., 1924. The phytometer method in ecology. Carnegie Inst. of Washington
Publ., 356.
CONIBEAR, D.I., FURMIDGE, C.G., 1960. A simple photo-electric device for measuring the area of detached
leaves. Ann. Rept. Agric. Res. Sta., Long Ashton, 66-68.
COOK, R.D., 1977. Detection of influential observations in linear regression. Technometrics, 19, 15-18.
COOK, R.D., 1979. Influential observations in linear regression. Journal of the American Statistical Association,
79, 169-184.
COOMBS, J., HALL, D.O., 1982. Whole Plant Photosynthesis and Productivity. In: Techniques in Bioproductivity
and Photosyntesis. Pergamon Press, Oxford, 171 pp.
COSTACURTA, A., CRESPAN, M., MILANI, N., 1996. Varietal and clonal characterization experiences by means
of molecular markers in Vitis vinifera L. Riv. Vitic. Enol. 49, 39-50.
169
Bibliografía
DAGNEAUD, J.P., TRANCHEFORT, J., 1985. Modèles de prévisions de rendements. Perspectives Agricoles, 92,
57-62.
DARROW, G.M., 1932. Methods of measuring strawberry leaf areas. Plant Physiol., 7, 745-747.
DAUGHTRY, C., 1990. Direct measurements of canopy structure. Remote Sensing Rewiews, 5, 45-60.
DE JUAN VALERO, J..A., MARTÍN DE SANTA OLALLA, J.F., BOTELLA MIRALLES, O., 1992. Dinámica del
crecimiento y desarrollo del girasol. Colección Ciencia y Técnica. Ediciones de la Universidad de Castilla-La
Mancha. Cuenca.
DIEBOLT, K.S., MUDGE, K.W., 1988. Use of video-imaging system for estimating leaf surface area of Pinus
sylvestris seedlings. Can. J. For. Res., 18, 377-390.
DOKOOZLIAN, N.K., KLIEWER, W.M., 1995. The light environment within grapevine canopies. II. Influence of leaf
area density on fruit zone light environment and some canopy assessment parameters. Amer. J. Enol.
Viticult., 46, 219-226.
DOMÈNECH, J.M. RIBA, M.D., 1985. Métodos estadísticos. Modelo lineal de regresión. Editorial Herder.
Barcelona.
DRIESSEN, P.M., 1986. The collection and treatment of basic data. En: Van Keulen, H., Wolf, J. (Eds.) Modelling
of agricultural production: weather, soils and crops, pp. 201-224. Simulation Monographs, Pudoc
Wageningen.
DUMAS, Y., 1990. Interrelation on linear measurements and total leaf area or dry matter production in young
tomato plants. Adv. Hortic. Sci., 4, 172-176.
DURBIN, J., WATSON, G.S., 1951. Testing for serial correlation in least-squares regression. Biometrika, 38, 159-
178.
EDER, R., WENDELIN, S., BARNA, J., 1994. Classification of red wine cultivars by means of anthocyanin
analysis. First report: use of multivariate statistical methods for the differenctiation of grape samples. Mitt.
Klosterneuburg, 44, 201-212.
ELLLSWORTH, D.S., REICH, P.B., 1993. Canopy structure and vertical patterns of photosynthesis and related
leaf traits in a deciduous forest. Oecology, 96, 129-139.
ELSNER, E.A., JUBB, G.L.Jr., 1988. Leaf area estimation of Concord grape leaves from simple linear
measurements. Am. J. Enol. Vitic. 39 (1), 95-97.
EPSON GT-8000, 1993. Seiko Epson Corporation. Nagano, Japón.
EPSTEIN, E., ROBINSON, R.R., 1965. A rapid method for determining leaf area of potato plants. Agron. J., 57,
515-516.
FABEIRO CORTÉS, C., 1995. Análisis del crecimiento y del rendimiento del cultivo de soja (Glycine max (L.)
Merr.) sometido a diferentes tratamientos hídricos en la zona de Los Llanos de Albacete. Tesis doctoral.
Directores: Francisco José Martín de Santa Olalla Mañas y José Arturo de Juan Valero. Universidad de
Castilla-La Mancha. Albacete.
FALSTER, D.N., WESTOBY, M. 2003. Leaf size and angle vary widely across species: what consequences for
light interceptation? New Phytologist 158, 509-525.
FAO, 1988. Clasificación de suelos.
FARGO, W.S., BONJOUR, E.L., WAGNER, T.L., 1986. An estimation equation for squash leaf area using leaf
measurements. Can. J. Plant Sci., 66, 677-682.
FERNÁNDEZ RODRÍGUEZ, E.J., LÓPEZ-BELLIDO, L., 1993. Modelos de simulación en cultivos herbáceos.
Ministerio de Agricultura, Pesca y Alimentación. Madrid.
FERRÁN ARANAZ, M., 1996. SPSS para Windows. Programación y análisis estadístico. McGraw-Hill, D.L.
Madrid.
FILIPPETTI, I., 1999. Diversity assessment of seedlings from self-pollinated Sangiovese grapevines by
ampelography and microsatellite DNA analysis. Vitis 38, 67-72.
FONT QUER, P. (Director), 1985. Diccionario de Botánica. Editorial Labor, S.A. Barcelona.
FRANCE, J., THORNLEY, J.H.M., 1984. Mathematical models in agriculture. Butterworth & Co., London.
FREAR, D.E.H., Photoelectric apparatus for measuring leaf areas, 1935. Plant Physiol., 10, 569-574.
FREEMAN, G.H., BOLAS, B.D., 1956. A method for the rapid determination of leaf areas in the field. Ann. Rep.
Est Malling Res. Station, 104-107.
170
Bibliografía
GALLAGHER, J.N.; BISCOE, R.V., 1978. Radiation, absorption, growth and yield of cereals. J. Agron. Sci.
Cambridge 91, 47-60.
GALLO, K.P., DAUGHTRY, C.S.T., 1986. Techniques for measuring intercepted and absorbed photosynthetically
active radiation in corn canopies. Agron. J., 78, 752-756.
GAMIELY, S., RANDLE, W.M., MILLS, H.A., SMITTLE, D.A., 1991. A rapid and non-destructive method for
estimating leaf area of onions. HortScience, 26 (2), 206.
GARCÉS ASO, J.; GOGORCENA AOIZ, Y., 2001. Caracterización ampelográfica, morfométrica e isoenzimática
de variedades de vid Vitis vinifera de la zona de Somontano en peligro de extinción. Geórgica, 8, 19-21.
GARCÍA LUIS, A; SANTAMARINA SIURANA, M.P. SAMO LUMBRERAS, A., 1988. Morfología vegetal. Servicio
de Publicaciones de la Universidad Politécnica de Valencia. Valencia.
GARDIOL, J.M., SERIO, L.A., DELLA MAGGIORE, A.I., 2002. Modelling evapotranspiration of conr (Zea mays)
under different plant densities. J. Hydrology, 271, 188-196.
GARDNER, F.P., BRENT, R; MITCHELL, R.L., 1990. Physiology of crop plants. Iowa State University Press,
Ames.
GAVRILOV, N.I., EREMENKO, L.L., 1959 Pribor dlya izmereniya ploshchadi listev. (An instrument for measuring
leaf areas.) Fiziol. Rast., 6, 508-512.
GERDEL, R.W., SALTER, R.M., 1928. Measurement of leaf area using the photoelectric cell. J. Am. Soc. Agron.,
20, 635-642.
GEYGER, E., 1964. Methodische Untersuchungen zur Erfassung der assimilierenden Gesamtoberflächen vön
Wiesen. Ber. Geobot. Forsch. Inst. Rübel, 35, 41-112.
GIBSON, P.T., 1975. The effects of heterosis on growth rate and net assimilation rata in grain sorghum. M. S.
thesis, Texas A&M University, College Station, Texas.
GIL MARTÍNEZ, F., 1995. Elementos de Fisiología Vegetal. Relaciones hídricas. Nutrición mineral. Transporte.
Metabolismo. Ediciones Mundi-Prensa. Madrid.
GIOVANARDI, R., 1972. Stima dell’area fogliare mediante misru biometriche ed applicazioni allo studio della
dinamica di accrescimento del mais. Riv. Agron., 6 (4), 243-247.
GLOBAL LAB Image Version 2.10, 1993. Data Translation Inc. Marlboro, MA, EEUU.
GOODALL, D.W., 1947. Diurnal changes in the area of cacao leaves. Ann. Bot. N.S., 11, 449-451.
GOSSE, G., CHARTIER, M., VARLET-GRANCHER, C., BONHOMME, R., 1982. Interceptation du rayonement
utile à la photosynthèse chez la luzerne: variations et modélisation. Agronomie, 2 (6), 583-588.
GOSSE, G., VARLET-GRANCHER, C., BONHOMME, R., CHARTIER, M., ALLIRAND, J.M., LEMAIRE, G., 1986.
Production maximale de matière sèche et rayonnement solaire intercepté par un couvert végétal.
Agronomie, 6 (1), 47-56.
GRANDO, M.S., 1998. Grape microsatellite markers: sizing of DNA alleles and genotype analysis of some
grapevine cultivars. Vitis 37, 79-82.
GUARDIOLA BARCENA, J.L., GARCÍA LUIS, A., 1990. Fisiología Vegetal I: Nutrición y Transporte. Editorial
Síntesis. Madrid.
GUJARATI, D.N. 2004. Econometría. Editorial McGraw-Hill Interamericana. México.
GUNN, S., FARRAR, J.F., COLLINS, B.E., NASON, M., 1999. Specific leaf area in barley: individual leaves versus
whole plants. New Phytol., 143, 45-51.
HAMMER, G.L., HILL, K., SCHRODTER, G.N., 1987. Leaf area production and senescence of diverse grain
sorghum hybrids. Field Crops Research, 17, 305-317.
HAMMER, G.L., SINCLAIR, T.R., BOOTE, K.J., WRIGHT, G.C., MEINKE, H., BELL, M., 1995. A peanut
simulation model: I. Model development and testing. Agron. J., 87, 1085-1093.
HATFIELD, J.L., STANLEY, C.D., CARLSON, R.E., 1976. Evaluation of an electronic foliometer to measure leaf
area in corn and soybeans. Agron. J., 68, 434-436.
HEBERT, M.T., JACK, S.B., 1998. Leaf area index and site water balance of loblolly pine (Pinus taeda L.) across a
precipitation gradient in East Texas. For. Ecol. Manage., 105, 273-282.
HENICKE, D.R., 1963. Note on estimation of leaf area and leaf distribution in fruit trees. Can. J. Plant Sci., 43,
597-598.
HIBBARD, R.P., GRISBY, B.H., KECK, W.G., 1937. A low light intensity photoelectric device for the measuring of
leaf areas. Pap. Mich. Acad. Sci., 23, 141-147.
171
Bibliografía
HIDALGO, L. 2000. Tendencias actuales de la caracterización ampelográfica. Agricultura, 69, nº 811, 46-49.
HIDALGO, L. 2002. Tratado de Viticultura general. Ed. Mundi-Prensa. Madrid.
HOCKING, R. R. 2003. Methods an applications of linear models: regression and analysis of variance. John Wiley
& Sons, Inc. Hoboken, New Jersey, EEUU.
HODGES, T., KANEMASU, E.T., 1977. Modelling daily dry matter production of winter wheat. Agronomy Journal,
69, 974-978.
HODSON, S.L., BURKE, C.M., LEWIS, T.E., 1995. In situ quantification of fish-cage fouling by underwater
photography and image analysis. Biofouling, 9, 145-151.
HOFFMAN, G.J., 1971. Estimating leaf area from length measurements for hybrid granex onion. Agron. J. 63, 948-
949.
HOOKER, R.H., 1907. Correlation of the weather and crops. Jl. R. Statis. Soc. 70, 1-51.
HUGHES, A.P., 1964. Some modifications of Schwabe’s photometric apparatus for leaf measurement. Ann. Bot.
N.S., 28, 473-474.
HUMPHRIES, E.G., FRENCH, S.A.W., 1963. The accuracy of the rating method for determining leaf area. Ann.
appl. Biol. 52, 193-198.
HUMPHRIES, E.G., FRENCH, S.A.W., 1964. Determination of leaf area by rating in comparison with geometric
shapes. Ann. appl. Biol. 54, 281-284.
HUNT, M.A., HODSON, S.L., 1999. Accurate area determination of complex leaves using digital image analysis.
Aus. J. Plant Physiol., 26, 767-772.
HUNT, R., 1978. Plant growth analysis. Edward Arnold, Londres.
HUNT, R., 1979. Plant growth analysis: the rationale behind the use of the fitted mathematical function. Ann. Bot.
42, 245-249.
HUNT, R., 1982. Plant growth curves. The functional approach to plant growth analysis. Edward Arnold, Londres.
HURD, R.G., REES, A.R., 1966. Transmission error in the photometric estimation of leaf area. Plant Physiol., 41,
905-906.
IBÁÑEZ, J., ANDRÉS, M.T., DE BORREGO, J., 1999. Identificación de variedades de vid mediante análisis del
ADN. La semana vitivinícola 54 (2776-2777), 3713-3720.
IGME, 1972. Mapa geológico de España, escala 1:200.000. Síntesis de la Cartografía existente. Hoja nº 62,
Tomelloso (Ciudad Real). Madrid.
IMAZIO, S., LABRA, M., GRASSI, F., WINFIELD, M., BARDINI, M., SCIENZA, A. 2002. Molecular tools for clone
identification: the case of the grapevine cultivar Traminer. Plant Breeding, 121, 531-535.
IZCO, J., BARRENO, E., BRUGUÉS, M., COSTA, M., DEVESA, J., FERNÁNDEZ, F., GALLARDO, T., LLIMONA,
X., SALVO, E., TALAVERA, S., VALDÉS, B., 1997. Botánica. McGraw-Hill Interamericana de España.
Madrid.
JENKINS, H.V., 1959. An airflow planimeter for measuring the area of detached leaves. Plant Physiol., 34, 532-
536.
JOHNSON, R.E., 1967. Comparison of methods for estimating cotton leaf area. Agron. J., 59, 493-494.
JONCKHEERE, I., FLECK, S., NACKAERTS, K., MUYS, B, COPPIN, P., WEISS, M., BARET, F., 2004. Review of
methods for in situ leaf area index determination. Part I. Theories, sensors and hemispherical photography.
Agricultural and Forest Meteorology, 121, 19-35.
JONES, C.A., KINIRY, J.R. (Eds.), 1986. CERES-Maize, a simulation model of maize growth and development.
Texas A&M University Press: College Station, Texas.
KANDIANNAN, K, KAILASAM, C., CHANDARAGIRI, K.K., SANKARAN, N., 2002. Allometric model for leaf area
estimation in black pepper (Piper nigrum L.). J. Agron. Crop Sci., 188, 138-140
KAZMIER, L. DÍAZ MATA, A., 1991. Estadística aplicada a administración y economía. 2ª Edición. Ed. McGraw
Hill Interamericana. México.
KERSHAW, J.H., LARSEN, D.R., 1992. A rapid technique for recording and measuring the leaf area of conifer
needle samples. Tree Physiology, 11, 411-417.
KINIRY, J.R., BLANCHET, R., WILLIAMS J.R., TEXIER, V., KPMES, C.A., CABLEGUENNE, M., 1992. Simulating
sunflower with the EPIC and ALMANAC models. Field Crops Res. 30, 403-423.
172
Bibliografía
KINIRY, J.R., SANDERSON, M.A., WILLIAMS, J.R., TISCHLER, C.R., HUSSEY, M.A., OCUMPAUGH, W.R.,
READ, J.C., ESBROECK, G., REED, R.L., 1996. Simulation Alamo switchgrass with the ALMANAC model.
Agron. J. 88, 607-613.
KLEIN, I., DEJONG, T.M., WEINBAUM, S.A., MURAOKA, T.T., 1991. Specific leaf weight and nitrogen allocation
responses to light exposure within walnut trees. Hortscience, 26, 183-185.
KNISEL, W.G. JR., 1980. CREAMS: A field-scale model for chemicals, runoff, and erosion from agricultural
management systems. Conservation Rpt. No. 26. U.S. Dept. Agr. Washington, D.C.
KOLLER, H.R., 1972. Leaf area-Leaf weight relationships in the soybean canopy. Crop Sci., 12, 180-183.
KOLMOGOROV, A, 1933. Sulla determinazione empirica di una legge di distribuizione. Giornale dell’Instituto
Italiano degli Attuari, 4, 83-91.
KORVA, J.T., FORBES, G.A., 1997. A simple and low-cost method for leaf area measurement of detached leaves.
Expl. Agric., 33, 65-72.
KRAMER, P.J., 1937. An improved photoelectric device for measuring leaf areas. Am. J. Bot., 24, 375-376.
KRIEDEMANN, P.E., TÖRÖKFALVY, E., SMART, R.E., 1972. Natural occurrence and photosynthetic utilisation of
sunflecks by grepevine leaves. Photosynthetica 7 (1), 18-27.
KRISHNAMURTHY, K., JAGANNATH, M.K., RAJASHEKARA, BG., RAGHUNATHA, G., 1973. Estimation of leaf
area in grain sorghum for single leaf measurements. Agron. J., 66 (4), 544-545.
KROPFF, M.J., VAN LAAR, H.H., 1993. Modelling Crop-Weed Interactions. CAB International, Wallingford, UK.
KVET, J., MARSHALL, J.K., 1971. Assessment of leaf area and other assimilating plant surfaces. En: Sestak, Z.,
Catsky, J., Jarvis, P.G. (eds.) Plant photosynthetic production Manual of methods, pp. 517-555. Junk, N.V.
Pubs., La Haya.
KVET, J., NECAS, J., KUBIN, S., 1966. Mereni listové plochy. (Measurements of leaf area). En: Sestak, Z.,
Catsky, J. (Eds.): Metody Studia Fotosynthetické Produkce Rostlin. (Methods of Studing Photosynthetic
Production of Plants), pp. 315-331. Academia, Praga.
LACTIN, D.J., HOLLIDAY, N.J., 1995. Spatiotemporally variable area: mass relationship of Russet Burbank potato
leaflets: implications to potato production models. American Potato Journal, 72, 287-297.
LAFARGE, T.A., HAMMER, G.L., 2002. Predicting plant leaf area production: shoot assimilate accumulation and
partitioning, and lead area ratio, area stable for a wide range of sorghum population densities. Field Crop
Res., 77, 137-151.
LAL, K.N., SUBBA RAO, M.S., 1951. A rapid method of leaf area determination. Nature, 167, 72.
LANG, A.R.G., KIANG, Y., 1986. Estimation of leaf area index from transmission of direct sunlight in discontinous
canopies. Agr. For. Meteorol., 37, 229-243.
LANGER, R.H.M., 1956. Measurement of leaf growth in grasses. En: Milthorpe, F.L. (ed). The growth of leaves,
pp., 197-198. Butterworths Scientific publications, Londres.
LARREA, A., 1979. Vides de Rioja y sus entornos. Instituto de Estudios Riojanos. Logroño.
LARSEN, D.R., KERSHAW, J.A., 1990. The measurement of leaf area. En: Lassoie, J., Hinckley, T. (Eds.),
Techniques and Approaches in Forest Tree Physiology, pp 465-475. CRC Press, Inc., Boca Raton, Fl.
LE ROUX, X., SINOQUET, H., VANDAME, M., 1999. Spatial distribution of leaf dry weight per area and leaf
nitrogen concentration in relation to local radiation regime within an isolated tree crown. Tree Physiol., 19,
181.188.
LEENHARDT, D., VOLTZ, M., RAMBAL, S., 1995. A survey of several agroclimatic soil water balance models with
reference to their spatial application. Eur. J. Agron., 4 (1), 1-14.
LEGORBURO, A., TÉBAR, J. I., 1996. Annex I. Information collected by Anchor Stations in Barrax and Tomelloso.
En: Martín de Santa Olalla Mañas, F. J. (Coordinador), Desertification processes in the Mediterranean Area
and their interlinks with global climate, Final Report of EFEDA-II Project, Subgroup II: Vegetation, Soil
Physics, Inventory and Impacts, (EU Contract nº EV5V-CT93-0272), p. 219-228. Universidad de Castilla-La
Mancha, Albacete.
LEVENE, H., 1960. Robust tests for the equality of variances. En: J. Olkin: Contributions to probability and
statistics. Stanford University Press. Palo Alto, CA.
LI-COR modelo LI-3100, 1991. LI-COR Inc. Lincoln, Nebraska, EEUU.
LIEBIG, H.P., 1978. Einflüsse endogner und exogener faktoren auf die ertragsbildung von salatgurken (Cucumis
sativus L.) unter besonderer berücksichtigung von ertragsrhytmik, bestandesdichte und schnittmabnahmen.
Dissertation, Univ. Hannover.
173
Bibliografía
LIETH, J.H., REYNOLDS, J.F., 1984. A model of canopy irradiance in relation to changing leaf area in a phytotron-
growth snap bean (Phaseolus vulgaris L.). Crop Int. Biometeor. 25, 61-71.
LILLIEFFORS, H.W., 1967. On the Kolmogorov-Smirnov test for normality with mean and variance unknown.
Journal of the American Statistical Association, 62, 399-402.
LINDSEY, P.A., BASSUK, N.L., 1992. A non-destructive image analysis technique for estimating whole-tree leaf
area. HortTechnology, 2, 66-72.
LÓPEZ RÍOS, G.F., 1998. Botánica. Anatomía, morfofisiología y diversidad. Universidad Autónoma de Chapingo.
Chapingo. México.
LU, H.Y., LU, C.T., WEI, M.L., CHAN, L.F., 2004. Comparison of different models for nondestructive leaf area
estimation in taro. Agron. J., 96, 448-453.
LUH, J., KLAASEN, J.A., 1985. A three-dimensional vision by off-shelf system with multi-camera. IEEE
Transactions on Pattern Analysis and Machine Intelligence. PAMI-7, 1, 35-45.
LÜTTGE, U., KLUGE, M., BAUER, G., 1993. Botánica. McGraw-Hill Interamericana de España. Madrid.
LYON, C.J., 1948. A factor method for the area of tomato leaves. Plant Physiol., 23, 634-635.
MABROUK, H., CARBONNEAU, A., SINOQUET, H., 1997a. Canopy structure and radiation regime in grapevine.
II: Modelling radiation interception and distribution inside the canopy. Vitis 36 (3), 125-132.
MABROUK, H., SINOQUET, H., CARBONNEAU, A., 1997b. Canopy structure and radiation regime in grapevine.
I: Spatial and angular distribution or leaf area in two canopy systems. Vitis 36 (3), 119-123.
MAIGRE, D., 1995. De la ampelografía al análisis de ADN: los métodos de identificación de los vidueños son
complementarios. La Semana vitivinícola, 2539, 1032-1033.
MANCUSO, S., 1999a. Elliptic Fourier análisis and artificial neural networks for the identification of grapevines
(Vitis vinifera L.) genotypes. Vitis 38, 73-77.
MANCUSO, S., 1999b. Fractal geometry-based image analysis of grapevines leaves using the box counting
algorithm. Vitis 38, 97-100.
MANCUSO, S., 2001. Clustering of grapevine (Vitis vinifera L.) genotypes with Kohonen neural networks. Vitis 40,
59-63.
MANCUSO, S., FERRINI, F., NICESE, F.P., 1999. Chesnut (Castanea sativa Mill.) genotype identification: An
artificial neural network approach. J. Hort. Sci. Biotechnol. 74, 777-784.
MANCUSO, S., NICESE, F.P., 1999. Identification of olive (Olea europea L.) varieties using artificial neural
networks. J. Am. Soc. Hort. Sci., 124, 527-531.
MANCUSO, S., PISANI, P.L.,.BANDINELLI, R., RINALDELLI, E., 1998. Application of an artificial neural network
(ANN) for the identification of grapevine genotypes. Vitis, 37 (1), 27-32.
MANIVEL, L., WEAVER, R.J., 1974. Biometric correlations between leaf area and length measurements of
Grenache grape leaves. HortScience, 9 (1), 27-28.
MANRIQUE, L.A., HODGES, T., HOHNSON, B.S., 1990. Genetic variables for potato. Am. Potato J., 67, 669-683.
MARCILLA, J., 1954. Tratado práctico de Viticultura y Enología Española. Tomo I. Viticultura. Ed. SAETA. Madrid.
España.
MARSHALL, J.K., 1968. Methods for leaf area measurement of large and small leaf samples. Photosynthetica, 2
(1), 41-47.
MARTÍN DE SANTA OLALLA MAÑAS, F. J. (Coordinador), 1996. Desertification processes in the Mediterranean
Area and their interlinks with global climate. Final Report of EFEDA-II Project, Subgroup II: Vegetation, Soil
Physics, Inventory and Impacts, (EU Contract nº EV5V-CT93-0272), Universidad de Castilla-La Mancha,
Albacete, 243 p.
MARTÍN DE SANTA OLALLA MAÑAS, F. J. (Editor), 1994. Desertificación en Castilla-La Mancha. El Proyecto
EFEDA, Universidad de Castilla-La Mancha, Cuenca, p. 254.
MARTÍNEZ DE TODA FERNÁNDEZ, F., 1991. Biología de la vid. Fundamentos biológicos de la Viticultura.
Ediciones Mundi-Prensa. Madrid.
MARTÍNEZ DE TODA, F., SANCHA, J.C., 1997a. Diferenciación ampelográfica de cultivares blancos de vid (Vitis
vinifera L.) preservados en Rioja. La Semana vitivinícola, 52, nº 2677, 4310-4315.
MARTÍNEZ DE TODA, F., SANCHA, J.C., 1997b. Diferenciación de cultivares de vid (Vitis vinifera L.) conocidos
como Graciano en Rioja mediante técnicas de taxonomía numérica. Viticultura enología profesional, 49, 24-
28.
174
Bibliografía
MARTÍNEZ DE TODA, F., SANCHA, J.C., 1998. Diferenciación ampelográfica de cultivares de vid (Vitis vinifera
L.) conocidos como Monastel en Rioja. Viticultura enología profesional, 55, 40-45.
MATUS, M.S., RODRÍGUEZ, J.G., 1999. Caracterización ampelográfica de la variedad Syrah, cultivada en
Mendoza (Argentina), según el método de la OIV. La Semana vitivinícola, 2766, 2714-2819.
McCREE, K.J., 1983. Carbon balance as a function of plant size in sorghum plants. Crop Sci., 23, 1173-1177.
McKEE, G.W., 1964. A coefficient for computing leaf area in hybrid corn. Agron. J., 56, 240-241.
McLEON, S.D., RUNNING, S.W., 1988. Comparing site quality indices and productivity in ponderosa pine stands
of western Montana. Can. J. For. Res., 18, 346-352.
MEEK, D.W., HATFIELD, J.L., HOWELL, T.A., IDSO, S.B., REGINAL, R.J., 1984. A generalized relationship
between photosynthetically active radiation and solar radiation. Agron. J., 76, 939-945.
MEYER, G.E., DAVISON, D.A., 1987. An electronic image plant growth measurement system. Transactions of the
ASAE, 30 (1), 242-248.
MEZIANE, D., SHIPLEY, B., 1999. Interacting determinants of specific leaf area in 22 herbaceous species: effects
of irradiance and nutrient availability. Plant, Cell and Environment, 22, 447-459.
MICROSOFT® EXCELL 2000 version 9.0, 2000. Microsoft Corporation, Redmond, Washington.
MILLER, E.C., 1938. Plant Physiology. McGraw-Hill Co., Nueva York.
MILTHORPE, F.L. (editor), 1956. The growth of leaves. Butterworths Scientific publications. Londres.
MILTHORPE, F.L., 1942. A simplified photoelectric cell method for measuring leaf areas. J. Austr. Inst. Agric. Sci.,
8, 27.
MITCHELL, J.W., 1936. Measurement of the area of attached and detached leaves. Science, 83, 334-336.
MONSELISE, S.P., HEYMANN-HERSCHBERG, L., 1953. Influence of exposure and age on dry matter content,
area and mineral composition of shamouti orange leaves. Am. Soc. Hort. Sci. Proc., 62, 67-74.
MONSI, M., SAEKI, T., 1953. Über den Lichtfaktor in den Pflanergesellschaften und seine Bedeutung für die
Stoffproduktion. Jpn. J. Bot., 14, 22-52.
MONTEIHT, J.L., 1965. Radiation and crops. Exp. Agric., 1, 241-250.
MONTERO RIQUELME, F. J., 1996. Panorámica general. En: Salinas, A; Montero, F.J., Rodríguez de la Rubia,
E., (Coordinadores), La vid y el vino en Castilla-La Mancha, pp. 15-25. Ed. Junta de Comunidades de
Castilla-La Mancha, Toledo.
MONTERO RIQUELME, F. J., 1998. El viñedo en zonas semiáridas del Mediterráneo. En: Montero Riquelme, F.
J., Brasa Ramos, A. (Coordinadores), El viñedo en Castilla-La Mancha ante el siglo XXI: el sector vitivinícola
y el agua, pp. 15-36. Colección Ciencia y Técnica, nº 23. Ediciones de la Universidad de Castilla-La
Mancha, Cuenca.
MONTERO, F.J., DE JUAN, J.A., CUESTA, A., BRASA, A. 2000. Non destructive methods to estimate leaf area in
Vitis vinifera L. Hortscience, 35 (4), 696-698.
MORENO-ARRIBAS, M.V., CABELLO, F., POLO, M.C., MARTIN-ALVAREZ, P.J., PUEYO, E., 1999. Assessment
of the native electrophoretic analysis of total grape must proteins for the characterization of Vitis vinifera L.
cultivars. J. Agric. Food Chem. 47, 114-120.
MURATA, Y., 1967. On a new automatic leaf area meter. Jap. Agr. Res. Quart, 2, 35.
MURO, J., ALBERDI, C., LAMSFUS, C., 1991. Efecto de la reducción del área foliar sobre la producción de
cebolla. Aplicación a la tasación de daños por pedrisco. Invest. Agr.: Prod. Prot. Veg, vol. 6 (1), 117-128.
MURO, J., LAMSFUS, C., FERNÁNDEZ MILITINO, A., 1994. Efecto de la reducción del área foliar sobre la
producción de pimiento (Capsicum annuum L.). Invest. Agr.: Prod. Prot. Veg, vol. 9 (1), 53-62
NEGISI, K., SATOO, T., YAGI, K., 1957. A method for the rapid measuring of leaf areas. Jour. Jap. Forest Soc.,
39, 380-384.
NIINEMETS, U., 1997. Distribution patterns of foliar carbon and nitrogen as affected by tree dimensions and
relative light conditions in the canopy of Picea abies. Trees, 11, 144-154.
NORMAN, J.M., CAMPBELL, G.S., 1989. Canopy structure, p. 301-325. In: R.W. Pearcy (ed.). Plant physiological
ecology: Field methods and instrumentation. Chapman and Hall, Londres.
NYAKWENDE, E., PAULL, C.J., ATHERTON, J.G., 1997. Non-destructive determination of leaf area in tomato
plants using image processing. Journal of Horticultural Science, 72 (2), 255-262.
175
Bibliografía
OIV (OFFICE INTERNATIONAL DE LA VIGNE ET DU VIN), 2000. Description des cépages du monde.
Descripción de variedades de vid del mundo. Description of world vine varieties. Weltweite
Rebsortenbeschreibung. Mise à jour janvier 2000. Paris.
OIV-IBPGR-UPOV, 1983. Code de caractères descriptifs des variétés et espèces de Vitis. Office International de
la Vigne et du Vin, Paris.
OLLAT, N., FERMAUD, M., TANDONNET, J.P., NEVEUX, M., 1998. Evaluation of an indirect method for leaf area
index determination in the vineyard: combined effects of cultivar, year and training system. Vitis, 37 (2), 73-
78.
OLMEDA FERNÁNDEZ, M.; BERNABÉU CAÑATE, R., 2002. Estrategias del sector vinícola en Castilla-La
Mancha. Colección Ciencia y Técnica, nº 39. Ediciones de la Universidad de Castilla-La Mancha, Cuenca.
ORTÍZ, J.M., CABELLO, F., ALTUBE, H., SOTÉS, V., 1990. Multifactorial analysis of leaf parameters for
identification of Vitis cultivars. Riv. Vit. Enol., 1, 3-8.
PALANISWAMY, K.M., GOMEZ, K.A., 1974. Length-width meted for estimating leaf area of rice. Agron. J., 66,
430-433.
PALIT, P., BATTACHARYYA, 1984. Measurement of leaf area per plant of white jute (Corchorus capsularis L.)
and tossa jute (C. olitorius L.) using the average specific leaf weight value. Trop. Agr., 61, 59-60, 80.
PAPADAKIS, J., 1961. Climates of the World and their agricultural potentialities. Ed. por el propio autor. Buenos
Aires.
PAPADAKIS, J., 1966. Climates tables for the World. Buenos Aires.
PAQUIN, R., COULOMBE, L.J., 1959. A simple method for measuring the area of leaves of potted plants. Can. J.
Bot., 37, 167.
PARDO MERINO, A. RUIZ DÍAZ, M.A. 2002. SPSS 11. Guía para el análisis de datos. McGraw-Hill, D.L. Madrid.
PAYNE, W.A; WENDT, C.W., HOSSNER, L.R., GATES, C.E., 1991. Estimating pearl millet leaf area and specific
leaf area. Agron. J., 83, 937-941.
PEARCE, R.B., BROWN, R.H., BLASER, R.E., 1965. Relationship between leaf area index, light interception and
net photosynthesis in orchardgrass. Crop Sci., 5, 553-556.
PEARCE, R.B., BROWN, R.H., BLASER, R.E., 1967. Photosynthesis in plant communities as influenced by leaf
angle. Crop Sci. 7, 321-324.
PENNING DE VRIES, F.W.T., 1983. Modelling growth and production. Encyclopedia of Plant Physiology: New
Series. Vol. 12 D. Ed. Springer Verlag, Berlín. Pp. 117-150.
PÉREZ LÓPEZ, C., 2001. Técnicas Estadísticas con SPSS. Pearson Educación, S.A. Madrid.
PERSAUD, N., GANDAH, M., OUATTARA, M, MOKETE, N., 1993. Estimating leaf area of pearl millet from linear
measurements. Agron. J., 85, 10-12.
PINTO-CARNIDE, O., MARTÍN, J.P., LEAL, F., CASTRO, I. 2003. Characterization of grapevine (Vitis vinifera L.)
cultivars from northern Portugal using RAPD and microsatellite markers. Vitis 42, 23-25.
PULIDO SAN ROMÁN, A., PÉREZ GARCÍA, J. 2001. Modelos econométricos. Ediciones Pirámide. Madrid.
RADFORD, P.J., 1967. Growth analysis formulae, their use and abuse. Crop. Sci. 7, 171-174.
RAO, J.V., 1978. Leaf area determination in cabbage. Curr. Sci., 47 (9), 312-313.
RAVEN, P.H., RAY, R.F., EICHHORN, S.E., 1992. Biología de las plantas. Editorial Reverté, S.A. Barcelona.
RAY, R.C., SING., R.P., 1989. Leaf area estimation in capsicum (Capsicum annuum L.). Sci. Hortic., 39, 181-188.
REDDY, V.R., ACOCK, B., BAKER, D.N., ACOCK, M., 1989. Seasonal leaf area-leaf weight relationships in the
cotton canopy. Agron. J. 81, 1-4.
REYNIER, A. 2002. Manual de viticultura. Guía técnica de viticultura. 6ª Edición revisada y ampliada. Ediciones
Mundi-Prensa. Madrid.
REYNOLDS, A.G., WARDLE, D.A. 1989a. Effects of timing and severity of summer hedging on growth, yield, fruit
composition, and canopy characteristics of de Chaunac. Amer. J. Enol. Viticult., 40, 109-120.
REYNOLDS, A.G., WARDLE, D.A. 1989b. Impact of various canopy manipulation techniques on growth, yield, fruit
composition, and wine quality of Gewürztraminer. Amer. J. Enol. Viticult., 40, 121-129.
RHOADS, F.M., BLOODWORTH, M.E., 1964. Area measurement of cotton leaves by dry-weight method. Agr. J.,
56, 520-522.
176
Bibliografía
RIJSDIJK, F.H., 1986. Weeds, pests and diseases. En: Van Keulen, H., Wolf, J. (Eds.) Modelling of agricultural
production: weather, soils and crops, pp. 277-306. Simulation Monographs, Pudoc Wageningen.
ROBBINS, N.S., PHARR, D.M., 1987. Leaf area prediction models for cucumber from linear measurements.
HortScience, 22, 1264-1266.
ROBISON, C.D., MASSENGALE, M.A., 1967. Use of area-weight relationship to estimate leaf area in alfalfa
(Medicago sativa L., cultivar Moapa). Crop Sci., 7, 394-395.
RODRÍGUEZ, J.G., MATUS, M.S. 2003. Caracterización ampelográfica de Torrontés riojano. La Semana
vitivinícola, 2956, 1062-1072.
RODRÍGUEZ-TORRES, I., CHÁVEZ, J., ORTÍZ, J.M., CABELLO, F.2000. Avance sobre la resolución de
sinonimias y homonimias de variedades de vid (Vitis vinifera L.) autorizadas en las diferentes
denominaciones de origen (D.O.) españolas. La semana vitivinícola 55 (2815-2816), 2677-2685.
ROMERO VILLAFRANCA, R. ZÚNICA RAMAJO, L.R., 1993. Estadística (Proyecto de Innovación Educativa).
Departamento de Estadística e Investigación Operativa. Universidad Politécnica de Valencia. Servicio de
Publicaciones. Valencia.
ROSENTHAL, W.D., GERIK, T.J., 1991. Radiation use efficiency among cotton cultivars. Agron. J., 83, 655-658.
ROSENTHAL, W.D., VANDERLIP, R.L., JACKSON, B.S., ARKIN, G.F., 1989. SORKAM: A grain sorghum crop
growth model. Computer Software Documentation Ser. MP 1669. Texas Agric. Exp. Stn., College Station.
ROYO, J.B.,MIRANDA, J.,ITOIZ, R.,CHOCARRO, A., 1994. Caracterización de variedades de vid (Vitis vinifera L.)
mediante marcadores isoenzimáticos. Viticultura/enología profesional 34, 20-28.
RUCK, H.C., BOLAS, B.D., 1955. Studies in the comparative physiology of apple rootstocks. I. The effect of
nitrogen on the growth and assimilation of Malling Apple Rootstocks. Ann. Bot. N.S., 20, 57-58.
RUIZ MACÍAS, P., 1980. Estadística aplicada a la investigación agrícola. Ministerio de Agricultura. Servicio de
Publicaciones Agrarias.
SÁNCHEZ DÍAZ, J. BOLUDA HERNÁNDEZ, R. ARTIGAO RAMÍREZ, A. MORELL COT, C. COLOMER MARCO,
J.C. GUARDADO LÓPEZ, R., 1994. Suelos. En: Martín de Santa Olalla Mañas, F. J. (Editor), Desertificación
en Castilla-La Mancha. El Proyecto EFEDA, pp. 97-142. Universidad de Castilla-La Mancha, Cuenca.
SÁNCHEZ MUNIOSGUREN, L., ANDRÉS PONS, F., 1994. Meteorología. En: Martín de Santa Olalla Mañas, F. J.
(Editor), Desertificación en Castilla-La Mancha. El Proyecto EFEDA, pp. 43-70. Universidad de Castilla-La
Mancha, Cuenca.
SCHNEIDER, G., STAUDT 1981. Eine einfache Method zur Bestimmung von Blattflchen bei Reben. Mitt.
Klosterneuburg, 31, 186-189.
SCHULTZ, H.R., 1992. An empirical model for the simulation of leaf appearance and leaf development of primary
shoots of several grapevine (Vitis vinifera L.). Sciencia Horticulturae, 52, 179-200.
SCHWABE, W.W., 1951. Physiological studies in plant nutrition. XVI. The mineral nutrition of bracken. Ann. Bot.
N.S., 15, 417-446.
SCHWARZ, D., KLÄRING, H.P., 2001. Allometry to estimate leaf area of tomato. J. Plant Nut., 24 (8), 1291-1309.
SEFC, K.M., 1997. Application of microsatellite markers to parentage studies grapevine. Vitis 36, 179-183.
SEFC, K.M., 1998. Genotyping of grapevine and rootstock cultivars using microsatellite markers. Vitis 37, 15-20.
SEPÚLVEDA, G., KLIEWER, M., 1983. Estimation of leaf area of two grapevine cultivars (Vitis vinifera L.) using
laminae linear measurements and fresh weight. Am. J. Enol. Vitic. 4 (4), 221-226.
SESTAK, Z., CATSKY, J., JARVIS, P.J., 1971. Plant photosynthetic production. Manual of Methods. Dr. W. Junk
N.V. The Hague.
SHAPIRO, S. S., WILK, M. B., 1965. An Analysis of variance test for normality (complete samples). Biometrika,
52, 591-611.
SILVESTRE J., EIRAS-DIAS, J.E., 2001. Allometric relationship between leaf area and length measurements of
Vitis vinifera L. leaves. Ciência Téc. Vitiv., 16 (1), 35-42.
SILVESTRONI, O., INTRIERI, C., DOMIZIO, N., 1996. Impiego di metodi fillmetrici per la caratterizzazione di
alcuni vitigni dell’Emilia Romagna. Riv. Viticolt. Enol. 49 (1), 17-26.
SMART, R.E., 1973. Sunlight interception by vineyards. Amer. J. Enol. Viticult. Vol. 24, nº 4.
SMART, R.E., 1985. Principles of grapevine canopy microclimate manipulation with implications for yield and
quality. A review. Amer. J. Enol. Viticult., 36, 230-239.
SMART, R.E., 1988. Shoot spacing and canopy light microclimate. Amer. J. Enol. Viticult., 39, 325-333.
177
Bibliografía
SMIRNOV, N.V., 1948. Table for estimating the goodness of fit of empirical distributions. Annals of Mathematical
Statistics, 19, 279-281.
SMITH, R., KLIEWER, W.M., 1984. Estimation of Thompson Seedless grapevine leaf area. Am. J. Enol. Vitic. 35,
16-22.
SOTÉS, V., 1996. El sector vitivinícola español y su futuro dentro del marco europeo. En: Salinas, A; Montero,
F.J.; Rodríguez, E (eds.), La vid y el vino en Castilla-La Mancha, p. 117-130. Junta de Comunidades de
Castilla-La Mancha. Albacete. España.
SPENCER, R., 1962. A rapid method for estimating leaf area of cassava (Mahinot utilissima Pohl) using linear
measurements. Trop. Agr., 39 (2), 147-152.
SPSS para Windows versión 11.5.1, 2002. SPSS Inc. Chicago.
STEINHORST, R.K., KLEINKOPF, G.E., GRUBE, M.J., DWELLE, R.B., 1985. The POTATO model, a
physiological simulation computer model. Idaho Agric. Exp. Sta. Bull. #635.
STICKLER, F.C., WEARDEN, S., PAULI, A.W., 1961. Leaf area determination in grain sorghum. Agron. J., 53,
187-188.
STORLIE, C.A., STEPANEK, A., MEYER, G.E., 1989. Growth analysis of whole plants using video imagery.
Transactions of the ASAE, vol 32 (6), 2185-2189.
STRASBURGER, F., NOLL, F., SCHENCK, H., SCHIMPER, A.F.W., 1994. Tratado de Botánica. Ediciones
Omega, S.A. Barcelona.
SUBDEN, R.E., KRIZUS, A., LOUGHEED, S.C., CAREY, K., 1987. Isozyme characterization of Vitis species and
some cultivars. Am. J. Enol. Vitic. 38 (3), 176-181.
SUGGS, C.W., BEEMAN, J.F., SPLINTER, W.E., 1960. Physical properties of green Virginia-type tobacco leaves.
Parte III. Relation of leaf length and width to leaf area. Tobacco Science, 4, 194-197.
TARBELL, K.A., REID, J.F., 1991. A computer vision system for characterizing corn growth and development.
Transactions of the ASAE, vol 34 (5), 2245-2255.
TEJAWANI, K.G., RAMAKRISHNA, C.K., KURUP, O., VEN KATARAMAN, K.V., 1957. Measurements of leaf area
of tobacco. Indian J. Agron., 2, 36-39.
THIAGARAJAH, M.R., HUNT, L.A., MAHON, J.D., 1981. Effects of position and age on leaf photosynthesis in corn
(Zea mays L.). Can. J. Bot. 59, 28-33.
THODAY, D., 1909. Experimental researches on vegetable assimilation and respiration. V. A critical examination
of Sachs’ method for using increase of dry weight as a measure of carbon dioxide assimilation in leaves.
Proc. Roy. Soc., B 82, 1-55.
THOMAS, M.R., CAIN, P., SCOTT, N.S., 1994. DNA typing of grapevines: a universal methodology and database
for describing cultivars and evaluating genetic relatedness. Plant Mol. Biol. 25 (6), 939-949.
THORNE, G.N., WATSON, D.J., 1955. The effect on yield and leaf area of wheat of applying nitrogen as a top-
dressing in April or in sprays at ear emergence. J. Agric. Sci., 46, 449-456.
THORNTHWAITE, C.W., 1948. An approach toward a rational classification of climate. Geog. Rev. 38, 55-94.
THORNTHWAITE, C.W., MATHER, J.R., 1955. The water budget ant its use in irrigation. USDA Yearbook, 346-
357.
TROOIEN, T.P., HEERMAN, D.F., 1992a. Measurement and simulation of potato leaf area using image
processing I. Model development. Transactions of the ASAE, 35 (5), 1709-1712.
TROOIEN, T.P., HEERMAN, D.F., 1992b. Measurement and simulation of potato leaf area using image
processing III. Measurements. Transactions of the ASAE, 35 (5), 1719-1721.
TSUDA, M., 1999. Errors in leaf area measurements with an automatic area meter due to leaf chlorophyll in crop
plants. Annals of Botany, 84, 799-801.
TURC, L., 1972. Indice climatique de potentialité agricole. Sci. Sol, 2, 81-101.
nd
USDA Soil Survey Staff, 1999. USDA Handbook Nº 436, 2 Edition. U.S. Government Printing Office,
Washington, D.C.
VALLA, J.J., 1986. Botánica. Morfología de las plantas superiores. Editorial Hemisferio Sur S.A. Buenos Aires.
Argentina.
VENUS, J.C., CAUSTON, D.R., 1979. Plant growth analysis: The use of the Richards function as an alternative to
polynomial exponential. Ann. Bot. 43, 623-632.
178
Bibliografía
VILLEGAS, C.D., BAUTISTA, A.T., COTEJO, F.R., 1981. Accurate and rapid techniques for leaf area
measurement in cassava and sweet potato. Radix 3, 10.
VYVYAN, M.C, EVANS, H., 1932. The leaf relations of fruit trees. 1. A morphological analysis of the distribution of
leaf surface on two nine-year old apple trees (Laxton superb). J. Pomology, 10, 228-270.
WATSON, D.J., 1937. The estimation of leaf area in field crops. J. Agric. Sci., 27, 474-483.
WATSON, D.J., 1947. Comparative physiological studies on the growth of field crops. I. Variation in net
assimilation rate and leaf area between species and varieties, and within and between years. Ann. of Bot.
N.S. 41-76.
WENDT, C.W., 1967. Use of relationship between leaf length and leaf area to estimate the leaf area of cotton
(Gossypium hirsutum L.), castors (Ricinus comunis L.), and sorghum (Sorghum vulgare L.). Agron. J., 59,
484-486.
WIELAND, C., 1983. The Microneye.. Byte, 8 (10), 316-320.
WIERSMA, J.V., BAILEY, T.B., 1975. Estimation of leaflet, trifoliate, and total leaf areas of soybean. Agron. J., 67,
26-30.
WILLIAMS, R.F., 1954. Estimation of leaf area for agronomical and plant physiological studies. Aust. J. Agron.
Res. 5, 235-236.
WILLIAMS, R.F., EVANS, L.T., LUDWING, L.J., 1964. Estimation of leaf area for clover and Lucerne. Austr. J.
Agric. Res., 15, 231-233.
WILSON, C.L., LOOMIS, W., 1992. Botánica. Editorial Limusa S.A. de C.V. Grupo Noriega Editores. México D.F.
México.
WINTER, E., WHITING, J., 2004. Using leaf area to crop weight to determine vine balance. Australian Viticulture,
1, 70-73.
WINTER, E., WHITING, J., 2004. Using leaf area to cropo weight to determine vine balance. Australian Viticulture,
January-February, 70-73.
WINTER, E.J., SALTER, P.J., STANHILL, G., BLEASDALE, J.K., 1956. Some methods of measuring leaf area.
En: Milthorpe, F.L. (ed). The growth of leaves, pp. 151-167. Butterworths Scientific publications, Londres.
WITHROW, R.B., 1935. A photoelectric device for the rapid measurement of leaf area. J. Agric. Res., 50, 637-643.
YIN, X., ,KROPFF, M.J., STAM, P., 1999. The role of ecophysiological models in QTL analysis: the example of
specific lea area in barley. Heredity, 82, 415-421.
YIN, X., LANTINGA, E.A., SCHAPENDONK, C.M., ZHONG, X., 2003. Some quantitative relationships between
Leaf Area Index and Canopy Nitrogen Content and Distribution. Annals of Botany, 91, 893-903.
YONEKAWA, S., SAKAI, N., KITANI, O., 1996. Identification or idealized leaf types using simple dimensionless
shape factors by image analysis. Transactions of the ASAE, vol 39 (4), 1525-1533.
179
Bibliografía
180
AGRADECIMIENTOS
Agradecimientos
9. AGRADECIMIENTOS
En la realización de esta Tesis Doctoral han participado una combinación de personas e
instituciones a las que expreso mi agradecimiento por su ayuda y colaboración, y en especial:
A los Doctores Ingenieros Agrónomos Arturo de Juan Valero y Francisco Montero Riquelme,
Directores de esta Tesis, quienes me dieron la oportunidad de realizar este estudio con nuestras
vides, por su inestimable guía, disponibilidad y apoyo, pero, sobre todo, por su comprensión a lo
largo de estos años y por los momentos que hemos compartido, que han reforzado mi cariño hacia
ellos.
A la Universidad de Castilla-La Mancha, a través de la Escuela Técnica Superior de Ingenieros
Agrónomos y del Departamento de Producción Vegetal y Tecnología Agraria, que han hecho
posible la realización de esta Tesis Doctoral en el marco de sus líneas de investigación.
A Francisco Martín de Santa Olalla, que me acercó al mundo de la investigación y de la
universidad, en el marco del proyecto europeo EFEDA (Contractos EU EPOC0030 y EV5V-CT93-
0272).
A Félix Yánez, Director de la entonces Escuela de Capacitación Agraria y Experimentación
Vitivinícola de la Junta de Comunidades de Castilla-La Mancha en Tomelloso, por la libertad que
nos dio para trabajar con el material vegetal del centro.
A los también “recalcitrantes” José Mansilla y Horacio López Córcoles, con los que, en un
recorrido casi paralelo, he compartido opiniones, preocupaciones y pesadumbres.
A José Baños y Víctor Raúl López Ruiz, profesores de Economía Aplicada de la Universidad de
Castilla-La Mancha; al primero por su disposición y ánimo incondicional y a ambos por sus
consejos y orientaciones en el estudio estadístico realizado, precisamente interesantes por
dedicarse los dos a otro campo del conocimiento tan distante del abarcado.
Al numeroso grupo de personas con el que compartí jornadas de campo y de laboratorio, fruto
de las cuales es esta Tesis Doctoral, entre otros muchos trabajos, todos ellos enmarcados en un
ambicioso programa de investigación con numerosos y variados objetivos; concretamente, a:
Antonio Cuesta, Emilio Martínez Zarranz, Tomás Honrubia, Emilio Sajardo, Lourdes Gómez
Aliaga, Juana María Salinas López, Javier Ortiz y Dolores Beatriz Sáez Roldán, a todos ellos les
doy las gracias por la labor realizada, pero, sobre todo, por su disposición en las interminables
jornadas compartidas, donde no faltó nunca el buen humor y el compañerismo.
A mi familia y amigos, que se han interesado por el desarrollo del trabajo, en sus distintas
fases.
A mis padres, que disfrutarán viendo el proceso finalizado, Conchita desde aquí y Pepe desde
el más allá.
A Manoli, por todos los esfuerzos que ha hecho para que me pudiese sentar a “hacer tesis”,
como dicen Guillermo y Ana; a ellos tres y a Manuel, gracias por estar ahí.
183
ANEJO 1:
ESTADÍSTICA DESCRIPTIVA.
Anejo 1. Estadística descriptiva
ANEJO 1. ESTADÍSTICA DESCRIPTIVA.

En el Anejo nº 1, se incluyen los resultados de la estadística descriptiva de la medida de la
posición y de la dispersión de la media de las variables medidas y calculadas con el material
vegetal recogido en las dos campañas de estudio.
Para la primera campaña, se muestrean los resultados en las Tablas nº 1 al 15, una para cada
muestreo, más otra con el estudio global de todos los muestreos. Además, se incluyen dos figuras
con la media y el coeficiente de variación para cada una de las variables de todos los muestreos y
del estudio global, una con los datos agrupados por el tamaño de las hojas y otra con el
agrupamiento según el sarmiento de procedencia, Figuras nº 1 a 34.
Para la segunda campaña de estudio, para cada cultivar, se presentan los resultados en nueve
tablas, una para cada uno de los muestreos y otra para el estudio global de datos de los
muestreos: Airén, Tablas nº 16 a 24; Carbernet Suvignon, Tablas nº 25 a 33; Cencibel, Tablas nº
34 a 42; Garnacha, Tablas nº 43 a 51; Macabeo, Tablas nº 52 a 60. Así mismo, para cada cultivar,
se han representado en una figura la media y el coeficiente de variación de cada una de las
variables de todos los muestreos y del estudio global: Airén, Figuras nº 35 a 59; Cabernet
Sauvingnon, Figuras nº 60 a 84; Cencibel, Figuras nº 85 a 109; Garnacha, Figuras nº 110 a 134;
Macabeo, Figuras nº 135 a 159.
Abreviaturas y términos empleados:
• 1ª Campaña: Primera campaña de estudio (1995).
• 2ª Campaña: Segunda campaña de estudio (1996).
• Aa: Anchura máxima del limbo medida con el analizador de imagen, en cm.
• Ad: Regularidad transversal, o “Width diff”, en cm.
• Am: Anchura máxima del limbo medida manualmente, en cm.
• BA: Área de la caja, o “Box Area (BA)”, en cm2.
• BR: Proporción del área de la “caja”, o “Box ratio”, en %.
• Delanteros, Zariegos y Esperguras: Tipo de sarmiento del que procede cada hoja
(únicamente para la primera campaña de estudio).
• HA: Área de los senos que se forman como consecuencia de los solapes entre los lóbulos
del limbo de la hoja, en cm2.
• HR: Proporción del área de los agujeros o “Hole Ratio”, en %.
• IR: Índice de redondez.
• La: Longitud máxima del limbo medida con analizador de imagen, en cm.
• Ld: Regularidad longitudinal, o “Length diff”, en cm.
• Lm: Longitud máxima del limbo medida manualmente, en cm.
• Lp: Longitud del peciolo, en cm.
• M1 ... Mi: Muestreos realizados, numerados del 1 al 14 para la primera campaña de campo
y del 1 al 8, para la segunda.
• MSl: Peso seco del limbo, en g.
• MSp: Peso seco del peciolo, en g.
• NH: Número de agujeros del limbo de la hoja.
• P: Perímetro del limbo, en cm.
• Pequeñas, Medianas, Grandes y Total. Los tres primeros términos hacen referencia a la
clasificación de las hojas por tamaños que se realizó en los muestreos, el último identifica
la agrupación de todas las hojas de un muestreo para un cultivar.
• PPDA: Relación entre el perímetro de la hoja al cuadrado y el área total, en %.
• R: Radio medio del limbo de la hoja, en cm.
• SEF: Superficie específica foliar, expresada en m2 kg-1
• SFa: Superficie del limbo medida con analizador de imágen, en cm2.
• SFi: Superficie del limbo de la hoja medida con el integrador.
• TA: Área Total, en cm2, suma de la superficie del limbo más la de los agujeros.
1
Tabla 1. Estadística descriptiva. 1ª campaña (1995), cv. Cencibel, Muestreo 1 (11-05-1995).
Hojas pequeñas Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43
Media 3,67 3,07 3,77 2,83 14,74 9,49 1,23 0,27 16,74 0,07 0,04 0,00 4,79 5,66 11,68 0,98 1,10
Máximo 6,00 5,57 6,20 5,00 35,96 27,84 2,50 0,45 37,10 0,46 0,12 0,01 14,11 15,20 25,44 1,58 1,40
Mínimo 1,80 1,24 1,70 1,19 3,06 1,48 0,40 0,09 5,42 0,00 0,01 0,00 0,41 1,00 5,71 0,74 0,89
Rango 4,20 4,32 4,50 3,81 32,90 26,37 2,10 0,36 31,68 0,46 0,11 0,01 13,70 14,20 19,73 0,84 0,51
Varianza 1,08 0,87 1,12 0,85 59,41 34,49 0,26 0,01 54,99 0,01 0,00 0,00 9,33 10,61 23,22 0,03 0,01
Desviación típica 1,04 0,93 1,06 0,92 7,71 5,87 0,51 0,09 7,42 0,11 0,03 0,00 3,05 3,26 4,82 0,17 0,11
Error típico 0,16 0,14 0,16 0,14 1,18 0,90 0,08 0,01 1,13 0,02 0,00 0,00 0,47 0,50 0,73 0,03 0,02
Coeficiente variación (%) 28,37 30,33 28,05 32,65 52,29 61,89 41,13 32,54 44,29 141,86 63,84 76,77 63,73 57,57 41,24 17,06 9,66
Asimetría 0,33 0,41 0,09 0,51 0,74 1,24 0,92 0,14 1,19 1,98 1,21 0,90 1,00 0,96 1,49 1,54 0,57
Curtosis -0,46 0,27 -0,53 -0,12 0,19 1,80 0,77 -0,67 1,51 3,84 0,93 0,19 0,86 0,71 1,49 3,12 0,33
Intervalo de confianza (95%) 0,31 0,28 0,32 0,28 2,30 1,76 0,15 0,03 2,22 0,03 0,01 0,00 0,91 0,97 1,44 0,05 0,03
Hojas medianas Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46 46
Media 8,52 7,97 8,09 7,25 73,81 62,26 3,58 0,26 45,11 0,53 0,25 0,02 37,35 38,80 15,37 1,07 1,12
Máximo 12,60 11,55 12,30 11,02 138,60 122,83 7,60 0,53 78,01 2,53 0,66 0,08 78,40 81,19 21,95 1,47 1,62
Mínimo 3,30 3,65 3,10 2,98 12,21 11,14 0,90 0,09 14,26 0,00 0,04 0,00 7,61 8,49 8,14 0,78 0,94
Rango 9,30 7,90 9,20 8,04 126,39 111,68 6,70 0,44 63,75 2,53 0,62 0,08 70,79 72,70 13,81 0,68 0,68
Varianza 5,21 4,83 5,58 4,72 1293,22 986,94 2,46 0,01 261,70 0,45 0,02 0,00 383,03 393,70 9,74 0,02 0,01
Error típico 0,34 0,32 0,35 0,32 5,30 4,63 0,23 0,02 2,39 0,10 0,02 0,00 2,89 2,93 0,46 0,02 0,02
Asimetría -0,43 -0,31 -0,37 -0,44 0,00 0,02 0,55 0,74 -0,05 1,65 0,46 1,10 0,18 0,18 -0,09 0,49 2,08
Curtosis -0,59 -0,83 -0,64 -0,80 -1,04 -1,00 -0,04 -0,30 -0,67 1,98 -0,15 1,54 -0,85 -0,85 -0,52 0,57 7,23
Hojas grandes Lm La Am Aa Lm.Am La.Aa Lp IR P MSl MSp SFi SFa SEF Lm/Am La/Aa
0HA
Tamaño muestra 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43
Media 13,45 12,81 12,42 11,51 175,06 154,87 5,85 0,27 69,05 1,07 0,65 0,07 98,65 100,10 15,65 1,09 1,12
Máximo 19,00 17,29 16,80 15,82 302,10 260,27 9,80 0,51 102,35 4,85 1,18 0,14 165,51 165,05 22,41 1,36 1,37
Mínimo 5,10 4,42 4,10 3,96 22,55 17,50 1,00 0,13 20,83 0,00 0,08 0,01 11,34 12,61 12,43 0,93 0,96
Rango 13,90 12,87 12,70 11,86 279,55 242,77 8,80 0,39 81,51 4,85 1,10 0,14 154,17 152,45 9,98 0,43 0,41
Varianza 9,90 9,12 7,73 7,27 4590,44 3702,82 4,42 0,01 348,50 1,33 0,08 0,00 1586,20 1541,28 5,15 0,01 0,01
Error típico 0,48 0,46 0,42 0,41 10,33 9,28 0,32 0,01 2,85 0,18 0,04 0,01 6,07 5,99 0,35 0,01 0,01
Asimetría -0,80 -0,95 -1,21 -1,15 -0,33 -0,39 -0,32 0,89 -0,89 1,54 -0,15 0,29 -0,28 -0,35 0,71 0,74 0,51
Curtosis 0,71 1,04 1,65 1,37 -0,16 -0,18 -0,15 2,02 0,83 2,24 -0,49 -0,73 -0,32 -0,28 0,27 0,71 0,20
2
Tabla 1 (continuación). Estadística descriptiva. 1ª campaña (1995), cv. Cencibel, Muestreo 1 (11-05-1995).
Delanteros Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43 43
Media 8,45 7,88 8,13 7,25 90,27 78,24 3,39 0,27 43,98 0,57 0,34 0,03 48,84 50,23 13,60 1,04 1,10
Máximo 17,00 16,68 16,80 15,82 285,60 253,88 9,80 0,53 102,35 4,85 1,11 0,14 165,51 165,05 20,87 1,36 1,39
Mínimo 1,80 1,24 1,70 1,19 3,06 1,48 0,40 0,13 5,42 0,00 0,01 0,00 0,41 1,00 6,76 0,74 0,94
Rango 15,20 15,44 15,10 14,63 282,54 252,41 9,40 0,40 96,92 4,85 1,11 0,14 165,10 164,06 14,10 0,62 0,45
Varianza 23,85 23,61 20,91 20,11 7246,19 5955,76 6,26 0,01 841,61 0,92 0,12 0,00 2485,71 2500,53 12,26 0,02 0,01
Error típico 0,74 0,74 0,70 0,68 12,98 11,77 0,38 0,02 4,42 0,15 0,05 0,01 7,60 7,63 0,53 0,02 0,01
Asimetría 0,28 0,29 0,22 0,24 0,75 0,76 0,62 0,81 0,34 2,95 0,82 1,16 0,82 0,78 -0,03 0,71 1,01
Curtosis -1,32 -1,33 -1,38 -1,42 -0,70 -0,66 -0,66 -0,34 -1,36 9,92 -0,62 0,64 -0,54 -0,63 -0,69 0,97 0,85
Zariegos Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 9,02 8,36 8,42 7,48 96,13 82,14 3,70 0,27 45,37 0,50 0,32 0,03 50,35 51,42 15,57 1,06 1,12
Máximo 19,00 17,29 15,90 15,05 302,10 260,27 9,50 0,51 95,44 4,03 1,18 0,14 164,44 163,85 25,44 1,38 1,40
Mínimo 2,60 1,88 1,90 1,35 4,94 2,54 0,80 0,09 7,35 0,00 0,02 0,00 1,42 1,69 5,71 0,78 0,89
Rango 16,40 15,41 14,00 13,70 297,16 257,73 8,70 0,42 88,10 4,03 1,16 0,14 163,02 162,16 19,73 0,60 0,51
Varianza 24,77 23,26 18,13 17,68 7619,40 6152,27 6,17 0,01 733,42 0,61 0,10 0,00 2535,59 2507,42 19,56 0,02 0,01
Error típico 0,72 0,70 0,61 0,61 12,60 11,32 0,36 0,01 3,91 0,11 0,05 0,01 7,27 7,23 0,64 0,02 0,01
Asimetría 0,38 0,36 0,22 0,25 0,83 0,85 0,80 0,47 0,26 2,64 1,05 1,40 0,97 0,93 -0,12 0,14 0,16
Curtosis -1,11 -1,15 -1,27 -1,23 -0,45 -0,51 -0,23 0,40 -1,27 8,50 0,12 0,86 -0,24 -0,33 -0,36 -0,21 0,76
Esperguras Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 41 41 41 41 41 41 41 41 41 41 41 41 41 41 41 41 41
Media 8,09 7,55 7,68 6,80 74,64 64,01 3,57 0,26 41,35 0,62 0,28 0,03 40,24 41,58 13,41 1,05 1,12
Máximo 15,80 14,99 14,50 13,29 222,78 195,71 7,90 0,53 78,75 2,99 1,02 0,11 131,78 134,12 22,41 1,58 1,62
Mínimo 2,20 1,75 2,50 1,68 5,50 2,94 0,70 0,09 7,95 0,00 0,01 0,00 0,92 1,65 7,18 0,78 0,93
Rango 13,60 13,25 12,00 11,61 217,28 192,78 7,20 0,44 70,81 2,99 1,01 0,11 130,86 132,47 15,24 0,80 0,69
Varianza 14,18 14,39 12,21 12,17 3656,40 3014,06 5,27 0,01 437,76 0,76 0,06 0,00 1343,36 1381,98 12,23 0,03 0,02
Error típico 0,59 0,59 0,55 0,54 9,44 8,57 0,36 0,01 3,27 0,14 0,04 0,00 5,72 5,81 0,55 0,03 0,02
Asimetría 0,14 0,12 0,27 0,20 0,75 0,70 0,51 0,32 -0,08 1,51 1,04 1,26 0,76 0,79 0,15 1,03 1,84
Curtosis -1,08 -1,25 -1,19 -1,23 -0,42 -0,62 -1,14 0,26 -1,35 1,26 0,73 0,91 -0,48 -0,46 -0,09 2,20 5,85
Total hojas Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132
Media 8,54 7,95 8,10 7,19 87,55 75,24 3,56 0,27 43,67 0,56 0,31 0,03 46,72 47,98 14,26 1,05 1,11
Máximo 19,00 17,29 16,80 15,82 302,10 260,27 9,80 0,53 102,35 4,85 1,18 0,14 165,51 165,05 25,44 1,58 1,62
Mínimo 1,80 1,24 1,70 1,19 3,06 1,48 0,40 0,09 5,42 0,00 0,01 0,00 0,41 1,00 5,71 0,74 0,89
Rango 17,20 16,05 15,10 14,63 299,04 258,79 9,40 0,44 96,92 4,85 1,17 0,14 165,10 164,06 19,73 0,84 0,74
Varianza 21,01 20,42 17,03 16,59 6254,90 5096,97 5,85 0,01 669,41 0,75 0,09 0,00 2136,26 2142,10 15,68 0,02 0,01
Error típico 0,40 0,39 0,36 0,35 6,88 6,21 0,21 0,01 2,25 0,08 0,03 0,00 4,02 4,03 0,34 0,01 0,01
Asimetría 0,35 0,32 0,26 0,26 0,87 0,87 0,64 0,56 0,28 2,40 1,01 1,37 0,94 0,91 0,15 0,66 1,23
Curtosis -1,03 -1,11 -1,21 -1,22 -0,26 -0,30 -0,62 0,04 -1,16 6,62 0,05 1,13 -0,15 -0,26 -0,30 1,06 3,77
3
Tamaño muestra 43 42 43 42 43 42 43 42 42 42 43 43 43 42 43 43 42
Media 3,91 3,84 4,20 3,52 17,75 14,75 1,30 0,34 19,05 0,06 0,06 0,00 9,37 9,69 16,20 0,93 1,09
Máximo 7,80 7,24 6,70 6,10 50,70 44,17 3,80 0,58 39,97 0,59 0,16 0,01 27,87 31,16 29,71 1,21 1,30
Mínimo 2,00 1,94 2,10 1,81 4,20 3,51 0,60 0,16 8,44 0,00 0,01 0,00 2,34 2,33 7,87 0,68 0,93
Rango 5,80 5,30 4,60 4,29 46,50 40,66 3,20 0,42 31,53 0,59 0,15 0,01 25,53 28,82 21,84 0,52 0,36
Varianza 1,69 1,41 1,26 1,15 121,07 92,35 0,43 0,01 56,52 0,02 0,00 0,00 37,24 40,23 24,59 0,01 0,01
Error típico 0,20 0,18 0,17 0,17 1,68 1,48 0,10 0,01 1,16 0,02 0,01 0,00 0,93 0,98 0,76 0,02 0,01
Asimetría 1,21 1,04 0,56 0,97 1,54 1,67 1,89 0,24 1,20 3,00 1,63 1,46 1,57 1,82 1,00 0,25 0,28
Curtosis 1,37 1,16 -0,18 0,59 2,12 2,53 4,11 0,29 0,95 9,07 2,54 2,00 2,19 3,29 1,12 -0,18 0,67
Tamaño muestra 44 37 44 37 44 37 44 37 37 37 44 44 44 37 44 44 37
Media 10,59 10,09 10,22 9,51 111,61 99,27 4,12 0,27 58,99 0,81 0,36 0,03 63,92 65,65 18,95 1,04 1,07
Máximo 14,30 13,87 14,30 13,44 204,49 183,55 9,50 0,58 104,41 2,27 0,70 0,09 111,02 112,66 29,41 1,36 1,26
Mínimo 6,70 6,72 6,90 6,40 48,24 43,65 2,10 0,09 31,14 0,00 0,12 0,01 29,23 30,59 11,37 0,85 0,94
Rango 7,60 7,15 7,40 7,04 156,25 139,90 7,40 0,49 73,27 2,27 0,58 0,09 81,79 82,07 18,04 0,51 0,31
Varianza 3,98 3,45 3,80 3,65 1647,43 1383,89 2,95 0,01 268,69 0,53 0,03 0,00 548,32 555,15 15,41 0,01 0,00
Error típico 0,30 0,31 0,29 0,31 6,12 6,12 0,26 0,02 2,69 0,12 0,02 0,00 3,53 3,87 0,59 0,01 0,01
Asimetría 0,09 0,07 0,19 0,27 0,44 0,53 1,22 1,00 0,42 0,77 0,52 1,63 0,45 0,39 0,53 1,17 0,70
Curtosis -0,98 -0,70 -0,76 -0,74 -0,68 -0,39 0,96 0,41 0,32 -0,54 -0,79 2,57 -0,89 -0,91 0,56 2,71 0,65
Hojas grandes Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am 1La/A
a
Tamaño muestra 44 43 44 43 44 43 44 43 43 43 44 44 44 43 44 44 43
Media 17,07 16,41 15,83 15,11 274,79 252,58 6,74 0,25 94,65 1,50 1,05 0,11 163,98 166,27 16,12 1,08 1,09
Máximo 22,10 21,62 21,80 20,33 457,80 439,63 10,00 0,38 140,62 6,49 2,08 0,32 270,83 270,34 22,75 1,41 1,41
Mínimo 11,80 11,24 11,00 10,33 129,80 116,08 3,50 0,13 56,53 0,00 0,40 0,03 71,77 72,24 11,72 0,95 0,94
Rango 10,30 10,38 10,80 10,00 328,00 323,56 6,50 0,25 84,09 6,49 1,69 0,29 199,06 198,09 11,02 0,45 0,46
Varianza 6,44 6,08 4,54 5,12 5616,54 5369,50 3,88 0,00 412,07 1,60 0,15 0,00 1999,71 2007,38 4,91 0,01 0,01
Error típico 0,38 0,38 0,32 0,34 11,30 11,17 0,30 0,01 3,10 0,19 0,06 0,01 6,74 6,83 0,33 0,01 0,01
Asimetría -0,03 0,04 0,51 0,50 0,51 0,62 0,02 0,15 0,29 2,01 0,87 1,30 0,56 0,49 0,53 1,30 0,92
Curtosis -0,90 -0,76 0,59 -0,01 -0,19 -0,05 -1,26 -1,01 -0,55 5,99 0,95 1,42 0,22 0,16 0,84 3,64 2,31
4
Tamaño muestra 48 44 48 44 48 44 48 44 44 44 48 48 48 44 48 48 44
Media 10,54 9,96 10,11 9,22 136,30 122,28 3,99 0,30 56,40 0,78 0,51 0,06 80,61 82,03 17,67 1,01 1,08
Máximo 22,10 21,62 21,80 20,33 457,80 439,63 9,50 0,58 126,54 6,49 2,06 0,32 270,83 270,34 29,71 1,41 1,41
Mínimo 2,60 2,61 2,80 2,39 7,28 6,24 0,70 0,15 11,32 0,00 0,03 0,00 4,55 3,93 11,72 0,78 0,93
Rango 19,50 19,01 19,00 17,95 450,52 433,40 8,80 0,43 115,22 6,49 2,03 0,32 266,28 266,41 17,98 0,62 0,47
Varianza 34,59 33,74 27,70 29,65 15005,58 12110,72 7,54 0,01 1318,75 1,33 0,28 0,01 5612,15 6028,39 15,90 0,01 0,01
Error típico 0,85 0,88 0,76 0,82 17,68 17,91 0,40 0,02 5,47 0,17 0,08 0,01 10,81 11,71 0,58 0,02 0,01
Asimetría 0,18 0,27 0,22 0,35 0,83 0,93 0,65 0,70 0,30 3,06 1,15 2,04 0,89 0,80 1,34 0,59 1,14
Curtosis -1,20 -1,24 -1,09 -1,11 -0,12 0,05 -0,65 -0,15 -1,19 13,31 0,64 3,67 -0,03 -0,33 2,09 1,58 3,67
Tamaño muestra 48 47 48 47 48 47 48 47 47 47 48 48 48 47 48 48 47
Media 10,75 10,52 10,36 9,75 142,03 132,09 4,20 0,27 60,60 0,86 0,55 0,05 82,98 85,72 15,11 1,00 1,08
Máximo 20,70 20,25 20,10 19,58 414,06 390,17 10,00 0,58 140,62 5,18 2,08 0,24 251,97 257,64 24,06 1,36 1,30
Mínimo 2,30 1,99 2,50 2,09 5,75 4,15 0,60 0,09 9,78 0,00 0,02 0,00 2,34 2,90 7,87 0,68 0,94
Rango 18,40 18,26 17,60 17,50 408,31 386,02 9,40 0,49 130,84 5,18 2,06 0,24 249,63 254,75 16,19 0,67 0,35
Varianza 36,71 33,18 27,52 27,98 15107,81 13214,00 8,08 0,01 1328,12 1,19 0,27 0,00 5389,57 5581,49 11,38 0,02 0,01
Error típico 0,87 0,84 0,76 0,77 17,74 16,77 0,41 0,01 5,32 0,16 0,08 0,01 10,60 10,90 0,49 0,02 0,01
Asimetría 0,07 0,08 0,05 0,02 0,62 0,60 0,47 0,61 0,26 1,81 0,94 1,35 0,60 0,58 0,32 0,01 0,52
Curtosis -1,31 -1,30 -1,27 -1,31 -0,82 -0,82 -0,92 0,90 -0,83 4,26 0,24 1,25 -0,85 -0,87 0,30 -0,04 -0,07
Tamaño muestra 35 31 35 31 35 31 35 31 31 31 35 35 35 31 35 35 31
Media 10,38 9,92 9,84 9,21 125,85 115,01 4,01 0,28 55,58 0,71 0,40 0,04 73,65 75,72 19,05 1,05 1,08
Máximo 20,70 19,90 18,10 17,70 374,67 352,19 8,80 0,45 122,89 2,63 1,24 0,13 214,68 215,52 28,07 1,21 1,20
Mínimo 2,00 1,94 2,10 1,81 4,20 3,51 0,80 0,13 8,44 0,00 0,01 0,00 2,85 2,33 11,42 0,93 0,96
Rango 18,70 17,96 16,00 15,89 370,47 348,68 8,00 0,32 114,45 2,63 1,23 0,13 211,83 213,19 16,65 0,28 0,24
Varianza 27,30 26,80 22,21 22,59 10936,55 9787,03 6,48 0,01 1080,29 0,61 0,12 0,00 3775,63 4097,50 15,13 0,00 0,00
Error típico 0,88 0,93 0,80 0,85 17,68 17,77 0,43 0,02 5,90 0,14 0,06 0,01 10,39 11,50 0,66 0,01 0,01
Asimetría 0,20 0,16 0,01 0,01 0,73 0,77 0,53 0,27 0,38 0,92 0,94 0,98 0,71 0,67 0,83 0,38 -0,03
Curtosis -0,97 -1,06 -1,23 -1,17 -0,35 -0,22 -0,85 -0,92 -0,99 -0,41 0,16 -0,35 -0,44 -0,58 0,87 0,21 -0,30
Tamaño muestra 131 122 131 122 131 122 131 122 122 122 131 131 131 122 131 131 122
Media 10,57 10,17 10,13 9,42 135,61 124,21 4,07 0,28 57,81 0,79 0,49 0,05 79,62 81,85 17,10 1,02 1,08
Máximo 22,10 21,62 21,80 20,33 457,80 439,63 10,00 0,58 140,62 6,49 2,08 0,32 270,83 270,34 29,71 1,41 1,41
Mínimo 2,00 1,94 2,10 1,81 4,20 3,51 0,60 0,09 8,44 0,00 0,01 0,00 2,34 2,33 7,87 0,68 0,93
Rango 20,10 19,69 19,70 18,52 453,60 436,13 9,40 0,49 132,18 6,49 2,07 0,32 268,49 268,00 21,84 0,72 0,47
Varianza 32,94 31,33 25,81 26,84 13788,53 12511,74 7,35 0,01 1246,42 1,08 0,23 0,00 4979,16 5295,57 16,42 0,01 0,01
Error típico 0,50 0,51 0,44 0,47 10,26 10,13 0,24 0,01 3,20 0,09 0,04 0,01 6,17 6,59 0,35 0,01 0,01
Asimetría 0,14 0,17 0,12 0,15 0,73 0,77 0,55 0,62 0,30 2,34 1,13 2,05 0,76 0,70 0,81 0,00 0,73
Curtosis -1,19 -1,22 -1,17 -1,19 -0,44 -0,36 -0,82 0,16 -0,99 8,55 0,76 4,66 -0,39 -0,56 1,26 1,01 1,62
5
Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa

1Hojas pequeñas
Tamaño muestra 40 38 40 38 40 38 40 38 38 38 40 40 40 38 40 40 38
Media 5,47 5,08 5,38 4,79 31,83 26,50 1,55 0,32 26,46 0,24 0,10 0,01 15,82 16,93 14,86 1,03 1,06
Máximo 9,00 8,81 9,00 7,95 81,00 70,09 5,70 0,53 53,77 1,14 0,22 0,03 47,54 48,27 25,37 1,20 1,20
Mínimo 3,00 2,60 2,50 2,38 7,50 6,23 0,50 0,16 10,23 0,00 0,03 0,00 3,02 4,04 8,41 0,87 0,96
Rango 6,00 6,21 6,50 5,57 73,50 63,86 5,20 0,37 43,54 1,14 0,19 0,03 44,52 44,23 16,96 0,33 0,24
Varianza 2,37 2,39 2,81 2,18 329,14 251,10 0,85 0,01 123,65 0,08 0,00 0,00 108,17 110,35 18,92 0,01 0,00
Error típico 0,24 0,25 0,26 0,24 2,87 2,57 0,15 0,02 1,80 0,05 0,01 0,00 1,64 1,70 0,69 0,01 0,01
Asimetría 0,24 0,46 0,29 0,35 0,74 0,92 2,66 0,57 0,55 1,69 0,71 2,84 1,14 1,08 0,43 0,20 0,32
Curtosis -0,82 -0,50 -0,81 -0,64 -0,19 0,33 10,07 -0,27 -0,44 2,94 -0,13 12,01 1,04 0,80 -0,77 -0,84 0,05
Tamaño muestra 40 38 40 38 40 38 40 38 38 38 40 40 40 38 40 40 38
Media 12,02 11,45 11,52 10,73 141,59 126,20 4,37 0,22 71,16 1,43 0,48 0,04 81,99 82,92 17,81 1,05 1,07
Máximo 17,30 16,52 16,40 16,33 283,72 268,80 8,60 0,42 123,68 4,31 1,18 0,12 168,12 166,12 24,37 1,26 1,26
Mínimo 8,10 8,13 8,40 7,75 71,28 62,95 2,20 0,13 47,98 0,09 0,21 0,01 39,76 39,94 14,26 0,90 0,98
Rango 9,20 8,39 8,00 8,58 212,44 205,84 6,40 0,29 75,70 4,23 0,97 0,11 128,36 126,18 10,10 0,36 0,28
Varianza 3,69 3,57 3,45 3,57 2144,42 2054,36 2,51 0,00 298,40 0,72 0,04 0,00 738,36 744,37 6,04 0,01 0,00
Error típico 0,30 0,31 0,29 0,31 7,32 7,35 0,25 0,01 2,80 0,14 0,03 0,00 4,30 4,43 0,39 0,01 0,01
Asimetría 0,64 0,97 0,73 1,15 1,22 1,61 0,88 0,99 1,33 1,20 1,43 1,70 1,25 1,12 0,61 0,56 1,05
Curtosis 0,71 1,15 0,39 1,86 1,79 3,15 0,43 0,96 2,05 2,37 2,52 3,20 2,15 1,66 -0,24 0,33 1,33
Hojas grandes Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 40 39 40 39 40 39 40 39 39 39 40 40 40 39 40 40 39
Media 17,98 16,99 16,66 15,74 302,20 270,34 7,01 0,25 98,20 2,85 1,32 0,12 180,79 178,41 13,99 1,08 1,08
Máximo 23,00 22,08 20,30 19,51 460,00 426,90 11,10 0,45 134,06 10,87 1,93 0,26 259,06 254,94 20,21 1,30 1,33
Mínimo 12,50 12,09 13,20 11,53 165,00 139,34 4,00 0,13 63,82 0,09 0,49 0,03 99,70 96,28 12,06 0,94 0,95
Rango 10,50 10,00 7,10 7,98 295,00 287,57 7,10 0,32 70,24 10,77 1,44 0,23 159,36 158,66 8,15 0,36 0,38
Varianza 4,83 4,35 2,81 3,41 3861,79 3656,16 2,64 0,00 250,76 6,74 0,12 0,00 1293,83 1243,38 2,27 0,01 0,01
Error típico 0,35 0,33 0,26 0,30 9,83 9,68 0,26 0,01 2,54 0,42 0,05 0,01 5,69 5,65 0,24 0,01 0,01
Asimetría 0,04 0,24 -0,05 0,08 0,20 0,40 0,10 0,79 0,19 1,64 -0,21 0,64 0,00 -0,05 2,22 0,54 0,99
Curtosis 0,27 0,45 -0,39 -0,36 0,16 0,32 -0,08 0,84 -0,06 2,55 -0,14 0,12 -0,21 -0,05 7,22 -0,27 0,85
6
Tamaño muestra 48 46 48 46 48 46 48 46 46 46 48 48 48 46 48 48 46
Media 11,93 11,39 11,30 10,66 163,95 148,99 4,45 0,26 66,11 1,62 0,67 0,06 94,82 97,45 15,38 1,05 1,07
Máximo 22,10 20,86 20,30 19,51 408,03 378,69 11,10 0,53 128,39 9,71 1,93 0,26 238,85 236,84 25,37 1,25 1,33
Mínimo 3,00 2,60 2,50 2,40 7,50 6,23 0,70 0,13 11,77 0,00 0,03 0,00 3,02 4,04 8,79 0,87 0,95
Rango 19,10 18,26 17,80 17,11 400,53 372,46 10,40 0,39 116,62 9,71 1,90 0,26 235,83 232,79 16,58 0,38 0,38
Varianza 33,32 31,24 27,45 26,26 16895,38 14417,99 7,96 0,01 1086,41 3,83 0,40 0,01 6040,48 6099,69 14,65 0,01 0,01
Error típico 0,83 0,82 0,76 0,76 18,76 17,70 0,41 0,01 4,86 0,29 0,09 0,01 11,22 11,52 0,55 0,01 0,01
Asimetría 0,11 0,08 -0,02 0,01 0,50 0,52 0,43 1,20 -0,20 2,22 0,78 1,34 0,51 0,46 0,52 0,47 1,35
Curtosis -1,20 -1,21 -1,29 -1,28 -1,16 -1,09 -0,76 1,26 -1,16 6,06 -0,97 0,74 -1,14 -1,22 -0,46 -0,12 2,74
Tamaño muestra 48 46 48 46 48 46 48 46 46 46 48 48 48 46 48 48 46
Media 12,00 11,21 11,34 10,45 161,89 141,41 4,31 0,25 66,65 1,70 0,64 0,06 95,61 92,63 16,10 1,05 1,08
Máximo 23,00 22,08 20,00 19,33 460,00 426,90 8,90 0,53 134,06 10,87 1,93 0,22 259,06 254,94 24,37 1,30 1,30
Mínimo 3,00 2,67 2,60 2,38 7,80 6,38 0,50 0,13 10,23 0,00 0,04 0,00 3,44 4,45 8,41 0,90 0,96
Rango 20,00 19,41 17,40 16,95 452,20 420,53 8,40 0,41 123,82 10,87 1,89 0,22 255,62 250,49 15,96 0,40 0,34
Varianza 30,15 26,92 23,91 23,50 15007,81 12483,86 7,08 0,01 1194,88 4,91 0,32 0,00 5693,72 5253,01 10,85 0,01 0,01
Error típico 0,79 0,77 0,71 0,71 17,68 16,47 0,38 0,01 5,10 0,33 0,08 0,01 10,89 10,69 0,48 0,01 0,01
Asimetría 0,10 0,09 -0,05 0,10 0,50 0,58 0,27 1,36 0,22 2,58 0,64 0,97 0,46 0,46 0,28 0,32 0,76
Curtosis -1,22 -1,19 -1,23 -1,25 -0,93 -0,79 -1,36 3,98 -1,04 7,87 -1,02 -0,11 -1,14 -1,15 -0,07 -0,31 1,03
Tamaño muestra 24 23 24 23 24 23 24 23 23 23 24 24 24 23 24 24 23
Media 11,24 10,91 10,63 10,11 141,02 129,91 4,03 0,30 62,28 0,95 0,56 0,04 83,48 87,32 14,78 1,06 1,08
Máximo 17,50 17,23 17,00 15,99 297,50 275,43 8,10 0,51 120,47 3,57 1,17 0,11 168,19 167,00 20,52 1,26 1,26
Mínimo 3,50 3,37 3,30 3,16 11,55 10,65 0,80 0,13 13,06 0,00 0,06 0,00 5,27 6,07 8,81 0,95 0,97
Rango 14,00 13,86 13,70 12,83 285,95 264,78 7,30 0,38 107,41 3,57 1,11 0,10 162,92 160,94 11,72 0,31 0,29
Varianza 24,51 22,70 21,05 18,67 9459,15 7582,51 5,27 0,01 1046,36 0,68 0,17 0,00 3506,97 3391,11 6,67 0,01 0,00
Error típico 1,01 0,99 0,94 0,90 19,85 18,16 0,47 0,02 6,74 0,17 0,08 0,01 12,09 12,14 0,53 0,02 0,01
Asimetría -0,35 -0,47 -0,39 -0,52 0,00 -0,07 0,11 0,13 -0,21 1,34 0,13 0,39 -0,02 -0,13 -0,09 0,82 1,20
Curtosis -1,42 -1,28 -1,34 -1,17 -1,50 -1,38 -1,12 -0,85 -1,08 3,31 -1,57 -1,38 -1,55 -1,49 0,78 0,85 1,94
Tamaño muestra 120 115 120 115 120 115 120 115 115 115 120 120 120 115 120 120 115
Media 11,82 11,23 11,19 10,47 158,54 142,14 4,31 0,26 65,56 1,52 0,63 0,06 92,87 93,50 15,55 1,05 1,07
Máximo 23,00 22,08 20,30 19,51 460,00 426,90 11,10 0,53 134,06 10,87 1,93 0,26 259,06 254,94 25,37 1,30 1,33
Mínimo 3,00 2,60 2,50 2,38 7,50 6,23 0,50 0,13 10,23 0,00 0,03 0,00 3,02 4,04 8,41 0,87 0,95
Rango 20,00 19,48 17,80 17,12 452,50 420,67 10,60 0,41 123,82 10,87 1,90 0,26 256,04 250,90 16,96 0,43 0,38
Varianza 29,89 27,37 24,43 23,28 14506,89 12131,75 6,99 0,01 1105,21 3,66 0,32 0,00 5334,67 5150,08 11,61 0,01 0,00
Error típico 0,50 0,49 0,45 0,45 11,00 10,27 0,24 0,01 3,10 0,18 0,05 0,01 6,67 6,69 0,31 0,01 0,01
Asimetría 0,06 0,02 -0,07 -0,01 0,49 0,52 0,35 1,00 -0,01 2,65 0,74 1,33 0,47 0,43 0,40 0,43 1,05
Curtosis -1,17 -1,16 -1,22 -1,20 -0,96 -0,85 -0,96 0,88 -1,07 8,73 -0,77 1,18 -1,05 -1,09 -0,15 -0,14 1,65
7
Lm La Am Aa Lm.Am La.Aa Lp P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 40 39 40 39 40 39 40 39 39 39 40 40 40 39 40 40 39
Media 7,72 7,44 7,77 6,94 61,51 53,07 2,75 0,27 41,21 0,47 0,19 0,01 34,56 35,51 18,92 1,00 1,07
Máximo 9,50 9,05 9,90 8,65 91,08 78,23 5,10 0,41 56,58 1,09 0,29 0,03 52,41 53,79 26,75 1,17 1,16
Mínimo 3,50 3,35 3,50 3,12 12,25 10,44 0,80 0,16 16,10 0,00 0,04 0,00 5,58 6,22 12,69 0,88 0,97
Rango 6,00 5,70 6,40 5,53 78,83 67,79 4,30 0,25 40,49 1,09 0,24 0,03 46,83 47,57 14,06 0,28 0,19
Varianza 1,71 1,57 1,72 1,46 311,15 244,82 1,22 0,00 71,39 0,07 0,00 0,00 111,41 114,51 9,94 0,01 0,00
Error típico 0,21 0,20 0,21 0,19 2,79 2,51 0,17 0,01 1,35 0,04 0,01 0,00 1,67 1,71 0,50 0,01 0,01
Asimetría -1,44 -1,50 -1,17 -1,38 -0,77 -0,78 0,37 0,38 -0,89 0,23 -0,22 0,34 -0,73 -0,72 0,52 0,81 -0,05
Curtosis 2,63 3,17 2,61 2,71 0,89 0,79 -0,59 0,67 1,54 -0,40 -0,58 0,18 0,52 0,59 0,10 -0,11 0,25
Tamaño muestra 38 33 38 33 38 33 38 33 33 33 38 38 38 33 38 38 33
Media 12,72 12,49 12,13 11,52 156,01 145,19 4,93 0,23 72,99 1,71 0,54 0,04 91,88 96,05 17,74 1,05 1,09
Máximo 17,60 16,71 16,40 14,94 257,48 223,23 7,50 0,38 97,03 2,80 1,16 0,09 162,11 161,28 34,37 1,47 1,50
Mínimo 8,70 9,99 8,50 9,53 73,95 95,13 2,60 0,16 51,11 0,00 0,23 0,02 49,07 61,40 13,24 0,86 0,96
Rango 8,90 6,73 7,90 5,41 183,53 128,11 4,90 0,22 45,92 2,80 0,93 0,07 113,04 99,89 21,13 0,61 0,55
Varianza 3,03 2,19 1,99 1,65 1318,14 954,48 1,40 0,00 112,73 0,50 0,04 0,00 575,25 507,01 15,12 0,01 0,01
Error típico 0,28 0,26 0,23 0,22 5,89 5,38 0,19 0,01 1,85 0,12 0,03 0,00 3,89 3,92 0,63 0,02 0,02
Asimetría 0,20 0,72 0,49 0,73 0,47 0,56 0,02 0,69 0,24 -0,67 1,18 0,90 1,07 1,13 2,30 1,66 2,71
Curtosis 0,81 0,84 1,75 0,17 0,64 -0,17 -0,56 2,14 -0,40 -0,39 2,07 0,34 1,51 1,60 8,13 5,97 11,52
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 17,24 16,31 16,52 15,45 286,56 253,95 6,69 0,23 97,87 3,26 1,32 0,11 170,26 170,48 13,04 1,05 1,06
Máximo 21,00 19,71 18,90 18,38 390,60 362,22 9,80 0,37 140,54 7,55 1,88 0,22 229,05 223,47 15,85 1,22 1,23
Mínimo 13,30 12,91 13,30 12,19 184,87 157,34 4,10 0,14 69,92 0,51 0,85 0,01 118,99 121,25 10,96 0,95 0,97
Rango 7,70 6,80 5,60 6,19 205,73 204,88 5,70 0,23 70,62 7,04 1,03 0,21 110,06 102,22 4,88 0,27 0,26
Varianza 2,44 2,42 2,23 2,35 2349,00 2227,60 1,74 0,00 203,30 2,14 0,08 0,00 749,01 746,47 1,18 0,00 0,00
Error típico 0,25 0,25 0,24 0,24 7,66 7,46 0,21 0,01 2,25 0,23 0,04 0,01 4,33 4,32 0,17 0,01 0,01
Asimetría -0,10 0,03 -0,41 -0,14 -0,03 0,22 0,21 0,46 0,87 0,44 0,26 0,20 0,04 0,04 0,63 0,81 0,99
Curtosis 0,18 -0,30 -0,44 -0,61 -0,57 -0,48 -0,27 0,95 1,37 0,91 -0,81 0,38 -0,73 -0,82 0,31 0,37 0,68
8
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 13,08 12,45 12,67 11,71 184,09 163,07 4,85 0,24 74,53 1,94 0,79 0,07 107,74 108,36 15,36 1,03 1,07
Máximo 21,00 19,71 18,90 18,38 390,60 362,22 9,20 0,37 140,54 6,08 1,88 0,22 229,05 223,47 20,79 1,20 1,19
Mínimo 4,00 3,74 4,20 3,39 16,80 12,69 1,20 0,14 19,13 0,14 0,05 0,00 9,05 9,73 10,96 0,86 0,97
Rango 17,00 15,96 14,70 14,99 373,80 349,53 8,00 0,23 121,41 5,93 1,83 0,21 220,00 213,74 9,82 0,34 0,22
Varianza 21,20 18,55 17,30 17,06 12763,6 10534,5 4,87 0,00 882,13 2,12 0,36 0,00 4477,53 4443,48 8,01 0,01 0,00
Error típico 0,66 0,62 0,60 0,60 16,31 14,81 0,32 0,01 4,29 0,21 0,09 0,01 9,66 9,62 0,41 0,01 0,01
Asimetría -0,01 -0,01 0,01 0,01 0,33 0,38 0,06 0,25 0,21 0,79 0,53 0,95 0,28 0,29 0,30 0,18 0,41
Curtosis -1,29 -1,20 -1,24 -1,23 -1,36 -1,23 -1,09 0,00 -0,88 -0,03 -1,28 -0,01 -1,36 -1,36 -1,01 -0,53 0,13
Tamaño muestra 48 47 48 47 48 47 48 47 47 47 48 48 48 47 48 48 47
Media 12,33 11,88 11,94 11,16 160,32 144,26 4,82 0,25 68,67 1,87 0,62 0,05 93,71 95,60 16,75 1,03 1,07
Máximo 18,40 18,11 17,80 17,01 322,18 289,96 9,80 0,41 111,42 7,55 1,46 0,16 189,30 192,02 24,80 1,22 1,23
Mínimo 3,50 3,35 3,50 3,12 12,25 10,44 0,80 0,16 16,10 0,00 0,04 0,00 5,58 6,22 12,10 0,90 0,96
Rango 14,90 14,76 14,30 13,90 309,93 279,52 9,00 0,26 95,33 7,55 1,42 0,16 183,72 185,80 12,70 0,32 0,28
Varianza 14,71 12,83 12,75 11,51 7577,17 5940,33 3,66 0,00 509,65 2,63 0,18 0,00 2826,16 2760,37 11,72 0,01 0,00
Error típico 0,55 0,52 0,52 0,49 12,56 11,24 0,28 0,01 3,29 0,24 0,06 0,01 7,67 7,66 0,49 0,01 0,01
Asimetría -0,26 -0,33 -0,20 -0,25 0,18 0,12 0,16 0,94 -0,23 1,38 0,50 0,96 0,27 0,22 0,64 0,60 0,72
Curtosis -1,01 -0,88 -0,91 -0,86 -1,18 -1,17 -0,01 1,20 -0,74 2,22 -1,10 -0,03 -1,16 -1,15 -0,52 0,08 1,16
Tamaño muestra 22 17 22 17 22 17 22 17 17 17 22 22 22 17 22 22 17
Media 11,91 11,69 11,42 10,71 150,88 141,85 4,60 0,26 66,22 1,43 0,59 0,05 91,58 98,78 18,69 1,04 1,10
Máximo 18,10 17,53 18,00 17,48 325,80 297,97 8,10 0,33 106,16 3,83 1,57 0,15 203,35 201,43 34,37 1,47 1,50
Mínimo 6,00 6,00 6,10 5,54 36,60 33,24 1,20 0,19 31,69 0,00 0,12 0,01 19,17 20,05 12,02 0,88 0,97
Rango 12,10 11,54 11,90 11,94 289,20 264,73 6,90 0,14 74,46 3,83 1,45 0,15 184,18 181,39 22,36 0,58 0,53
Varianza 17,79 19,42 15,18 17,95 9335,95 9183,78 3,72 0,00 732,26 1,97 0,25 0,00 3640,74 4437,23 31,78 0,02 0,01
Error típico 0,90 1,07 0,83 1,03 20,60 23,24 0,41 0,01 6,56 0,34 0,11 0,01 12,86 16,16 1,20 0,03 0,03
Asimetría 0,17 0,00 0,29 0,15 0,48 0,19 0,04 0,03 0,02 0,66 0,74 1,12 0,44 0,10 1,06 2,01 2,41
Curtosis -1,55 -1,97 -1,35 -1,78 -1,27 -1,72 -0,63 0,87 -1,91 -1,23 -0,96 0,02 -1,38 -1,88 1,27 5,90 8,09
Tamaño muestra 118 112 118 112 118 112 118 112 112 112 118 118 118 112 118 118 112
Media 12,56 12,09 12,14 11,33 168,23 151,96 4,79 0,25 70,81 1,83 0,69 0,06 99,02 101,55 16,55 1,03 1,07
Máximo 21,00 19,71 18,90 18,38 390,60 362,22 9,80 0,41 140,54 7,55 1,88 0,22 229,05 223,47 34,37 1,47 1,50
Mínimo 3,50 3,35 3,50 3,12 12,25 10,44 0,80 0,14 16,10 0,00 0,04 0,00 5,58 6,22 10,96 0,86 0,96
Rango 17,50 16,36 15,40 15,26 378,35 351,78 9,00 0,27 124,44 7,55 1,83 0,21 223,47 217,25 23,41 0,61 0,55
Varianza 17,83 16,07 15,03 14,71 10032,2 8340,26 4,10 0,00 701,43 2,30 0,27 0,00 3640,59 3701,25 15,09 0,01 0,00
Error típico 0,39 0,38 0,36 0,36 9,22 8,63 0,19 0,00 2,50 0,14 0,05 0,00 5,55 5,75 0,36 0,01 0,01
Asimetría -0,01 -0,08 0,03 -0,02 0,39 0,35 0,10 0,57 0,14 1,05 0,68 1,10 0,36 0,29 1,26 1,25 2,45
Curtosis -1,17 -1,15 -1,11 -1,14 -1,09 -1,04 -0,68 0,87 -0,74 1,02 -0,82 0,46 -1,16 -1,22 2,83 4,39 13,72
9
Tamaño muestra 40 36 40 36 40 36 40 36 36 36 40 40 40 36 40 40 36
Media 7,76 7,63 7,65 7,15 62,36 57,40 2,77 0,30 40,81 0,50 0,20 0,01 36,20 38,62 18,15 1,02 1,07
Máximo 11,60 10,50 10,80 10,41 121,80 108,77 6,10 0,47 64,15 1,77 0,46 0,04 72,59 73,29 24,96 1,15 1,18
Mínimo 4,40 4,27 4,10 3,98 18,04 17,00 0,80 0,19 20,05 0,00 0,07 0,00 9,23 11,70 12,74 0,90 0,96
Rango 7,20 6,23 6,70 6,43 103,76 91,77 5,30 0,28 44,10 1,77 0,39 0,04 63,36 61,59 12,22 0,26 0,22
Varianza 3,23 3,00 3,24 2,97 740,49 636,47 1,84 0,00 146,67 0,22 0,01 0,00 270,20 285,61 7,93 0,00 0,00
Error típico 0,28 0,29 0,28 0,29 4,30 4,20 0,21 0,01 2,02 0,08 0,02 0,00 2,60 2,82 0,45 0,01 0,01
Asimetría -0,08 -0,15 -0,14 -0,10 0,36 0,34 0,58 0,94 0,13 1,45 0,76 0,76 0,34 0,30 0,63 0,38 0,27
Curtosis -0,44 -0,69 -0,52 -0,49 -0,44 -0,51 0,08 0,94 -0,60 1,64 0,15 0,67 -0,37 -0,56 0,07 -0,80 -0,43
Tamaño muestra 40 32 40 32 40 32 40 32 32 32 40 40 40 32 40 40 32
Media 12,11 11,52 11,98 11,06 147,71 129,96 4,70 0,26 66,27 1,51 0,58 0,05 89,44 89,14 15,88 1,01 1,04
Máximo 17,60 16,41 14,90 14,91 262,24 244,66 7,80 0,42 90,61 3,20 1,26 0,11 163,02 165,63 20,61 1,18 1,17
Mínimo 9,00 9,01 9,10 8,45 87,40 78,63 1,70 0,20 48,84 0,29 0,27 0,01 52,84 55,58 11,35 0,80 0,96
Rango 8,60 7,40 5,80 6,46 174,84 166,04 6,10 0,22 41,77 2,91 0,99 0,09 110,18 110,05 9,26 0,38 0,21
Varianza 3,58 2,76 2,57 2,81 1759,29 1496,89 2,53 0,00 115,97 0,57 0,05 0,00 679,70 703,92 4,44 0,00 0,00
Error típico 0,30 0,29 0,25 0,30 6,63 6,84 0,25 0,01 1,90 0,13 0,03 0,00 4,12 4,69 0,33 0,01 0,01
Asimetría 0,55 0,61 0,02 0,54 0,61 0,93 0,16 2,16 0,31 0,30 0,97 0,37 0,71 0,93 0,10 -0,47 0,61
Curtosis 0,43 0,97 -0,83 -0,32 0,03 1,09 -0,42 8,19 -0,31 -0,44 1,12 -0,35 0,23 0,87 -0,05 1,86 0,06
Tamaño muestra 40 39 40 39 40 39 40 39 39 39 40 40 40 39 40 40 39
Media 17,18 16,41 16,48 15,61 286,96 259,27 7,46 0,26 93,34 3,43 1,41 0,15 174,12 173,12 12,60 1,04 1,05
Máximo 22,80 20,71 20,50 19,33 442,32 376,02 10,70 0,36 125,64 7,97 2,22 0,31 262,33 261,61 16,69 1,18 1,17
Mínimo 14,00 13,53 13,20 13,03 186,12 177,04 4,40 0,18 72,28 0,47 0,70 0,06 116,41 117,47 10,77 0,91 0,96
Rango 8,80 7,18 7,30 6,30 256,20 198,98 6,30 0,18 53,36 7,51 1,52 0,25 145,92 144,14 5,92 0,26 0,21
Varianza 4,60 3,81 4,10 3,16 5133,41 3661,29 3,01 0,00 222,31 2,78 0,17 0,00 1760,26 1738,56 1,50 0,00 0,00
Error típico 0,34 0,31 0,32 0,28 11,33 9,69 0,27 0,01 2,39 0,27 0,06 0,01 6,63 6,68 0,19 0,01 0,01
Asimetría 0,85 0,62 0,69 0,78 0,92 0,85 0,09 0,29 0,39 0,57 0,61 0,54 0,83 0,91 1,27 0,23 0,46
Curtosis 0,00 -0,46 -0,70 -0,57 -0,33 -0,51 -0,88 -0,81 -1,02 0,14 -0,58 -0,48 -0,56 -0,42 2,18 0,49 -0,57
10
Tamaño muestra 48 47 48 47 48 47 48 47 47 47 48 48 48 47 48 48 47
Media 12,73 12,06 12,29 11,45 172,57 152,26 4,90 0,27 68,29 1,84 0,78 0,08 103,66 103,09 14,93 1,03 1,06
Máximo 22,80 20,71 20,00 18,78 442,32 376,02 9,80 0,42 117,98 5,85 2,22 0,26 255,86 254,15 22,87 1,18 1,17
Mínimo 4,90 5,30 5,00 4,62 24,50 24,55 1,00 0,18 25,25 0,04 0,09 0,01 11,86 16,25 10,77 0,90 0,96
Rango 17,90 15,40 15,00 14,16 417,82 351,47 8,80 0,24 92,73 5,82 2,13 0,25 244,00 237,90 12,10 0,28 0,21
Varianza 18,04 15,34 15,59 14,00 11446,1 8852,21 6,21 0,00 572,65 2,26 0,36 0,01 4337,15 4069,18 8,44 0,00 0,00
Error típico 0,61 0,57 0,57 0,55 15,44 13,72 0,36 0,01 3,49 0,22 0,09 0,01 9,51 9,30 0,42 0,01 0,01
Asimetría 0,32 0,33 0,17 0,17 0,77 0,74 0,37 0,83 0,32 1,20 0,84 1,16 0,72 0,80 0,47 0,08 0,08
Curtosis -0,57 -0,67 -0,81 -0,92 -0,19 -0,35 -0,87 1,63 -0,55 0,89 -0,37 0,20 -0,34 -0,10 -0,29 -0,08 -0,96
Tamaño muestra 48 44 48 44 48 44 48 44 44 44 48 48 48 44 48 48 44
Media 11,74 11,16 11,48 10,62 150,21 133,17 4,54 0,28 62,80 1,64 0,63 0,06 90,52 88,82 16,02 1,02 1,06
Máximo 20,80 19,38 20,40 18,99 424,32 367,97 10,30 0,47 125,64 6,07 2,02 0,22 250,09 246,64 24,96 1,13 1,18
Mínimo 4,40 4,27 4,10 3,98 18,04 17,00 0,80 0,19 20,05 0,00 0,07 0,00 9,23 11,70 12,05 0,89 0,96
Rango 16,40 15,10 16,30 15,01 406,28 350,97 9,50 0,28 105,59 6,07 1,96 0,22 240,86 234,94 12,91 0,24 0,22
Varianza 16,70 15,54 15,17 14,62 8690,67 7497,98 5,19 0,00 673,47 2,33 0,22 0,00 3222,06 3297,15 10,36 0,00 0,00
Error típico 0,59 0,59 0,56 0,58 13,46 13,05 0,33 0,01 3,91 0,23 0,07 0,01 8,19 8,66 0,46 0,01 0,01
Asimetría -0,03 0,09 -0,05 0,05 0,57 0,59 0,37 1,14 0,30 1,02 0,77 1,25 0,50 0,60 0,95 0,02 0,87
Curtosis -0,90 -1,05 -0,77 -0,95 -0,04 -0,46 -0,33 1,31 -0,42 0,46 0,05 0,95 -0,33 -0,36 0,50 -0,37 0,30
Esperguras M5 Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 24 16 24 16 24 16 24 16 16 16 24 24 24 16 24 24 16
Media 12,79 14,07 12,65 13,42 182,81 207,56 6,01 0,27 78,60 2,60 0,82 0,09 111,23 140,07 15,83 1,01 1,05
Máximo 21,50 20,24 20,50 19,33 440,75 375,11 10,70 0,33 116,00 7,97 2,21 0,31 262,33 261,61 23,15 1,18 1,17
Mínimo 5,00 5,00 4,80 4,74 24,00 23,69 1,10 0,22 26,45 0,05 0,09 0,00 14,55 16,17 11,53 0,80 0,98
Rango 16,50 15,24 15,70 14,59 416,75 351,42 9,60 0,12 89,55 7,92 2,13 0,30 247,78 245,45 11,62 0,38 0,19
Varianza 24,33 21,04 20,65 19,42 15596,4 13313,9 7,05 0,00 709,66 5,49 0,47 0,01 5627,52 5678,09 10,79 0,01 0,00
Error típico 1,01 1,15 0,93 1,10 25,49 28,85 0,54 0,01 6,66 0,59 0,14 0,02 15,31 18,84 0,67 0,02 0,01
Asimetría 0,21 -0,54 0,10 -0,49 0,68 0,03 0,01 0,23 -0,60 0,98 0,85 1,22 0,60 -0,04 0,40 -0,17 0,51
Curtosis -1,18 -0,50 -0,78 -0,55 -0,57 -1,01 -0,61 -1,38 -0,37 0,34 -0,55 0,48 -0,74 -0,93 -0,54 1,06 -0,07
Tamaño muestra 120 107 120 107 120 107 120 107 107 107 120 120 120 107 120 120 107
Media 12,35 11,99 12,04 11,40 165,67 152,68 4,98 0,27 67,57 1,87 0,73 0,07 99,92 102,75 15,54 1,02 1,06
Máximo 22,80 20,71 20,50 19,33 442,32 376,02 10,70 0,47 125,64 7,97 2,22 0,31 262,33 261,61 24,96 1,18 1,18
Mínimo 4,40 4,27 4,10 3,98 18,04 17,00 0,80 0,18 20,05 0,00 0,07 0,00 9,23 11,70 10,77 0,80 0,96
Rango 18,40 16,44 16,40 15,35 424,28 359,02 9,90 0,29 105,59 7,97 2,15 0,30 253,10 249,91 14,19 0,38 0,22
Varianza 18,67 16,88 16,37 15,62 11142,4 9379,91 6,16 0,00 650,16 2,81 0,33 0,01 4140,33 4197,80 9,77 0,00 0,00
Error típico 0,39 0,40 0,37 0,38 9,64 9,36 0,23 0,01 2,47 0,16 0,05 0,01 5,87 6,26 0,29 0,01 0,01
Asimetría 0,20 0,14 0,10 0,07 0,74 0,63 0,34 1,11 0,16 1,23 0,91 1,38 0,68 0,64 0,67 -0,11 0,43
Curtosis -0,76 -0,88 -0,73 -0,92 -0,11 -0,48 -0,67 1,88 -0,69 1,27 -0,04 1,24 -0,29 -0,39 0,11 0,54 -0,46
11
Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 8,34 8,14 8,23 7,56 70,22 63,02 3,14 0,25 45,98 0,76 0,26 0,02 40,36 41,38 16,19 1,02 1,08
Máximo 10,70 10,28 11,10 9,98 116,55 102,65 6,30 0,34 65,32 2,15 0,45 0,06 69,43 71,00 21,27 1,29 1,25
Mínimo 5,10 4,89 5,30 4,71 27,03 23,04 1,00 0,16 25,78 0,06 0,07 0,00 13,53 14,61 11,84 0,89 0,96
Rango 5,60 5,39 5,80 5,28 89,52 79,61 5,30 0,18 39,54 2,09 0,38 0,05 55,90 56,38 9,43 0,40 0,29
Varianza 1,78 1,71 1,94 1,54 446,80 361,83 1,51 0,00 88,69 0,28 0,01 0,00 152,95 158,58 5,81 0,01 0,00
Error típico 0,20 0,20 0,21 0,19 3,19 2,87 0,19 0,01 1,42 0,08 0,01 0,00 1,86 1,90 0,36 0,01 0,01
Asimetría -0,42 -0,63 -0,18 -0,43 -0,03 -0,19 0,35 -0,28 -0,05 0,99 0,05 1,25 -0,19 -0,18 0,34 0,62 0,99
Curtosis 0,02 -0,21 -0,55 -0,24 -0,44 -0,48 -0,25 -0,72 -0,41 0,67 -0,71 2,83 -0,30 -0,35 -0,80 -0,28 2,04
Tamaño muestra 44 43 44 43 44 43 44 43 43 43 44 44 44 43 44 44 43
Media 12,26 11,74 11,94 11,27 148,04 133,88 4,55 0,24 70,10 1,85 0,65 0,05 87,82 89,48 13,88 1,03 1,04
Máximo 16,00 14,84 16,00 14,97 256,00 222,08 8,30 0,38 90,60 4,61 1,08 0,11 144,87 146,91 19,40 1,26 1,17
Mínimo 9,90 9,31 9,20 8,51 98,00 80,53 2,20 0,16 48,73 0,13 0,32 0,02 59,73 60,53 8,66 0,90 0,92
Rango 6,10 5,53 6,80 6,46 158,00 141,55 6,10 0,23 41,87 4,48 0,76 0,10 85,14 86,38 10,75 0,36 0,25
Varianza 2,01 1,76 1,96 1,74 1135,69 904,36 1,91 0,00 110,41 0,83 0,03 0,00 384,65 373,42 3,65 0,00 0,00
Error típico 0,21 0,20 0,21 0,20 5,08 4,59 0,21 0,01 1,60 0,14 0,03 0,00 2,96 2,95 0,29 0,01 0,01
Asimetría 0,25 0,12 0,27 0,27 0,64 0,54 1,00 0,85 -0,34 1,12 0,36 1,39 0,64 0,58 0,36 1,11 -0,07
Curtosis -0,17 -0,49 0,18 0,21 0,75 0,41 0,82 0,88 -0,59 2,34 -0,32 2,39 0,08 0,18 1,67 2,48 -0,35
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 16,72 16,13 15,81 15,21 268,52 249,18 6,77 0,24 95,37 3,10 1,45 0,14 161,73 161,78 11,40 1,06 1,06
Máximo 21,50 20,11 20,70 19,99 445,05 393,17 9,50 0,46 129,74 6,79 2,37 0,29 264,24 264,50 14,56 1,32 1,28
Mínimo 12,30 11,58 11,10 11,08 145,14 128,39 4,40 0,16 57,56 0,08 0,57 0,04 83,22 85,36 8,53 0,93 0,95
Rango 9,20 8,53 9,60 8,91 299,91 264,77 5,10 0,31 72,19 6,71 1,80 0,25 181,02 179,14 6,03 0,40 0,33
Varianza 4,89 4,34 4,69 4,33 4821,09 4039,12 1,69 0,00 323,99 3,02 0,20 0,00 1557,22 1541,26 1,59 0,01 0,00
Error típico 0,33 0,31 0,33 0,31 10,47 9,58 0,20 0,01 2,71 0,26 0,07 0,01 5,95 5,92 0,19 0,01 0,01
Asimetría 0,29 0,14 -0,17 -0,21 0,35 0,23 0,42 1,81 -0,29 0,02 0,16 0,66 0,19 0,22 0,24 1,20 0,96
Curtosis -0,51 -0,57 -0,44 -0,39 -0,42 -0,54 -0,82 3,61 -0,54 -0,89 -0,29 -0,01 -0,13 -0,15 0,44 1,93 0,83
12
Tamaño muestra Lm La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Media 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Máximo 13,05 12,50 12,70 11,95 177,38 160,04 4,95 0,24 74,42 2,13 0,86 0,07 104,43 105,39 13,28 1,03 1,05
Mínimo 21,50 19,67 20,70 19,99 445,05 393,17 9,30 0,38 120,16 5,40 2,37 0,29 264,24 264,50 19,99 1,29 1,25
Rango 7,20 6,93 6,20 6,60 44,64 45,73 1,60 0,16 35,24 0,08 0,18 0,01 28,62 29,69 9,78 0,89 0,95
Varianza 14,30 12,73 14,50 13,39 400,41 347,44 7,70 0,22 84,92 5,33 2,19 0,29 235,62 234,81 10,21 0,39 0,30
Error típico 3,56 3,28 3,41 3,36 93,29 84,74 1,80 0,05 22,91 1,44 0,55 0,06 56,36 55,87 2,40 0,08 0,06
Asimetría 27,26 26,26 26,82 28,14 52,59 52,95 36,44 21,65 30,79 67,57 64,08 87,78 53,97 53,01 18,08 7,54 5,45
Curtosis 0,33 0,33 0,22 0,27 0,76 0,70 0,45 0,53 0,30 0,60 0,75 1,58 0,73 0,72 1,17 0,84 1,07
Intervalo de confianza (95%) -0,69 -0,92 -0,66 -0,83 0,07 -0,24 -0,03 -0,28 -0,75 -0,51 -0,31 2,58 -0,06 -0,07 1,29 1,24 2,10
Zariegos 1,01 0,93 0,96 0,95 26,39 23,97 0,51 0,01 6,48 0,41 0,16 0,02 15,94 15,80 0,68 0,02 0,02
Media 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Máximo 11,98 11,59 11,50 10,87 150,60 138,91 4,56 0,24 68,73 1,81 0,71 0,06 90,10 90,73 14,19 1,04 1,07
Mínimo 21,00 19,82 18,30 17,63 369,60 345,58 9,50 0,46 129,74 5,69 2,06 0,22 221,24 226,16 21,27 1,32 1,28
Rango 5,10 4,89 5,30 4,71 27,03 23,04 1,20 0,16 25,78 0,06 0,07 0,01 13,53 14,61 8,66 0,89 0,92
Varianza 15,90 14,93 13,00 12,93 342,57 322,54 8,30 0,31 103,96 5,62 1,99 0,22 207,71 211,55 12,61 0,43 0,36
Error típico 3,91 3,83 3,50 3,55 90,62 87,12 2,07 0,06 25,16 1,56 0,53 0,06 55,88 55,30 2,73 0,09 0,07
Asimetría 32,63 33,02 30,43 32,63 60,17 62,72 45,38 26,22 36,61 85,85 74,34 95,55 62,02 60,95 19,24 8,99 6,40
Curtosis 0,33 0,35 0,28 0,29 0,79 0,83 0,44 1,36 0,54 1,13 0,93 1,31 0,74 0,74 0,53 0,84 0,46
Intervalo de confianza (95%) -0,63 -0,61 -0,76 -0,82 -0,15 -0,14 -0,56 2,53 -0,29 0,34 -0,01 1,02 -0,37 -0,30 -0,05 1,09 0,80
Esperguras 1,11 1,08 0,99 1,00 25,64 24,65 0,58 0,02 7,12 0,44 0,15 0,02 15,81 15,64 0,77 0,03 0,02
Media 36 35 36 35 36 35 36 35 35 35 36 36 36 35 36 36 35
Máximo 12,24 11,90 11,72 11,18 157,65 146,96 4,99 0,26 67,50 1,70 0,80 0,07 94,97 96,35 14,06 1,04 1,07
Mínimo 20,70 20,11 19,00 18,71 393,30 376,08 8,90 0,46 120,96 6,79 2,36 0,25 219,00 220,14 20,55 1,22 1,22
Rango 5,80 5,98 5,80 5,61 36,54 33,50 1,00 0,16 28,22 0,08 0,12 0,00 18,80 19,68 8,53 0,92 0,94
Varianza 14,90 14,13 13,20 13,10 356,76 342,58 7,90 0,30 92,74 6,71 2,25 0,24 200,20 200,46 12,03 0,30 0,28
Error típico 4,07 3,94 3,68 3,69 98,64 93,74 2,10 0,06 24,51 1,55 0,66 0,07 58,10 58,48 3,09 0,07 0,06
Asimetría 33,22 33,13 31,43 33,02 62,57 63,79 42,02 21,39 36,32 90,95 82,53 95,00 61,18 60,70 21,98 7,11 5,55
Curtosis 0,42 0,41 0,34 0,32 0,88 0,87 0,14 1,54 0,41 1,76 1,13 1,25 0,72 0,68 0,20 0,41 0,27
Intervalo de confianza (95%) -0,64 -0,69 -0,71 -0,76 -0,09 -0,10 -0,82 4,69 -0,73 3,20 0,21 0,48 -0,46 -0,56 -0,47 -0,39 0,89
Total hojas 1,33 1,31 1,20 1,22 32,22 31,06 0,69 0,02 8,12 0,51 0,21 0,02 18,98 19,37 1,01 0,02 0,02
Media 132 131 132 131 132 131 132 131 131 131 132 132 132 131 132 132 131
Máximo 12,44 12,00 11,99 11,35 162,26 148,81 4,82 0,24 70,49 1,90 0,79 0,07 96,64 97,60 13,82 1,04 1,06
Mínimo 21,50 20,11 20,70 19,99 445,05 393,17 9,50 0,46 129,74 6,79 2,37 0,29 264,24 264,50 21,27 1,32 1,28
Rango 5,10 4,89 5,30 4,71 27,03 23,04 1,00 0,16 25,78 0,06 0,07 0,00 13,53 14,61 8,53 0,89 0,92
Varianza 16,40 15,21 15,40 15,28 418,02 370,13 8,50 0,31 103,96 6,73 2,30 0,29 250,71 249,89 12,74 0,43 0,36
Error típico 3,83 3,66 3,53 3,53 93,85 87,88 1,98 0,06 24,19 1,51 0,57 0,06 56,57 56,29 2,73 0,08 0,06
Asimetría 30,78 30,50 29,44 31,06 57,84 59,06 41,07 23,41 34,32 79,57 72,72 92,13 58,54 57,67 19,77 7,95 5,83
Curtosis 0,31 0,31 0,25 0,26 0,78 0,76 0,32 1,10 0,38 1,07 0,94 1,38 0,70 0,69 0,60 0,76 0,61
Intervalo de confianza (95%) -0,68 -0,72 -0,74 -0,82 -0,14 -0,26 -0,56 2,15 -0,62 0,48 0,01 1,38 -0,35 -0,35 -0,04 0,89 0,98
13
Tamaño muestra 35 35 35 35 35 35 35 35 35 35 35 35 35 35 35 35 35
Media 7,55 7,44 7,45 6,81 58,01 51,95 2,65 0,32 37,71 0,61 0,23 0,01 33,79 35,18 15,19 1,02 1,10
Máximo 10,10 9,39 9,90 9,39 102,96 88,16 5,20 0,43 53,64 1,77 0,50 0,04 61,15 62,59 23,66 1,27 1,24
Mínimo 4,30 4,92 4,70 4,59 20,21 22,60 0,80 0,19 22,66 0,04 0,08 0,00 11,04 13,83 12,26 0,83 0,99
Rango 5,80 4,47 5,20 4,80 82,75 65,56 4,40 0,24 30,99 1,73 0,42 0,03 50,11 48,76 11,39 0,44 0,25
Varianza 2,04 1,46 1,83 1,49 386,35 275,67 1,37 0,00 61,56 0,19 0,01 0,00 128,02 127,01 5,50 0,02 0,00
Error típico 0,24 0,20 0,23 0,21 3,32 2,81 0,20 0,01 1,33 0,07 0,02 0,00 1,91 1,90 0,40 0,02 0,01
Asimetría -0,32 -0,33 -0,45 -0,24 0,09 -0,02 0,23 -0,16 -0,20 0,88 0,66 0,62 0,19 0,19 1,79 0,65 0,30
Curtosis -0,22 -0,67 -0,53 -0,65 -0,11 -0,69 -0,84 -0,45 -0,57 0,41 1,12 0,08 0,06 0,05 4,11 -0,96 -0,76
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 11,32 10,88 11,24 10,38 128,23 114,03 3,83 0,28 59,68 1,44 0,59 0,04 75,95 77,94 13,31 1,01 1,05
Máximo 13,60 12,63 13,40 12,54 182,24 157,29 5,70 0,36 82,11 3,19 0,84 0,16 112,17 115,25 20,17 1,13 1,20
Mínimo 8,50 8,45 8,60 7,99 74,82 67,50 1,60 0,20 42,52 0,44 0,30 0,01 41,68 44,21 10,83 0,77 0,90
Rango 5,10 4,18 4,80 4,55 107,42 89,79 4,10 0,15 39,59 2,75 0,54 0,15 70,49 71,04 9,35 0,36 0,30
Varianza 1,60 1,21 1,17 1,23 612,88 509,90 1,08 0,00 66,34 0,41 0,03 0,00 217,83 227,11 4,23 0,00 0,00
Error típico 0,19 0,17 0,16 0,17 3,73 3,40 0,16 0,01 1,23 0,10 0,02 0,00 2,23 2,27 0,31 0,01 0,01
Asimetría -0,28 -0,20 -0,32 -0,15 -0,07 0,04 -0,17 0,07 0,31 1,00 -0,07 2,84 0,06 0,09 1,84 -0,76 0,04
Curtosis -0,57 -0,70 -0,25 -0,63 -0,49 -0,80 -0,64 0,07 0,42 0,84 -1,10 13,52 -0,08 -0,14 4,05 2,11 0,43
Tamaño muestra 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36
Media 15,67 15,00 14,93 14,10 236,13 213,56 6,67 0,29 79,45 2,15 1,25 0,13 143,10 144,71 11,44 1,05 1,07
Máximo 19,00 18,19 17,50 17,63 319,92 320,63 9,70 0,43 103,75 5,52 1,78 0,22 188,12 187,12 13,61 1,25 1,26
Mínimo 11,50 12,16 11,60 11,26 133,40 137,50 3,80 0,22 66,87 0,43 0,70 0,04 86,42 89,67 10,23 0,93 0,95
Rango 7,50 6,03 5,90 6,37 186,52 183,13 5,90 0,22 36,88 5,09 1,08 0,18 101,70 97,45 3,38 0,32 0,31
Varianza 3,57 2,89 2,11 2,65 2362,15 2135,46 2,83 0,00 66,01 1,72 0,07 0,00 894,74 863,67 0,59 0,00 0,01
Error típico 0,31 0,28 0,24 0,27 8,10 7,70 0,28 0,01 1,35 0,22 0,04 0,01 4,99 4,90 0,13 0,01 0,01
Asimetría 0,14 0,49 0,00 0,42 0,13 0,51 0,17 0,52 1,12 1,09 0,24 0,16 0,08 0,06 0,86 0,92 0,46
Curtosis -0,68 -0,79 -0,31 -0,51 -0,86 -0,46 -1,25 -0,55 1,39 0,75 -0,67 -1,43 -1,34 -1,39 0,64 1,15 0,02
14
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 11,33 10,92 11,21 10,34 137,18 122,16 4,20 0,30 58,55 1,40 0,68 0,06 81,40 83,16 13,16 1,01 1,07
Máximo 18,60 17,83 17,50 17,23 306,25 282,10 9,10 0,43 91,94 3,67 1,65 0,21 181,45 180,54 23,66 1,21 1,20
Mínimo 4,90 5,33 4,70 4,64 26,79 24,76 0,80 0,22 22,66 0,13 0,10 0,00 15,32 17,05 10,23 0,83 0,95
Rango 13,70 12,50 12,80 12,59 279,46 257,34 8,30 0,21 69,28 3,54 1,55 0,20 166,13 163,49 13,42 0,38 0,25
Varianza 11,70 9,60 9,78 9,76 5513,50 4496,00 2,73 0,00 340,34 0,70 0,20 0,00 2000,25 2002,78 6,91 0,01 0,00
Error típico 0,49 0,45 0,45 0,45 10,72 9,68 0,24 0,01 2,66 0,12 0,06 0,01 6,46 6,46 0,38 0,01 0,01
Asimetría 0,05 0,09 0,01 0,15 0,49 0,54 0,49 0,62 -0,11 0,71 0,61 1,38 0,53 0,51 1,75 0,44 0,02
Curtosis -0,89 -0,90 -0,73 -0,72 -0,57 -0,53 0,58 -0,09 -1,16 0,13 -0,51 1,25 -0,48 -0,53 4,24 0,34 -0,75
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 11,70 11,25 11,27 10,61 143,88 130,09 4,48 0,29 59,70 1,46 0,70 0,07 85,79 87,47 13,13 1,04 1,07
Máximo 18,90 17,94 17,40 17,11 314,76 306,96 9,00 0,40 103,75 5,52 1,78 0,22 188,12 186,96 20,03 1,27 1,24
Mínimo 4,30 4,92 4,70 4,59 20,21 22,60 1,10 0,19 23,27 0,04 0,08 0,00 11,04 13,83 10,42 0,88 0,90
Rango 14,60 13,02 12,70 12,51 294,55 284,37 7,90 0,20 80,48 5,48 1,71 0,22 177,08 173,13 9,61 0,39 0,33
Varianza 13,56 11,81 11,37 10,79 6765,26 5629,32 5,36 0,00 345,00 1,66 0,22 0,00 2526,54 2536,24 3,98 0,01 0,00
Error típico 0,53 0,50 0,49 0,47 11,87 10,83 0,33 0,01 2,68 0,19 0,07 0,01 7,26 7,27 0,29 0,01 0,01
Asimetría 0,10 0,18 0,04 0,07 0,55 0,60 0,49 0,09 0,07 1,64 0,61 1,10 0,55 0,54 1,30 0,75 0,22
Curtosis -0,71 -0,78 -0,95 -0,87 -0,67 -0,52 -0,78 -0,40 -0,48 2,68 -0,71 -0,07 -0,79 -0,81 2,48 0,78 0,69
Tamaño muestra 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19
Media 11,65 11,32 11,24 10,38 141,19 127,14 4,49 0,30 59,48 1,32 0,65 0,06 86,91 88,40 14,05 1,04 1,10
Máximo 19,00 18,19 17,20 17,63 319,92 320,63 9,70 0,43 97,32 4,48 1,53 0,22 186,55 187,12 20,17 1,25 1,26
Mínimo 6,00 5,90 5,10 4,98 30,60 29,41 1,00 0,22 25,24 0,06 0,13 0,00 18,39 19,36 11,31 0,77 0,97
Rango 13,00 12,29 12,10 12,64 289,32 291,22 8,70 0,22 72,09 4,41 1,40 0,22 168,16 167,75 8,86 0,48 0,30
Varianza 13,57 11,81 10,32 9,59 6555,31 5715,40 6,43 0,00 330,71 0,84 0,19 0,00 2694,29 2650,14 6,31 0,02 0,01
Error típico 0,85 0,79 0,74 0,71 18,57 17,34 0,58 0,01 4,17 0,21 0,10 0,02 11,91 11,81 0,58 0,03 0,02
Asimetría 0,78 0,73 -0,25 0,37 0,93 1,20 0,86 0,50 -0,04 2,31 0,91 1,67 0,94 0,90 1,67 -0,02 0,50
Curtosis 0,09 0,21 -0,09 0,53 0,28 1,25 0,19 -0,64 0,00 7,91 -0,29 1,57 0,01 -0,11 2,26 -0,36 -1,06
Tamaño muestra 115 115 115 115 115 115 115 115 115 115 115 115 115 115 115 115 115
Media 11,53 11,12 11,24 10,46 140,64 126,29 4,36 0,30 59,18 1,41 0,69 0,06 84,14 85,83 13,30 1,02 1,07
Máximo 19,00 18,19 17,50 17,63 319,92 320,63 9,70 0,43 103,75 5,52 1,78 0,22 188,12 187,12 23,66 1,27 1,26
Mínimo 4,30 4,92 4,70 4,59 20,21 22,60 0,80 0,19 22,66 0,04 0,08 0,00 11,04 13,83 10,23 0,77 0,90
Rango 14,70 13,27 12,80 13,03 299,71 298,03 8,90 0,24 81,09 5,48 1,71 0,22 177,08 173,29 13,42 0,50 0,36
Varianza 12,59 10,72 10,35 10,00 6106,86 5090,31 4,37 0,00 335,06 1,11 0,20 0,00 2297,32 2295,02 5,60 0,01 0,00
Error típico 0,33 0,31 0,30 0,29 7,29 6,65 0,19 0,00 1,71 0,10 0,04 0,01 4,47 4,47 0,22 0,01 0,01
Asimetría 0,20 0,25 -0,01 0,15 0,59 0,68 0,65 0,42 -0,02 1,61 0,64 1,31 0,62 0,59 1,60 0,46 0,36
Curtosis -0,67 -0,65 -0,78 -0,68 -0,52 -0,26 -0,04 -0,25 -0,74 3,41 -0,62 0,61 -0,54 -0,59 3,44 0,47 0,00
15
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 7,22 7,12 7,14 6,61 53,28 48,81 2,19 0,33 36,36 0,37 0,23 0,01 33,30 33,63 15,41 1,01 1,08
Máximo 10,10 9,69 9,70 9,00 96,00 85,32 4,80 0,57 55,50 1,40 0,58 0,04 61,41 61,75 21,11 1,24 1,20
Mínimo 3,60 3,83 3,90 3,48 14,04 13,33 0,50 0,20 14,59 0,00 0,06 0,00 9,86 9,59 3,85 0,85 0,97
Rango 6,50 5,87 5,80 5,52 81,96 71,99 4,30 0,36 40,91 1,40 0,52 0,04 51,55 52,16 17,25 0,39 0,23
Varianza 2,10 2,02 1,85 1,61 387,87 333,16 1,36 0,00 77,84 0,11 0,01 0,00 144,91 150,48 10,02 0,01 0,00
Error típico 0,22 0,21 0,20 0,19 2,97 2,75 0,18 0,01 1,33 0,05 0,02 0,00 1,81 1,85 0,48 0,01 0,01
Asimetría -0,09 -0,13 0,06 -0,12 0,40 0,28 0,54 0,94 0,11 1,25 0,83 1,06 0,25 0,29 -0,82 0,53 0,46
Curtosis -0,09 -0,48 -0,50 -0,42 -0,50 -0,71 -0,78 3,35 -0,09 1,16 0,56 0,73 -0,56 -0,50 2,84 -0,35 0,06
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 11,96 11,55 11,63 10,96 141,13 128,80 4,58 0,28 62,83 1,31 0,68 0,05 85,06 86,61 13,23 1,03 1,06
Máximo 15,50 14,67 14,10 13,90 218,55 193,33 8,10 0,38 82,71 3,18 1,18 0,12 122,95 123,11 20,84 1,24 1,21
Mínimo 8,90 8,31 7,80 7,44 71,76 64,17 2,60 0,20 41,30 0,22 0,26 0,03 47,12 48,01 10,17 0,88 0,94
Rango 6,60 6,37 6,30 6,46 146,79 129,16 5,50 0,18 41,41 2,96 0,92 0,09 75,83 75,10 10,67 0,36 0,27
Varianza 3,09 2,45 1,92 2,39 1291,91 1143,08 1,61 0,00 104,46 0,43 0,06 0,00 412,65 433,35 7,20 0,01 0,00
Error típico 0,26 0,24 0,21 0,23 5,42 5,10 0,19 0,01 1,54 0,10 0,04 0,00 3,06 3,14 0,40 0,01 0,01
Asimetría 0,08 0,02 -0,35 -0,22 0,22 0,07 0,94 0,55 0,12 0,46 0,09 0,93 -0,04 -0,03 1,21 0,37 0,16
Curtosis -1,00 -0,56 0,24 -0,40 -0,63 -0,79 0,51 0,93 -0,75 0,19 -0,97 0,87 -0,85 -0,90 0,65 0,53 -0,56
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 16,82 16,03 15,24 14,53 257,50 234,23 7,17 0,30 83,34 1,75 1,44 0,14 160,29 161,45 11,22 1,10 1,10
Máximo 20,50 19,35 18,20 17,76 352,60 318,83 11,60 0,39 100,94 4,53 2,07 0,30 218,89 218,14 13,63 1,27 1,25
Mínimo 13,70 12,61 13,20 12,23 180,84 159,27 5,10 0,18 69,23 0,03 0,89 0,08 116,74 121,37 9,28 0,95 0,94
Rango 6,80 6,74 5,00 5,53 171,76 159,56 6,50 0,21 31,70 4,49 1,18 0,22 102,15 96,77 4,35 0,32 0,31
Varianza 2,34 2,66 1,37 1,49 1620,67 1602,58 2,45 0,00 62,88 1,10 0,08 0,00 739,94 707,40 0,94 0,01 0,01
Error típico 0,23 0,25 0,18 0,18 6,07 6,04 0,24 0,01 1,20 0,16 0,04 0,01 4,10 4,01 0,15 0,01 0,01
Asimetría 0,28 0,03 0,53 0,38 0,50 0,28 1,01 -0,29 0,53 0,58 0,45 1,34 0,75 0,64 0,11 0,19 -0,05
Curtosis -0,27 -0,43 -0,08 -0,18 -0,33 -0,75 0,75 -0,56 -0,08 0,35 -0,34 1,25 -0,45 -0,66 0,30 -0,33 -0,69
16
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 11,89 11,56 11,40 10,82 150,95 139,19 4,50 0,30 61,59 1,15 0,78 0,07 93,55 94,29 13,30 1,03 1,07
Máximo 19,00 18,62 17,20 16,48 309,70 296,70 9,40 0,57 100,50 3,18 1,87 0,23 211,11 210,02 18,98 1,27 1,25
Mínimo 3,60 3,83 3,90 3,48 14,04 13,33 0,50 0,18 14,59 0,00 0,06 0,00 9,86 9,59 10,56 0,85 0,94
Rango 15,40 14,79 13,30 13,00 295,66 283,37 8,90 0,38 85,91 3,18 1,81 0,23 201,25 200,43 8,42 0,42 0,31
Varianza 19,07 16,02 13,64 13,55 7982,83 6818,35 5,79 0,00 548,89 0,75 0,28 0,00 3130,74 3149,45 6,14 0,01 0,00
Error típico 0,63 0,58 0,53 0,53 12,90 11,92 0,35 0,01 3,38 0,13 0,08 0,01 8,08 8,10 0,36 0,01 0,01
Asimetría -0,19 -0,16 -0,41 -0,32 0,09 0,20 0,00 1,51 -0,30 0,51 0,34 0,91 0,22 0,19 0,77 0,19 0,23
Curtosis -1,16 -0,95 -1,08 -1,10 -1,25 -1,03 -0,93 4,45 -1,05 -0,89 -1,00 0,29 -0,98 -1,02 -0,55 -0,19 0,13
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,11 11,55 11,34 10,62 151,80 135,53 4,87 0,31 60,07 1,22 0,81 0,07 93,75 94,50 13,30 1,06 1,09
Máximo 20,50 19,06 18,20 17,76 352,60 302,49 11,20 0,39 95,82 4,53 2,07 0,30 218,89 218,14 20,66 1,24 1,24
Mínimo 6,00 5,99 6,10 5,69 37,21 34,28 1,10 0,20 29,26 0,01 0,13 0,00 21,91 24,10 9,28 0,92 0,96
Rango 14,50 13,07 12,10 12,07 315,39 268,21 10,10 0,19 66,56 4,52 1,95 0,29 196,98 194,04 11,39 0,32 0,28
Varianza 17,87 15,18 12,78 11,77 8840,40 6979,46 5,87 0,00 391,73 1,14 0,37 0,01 3477,78 3469,74 9,70 0,01 0,00
Error típico 0,61 0,56 0,52 0,50 13,57 12,06 0,35 0,01 2,86 0,15 0,09 0,01 8,51 8,50 0,45 0,01 0,01
Asimetría 0,25 0,26 0,12 0,17 0,51 0,49 0,65 -0,27 0,00 1,07 0,64 1,41 0,63 0,58 0,78 0,21 0,27
Curtosis -1,24 -1,28 -1,23 -1,29 -1,00 -1,11 -0,04 -0,71 -1,40 1,05 -0,92 1,33 -0,78 -0,91 -0,60 -0,54 0,01
Tamaño muestra 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36 36
Media 11,99 11,59 11,25 10,66 148,66 137,09 4,55 0,29 60,89 1,03 0,76 0,07 90,84 92,58 13,24 1,06 1,08
Máximo 19,50 19,35 17,20 16,47 327,60 318,83 11,60 0,38 100,94 4,12 1,79 0,30 203,31 208,46 21,11 1,24 1,25
Mínimo 5,10 4,54 5,30 4,44 28,56 20,16 0,60 0,22 24,55 0,13 0,09 0,00 15,88 14,99 3,85 0,90 0,97
Rango 14,40 14,81 11,90 12,04 299,04 298,67 11,00 0,16 76,38 3,99 1,70 0,29 187,43 193,47 17,25 0,35 0,28
Varianza 17,53 16,80 12,19 12,20 7842,30 6991,41 6,46 0,00 430,92 0,69 0,25 0,00 2966,08 3065,20 12,08 0,01 0,01
Error típico 0,70 0,68 0,58 0,58 14,76 13,94 0,42 0,01 3,46 0,14 0,08 0,01 9,08 9,23 0,58 0,02 0,01
Asimetría 0,07 0,07 -0,14 -0,15 0,37 0,39 0,48 -0,04 -0,01 1,60 0,41 1,51 0,37 0,38 0,58 0,23 0,50
Curtosis -1,21 -1,04 -1,09 -1,12 -1,00 -0,88 0,06 -0,74 -1,00 4,23 -1,11 3,39 -1,04 -0,99 1,66 -0,68 -0,48
Tamaño muestra 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132 132
Media 12,00 11,57 11,33 10,70 150,63 137,28 4,65 0,30 60,84 1,14 0,79 0,07 92,88 93,90 13,29 1,05 1,08
Máximo 20,50 19,35 18,20 17,76 352,60 318,83 11,60 0,57 100,94 4,53 2,07 0,30 218,89 218,14 21,11 1,27 1,25
Mínimo 3,60 3,83 3,90 3,48 14,04 13,33 0,50 0,18 14,59 0,00 0,06 0,00 9,86 9,59 3,85 0,85 0,94
Rango 16,90 15,53 14,30 14,28 338,56 305,50 11,10 0,38 86,34 4,53 2,01 0,30 209,03 208,55 17,25 0,42 0,31
Varianza 17,94 15,69 12,74 12,35 8132,68 6820,76 5,94 0,00 453,03 0,87 0,30 0,00 3165,04 3194,44 8,91 0,01 0,00
Error típico 0,37 0,34 0,31 0,31 7,85 7,19 0,21 0,00 1,85 0,08 0,05 0,01 4,90 4,92 0,26 0,01 0,01
Asimetría 0,03 0,05 -0,15 -0,11 0,33 0,35 0,36 0,92 -0,13 1,04 0,51 1,31 0,42 0,39 0,69 0,16 0,32
Curtosis -1,18 -1,09 -1,15 -1,18 -1,09 -1,05 -0,31 3,35 -1,11 1,13 -0,90 1,57 -0,91 -0,98 0,50 -0,44 -0,14
17
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 8,19 7,91 8,12 7,33 67,54 59,14 2,64 0,30 41,82 0,55 0,28 0,02 39,39 40,29 13,89 1,01 1,08
Máximo 11,10 10,09 10,20 9,06 106,56 89,35 5,30 0,45 59,68 1,87 0,49 0,05 58,58 60,42 22,52 1,19 1,23
Mínimo 5,70 5,56 5,80 5,28 33,63 29,90 0,90 0,18 25,49 0,00 0,04 0,00 18,01 19,47 10,51 0,88 0,99
Rango 5,40 4,53 4,40 3,78 72,93 59,45 4,40 0,27 34,19 1,87 0,45 0,04 40,57 40,95 12,02 0,31 0,24
Varianza 1,45 1,35 1,18 1,11 309,21 269,59 1,43 0,00 69,00 0,15 0,01 0,00 103,51 103,81 5,35 0,01 0,00
Error típico 0,19 0,18 0,17 0,17 2,78 2,60 0,19 0,01 1,31 0,06 0,02 0,00 1,61 1,61 0,37 0,01 0,01
Asimetría -0,09 -0,20 -0,31 -0,26 -0,07 -0,02 0,57 0,09 0,20 1,38 -0,20 1,06 -0,16 -0,19 1,44 0,40 0,45
Curtosis -0,20 -0,97 -0,51 -0,86 -0,66 -1,05 -0,37 -0,37 -0,43 2,52 0,00 0,31 -0,80 -0,80 3,64 -0,51 0,60
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 11,96 11,25 11,44 10,75 138,20 122,27 4,09 0,27 62,99 1,33 0,69 0,05 81,51 82,56 12,10 1,05 1,05
Máximo 14,60 13,94 14,30 13,93 208,78 188,38 8,40 0,42 87,11 4,12 1,10 0,10 121,77 124,10 17,25 1,22 1,21
Mínimo 9,00 8,75 8,40 7,78 75,60 68,11 1,90 0,19 44,72 0,20 0,32 0,01 44,50 45,10 9,68 0,92 0,95
Rango 5,60 5,19 5,90 6,14 133,18 120,27 6,50 0,23 42,39 3,92 0,78 0,09 77,27 79,00 7,58 0,30 0,25
Varianza 1,72 1,57 1,48 1,54 817,99 723,07 1,79 0,00 98,97 0,71 0,04 0,00 289,48 296,55 2,76 0,00 0,00
Error típico 0,20 0,19 0,18 0,19 4,31 4,05 0,20 0,01 1,50 0,13 0,03 0,00 2,56 2,60 0,25 0,01 0,01
Asimetría -0,08 0,18 0,05 0,23 0,25 0,42 1,27 0,88 0,56 1,54 0,45 0,58 0,29 0,29 0,84 0,50 0,52
Curtosis -0,60 -0,66 0,01 0,12 -0,25 -0,22 2,90 0,59 0,21 2,76 -0,72 -0,05 -0,46 -0,46 0,86 0,46 0,07
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 16,24 15,36 15,52 14,54 253,87 225,09 6,44 0,26 87,90 2,48 1,47 0,14 153,95 153,58 10,69 1,05 1,06
Máximo 21,50 20,56 18,40 16,85 395,60 342,77 10,20 0,39 106,41 7,08 2,44 0,31 247,77 241,37 14,58 1,18 1,23
Mínimo 14,00 13,16 13,10 12,13 184,71 165,31 2,60 0,17 73,73 0,48 0,82 0,06 115,38 117,26 9,05 0,95 0,95
Rango 7,50 7,40 5,30 4,72 210,89 177,47 7,60 0,22 32,69 6,61 1,62 0,25 132,39 124,11 5,53 0,23 0,28
Varianza 2,94 2,59 1,58 1,54 2201,57 1733,69 2,82 0,00 78,77 1,94 0,12 0,00 795,96 768,03 2,03 0,00 0,00
Error típico 0,27 0,25 0,20 0,20 7,42 6,58 0,27 0,01 1,40 0,22 0,05 0,01 4,46 4,38 0,23 0,01 0,01
Asimetría 1,18 1,28 0,30 -0,01 1,01 0,85 0,41 0,45 0,29 1,44 0,43 1,14 1,14 1,07 1,59 0,54 0,93
Curtosis 1,51 1,94 -0,46 -0,69 1,06 0,66 0,07 0,30 -0,77 2,38 0,86 1,33 1,96 1,49 1,87 0,13 1,26
18
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,25 11,63 11,78 11,01 156,03 138,73 4,62 0,27 64,97 1,23 0,82 0,07 92,73 93,22 12,47 1,04 1,06
Máximo 20,60 19,18 17,50 16,61 360,50 310,32 9,80 0,42 102,00 4,06 2,15 0,27 209,02 216,33 22,52 1,22 1,21
Mínimo 6,20 5,98 6,20 5,77 38,44 34,50 1,10 0,19 33,72 0,18 0,04 0,01 22,73 22,65 9,21 0,90 0,95
Rango 14,40 13,21 11,30 10,84 322,06 275,82 8,70 0,23 68,28 3,87 2,11 0,26 186,29 193,68 13,31 0,32 0,25
Varianza 13,82 11,53 10,96 10,63 7753,63 6134,89 4,69 0,00 446,85 0,77 0,33 0,00 2798,29 2752,92 5,98 0,00 0,00
Error típico 0,54 0,49 0,48 0,47 12,71 11,31 0,31 0,01 3,05 0,13 0,08 0,01 7,64 7,57 0,35 0,01 0,01
Asimetría 0,36 0,32 0,26 0,22 0,64 0,62 0,43 0,64 0,20 1,20 0,71 1,22 0,59 0,62 1,70 0,48 0,61
Curtosis -0,87 -0,79 -1,23 -1,22 -0,82 -0,80 -0,48 0,17 -1,32 1,87 -0,76 0,57 -0,99 -0,87 5,01 0,33 0,50
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 11,88 11,21 11,48 10,62 145,32 127,26 4,16 0,28 62,84 1,58 0,77 0,06 87,03 87,60 11,90 1,03 1,06
Máximo 16,90 15,91 16,00 15,26 265,60 229,98 10,00 0,45 98,68 7,08 1,74 0,21 168,66 168,88 16,88 1,16 1,16
Mínimo 6,00 6,11 6,40 5,35 38,40 32,65 0,90 0,18 25,49 0,00 0,15 0,01 22,85 23,04 9,05 0,88 0,98
Rango 10,90 9,80 9,60 9,91 227,20 197,33 9,10 0,27 73,19 7,08 1,59 0,21 145,81 145,84 7,83 0,28 0,17
Varianza 10,15 8,91 8,61 8,26 4855,03 3986,53 3,80 0,00 388,54 2,05 0,19 0,00 1858,59 1840,86 3,40 0,00 0,00
Error típico 0,46 0,43 0,42 0,41 10,06 9,11 0,28 0,01 2,85 0,21 0,06 0,01 6,22 6,19 0,27 0,01 0,01
Asimetría -0,24 -0,06 -0,14 -0,11 0,08 0,19 0,72 0,60 -0,02 1,77 0,43 1,11 0,23 0,20 0,63 -0,23 0,18
Curtosis -1,17 -1,28 -1,32 -1,23 -1,31 -1,29 0,81 -0,02 -1,11 3,83 -0,93 1,42 -1,19 -1,21 -0,33 0,04 -1,05
Tamaño muestra 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28
Media 12,33 11,78 11,89 11,06 159,74 142,20 4,35 0,28 65,21 1,58 0,87 0,07 96,13 96,72 12,35 1,04 1,07
Máximo 21,50 20,56 18,40 16,85 395,60 342,77 10,20 0,39 106,41 5,88 2,44 0,31 247,77 241,37 17,27 1,19 1,23
Mínimo 5,70 5,56 5,80 5,28 33,63 29,90 1,10 0,17 27,63 0,12 0,14 0,00 18,01 19,47 9,56 0,89 0,95
Rango 15,80 15,00 12,60 11,57 361,97 312,88 9,10 0,22 78,78 5,76 2,31 0,31 229,76 221,89 7,72 0,29 0,28
Varianza 15,29 13,65 12,90 11,77 9062,49 7054,74 4,97 0,00 487,58 1,89 0,41 0,00 3557,00 3399,65 6,01 0,01 0,00
Error típico 0,74 0,70 0,68 0,65 17,99 15,87 0,42 0,01 4,17 0,26 0,12 0,01 11,27 11,02 0,46 0,01 0,01
Asimetría 0,43 0,45 0,22 0,07 0,81 0,71 0,82 0,21 0,19 1,52 0,78 1,83 0,84 0,78 0,69 0,15 0,68
Curtosis -0,41 -0,29 -0,86 -1,05 -0,09 -0,27 0,40 -0,44 -0,62 2,43 -0,30 3,99 0,10 -0,12 -0,66 -0,44 0,85
Tamaño muestra 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124
Media 12,12 11,50 11,69 10,87 152,72 135,07 4,38 0,28 64,20 1,45 0,81 0,07 91,29 91,84 12,22 1,03 1,06
Máximo 21,50 20,56 18,40 16,85 395,60 342,77 10,20 0,45 106,41 7,08 2,44 0,31 247,77 241,37 22,52 1,22 1,23
Mínimo 5,70 5,56 5,80 5,28 33,63 29,90 0,90 0,17 25,49 0,00 0,04 0,00 18,01 19,47 9,05 0,88 0,95
Rango 15,80 15,00 12,60 11,57 361,97 312,88 9,30 0,27 80,93 7,08 2,40 0,31 229,76 221,89 13,48 0,34 0,28
Varianza 12,55 10,87 10,34 9,84 6844,14 5456,75 4,37 0,00 427,43 1,52 0,29 0,00 2573,52 2514,79 4,97 0,00 0,00
Error típico 0,32 0,30 0,29 0,28 7,43 6,63 0,19 0,01 1,86 0,11 0,05 0,01 4,56 4,50 0,20 0,01 0,01
Asimetría 0,24 0,28 0,15 0,11 0,61 0,59 0,62 0,55 0,13 1,79 0,74 1,50 0,64 0,61 1,24 0,16 0,54
Curtosis -0,71 -0,66 -1,05 -1,10 -0,44 -0,52 0,03 -0,04 -1,04 4,18 -0,36 2,32 -0,41 -0,47 2,75 -0,03 0,33
19
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 8,03 7,83 7,95 7,31 65,62 58,56 2,30 0,28 42,92 0,40 0,31 0,02 41,84 40,64 13,81 1,02 1,08
Máximo 10,70 9,82 10,30 9,69 107,00 91,74 4,80 0,48 61,21 1,55 0,57 0,04 66,56 64,33 20,22 1,32 1,20
Mínimo 4,60 4,82 4,60 4,39 21,16 21,15 0,50 0,18 24,64 0,00 0,09 0,00 15,46 15,41 10,43 0,91 0,97
Rango 6,10 5,00 5,70 5,30 85,84 70,59 4,30 0,30 36,57 1,55 0,48 0,04 51,10 48,92 9,79 0,41 0,23
Varianza 1,67 1,45 2,20 1,55 446,54 315,75 1,24 0,00 80,18 0,19 0,01 0,00 154,14 148,55 4,89 0,01 0,00
Error típico 0,19 0,17 0,21 0,18 3,05 2,56 0,16 0,01 1,29 0,06 0,02 0,00 1,79 1,76 0,32 0,01 0,01
Asimetría -0,37 -0,52 -0,49 -0,40 -0,07 -0,14 0,66 1,18 0,10 1,15 0,08 0,60 -0,23 -0,19 0,70 1,65 0,09
Curtosis -0,02 -0,34 -0,61 -0,48 -0,69 -0,73 -0,42 2,84 -0,53 0,71 -0,08 -0,72 -0,52 -0,54 0,07 3,04 -0,48
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,60 12,07 12,15 11,43 155,40 140,10 4,29 0,24 71,51 1,46 0,81 0,05 96,91 95,36 12,09 1,04 1,06
Máximo 16,50 15,45 15,60 14,69 247,50 222,16 7,20 0,34 98,09 4,74 1,38 0,12 148,83 147,38 16,13 1,27 1,23
Mínimo 10,00 9,16 8,30 7,99 83,00 74,63 1,50 0,14 46,61 0,14 0,35 0,01 53,51 51,81 9,59 0,90 0,98
Rango 6,50 6,29 7,30 6,70 164,50 147,53 5,70 0,19 51,49 4,60 1,02 0,11 95,32 95,57 6,54 0,36 0,26
Varianza 2,63 2,30 2,66 2,33 1571,56 1291,42 1,50 0,00 121,08 0,98 0,05 0,00 546,25 522,63 1,70 0,01 0,00
Error típico 0,23 0,22 0,24 0,22 5,72 5,19 0,18 0,01 1,59 0,14 0,03 0,00 3,37 3,30 0,19 0,01 0,01
Asimetría 0,34 0,39 -0,11 0,08 0,47 0,56 0,20 0,23 0,06 1,10 0,27 0,71 0,48 0,43 0,90 0,73 1,10
Curtosis -0,58 -0,28 0,32 0,10 -0,16 0,03 -0,08 0,98 0,18 1,48 0,04 0,23 -0,34 -0,29 1,76 0,80 2,42
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 17,21 16,53 16,46 15,71 286,51 262,68 6,99 0,23 99,59 2,91 1,73 0,16 177,36 173,73 10,52 1,04 1,05
Máximo 22,60 21,47 20,10 18,87 429,40 379,94 12,20 0,35 131,09 7,02 3,08 0,49 268,60 262,49 13,77 1,20 1,22
Mínimo 12,70 11,86 12,60 11,71 161,29 138,96 3,50 0,18 67,40 0,67 0,90 0,01 101,50 100,59 5,50 0,90 0,95
Rango 9,90 9,61 7,50 7,16 268,11 240,98 8,70 0,17 63,69 6,34 2,18 0,48 167,10 161,90 8,27 0,30 0,26
Varianza 4,78 4,37 3,03 2,64 4053,51 3277,11 2,94 0,00 193,56 1,66 0,25 0,01 1468,07 1409,75 1,81 0,00 0,00
Error típico 0,32 0,30 0,25 0,23 9,19 8,26 0,25 0,01 2,01 0,19 0,07 0,01 5,53 5,42 0,19 0,01 0,01
Asimetría 0,18 0,13 -0,33 -0,51 0,21 0,01 0,51 1,37 0,07 0,81 0,58 1,51 0,30 0,29 -0,52 0,04 0,83
Curtosis -0,20 -0,04 -0,10 0,12 -0,21 -0,30 1,03 3,23 -0,11 1,09 -0,06 3,68 -0,16 -0,17 3,47 0,32 1,26
20
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,71 12,11 12,16 11,47 168,59 151,88 4,43 0,25 70,61 1,42 0,99 0,07 103,98 102,20 11,64 1,04 1,05
Máximo 22,60 21,47 19,00 17,66 429,40 379,18 12,20 0,40 117,68 5,39 3,08 0,49 268,60 262,49 18,02 1,19 1,22
Mínimo 4,60 4,82 4,60 4,39 21,16 21,15 0,70 0,19 25,03 0,00 0,09 0,00 15,46 15,41 5,50 0,90 0,96
Rango 18,00 16,65 14,40 13,27 408,24 358,03 11,50 0,21 92,65 5,39 2,99 0,49 253,14 247,08 12,52 0,29 0,25
Varianza 16,87 14,88 12,57 12,04 9408,51 7817,42 5,14 0,00 526,53 1,38 0,48 0,01 3421,19 3335,71 4,27 0,00 0,00
Error típico 0,59 0,56 0,51 0,50 14,00 12,76 0,33 0,01 3,31 0,17 0,10 0,01 8,44 8,34 0,30 0,01 0,01
Asimetría 0,22 0,31 -0,04 -0,04 0,68 0,67 0,81 1,57 0,00 1,01 1,16 3,12 0,73 0,72 0,30 -0,23 0,40
Curtosis -0,44 -0,35 -0,69 -0,96 -0,02 -0,13 1,64 3,92 -0,77 1,32 1,03 12,37 0,19 0,14 2,27 -0,16 0,12
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,84 12,43 12,58 11,75 179,66 162,41 4,81 0,24 73,85 1,78 1,02 0,09 111,76 109,23 12,00 1,02 1,07
Máximo 21,20 20,15 20,10 18,87 410,04 358,45 9,40 0,34 131,09 7,02 2,70 0,34 251,35 248,75 20,22 1,23 1,19
Mínimo 5,70 5,65 4,70 4,90 27,26 27,66 0,50 0,17 24,64 0,00 0,11 0,00 16,72 16,67 8,88 0,91 0,95
Rango 15,50 14,50 15,40 13,97 382,78 330,79 8,90 0,17 106,45 7,02 2,59 0,34 234,63 232,09 11,34 0,32 0,24
Varianza 19,70 17,29 17,85 16,64 12219,43 9999,03 6,44 0,00 816,86 2,45 0,52 0,01 4641,88 4463,50 4,94 0,01 0,00
Error típico 0,64 0,60 0,61 0,59 15,96 14,43 0,37 0,01 4,13 0,23 0,10 0,01 9,83 9,64 0,32 0,01 0,01
Asimetría 0,06 0,03 -0,06 -0,04 0,37 0,32 -0,04 0,61 0,07 1,17 0,64 1,11 0,37 0,38 1,52 0,81 0,47
Curtosis -1,27 -1,28 -1,23 -1,33 -1,13 -1,26 -1,19 -0,50 -1,14 1,44 -0,75 0,74 -1,15 -1,12 3,26 0,30 0,16
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,29 11,88 11,81 11,23 159,29 147,05 4,35 0,25 69,56 1,58 0,85 0,07 100,37 98,30 12,77 1,05 1,06
Máximo 21,10 20,20 19,80 18,81 417,78 379,94 10,70 0,48 127,32 5,53 2,53 0,33 254,29 246,72 17,05 1,32 1,23
Mínimo 6,30 5,81 5,50 5,12 36,54 29,73 0,90 0,14 29,56 0,00 0,18 0,00 22,46 21,52 10,05 0,90 0,97
Rango 14,80 14,39 14,30 13,69 381,24 350,22 9,80 0,34 97,75 5,53 2,35 0,33 231,83 225,20 7,00 0,41 0,27
Varianza 15,40 14,47 14,14 13,75 9438,63 8504,57 5,30 0,00 681,50 2,17 0,34 0,00 3525,04 3358,99 4,05 0,01 0,00
Error típico 0,57 0,55 0,54 0,54 14,02 13,31 0,33 0,01 3,77 0,21 0,08 0,01 8,57 8,37 0,29 0,01 0,01
Asimetría 0,39 0,43 0,21 0,32 0,74 0,79 0,92 1,30 0,38 0,80 0,86 1,83 0,69 0,66 0,76 1,34 0,91
Curtosis -0,77 -0,75 -1,01 -1,01 -0,36 -0,41 0,34 3,51 -0,80 -0,41 0,00 3,69 -0,47 -0,54 -0,58 1,76 1,09
Tamaño muestra 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144
Media 12,61 12,14 12,19 11,48 169,18 153,78 4,53 0,25 71,34 1,59 0,95 0,08 105,37 103,25 12,14 1,03 1,06
Máximo 22,60 21,47 20,10 18,87 429,40 379,94 12,20 0,48 131,09 7,02 3,08 0,49 268,60 262,49 20,22 1,32 1,23
Mínimo 4,60 4,82 4,60 4,39 21,16 21,15 0,50 0,14 24,64 0,00 0,09 0,00 15,46 15,41 5,50 0,90 0,95
Rango 18,00 16,65 15,50 14,48 408,24 358,80 11,70 0,34 106,45 7,02 2,99 0,49 253,14 247,08 14,72 0,42 0,28
Varianza 17,13 15,38 14,75 13,99 10280,51 8692,34 5,59 0,00 668,87 1,99 0,45 0,01 3831,43 3687,97 4,58 0,01 0,00
Error típico 0,34 0,33 0,32 0,31 8,45 7,77 0,20 0,00 2,16 0,12 0,06 0,01 5,16 5,06 0,18 0,01 0,00
Asimetría 0,22 0,24 0,05 0,09 0,58 0,57 0,51 1,23 0,18 1,05 0,91 2,06 0,58 0,57 0,81 0,93 0,59
Curtosis -0,90 -0,88 -1,02 -1,14 -0,63 -0,74 -0,15 3,14 -0,92 0,94 0,13 5,72 -0,62 -0,63 1,55 1,48 0,51
21
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 8,63 8,42 8,57 7,88 74,27 66,99 3,03 0,29 45,46 0,49 0,37 0,02 44,21 46,18 12,46 1,01 1,07
Máximo 10,70 10,74 11,10 10,10 114,33 108,51 4,90 0,45 68,85 1,62 0,57 0,05 72,33 75,24 25,18 1,17 1,22
Mínimo 6,30 5,17 5,90 4,81 38,35 24,88 0,90 0,18 27,19 0,00 0,19 0,00 14,99 17,06 4,33 0,88 0,99
Rango 4,40 5,57 5,20 5,29 75,98 83,63 4,00 0,27 41,66 1,62 0,38 0,05 57,34 58,19 20,85 0,29 0,23
Varianza 1,37 1,38 1,37 1,27 340,88 316,31 1,27 0,00 83,00 0,16 0,01 0,00 143,91 144,43 13,59 0,01 0,00
Error típico 0,17 0,17 0,17 0,16 2,66 2,57 0,16 0,01 1,32 0,06 0,01 0,00 1,73 1,73 0,53 0,01 0,01
Asimetría -0,42 -0,48 -0,43 -0,57 -0,26 -0,10 -0,09 0,29 0,19 0,96 0,04 0,48 -0,15 -0,12 1,48 0,37 0,84
Curtosis -0,65 0,16 -0,19 0,04 -0,58 -0,18 -1,04 -0,15 0,17 0,51 -0,84 -0,26 -0,03 0,12 4,01 -0,69 0,99
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,75 12,08 12,23 11,63 157,58 142,16 4,16 0,27 68,22 1,53 0,85 0,05 94,27 95,62 11,46 1,04 1,04
Máximo 16,80 15,82 14,70 14,26 236,67 207,71 7,50 0,42 96,51 3,79 1,49 0,10 146,44 147,42 21,37 1,21 1,21
Mínimo 9,20 9,08 9,70 7,83 90,21 71,13 2,70 0,17 43,17 0,32 0,41 0,02 51,75 54,93 7,47 0,91 0,95
Rango 7,60 6,74 5,00 6,43 146,46 136,58 4,80 0,25 53,34 3,47 1,08 0,07 94,69 92,49 13,90 0,30 0,26
Varianza 2,37 2,03 1,62 1,77 1149,21 976,33 0,96 0,00 140,40 0,71 0,06 0,00 434,77 427,56 5,13 0,00 0,00
Error típico 0,22 0,21 0,18 0,19 4,89 4,51 0,14 0,01 1,71 0,12 0,04 0,00 3,01 2,98 0,33 0,01 0,01
Asimetría -0,02 -0,03 -0,16 -0,55 0,15 -0,05 1,52 0,49 0,19 0,69 0,14 0,70 0,09 0,09 1,99 0,28 0,64
Curtosis 0,74 0,49 -0,85 0,39 -0,07 0,03 3,15 0,25 -0,25 -0,18 0,07 -0,09 -0,18 -0,19 6,93 0,96 1,39
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 17,06 16,15 15,83 15,07 271,58 244,73 6,88 0,25 93,51 2,36 1,61 0,14 166,02 165,37 10,63 1,08 1,07
Máximo 23,00 21,39 20,00 18,32 409,40 356,59 10,70 0,36 117,81 5,28 2,79 0,35 267,35 261,00 24,24 1,33 1,35
Mínimo 14,30 13,56 12,90 12,26 184,47 171,48 4,40 0,17 68,43 0,52 0,77 0,07 119,09 117,84 7,29 0,95 0,91
Rango 8,70 7,83 7,10 6,06 224,93 185,12 6,30 0,19 49,37 4,76 2,02 0,27 148,26 143,16 16,95 0,38 0,44
Varianza 2,82 2,70 2,02 1,91 2324,09 1912,51 1,94 0,00 170,77 1,29 0,15 0,00 907,03 854,36 5,55 0,01 0,01
Error típico 0,24 0,24 0,20 0,20 6,96 6,31 0,20 0,01 1,89 0,16 0,06 0,01 4,35 4,22 0,34 0,01 0,01
Asimetría 1,17 1,00 0,38 0,24 1,04 0,77 0,78 0,30 0,07 0,56 0,97 1,85 1,34 1,23 4,27 1,26 1,01
Curtosis 2,61 1,18 0,66 -0,25 1,33 0,27 0,73 -1,13 -0,76 -0,29 1,97 4,16 2,43 2,09 23,99 1,79 1,60
22
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,85 12,24 12,42 11,58 172,40 152,80 4,40 0,27 69,78 1,63 1,00 0,07 103,23 104,09 10,90 1,03 1,06
Máximo 19,80 18,71 20,00 18,32 396,00 342,73 10,00 0,45 117,12 5,28 2,79 0,29 239,85 237,89 13,96 1,21 1,22
Mínimo 6,30 6,48 6,30 6,25 39,69 40,52 1,10 0,17 27,65 0,02 0,21 0,01 25,72 27,25 8,60 0,89 0,95
Rango 13,50 12,23 13,70 12,07 356,31 302,21 8,90 0,28 89,48 5,26 2,58 0,28 214,13 210,64 5,36 0,32 0,27
Varianza 14,19 11,68 12,47 11,18 8221,52 6285,63 3,81 0,00 579,12 1,65 0,36 0,00 2976,45 2856,48 2,11 0,00 0,00
Error típico 0,54 0,49 0,51 0,48 13,09 11,44 0,28 0,01 3,47 0,19 0,09 0,01 7,87 7,71 0,21 0,01 0,01
Asimetría -0,21 -0,13 -0,06 -0,13 0,25 0,23 0,65 0,51 0,12 0,77 0,62 1,46 0,23 0,22 0,74 0,17 0,82
Curtosis -1,22 -1,21 -1,00 -1,16 -0,81 -0,92 0,29 -0,24 -1,04 -0,04 0,01 2,87 -0,83 -0,83 -0,39 0,30 1,77
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,65 11,95 11,97 11,45 161,48 146,43 4,80 0,27 68,31 1,35 0,90 0,07 98,40 99,39 11,72 1,05 1,05
Máximo 19,90 19,25 17,40 17,18 346,26 307,77 8,20 0,39 117,81 4,22 2,19 0,18 208,63 207,43 25,18 1,27 1,20
Mínimo 6,40 6,17 6,30 5,53 42,24 34,08 0,90 0,17 29,96 0,04 0,19 0,00 22,97 24,97 6,08 0,88 0,91
Rango 13,50 13,09 11,10 11,65 304,02 273,69 7,30 0,22 87,85 4,18 2,00 0,17 185,66 182,46 19,10 0,39 0,29
Varianza 13,53 11,12 9,59 10,27 7126,16 6048,77 3,16 0,00 518,28 1,29 0,28 0,00 2784,01 2715,52 13,79 0,00 0,00
Error típico 0,53 0,48 0,45 0,46 12,18 11,23 0,26 0,01 3,29 0,16 0,08 0,01 7,62 7,52 0,54 0,01 0,01
Asimetría 0,09 0,17 0,01 0,03 0,38 0,42 -0,07 0,19 0,38 1,04 0,55 0,72 0,40 0,40 2,28 0,45 0,38
Curtosis -1,08 -0,92 -1,12 -1,09 -1,02 -0,94 -0,63 -0,29 -0,60 0,32 -0,69 -0,59 -1,13 -1,12 5,95 1,30 0,44
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,93 12,46 12,23 11,54 169,55 154,66 4,88 0,27 69,10 1,39 0,93 0,08 102,88 103,68 11,93 1,05 1,08
Máximo 23,00 21,39 18,30 17,90 409,40 356,59 10,70 0,42 113,04 4,71 2,63 0,35 267,35 261,00 23,02 1,33 1,35
Mínimo 6,50 5,17 5,90 4,81 38,35 24,88 1,20 0,17 27,19 0,00 0,21 0,01 14,99 17,06 4,33 0,91 0,95
Rango 16,50 16,23 12,40 13,08 371,05 331,72 9,50 0,25 85,85 4,71 2,42 0,34 252,36 243,94 18,70 0,42 0,40
Varianza 15,10 13,68 9,76 9,84 8440,48 7091,62 5,06 0,00 475,31 0,96 0,37 0,01 3366,23 3165,19 9,47 0,01 0,01
Error típico 0,56 0,53 0,45 0,45 13,26 12,15 0,32 0,01 3,15 0,14 0,09 0,01 8,37 8,12 0,44 0,01 0,01
Asimetría 0,56 0,45 0,23 0,17 0,80 0,70 0,85 0,38 0,24 1,02 0,93 1,87 0,88 0,84 1,42 0,97 1,20
Curtosis -0,45 -0,54 -0,85 -0,76 -0,13 -0,37 0,11 -0,16 -0,90 1,39 0,18 3,61 0,28 0,18 4,48 1,44 2,13
Tamaño muestra 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144 144
Media 12,81 12,22 12,21 11,53 167,81 151,30 4,69 0,27 69,06 1,46 0,94 0,07 101,50 102,39 11,51 1,04 1,06
Máximo 23,00 21,39 20,00 18,32 409,40 356,59 10,70 0,45 117,81 5,28 2,79 0,35 267,35 261,00 25,18 1,33 1,35
Mínimo 6,30 5,17 5,90 4,81 38,35 24,88 0,90 0,17 27,19 0,00 0,19 0,00 14,99 17,06 4,33 0,88 0,91
Rango 16,70 16,23 14,10 13,50 371,05 331,72 9,80 0,28 90,61 5,28 2,60 0,34 252,36 243,94 20,85 0,45 0,44
Varianza 14,09 12,03 10,49 10,29 7840,02 6397,29 4,00 0,00 517,27 1,30 0,33 0,00 3004,55 2876,20 8,54 0,01 0,00
Error típico 0,31 0,29 0,27 0,27 7,38 6,67 0,17 0,00 1,90 0,09 0,05 0,01 4,57 4,47 0,24 0,01 0,01
Asimetría 0,17 0,20 0,06 0,02 0,49 0,46 0,58 0,41 0,24 0,95 0,72 1,69 0,52 0,50 2,27 0,73 1,14
Curtosis -0,89 -0,81 -0,97 -1,03 -0,63 -0,71 0,08 -0,17 -0,88 0,42 -0,08 3,76 -0,48 -0,54 7,83 1,53 2,93
23
Tamaño muestra 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Media 7,57 7,32 7,73 6,93 60,40 52,65 2,48 0,32 37,67 0,44 0,31 0,02 34,98 35,68 11,64 0,98 1,06
Máximo 9,00 8,95 9,10 8,85 81,90 79,20 4,40 0,44 48,72 1,00 0,47 0,04 49,74 50,51 16,04 1,19 1,20
Mínimo 5,40 5,11 5,60 4,66 33,06 25,14 1,00 0,21 26,30 0,09 0,11 0,00 16,38 16,60 8,96 0,82 0,99
Rango 3,60 3,84 3,50 4,19 48,84 54,05 3,40 0,22 22,42 0,91 0,36 0,03 33,36 33,91 7,08 0,37 0,21
Varianza 0,98 0,97 0,95 1,11 169,76 166,68 0,70 0,00 34,70 0,07 0,01 0,00 75,10 77,03 2,99 0,00 0,00
Error típico 0,18 0,17 0,17 0,19 2,30 2,28 0,15 0,01 1,04 0,05 0,02 0,00 1,53 1,55 0,31 0,01 0,01
Asimetría -0,77 -0,64 -0,69 -0,47 -0,49 -0,15 0,33 0,44 -0,29 0,60 -0,54 0,31 -0,64 -0,66 0,59 0,93 1,01
Curtosis -0,18 -0,02 -0,27 -0,10 -0,33 0,00 -0,51 0,35 -0,83 -0,95 -0,20 -0,08 -0,32 -0,30 -0,08 4,04 0,70
Tamaño muestra 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Media 12,23 11,61 11,87 11,14 146,33 130,52 4,70 0,28 64,17 1,46 0,85 0,06 88,05 88,29 10,64 1,03 1,04
Máximo 16,00 15,59 14,50 14,52 228,80 226,48 9,20 0,36 81,81 3,36 1,41 0,18 135,94 135,00 16,22 1,15 1,15
Mínimo 9,70 9,51 9,70 9,48 97,97 90,85 2,40 0,20 48,61 0,40 0,47 0,03 59,16 59,86 8,88 0,93 0,97
Rango 6,30 6,08 4,80 5,05 130,83 135,63 6,80 0,16 33,21 2,95 0,94 0,16 76,78 75,14 7,34 0,22 0,19
Varianza 1,77 1,43 1,30 1,21 881,35 728,51 2,15 0,00 60,17 0,40 0,05 0,00 295,13 278,30 3,33 0,00 0,00
Error típico 0,24 0,21 0,20 0,19 5,25 4,77 0,26 0,01 1,37 0,11 0,04 0,01 3,04 2,95 0,32 0,01 0,01
Asimetría 0,83 1,23 0,29 0,89 0,99 1,58 0,99 0,24 0,47 1,23 0,37 2,16 1,08 1,00 1,68 0,21 0,57
Curtosis 1,49 3,06 0,12 1,57 1,66 4,17 1,47 0,04 0,10 1,87 0,02 6,11 2,06 1,81 2,49 -0,55 0,29
Tamaño muestra 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Media 16,52 15,58 15,45 14,53 256,17 227,38 6,74 0,28 84,37 2,16 1,64 0,15 156,12 154,42 9,60 1,07 1,08
Máximo 19,40 18,85 17,70 16,92 320,37 304,85 10,00 0,44 101,89 5,47 2,23 0,26 199,89 194,00 12,74 1,25 1,28
Mínimo 14,30 13,11 12,80 11,96 192,00 169,99 4,30 0,19 66,08 0,36 1,11 0,08 118,98 118,08 8,60 0,97 0,92
Rango 5,10 5,75 4,90 4,95 128,37 134,87 5,70 0,26 35,82 5,11 1,12 0,18 80,91 75,92 4,14 0,27 0,36
Varianza 1,65 2,05 1,41 1,65 1330,80 1371,83 1,72 0,00 79,35 1,31 0,08 0,00 548,18 516,24 0,93 0,00 0,01
Error típico 0,23 0,25 0,21 0,23 6,45 6,55 0,23 0,01 1,57 0,20 0,05 0,01 4,14 4,02 0,17 0,01 0,02
Asimetría 0,03 0,39 -0,18 0,11 0,06 0,50 0,17 1,16 -0,12 0,86 0,21 0,73 0,22 0,23 1,61 0,92 0,27
Curtosis -0,61 -0,51 -0,56 -0,86 -0,97 -0,50 -0,17 2,13 -0,41 1,09 -0,43 0,10 -0,92 -0,91 3,26 0,76 -0,26
24
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,13 11,55 11,79 10,94 156,46 138,88 4,56 0,29 62,73 1,32 0,97 0,08 94,42 93,88 10,50 1,02 1,05
Máximo 19,40 18,85 17,70 16,92 320,37 304,85 10,00 0,44 101,89 5,47 2,23 0,26 199,89 191,94 16,04 1,21 1,28
Mínimo 5,70 5,23 5,80 4,81 33,06 25,14 1,10 0,21 27,67 0,09 0,13 0,00 18,25 18,86 8,60 0,92 0,92
Rango 13,70 13,62 11,90 12,11 287,31 279,71 8,90 0,24 74,22 5,39 2,10 0,26 181,64 173,08 7,43 0,29 0,36
Varianza 16,04 14,33 12,19 11,94 8158,64 6752,71 4,99 0,00 466,95 1,28 0,41 0,01 3095,79 2936,29 3,21 0,00 0,00
Error típico 0,58 0,55 0,50 0,50 13,04 11,86 0,32 0,01 3,12 0,16 0,09 0,01 8,03 7,82 0,26 0,01 0,01
Asimetría 0,09 0,16 0,00 0,01 0,36 0,45 0,53 1,00 0,04 1,53 0,50 1,10 0,41 0,39 1,43 0,79 1,12
Curtosis -1,28 -1,08 -1,25 -1,14 -1,21 -0,98 -0,67 1,11 -1,16 2,96 -1,05 0,25 -1,11 -1,13 1,52 0,66 2,48
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,08 11,46 11,57 10,79 152,14 134,82 4,73 0,30 61,42 1,38 0,90 0,07 91,68 91,71 10,76 1,04 1,06
Máximo 18,20 17,52 17,20 16,54 313,04 289,79 9,20 0,42 94,94 4,03 1,91 0,20 192,95 194,00 16,22 1,25 1,23
Mínimo 5,40 5,11 5,60 4,66 38,08 34,54 1,00 0,19 26,30 0,13 0,11 0,00 16,38 16,60 8,64 0,82 0,94
Rango 12,80 12,40 11,60 11,88 274,96 255,24 8,20 0,23 68,64 3,90 1,80 0,20 176,57 177,39 7,58 0,42 0,29
Varianza 14,11 11,87 10,49 10,36 6514,22 5168,92 4,20 0,00 394,07 0,91 0,30 0,00 2526,87 2456,50 2,94 0,01 0,00
Error típico 0,54 0,50 0,47 0,46 11,65 10,38 0,30 0,01 2,87 0,14 0,08 0,01 7,26 7,15 0,25 0,01 0,01
Asimetría -0,08 -0,05 -0,09 -0,13 0,25 0,27 0,09 0,46 -0,10 0,98 0,25 0,58 0,24 0,24 1,12 0,19 0,47
Curtosis -1,26 -1,20 -1,21 -1,11 -1,23 -1,11 -0,87 0,73 -1,22 0,79 -1,29 -0,92 -1,19 -1,15 1,15 1,02 -0,09
Tamaño muestra
Media
Máximo
Mínimo
Rango
Varianza
Desviación típica
Error típico
Coeficiente variación (%)
Asimetría
Curtosis
Intervalo de confianza (95%)
Tamaño muestra 96 96 96 96 96 96 96 96 96 96 96 96 96 96 96 96 96
Media 12,10 11,50 11,68 10,87 154,30 136,85 4,64 0,29 62,07 1,35 0,94 0,08 93,05 92,79 10,63 1,03 1,06
Máximo 19,40 18,85 17,70 16,92 320,37 304,85 10,00 0,44 101,89 5,47 2,23 0,26 199,89 194,00 16,22 1,25 1,28
Mínimo 5,40 5,11 5,60 4,66 33,06 25,14 1,00 0,19 26,30 0,09 0,11 0,00 16,38 16,60 8,60 0,82 0,92
Rango 14,00 13,74 12,10 12,25 287,31 279,71 9,00 0,26 75,60 5,39 2,12 0,26 183,51 177,39 7,61 0,42 0,36
Varianza 14,92 12,96 11,23 11,04 7263,94 5902,22 4,55 0,00 426,42 1,08 0,35 0,00 2783,64 2669,20 3,06 0,01 0,00
Error típico 0,39 0,37 0,34 0,34 8,70 7,84 0,22 0,01 2,11 0,11 0,06 0,01 5,38 5,27 0,18 0,01 0,01
Asimetría 0,02 0,07 -0,03 -0,05 0,32 0,38 0,32 0,74 -0,01 1,29 0,43 0,95 0,34 0,32 1,25 0,46 0,77
Curtosis -1,26 -1,11 -1,21 -1,11 -1,18 -0,99 -0,80 0,79 -1,16 2,10 -1,04 0,08 -1,11 -1,11 1,14 0,76 0,91
25
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 8,62 8,47 8,78 8,04 77,12 69,60 3,02 0,28 46,34 0,59 0,41 0,03 46,60 47,37 11,66 0,98 1,05
Máximo 10,90 11,23 11,70 10,39 127,53 115,27 7,20 0,44 68,66 1,97 0,72 0,09 81,68 80,60 18,99 1,17 1,18
Mínimo 5,10 5,10 5,50 4,93 28,05 25,14 1,40 0,16 28,30 0,06 0,09 0,01 16,46 16,95 8,70 0,88 0,97
Rango 5,80 6,13 6,20 5,45 99,48 90,13 5,80 0,28 40,37 1,91 0,63 0,08 65,22 63,65 10,29 0,30 0,21
Varianza 2,20 2,33 2,41 2,00 680,17 586,50 1,73 0,00 90,75 0,18 0,03 0,00 265,29 268,17 3,12 0,00 0,00
Error típico 0,23 0,24 0,25 0,22 4,12 3,83 0,21 0,01 1,51 0,07 0,03 0,00 2,58 2,59 0,28 0,01 0,01
Asimetría -0,15 0,05 0,08 -0,09 0,41 0,40 1,35 0,36 0,20 1,19 0,15 1,63 0,38 0,34 1,96 1,01 0,67
Curtosis -0,52 -0,63 -0,19 -0,39 -0,53 -0,66 1,76 0,04 -0,30 1,60 -0,97 2,56 -0,55 -0,63 6,67 1,22 0,35
Tamaño muestra 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44 44
Media 12,23 11,77 11,91 11,29 147,43 134,87 4,52 0,25 68,33 1,44 0,83 0,07 89,29 89,86 11,15 1,03 1,04
Máximo 14,70 14,69 14,40 13,64 196,98 200,29 8,40 0,43 88,56 3,33 1,32 0,31 126,50 127,89 27,34 1,19 1,20
Mínimo 7,70 7,23 7,70 7,13 59,29 51,55 1,30 0,16 38,15 0,32 0,23 0,01 35,31 35,19 8,76 0,91 0,96
Rango 7,00 7,46 6,70 6,51 137,69 148,74 7,10 0,26 50,40 3,02 1,08 0,30 91,19 92,70 18,58 0,29 0,24
Varianza 2,37 2,39 1,94 2,12 1052,41 1049,85 2,25 0,00 140,80 0,76 0,05 0,00 408,47 388,73 7,57 0,00 0,00
Error típico 0,23 0,23 0,21 0,22 4,89 4,88 0,23 0,01 1,79 0,13 0,03 0,01 3,05 2,97 0,41 0,01 0,01
Asimetría -0,92 -0,68 -0,80 -0,89 -0,62 -0,44 0,39 0,73 -0,50 0,85 -0,52 3,78 -0,49 -0,51 4,95 0,26 0,77
Curtosis 0,83 0,72 0,89 0,55 0,12 0,10 0,07 -0,13 -0,17 -0,30 0,27 19,73 -0,06 0,24 28,90 -0,36 0,59
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 16,91 16,18 15,92 15,33 272,09 250,43 6,89 0,25 94,53 2,52 1,70 0,16 163,07 163,54 9,69 1,06 1,06
Máximo 21,30 20,57 21,10 19,66 449,43 404,37 10,10 0,50 125,59 6,35 2,81 0,38 269,32 263,97 11,61 1,21 1,23
Mínimo 13,50 13,35 13,10 12,37 176,85 166,06 4,00 0,14 60,75 0,00 1,18 0,07 110,38 109,95 7,94 0,95 0,97
Rango 7,80 7,22 8,00 7,29 272,58 238,31 6,10 0,36 64,84 6,35 1,63 0,31 158,94 154,02 3,66 0,25 0,26
Varianza 3,96 3,24 2,94 2,68 3740,43 2880,58 2,10 0,01 287,37 2,38 0,19 0,00 1197,70 1136,78 0,64 0,00 0,00
Error típico 0,31 0,28 0,27 0,26 9,67 8,49 0,23 0,01 2,68 0,24 0,07 0,01 5,47 5,33 0,13 0,01 0,01
Asimetría 0,49 0,63 0,73 0,63 0,91 0,93 0,25 1,13 -0,11 0,54 1,06 1,07 1,01 0,93 0,08 0,15 0,50
Curtosis -0,38 -0,04 0,73 0,46 0,59 0,77 -0,40 1,22 -0,69 -0,11 0,22 1,10 0,86 0,62 -0,10 -0,22 -0,39
26
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,92 12,45 12,53 11,85 172,36 157,45 4,93 0,26 71,43 1,48 0,99 0,08 103,40 103,83 10,85 1,02 1,05
Máximo 20,50 18,25 18,40 18,28 377,20 328,70 9,90 0,50 125,59 3,97 2,11 0,26 213,41 211,63 18,99 1,21 1,23
Mínimo 5,10 5,10 5,50 4,93 28,05 25,14 1,40 0,14 30,88 0,00 0,09 0,01 16,46 16,95 8,56 0,90 0,96
Rango 15,40 13,16 12,90 13,35 349,15 303,56 8,50 0,36 94,71 3,97 2,02 0,25 196,95 194,68 10,43 0,31 0,27
Varianza 13,29 11,13 9,12 9,57 6993,62 5852,66 4,35 0,01 452,94 1,21 0,27 0,00 2442,30 2411,58 2,77 0,01 0,00
Error típico 0,53 0,48 0,44 0,45 12,07 11,04 0,30 0,01 3,07 0,16 0,07 0,01 7,13 7,09 0,24 0,01 0,01
Asimetría -0,07 -0,16 -0,15 -0,12 0,37 0,27 0,40 1,01 0,35 0,90 0,41 0,93 0,28 0,27 2,86 0,47 0,99
Curtosis -0,79 -0,84 -0,50 -0,64 -0,60 -0,90 -0,65 1,60 -0,26 -0,12 -0,48 0,25 -0,66 -0,68 11,94 -0,71 1,60
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,22 11,77 11,85 11,22 155,69 142,38 4,64 0,25 69,04 1,48 0,93 0,08 93,95 94,47 10,88 1,03 1,05
Máximo 20,20 19,46 18,80 17,50 379,76 340,63 8,30 0,44 116,18 6,35 2,70 0,31 214,57 213,77 14,47 1,17 1,18
Mínimo 5,70 6,06 5,50 5,32 35,20 32,55 1,40 0,14 28,30 0,06 0,16 0,01 20,01 20,11 7,94 0,88 0,96
Rango 14,50 13,40 13,30 12,19 344,56 308,07 6,90 0,29 87,88 6,29 2,54 0,31 194,56 193,66 6,52 0,30 0,22
Varianza 12,93 11,49 11,02 10,89 7216,95 6100,69 3,76 0,00 608,89 1,87 0,35 0,00 2546,68 2540,86 2,16 0,00 0,00
Error típico 0,52 0,49 0,48 0,48 12,26 11,27 0,28 0,01 3,56 0,20 0,09 0,01 7,28 7,28 0,21 0,01 0,01
Asimetría 0,10 0,11 0,05 -0,01 0,52 0,46 0,06 0,49 0,26 1,50 0,79 1,47 0,40 0,40 0,47 -0,21 0,29
Curtosis -0,86 -0,83 -1,01 -1,10 -0,46 -0,62 -1,04 -0,29 -0,91 2,40 0,15 2,19 -0,80 -0,82 -0,16 0,06 -0,56
Tamaño muestra 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28
Media 12,60 12,20 12,20 11,55 168,18 155,14 4,86 0,28 67,80 1,63 1,04 0,10 101,51 102,57 10,77 1,03 1,05
Máximo 21,30 20,57 21,10 19,66 449,43 404,37 10,10 0,44 123,49 5,75 2,81 0,38 269,32 263,97 27,34 1,19 1,20
Mínimo 7,30 7,20 7,10 7,01 51,83 50,46 1,30 0,16 37,84 0,22 0,23 0,01 34,11 35,19 8,33 0,90 0,97
Rango 14,00 13,37 14,00 12,65 397,60 353,90 8,80 0,28 85,64 5,54 2,58 0,37 235,21 228,78 19,00 0,29 0,22
Varianza 17,84 16,39 13,28 13,68 12000,18 10536,79 6,21 0,01 637,14 2,31 0,60 0,01 4295,95 4191,97 12,01 0,01 0,00
Error típico 0,80 0,76 0,69 0,70 20,70 19,40 0,47 0,01 4,77 0,29 0,15 0,02 12,39 12,24 0,65 0,01 0,01
Asimetría 0,83 0,75 0,81 0,75 1,26 1,16 0,52 0,54 0,82 1,47 1,17 1,49 1,21 1,17 4,32 0,44 0,68
Curtosis -0,32 -0,45 0,04 -0,34 0,65 0,35 -0,83 -0,28 -0,07 1,67 0,21 1,24 0,51 0,34 20,90 -0,35 -0,52
Tamaño muestra 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124 124
Media 12,57 12,13 12,19 11,54 164,96 151,09 4,80 0,26 69,69 1,52 0,98 0,08 99,32 99,92 10,84 1,03 1,05
Máximo 21,30 20,57 21,10 19,66 449,43 404,37 10,10 0,50 125,59 6,35 2,81 0,38 269,32 263,97 27,34 1,21 1,23
Mínimo 5,10 5,10 5,50 4,93 28,05 25,14 1,30 0,14 28,30 0,00 0,09 0,01 16,46 16,95 7,94 0,88 0,96
Rango 16,20 15,47 15,60 14,72 421,38 379,22 8,80 0,36 97,29 6,35 2,72 0,37 252,86 247,02 19,39 0,33 0,27
Varianza 14,03 12,33 10,70 10,90 8121,49 6929,58 4,48 0,00 547,76 1,69 0,37 0,01 2868,20 2831,74 4,52 0,01 0,00
Error típico 0,34 0,32 0,29 0,30 8,09 7,48 0,19 0,01 2,10 0,12 0,05 0,01 4,81 4,78 0,19 0,01 0,01
Asimetría 0,26 0,22 0,19 0,17 0,75 0,69 0,35 0,71 0,40 1,37 0,90 1,53 0,68 0,66 4,39 0,22 0,64
Curtosis -0,68 -0,69 -0,57 -0,72 0,06 -0,11 -0,71 0,38 -0,57 1,77 0,38 2,30 -0,06 -0,15 30,15 -0,50 0,09
27
Tamaño muestra 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Media 8,36 8,24 8,39 7,76 70,43 64,39 2,47 0,25 47,43 0,59 0,37 0,02 43,16 43,73 11,68 1,00 1,06
Máximo 11,00 10,35 10,30 9,54 103,88 97,26 6,80 0,32 69,18 1,62 0,54 0,06 62,34 62,00 15,00 1,25 1,22
Mínimo 5,20 5,63 5,10 4,98 30,68 28,01 1,20 0,15 29,61 0,05 0,16 0,00 19,82 20,14 10,17 0,83 0,94
Rango 5,80 4,73 5,20 4,56 73,20 69,25 5,60 0,18 39,57 1,57 0,38 0,05 42,52 41,86 4,83 0,42 0,28
Varianza 1,87 1,65 1,79 1,55 414,63 358,04 1,36 0,00 98,70 0,17 0,01 0,00 142,97 141,85 1,30 0,01 0,00
Error típico 0,24 0,23 0,24 0,22 3,60 3,34 0,21 0,01 1,76 0,07 0,02 0,00 2,11 2,11 0,20 0,02 0,01
Asimetría -0,26 -0,44 -0,55 -0,47 -0,13 -0,14 2,01 -0,19 0,12 0,81 -0,28 1,92 -0,37 -0,42 0,99 0,83 0,50
Curtosis -0,22 -0,55 -0,30 -0,62 -0,73 -0,89 5,50 -0,16 -0,69 -0,08 -0,96 4,70 -0,77 -0,76 0,92 0,47 1,07
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 12,10 11,69 11,85 11,13 144,93 131,68 4,46 0,23 70,44 1,53 0,77 0,05 87,48 87,78 11,70 1,02 1,05
Máximo 15,30 14,78 15,40 13,90 231,00 205,33 7,90 0,34 97,75 4,20 1,35 0,11 138,50 138,22 19,81 1,16 1,16
Mínimo 9,10 8,70 8,90 8,27 82,77 72,71 2,50 0,15 46,67 0,00 0,30 0,02 46,46 47,23 8,04 0,91 0,96
Rango 6,20 6,07 6,50 5,62 148,23 132,62 5,40 0,20 51,09 4,20 1,06 0,10 92,04 90,99 11,77 0,25 0,20
Varianza 2,22 1,87 1,70 1,57 1039,73 846,98 1,76 0,00 112,48 0,81 0,04 0,00 405,25 399,20 5,14 0,00 0,00
Error típico 0,24 0,22 0,21 0,20 5,10 4,60 0,21 0,01 1,68 0,14 0,03 0,00 3,18 3,16 0,36 0,01 0,01
Asimetría 0,16 0,09 -0,01 -0,39 0,30 0,14 0,70 0,78 0,31 0,83 0,52 1,00 0,31 0,30 1,84 0,37 0,28
Curtosis -0,24 0,04 0,67 0,13 0,17 0,08 -0,13 0,54 0,81 0,89 1,04 0,34 0,45 0,41 4,14 -0,24 0,10
Tamaño muestra 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Media 16,99 16,36 16,13 15,39 275,71 253,86 6,65 0,21 100,72 3,50 1,71 0,14 164,71 163,03 9,77 1,06 1,07
Máximo 20,10 19,57 19,60 19,55 372,40 368,46 8,60 0,34 129,02 7,48 2,43 0,26 215,73 212,90 11,93 1,18 1,20
Mínimo 13,90 13,54 13,70 12,91 190,43 174,83 4,50 0,15 79,66 0,18 1,08 0,06 115,04 113,44 8,48 0,90 0,94
Rango 6,20 6,03 5,90 6,63 181,97 193,63 4,10 0,19 49,36 7,31 1,35 0,20 100,69 99,46 3,46 0,29 0,27
Varianza 2,27 2,61 2,30 2,62 2203,80 2479,91 1,09 0,00 207,34 2,69 0,12 0,00 655,17 648,83 0,54 0,00 0,00
Error típico 0,27 0,29 0,27 0,29 8,30 8,80 0,18 0,01 2,55 0,29 0,06 0,01 4,52 4,50 0,13 0,01 0,01
Asimetría -0,02 0,09 0,07 0,36 0,14 0,40 -0,14 1,11 0,11 0,25 0,14 0,34 -0,15 -0,16 0,51 0,01 0,45
Curtosis -0,34 -0,54 -0,71 -0,17 -0,73 -0,26 -0,67 0,99 -1,16 0,31 -0,64 0,13 -0,76 -0,80 1,21 0,13 0,67
28
Tamaño muestra 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
Media 12,34 12,00 12,07 11,32 162,77 149,63 4,59 0,22 73,12 1,89 0,97 0,08 96,94 96,93 10,82 1,01 1,06
Máximo 20,10 19,57 19,60 19,55 372,40 368,46 8,20 0,31 129,02 7,48 2,43 0,22 215,73 212,90 15,72 1,18 1,20
Mínimo 6,00 5,83 6,30 5,68 37,80 33,11 1,20 0,15 34,91 0,18 0,19 0,00 22,14 22,72 8,48 0,83 0,96
Rango 14,10 13,73 13,30 13,87 334,60 335,35 7,00 0,16 94,12 7,31 2,24 0,22 193,59 190,18 7,24 0,34 0,25
Varianza 16,65 15,52 12,79 13,24 9821,54 9098,90 4,52 0,00 693,92 3,06 0,46 0,00 3389,70 3268,94 2,32 0,01 0,00
Error típico 0,65 0,62 0,57 0,58 15,67 15,08 0,34 0,01 4,17 0,28 0,11 0,01 9,21 9,04 0,24 0,01 0,01
Asimetría 0,43 0,48 0,42 0,53 0,75 0,88 0,16 0,19 0,59 1,36 0,83 0,90 0,69 0,68 1,24 0,03 0,56
Curtosis -1,01 -0,90 -0,89 -0,68 -0,69 -0,34 -1,19 -0,18 -0,65 1,62 -0,65 -0,57 -0,91 -0,90 2,45 0,02 1,24
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 12,53 12,15 12,13 11,51 160,94 148,02 4,37 0,23 72,73 1,77 0,93 0,07 97,70 97,25 11,06 1,03 1,06
Máximo 18,20 17,89 17,60 16,47 311,22 290,02 8,60 0,34 117,86 4,62 2,25 0,26 192,12 187,54 19,81 1,25 1,22
Mínimo 6,20 5,79 5,10 5,43 31,62 31,42 1,20 0,15 30,86 0,00 0,17 0,00 19,82 20,14 8,04 0,90 0,98
Rango 12,00 12,11 12,50 11,04 279,60 258,61 7,40 0,20 87,00 4,62 2,08 0,25 172,30 167,40 11,77 0,35 0,24
Varianza 11,17 9,78 9,74 8,61 6522,84 5366,88 3,63 0,00 477,60 1,73 0,29 0,00 2301,68 2212,81 3,61 0,01 0,00
Error típico 0,48 0,45 0,45 0,42 11,66 10,57 0,27 0,01 3,15 0,19 0,08 0,01 6,92 6,79 0,27 0,01 0,01
Asimetría 0,11 0,13 0,01 0,03 0,42 0,44 0,26 0,54 0,17 0,75 0,73 1,24 0,43 0,42 2,28 0,69 1,26
Curtosis -1,04 -0,93 -0,70 -0,81 -0,99 -0,89 -0,97 -0,28 -0,64 -0,57 -0,54 1,50 -0,94 -0,95 8,63 0,22 2,55
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 12,51 11,96 12,11 11,30 164,88 147,54 4,81 0,24 71,40 1,98 0,87 0,07 98,99 98,90 11,92 1,03 1,07
Máximo 18,00 17,49 18,00 17,10 324,00 289,44 8,00 0,33 116,03 6,60 1,89 0,19 187,56 186,46 17,93 1,16 1,20
Mínimo 5,20 5,63 5,90 4,98 30,68 28,01 1,30 0,18 29,61 0,05 0,16 0,01 20,07 20,45 9,91 0,88 0,94
Rango 12,80 11,86 12,10 12,12 293,32 261,42 6,70 0,15 86,42 6,55 1,73 0,19 167,49 166,01 8,02 0,28 0,26
Varianza 15,89 13,62 13,28 13,49 8372,77 7113,98 4,95 0,00 672,42 4,07 0,31 0,00 2878,30 2814,78 4,32 0,01 0,01
Error típico 1,00 0,92 0,91 0,92 22,88 21,09 0,56 0,01 6,48 0,50 0,14 0,01 13,41 13,26 0,52 0,02 0,02
Asimetría -0,30 -0,18 -0,16 -0,09 0,27 0,36 -0,24 0,16 0,07 1,25 0,59 0,66 0,12 0,12 1,74 -0,41 -0,33
Curtosis -0,91 -0,91 -0,79 -0,85 -0,82 -0,80 -1,32 -1,40 -0,72 0,75 -0,83 -0,57 -1,11 -1,09 3,81 -0,20 -0,66
Tamaño muestra 104 104 104 104 104 104 104 104 104 104 104 104 104 104 104 104 104
Media 12,45 12,06 12,10 11,40 162,25 148,57 4,52 0,23 72,68 1,85 0,94 0,07 97,61 97,38 11,10 1,03 1,06
Máximo 20,10 19,57 19,60 19,55 372,40 368,46 8,60 0,34 129,02 7,48 2,43 0,26 215,73 212,90 19,81 1,25 1,22
Mínimo 5,20 5,63 5,10 4,98 30,68 28,01 1,20 0,15 29,61 0,00 0,16 0,00 19,82 20,14 8,04 0,83 0,94
Rango 14,90 13,94 14,50 14,57 341,72 340,45 7,40 0,20 99,41 7,48 2,27 0,25 195,91 192,76 11,77 0,42 0,28
Varianza 13,72 12,33 11,23 10,92 7916,59 6930,94 4,11 0,00 578,93 2,55 0,35 0,00 2753,40 2657,84 3,30 0,01 0,00
Error típico 0,36 0,34 0,33 0,32 8,72 8,16 0,20 0,00 2,36 0,16 0,06 0,01 5,15 5,06 0,18 0,01 0,01
Asimetría 0,18 0,25 0,16 0,24 0,56 0,68 0,15 0,44 0,35 1,22 0,79 1,01 0,50 0,50 1,90 0,31 0,53
Curtosis -0,99 -0,86 -0,82 -0,73 -0,76 -0,44 -1,14 -0,36 -0,62 1,18 -0,50 0,15 -0,92 -0,91 5,94 0,13 0,90
29
Tabla 15. Estadística descriptiva. 1ª campaña (1995), cv. Cencibel, Estudio global.
Hojas pequeñas La Am Aa Lm.Am La.Aa Lp IR P HA MSl MSp SFi SFa SEF Lm/Am La/Aa
Tamaño muestra 569 561 569 561 573 561 569 561 561 561 569 569 569 561 569 569 561
Media 7,20 6,98 7,20 6,52 55,55 49,71 2,39 0,29 37,50 0,43 0,24 0,01 32,63 33,54 14,46 1,00 1,08
Máximo 11,60 11,23 11,70 10,41 127,53 115,27 7,20 0,58 69,18 2,15 0,72 0,09 81,68 80,60 29,71 1,58 1,40
Mínimo 1,80 1,24 1,70 1,19 0,00 1,48 0,40 0,09 5,42 0,00 0,01 0,00 0,41 1,00 3,85 0,68 0,89
Rango 9,80 9,98 10,00 9,22 127,53 113,80 6,80 0,49 63,75 2,15 0,71 0,09 81,27 79,60 25,85 0,90 0,51
Varianza 4,43 4,51 4,26 4,08 774,97 652,27 1,54 0,00 173,98 0,17 0,02 0,00 296,62 299,81 15,29 0,01 0,00
Error típico 0,09 0,09 0,09 0,09 1,16 1,08 0,05 0,00 0,56 0,02 0,01 0,00 0,72 0,73 0,16 0,00 0,00
Asimetría -0,59 -0,64 -0,52 -0,62 -0,04 -0,04 0,76 0,58 -0,30 1,29 0,46 1,60 -0,07 -0,08 0,71 0,77 0,76
Curtosis -0,41 -0,37 -0,44 -0,38 -0,69 -0,69 0,20 0,92 -0,44 1,68 -0,30 4,49 -0,68 -0,68 0,70 2,41 1,75
Tamaño muestra 596 573 596 573 596 573 596 573 573 573 596 596 596 573 596 596 573
Media 11,79 11,27 11,41 10,70 137,92 123,96 4,33 0,26 65,01 1,37 0,64 0,05 81,94 83,01 13,93 1,04 1,06
Máximo 17,60 16,71 16,40 16,33 283,72 268,80 9,50 0,58 123,68 4,74 1,49 0,31 168,12 166,12 34,37 1,47 1,62
Mínimo 3,30 3,65 3,10 2,98 12,21 11,14 0,90 0,09 14,26 0,00 0,04 0,00 7,61 8,49 7,47 0,77 0,90
Rango 14,30 13,06 13,30 13,34 271,51 257,65 8,60 0,49 109,42 4,74 1,45 0,31 160,51 157,63 26,91 0,69 0,72
Varianza 3,95 3,60 3,52 3,56 1720,78 1496,02 1,99 0,00 193,41 0,73 0,07 0,00 672,71 657,15 13,14 0,01 0,00
Error típico 0,08 0,08 0,08 0,08 1,70 1,62 0,06 0,00 0,58 0,04 0,01 0,00 1,06 1,07 0,15 0,00 0,00
Asimetría -0,59 -0,67 -0,91 -0,84 -0,01 0,03 0,65 0,99 -0,19 0,77 0,23 2,47 -0,05 -0,11 1,21 0,97 2,06
Curtosis 1,49 1,84 2,27 2,08 0,59 0,77 0,49 2,69 1,49 0,81 -0,34 17,44 0,61 0,64 2,31 3,82 11,95
Tamaño muestra 571 568 571 568 572 568 571 568 568 568 571 571 571 568 571 571 568
Media 16,64 15,88 15,65 14,84 263,99 239,56 6,79 0,25 90,91 2,48 1,41 0,13 159,74 159,39 11,95 1,07 1,07
Máximo 23,00 22,08 21,80 20,33 460,00 439,63 12,20 0,51 140,62 10,87 3,08 0,49 270,83 270,34 24,24 1,41 1,41
Mínimo 5,10 4,42 4,10 3,96 0,00 17,50 1,00 0,13 20,83 0,00 0,08 0,01 11,34 12,61 5,50 0,90 0,91
Rango 17,90 17,66 17,70 16,37 460,00 422,13 11,20 0,39 119,79 10,87 3,00 0,48 259,49 257,73 18,74 0,51 0,49
Varianza 5,17 4,78 4,17 4,16 4313,36 3639,59 2,63 0,00 281,97 2,68 0,21 0,00 1542,64 1477,59 6,41 0,01 0,01
Error típico 0,10 0,09 0,09 0,09 2,75 2,53 0,07 0,00 0,70 0,07 0,02 0,00 1,64 1,61 0,11 0,00 0,00
Asimetría -0,49 -0,50 -0,76 -0,73 0,02 0,14 0,12 0,74 -0,07 1,05 0,19 1,06 0,00 -0,01 1,22 0,89 0,84
Curtosis 2,53 2,67 3,62 3,30 1,17 0,84 0,26 0,82 0,99 1,92 0,51 2,27 1,06 1,10 2,09 1,47 1,02
30
Tabla 15 (continuación). Estadística descriptiva. 1ª campaña (1995), cv. Cencibel, Estudio global.
Tamaño muestra 659 652 659 652 663 652 659 652 652 652 659 659 659 652 659 659 652
Media 12,03 11,51 11,63 10,86 156,56 141,57 4,49 0,27 65,58 1,46 0,80 0,07 93,85 94,51 13,16 1,03 1,06
Máximo 22,80 21,62 21,80 20,33 457,80 439,63 12,20 0,58 140,54 9,71 3,08 0,49 270,83 270,34 29,71 1,41 1,41
Mínimo 1,80 1,24 1,70 1,19 0,00 1,48 0,40 0,13 5,42 0,00 0,01 0,00 0,41 1,00 5,50 0,74 0,92
Rango 21,00 20,38 20,10 19,14 457,80 438,16 11,80 0,45 135,12 9,71 3,07 0,49 270,42 269,34 24,21 0,66 0,49
Varianza 19,87 17,85 16,28 15,97 10082,52 8381,11 5,21 0,00 706,20 1,79 0,36 0,00 3674,47 3610,91 11,18 0,01 0,00
Error típico 0,17 0,17 0,16 0,16 3,90 3,59 0,09 0,00 1,04 0,05 0,02 0,00 2,36 2,35 0,13 0,00 0,00
Asimetría -0,04 -0,06 -0,14 -0,12 0,54 0,58 0,36 1,06 0,03 1,56 0,77 1,59 0,54 0,52 1,20 0,48 1,03
Curtosis -0,72 -0,62 -0,64 -0,67 -0,50 -0,43 -0,48 1,92 -0,54 3,57 -0,15 3,30 -0,52 -0,53 2,00 1,41 2,61
Tamaño muestra 672 664 672 664 672 664 672 664 664 664 672 672 672 664 672 672 664
Media 11,84 11,32 11,36 10,64 150,86 135,71 4,50 0,27 64,34 1,46 0,75 0,06 90,24 90,47 13,46 1,04 1,07
Máximo 23,00 22,08 20,40 19,58 460,00 426,90 11,20 0,58 140,62 10,87 2,70 0,34 259,06 257,64 25,44 1,38 1,40
Mínimo 2,30 1,88 1,90 1,35 4,94 2,54 0,50 0,09 7,35 0,00 0,02 0,00 1,42 1,69 5,71 0,68 0,89
Rango 20,70 20,20 18,50 18,24 455,06 424,37 10,70 0,49 133,27 10,87 2,68 0,34 257,64 255,95 19,73 0,69 0,51
Varianza 18,45 16,52 15,00 14,66 8873,27 7420,31 5,05 0,00 676,87 2,03 0,31 0,00 3350,39 3272,66 12,37 0,01 0,00
Error típico 0,17 0,16 0,15 0,15 3,63 3,34 0,09 0,00 1,01 0,06 0,02 0,00 2,23 2,22 0,14 0,00 0,00
Asimetría -0,05 -0,06 -0,12 -0,12 0,51 0,52 0,31 0,59 0,16 1,78 0,77 1,33 0,50 0,48 0,93 0,24 0,69
Curtosis -0,77 -0,72 -0,75 -0,75 -0,58 -0,57 -0,65 0,93 -0,42 4,98 -0,13 1,64 -0,66 -0,69 0,57 1,41 1,12
Tamaño muestra 405 386 405 386 406 386 405 386 386 386 405 405 405 386 405 405 386
Media 11,69 11,33 11,19 10,55 147,42 136,20 4,53 0,27 63,32 1,35 0,72 0,06 89,21 91,25 13,92 1,04 1,08
Máximo 23,00 21,39 21,10 19,66 449,43 404,37 11,60 0,53 127,32 7,97 2,81 0,38 269,32 263,97 34,37 1,58 1,62
Mínimo 2,00 1,75 2,10 1,68 0,00 2,94 0,60 0,09 7,95 0,00 0,01 0,00 0,92 1,65 3,85 0,77 0,93
Rango 21,00 19,64 19,00 17,98 449,43 401,43 11,00 0,44 119,37 7,97 2,80 0,38 268,40 262,32 30,52 0,81 0,69
Varianza 19,24 18,37 15,85 15,88 9633,44 8415,50 5,64 0,00 684,22 1,83 0,34 0,00 3616,29 3632,33 15,71 0,01 0,01
Error típico 0,22 0,22 0,20 0,20 4,87 4,67 0,12 0,00 1,33 0,07 0,03 0,00 2,99 3,07 0,20 0,00 0,00
Asimetría 0,15 0,05 0,00 -0,03 0,74 0,70 0,47 0,52 0,14 1,69 1,13 1,90 0,70 0,62 1,21 0,98 1,69
Curtosis -0,62 -0,61 -0,63 -0,64 -0,13 -0,24 -0,46 0,68 -0,59 3,42 0,79 3,99 -0,21 -0,38 2,58 3,60 7,19
Tamaño muestra 1736 1702 1736 1702 1741 1702 1736 1702 1702 1702 1736 1736 1736 1702 1736 1736 1702
Media 11,95 11,46 11,49 10,77 153,11 138,88 4,53 0,27 64,97 1,44 0,76 0,07 91,90 92,74 13,53 1,04 1,08
Máximo 23,00 22,08 21,80 20,33 460,00 439,63 12,20 0,58 140,62 10,87 3,08 0,49 270,83 270,34 34,37 1,58 1,62
Mínimo 1,80 1,24 1,70 1,19 0,00 1,48 0,40 0,09 5,42 0,00 0,01 0,00 0,41 1,00 3,85 0,68 0,89
Rango 21,20 20,84 20,10 19,14 460,00 438,16 11,80 0,49 135,20 10,87 3,07 0,49 270,42 269,34 30,52 0,90 0,74
Varianza 19,17 17,44 15,70 15,43 9513,33 8012,20 5,24 0,00 689,73 1,89 0,33 0,00 3535,27 3483,08 12,77 0,01 0,00
Error típico 0,11 0,10 0,10 0,10 2,34 2,17 0,05 0,00 0,64 0,03 0,01 0,00 1,43 1,43 0,09 0,00 0,00
Asimetría 0,00 -0,03 -0,10 -0,10 0,58 0,59 0,37 0,76 0,10 1,68 0,86 1,60 0,56 0,53 1,13 0,56 1,20
Curtosis -0,72 -0,65 -0,69 -0,69 -0,44 -0,42 -0,53 1,26 -0,52 4,16 0,08 3,07 -0,50 -0,54 1,82 2,23 4,35
31
Tabla 16. Estadística descriptiva. 2ª campaña (1996), cv. Airén, Muestreo 1 (03-06-1996).
Hojas pequeñas SFa P La Aa Lm Am Lp MSl MSp La.Aa La/Aa Lm.Am Lm/Am R IR HA NH HR TA BA BR Ld Ad PPDA SEF
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 18,34 32,38 5,67 5,16 5,46 5,83 1,74 0,09 0,002 29,62 1,10 32,45 0,94 2,39 0,22 0,03 0,67 0,001 18,37 33,33 0,55 0,14 0,30 57,97 20,10
Máximo 26,91 43,66 6,96 6,51 7,30 7,20 2,20 0,14 0,003 45,34 1,25 52,56 1,06 2,93 0,29 0,17 3,00 0,007 26,91 49,91 0,63 0,38 0,73 72,15 24,47
Mínimo 10,87 24,20 4,69 4,21 4,40 4,70 1,40 0,07 0,001 19,76 0,97 20,68 0,79 1,88 0,17 0,00 0,00 0,000 10,87 21,24 0,47 0,01 0,03 43,25 15,86
Rango 16,05 19,46 2,27 2,30 2,90 2,50 0,80 0,07 0,00 25,58 0,28 31,88 0,27 1,05 0,12 0,17 3,00 0,01 16,05 28,68 0,16 0,37 0,70 28,90 8,60
Varianza 26,15 34,03 0,53 0,40 0,66 0,76 0,07 0,00 0,00 53,84 0,00 92,85 0,00 0,11 0,00 0,00 1,24 0,00 26,41 89,01 0,00 0,01 0,06 88,43 5,53
Desviación típica 5,11 5,83 0,73 0,63 0,81 0,87 0,26 0,02 0,00 7,34 0,06 9,64 0,06 0,33 0,04 0,05 1,11 0,00 5,14 9,43 0,05 0,09 0,25 9,40 2,35
Error típico 1,32 1,51 0,19 0,16 0,20 0,22 0,06 0,01 0,00 1,89 0,02 2,41 0,02 0,08 0,01 0,01 0,29 0,00 1,33 2,44 0,01 0,02 0,06 2,43 0,61
Coeficiente variación (%) 27,88 18,02 12,84 12,24 14,90 14,93 14,84 25,78 30,77 24,77 5,85 29,70 6,85 13,66 16,83 200,52 166,90 186,27 27,98 28,30 8,95 63,97 82,80 16,22 11,70
Asimetría 0,32 0,46 0,21 0,53 0,93 0,29 0,19 0,65 -0,57 0,67 0,56 0,86 -0,47 0,03 0,49 2,15 1,49 1,96 0,32 0,58 0,04 1,08 0,77 -0,03 0,15
Curtosis -0,92 -0,47 -0,91 0,01 0,36 -1,16 -1,03 -0,85 -1,93 -0,04 1,76 -0,15 1,13 -0,92 -0,75 3,56 0,85 3,01 -0,92 -0,75 -1,04 2,76 -0,75 -1,17 -0,42
Intervalo de confianza (95%) 2,59 2,95 0,37 0,32 0,40 0,43 0,13 0,01 0,00 3,71 0,03 4,72 0,03 0,17 0,02 0,03 0,56 0,00 2,60 4,77 0,03 0,05 0,13 4,76 1,19
Hojas medianas SFa P La Aa Lm Am Lp MSl MSp La.Aa La/Aa Lm.Am Lm/Am R IR HA NH HR TA BA BR Ld Ad PPDA SEF
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 91,23 69,17 12,02 11,22 12,01 12,51 4,31 0,48 0,03 136,51 1,07 152,13 0,96 5,32 0,24 0,46 2,13 0,005 91,69 153,16 0,60 0,21 0,57 52,57 18,97
Máximo 129,30 90,41 14,95 13,46 14,80 15,30 5,50 0,70 0,03 200,99 1,33 226,44 1,08 6,29 0,30 1,66 4,00 0,018 129,99 222,87 0,64 0,55 1,39 69,02 20,47
Mínimo 61,45 57,49 9,51 9,40 9,20 10,10 3,30 0,33 0,02 90,16 0,98 102,01 0,78 4,36 0,18 0,00 0,00 0,000 61,83 102,55 0,56 0,03 0,09 41,72 17,41
Rango 67,86 32,92 5,44 4,07 5,60 5,20 2,20 0,38 0,01 110,83 0,36 124,43 0,30 1,93 0,12 1,66 4,00 0,02 68,16 120,32 0,08 0,52 1,30 27,30 3,06
Varianza 425,86 106,25 2,79 1,84 2,88 2,45 0,42 0,01 0,00 1158,52 0,01 1519,71 0,01 0,33 0,00 0,23 1,18 0,00 432,29 1394,83 0,00 0,02 0,20 52,19 0,74
Error típico 5,16 2,58 0,42 0,34 0,42 0,39 0,16 0,03 0,00 8,51 0,02 9,75 0,02 0,14 0,01 0,12 0,27 0,00 5,20 9,34 0,01 0,04 0,11 1,81 0,21
Asimetría 0,40 0,77 0,20 0,45 0,29 0,20 0,30 0,51 0,02 0,53 1,54 0,61 -0,85 0,17 0,08 1,43 -0,28 1,57 0,40 0,47 -0,11 0,96 0,70 0,56 0,00
Curtosis -0,86 -0,57 -1,21 -1,03 -0,89 -0,92 -0,80 -0,56 -1,28 -0,90 2,74 -0,81 0,30 -0,91 -0,46 1,49 -0,67 2,62 -0,84 -0,90 -1,04 0,03 -0,80 0,36 -0,73
Hojas grandes SFa P La Aa Lm Am Lp MSl MSp La.Aa La/Aa Lm.Am Lm/Am R IR HA NH HR TA BA BR Ld Ad PPDA SEF
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 177,76 89,88 16,64 15,54 17,99 16,52 8,40 1,22 0,14 259,50 1,07 298,91 1,09 7,38 0,28 1,00 2,31 0,006 178,76 291,90 0,61 0,66 0,61 45,79 14,71
Máximo 235,96 101,38 18,88 17,57 20,40 19,60 9,50 1,68 0,20 327,80 1,20 390,04 1,19 8,60 0,40 3,47 5,00 0,024 236,89 379,10 0,67 2,13 1,29 62,23 16,12
Mínimo 141,56 74,00 13,83 13,74 15,50 14,30 6,90 0,88 0,07 204,44 0,93 221,65 1,01 6,54 0,20 0,03 1,00 0,000 141,80 233,36 0,57 0,01 0,05 31,05 12,44
Rango 94,40 27,39 5,05 3,83 4,90 5,30 2,60 0,80 0,12 123,36 0,27 168,39 0,18 2,06 0,20 3,43 4,00 0,02 95,09 145,74 0,10 2,12 1,25 31,18 3,68
Varianza 881,41 84,89 2,60 1,02 2,05 2,22 0,64 0,06 0,00 1478,57 0,01 2346,18 0,00 0,43 0,00 1,25 1,96 0,00 884,44 1893,72 0,00 0,45 0,15 74,54 1,06
Error típico 7,42 2,30 0,40 0,25 0,36 0,37 0,20 0,06 0,01 9,61 0,02 12,11 0,01 0,16 0,01 0,28 0,35 0,00 7,43 10,88 0,01 0,17 0,10 2,16 0,26
Asimetría 0,51 -0,39 -0,25 0,26 -0,08 0,32 -0,45 0,37 -0,42 0,12 -0,08 0,21 0,13 0,52 0,47 1,22 0,69 1,73 0,54 0,41 0,78 1,40 0,19 0,47 -0,44
Curtosis -0,72 -1,12 -0,81 -0,34 -0,90 -0,53 -0,06 -0,74 -0,15 -0,72 -0,59 -0,59 -0,12 -0,92 0,47 0,25 -0,44 2,38 -0,72 -0,68 -0,28 1,09 -0,93 -0,22 -0,12
Total hojas SFa P La Aa Lm Am Lp MSl MSp La.Aa La/Aa Lm.Am Lm/Am R IR HA NH HR TA BA BR Ld Ad PPDA SEF
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 97,42 64,48 11,56 10,75 11,82 11,62 4,81 0,60 0,06 144,27 1,08 161,16 1,00 5,09 0,25 0,51 1,72 0,004 97,93 162,15 0,59 0,34 0,50 51,98 17,88
Máximo 235,96 101,38 18,88 17,57 20,40 19,60 9,50 1,68 0,20 327,80 1,33 390,04 1,19 8,60 0,40 3,47 5,00 0,024 236,89 379,10 0,67 2,13 1,39 72,15 24,47
Mínimo 10,87 24,20 4,69 4,21 4,40 4,70 1,40 0,07 0,00 19,76 0,93 20,68 0,78 1,88 0,17 0,00 0,00 0,000 10,87 21,24 0,47 0,01 0,03 31,05 12,44
Rango 225,10 77,18 14,18 13,36 16,00 14,90 8,10 1,61 0,20 308,04 0,40 369,36 0,41 6,72 0,23 3,47 5,00 0,02 226,02 357,86 0,21 2,12 1,36 41,10 12,03
Varianza 4731,85 640,71 22,28 19,29 28,53 21,58 8,05 0,25 0,00 9802,27 0,01 13390,42 0,01 4,49 0,00 0,64 1,94 0,00 4787,50 12394,30 0,00 0,21 0,15 93,38 7,77
Error típico 10,03 3,69 0,69 0,64 0,77 0,67 0,41 0,07 0,01 14,44 0,01 16,70 0,01 0,31 0,01 0,12 0,20 0,00 10,09 16,24 0,01 0,07 0,06 1,41 0,41
Asimetría 0,28 -0,21 -0,10 -0,19 0,01 -0,18 0,34 0,63 0,91 0,22 0,71 0,31 -0,25 -0,15 0,75 2,29 0,42 2,07 0,28 0,22 -0,70 2,86 0,73 0,22 0,10
Curtosis -1,14 -1,34 -1,39 -1,45 -1,45 -1,38 -1,39 -0,86 -0,80 -1,30 1,12 -1,22 -0,15 -1,33 0,92 5,06 -0,61 4,46 -1,14 -1,26 0,60 8,60 -0,43 -0,48 -0,50
32
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 17,62 27,60 5,17 4,84 5,46 5,30 1,71 0,08 0,002 25,73 1,07 29,89 1,04 2,31 0,29 0,09 1,50 0,005 17,70 30,11 0,59 0,12 0,22 43,54 22,19
Máximo 27,63 39,11 6,52 6,17 7,00 7,00 2,30 0,13 0,004 40,23 1,22 47,60 1,12 2,86 0,41 0,43 4,00 0,020 27,63 46,77 0,63 0,57 0,56 57,49 26,62
Mínimo 10,50 18,76 3,93 3,80 4,30 3,90 1,20 0,05 0,002 15,39 0,96 16,77 0,94 1,80 0,22 0,00 0,00 0,000 10,50 18,39 0,53 0,00 0,05 30,15 18,81
Rango 17,13 20,35 2,59 2,37 2,70 3,10 1,10 0,09 0,00 24,84 0,26 30,83 0,17 1,06 0,19 0,43 4,00 0,02 17,13 28,38 0,10 0,57 0,51 27,34 7,81
Varianza 37,54 40,93 0,94 0,63 1,00 1,16 0,14 0,00 0,00 79,42 0,00 131,16 0,00 0,14 0,00 0,01 2,13 0,00 37,64 120,90 0,00 0,02 0,01 44,55 3,43
Error típico 1,53 1,60 0,24 0,20 0,25 0,27 0,09 0,01 0,00 2,23 0,02 2,86 0,01 0,09 0,01 0,03 0,37 0,00 1,53 2,75 0,01 0,03 0,03 1,67 0,46
Asimetría 0,48 0,52 0,31 0,45 0,49 0,34 0,03 0,53 4,00 0,50 0,57 0,49 -0,32 0,33 0,89 2,12 0,59 0,90 0,47 0,48 -0,48 2,46 1,58 0,16 0,57
Curtosis -1,54 -0,86 -1,57 -1,13 -1,57 -1,60 -1,39 -1,52 16,00 -1,36 0,23 -1,63 -1,40 -1,63 1,53 5,52 -1,10 0,03 -1,56 -1,58 0,83 7,22 4,08 0,62 1,25
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 124,72 76,14 13,46 12,97 14,35 13,99 7,17 0,75 0,09 177,73 1,04 204,02 1,03 6,20 0,28 0,23 1,25 0,001 124,95 204,28 0,62 0,24 0,66 46,60 16,98
Máximo 192,12 111,22 17,58 16,78 17,70 19,10 9,10 1,30 0,12 294,99 1,26 311,33 1,16 7,70 0,34 0,65 3,00 0,010 192,75 323,89 0,67 0,63 1,29 63,81 19,92
Mínimo 82,97 58,64 11,16 10,39 11,50 11,60 5,40 0,47 0,06 119,38 0,89 139,15 0,85 5,18 0,20 0,00 0,00 0,000 83,21 139,89 0,56 0,00 0,02 36,51 14,82
Rango 109,15 52,58 6,42 6,39 6,20 7,50 3,70 0,83 0,06 175,61 0,36 172,18 0,31 2,52 0,14 0,65 3,00 0,01 109,54 184,00 0,11 0,63 1,27 27,30 5,10
Varianza 1120,38 263,12 4,66 3,46 3,71 4,91 1,60 0,06 0,00 2845,51 0,01 3317,91 0,01 0,61 0,00 0,06 1,27 0,00 1122,70 3573,23 0,00 0,04 0,20 79,32 2,21
Error típico 8,37 4,06 0,54 0,46 0,48 0,55 0,32 0,06 0,01 13,34 0,02 14,40 0,02 0,20 0,01 0,06 0,28 0,00 8,38 14,94 0,01 0,05 0,11 2,23 0,37
Asimetría 0,63 1,07 0,72 0,61 0,26 1,03 0,24 0,91 -0,27 0,91 0,91 0,66 -0,72 0,45 -0,44 0,82 0,40 4,00 0,63 0,75 0,09 0,56 -0,04 0,86 0,12
Curtosis -0,69 0,22 -0,87 -0,44 -1,14 0,27 -1,26 -0,13 -1,70 0,01 1,53 -0,83 0,43 -1,07 -1,05 -0,65 -1,14 16,00 -0,68 -0,60 -0,69 -0,61 -1,71 -0,48 -0,48
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 207,83 105,00 17,98 16,81 19,01 18,02 10,19 1,46 0,21 303,45 1,07 344,29 1,06 8,03 0,24 1,14 1,81 0,005 208,97 339,95 0,62 0,32 0,62 52,98 14,34
Máximo 257,11 137,32 20,39 19,00 21,50 20,40 12,10 1,83 0,32 368,49 1,21 410,04 1,24 8,95 0,32 2,71 4,00 0,020 258,88 400,51 0,68 1,33 1,70 81,16 15,94
Mínimo 142,10 79,35 14,03 14,44 16,50 14,30 8,50 0,92 0,14 205,54 0,96 235,95 0,96 6,77 0,15 0,00 0,00 0,000 142,68 229,72 0,57 0,03 0,07 38,87 12,29
Rango 115,01 57,97 6,36 4,56 5,00 6,10 3,60 0,91 0,18 162,95 0,25 174,09 0,28 2,18 0,17 2,71 4,00 0,02 116,20 170,79 0,11 1,30 1,63 42,29 3,66
Varianza 887,77 203,20 2,47 1,56 1,94 3,42 1,08 0,06 0,00 1951,28 0,00 2999,28 0,01 0,31 0,00 0,75 0,96 0,00 898,73 2648,77 0,00 0,09 0,19 111,41 0,95
Error típico 7,45 3,56 0,39 0,31 0,35 0,46 0,26 0,06 0,01 11,04 0,02 13,69 0,02 0,14 0,01 0,22 0,25 0,00 7,49 12,87 0,01 0,07 0,11 2,64 0,24
Asimetría -0,45 0,28 -0,67 -0,39 0,16 -0,89 0,10 -0,35 0,73 -0,48 0,43 -0,47 0,67 -0,55 -0,24 0,43 0,42 0,90 -0,43 -0,63 0,47 2,80 1,00 1,36 -0,40
Curtosis 0,37 0,66 1,41 0,12 -0,64 0,23 -0,71 -0,28 0,21 0,22 -0,49 -0,60 -0,23 0,71 0,60 -0,80 0,58 0,03 0,34 -0,24 0,02 9,34 0,91 2,40 0,29
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 116,72 69,58 12,20 11,54 12,94 12,44 6,36 0,76 0,10 168,97 1,06 192,73 1,04 5,51 0,27 0,48 1,52 0,004 117,21 191,45 0,61 0,23 0,50 47,70 17,84
Máximo 257,11 137,32 20,39 19,00 21,50 20,40 12,10 1,83 0,32 368,49 1,26 410,04 1,24 8,95 0,41 2,71 4,00 0,020 258,88 400,51 0,68 1,33 1,70 81,16 26,62
Mínimo 10,50 18,76 3,93 3,80 4,30 3,90 1,20 0,05 0,00 15,39 0,89 16,77 0,85 1,80 0,15 0,00 0,00 0,000 10,50 18,39 0,53 0,00 0,02 30,15 12,29
Rango 246,61 118,56 16,46 15,20 17,20 16,50 10,90 1,79 0,32 353,10 0,36 393,27 0,39 7,15 0,26 2,71 4,00 0,02 248,38 382,12 0,15 1,33 1,68 51,01 14,34
Varianza 6844,05 1203,70 31,28 27,22 34,42 31,79 13,46 0,37 0,01 14723,70 0,01 18947,75 0,01 6,15 0,00 0,49 1,45 0,00 6915,02 18449,38 0,00 0,05 0,17 90,88 12,97
Error típico 11,94 5,01 0,81 0,75 0,85 0,81 0,53 0,09 0,01 17,51 0,01 19,87 0,01 0,36 0,01 0,10 0,17 0,00 12,00 19,61 0,00 0,03 0,06 1,38 0,52
Asimetría 0,02 -0,04 -0,23 -0,31 -0,29 -0,26 -0,21 0,24 0,50 0,07 0,50 0,07 0,02 -0,34 0,11 1,86 0,41 1,35 0,03 0,05 0,19 2,56 0,99 1,15 0,53
Curtosis -1,46 -1,32 -1,48 -1,50 -1,47 -1,44 -1,49 -1,36 -0,74 -1,47 0,21 -1,43 0,42 -1,49 0,40 2,85 -0,75 0,95 -1,46 -1,48 0,03 10,05 0,06 2,13 -0,78
33
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 25,92 29,46 5,98 5,64 6,11 6,18 1,73 0,13 0,006 35,62 1,06 40,17 0,99 2,77 0,36 0,09 1,00 0,002 26,01 41,13 0,63 0,16 0,24 35,32 20,70
Máximo 44,94 44,54 8,10 7,82 8,60 8,50 2,30 0,24 0,009 59,43 1,15 71,38 1,23 3,75 0,47 0,49 4,00 0,011 45,43 68,11 0,71 0,33 0,63 48,02 24,36
Mínimo 9,85 18,60 3,83 3,71 3,90 3,70 1,00 0,05 0,003 14,20 0,97 14,43 0,88 1,76 0,26 0,00 0,00 0,000 9,85 16,26 0,59 0,03 0,02 26,55 16,66
Rango 35,09 25,94 4,27 4,11 4,70 4,80 1,30 0,18 0,01 45,23 0,18 56,95 0,35 1,99 0,21 0,49 4,00 0,01 35,58 51,85 0,11 0,30 0,61 21,46 7,70
Varianza 161,99 66,32 2,21 1,98 2,78 2,67 0,24 0,00 0,00 289,94 0,00 425,30 0,01 0,48 0,00 0,02 2,13 0,00 164,45 397,70 0,00 0,01 0,04 31,22 4,24
Error típico 3,18 2,04 0,37 0,35 0,42 0,41 0,12 0,02 0,00 4,26 0,01 5,16 0,02 0,17 0,01 0,04 0,37 0,00 3,21 4,99 0,01 0,02 0,05 1,40 0,51
Asimetría 0,33 0,47 0,21 0,21 0,36 0,09 0,02 0,53 0,06 0,35 -0,06 0,40 0,84 0,16 -0,02 1,89 1,32 1,34 0,34 0,34 1,06 0,32 0,70 0,75 -0,02
Curtosis -1,69 -0,85 -1,48 -1,53 -1,59 -1,46 -1,73 -1,43 0,05 -1,66 -1,12 -1,65 1,09 -1,64 -0,12 3,17 0,41 0,57 -1,68 -1,74 1,43 -0,08 -1,03 0,35 -0,09
Tamaño muestra 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13
Media 92,79 56,84 11,48 11,15 12,17 11,21 6,22 0,62 0,07 128,50 1,03 136,87 1,09 5,41 0,36 0,11 0,23 0,001 92,91 144,77 0,64 0,21 0,55 34,91 14,95
Máximo 113,21 68,81 12,75 12,23 14,00 12,60 9,20 0,85 0,12 154,77 1,09 176,40 1,24 6,02 0,49 0,74 1,00 0,008 113,21 178,84 0,69 0,71 0,91 41,61 16,26
Mínimo 72,75 49,16 10,27 9,89 10,70 9,20 4,70 0,46 0,05 102,97 0,94 104,88 0,96 4,85 0,30 0,00 0,00 0,000 72,75 117,98 0,61 0,02 0,13 25,73 13,27
Rango 40,46 19,64 2,48 2,33 3,30 3,40 4,50 0,40 0,07 51,80 0,15 71,52 0,28 1,18 0,19 0,74 1,00 0,01 40,46 60,86 0,08 0,69 0,78 15,88 3,00
Varianza 175,54 31,48 0,76 0,54 0,77 0,83 1,49 0,01 0,00 303,59 0,00 368,12 0,01 0,15 0,00 0,06 0,19 0,00 177,63 407,83 0,00 0,04 0,05 20,63 0,93
Error típico 3,67 1,56 0,24 0,20 0,24 0,25 0,34 0,03 0,01 4,83 0,01 5,32 0,02 0,11 0,01 0,07 0,12 0,00 3,70 5,60 0,01 0,06 0,06 1,26 0,27
Asimetría -0,15 0,81 0,15 -0,38 0,48 -0,71 1,23 0,60 1,38 0,02 -0,57 0,30 0,15 0,03 1,05 2,14 1,45 2,22 -0,16 0,25 0,54 1,37 -0,19 -0,33 -0,12
Curtosis -1,10 0,23 -1,28 -0,56 0,59 0,67 1,91 2,40 1,83 -0,85 -0,01 0,22 0,43 -1,16 1,53 3,75 0,09 4,34 -1,13 -0,87 -0,75 1,46 0,12 0,04 -1,00
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 201,80 97,62 17,57 16,65 18,59 16,94 10,71 1,55 0,25 294,34 1,06 316,86 1,10 7,91 0,27 0,91 1,19 0,004 202,71 321,59 0,63 0,41 0,52 47,36 13,20
Máximo 268,82 111,70 19,88 20,10 21,50 19,80 12,60 2,34 0,35 399,50 1,17 425,70 1,22 9,21 0,31 2,41 2,00 0,009 271,23 409,47 0,70 1,28 1,87 60,22 14,40
Mínimo 141,66 87,94 14,96 13,62 14,50 14,30 8,50 1,02 0,12 203,79 0,92 207,35 0,99 6,42 0,21 0,00 0,00 0,000 141,66 226,26 0,58 0,02 0,01 40,48 11,32
Rango 127,16 23,75 4,91 6,48 7,00 5,50 4,10 1,32 0,22 195,71 0,25 218,35 0,22 2,79 0,10 2,41 2,00 0,01 129,57 183,21 0,12 1,27 1,87 19,73 3,07
Varianza 1056,62 77,56 2,07 2,82 3,00 2,02 1,14 0,12 0,00 2605,14 0,00 2896,96 0,00 0,47 0,00 0,55 0,43 0,00 1085,98 2327,41 0,00 0,15 0,29 41,72 0,78
Error típico 8,13 2,20 0,36 0,42 0,43 0,36 0,27 0,09 0,01 12,76 0,02 13,46 0,01 0,17 0,01 0,19 0,16 0,00 8,24 12,06 0,01 0,10 0,13 1,61 0,22
Asimetría 0,55 0,66 -0,23 0,34 -0,43 0,42 0,12 1,18 -0,24 0,43 -0,08 0,41 -0,02 0,09 -0,46 0,39 -0,20 0,19 0,56 0,21 0,20 1,18 1,47 0,72 -0,96
Curtosis 0,38 -1,15 -0,79 -0,06 1,01 0,55 0,22 1,36 -0,03 -0,19 -0,37 0,81 -0,23 0,76 -1,20 -0,86 -0,37 -1,44 0,42 0,36 -1,12 0,48 1,94 -0,82 0,46
Tamaño muestra 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45 45
Media 107,78 61,60 11,69 11,15 12,30 11,46 6,22 0,77 0,11 154,44 1,05 166,48 1,06 5,36 0,33 0,39 0,84 0,003 108,16 170,79 0,63 0,26 0,43 39,49 16,37
Máximo 268,82 111,70 19,88 20,10 21,50 19,80 12,60 2,34 0,35 399,50 1,17 425,70 1,24 9,21 0,49 2,41 4,00 0,011 271,23 409,47 0,71 1,28 1,87 60,22 24,36
Mínimo 9,85 18,60 3,83 3,71 3,90 3,70 1,00 0,05 0,00 14,20 0,92 14,43 0,88 1,76 0,21 0,00 0,00 0,000 9,85 16,26 0,58 0,02 0,01 25,73 11,32
Rango 258,98 93,10 16,05 16,39 17,60 16,10 11,60 2,29 0,34 385,30 0,25 411,27 0,36 7,45 0,28 2,41 4,00 0,01 261,38 393,21 0,13 1,27 1,87 34,49 13,04
Varianza 6181,19 911,93 26,11 23,84 30,54 22,89 15,56 0,42 0,01 13519,93 0,00 15516,40 0,01 5,18 0,00 0,37 1,09 0,00 6248,83 15622,12 0,00 0,08 0,14 65,54 13,03
Error típico 11,72 4,50 0,76 0,73 0,82 0,71 0,59 0,10 0,02 17,33 0,01 18,57 0,01 0,34 0,01 0,09 0,16 0,00 11,78 18,63 0,00 0,04 0,06 1,21 0,54
Asimetría 0,42 0,22 0,04 0,05 0,04 0,03 0,08 0,65 0,72 0,49 0,09 0,49 -0,22 -0,03 0,26 1,75 1,46 0,93 0,42 0,40 0,36 2,11 1,72 0,67 0,71
Curtosis -1,14 -1,34 -1,35 -1,24 -1,31 -1,25 -1,52 -0,62 -0,98 -1,09 -0,44 -1,09 -0,31 -1,29 -0,24 2,33 2,08 -0,55 -1,13 -1,23 -0,47 4,65 4,53 0,09 -0,75
34
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 16,32 24,11 4,81 4,67 5,01 4,82 1,17 0,08 0,003 22,97 1,03 24,68 1,04 2,24 0,35 0,04 1,06 0,002 16,36 25,96 0,63 0,13 0,25 36,37 20,01
Máximo 29,19 32,81 6,67 6,26 7,00 6,70 1,80 0,15 0,004 41,78 1,17 46,90 1,30 3,03 0,49 0,20 3,00 0,007 29,39 48,43 0,69 0,33 0,46 42,56 21,48
Mínimo 11,17 19,18 4,03 3,86 3,90 3,90 0,80 0,05 0,002 16,22 0,93 16,38 0,87 1,89 0,29 0,00 0,00 0,000 11,23 18,67 0,56 0,01 0,01 25,70 17,25
Rango 18,02 13,64 2,64 2,40 3,10 2,80 1,00 0,09 0,00 25,56 0,23 30,52 0,42 1,14 0,19 0,20 3,00 0,01 18,16 29,75 0,13 0,31 0,45 16,86 4,24
Varianza 31,55 16,77 0,60 0,54 0,75 0,69 0,06 0,00 0,00 57,54 0,00 76,03 0,01 0,12 0,00 0,00 1,00 0,00 31,89 77,91 0,00 0,01 0,02 16,19 1,07
Error típico 1,40 1,02 0,19 0,18 0,22 0,21 0,06 0,01 0,00 1,90 0,02 2,18 0,03 0,09 0,01 0,01 0,25 0,00 1,41 2,21 0,01 0,02 0,04 1,01 0,26
Asimetría 1,31 1,10 1,24 0,90 0,86 1,22 0,76 1,28 -0,28 1,37 0,33 1,51 0,78 1,21 1,97 1,85 0,32 0,87 1,33 1,52 0,17 0,63 -0,03 -0,87 -1,16
Curtosis 0,64 0,22 0,90 -0,18 0,29 0,54 1,04 0,41 -2,22 1,21 -0,40 1,77 0,12 0,52 6,02 4,04 -1,14 -0,66 0,69 1,60 0,72 -0,18 -1,19 2,50 2,39
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 95,26 62,36 11,95 11,39 12,37 12,08 6,89 0,74 0,09 137,14 1,05 150,45 1,03 5,48 0,31 0,34 1,25 0,004 95,60 150,86 0,63 0,16 0,43 40,82 13,33
Máximo 124,92 70,59 13,57 13,07 14,20 14,00 9,30 1,52 0,14 171,84 1,19 198,80 1,16 6,28 0,37 1,66 3,00 0,015 124,92 189,09 0,67 1,02 0,93 50,04 16,57
Mínimo 55,20 44,33 9,16 8,87 9,70 9,30 5,10 0,41 0,06 81,27 0,97 90,21 0,91 4,17 0,25 0,00 0,00 0,000 55,20 86,93 0,60 0,01 0,05 34,02 7,40
Rango 69,72 26,26 4,41 4,19 4,50 4,70 4,20 1,10 0,08 90,57 0,22 108,59 0,25 2,10 0,12 1,66 3,00 0,01 69,72 102,16 0,07 1,01 0,87 16,02 9,17
Varianza 317,01 56,77 1,46 1,38 1,62 1,54 1,51 0,06 0,00 634,67 0,00 767,55 0,01 0,29 0,00 0,26 1,13 0,00 317,67 811,01 0,00 0,06 0,10 18,90 3,41
Error típico 4,45 1,88 0,30 0,29 0,32 0,31 0,31 0,06 0,01 6,30 0,02 6,93 0,02 0,14 0,01 0,13 0,27 0,00 4,46 7,12 0,01 0,06 0,08 1,09 0,46
Asimetría -0,73 -1,21 -0,75 -0,85 -0,60 -0,50 0,69 2,20 1,01 -0,82 0,61 -0,55 0,14 -0,96 0,06 1,83 0,19 1,47 -0,75 -0,73 0,13 3,50 0,34 0,38 -2,04
Curtosis 0,58 0,70 0,35 0,41 0,10 0,24 -0,35 7,01 -0,05 0,27 -0,79 0,27 -0,63 0,89 -0,58 2,50 -1,18 0,80 0,62 0,08 -0,89 13,09 -1,50 -0,22 7,93
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 198,36 97,28 17,43 16,69 18,31 16,76 11,06 1,50 0,28 294,55 1,05 309,01 1,10 7,81 0,27 1,39 1,69 0,006 199,75 318,45 0,63 0,51 0,64 47,91 13,45
Máximo 286,25 116,10 21,45 21,69 22,50 19,90 14,40 2,30 0,39 465,22 1,26 429,75 1,30 9,49 0,34 5,03 3,00 0,019 290,18 445,52 0,67 1,40 2,19 63,97 19,26
Mínimo 132,33 74,36 14,04 13,01 14,90 13,40 9,30 1,08 0,22 182,68 0,95 209,04 0,87 6,48 0,20 0,00 0,00 0,000 132,42 207,72 0,56 0,08 0,09 37,05 10,80
Rango 153,92 41,74 7,42 8,67 7,60 6,50 5,10 1,23 0,18 282,54 0,31 220,71 0,43 3,01 0,14 5,03 3,00 0,02 157,75 237,80 0,10 1,33 2,10 26,92 8,46
Varianza 1811,30 133,61 4,11 5,27 4,36 3,13 1,61 0,13 0,01 5350,87 0,01 3803,72 0,01 0,64 0,00 1,86 0,90 0,00 1892,13 4382,47 0,00 0,14 0,27 46,37 4,13
Error típico 10,64 2,89 0,51 0,57 0,52 0,44 0,32 0,09 0,02 18,29 0,02 15,42 0,03 0,20 0,01 0,34 0,24 0,00 10,87 16,55 0,01 0,09 0,13 1,70 0,51
Asimetría 0,69 -0,10 0,48 0,39 0,08 -0,11 1,16 1,12 0,81 0,78 1,34 0,43 -0,45 0,61 -0,14 1,71 0,19 1,13 0,70 0,41 -0,57 0,93 1,89 0,89 1,57
Curtosis -0,29 -0,36 -0,19 0,11 -0,21 -0,50 1,87 0,46 -1,08 0,57 2,24 -0,57 0,75 -0,14 0,32 2,84 -1,03 1,49 -0,26 -0,46 -0,03 0,44 4,70 0,83 3,75
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 103,31 61,25 11,39 10,92 11,89 11,22 6,37 0,77 0,12 151,55 1,04 161,38 1,06 5,17 0,31 0,59 1,33 0,004 103,90 165,09 0,63 0,27 0,44 41,70 15,59
Máximo 286,25 116,10 21,45 21,69 22,50 19,90 14,40 2,30 0,39 465,22 1,26 429,75 1,30 9,49 0,49 5,03 3,00 0,019 290,18 445,52 0,69 1,40 2,19 63,97 21,48
Mínimo 11,17 19,18 4,03 3,86 3,90 3,90 0,80 0,05 0,00 16,22 0,93 16,38 0,87 1,89 0,20 0,00 0,00 0,000 11,23 18,67 0,56 0,01 0,01 25,70 7,40
Rango 275,07 96,93 17,42 17,82 18,60 16,00 13,60 2,25 0,39 449,00 0,33 413,37 0,43 7,60 0,29 5,03 3,00 0,02 278,95 426,85 0,13 1,40 2,18 38,27 14,09
Varianza 6363,01 978,09 29,21 26,99 32,37 26,37 17,81 0,40 0,02 14589,39 0,00 15304,85 0,01 5,67 0,00 1,02 1,04 0,00 6475,09 16347,72 0,00 0,10 0,15 49,08 12,69
Error típico 11,51 4,51 0,78 0,75 0,82 0,74 0,61 0,09 0,02 17,43 0,01 17,86 0,01 0,34 0,01 0,15 0,15 0,00 11,61 18,45 0,00 0,04 0,06 1,01 0,51
Asimetría 0,50 0,08 -0,01 0,08 0,01 -0,14 -0,06 0,53 0,81 0,63 0,84 0,42 0,33 -0,08 0,59 2,79 0,16 1,40 0,51 0,48 -0,18 1,99 2,23 0,85 0,24
Curtosis -0,75 -1,30 -1,25 -1,14 -1,28 -1,35 -1,40 -0,61 -0,49 -0,41 0,63 -0,93 -0,19 -1,31 2,28 9,05 -1,06 1,65 -0,72 -0,86 0,33 3,68 7,78 1,56 -1,03
35
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 38,02 35,12 7,27 7,20 7,94 7,43 2,22 0,25 0,004 53,06 1,01 59,78 1,07 3,43 0,39 0,07 0,69 0,002 38,09 58,85 0,65 0,15 0,45 32,60 15,17
Máximo 52,13 46,27 8,77 8,50 9,30 9,00 2,80 0,37 0,005 72,62 1,12 83,70 1,20 4,07 0,45 0,42 4,00 0,008 52,19 82,86 0,67 0,40 0,83 40,80 16,27
Mínimo 21,46 26,13 5,44 5,51 6,00 5,30 1,70 0,13 0,002 29,97 0,92 31,80 0,96 2,62 0,31 0,00 0,00 0,000 21,46 33,69 0,63 0,05 0,01 27,57 14,02
Rango 30,67 20,14 3,34 2,99 3,30 3,70 1,10 0,23 0,00 42,65 0,21 51,90 0,24 1,46 0,15 0,42 4,00 0,01 30,73 49,17 0,04 0,36 0,82 13,23 2,25
Varianza 72,41 24,19 0,74 0,80 0,83 1,03 0,14 0,00 0,00 148,67 0,00 199,67 0,00 0,16 0,00 0,02 1,43 0,00 73,25 180,09 0,00 0,01 0,05 11,11 0,57
Error típico 2,13 1,23 0,21 0,22 0,23 0,25 0,09 0,02 0,00 3,05 0,01 3,53 0,02 0,10 0,01 0,03 0,30 0,00 2,14 3,35 0,00 0,03 0,06 0,83 0,19
Asimetría -0,10 0,47 -0,22 -0,58 -0,93 -0,34 0,03 0,09 -0,28 -0,13 0,20 -0,20 0,32 -0,37 -0,14 1,77 1,77 1,37 -0,09 0,03 0,45 1,17 0,11 0,76 -0,05
Curtosis -0,24 0,84 0,16 -0,20 1,38 -0,12 -1,43 -0,57 -2,22 -0,32 -0,08 0,27 -0,31 0,05 0,21 2,04 2,72 0,26 -0,25 -0,12 -1,22 0,73 -0,49 1,19 -1,41
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 107,27 63,10 12,52 11,85 12,84 13,03 7,79 0,82 0,11 150,04 1,06 169,33 0,99 5,81 0,34 0,09 0,25 0,001 107,36 168,02 0,64 0,24 0,55 37,18 13,18
Máximo 185,09 95,63 16,64 15,89 17,00 17,50 9,70 1,58 0,15 264,43 1,16 297,50 1,12 7,68 0,39 0,70 2,00 0,006 185,79 299,79 0,68 0,64 1,03 48,96 15,52
Mínimo 73,87 49,11 10,38 10,27 11,00 10,20 5,30 0,53 0,06 106,56 0,94 112,20 0,85 4,84 0,26 0,00 0,00 0,000 73,87 118,59 0,62 0,00 0,14 32,03 11,75
Rango 111,23 46,53 6,26 5,63 6,00 7,30 4,40 1,04 0,08 157,87 0,22 185,30 0,27 2,84 0,13 0,70 2,00 0,01 111,92 181,19 0,06 0,64 0,89 16,93 3,77
Varianza 656,21 110,89 2,28 1,70 2,03 3,15 1,89 0,06 0,00 1333,26 0,00 1881,70 0,01 0,44 0,00 0,05 0,33 0,00 663,66 1812,30 0,00 0,02 0,08 24,55 1,07
Error típico 6,40 2,63 0,38 0,33 0,36 0,44 0,34 0,06 0,01 9,13 0,01 10,84 0,02 0,17 0,01 0,06 0,14 0,00 6,44 10,64 0,00 0,04 0,07 1,24 0,26
Asimetría 2,01 2,07 1,30 2,19 1,94 0,93 -0,20 2,10 -0,11 2,26 0,15 1,94 0,08 1,53 -1,09 2,50 2,38 2,71 2,02 2,22 1,08 0,96 0,35 1,50 1,03
Curtosis 5,48 5,85 2,85 6,09 4,59 1,60 -0,63 5,91 -0,84 6,48 -0,06 4,77 -0,23 3,58 0,59 4,88 5,31 6,77 5,54 6,06 0,19 1,37 -0,81 1,63 0,53
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 186,93 91,03 16,87 15,95 17,44 17,06 10,91 1,54 0,26 271,85 1,06 300,30 1,03 7,67 0,28 0,56 1,07 0,003 187,49 300,52 0,62 0,32 0,56 44,32 12,35
Máximo 255,29 112,27 20,70 19,53 20,50 21,00 12,40 2,56 0,36 404,21 1,21 430,50 1,29 9,02 0,35 3,92 4,00 0,017 257,24 402,72 0,68 0,74 1,19 50,82 15,55
Mínimo 143,62 72,24 14,77 12,94 14,80 13,50 8,20 1,11 0,17 194,44 0,94 229,40 0,91 6,85 0,25 0,00 0,00 0,000 144,06 234,53 0,59 0,03 0,10 35,49 9,97
Rango 111,67 40,03 5,94 6,59 5,70 7,50 4,20 1,45 0,19 209,78 0,27 201,10 0,38 2,17 0,11 3,92 4,00 0,02 113,18 168,19 0,09 0,70 1,10 15,33 5,58
Varianza 1535,24 139,47 3,49 3,54 3,13 4,66 1,71 0,21 0,00 3697,82 0,00 4495,79 0,01 0,63 0,00 1,11 1,35 0,00 1573,71 3923,79 0,00 0,05 0,16 18,52 1,92
Error típico 10,12 3,05 0,48 0,49 0,44 0,54 0,33 0,11 0,02 15,70 0,02 16,76 0,02 0,20 0,01 0,27 0,30 0,00 10,24 16,17 0,01 0,06 0,10 1,11 0,36
Asimetría 0,77 0,34 0,58 0,38 0,51 0,37 -0,74 1,16 0,51 0,75 0,41 0,83 1,91 0,82 0,76 2,80 1,43 2,77 0,77 0,61 0,75 0,40 0,51 -0,30 0,77
Curtosis -0,89 -0,82 -0,76 -0,54 -0,84 -0,84 -0,49 0,24 -0,94 -0,14 0,23 -0,82 4,69 -0,93 0,59 8,06 1,95 8,30 -0,92 -1,20 1,57 -1,07 -1,23 -0,31 1,19
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 109,12 62,49 12,12 11,58 12,74 12,50 6,97 0,87 0,12 155,90 1,04 176,47 1,03 5,59 0,34 0,23 0,66 0,002 109,35 173,14 0,64 0,24 0,52 37,90 13,59
Máximo 255,29 112,27 20,70 19,53 20,50 21,00 12,40 2,56 0,36 404,21 1,21 430,50 1,29 9,02 0,45 3,92 4,00 0,017 257,24 402,72 0,68 0,74 1,19 50,82 16,27
Mínimo 21,46 26,13 5,44 5,51 6,00 5,30 1,70 0,13 0,00 29,97 0,92 31,80 0,85 2,62 0,25 0,00 0,00 0,000 21,46 33,69 0,59 0,00 0,01 27,57 9,97
Rango 233,82 86,15 15,26 14,01 14,50 15,70 10,70 2,43 0,36 374,24 0,29 398,70 0,44 6,40 0,21 3,92 4,00 0,02 235,78 369,03 0,09 0,74 1,18 23,25 6,30
Varianza 4439,07 612,75 17,62 14,81 17,26 18,75 14,38 0,37 0,01 9682,84 0,00 11972,45 0,01 3,43 0,00 0,41 1,10 0,00 4478,06 11688,01 0,00 0,03 0,09 40,68 2,55
Error típico 9,72 3,61 0,61 0,56 0,60 0,63 0,55 0,09 0,02 14,35 0,01 15,79 0,01 0,27 0,01 0,09 0,15 0,00 9,76 15,77 0,00 0,03 0,04 0,93 0,23
Asimetría 0,54 0,30 0,14 0,21 0,15 0,09 -0,17 0,87 0,59 0,63 0,35 0,57 0,69 0,10 0,01 4,76 1,80 2,91 0,55 0,55 0,08 1,09 0,58 0,49 -0,04
Curtosis -0,63 -1,06 -1,10 -0,97 -1,11 -1,07 -1,49 0,32 -0,69 -0,47 0,04 -0,56 1,26 -1,11 -0,83 25,25 2,96 10,42 -0,62 -0,70 0,08 0,60 -0,44 -0,83 -0,91
36
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 23,83 27,39 5,90 5,55 6,05 6,06 1,83 0,18 0,004 33,18 1,06 37,16 1,00 2,69 0,40 0,11 1,13 0,004 23,95 37,46 0,64 0,13 0,24 31,54 13,52
Máximo 31,60 33,29 7,09 6,68 7,50 7,70 2,30 0,25 0,005 47,07 1,21 57,75 1,14 3,14 0,51 0,35 3,00 0,014 31,71 53,83 0,68 0,50 0,62 38,66 15,36
Mínimo 14,29 19,39 4,36 4,55 4,60 4,60 1,00 0,09 0,002 19,84 0,96 21,16 0,90 2,12 0,32 0,00 0,00 0,000 14,29 21,19 0,59 0,00 0,09 24,43 12,26
Rango 17,32 13,91 2,73 2,13 2,90 3,10 1,30 0,16 0,00 27,23 0,25 36,59 0,24 1,02 0,19 0,35 3,00 0,01 17,43 32,64 0,09 0,50 0,53 14,23 3,10
Varianza 29,50 16,00 0,52 0,48 0,58 0,62 0,17 0,00 0,00 61,78 0,00 83,56 0,00 0,10 0,00 0,01 1,18 0,00 30,09 80,85 0,00 0,02 0,03 13,44 1,11
Error típico 1,36 1,00 0,18 0,17 0,19 0,20 0,10 0,01 0,00 1,96 0,02 2,29 0,02 0,08 0,01 0,03 0,27 0,00 1,37 2,25 0,01 0,04 0,04 0,92 0,26
Asimetría -0,08 -0,22 -0,47 0,34 0,29 0,00 -0,45 -0,06 -0,57 0,15 0,55 0,46 0,76 -0,16 0,80 0,64 0,43 0,58 -0,09 0,15 -0,20 1,70 1,20 -0,23 0,40
Curtosis -1,18 -0,51 -0,13 -1,20 -0,04 0,19 -0,85 -0,67 -1,93 -0,93 0,24 0,43 0,13 -1,18 0,39 -0,71 -1,10 -0,80 -1,17 -0,63 -1,09 2,12 0,76 0,03 -1,39
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 108,38 65,59 12,45 12,01 13,28 13,09 7,98 0,88 0,12 151,31 1,04 175,78 1,02 5,81 0,32 0,21 1,00 0,002 108,59 171,21 0,63 0,16 0,56 39,76 12,39
Máximo 166,80 82,59 15,50 14,80 16,00 15,90 9,80 1,36 0,22 229,39 1,12 252,80 1,13 7,27 0,40 0,58 2,00 0,004 166,80 250,65 0,69 0,57 1,02 45,37 15,11
Mínimo 76,69 51,13 10,13 10,03 11,50 10,90 6,70 0,62 0,07 105,15 0,97 125,35 0,91 4,91 0,28 0,00 0,00 0,000 76,93 120,24 0,60 0,02 0,01 31,45 11,17
Rango 90,11 31,45 5,37 4,77 4,50 5,00 3,10 0,74 0,14 124,23 0,16 127,45 0,22 2,36 0,12 0,58 2,00 0,00 89,88 130,41 0,09 0,55 1,01 13,92 3,94
Varianza 625,55 90,30 2,23 1,98 2,01 2,75 0,84 0,05 0,00 1280,76 0,00 1637,39 0,00 0,44 0,00 0,04 0,53 0,00 626,67 1527,65 0,00 0,02 0,09 14,14 0,70
Error típico 6,25 2,38 0,37 0,35 0,35 0,41 0,23 0,05 0,01 8,95 0,01 10,12 0,01 0,17 0,01 0,05 0,18 0,00 6,26 9,77 0,01 0,04 0,08 0,94 0,21
Asimetría 0,86 0,37 0,53 0,40 0,52 0,58 0,55 0,88 0,99 0,71 0,06 0,68 0,07 0,53 1,34 0,69 0,00 0,30 0,84 0,65 0,94 1,64 -0,77 -0,82 2,33
Curtosis 0,38 -0,82 -0,38 -0,57 -0,68 -0,88 -0,39 -0,11 0,46 -0,10 -1,13 -0,69 0,27 0,00 1,84 -0,70 -0,91 -1,49 0,34 -0,41 0,42 3,75 -0,43 0,89 8,13
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 206,25 95,99 17,25 16,69 18,94 17,62 11,13 1,69 0,29 290,33 1,04 335,41 1,08 8,02 0,29 0,96 1,69 0,004 207,20 327,63 0,63 0,36 0,62 44,39 12,39
Máximo 256,72 114,26 19,84 19,27 22,00 19,70 13,20 2,28 0,47 374,82 1,13 409,20 1,18 9,00 0,36 4,76 4,00 0,020 257,57 409,80 0,67 1,09 1,64 52,86 14,38
Mínimo 147,77 75,27 14,69 13,33 15,10 15,70 8,60 1,04 0,15 198,76 0,97 237,07 0,96 6,86 0,24 0,00 0,00 0,000 148,09 227,42 0,59 0,08 0,02 35,02 10,81
Rango 108,95 39,00 5,14 5,95 6,90 4,00 4,60 1,24 0,32 176,06 0,16 172,13 0,22 2,14 0,12 4,76 4,00 0,02 109,48 182,37 0,08 1,00 1,62 17,84 3,57
Varianza 1260,41 168,23 2,39 3,36 3,16 1,69 1,58 0,14 0,01 3025,38 0,00 2731,23 0,00 0,48 0,00 1,30 1,30 0,00 1295,43 3647,47 0,00 0,06 0,23 26,58 0,91
Error típico 8,88 3,24 0,39 0,46 0,44 0,33 0,31 0,09 0,02 13,75 0,01 13,07 0,02 0,17 0,01 0,28 0,28 0,00 9,00 15,10 0,00 0,06 0,12 1,29 0,24
Asimetría -0,16 -0,03 0,02 -0,47 -0,42 0,25 -0,41 -0,14 0,46 -0,22 0,47 -0,07 0,10 -0,18 0,56 2,67 0,40 2,65 -0,17 -0,23 -0,37 1,73 0,50 -0,21 0,37
Curtosis -1,05 -1,28 -0,81 -0,83 0,10 -1,26 0,31 -0,84 0,12 -1,06 -0,91 -1,10 -1,04 -1,04 -0,57 8,87 -0,44 8,91 -1,10 -1,19 1,04 3,82 -0,48 -0,95 0,29
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 112,82 62,99 11,87 11,42 12,76 12,26 6,98 0,91 0,14 158,27 1,05 182,78 1,03 5,51 0,33 0,43 1,27 0,004 113,25 178,77 0,64 0,22 0,47 38,56 12,77
Máximo 256,72 114,26 19,84 19,27 22,00 19,70 13,20 2,28 0,47 374,82 1,21 409,20 1,18 9,00 0,51 4,76 4,00 0,020 257,57 409,80 0,69 1,09 1,64 52,86 15,36
Mínimo 14,29 19,39 4,36 4,55 4,60 4,60 1,00 0,09 0,00 19,84 0,96 21,16 0,90 2,12 0,24 0,00 0,00 0,000 14,29 21,19 0,59 0,00 0,01 24,43 10,81
Rango 242,43 94,88 15,48 14,72 17,40 15,10 12,20 2,19 0,47 354,98 0,25 388,04 0,28 6,88 0,28 4,76 4,00 0,02 243,28 388,61 0,10 1,08 1,63 28,43 4,56
Varianza 6285,21 892,13 23,74 23,16 30,27 24,70 16,06 0,45 0,02 12674,27 0,00 16586,35 0,01 5,21 0,00 0,58 1,05 0,00 6350,34 16038,58 0,00 0,04 0,14 46,14 1,16
Error típico 11,44 4,31 0,70 0,69 0,79 0,72 0,58 0,10 0,02 16,25 0,01 18,59 0,01 0,33 0,01 0,11 0,15 0,00 11,50 18,28 0,00 0,03 0,05 0,98 0,16
Asimetría 0,31 0,08 -0,07 -0,04 -0,04 -0,17 -0,25 0,42 0,65 0,35 0,57 0,27 0,32 -0,10 0,78 4,27 0,53 2,03 0,31 0,34 0,24 1,89 0,83 0,00 0,78
Curtosis -1,21 -1,26 -1,39 -1,36 -1,39 -1,46 -1,43 -1,00 -0,53 -1,15 0,10 -1,27 -0,52 -1,42 0,30 22,82 -0,26 5,85 -1,20 -1,16 -0,43 5,04 0,47 -0,61 0,19
37
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 37,97 34,13 7,34 7,01 7,72 7,69 2,75 0,30 0,009 52,11 1,05 60,34 1,00 3,41 0,41 0,06 0,88 0,002 38,03 59,01 0,65 0,18 0,26 31,04 12,71
Máximo 49,09 39,36 8,43 8,20 9,10 9,00 3,80 0,40 0,016 67,59 1,15 81,00 1,07 3,89 0,58 0,31 2,00 0,008 49,09 74,62 0,73 0,57 0,58 37,23 14,37
Mínimo 16,57 21,80 5,16 4,79 5,00 5,20 1,80 0,12 0,006 24,69 0,96 26,00 0,92 2,29 0,34 0,00 0,00 0,000 16,57 24,62 0,61 0,00 0,03 21,71 11,68
Rango 32,52 17,56 3,28 3,41 4,10 3,80 2,00 0,29 0,01 42,90 0,20 55,00 0,15 1,60 0,24 0,31 2,00 0,01 32,52 50,00 0,11 0,56 0,55 15,52 2,69
Varianza 85,19 26,45 0,90 0,73 1,25 1,03 0,34 0,01 0,00 140,09 0,00 231,36 0,00 0,21 0,00 0,01 0,78 0,00 85,01 220,32 0,00 0,03 0,03 13,78 0,59
Error típico 2,31 1,29 0,24 0,21 0,28 0,25 0,15 0,02 0,00 2,96 0,02 3,80 0,01 0,12 0,01 0,02 0,22 0,00 2,31 3,71 0,01 0,04 0,04 0,93 0,19
Asimetría -0,89 -1,20 -0,88 -1,03 -0,95 -1,08 -0,13 -0,81 0,80 -0,80 0,04 -0,75 -0,48 -1,10 1,75 1,84 0,27 1,82 -0,90 -0,88 1,65 1,24 0,62 -0,78 0,79
Curtosis 0,15 0,98 0,14 1,81 0,83 0,77 -0,77 -0,14 -0,23 0,24 -0,60 0,05 -0,84 0,64 4,57 2,95 -1,74 2,51 0,19 0,14 3,73 1,12 -0,48 1,55 -0,18
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 85,77 55,62 11,26 10,45 11,68 11,67 5,94 0,71 0,07 118,72 1,08 137,44 1,00 5,15 0,35 0,07 0,56 0,001 85,85 134,12 0,64 0,19 0,48 36,11 12,04
Máximo 116,69 69,81 13,12 12,55 13,50 14,30 7,80 1,00 0,09 164,54 1,17 193,05 1,19 5,98 0,43 0,29 2,00 0,003 116,69 189,36 0,67 1,06 1,42 41,54 13,70
Mínimo 60,01 44,46 8,99 8,86 9,60 9,80 4,30 0,44 0,04 80,63 1,00 94,08 0,92 4,27 0,30 0,00 0,00 0,000 60,01 92,77 0,62 0,00 0,02 29,38 10,79
Rango 56,68 25,35 4,13 3,68 3,90 4,50 3,50 0,56 0,05 83,91 0,17 98,97 0,27 1,71 0,12 0,29 2,00 0,00 56,68 96,59 0,05 1,06 1,40 12,16 2,91
Varianza 241,87 44,76 1,43 1,04 1,23 1,71 0,88 0,02 0,00 529,25 0,00 716,38 0,00 0,25 0,00 0,01 0,66 0,00 241,90 687,77 0,00 0,06 0,16 11,33 0,85
Error típico 3,89 1,67 0,30 0,25 0,28 0,33 0,23 0,03 0,00 5,75 0,01 6,69 0,02 0,13 0,01 0,03 0,20 0,00 3,89 6,56 0,00 0,06 0,10 0,84 0,23
Asimetría -0,10 0,19 -0,77 0,13 -0,53 0,10 0,61 -0,11 -0,54 -0,16 0,40 0,01 1,61 -0,42 0,70 1,07 1,04 1,05 -0,11 0,00 0,43 2,99 0,95 -0,32 0,58
Curtosis -0,35 -0,17 -0,33 -0,34 -0,51 -0,74 0,63 1,31 -0,30 -0,21 -0,98 -0,21 3,71 -0,78 0,10 -0,23 -0,55 -0,36 -0,35 -0,06 0,29 10,20 0,41 -0,51 -0,49
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 159,86 82,45 15,52 14,40 15,92 16,16 9,88 1,42 0,22 225,13 1,08 259,06 0,99 7,08 0,30 0,50 1,06 0,003 160,36 254,80 0,63 0,43 0,49 42,64 11,36
Máximo 219,65 94,35 17,40 16,66 19,00 18,30 12,50 1,88 0,29 289,92 1,25 327,57 1,20 8,34 0,36 3,26 4,00 0,017 222,91 323,95 0,69 1,39 1,45 49,00 12,74
Mínimo 105,23 63,63 12,41 11,72 12,30 13,50 8,10 0,86 0,15 145,47 0,97 166,05 0,91 5,79 0,26 0,00 0,00 0,000 105,23 166,76 0,58 0,04 0,00 34,78 10,37
Rango 114,42 30,72 4,99 4,94 6,70 4,80 4,40 1,03 0,14 144,45 0,28 161,52 0,30 2,54 0,10 3,26 4,00 0,02 117,67 157,19 0,11 1,35 1,45 14,22 2,37
Varianza 890,09 76,12 2,84 1,88 2,96 2,48 1,68 0,09 0,00 1769,58 0,00 2208,78 0,01 0,46 0,00 0,91 1,53 0,00 908,40 2057,99 0,00 0,13 0,23 19,58 0,48
Error típico 7,46 2,18 0,42 0,34 0,43 0,39 0,32 0,08 0,01 10,52 0,02 11,75 0,02 0,17 0,01 0,24 0,31 0,00 7,53 11,34 0,01 0,09 0,12 1,11 0,17
Asimetría -0,12 -1,03 -0,62 -0,44 -0,49 -0,27 0,76 -0,34 0,19 -0,54 0,91 -0,65 1,46 -0,41 0,26 2,35 1,08 2,15 -0,05 -0,63 0,09 1,63 1,21 0,04 0,29
Curtosis -0,01 0,37 -1,04 -0,32 0,23 -0,93 0,16 -0,46 -1,77 -0,64 1,03 -0,48 2,29 -0,10 -0,79 4,86 0,54 3,69 0,18 -0,46 0,46 2,55 0,37 -1,25 -0,67
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 94,53 57,40 11,37 10,62 11,77 11,84 6,19 0,81 0,10 131,99 1,07 152,28 1,00 5,21 0,35 0,21 0,83 0,002 94,74 149,31 0,64 0,27 0,41 36,59 12,04
Máximo 219,65 94,35 17,40 16,66 19,00 18,30 12,50 1,88 0,29 289,92 1,25 327,57 1,20 8,34 0,58 3,26 4,00 0,017 222,91 323,95 0,73 1,39 1,45 49,00 14,37
Mínimo 16,57 21,80 5,16 4,79 5,00 5,20 1,80 0,12 0,01 24,69 0,96 26,00 0,91 2,29 0,26 0,00 0,00 0,000 16,57 24,62 0,58 0,00 0,00 21,71 10,37
Rango 203,08 72,54 12,25 11,87 14,00 13,10 10,70 1,77 0,29 265,23 0,29 301,57 0,30 6,05 0,32 3,26 4,00 0,02 206,34 299,33 0,15 1,39 1,45 27,29 4,01
Varianza 2956,45 445,92 13,04 10,47 13,18 13,91 9,61 0,25 0,01 5963,71 0,00 7841,58 0,00 2,59 0,00 0,34 0,99 0,00 2981,67 7589,39 0,00 0,08 0,14 37,30 0,92
Error típico 7,85 3,05 0,52 0,47 0,52 0,54 0,45 0,07 0,01 11,15 0,01 12,78 0,01 0,23 0,01 0,08 0,14 0,00 7,88 12,57 0,00 0,04 0,05 0,88 0,14
Asimetría 0,53 0,22 0,18 0,19 0,15 0,17 0,29 0,62 0,76 0,52 0,48 0,49 1,07 0,15 0,98 4,35 1,02 3,00 0,54 0,49 0,61 2,16 1,49 0,17 0,38
Curtosis -0,86 -1,23 -1,14 -1,14 -1,02 -1,15 -1,08 -0,77 -0,74 -1,00 0,39 -1,04 1,85 -1,11 2,25 19,72 0,59 9,68 -0,83 -1,05 2,91 5,18 1,74 -0,14 -0,29
38
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 21,19 25,64 5,46 5,33 5,84 5,69 1,65 0,17 0,005 29,70 1,03 33,92 1,03 2,53 0,41 0,06 0,81 0,003 21,25 32,89 0,65 0,10 0,21 31,26 12,38
Máximo 32,54 35,68 6,75 7,07 7,50 7,20 2,40 0,27 0,006 47,68 1,11 54,00 1,21 3,19 0,49 0,25 2,00 0,011 32,59 53,76 0,72 0,25 0,73 41,49 14,77
Mínimo 12,19 18,13 4,04 3,75 4,20 4,30 0,90 0,11 0,003 15,16 0,95 18,90 0,92 1,94 0,30 0,00 0,00 0,000 12,19 17,00 0,61 0,00 0,00 25,56 11,28
Rango 20,35 17,55 2,71 3,32 3,30 2,90 1,50 0,16 0,00 32,52 0,16 35,10 0,29 1,25 0,19 0,25 2,00 0,01 20,40 36,76 0,11 0,25 0,73 15,93 3,49
Varianza 36,70 24,67 0,58 0,79 0,83 0,76 0,24 0,00 0,00 78,15 0,00 104,01 0,01 0,13 0,00 0,01 0,56 0,00 37,01 104,20 0,00 0,01 0,04 22,17 0,77
Error típico 1,51 1,24 0,19 0,22 0,23 0,22 0,12 0,01 0,00 2,21 0,01 2,55 0,02 0,09 0,01 0,02 0,19 0,00 1,52 2,55 0,01 0,02 0,05 1,18 0,22
Asimetría 0,24 0,39 -0,15 0,15 0,04 0,13 -0,29 0,55 -0,90 0,34 -0,14 0,46 0,75 -0,02 -0,45 1,40 0,33 1,55 0,22 0,46 0,45 0,57 1,36 0,91 1,38
Curtosis -0,79 -0,22 -0,71 -0,20 -0,21 -0,71 -1,15 -0,80 -1,39 -0,24 -1,39 -0,22 0,88 -0,90 -0,68 1,98 -1,00 2,18 -0,81 -0,08 -0,20 -1,04 1,54 0,00 2,55
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 112,71 70,99 13,15 12,50 13,78 13,81 8,11 0,96 0,16 165,60 1,05 191,90 1,00 5,98 0,29 1,07 1,81 0,009 113,78 183,28 0,62 0,23 0,51 44,46 11,95
Máximo 160,25 87,67 15,75 15,09 16,50 16,10 10,00 1,36 0,21 237,72 1,16 265,65 1,11 7,08 0,35 4,50 4,00 0,036 160,48 256,57 0,67 0,57 1,12 61,67 15,09
Mínimo 79,75 58,57 11,94 10,51 11,20 12,30 6,40 0,59 0,11 125,55 0,97 141,12 0,88 5,13 0,20 0,00 0,00 0,000 82,70 133,91 0,58 0,04 0,03 35,46 10,40
Rango 80,50 29,10 3,81 4,58 5,30 3,80 3,60 0,77 0,09 112,17 0,19 124,53 0,23 1,95 0,15 4,50 4,00 0,04 77,78 122,66 0,09 0,54 1,09 26,21 4,69
Varianza 471,19 133,33 1,37 1,72 2,08 1,98 1,57 0,05 0,00 1016,85 0,00 1429,68 0,00 0,29 0,00 2,38 2,56 0,00 478,10 1382,87 0,00 0,03 0,10 74,18 1,49
Error típico 5,43 2,89 0,29 0,33 0,36 0,35 0,31 0,06 0,01 7,97 0,01 9,45 0,02 0,13 0,01 0,39 0,40 0,00 5,47 9,30 0,01 0,05 0,08 2,15 0,31
Asimetría 0,61 0,39 0,89 0,42 -0,05 0,51 0,17 0,29 0,11 0,89 0,41 0,37 -0,37 0,46 -0,43 1,55 0,12 1,41 0,59 0,46 -0,26 1,03 0,57 0,76 1,23
Curtosis -0,15 -1,58 -0,19 -0,25 -0,61 -1,38 -1,60 -0,92 -1,70 0,13 -0,66 -0,90 -0,14 -0,60 -1,32 1,28 -1,71 0,51 -0,43 -0,93 -0,13 -0,31 -0,02 -0,83 1,61
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 204,74 96,76 17,47 16,58 18,58 18,36 11,25 1,80 0,36 291,31 1,06 343,01 1,01 8,01 0,28 0,40 0,50 0,002 205,14 327,64 0,63 0,39 0,73 45,90 11,57
Máximo 276,82 108,76 20,78 19,34 22,10 22,20 12,90 2,74 0,60 401,82 1,16 472,86 1,15 9,28 0,35 2,87 2,00 0,011 276,82 448,72 0,67 2,10 1,75 53,50 14,78
Mínimo 160,23 84,28 15,01 14,11 15,60 16,50 9,50 1,08 0,22 221,68 0,92 268,32 0,91 7,13 0,23 0,00 0,00 0,000 160,23 253,03 0,57 0,00 0,08 35,34 10,05
Rango 116,59 24,49 5,77 5,22 6,50 5,70 3,40 1,66 0,38 180,14 0,24 204,54 0,24 2,15 0,12 2,87 2,00 0,01 116,59 195,68 0,10 2,10 1,67 18,16 4,73
Varianza 1107,65 58,82 2,34 2,19 3,23 1,98 0,92 0,15 0,01 2342,81 0,00 3343,16 0,00 0,43 0,00 0,69 0,53 0,00 1132,66 3191,32 0,00 0,29 0,19 23,62 1,78
Error típico 8,32 1,92 0,38 0,37 0,45 0,35 0,24 0,10 0,02 12,10 0,02 14,46 0,01 0,16 0,01 0,21 0,18 0,00 8,41 14,12 0,01 0,14 0,11 1,22 0,33
Asimetría 0,95 0,02 0,63 0,48 0,56 1,29 -0,25 0,49 1,02 0,78 -0,60 0,91 0,45 0,62 0,80 2,46 1,17 2,11 0,96 0,93 -0,36 2,56 0,46 -0,12 1,27
Curtosis 0,64 -0,53 0,30 -0,58 -0,28 2,76 -0,67 1,31 1,96 0,44 -0,25 0,30 1,33 -0,15 1,67 5,53 0,14 3,54 0,65 0,27 1,62 6,77 0,45 -0,06 1,34
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 112,88 64,46 12,03 11,47 12,73 12,62 7,00 0,98 0,17 162,20 1,05 189,61 1,01 5,51 0,32 0,51 1,04 0,005 113,39 181,27 0,63 0,24 0,48 40,54 11,97
Máximo 276,82 108,76 20,78 19,34 22,10 22,20 12,90 2,74 0,60 401,82 1,16 472,86 1,21 9,28 0,49 4,50 4,00 0,036 276,82 448,72 0,72 2,10 1,75 61,67 15,09
Mínimo 12,19 18,13 4,04 3,75 4,20 4,30 0,90 0,11 0,00 15,16 0,92 18,90 0,88 1,94 0,20 0,00 0,00 0,000 12,19 17,00 0,57 0,00 0,00 25,56 10,05
Rango 264,63 90,64 16,74 15,58 17,90 17,90 12,00 2,64 0,60 386,66 0,24 453,96 0,33 7,34 0,29 4,50 4,00 0,04 264,63 431,72 0,15 2,10 1,75 36,11 5,04
Varianza 6250,17 951,81 26,58 23,61 30,16 29,52 17,18 0,52 0,02 12752,23 0,00 17821,20 0,00 5,49 0,01 1,16 1,49 0,00 6281,83 16283,32 0,00 0,12 0,15 82,60 1,40
Error típico 11,41 4,45 0,74 0,70 0,79 0,78 0,60 0,10 0,02 16,30 0,01 19,27 0,01 0,34 0,01 0,16 0,18 0,00 11,44 18,42 0,00 0,05 0,06 1,31 0,17
Asimetría 0,23 -0,23 -0,23 -0,22 -0,17 -0,25 -0,31 0,39 0,60 0,19 -0,12 0,21 0,42 -0,22 0,57 2,68 1,09 2,81 0,22 0,22 0,30 3,91 0,95 0,23 0,84
Curtosis -1,12 -1,50 -1,37 -1,36 -1,34 -1,40 -1,51 -0,84 -0,41 -1,14 -0,62 -1,11 0,91 -1,38 -0,58 6,80 0,28 7,72 -1,11 -1,09 0,69 18,32 0,80 -0,65 0,61
39
Tabla 24. Estadística descriptiva. 2ª campaña (1996), cv. Airén, Estudio global.
Tamaño muestra 127 127 127 127 128 128 128 128 128 127 127 128 128 127 127 127 127 127 127 127 127 127 127 127 127
Media 24,95 29,45 5,95 5,68 6,20 6,13 1,85 0,16 0,004 35,29 1,05 39,80 1,01 2,72 0,35 0,07 0,97 0,003 25,02 39,89 0,62 0,14 0,27 37,29 17,07
Máximo 52,13 46,27 8,77 8,50 9,30 9,00 3,80 0,40 0,016 72,62 1,25 83,70 1,30 4,07 0,58 0,49 4,00 0,020 52,19 82,86 0,73 0,57 0,83 72,15 26,62
Mínimo 9,85 18,13 3,83 3,71 3,90 3,70 0,80 0,05 0,001 14,20 0,92 14,43 0,79 1,76 0,17 0,00 0,00 0,000 9,85 16,26 0,47 0,00 0,00 21,71 11,28
Rango 42,28 28,14 4,94 4,79 5,40 5,30 3,00 0,36 0,01 58,43 0,34 69,27 0,51 2,31 0,40 0,49 4,00 0,02 42,34 66,60 0,26 0,57 0,83 50,45 15,35
Varianza 123,83 43,75 1,58 1,54 2,04 1,89 0,35 0,01 0,00 223,15 0,00 315,39 0,01 0,37 0,01 0,01 1,30 0,00 124,48 291,72 0,00 0,01 0,04 101,02 16,47
Error típico 0,99 0,59 0,11 0,11 0,13 0,12 0,05 0,01 0,00 1,33 0,01 1,57 0,01 0,05 0,01 0,01 0,10 0,00 0,99 1,52 0,00 0,01 0,02 0,89 0,36
Asimetría 0,66 0,29 0,29 0,40 0,40 0,26 0,59 0,85 1,74 0,64 0,35 0,65 0,48 0,42 -0,27 1,90 1,01 1,60 0,66 0,62 -0,91 1,54 0,88 1,56 0,22
Curtosis -0,60 -0,73 -0,85 -0,86 -0,94 -0,91 0,34 -0,15 4,02 -0,58 0,01 -0,59 0,73 -0,89 0,02 3,49 0,15 2,61 -0,61 -0,64 1,69 2,94 0,11 2,39 -1,30
Tamaño muestra 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125 125
Media 102,49 65,17 12,30 11,70 12,82 12,71 6,81 0,75 0,09 146,11 1,05 165,41 1,01 5,65 0,31 0,33 1,08 0,003 102,82 164,17 0,63 0,21 0,54 41,71 14,21
Máximo 192,12 111,22 17,58 16,78 17,70 19,10 10,00 1,58 0,22 294,99 1,33 311,33 1,24 7,70 0,49 4,50 4,00 0,036 192,75 323,89 0,69 1,06 1,42 69,02 20,47
Mínimo 55,20 44,33 8,99 8,86 9,20 9,20 3,30 0,33 0,02 80,63 0,89 90,21 0,78 4,17 0,18 0,00 0,00 0,000 55,20 86,93 0,56 0,00 0,01 25,73 7,40
Rango 136,92 66,89 8,59 7,92 8,50 9,90 6,70 1,25 0,20 214,36 0,44 221,12 0,46 3,53 0,30 4,50 4,00 0,04 137,55 236,96 0,13 1,06 1,41 43,29 13,07
Varianza 637,41 143,08 2,55 2,22 2,73 3,15 2,68 0,06 0,00 1428,91 0,00 1935,75 0,01 0,45 0,00 0,47 1,36 0,00 642,75 1850,56 0,00 0,04 0,12 66,62 7,26
Error típico 2,26 1,07 0,14 0,13 0,15 0,16 0,15 0,02 0,00 3,38 0,01 3,94 0,01 0,06 0,00 0,06 0,10 0,00 2,27 3,85 0,00 0,02 0,03 0,73 0,24
Asimetría 1,10 1,21 0,73 0,77 0,57 0,79 0,00 1,02 0,58 1,25 0,93 1,08 -0,09 0,58 -0,07 4,25 0,80 3,76 1,09 1,23 -0,30 1,93 0,43 1,06 0,63
Curtosis 1,81 2,02 1,02 1,00 0,38 0,96 -0,71 1,33 0,19 2,39 2,10 1,26 0,54 0,78 0,16 21,48 -0,43 16,30 1,76 2,08 0,16 4,95 -0,56 0,88 -0,38
Tamaño muestra 127 127 127 127 128 128 128 128 128 127 127 128 128 127 127 127 127 127 127 127 127 127 127 127 127
Media 192,99 94,53 17,09 16,17 18,10 17,18 10,44 1,52 0,25 278,86 1,06 313,36 1,06 7,74 0,27 0,86 1,42 0,004 193,85 310,39 0,63 0,43 0,60 46,43 12,93
Máximo 286,25 137,32 21,45 21,69 22,50 22,20 14,40 2,74 0,60 465,22 1,26 472,86 1,30 9,49 0,40 5,03 5,00 0,024 290,18 448,72 0,70 2,13 2,19 81,16 19,26
Mínimo 105,23 63,63 12,41 11,72 12,30 13,40 6,90 0,86 0,07 145,47 0,92 166,05 0,87 5,79 0,15 0,00 0,00 0,000 105,23 166,76 0,56 0,00 0,00 31,05 9,97
Rango 181,02 73,69 9,04 9,97 10,20 8,80 7,50 1,89 0,53 319,75 0,34 306,81 0,43 3,70 0,25 5,03 5,00 0,02 184,94 281,95 0,13 2,13 2,19 50,11 9,29
Varianza 1365,05 150,77 3,14 3,18 3,73 3,06 2,02 0,14 0,01 3210,93 0,00 3647,78 0,01 0,56 0,00 1,10 1,34 0,00 1397,33 3492,78 0,00 0,17 0,21 51,79 2,74
Error típico 3,28 1,09 0,16 0,16 0,17 0,15 0,13 0,03 0,01 5,03 0,01 5,34 0,01 0,07 0,00 0,09 0,10 0,00 3,32 5,24 0,00 0,04 0,04 0,64 0,15
Asimetría 0,29 0,25 -0,06 0,19 -0,18 0,05 -0,11 0,69 0,77 0,37 0,39 0,22 0,32 0,08 0,01 1,74 0,78 1,67 0,31 0,19 0,09 2,10 0,92 1,33 0,53
Curtosis -0,35 0,33 -0,14 0,01 -0,04 -0,29 -0,34 0,32 1,12 0,20 -0,02 -0,39 -0,08 -0,32 0,78 3,17 0,32 2,63 -0,34 -0,47 -0,35 5,11 0,66 3,95 0,46
Hojas total SFa P La Aa Lm Am Lp MSl MSp La.Aa La/Aa Lm.Am Lm/Am R IR HA NH HR TA BA BR Ld Ad PPDA SEF
Tamaño muestra 379 379 379 379 381 381 381 381 381 379 379 381 381 379 379 379 379 379 379 379 379 379 379 379 379
Media 106,83 63,04 11,78 11,18 12,37 12,00 6,36 0,81 0,12 153,46 1,05 172,91 1,03 5,37 0,31 0,42 1,16 0,003 107,25 171,52 0,63 0,26 0,47 41,81 14,74
Máximo 286,25 137,32 21,45 21,69 22,50 22,20 14,40 2,74 0,60 465,22 1,33 472,86 1,30 9,49 0,58 5,03 5,00 0,036 290,18 448,72 0,73 2,13 2,19 81,16 26,62
Mínimo 9,85 18,13 3,83 3,71 3,90 3,70 0,80 0,05 0,00 14,20 0,89 14,43 0,78 1,76 0,15 0,00 0,00 0,000 9,85 16,26 0,47 0,00 0,00 21,71 7,40
Rango 276,40 119,19 17,62 17,98 18,60 18,50 13,60 2,70 0,60 451,02 0,44 458,43 0,52 7,73 0,43 5,03 5,00 0,04 280,33 432,46 0,26 2,13 2,19 59,45 19,23
Varianza 5458,09 825,36 23,39 20,91 26,77 23,50 14,20 0,38 0,01 11606,30 0,00 14587,34 0,01 4,72 0,00 0,63 1,36 0,00 5515,92 14186,60 0,00 0,09 0,14 86,82 11,81
Error típico 3,79 1,48 0,25 0,23 0,27 0,25 0,19 0,03 0,01 5,53 0,00 6,19 0,00 0,11 0,00 0,04 0,06 0,00 3,81 6,12 0,00 0,02 0,02 0,48 0,18
Asimetría 0,36 0,09 -0,06 -0,05 -0,04 -0,11 -0,01 0,58 0,95 0,42 0,55 0,37 0,28 -0,11 0,46 3,09 0,83 2,87 0,37 0,36 -0,74 3,07 1,17 0,80 1,03
Curtosis -1,00 -1,18 -1,25 -1,19 -1,24 -1,25 -1,40 -0,56 0,31 -0,91 0,60 -1,04 0,38 -1,25 0,26 11,02 -0,07 11,73 -0,99 -1,04 2,26 12,88 1,52 0,93 0,26
40
Tabla 25. Estadística descriptiva. 2ª campaña (1996), cv. Cabernet-Sauvignon, Muestreo 1 (03-06-1996).
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 17,85 28,43 5,29 5,15 5,64 5,51 1,57 0,08 0,005 27,61 1,03 31,53 1,02 2,38 0,28 0,22 3,25 0,012 18,08 30,92 0,58 0,23 0,21 46,43 21,97
Máximo 24,41 34,66 6,22 6,06 6,80 6,50 2,30 0,13 0,006 37,73 1,13 44,20 1,14 2,81 0,40 0,42 5,00 0,021 24,79 42,95 0,66 0,59 0,58 66,40 29,11
Mínimo 9,91 23,44 4,25 4,17 4,00 4,00 1,10 0,05 0,002 17,72 0,95 16,00 0,94 1,70 0,19 0,00 0,00 0,000 9,95 16,27 0,50 0,03 0,00 31,34 17,55
Rango 14,51 11,23 1,98 1,89 2,80 2,50 1,20 0,07 0,00 20,00 0,18 28,20 0,20 1,11 0,21 0,42 5,00 0,02 14,84 26,68 0,16 0,55 0,58 35,06 11,56
Varianza 23,13 10,40 0,40 0,39 0,62 0,52 0,09 0,00 0,00 42,39 0,00 63,86 0,00 0,12 0,00 0,02 1,93 0,00 23,86 56,37 0,00 0,02 0,03 88,92 12,98
Error típico 1,20 0,81 0,16 0,16 0,20 0,18 0,07 0,01 0,00 1,63 0,01 2,00 0,01 0,09 0,01 0,03 0,35 0,00 1,22 1,88 0,01 0,03 0,05 2,36 0,90
Asimetría 0,02 0,23 0,11 0,06 -0,44 -0,34 0,78 0,11 -0,84 0,25 0,39 -0,24 0,18 -0,29 0,41 -0,40 -1,02 -0,42 0,01 -0,17 0,06 1,35 1,07 0,68 0,98
Curtosis -1,34 -0,80 -0,92 -1,42 -0,47 -0,42 1,33 -1,00 1,22 -1,21 0,76 -0,83 -0,25 -0,85 0,30 -0,75 0,64 -0,76 -1,33 -0,82 -1,25 2,11 -0,08 0,52 -0,21
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 73,16 57,06 10,49 9,95 10,86 11,02 3,28 0,33 0,02 105,51 1,06 120,97 0,99 4,77 0,29 1,29 3,19 0,016 74,45 116,51 0,64 0,25 0,32 44,13 22,65
Máximo 108,87 66,12 12,43 12,02 13,20 13,50 4,50 0,51 0,03 149,48 1,17 178,20 1,09 5,98 0,35 3,88 5,00 0,034 112,75 172,03 0,70 0,85 1,03 48,92 26,34
Mínimo 52,20 43,55 8,14 8,17 9,10 8,80 2,50 0,20 0,01 67,44 0,95 80,08 0,88 4,05 0,26 0,39 1,00 0,006 52,70 76,84 0,57 0,05 0,00 35,32 20,67
Rango 56,66 22,58 4,29 3,86 4,10 4,70 2,00 0,31 0,02 82,04 0,21 98,12 0,21 1,93 0,10 3,49 4,00 0,03 60,05 95,20 0,13 0,79 1,02 13,60 5,67
Varianza 245,98 42,32 1,59 1,39 1,46 1,78 0,41 0,01 0,00 571,90 0,00 738,03 0,00 0,28 0,00 0,77 0,96 0,00 267,39 641,48 0,00 0,06 0,10 21,02 2,44
Error típico 3,92 1,63 0,32 0,29 0,30 0,33 0,16 0,02 0,00 5,98 0,02 6,79 0,02 0,13 0,01 0,22 0,25 0,00 4,09 6,33 0,01 0,06 0,08 1,15 0,39
Asimetría 0,68 -0,39 0,06 -0,11 0,17 0,35 0,52 0,64 0,21 0,12 0,12 0,54 -0,47 0,66 0,96 1,82 -0,42 0,72 0,77 0,52 -0,16 1,93 0,99 -0,75 1,20
Curtosis 0,22 -0,52 -0,66 -0,88 -0,72 -0,45 -0,73 -0,15 -0,93 -0,76 -1,14 -0,21 -0,71 0,20 -0,35 4,41 0,58 -0,03 0,49 0,05 -0,43 3,09 -0,13 -0,83 1,35
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 144,24 71,64 14,62 13,99 15,69 15,04 6,93 0,92 0,08 206,06 1,05 237,78 1,04 6,79 0,36 3,60 4,25 0,025 147,84 228,92 0,65 0,46 0,52 34,90 15,76
Máximo 197,79 88,37 17,35 17,01 19,00 18,40 8,70 1,41 0,16 277,70 1,13 349,60 1,09 7,91 0,41 4,97 6,00 0,032 201,92 319,89 0,69 1,66 1,35 38,87 16,68
Mínimo 106,47 64,57 11,84 11,23 13,70 13,40 5,70 0,65 0,04 133,01 0,96 194,30 0,92 5,77 0,32 2,22 2,00 0,016 108,69 184,47 0,59 0,07 0,10 30,19 14,08
Rango 91,32 23,80 5,51 5,78 5,30 5,00 3,00 0,75 0,11 144,70 0,17 155,30 0,17 2,15 0,09 2,76 4,00 0,02 93,23 135,42 0,10 1,59 1,25 8,68 2,61
Varianza 763,18 50,85 1,73 1,96 2,04 2,12 0,96 0,04 0,00 1452,51 0,00 2082,32 0,00 0,40 0,00 0,69 1,00 0,00 787,90 1768,00 0,00 0,16 0,18 8,82 0,39
Error típico 6,91 1,78 0,33 0,35 0,36 0,36 0,24 0,05 0,01 9,53 0,01 11,41 0,01 0,16 0,01 0,21 0,25 0,00 7,02 10,51 0,01 0,10 0,11 0,74 0,16
Asimetría 1,07 1,77 0,26 0,55 0,97 1,23 0,46 1,36 1,51 0,55 -0,18 1,39 -1,78 0,75 0,54 -0,20 -0,57 -0,01 1,06 1,28 -0,49 1,91 0,89 -0,32 -1,08
Curtosis 0,25 2,49 0,87 1,17 0,57 0,79 -0,83 1,32 1,77 0,46 -0,37 1,24 4,78 -0,04 -0,92 -1,13 0,46 -1,23 0,26 0,61 2,26 4,77 -0,43 -1,09 2,32
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 78,42 52,38 10,13 9,70 10,73 10,52 3,93 0,44 0,04 113,06 1,04 130,09 1,02 4,64 0,31 1,71 3,56 0,018 80,12 125,45 0,62 0,31 0,35 41,82 20,13
Máximo 197,79 88,37 17,35 17,01 19,00 18,40 8,70 1,41 0,16 277,70 1,17 349,60 1,14 7,91 0,41 4,97 6,00 0,034 201,92 319,89 0,70 1,66 1,35 66,40 29,11
Mínimo 9,91 23,44 4,25 4,17 4,00 4,00 1,10 0,05 0,00 17,72 0,95 16,00 0,88 1,70 0,19 0,00 0,00 0,000 9,95 16,27 0,50 0,03 0,00 30,19 14,08
Rango 187,88 64,93 13,11 12,84 15,00 14,40 7,60 1,35 0,16 259,98 0,21 333,60 0,27 6,21 0,23 4,97 6,00 0,03 191,98 303,62 0,20 1,62 1,35 36,22 15,03
Varianza 3062,50 362,07 16,07 14,51 18,51 17,02 5,56 0,14 0,00 6108,85 0,00 8203,92 0,00 3,57 0,00 2,50 1,49 0,00 3226,98 7500,30 0,00 0,09 0,12 63,24 14,86
Error típico 7,99 2,75 0,58 0,55 0,62 0,60 0,34 0,05 0,01 11,28 0,01 13,07 0,01 0,27 0,01 0,23 0,18 0,00 8,20 12,50 0,01 0,04 0,05 1,15 0,56
Asimetría 0,46 -0,18 -0,02 0,04 0,06 -0,04 0,57 0,80 1,50 0,42 0,29 0,48 -0,67 0,01 0,06 0,64 -0,70 0,01 0,46 0,45 -0,83 2,50 1,37 0,92 0,37
Curtosis -0,82 -1,24 -1,36 -1,27 -1,27 -1,26 -1,07 -0,44 1,91 -0,96 -0,45 -0,73 0,16 -1,29 -0,52 -1,09 0,66 -0,64 -0,84 -0,82 0,14 8,45 1,30 1,31 -0,57
41
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 19,67 27,32 5,38 5,06 5,83 5,44 1,43 0,09 0,003 27,92 1,06 32,32 1,08 2,47 0,33 0,33 3,38 0,016 20,00 32,79 0,61 0,24 0,13 38,35 22,01
Máximo 32,84 35,89 6,88 6,51 7,20 7,30 2,00 0,16 0,005 44,31 1,15 48,96 1,28 3,22 0,41 0,77 5,00 0,030 33,30 51,25 0,69 0,60 0,35 53,77 26,81
Mínimo 11,99 20,66 4,02 3,91 4,50 3,90 1,10 0,04 0,002 15,72 0,97 19,50 0,91 1,93 0,23 0,13 1,00 0,010 12,12 19,91 0,54 0,03 0,03 30,31 19,98
Rango 20,85 15,23 2,86 2,60 2,70 3,40 0,90 0,11 0,00 28,59 0,18 29,46 0,38 1,29 0,18 0,64 4,00 0,02 21,18 31,34 0,15 0,57 0,32 23,46 6,83
Varianza 47,27 24,84 0,88 0,70 0,76 0,78 0,08 0,00 0,00 89,98 0,00 94,54 0,01 0,18 0,00 0,03 0,92 0,00 49,25 112,32 0,00 0,03 0,01 33,11 3,72
Error típico 1,72 1,25 0,23 0,21 0,22 0,22 0,07 0,01 0,00 2,37 0,01 2,43 0,02 0,11 0,01 0,05 0,24 0,00 1,75 2,65 0,01 0,05 0,02 1,44 0,48
Asimetría 0,88 0,45 0,35 0,50 0,14 0,53 0,73 0,79 0,28 0,65 -0,06 0,54 0,00 0,69 -0,02 1,01 -0,90 0,73 0,88 0,72 0,50 0,63 1,41 1,10 1,41
Curtosis -0,39 -1,21 -0,91 -0,87 -1,16 0,21 -0,58 -0,56 -2,22 -0,77 -0,58 -0,86 0,18 -0,62 0,35 0,69 1,46 -0,54 -0,40 -0,84 0,39 -0,97 1,53 2,45 1,11
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 106,17 65,50 12,55 12,04 13,50 12,68 5,33 0,65 0,05 152,63 1,04 172,77 1,07 5,78 0,32 1,91 3,94 0,016 108,07 170,22 0,64 0,29 0,40 40,02 16,66
Máximo 152,58 79,20 15,12 14,05 15,50 16,70 8,80 1,07 0,11 212,44 1,15 258,85 1,22 6,96 0,36 3,76 6,00 0,030 156,34 232,66 0,67 0,71 1,09 50,79 19,60
Mínimo 74,67 53,50 10,26 9,23 11,00 10,40 3,50 0,38 0,02 98,21 0,97 121,00 0,93 4,86 0,25 0,26 1,00 0,000 75,02 114,27 0,59 0,05 0,00 34,79 13,63
Rango 77,91 25,70 4,86 4,82 4,50 6,30 5,30 0,68 0,08 114,23 0,19 137,85 0,30 2,10 0,11 3,50 5,00 0,03 81,32 118,39 0,08 0,66 1,09 16,00 5,97
Varianza 440,57 52,44 1,60 1,76 1,34 2,96 2,42 0,03 0,00 951,41 0,00 1405,83 0,01 0,33 0,00 1,09 2,06 0,00 470,68 1082,37 0,00 0,04 0,09 23,10 2,63
Error típico 5,25 1,81 0,32 0,33 0,29 0,43 0,39 0,05 0,01 7,71 0,01 9,37 0,02 0,14 0,01 0,26 0,36 0,00 5,42 8,22 0,01 0,05 0,07 1,20 0,41
Asimetría 0,52 0,24 -0,15 -0,52 -0,32 0,94 1,37 0,86 1,28 -0,10 0,39 0,87 -0,04 0,33 -0,62 -0,14 -0,80 -0,46 0,53 0,26 -0,37 0,63 0,77 1,12 0,08
Curtosis 0,26 -0,53 0,12 -0,06 0,21 0,65 0,89 0,59 0,58 -0,17 0,07 0,58 -0,59 -0,04 -0,40 -0,66 -0,37 -0,59 0,37 -0,13 -0,01 -0,39 0,31 0,57 -0,11
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 163,39 78,95 15,31 15,10 16,46 15,73 7,78 1,14 0,13 232,01 1,01 259,58 1,05 7,18 0,34 2,56 3,56 0,016 165,95 257,87 0,64 0,29 0,70 37,69 14,75
Máximo 205,86 88,67 17,87 16,62 17,80 18,50 9,30 1,61 0,19 288,60 1,15 323,75 1,15 8,18 0,41 4,85 6,00 0,030 209,37 327,30 0,68 0,76 1,62 50,91 20,95
Mínimo 132,12 64,51 13,26 13,59 14,70 13,70 6,00 0,73 0,07 183,12 0,88 201,39 0,94 6,37 0,25 0,45 1,00 0,000 132,90 201,45 0,59 0,07 0,04 30,70 12,78
Rango 73,74 24,16 4,61 3,03 3,10 4,80 3,30 0,88 0,12 105,48 0,27 122,36 0,21 1,81 0,16 4,40 5,00 0,03 76,47 125,85 0,09 0,69 1,58 20,21 8,17
Varianza 469,83 49,15 1,87 1,00 0,80 1,77 0,68 0,06 0,00 1063,57 0,00 1106,39 0,00 0,27 0,00 1,57 1,86 0,00 499,16 1215,91 0,00 0,04 0,18 26,63 4,74
Error típico 5,42 1,75 0,34 0,25 0,22 0,33 0,21 0,06 0,01 8,15 0,02 8,32 0,02 0,13 0,01 0,31 0,34 0,00 5,59 8,72 0,01 0,05 0,11 1,29 0,54
Asimetría 0,19 -0,57 0,04 0,09 -0,36 0,18 0,10 0,05 0,33 -0,01 0,27 -0,07 -0,32 0,07 -0,29 0,00 -0,15 -0,25 0,14 0,06 -0,60 0,87 0,25 1,09 1,71
Curtosis -0,65 -0,33 -0,49 -1,31 -0,54 -0,32 0,67 -0,62 -0,63 -1,11 -0,05 -0,33 -0,12 -0,70 -0,15 -0,70 -0,56 0,25 -0,72 -0,45 -0,09 0,57 0,05 1,55 3,34
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 96,41 57,25 11,08 10,73 11,93 11,28 4,84 0,63 0,06 137,52 1,04 154,89 1,07 5,14 0,33 1,60 3,63 0,016 98,01 153,62 0,63 0,27 0,41 38,69 17,81
Máximo 205,86 88,67 17,87 16,62 17,80 18,50 9,30 1,61 0,19 288,60 1,15 323,75 1,28 8,18 0,41 4,85 6,00 0,030 209,37 327,30 0,69 0,76 1,62 53,77 26,81
Mínimo 11,99 20,66 4,02 3,91 4,50 3,90 1,10 0,04 0,00 15,72 0,88 19,50 0,91 1,93 0,23 0,13 1,00 0,000 12,12 19,91 0,54 0,03 0,00 30,31 12,78
Rango 193,87 68,01 13,85 12,71 13,30 14,60 8,20 1,57 0,19 272,88 0,27 304,25 0,38 6,25 0,18 4,72 5,00 0,03 197,25 307,39 0,15 0,73 1,62 23,46 14,03
Varianza 3870,00 528,70 19,29 19,13 21,43 20,75 7,99 0,22 0,00 7877,84 0,00 9786,65 0,01 4,24 0,00 1,75 1,60 0,00 4002,65 9532,98 0,00 0,04 0,15 27,42 13,19
Error típico 8,98 3,32 0,63 0,63 0,67 0,66 0,41 0,07 0,01 12,81 0,01 14,28 0,01 0,30 0,01 0,19 0,18 0,00 9,13 14,09 0,00 0,03 0,06 0,76 0,52
Asimetría -0,08 -0,41 -0,38 -0,38 -0,46 -0,31 -0,03 0,27 0,69 -0,09 -0,10 -0,11 0,10 -0,39 -0,08 0,58 -0,36 -0,15 -0,08 -0,09 -0,53 0,68 1,12 0,94 0,46
Curtosis -1,40 -1,40 -1,37 -1,45 -1,45 -1,42 -1,52 -1,09 -0,69 -1,41 -0,15 -1,45 0,10 -1,41 0,01 -0,78 -0,44 -0,29 -1,40 -1,40 0,12 -0,36 0,81 1,03 -0,63
42
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 16,08 25,05 4,91 4,69 5,21 4,68 1,12 0,08 0,002 23,51 1,05 24,78 1,12 2,23 0,34 0,16 2,00 0,009 16,24 26,37 0,62 0,13 0,16 39,50 20,89
Máximo 23,33 33,43 6,03 5,88 6,50 5,50 1,90 0,12 0,003 35,50 1,19 35,75 1,34 2,75 0,56 0,36 5,00 0,026 23,69 36,89 0,70 0,37 0,46 60,22 26,99
Mínimo 8,42 13,76 3,60 3,22 3,80 3,30 0,70 0,03 0,002 11,58 0,92 12,54 1,02 1,64 0,21 0,00 0,00 0,000 8,47 12,07 0,55 0,01 0,01 22,25 15,97
Rango 14,91 19,67 2,43 2,67 2,70 2,20 1,20 0,08 0,00 23,92 0,28 23,21 0,32 1,11 0,35 0,36 5,00 0,03 15,22 24,82 0,15 0,36 0,45 37,97 11,02
Varianza 19,50 24,17 0,48 0,64 0,61 0,47 0,12 0,00 0,00 47,99 0,00 45,91 0,01 0,10 0,01 0,02 2,40 0,00 20,22 54,39 0,00 0,01 0,01 88,00 7,08
Error típico 1,10 1,23 0,17 0,20 0,20 0,17 0,09 0,01 0,00 1,73 0,02 1,69 0,02 0,08 0,02 0,03 0,39 0,00 1,12 1,84 0,01 0,03 0,03 2,35 0,67
Asimetría -0,14 -0,64 -0,37 -0,21 -0,04 -0,96 0,63 -0,31 2,08 -0,04 0,09 -0,26 1,21 -0,27 1,50 0,10 0,49 0,36 -0,12 -0,39 0,69 1,08 0,87 0,01 0,82
Curtosis -0,86 0,39 -0,31 -0,91 -0,63 -0,21 0,24 -0,48 3,00 -0,76 0,39 -0,64 1,55 -0,74 2,09 -1,69 -0,60 -0,60 -0,82 -0,76 0,93 0,88 0,94 1,03 1,34
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 93,49 61,02 11,53 11,09 12,50 11,51 5,28 0,60 0,06 129,33 1,04 145,49 1,09 5,39 0,32 1,64 3,38 0,017 95,13 148,98 0,64 0,24 0,33 39,70 15,71
Máximo 125,03 71,94 14,37 12,67 15,10 14,00 8,00 0,88 0,12 181,29 1,14 199,32 1,25 6,29 0,42 2,96 5,00 0,027 127,93 200,11 0,70 0,77 0,98 53,80 18,60
Mínimo 58,45 46,14 9,58 9,01 10,30 8,50 2,00 0,33 0,01 86,76 0,93 87,55 0,97 4,28 0,23 0,25 2,00 0,002 59,10 92,94 0,59 0,01 0,02 29,68 13,95
Rango 66,58 25,80 4,79 3,66 4,80 5,50 6,00 0,55 0,11 94,53 0,21 111,77 0,28 2,01 0,19 2,71 3,00 0,02 68,83 107,17 0,11 0,76 0,95 24,11 4,65
Varianza 419,69 61,89 1,70 1,73 2,10 2,26 2,34 0,03 0,00 818,94 0,00 1101,42 0,01 0,38 0,00 0,86 1,05 0,00 445,75 1026,71 0,00 0,06 0,08 37,58 2,24
Error típico 5,12 1,97 0,33 0,33 0,36 0,38 0,38 0,04 0,01 7,15 0,01 8,30 0,02 0,15 0,01 0,23 0,26 0,00 5,28 8,01 0,01 0,06 0,07 1,53 0,37
Asimetría -0,18 -0,61 0,31 -0,47 -0,01 -0,39 -0,46 0,03 0,30 -0,07 -0,38 -0,16 0,53 -0,28 0,30 -0,05 0,39 -0,42 -0,14 -0,17 0,63 1,27 1,07 0,49 0,67
Curtosis -0,82 -0,13 -0,08 -1,29 -0,67 -0,46 0,19 -0,68 0,36 -0,93 2,14 -0,87 -0,67 -0,77 -0,17 -1,44 -0,80 -1,01 -0,86 -0,87 -0,07 0,59 0,43 0,51 -0,61
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 160,92 78,61 15,35 14,92 16,24 15,51 7,90 1,30 0,16 229,26 1,03 252,12 1,05 7,09 0,34 2,21 2,75 0,013 163,13 257,31 0,63 0,17 0,84 38,12 12,41
Máximo 192,93 90,10 16,82 16,04 17,70 16,80 9,40 1,64 0,21 269,85 1,12 297,36 1,15 7,88 0,45 4,23 5,00 0,028 197,10 308,11 0,67 0,49 1,44 53,40 13,67
Mínimo 143,76 67,22 14,43 13,77 14,50 14,70 6,50 1,07 0,11 204,74 0,95 213,15 0,96 6,66 0,23 0,00 0,00 0,000 144,75 231,41 0,59 0,03 0,05 27,95 11,16
Rango 49,16 22,88 2,39 2,27 3,20 2,10 2,90 0,58 0,10 65,11 0,17 84,21 0,18 1,22 0,21 4,23 5,00 0,03 52,36 76,71 0,07 0,46 1,39 25,45 2,51
Varianza 159,56 48,97 0,48 0,51 0,67 0,45 0,71 0,02 0,00 318,90 0,00 408,92 0,00 0,09 0,00 2,27 2,33 0,00 169,83 356,24 0,00 0,02 0,21 52,23 0,66
Error típico 3,16 1,75 0,17 0,18 0,20 0,17 0,21 0,04 0,01 4,46 0,01 5,06 0,01 0,08 0,02 0,38 0,38 0,00 3,26 4,72 0,00 0,03 0,11 1,81 0,20
Asimetría 1,05 0,17 0,81 0,15 -0,18 0,78 0,16 0,33 0,02 0,87 0,21 0,46 -0,03 0,98 0,02 -0,23 -0,16 -0,17 1,11 1,26 -0,18 1,12 -0,13 0,76 0,08
Curtosis 1,52 -0,66 0,22 -1,02 0,14 -0,69 -0,95 0,60 -0,58 0,17 -1,14 1,01 -0,54 1,64 -0,16 -1,48 -1,01 -1,37 1,98 2,38 1,13 0,58 -1,42 -0,08 -1,45
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 90,16 54,90 10,60 10,23 11,31 10,56 4,77 0,66 0,07 127,37 1,04 140,79 1,09 4,90 0,33 1,34 2,71 0,013 91,50 144,22 0,63 0,18 0,44 39,11 16,34
Máximo 192,93 90,10 16,82 16,04 17,70 16,80 9,40 1,64 0,21 269,85 1,19 297,36 1,34 7,88 0,56 4,23 5,00 0,028 197,10 308,11 0,70 0,77 1,44 60,22 26,99
Mínimo 8,42 13,76 3,60 3,22 3,80 3,30 0,70 0,03 0,00 11,58 0,92 12,54 0,96 1,64 0,21 0,00 0,00 0,000 8,47 12,07 0,55 0,01 0,01 22,25 11,16
Rango 184,51 76,34 13,22 12,83 13,90 13,50 8,70 1,61 0,21 258,27 0,28 284,82 0,38 6,24 0,35 4,23 5,00 0,03 188,63 296,04 0,15 0,76 1,43 37,97 15,83
Varianza 3767,68 550,57 19,85 19,12 22,51 21,46 8,97 0,27 0,00 7586,16 0,00 9305,11 0,01 4,33 0,00 1,76 2,17 0,00 3882,18 9548,36 0,00 0,03 0,18 57,25 15,63
Error típico 8,86 3,39 0,64 0,63 0,68 0,67 0,43 0,08 0,01 12,57 0,01 13,92 0,01 0,30 0,01 0,19 0,21 0,00 8,99 14,10 0,00 0,03 0,06 1,09 0,57
Asimetría -0,03 -0,30 -0,29 -0,28 -0,34 -0,28 -0,14 0,25 0,47 0,01 0,14 -0,02 0,99 -0,32 1,26 0,70 -0,14 -0,07 -0,03 -0,03 0,28 1,77 1,12 0,29 0,73
Curtosis -1,53 -1,39 -1,50 -1,49 -1,50 -1,53 -1,58 -1,42 -1,28 -1,53 0,25 -1,54 1,17 -1,51 2,71 -0,88 -0,82 -1,21 -1,53 -1,54 0,76 3,28 0,09 0,66 -0,11
43
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 16,72 24,73 5,07 4,73 5,31 4,86 1,11 0,10 0,005 24,25 1,08 26,13 1,09 2,26 0,35 0,08 1,50 0,005 16,80 27,14 0,62 0,13 0,17 36,70 16,70
Máximo 22,97 30,58 5,86 5,68 6,40 5,70 2,00 0,14 0,011 32,56 1,20 36,48 1,28 2,69 0,51 0,22 3,00 0,015 23,06 37,28 0,67 0,39 0,33 48,63 18,46
Mínimo 10,34 17,02 3,86 3,56 4,20 3,80 0,40 0,06 0,004 13,75 0,97 17,20 0,93 1,80 0,26 0,00 0,00 0,000 10,38 16,14 0,53 0,00 0,01 24,28 15,47
Rango 12,63 13,57 2,00 2,12 2,20 1,90 1,60 0,08 0,01 18,81 0,22 19,28 0,34 0,89 0,26 0,22 3,00 0,01 12,68 21,14 0,14 0,39 0,32 24,35 3,00
Varianza 14,55 19,68 0,33 0,32 0,48 0,39 0,13 0,00 0,00 28,29 0,00 41,23 0,01 0,06 0,01 0,01 1,47 0,00 14,67 40,35 0,00 0,01 0,01 52,97 0,97
Error típico 0,95 1,11 0,14 0,14 0,17 0,16 0,09 0,01 0,00 1,33 0,01 1,61 0,02 0,06 0,02 0,02 0,30 0,00 0,96 1,59 0,01 0,03 0,03 1,82 0,25
Asimetría -0,07 -0,24 -0,48 -0,52 -0,05 -0,19 0,64 0,12 2,38 -0,32 0,35 0,14 0,06 -0,30 0,75 0,86 0,13 1,12 -0,08 0,00 -0,88 0,95 -0,07 -0,17 0,73
Curtosis -0,95 -1,45 -0,37 -0,08 -1,22 -1,17 1,73 -0,76 5,31 -0,53 0,60 -1,45 -0,14 -0,62 -0,44 -0,25 -1,58 0,76 -0,94 -0,98 1,31 0,38 -1,14 -0,98 -0,57
Intervalo de confianza (95%) 1,87 2,17 0,28 0,28 0,34 0,31 0,18 0,01 - 2,61 0,03 3,15 0,05 0,12 0,04 0,04 0,59 0,00 1,88 3,11 0,02 0,06 0,05 3,57 0,48
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 93,14 62,02 11,72 11,18 12,50 11,28 5,63 0,71 0,08 132,72 1,05 142,67 1,12 5,33 0,31 1,12 3,38 0,012 94,26 148,07 0,64 0,28 0,33 41,04 13,25
Máximo 130,14 77,17 13,77 13,41 14,60 14,70 8,50 1,03 0,13 181,83 1,16 214,62 1,34 6,26 0,35 2,82 5,00 0,025 130,57 204,89 0,67 0,53 1,01 45,36 14,57
Mínimo 61,85 49,43 9,46 8,94 9,80 8,90 3,20 0,43 0,03 88,64 0,98 88,20 0,96 4,37 0,28 0,20 1,00 0,002 62,59 95,82 0,60 0,01 0,06 35,82 11,42
Rango 68,29 27,74 4,32 4,46 4,80 5,80 5,30 0,59 0,10 93,19 0,18 126,42 0,39 1,88 0,07 2,61 4,00 0,02 67,97 109,08 0,08 0,52 0,95 9,55 3,16
Varianza 448,86 67,40 1,77 2,02 2,36 2,48 2,12 0,03 0,00 970,06 0,00 1196,60 0,01 0,36 0,00 0,63 1,45 0,00 451,01 1048,25 0,00 0,03 0,06 10,14 0,94
Error típico 5,30 2,05 0,33 0,36 0,38 0,39 0,36 0,04 0,01 7,79 0,01 8,65 0,03 0,15 0,01 0,20 0,30 0,00 5,31 8,09 0,00 0,05 0,06 0,80 0,24
Asimetría 0,05 -0,05 0,13 0,00 -0,30 0,22 0,23 -0,22 0,26 0,20 0,59 0,22 0,58 -0,08 0,23 0,92 -0,32 0,31 0,04 0,05 -0,11 0,02 1,42 -0,05 -0,20
Curtosis -1,15 -1,00 -1,16 -1,29 -1,33 0,11 -0,40 -0,94 -1,28 -1,31 -0,38 -0,28 0,07 -1,23 -1,21 0,10 -0,66 -1,33 -1,19 -1,11 -0,01 -1,53 2,31 -1,34 -1,01
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 153,32 78,87 15,16 14,52 15,66 15,14 7,86 1,21 0,16 223,25 1,04 240,83 1,04 6,93 0,32 2,72 3,33 0,017 156,04 249,91 0,63 0,42 0,63 40,17 12,75
Máximo 200,77 91,42 18,29 16,71 19,20 18,20 9,70 1,90 0,31 298,51 1,14 345,80 1,13 8,13 0,39 6,39 5,00 0,032 207,16 344,80 0,69 1,86 1,25 51,90 16,21
Mínimo 95,06 61,52 11,64 11,05 12,40 11,60 5,70 0,62 0,07 128,59 0,96 151,96 0,81 5,53 0,24 0,00 0,00 0,000 97,14 152,70 0,59 0,01 0,00 31,82 9,88
Rango 105,71 29,90 6,66 5,67 6,80 6,60 4,00 1,28 0,24 169,92 0,18 193,84 0,32 2,61 0,15 6,39 5,00 0,03 110,01 192,10 0,10 1,85 1,24 20,07 6,33
Varianza 1031,11 121,28 4,40 2,87 4,83 4,48 1,43 0,14 0,00 2999,61 0,00 4188,46 0,01 0,59 0,00 3,42 2,10 0,00 1097,33 3555,14 0,00 0,22 0,17 33,99 3,02
Error típico 8,29 2,84 0,54 0,44 0,55 0,53 0,30 0,09 0,02 14,14 0,01 16,18 0,02 0,20 0,01 0,48 0,37 0,00 8,55 15,40 0,01 0,12 0,11 1,51 0,45
Asimetría -0,09 -0,31 0,08 -0,48 0,29 0,05 -0,28 0,55 0,90 -0,02 0,30 0,39 -1,70 -0,07 0,12 0,71 -1,00 -0,22 -0,02 0,06 0,33 2,29 0,01 0,43 0,48
Curtosis -0,99 -1,63 -1,17 -0,69 -1,16 -1,41 -0,83 -0,55 0,54 -1,24 -0,03 -1,24 3,43 -0,98 -0,70 0,32 0,75 -0,45 -1,02 -1,21 -0,30 6,39 -1,34 -0,37 -0,06
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 86,33 54,70 10,56 10,05 11,16 10,43 4,87 0,67 0,08 124,69 1,06 136,55 1,08 4,80 0,33 1,27 2,72 0,011 87,61 139,40 0,63 0,27 0,37 39,28 14,26
Máximo 200,77 91,42 18,29 16,71 19,20 18,20 9,70 1,90 0,31 298,51 1,20 345,80 1,34 8,13 0,51 6,39 5,00 0,032 207,16 344,80 0,69 1,86 1,25 51,90 18,46
Mínimo 10,34 17,02 3,86 3,56 4,20 3,80 0,40 0,06 0,00 13,75 0,96 17,20 0,81 1,80 0,24 0,00 0,00 0,000 10,38 16,14 0,53 0,00 0,00 24,28 9,88
Rango 190,42 74,40 14,43 13,15 15,00 14,40 9,30 1,84 0,30 284,76 0,23 328,60 0,53 6,34 0,27 6,39 5,00 0,03 196,77 328,66 0,15 1,86 1,24 27,62 8,58
Varianza 3629,83 587,02 19,88 18,45 21,63 20,71 9,24 0,26 0,01 7937,51 0,00 9596,80 0,01 4,14 0,00 2,43 2,38 0,00 3772,12 9829,14 0,00 0,10 0,11 34,57 4,70
Error típico 8,79 3,53 0,65 0,63 0,67 0,66 0,44 0,07 0,01 13,00 0,01 14,14 0,01 0,30 0,01 0,23 0,22 0,00 8,96 14,46 0,00 0,05 0,05 0,86 0,32
Asimetría 0,22 -0,16 -0,07 -0,15 -0,15 -0,02 -0,13 0,51 0,96 0,35 0,43 0,42 0,14 -0,16 1,41 1,68 -0,29 0,59 0,23 0,34 -0,70 3,11 1,26 -0,46 0,16
Curtosis -1,14 -1,34 -1,27 -1,42 -1,26 -1,26 -1,48 -0,44 0,61 -0,95 -0,08 -0,71 1,13 -1,39 2,27 2,89 -0,90 -0,69 -1,11 -0,93 1,56 14,06 0,63 0,22 -0,84
44
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 38,23 40,49 7,69 7,33 8,33 7,62 2,30 0,27 0,011 56,95 1,05 64,07 1,09 3,42 0,30 0,59 2,38 0,014 38,82 62,45 0,62 0,16 0,24 42,74 14,52
Máximo 50,30 48,25 9,37 8,83 10,65 9,10 3,80 0,39 0,019 81,14 1,18 96,92 1,25 3,98 0,38 1,35 4,00 0,027 51,19 84,21 0,66 0,45 0,76 54,58 19,16
Mínimo 26,52 33,92 6,27 5,72 6,40 6,30 1,40 0,14 0,003 35,84 0,96 40,32 0,97 2,87 0,23 0,14 1,00 0,004 26,88 41,03 0,56 0,01 0,01 32,86 12,38
Rango 23,78 14,33 3,10 3,11 4,25 2,80 2,40 0,25 0,02 45,30 0,22 56,60 0,29 1,12 0,15 1,21 3,00 0,02 24,31 43,18 0,10 0,44 0,75 21,72 6,78
Varianza 48,47 16,62 0,71 0,71 1,10 0,54 0,42 0,00 0,00 156,59 0,00 188,33 0,01 0,11 0,00 0,13 0,92 0,00 52,20 136,45 0,00 0,02 0,05 40,85 2,79
Error típico 1,74 1,02 0,21 0,21 0,26 0,18 0,16 0,02 0,00 3,13 0,01 3,43 0,02 0,08 0,01 0,09 0,24 0,00 1,81 2,92 0,01 0,03 0,05 1,60 0,42
Asimetría 0,37 0,17 0,33 0,31 0,40 0,43 0,82 0,08 -0,19 0,54 0,59 0,71 0,39 0,13 0,24 0,55 0,15 0,08 0,39 0,36 -0,65 0,75 1,17 0,14 1,52
Curtosis -0,45 -0,78 -0,33 -0,08 0,46 0,27 0,52 -0,04 -0,79 -0,20 1,43 1,00 -0,48 -0,65 -1,17 -0,53 -0,68 -1,18 -0,47 -0,21 -0,30 -0,34 0,68 -1,10 2,94
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 88,59 62,14 11,51 11,24 12,34 11,34 5,81 0,74 0,08 131,75 1,02 142,26 1,09 5,25 0,29 1,64 3,25 0,017 90,22 144,62 0,63 0,29 0,49 43,22 12,22
Máximo 130,76 76,42 14,78 14,15 15,30 14,00 8,30 1,16 0,17 195,38 1,12 214,20 1,18 6,55 0,35 4,11 5,00 0,045 134,70 211,25 0,67 0,97 1,27 53,02 14,07
Mínimo 55,66 49,59 8,81 8,61 9,90 8,40 3,50 0,45 0,02 75,86 0,93 83,16 0,99 4,11 0,24 0,00 0,00 0,000 55,97 90,01 0,55 0,00 0,00 35,53 7,55
Rango 75,10 26,84 5,97 5,54 5,40 5,60 4,80 0,71 0,15 119,52 0,19 131,04 0,19 2,44 0,12 4,11 5,00 0,05 78,73 121,24 0,12 0,97 1,27 17,48 6,52
Varianza 483,26 95,90 3,01 2,45 2,49 2,57 1,88 0,04 0,00 1369,30 0,00 1380,77 0,00 0,48 0,00 2,02 2,47 0,00 525,49 1360,91 0,00 0,06 0,15 30,42 2,43
Error típico 5,50 2,45 0,43 0,39 0,39 0,40 0,34 0,05 0,01 9,25 0,01 9,29 0,01 0,17 0,01 0,36 0,39 0,00 5,73 9,22 0,01 0,06 0,10 1,38 0,39
Asimetría 0,29 0,06 0,12 -0,02 0,19 -0,24 0,08 0,40 0,83 0,24 -0,03 0,16 -0,04 0,09 0,02 0,52 -0,35 0,58 0,28 0,07 -1,28 1,28 0,89 0,27 -1,72
Curtosis -0,96 -1,90 -0,85 -0,55 -1,00 -0,86 -0,66 -0,76 0,40 -0,85 -0,53 -0,87 -0,31 -0,78 -1,33 -1,25 -0,86 -0,72 -0,90 -1,17 3,63 2,31 0,12 -1,23 4,90
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 132,89 76,27 14,32 13,49 15,27 14,28 7,16 1,16 0,14 194,01 1,06 219,14 1,07 6,51 0,29 3,03 4,06 0,022 135,93 219,64 0,62 0,42 0,59 42,89 11,49
Máximo 176,91 89,84 16,36 16,01 17,20 16,80 9,30 1,56 0,26 261,94 1,16 288,96 1,17 7,59 0,33 5,20 5,00 0,036 182,08 288,74 0,66 1,08 1,22 48,42 12,21
Mínimo 104,86 66,10 12,61 12,40 13,10 12,00 6,00 0,91 0,10 157,02 0,92 165,60 0,97 5,81 0,26 0,63 3,00 0,005 107,42 169,90 0,59 0,00 0,03 37,67 10,24
Rango 72,04 23,74 3,75 3,60 4,10 4,80 3,30 0,65 0,16 104,92 0,24 123,36 0,20 1,77 0,07 4,57 2,00 0,03 74,66 118,84 0,07 1,08 1,20 10,75 1,97
Varianza 362,86 30,57 1,51 0,89 1,31 1,71 0,63 0,04 0,00 845,26 0,00 1202,28 0,00 0,25 0,00 1,77 0,60 0,00 396,14 1199,46 0,00 0,09 0,15 10,69 0,29
Error típico 4,76 1,38 0,31 0,24 0,29 0,33 0,20 0,05 0,01 7,27 0,01 8,67 0,02 0,12 0,01 0,33 0,19 0,00 4,98 8,66 0,00 0,08 0,10 0,82 0,14
Asimetría 0,67 0,43 0,14 1,27 -0,22 0,48 1,09 0,61 2,29 0,85 -0,45 0,51 -0,01 0,55 0,25 -0,03 -0,11 -0,53 0,71 0,46 -0,18 0,51 0,13 0,00 -0,81
Curtosis 0,26 1,96 -1,18 2,19 -0,50 -0,54 2,48 -0,52 6,73 0,45 1,54 -0,48 -1,24 -0,33 -0,85 -0,32 -1,19 0,52 0,24 -0,75 0,00 -0,08 -1,22 -0,83 0,55
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 86,57 59,63 11,17 10,69 11,98 11,08 5,09 0,72 0,08 127,57 1,05 141,82 1,09 5,06 0,30 1,75 3,23 0,018 88,32 142,23 0,62 0,29 0,44 42,95 12,74
Máximo 176,91 89,84 16,36 16,01 17,20 16,80 9,30 1,56 0,26 261,94 1,18 288,96 1,25 7,59 0,38 5,20 5,00 0,045 182,08 288,74 0,67 1,08 1,27 54,58 19,16
Mínimo 26,52 33,92 6,27 5,72 6,40 6,30 1,40 0,14 0,00 35,84 0,92 40,32 0,97 2,87 0,23 0,00 0,00 0,000 26,88 41,03 0,55 0,00 0,00 32,86 7,55
Rango 150,38 55,93 10,09 10,29 10,80 10,50 7,90 1,42 0,26 226,10 0,26 248,64 0,29 4,72 0,15 5,20 5,00 0,05 155,20 247,71 0,12 1,08 1,27 21,72 11,61
Varianza 1812,94 266,82 9,21 7,91 9,82 9,13 5,21 0,16 0,00 3963,24 0,00 4977,52 0,00 1,92 0,00 2,27 1,75 0,00 1917,83 5069,39 0,00 0,07 0,13 26,20 3,46
Error típico 6,15 2,36 0,44 0,41 0,45 0,44 0,33 0,06 0,01 9,09 0,01 10,18 0,01 0,20 0,01 0,22 0,19 0,00 6,32 10,28 0,00 0,04 0,05 0,74 0,27
Asimetría 0,17 -0,09 -0,01 -0,17 -0,10 0,05 -0,22 0,23 0,57 0,16 0,03 0,24 0,20 -0,07 0,26 0,72 -0,27 0,26 0,18 0,21 -0,74 1,17 0,82 0,17 0,73
Curtosis -1,26 -1,49 -1,37 -1,34 -1,33 -1,29 -1,37 -1,16 -0,06 -1,24 0,30 -1,16 -0,46 -1,37 -0,68 -0,66 -0,75 -0,44 -1,24 -1,21 0,86 1,27 -0,29 -0,71 2,80
45
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 23,34 27,02 5,88 5,51 6,12 5,96 1,89 0,20 0,007 32,73 1,07 36,71 1,03 2,68 0,41 0,28 2,81 0,011 23,61 36,64 0,65 0,13 0,17 31,41 11,98
Máximo 32,41 34,05 7,14 7,02 7,00 7,20 2,80 0,28 0,015 50,18 1,23 50,40 1,25 3,23 0,52 0,90 5,00 0,029 32,96 52,29 0,69 0,32 0,43 43,90 13,74
Mínimo 16,49 20,65 4,65 4,49 4,80 4,90 1,20 0,15 0,004 20,91 0,98 23,52 0,86 2,25 0,28 0,03 1,00 0,001 16,66 24,02 0,60 0,00 0,00 24,01 10,35
Rango 15,91 13,40 2,49 2,53 2,20 2,30 1,60 0,13 0,01 29,28 0,25 26,88 0,39 0,97 0,24 0,87 4,00 0,03 16,30 28,27 0,09 0,32 0,43 19,89 3,39
Varianza 21,38 10,49 0,33 0,46 0,43 0,49 0,18 0,00 0,00 50,75 0,00 55,88 0,01 0,08 0,01 0,06 1,63 0,00 22,93 62,13 0,00 0,01 0,02 35,58 1,07
Error típico 1,16 0,81 0,14 0,17 0,16 0,18 0,11 0,01 0,00 1,78 0,02 1,87 0,03 0,07 0,02 0,06 0,32 0,00 1,20 1,97 0,01 0,03 0,04 1,49 0,26
Asimetría 0,59 0,36 0,31 0,74 -0,52 0,24 0,57 0,84 0,71 1,02 0,68 0,45 0,40 0,49 -0,26 1,44 -0,04 0,78 0,65 0,69 0,29 0,64 0,69 0,91 0,16
Curtosis -0,53 0,67 1,55 0,39 -0,26 -0,54 -0,15 -0,18 -0,15 1,50 0,19 -0,10 -0,14 -0,82 -0,72 1,87 -0,29 0,24 -0,47 -0,02 -0,18 -0,88 -1,19 0,24 -1,08
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 98,40 64,00 12,03 11,67 12,68 11,72 6,16 0,84 0,10 143,67 1,03 150,21 1,09 5,50 0,30 1,73 3,38 0,016 100,13 158,53 0,63 0,29 0,58 42,22 12,08
Máximo 195,06 82,52 17,07 16,32 15,40 14,20 8,10 1,43 0,22 278,64 1,15 215,60 1,17 7,92 0,37 4,19 6,00 0,032 199,24 292,22 0,69 0,89 1,09 54,50 21,92
Mínimo 64,92 50,42 9,51 8,97 10,90 9,90 3,90 0,50 0,03 86,27 0,88 107,91 0,99 4,50 0,23 0,15 1,00 0,002 65,68 104,55 0,58 0,03 0,06 33,36 8,12
Rango 130,13 32,10 7,56 7,35 4,50 4,30 4,20 0,93 0,19 192,38 0,27 107,69 0,18 3,42 0,15 4,04 5,00 0,03 133,56 187,67 0,11 0,86 1,03 21,14 13,80
Varianza 1052,37 80,14 3,90 3,57 1,82 2,05 1,35 0,06 0,00 2351,67 0,00 1145,93 0,00 0,79 0,00 1,24 1,72 0,00 1110,77 2354,00 0,00 0,06 0,11 46,16 13,89
Error típico 8,11 2,24 0,49 0,47 0,34 0,36 0,29 0,06 0,01 12,12 0,02 8,46 0,02 0,22 0,01 0,28 0,33 0,00 8,33 12,13 0,01 0,06 0,08 1,70 0,93
Asimetría 1,88 0,46 0,99 0,88 0,50 0,44 -0,29 0,94 1,47 1,46 -0,61 0,67 -0,14 1,35 0,25 0,70 0,21 0,16 1,88 1,47 0,58 1,20 -0,31 0,09 1,36
Curtosis 4,64 -0,26 1,42 1,00 -0,62 -1,03 -0,55 1,37 3,98 2,92 2,21 -0,60 -1,55 2,48 -1,44 -0,11 -0,17 0,21 4,59 2,72 0,24 0,91 -1,14 -1,24 2,00
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 135,01 72,20 14,06 13,41 15,70 14,75 7,89 1,29 0,18 190,16 1,05 233,94 1,06 6,50 0,33 2,18 3,56 0,016 137,20 213,20 0,64 0,36 0,49 38,32 10,88
Máximo 175,74 83,39 16,50 15,30 20,60 17,10 10,20 1,99 0,34 252,56 1,09 337,84 1,26 7,45 0,38 3,99 5,00 0,027 178,36 281,65 0,70 0,91 1,14 47,91 15,18
Mínimo 80,07 53,99 11,11 10,68 13,40 12,30 5,80 0,83 0,08 118,64 1,00 164,82 0,95 5,06 0,26 0,00 0,00 0,000 81,03 124,68 0,61 0,01 0,11 33,21 4,56
Rango 95,67 29,40 5,40 4,62 7,20 4,80 4,40 1,16 0,26 133,92 0,09 173,02 0,31 2,39 0,12 3,99 5,00 0,03 97,32 156,98 0,09 0,90 1,04 14,70 10,63
Varianza 761,22 67,28 2,11 1,62 3,79 2,30 1,25 0,11 0,01 1342,93 0,00 2670,08 0,00 0,46 0,00 1,09 1,46 0,00 798,13 2010,65 0,00 0,08 0,10 17,17 5,85
Error típico 6,90 2,05 0,36 0,32 0,49 0,38 0,28 0,08 0,02 9,16 0,01 12,92 0,02 0,17 0,01 0,26 0,30 0,00 7,06 11,21 0,00 0,07 0,08 1,04 0,60
Asimetría -0,03 -0,44 -0,02 -0,45 1,16 0,11 0,15 0,66 0,73 0,04 -0,22 0,66 1,56 -0,28 -0,38 -0,32 -1,59 -0,45 -0,05 -0,04 1,27 0,60 0,92 0,84 -1,18
Curtosis -0,47 -0,03 -0,07 0,14 1,06 -1,23 0,14 -0,64 -0,19 -0,19 -1,24 -0,70 5,83 -0,17 -0,31 -0,09 4,43 0,95 -0,49 -0,52 4,29 -0,23 0,25 0,53 2,97
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 85,58 54,41 10,66 10,19 11,50 10,81 5,31 0,78 0,09 122,19 1,05 140,29 1,06 4,89 0,35 1,40 3,25 0,014 86,98 136,12 0,64 0,26 0,41 37,32 11,65
Máximo 195,06 83,39 17,07 16,32 20,60 17,10 10,20 1,99 0,34 278,64 1,23 337,84 1,26 7,92 0,52 4,19 6,00 0,032 199,24 292,22 0,70 0,91 1,14 54,50 21,92
Mínimo 16,49 20,65 4,65 4,49 4,80 4,90 1,20 0,15 0,00 20,91 0,88 23,52 0,86 2,25 0,23 0,00 0,00 0,000 16,66 24,02 0,58 0,00 0,00 24,01 4,56
Rango 178,56 62,74 12,42 11,83 15,80 12,20 9,00 1,84 0,33 257,74 0,35 314,32 0,39 5,66 0,29 4,19 6,00 0,03 182,58 268,20 0,12 0,91 1,14 30,49 17,37
Varianza 2792,44 444,84 14,36 13,53 18,27 15,13 7,39 0,26 0,01 5649,66 0,00 7907,61 0,01 3,09 0,00 1,44 1,64 0,00 2900,83 6975,08 0,00 0,06 0,11 51,97 6,94
Error típico 7,63 3,04 0,55 0,53 0,62 0,56 0,39 0,07 0,01 10,85 0,01 12,84 0,01 0,25 0,01 0,17 0,18 0,00 7,77 12,05 0,00 0,03 0,05 1,04 0,38
Asimetría 0,18 -0,35 -0,20 -0,28 -0,13 -0,16 -0,21 0,39 0,96 0,11 0,30 0,27 0,07 -0,18 0,64 0,62 -0,37 0,13 0,18 0,11 0,28 1,24 0,65 0,23 0,95
Curtosis -1,09 -1,45 -1,38 -1,41 -1,13 -1,35 -1,40 -0,71 0,48 -1,17 2,19 -0,90 0,59 -1,36 0,00 -0,74 0,16 -0,32 -1,09 -1,19 0,31 1,05 -0,57 -0,45 4,92
46
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 33,71 35,68 7,00 6,84 7,59 7,04 1,95 0,26 0,008 48,79 1,02 54,31 1,08 3,22 0,35 0,34 2,31 0,009 34,05 53,91 0,63 0,24 0,24 37,56 13,20
Máximo 50,66 48,40 8,90 8,66 9,30 8,60 3,00 0,39 0,018 72,95 1,14 78,26 1,17 4,03 0,53 1,31 5,00 0,025 51,41 81,01 0,68 0,55 0,64 47,63 14,86
Mínimo 20,85 23,25 5,19 5,19 6,00 5,20 1,40 0,16 0,004 26,97 0,94 31,72 1,01 2,54 0,26 0,00 0,00 0,000 20,89 30,66 0,57 0,03 0,03 23,78 11,84
Rango 29,81 25,15 3,70 3,46 3,30 3,40 1,60 0,23 0,01 45,98 0,20 46,54 0,16 1,49 0,26 1,31 5,00 0,03 30,53 50,36 0,11 0,53 0,61 23,86 3,01
Varianza 81,53 55,84 1,10 1,08 1,01 1,03 0,22 0,01 0,00 200,65 0,00 214,74 0,00 0,19 0,01 0,10 1,70 0,00 85,59 212,70 0,00 0,02 0,04 54,56 0,87
Error típico 2,26 1,87 0,26 0,26 0,25 0,25 0,12 0,02 0,00 3,54 0,02 3,66 0,01 0,11 0,02 0,08 0,33 0,00 2,31 3,65 0,01 0,04 0,05 1,85 0,23
Asimetría 0,56 -0,30 -0,02 0,21 0,13 -0,17 1,10 0,82 0,84 0,32 0,46 0,24 0,38 0,38 1,10 1,97 0,37 0,87 0,58 0,41 -0,70 0,66 0,86 -0,46 0,67
Curtosis -0,30 -0,72 -0,70 -0,26 -0,70 -0,70 0,90 -0,17 0,63 -0,53 -1,00 -0,74 -1,10 -0,46 0,47 5,51 -0,02 1,45 -0,26 -0,56 1,30 -0,03 -0,48 -0,80 -0,76
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 77,60 57,84 10,79 10,53 11,66 11,01 5,78 0,68 0,08 114,65 1,03 129,18 1,06 4,93 0,30 1,11 3,13 0,014 78,71 126,11 0,62 0,25 0,39 42,57 11,46
Máximo 103,22 71,99 13,07 12,69 13,30 12,70 6,70 0,92 0,11 165,86 1,16 168,91 1,16 5,70 0,33 2,43 5,00 0,028 103,84 167,68 0,65 0,58 1,02 52,09 12,26
Mínimo 57,41 47,12 8,87 8,77 9,70 9,00 4,80 0,47 0,05 77,75 0,95 88,20 0,96 4,25 0,24 0,15 1,00 0,002 57,62 89,84 0,61 0,02 0,05 37,49 9,96
Rango 45,82 24,87 4,21 3,92 3,60 3,70 1,90 0,45 0,06 88,12 0,21 80,71 0,20 1,46 0,09 2,28 4,00 0,03 46,22 77,83 0,05 0,57 0,97 14,60 2,30
Varianza 177,01 44,81 1,38 1,18 1,14 1,06 0,34 0,01 0,00 554,74 0,00 512,17 0,00 0,19 0,00 0,61 1,18 0,00 185,88 487,18 0,00 0,02 0,09 17,65 0,55
Error típico 3,33 1,67 0,29 0,27 0,27 0,26 0,15 0,03 0,00 5,89 0,01 5,66 0,01 0,11 0,01 0,19 0,27 0,00 3,41 5,52 0,00 0,04 0,07 1,05 0,19
Asimetría 0,10 0,34 0,02 0,22 -0,48 -0,42 -0,18 0,28 0,48 0,39 1,23 -0,24 -0,09 -0,03 -0,77 0,46 0,08 0,34 0,03 0,09 0,56 0,76 0,88 1,07 -1,01
Curtosis -0,67 -0,09 -0,55 -0,50 -0,67 -0,54 -1,07 -0,24 -0,90 0,01 1,48 -0,70 0,00 -0,91 -0,20 -1,27 -0,03 -1,61 -0,81 -0,68 -0,67 0,65 -0,23 0,40 -0,16
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 116,26 68,90 12,99 12,77 14,24 13,21 7,40 1,05 0,14 166,78 1,02 188,75 1,08 6,04 0,31 1,91 3,75 0,015 118,17 184,23 0,64 0,30 0,60 40,46 11,17
Máximo 154,27 77,94 15,88 15,33 17,20 15,20 9,20 1,48 0,20 243,52 1,12 261,44 1,39 7,09 0,39 4,34 5,00 0,028 158,61 243,56 0,69 0,71 1,33 48,66 12,20
Mínimo 84,17 60,11 11,47 10,81 12,70 11,00 5,50 0,76 0,09 123,95 0,92 161,24 1,00 5,09 0,26 0,17 1,00 0,002 84,86 135,25 0,62 0,08 0,04 32,17 9,82
Rango 70,10 17,83 4,41 4,53 4,50 4,20 3,70 0,73 0,12 119,57 0,20 100,20 0,39 2,00 0,13 4,17 4,00 0,03 73,75 108,31 0,07 0,64 1,30 16,49 2,37
Varianza 299,80 22,07 1,12 1,18 1,42 1,09 1,40 0,04 0,00 743,26 0,00 752,44 0,01 0,24 0,00 1,91 1,40 0,00 334,64 678,39 0,00 0,03 0,19 19,43 0,32
Error típico 4,33 1,17 0,26 0,27 0,30 0,26 0,30 0,05 0,01 6,82 0,01 6,86 0,03 0,12 0,01 0,35 0,30 0,00 4,57 6,51 0,00 0,05 0,11 1,10 0,14
Asimetría 0,55 -0,10 1,37 0,35 1,13 -0,24 -0,18 0,87 0,55 1,41 0,00 1,39 2,18 0,44 0,50 0,25 -0,83 -0,17 0,62 0,65 1,96 0,79 0,31 0,08 -0,77
Curtosis 0,54 0,02 2,69 1,06 1,13 0,64 -1,11 0,48 -0,78 3,45 -0,75 1,95 5,60 0,57 0,31 -1,20 0,36 -1,73 0,53 0,96 4,37 -0,13 -1,16 -0,06 1,23
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 75,85 54,14 10,26 10,05 11,16 10,42 5,04 0,66 0,07 110,07 1,02 124,08 1,07 4,73 0,32 1,12 3,06 0,013 76,97 121,42 0,63 0,26 0,41 40,20 11,95
Máximo 154,27 77,94 15,88 15,33 17,20 15,20 9,20 1,48 0,20 243,52 1,16 261,44 1,39 7,09 0,53 4,34 5,00 0,028 158,61 243,56 0,69 0,71 1,33 52,09 14,86
Mínimo 20,85 23,25 5,19 5,19 6,00 5,20 1,40 0,16 0,00 26,97 0,92 31,72 0,96 2,54 0,24 0,00 0,00 0,000 20,89 30,66 0,57 0,02 0,03 23,78 9,82
Rango 133,42 54,69 10,69 10,14 11,20 10,00 7,80 1,32 0,20 216,54 0,24 229,72 0,44 4,55 0,29 4,34 5,00 0,03 137,72 212,90 0,13 0,70 1,30 28,31 5,03
Varianza 1339,57 233,98 7,40 7,21 8,80 7,68 5,96 0,12 0,00 2858,54 0,00 3561,84 0,01 1,57 0,00 1,26 1,72 0,00 1399,28 3341,99 0,00 0,03 0,12 33,55 1,38
Error típico 5,28 2,21 0,39 0,39 0,43 0,40 0,35 0,05 0,01 7,72 0,01 8,61 0,01 0,18 0,01 0,16 0,19 0,00 5,40 8,34 0,00 0,02 0,05 0,84 0,17
Asimetría 0,14 -0,45 -0,22 -0,20 -0,15 -0,28 -0,20 0,24 0,45 0,17 0,53 0,09 1,94 -0,17 1,86 1,21 -0,18 0,40 0,16 0,07 0,03 0,82 1,00 -0,65 0,67
Curtosis -1,04 -0,93 -1,02 -1,07 -1,05 -1,14 -1,25 -0,84 -0,60 -0,80 -0,31 -0,97 7,02 -1,12 4,58 0,66 -0,65 -1,25 -0,99 -1,09 2,25 0,27 0,21 0,95 0,49
47
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 19,59 25,32 5,43 4,99 5,66 5,46 1,41 0,16 0,007 27,44 1,09 31,22 1,04 2,44 0,39 0,11 1,44 0,006 19,70 31,19 0,64 0,18 0,14 32,51 12,64
Máximo 28,17 34,63 6,84 6,02 6,90 7,20 2,20 0,23 0,015 40,69 1,15 45,36 1,17 2,86 0,50 0,39 3,00 0,018 28,35 46,66 0,69 0,42 0,34 42,07 14,29
Mínimo 14,51 19,12 4,36 4,09 4,70 4,70 0,80 0,10 0,005 17,83 0,99 22,09 0,88 2,17 0,30 0,00 0,00 0,000 14,63 22,05 0,58 0,05 0,02 24,87 11,09
Rango 13,65 15,51 2,48 1,93 2,20 2,50 1,40 0,13 0,01 22,86 0,16 23,27 0,29 0,70 0,21 0,39 3,00 0,02 13,72 24,61 0,11 0,36 0,32 17,21 3,20
Varianza 16,91 17,74 0,52 0,33 0,50 0,46 0,14 0,00 0,00 45,56 0,00 54,38 0,01 0,05 0,00 0,01 1,20 0,00 16,98 53,42 0,00 0,01 0,01 20,89 0,81
Error típico 1,03 1,05 0,18 0,14 0,18 0,17 0,09 0,01 0,00 1,69 0,01 1,84 0,02 0,06 0,01 0,03 0,27 0,00 1,03 1,83 0,01 0,02 0,02 1,14 0,23
Asimetría 0,56 0,49 0,47 0,18 0,05 1,01 0,63 0,59 1,50 0,59 -0,41 0,43 -0,15 0,47 0,44 1,26 0,01 0,93 0,56 0,68 0,13 0,94 0,78 0,19 0,11
Curtosis -0,44 0,21 -0,38 -0,49 -0,90 1,43 0,19 -0,61 1,58 -0,17 -0,49 -0,62 0,24 -0,89 -0,30 2,76 -1,23 1,21 -0,39 -0,11 -0,56 0,83 -0,35 -0,11 -0,15
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 85,25 59,57 11,17 10,68 12,13 11,45 5,74 0,78 0,12 120,54 1,05 140,80 1,06 5,12 0,31 1,12 2,94 0,012 86,38 136,43 0,64 0,30 0,31 41,29 11,14
Máximo 128,30 79,26 13,79 13,17 15,40 14,50 7,80 1,32 0,24 181,71 1,20 223,30 1,18 6,31 0,39 2,68 5,00 0,026 130,82 212,68 0,67 0,77 0,65 47,67 13,20
Mínimo 56,12 46,91 9,09 8,89 9,60 9,30 3,90 0,49 0,05 84,83 0,97 94,86 0,94 4,13 0,26 0,00 0,00 0,000 56,53 91,90 0,61 0,01 0,01 32,09 9,72
Rango 72,18 32,34 4,71 4,29 5,80 5,20 3,90 0,82 0,18 96,88 0,23 128,44 0,23 2,18 0,13 2,68 5,00 0,03 74,29 120,78 0,06 0,76 0,64 15,58 3,48
Varianza 377,96 74,90 1,67 1,38 2,44 2,14 1,52 0,05 0,00 723,71 0,00 1317,82 0,00 0,35 0,00 0,77 1,80 0,00 396,31 1138,86 0,00 0,06 0,04 18,33 1,07
Error típico 4,86 2,16 0,32 0,29 0,39 0,37 0,31 0,06 0,01 6,73 0,02 9,08 0,01 0,15 0,01 0,22 0,34 0,00 4,98 8,44 0,00 0,06 0,05 1,07 0,26
Asimetría 0,75 0,78 0,57 0,49 0,67 0,55 -0,11 0,99 0,99 0,88 1,38 0,94 -0,42 0,37 1,13 0,41 -0,06 0,13 0,73 0,90 0,62 0,59 0,22 -0,73 0,43
Curtosis 0,46 0,44 -0,06 0,17 0,45 -0,24 -1,26 0,80 0,48 0,65 1,96 0,57 0,88 -0,05 0,83 -1,18 0,43 -1,58 0,44 0,66 -0,36 -0,82 -1,13 -0,07 -0,39
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 147,11 76,06 14,65 14,08 15,37 15,41 8,41 1,32 0,22 206,98 1,04 238,24 1,00 6,79 0,33 2,38 3,13 0,015 149,49 230,40 0,65 0,29 0,66 39,02 11,31
Máximo 181,98 86,34 16,36 15,83 17,70 18,00 10,50 1,74 0,34 251,04 1,15 311,40 1,05 7,66 0,43 5,62 5,00 0,038 186,09 291,99 0,68 0,84 1,35 47,65 12,78
Mínimo 103,58 64,39 12,42 12,70 13,50 12,90 6,30 0,85 0,10 157,68 0,98 174,15 0,92 5,67 0,26 0,07 1,00 0,001 104,36 168,45 0,62 0,02 0,11 28,92 9,87
Rango 78,40 21,95 3,95 3,13 4,20 5,10 4,20 0,89 0,24 93,36 0,17 137,25 0,12 1,99 0,17 5,55 4,00 0,04 81,73 123,54 0,06 0,82 1,24 18,73 2,90
Varianza 435,18 41,22 1,39 0,71 1,56 1,91 1,13 0,07 0,00 723,15 0,00 1598,01 0,00 0,28 0,00 3,44 1,58 0,00 474,74 1176,72 0,00 0,05 0,19 31,68 0,91
Error típico 5,22 1,61 0,30 0,21 0,31 0,35 0,27 0,07 0,02 6,72 0,01 9,99 0,01 0,13 0,01 0,46 0,31 0,00 5,45 8,58 0,00 0,05 0,11 1,41 0,24
Asimetría -0,19 0,15 -0,38 0,52 0,55 0,10 0,12 0,00 0,49 -0,07 0,45 0,46 -0,80 -0,24 0,53 0,35 0,19 0,54 -0,21 0,16 0,27 1,31 0,26 0,04 0,25
Curtosis -0,15 -0,81 -1,00 0,06 -0,49 -0,52 0,16 -0,86 -0,51 -0,72 -1,24 -0,51 0,01 0,01 -0,03 -1,39 -1,04 -0,61 -0,18 -0,57 -0,56 1,63 -1,35 -0,84 -1,27
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 83,98 53,65 10,42 9,92 11,05 10,77 5,19 0,75 0,11 118,32 1,06 136,75 1,03 4,78 0,34 1,20 2,50 0,011 85,19 132,67 0,64 0,26 0,37 37,61 11,70
Máximo 181,98 86,34 16,36 15,83 17,70 18,00 10,50 1,74 0,34 251,04 1,20 311,40 1,18 7,66 0,50 5,62 5,00 0,038 186,09 291,99 0,69 0,84 1,35 47,67 14,29
Mínimo 14,51 19,12 4,36 4,09 4,70 4,70 0,80 0,10 0,01 17,83 0,97 22,09 0,88 2,17 0,26 0,00 0,00 0,000 14,63 22,05 0,58 0,01 0,01 24,87 9,72
Rango 167,46 67,22 12,00 11,75 13,00 13,30 9,70 1,64 0,33 233,21 0,23 289,31 0,30 5,49 0,24 5,62 5,00 0,04 171,46 269,95 0,11 0,83 1,33 22,80 4,57
Varianza 3033,69 498,83 15,91 15,15 18,08 18,53 9,39 0,27 0,01 5965,67 0,00 8250,88 0,00 3,49 0,00 2,23 2,04 0,00 3151,50 7518,11 0,00 0,04 0,12 36,76 1,35
Error típico 7,95 3,22 0,58 0,56 0,61 0,62 0,44 0,07 0,01 11,15 0,01 13,11 0,01 0,27 0,01 0,22 0,21 0,00 8,10 12,52 0,00 0,03 0,05 0,88 0,17
Asimetría 0,13 -0,27 -0,19 -0,24 -0,25 -0,12 -0,11 0,25 0,57 0,10 0,40 0,18 0,07 -0,17 0,78 1,45 0,09 0,88 0,14 0,13 0,00 1,25 1,40 -0,14 0,16
Curtosis -1,37 -1,43 -1,43 -1,48 -1,43 -1,41 -1,45 -1,18 -0,62 -1,39 -0,59 -1,23 0,18 -1,46 0,15 1,24 -0,44 0,11 -1,36 -1,34 -0,28 1,11 1,26 -0,84 -0,69
48
Tabla 33. Estadística descriptiva. 2ª campaña (1996), cv. Cabernet-Sauvignon, Estudio Global.
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 23,15 29,25 5,83 5,54 6,21 5,82 1,60 0,15 0,006 33,65 1,06 37,63 1,07 2,64 0,34 0,26 2,38 0,010 23,41 37,68 0,62 0,18 0,18 38,15 16,74
Máximo 50,66 48,40 9,37 8,83 10,65 9,10 3,80 0,39 0,019 81,14 1,23 96,92 1,34 4,03 0,56 1,35 5,00 0,030 51,41 84,21 0,70 0,60 0,76 66,40 29,11
Mínimo 8,42 13,76 3,60 3,22 3,80 3,30 0,40 0,03 0,002 11,58 0,92 12,54 0,86 1,64 0,19 0,00 0,00 0,000 8,47 12,07 0,50 0,00 0,00 22,25 10,35
Rango 42,24 34,64 5,77 5,61 6,85 5,80 3,40 0,36 0,02 69,56 0,31 84,38 0,48 2,39 0,37 1,35 5,00 0,03 42,94 72,14 0,21 0,60 0,76 44,16 18,76
Varianza 93,07 50,27 1,43 1,42 1,79 1,48 0,32 0,01 0,00 213,24 0,00 263,73 0,01 0,28 0,01 0,07 1,91 0,00 96,68 240,80 0,00 0,02 0,02 70,55 19,87
Error típico 0,85 0,63 0,11 0,11 0,12 0,11 0,05 0,01 0,00 1,29 0,01 1,44 0,01 0,05 0,01 0,02 0,12 0,00 0,87 1,37 0,00 0,01 0,01 0,74 0,39
Asimetría 1,05 0,69 0,75 0,79 0,81 0,53 0,96 0,91 1,29 1,22 0,23 1,16 0,28 0,66 0,67 1,83 -0,04 0,55 1,07 1,07 -0,59 0,97 1,34 0,53 0,69
Curtosis 0,64 0,03 0,18 0,29 0,47 -0,16 1,61 0,19 1,18 1,19 -0,12 1,16 0,40 -0,03 0,10 4,13 -0,82 -0,31 0,70 0,70 0,46 0,56 1,61 0,63 -0,35
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 89,47 61,14 11,47 11,05 12,27 11,50 5,38 0,67 0,07 128,85 1,04 143,04 1,07 5,26 0,30 1,45 3,32 0,015 90,92 143,68 0,63 0,28 0,39 41,77 14,40
Máximo 195,06 82,52 17,07 16,32 15,50 16,70 8,80 1,43 0,24 278,64 1,20 258,85 1,34 7,92 0,42 4,19 6,00 0,045 199,24 292,22 0,70 0,97 1,27 54,50 26,34
Mínimo 52,20 43,55 8,14 8,17 9,10 8,40 2,00 0,20 0,01 67,44 0,88 80,08 0,88 4,05 0,23 0,00 0,00 0,000 52,70 76,84 0,55 0,00 0,00 29,68 7,55
Rango 142,85 38,98 8,93 8,16 6,40 8,30 6,80 1,23 0,23 211,20 0,32 178,77 0,47 3,87 0,19 4,19 6,00 0,05 146,55 215,38 0,15 0,97 1,27 24,82 18,79
Varianza 533,14 68,83 2,35 2,21 2,32 2,30 2,16 0,05 0,00 1186,32 0,00 1244,12 0,01 0,46 0,00 1,03 1,57 0,00 562,15 1340,61 0,00 0,05 0,09 26,24 16,40
Error típico 2,04 0,73 0,14 0,13 0,13 0,13 0,13 0,02 0,00 3,04 0,00 3,12 0,01 0,06 0,00 0,09 0,11 0,00 2,10 3,24 0,00 0,02 0,03 0,45 0,36
Asimetría 1,02 0,23 0,46 0,37 0,09 0,41 0,00 0,40 1,11 0,86 0,37 0,57 0,33 0,60 0,38 0,67 -0,14 0,29 1,02 0,76 0,17 1,03 0,82 0,19 0,98
Curtosis 2,40 -0,56 0,35 0,13 -0,67 0,33 -0,50 0,42 1,97 1,66 0,44 0,16 0,78 0,77 -0,19 -0,31 -0,47 -0,43 2,41 1,07 0,84 0,58 -0,07 -0,48 0,34
Tamaño muestra 127 127 127 127 128 128 128 128 128 127 127 128 128 127 127 127 127 127 127 127 127 127 127 127 127
Media 144,07 75,16 14,55 14,03 15,58 14,88 7,66 1,17 0,15 205,93 1,04 233,80 1,05 6,73 0,33 2,57 3,55 0,017 146,64 230,03 0,64 0,34 0,63 38,94 12,56
Máximo 205,86 91,42 18,29 17,01 20,60 18,50 10,50 1,99 0,34 298,51 1,16 349,60 1,39 8,18 0,45 6,39 6,00 0,038 209,37 344,80 0,70 1,86 1,62 53,40 20,95
Mínimo 80,07 53,99 11,11 10,68 12,40 11,00 5,50 0,62 0,04 118,64 0,88 151,96 0,81 5,06 0,23 0,00 0,00 0,000 81,03 124,68 0,59 0,00 0,00 27,95 4,56
Rango 125,79 37,43 7,19 6,33 8,20 7,50 5,00 1,37 0,29 179,87 0,28 197,64 0,58 3,12 0,21 6,39 6,00 0,04 128,34 220,12 0,12 1,86 1,62 25,45 16,39
Varianza 721,01 63,29 2,26 1,82 2,34 2,45 1,17 0,08 0,00 1541,51 0,00 2074,10 0,00 0,42 0,00 2,16 1,66 0,00 756,35 1951,77 0,00 0,09 0,17 28,48 4,77
Error típico 2,38 0,71 0,13 0,12 0,14 0,14 0,10 0,02 0,01 3,48 0,00 4,03 0,01 0,06 0,00 0,13 0,11 0,00 2,44 3,92 0,00 0,03 0,04 0,47 0,19
Asimetría 0,14 0,19 0,13 -0,03 0,40 0,15 0,12 0,53 1,05 0,22 -0,07 0,48 0,82 -0,03 0,27 0,08 -0,69 -0,20 0,14 0,24 -0,01 2,09 0,34 0,38 0,44
Curtosis -0,51 -0,57 -0,37 -0,24 0,04 -0,45 -0,43 -0,15 1,25 -0,41 -0,28 -0,38 5,51 -0,39 -0,21 -0,55 0,13 -0,67 -0,48 -0,40 0,47 7,12 -1,02 -0,31 2,10
Tamaño muestra 383 383 383 383 384 384 384 384 384 383 383 384 384 383 383 383 383 383 383 383 383 383 383 383 383
Media 85,41 55,13 10,61 10,19 11,35 10,73 4,88 0,66 0,08 122,59 1,05 138,16 1,06 4,87 0,32 1,42 3,08 0,014 86,84 136,89 0,63 0,26 0,40 39,62 14,57
Máximo 205,86 91,42 18,29 17,01 20,60 18,50 10,50 1,99 0,34 298,51 1,23 349,60 1,39 8,18 0,56 6,39 6,00 0,045 209,37 344,80 0,70 1,86 1,62 66,40 29,11
Mínimo 8,42 13,76 3,60 3,22 3,80 3,30 0,40 0,03 0,00 11,58 0,88 12,54 0,81 1,64 0,19 0,00 0,00 0,000 8,47 12,07 0,50 0,00 0,00 22,25 4,56
Rango 197,44 77,66 14,69 13,80 16,80 15,20 10,10 1,96 0,34 286,93 0,35 337,06 0,58 6,54 0,37 6,39 6,00 0,05 200,90 332,72 0,21 1,86 1,62 44,16 24,55
Varianza 2894,52 430,31 15,07 14,21 17,23 16,09 7,49 0,22 0,01 5946,46 0,00 7629,85 0,01 3,26 0,00 1,97 1,96 0,00 3011,18 7367,36 0,00 0,06 0,13 44,00 16,55
Error típico 2,75 1,06 0,20 0,19 0,21 0,20 0,14 0,02 0,00 3,94 0,00 4,46 0,00 0,09 0,00 0,07 0,07 0,00 2,80 4,39 0,00 0,01 0,02 0,34 0,21
Asimetría 0,19 -0,29 -0,19 -0,22 -0,23 -0,16 -0,06 0,41 1,03 0,20 0,22 0,23 0,47 -0,20 1,04 0,98 -0,32 0,26 0,20 0,20 -0,71 2,12 1,09 0,23 1,10
Curtosis -1,12 -1,21 -1,23 -1,26 -1,21 -1,21 -1,40 -0,80 0,82 -1,10 0,05 -1,01 1,45 -1,26 1,80 0,13 -0,54 -0,66 -1,11 -1,08 1,80 8,41 0,36 0,70 0,87
49
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 21,44 39,74 6,02 5,56 6,41 6,38 1,30 0,11 0,004 33,91 1,09 41,32 1,01 2,59 0,17 0,24 2,94 0,012 21,67 39,87 0,54 0,27 0,18 73,80 20,67
Máximo 32,36 52,80 7,47 6,92 7,90 7,80 1,60 0,16 0,005 51,68 1,25 59,25 1,10 3,19 0,22 0,43 5,00 0,029 32,36 58,71 0,61 0,88 0,63 110,18 32,05
Mínimo 14,23 32,05 5,19 4,71 5,40 5,30 1,00 0,08 0,002 25,08 0,99 30,21 0,78 2,15 0,11 0,00 0,00 0,000 14,44 30,80 0,44 0,00 0,02 57,03 12,35
Rango 18,14 20,76 2,28 2,21 2,50 2,50 0,60 0,08 0,00 26,60 0,26 29,04 0,32 1,04 0,11 0,43 5,00 0,03 17,92 27,92 0,17 0,88 0,61 53,15 19,70
Varianza 28,19 42,60 0,54 0,53 0,64 0,72 0,03 0,00 0,00 71,75 0,00 102,30 0,01 0,09 0,00 0,02 2,60 0,00 27,90 88,36 0,00 0,05 0,02 180,57 35,55
Error típico 1,33 1,63 0,18 0,18 0,20 0,21 0,05 0,01 0,00 2,12 0,02 2,53 0,02 0,08 0,01 0,03 0,40 0,00 1,32 2,35 0,01 0,05 0,04 3,36 1,49
Asimetría 0,50 0,69 0,64 0,87 0,70 0,41 0,07 0,59 0,11 0,84 0,84 0,60 -1,61 0,35 -0,36 -0,18 -0,87 0,42 0,48 0,78 -0,66 1,46 1,67 1,32 0,50
Curtosis -0,55 -0,93 -0,94 -0,42 -1,08 -1,25 -0,99 -1,02 -1,19 -0,47 0,74 -1,23 2,77 -0,72 0,07 -0,47 -0,66 0,72 -0,64 -0,76 -0,27 3,40 3,00 2,40 -0,59
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 121,51 87,68 13,98 13,02 14,71 14,95 4,60 0,66 0,04 183,86 1,08 221,96 0,98 6,17 0,21 1,70 3,25 0,014 123,21 210,98 0,59 0,28 0,50 63,10 19,84
Máximo 159,19 118,24 15,98 15,38 17,20 17,00 7,50 1,01 0,10 245,82 1,19 289,00 1,08 7,10 0,34 3,16 5,00 0,027 162,36 271,29 0,63 1,55 1,45 102,04 32,20
Mínimo 87,82 60,15 11,36 10,42 12,30 12,60 2,90 0,41 0,02 129,05 0,98 154,98 0,87 5,25 0,12 0,33 1,00 0,002 89,35 150,41 0,54 0,01 0,00 36,79 10,20
Rango 71,37 58,09 4,62 4,96 4,90 4,40 4,60 0,60 0,08 116,76 0,21 134,02 0,20 1,85 0,22 2,83 4,00 0,03 73,01 120,88 0,09 1,54 1,45 65,24 22,00
Varianza 560,33 261,45 1,86 2,48 2,99 2,26 1,26 0,03 0,00 1497,34 0,00 2131,81 0,00 0,36 0,00 0,53 1,00 0,00 569,36 1767,27 0,00 0,14 0,24 264,90 43,19
Error típico 5,92 4,04 0,34 0,39 0,43 0,38 0,28 0,05 0,00 9,67 0,02 11,54 0,01 0,15 0,01 0,18 0,25 0,00 5,97 10,51 0,01 0,09 0,12 4,07 1,64
Asimetría 0,27 0,19 -0,29 0,06 0,14 -0,31 0,89 0,38 1,24 0,13 0,06 0,04 -0,43 0,12 0,98 0,29 -0,57 0,24 0,28 0,12 -0,16 2,82 1,00 0,42 0,35
Curtosis -1,39 -0,27 -0,98 -0,92 -1,62 -1,23 1,90 -0,94 1,90 -1,22 -0,87 -1,52 -0,48 -1,32 0,49 -0,11 0,46 2,12 -1,38 -1,46 -1,14 9,23 -0,49 1,01 -0,28
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 248,79 118,08 20,33 18,91 21,64 20,59 8,01 1,83 0,16 385,85 1,08 447,35 1,05 8,82 0,23 1,42 2,19 0,006 250,21 418,76 0,60 1,01 0,65 55,69 14,09
Máximo 295,34 136,37 23,10 21,13 23,90 22,40 9,40 2,25 0,23 488,18 1,17 535,36 1,15 9,63 0,28 4,07 3,00 0,017 296,09 499,66 0,67 2,33 2,31 69,43 21,75
Mínimo 203,67 96,16 17,22 16,49 19,30 17,80 6,90 1,32 0,12 296,39 0,95 343,54 0,93 7,87 0,18 0,13 1,00 0,000 205,22 322,17 0,55 0,06 0,08 44,82 9,74
Rango 91,67 40,21 5,88 4,64 4,60 4,60 2,50 0,92 0,11 191,79 0,21 191,82 0,22 1,76 0,10 3,94 2,00 0,02 90,87 177,49 0,12 2,27 2,23 24,61 12,00
Varianza 829,56 122,83 2,50 1,80 2,18 2,56 0,49 0,09 0,00 2726,59 0,00 3646,03 0,00 0,30 0,00 1,02 0,56 0,00 828,14 2829,18 0,00 0,64 0,31 47,61 14,40
Error típico 7,20 2,77 0,40 0,34 0,37 0,40 0,17 0,07 0,01 13,05 0,02 15,10 0,01 0,14 0,01 0,25 0,19 0,00 7,19 13,30 0,01 0,20 0,14 1,72 0,95
Asimetría -0,13 -0,38 -0,09 -0,28 0,15 -0,57 0,24 -0,42 0,60 0,03 -0,29 -0,06 -0,47 -0,27 0,08 1,40 -0,33 1,44 -0,16 0,01 0,09 0,41 1,85 0,42 0,99
Curtosis -1,45 -0,58 -0,12 -0,87 -1,12 -1,12 -0,65 -0,98 -0,11 -0,24 -0,74 -1,01 0,20 -1,26 -0,58 2,13 -1,00 2,82 -1,46 -0,79 -0,63 -1,40 4,62 -0,29 -0,22
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 130,58 81,83 13,44 12,50 14,25 13,97 4,64 0,87 0,07 201,21 1,08 236,88 1,02 5,86 0,20 1,12 2,79 0,011 131,70 223,20 0,58 0,52 0,45 64,20 18,20
Máximo 295,34 136,37 23,10 21,13 23,90 22,40 9,40 2,25 0,23 488,18 1,25 535,36 1,15 9,63 0,34 4,07 5,00 0,029 296,09 499,66 0,67 2,33 2,31 110,18 32,20
Mínimo 14,23 32,05 5,19 4,71 5,40 5,30 1,00 0,08 0,00 25,08 0,95 30,21 0,78 2,15 0,11 0,00 0,00 0,000 14,44 30,80 0,44 0,00 0,00 36,79 9,74
Rango 281,12 104,32 17,91 16,42 18,50 17,10 8,40 2,17 0,23 463,10 0,30 505,15 0,36 7,48 0,23 4,07 5,00 0,03 281,65 468,86 0,22 2,33 2,30 73,39 22,46
Varianza 9292,77 1198,42 36,55 32,04 41,48 36,67 8,24 0,57 0,01 22607,02 0,00 30051,13 0,01 6,89 0,00 0,91 1,53 0,00 9382,09 26007,33 0,00 0,39 0,22 213,86 38,46
Error típico 13,91 5,00 0,87 0,82 0,93 0,87 0,41 0,11 0,01 21,70 0,01 25,02 0,01 0,38 0,01 0,14 0,18 0,00 13,98 23,28 0,01 0,09 0,07 2,11 0,90
Asimetría 0,24 -0,12 -0,07 -0,09 -0,06 -0,18 0,10 0,55 0,72 0,31 0,24 0,26 -0,90 -0,14 0,72 1,01 -0,43 0,54 0,23 0,23 -0,91 1,70 1,87 0,84 0,66
Curtosis -1,39 -1,49 -1,43 -1,48 -1,47 -1,45 -1,53 -1,22 -0,94 -1,31 -0,26 -1,33 1,31 -1,48 1,00 0,71 -0,47 0,21 -1,39 -1,35 1,34 1,87 4,19 1,51 -0,28
50
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 27,29 33,92 6,64 6,08 6,86 6,85 1,88 0,15 0,008 42,40 1,10 49,26 1,00 2,86 0,29 0,20 2,63 0,007 27,50 49,08 0,56 0,23 0,37 43,70 18,86
Máximo 58,70 46,90 9,29 9,14 10,10 9,80 3,30 0,30 0,015 84,90 1,28 98,98 1,24 4,33 0,37 0,64 5,00 0,016 58,80 97,18 0,61 0,82 0,70 57,48 22,67
Mínimo 12,34 20,44 4,68 4,24 4,60 4,70 1,10 0,07 0,003 20,06 0,96 21,62 0,82 2,01 0,22 0,01 1,00 0,001 12,36 22,13 0,50 0,00 0,05 33,63 15,79
Rango 46,36 26,45 4,61 4,90 5,50 5,10 2,20 0,23 0,01 64,84 0,32 77,36 0,42 2,32 0,15 0,62 4,00 0,02 46,44 75,05 0,10 0,82 0,65 23,85 6,87
Varianza 173,57 73,64 2,16 2,45 2,69 2,50 0,53 0,01 0,00 418,17 0,01 533,35 0,01 0,43 0,00 0,03 1,58 0,00 175,39 504,88 0,00 0,06 0,05 50,16 2,86
Error típico 3,29 2,15 0,37 0,39 0,41 0,40 0,18 0,02 0,00 5,11 0,02 5,77 0,02 0,16 0,01 0,04 0,31 0,00 3,31 5,62 0,01 0,06 0,05 1,77 0,42
Asimetría 1,11 0,12 0,57 0,70 0,46 0,68 0,82 1,16 0,29 0,93 0,34 0,90 0,61 0,83 0,11 1,01 0,14 0,11 1,09 0,91 0,02 1,68 0,07 0,32 -0,04
Curtosis 0,59 -1,42 -0,70 -0,86 -0,93 -0,58 -0,55 0,28 -0,87 -0,23 0,17 -0,17 1,79 -0,03 -1,19 0,99 -0,89 -1,72 0,50 -0,19 -1,15 2,05 -1,06 -0,96 0,97
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 123,62 79,72 13,88 13,39 14,70 14,29 5,21 0,78 0,06 187,53 1,04 211,53 1,03 6,25 0,25 1,40 5,00 0,012 125,02 211,47 0,59 0,39 0,71 51,04 16,18
Máximo 155,55 93,79 16,99 15,50 17,40 16,70 8,10 1,10 0,10 263,41 1,10 285,57 1,14 7,05 0,30 2,20 7,00 0,020 156,45 274,62 0,64 0,99 1,60 61,82 19,60
Mínimo 86,16 68,99 11,72 10,61 11,10 12,40 3,70 0,44 0,04 124,31 0,95 137,64 0,90 5,20 0,20 0,70 3,00 0,005 86,89 138,18 0,53 0,01 0,15 41,64 14,09
Rango 69,39 24,80 5,27 4,89 6,30 4,30 4,40 0,66 0,06 139,10 0,15 147,93 0,25 1,85 0,10 1,49 4,00 0,01 69,55 136,43 0,11 0,98 1,45 20,18 5,50
Varianza 388,07 67,77 1,89 2,11 2,53 1,29 1,64 0,03 0,00 1407,81 0,00 1477,11 0,00 0,26 0,00 0,25 1,07 0,00 384,18 1307,86 0,00 0,11 0,21 40,46 2,50
Error típico 4,92 2,06 0,34 0,36 0,40 0,28 0,32 0,04 0,00 9,38 0,01 9,61 0,01 0,13 0,01 0,13 0,26 0,00 4,90 9,04 0,01 0,08 0,12 1,59 0,40
Asimetría -0,06 0,50 0,46 -0,21 -0,32 0,40 1,25 -0,24 0,59 0,24 -0,35 0,22 -0,15 -0,33 0,22 0,39 0,41 0,69 -0,08 -0,05 -0,28 0,49 0,82 0,08 0,76
Curtosis -0,65 -1,13 0,13 -0,84 0,54 -0,08 0,71 0,43 -0,25 -0,44 -1,23 0,08 1,49 -0,41 -1,27 -1,01 0,84 -0,75 -0,56 -0,09 -0,32 -1,16 -0,35 -1,19 -0,10
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 228,06 111,34 19,03 17,77 20,06 18,82 9,44 1,86 0,23 340,33 1,07 379,49 1,07 8,49 0,24 2,55 4,13 0,011 230,60 380,39 0,61 0,61 0,61 53,94 12,35
Máximo 278,72 125,22 21,06 20,05 22,10 22,00 12,90 2,58 0,33 412,70 1,22 457,95 1,27 9,44 0,31 4,61 6,00 0,022 281,85 454,32 0,63 2,54 1,94 67,13 13,60
Mínimo 154,16 79,70 14,92 13,45 15,90 15,50 7,00 1,13 0,11 200,72 0,99 246,45 0,92 6,98 0,19 0,95 2,00 0,004 155,29 247,21 0,56 0,02 0,08 40,67 10,67
Rango 124,56 45,52 6,13 6,60 6,20 6,50 5,90 1,45 0,21 211,97 0,23 211,50 0,34 2,46 0,12 3,66 4,00 0,02 126,56 207,11 0,07 2,51 1,86 26,46 2,94
Varianza 1155,76 144,77 2,41 2,96 2,49 3,23 2,42 0,12 0,00 3138,20 0,00 3583,54 0,01 0,41 0,00 1,17 1,18 0,00 1170,20 2895,09 0,00 0,46 0,37 62,35 0,55
Error típico 8,50 3,01 0,39 0,43 0,39 0,45 0,39 0,09 0,02 14,00 0,01 14,97 0,02 0,16 0,01 0,27 0,27 0,00 8,55 13,45 0,00 0,17 0,15 1,97 0,19
Asimetría -0,41 -1,20 -1,21 -0,82 -1,08 0,07 0,40 0,10 0,17 -0,79 1,13 -0,38 0,90 -0,67 0,31 0,35 -0,63 0,65 -0,41 -0,81 -0,85 2,05 1,23 0,21 -0,24
Curtosis -0,06 1,75 2,12 1,19 1,93 -0,67 -0,08 0,66 -0,94 1,14 3,15 -0,17 3,94 0,71 -0,52 -0,47 0,40 0,12 0,06 1,02 -0,06 4,12 0,47 -0,82 0,54
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 126,32 75,00 13,18 12,41 13,88 13,32 5,51 0,93 0,10 190,08 1,07 213,43 1,03 5,87 0,26 1,38 3,92 0,010 127,71 213,65 0,59 0,41 0,56 49,56 15,80
Máximo 278,72 125,22 21,06 20,05 22,10 22,00 12,90 2,58 0,33 412,70 1,28 457,95 1,27 9,44 0,37 4,61 7,00 0,022 281,85 454,32 0,64 2,54 1,94 67,13 22,67
Mínimo 12,34 20,44 4,68 4,24 4,60 4,70 1,10 0,07 0,00 20,06 0,95 21,62 0,82 2,01 0,19 0,01 1,00 0,001 12,36 22,13 0,50 0,00 0,05 33,63 10,67
Rango 266,37 104,77 16,38 15,80 17,50 17,30 11,80 2,52 0,32 392,63 0,33 436,33 0,44 7,42 0,19 4,60 6,00 0,02 269,48 432,19 0,14 2,54 1,89 33,50 12,00
Varianza 7412,33 1122,94 28,42 26,18 32,47 27,11 11,24 0,56 0,01 16696,80 0,00 20348,82 0,01 5,81 0,00 1,40 2,21 0,00 7577,39 20188,09 0,00 0,22 0,22 67,79 9,17
Error típico 12,43 4,84 0,77 0,74 0,82 0,75 0,48 0,11 0,01 18,65 0,01 20,59 0,01 0,35 0,01 0,17 0,21 0,00 12,56 20,51 0,00 0,07 0,07 1,19 0,44
Asimetría 0,19 -0,15 -0,18 -0,25 -0,22 -0,23 0,34 0,54 0,97 0,20 0,73 0,19 0,28 -0,24 0,60 0,87 -0,30 0,17 0,19 0,15 -0,57 2,60 1,36 0,12 0,16
Curtosis -1,25 -1,30 -1,33 -1,28 -1,33 -1,20 -1,07 -0,98 -0,32 -1,26 1,23 -1,23 1,82 -1,33 -0,13 0,25 -0,21 -0,44 -1,25 -1,31 -0,47 8,94 1,36 -0,52 -1,08
51
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 20,01 27,19 5,52 5,13 5,66 5,48 1,23 0,11 0,003 28,90 1,08 31,82 1,04 2,49 0,35 0,18 2,56 0,008 20,19 33,30 0,60 0,16 0,22 37,18 18,12
Máximo 40,46 39,58 7,53 6,61 8,00 8,10 1,80 0,21 0,004 49,76 1,15 64,80 1,28 3,61 0,46 0,80 5,00 0,033 40,82 65,25 0,66 0,48 0,50 56,84 23,43
Mínimo 11,50 18,44 4,27 3,90 4,10 4,00 1,00 0,05 0,002 16,71 1,01 16,40 0,91 1,89 0,22 0,00 0,00 0,000 11,50 18,48 0,56 0,00 0,02 26,93 14,82
Rango 28,96 21,14 3,26 2,71 3,90 4,10 0,80 0,15 0,00 33,05 0,14 48,40 0,37 1,71 0,24 0,80 5,00 0,03 29,32 46,76 0,10 0,48 0,48 29,91 8,61
Varianza 50,59 38,76 0,80 0,54 1,10 0,99 0,05 0,00 0,00 74,94 0,00 143,49 0,01 0,18 0,00 0,04 2,80 0,00 52,28 125,23 0,00 0,01 0,02 49,32 4,17
Error típico 1,78 1,56 0,22 0,18 0,26 0,25 0,06 0,01 0,00 2,16 0,01 2,99 0,02 0,11 0,01 0,05 0,42 0,00 1,81 2,80 0,01 0,03 0,04 1,76 0,51
Asimetría 1,50 0,62 0,32 -0,05 0,87 1,13 1,25 0,63 2,51 0,57 0,36 1,59 1,02 0,95 0,03 2,12 -0,27 2,23 1,46 1,41 0,46 1,23 0,29 1,31 0,90
Curtosis 3,78 0,14 0,46 -0,27 0,49 2,22 1,28 0,73 4,90 0,99 -1,48 3,14 1,44 2,21 0,51 5,53 -0,92 6,45 3,59 3,63 -0,57 2,55 -0,59 3,25 1,92
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 132,56 74,88 13,81 13,08 14,59 13,80 6,24 0,97 0,10 186,94 1,06 207,55 1,07 6,39 0,30 1,49 4,31 0,012 134,05 216,15 0,62 0,33 0,58 42,42 13,75
Máximo 214,86 102,98 18,53 17,56 19,80 19,60 8,20 1,66 0,14 325,42 1,15 388,08 1,28 8,28 0,40 3,36 6,00 0,027 215,94 362,48 0,68 1,57 1,36 54,98 17,88
Mínimo 52,13 42,52 8,51 8,22 10,20 8,00 4,50 0,40 0,05 69,94 0,99 81,60 0,97 4,09 0,23 0,40 3,00 0,004 52,53 85,95 0,56 0,00 0,09 31,26 12,15
Rango 162,73 60,46 10,02 9,34 9,60 11,60 3,70 1,26 0,09 255,47 0,16 306,48 0,30 4,19 0,17 2,96 3,00 0,02 163,40 276,53 0,12 1,57 1,26 23,73 5,73
Varianza 2085,80 322,73 7,66 6,32 6,55 7,52 1,72 0,12 0,00 4707,80 0,00 5440,91 0,01 1,37 0,00 0,69 1,43 0,00 2101,38 5558,98 0,00 0,21 0,17 58,99 1,74
Error típico 11,42 4,49 0,69 0,63 0,64 0,69 0,33 0,09 0,01 17,15 0,01 18,44 0,02 0,29 0,01 0,21 0,30 0,00 11,46 18,64 0,01 0,12 0,10 1,92 0,33
Asimetría -0,08 -0,44 -0,39 -0,38 -0,10 -0,32 0,29 0,12 0,39 0,06 0,67 0,44 1,26 -0,44 0,31 0,93 0,11 1,02 -0,10 -0,04 0,43 1,88 0,50 0,12 2,10
Curtosis -0,49 -0,66 -0,43 -0,11 -0,05 1,15 -1,57 -0,44 -1,76 -0,20 -0,25 1,47 1,54 -0,33 -1,26 0,04 -1,60 0,81 -0,47 -0,26 0,46 2,86 -0,92 -1,16 6,13
Tamaño muestra 12 12 12 12 16 16 16 16 16 12 12 16 16 12 12 12 12 12 12 12 12 12 12 12 12
Media 239,34 111,14 18,99 18,35 20,79 20,12 10,48 2,29 0,31 349,45 1,03 422,52 1,04 8,69 0,25 2,30 4,08 0,010 241,64 386,55 0,63 0,32 0,83 51,10 12,39
Máximo 271,28 123,65 21,66 19,82 24,60 24,50 14,20 3,86 0,52 425,71 1,15 602,70 1,13 9,25 0,32 4,75 7,00 0,018 272,47 439,32 0,68 0,82 2,22 55,81 15,98
Mínimo 200,81 100,00 17,05 16,59 14,30 17,70 8,70 1,46 0,20 292,50 0,97 258,83 0,79 7,88 0,22 0,90 2,00 0,003 203,54 314,88 0,59 0,01 0,07 38,71 10,45
Rango 70,47 23,65 4,61 3,23 10,30 6,80 5,50 2,40 0,32 133,21 0,18 343,87 0,34 1,37 0,10 3,85 5,00 0,01 68,93 124,43 0,08 0,82 2,15 17,10 5,53
Varianza 647,99 57,75 1,94 1,17 5,79 5,52 2,80 0,48 0,01 1793,62 0,00 8682,53 0,01 0,23 0,00 1,19 2,08 0,00 640,01 1752,49 0,00 0,08 0,43 22,82 2,28
Error típico 7,35 2,19 0,40 0,31 0,60 0,59 0,42 0,17 0,02 12,23 0,02 23,30 0,02 0,14 0,01 0,32 0,42 0,00 7,30 12,08 0,01 0,08 0,19 1,38 0,44
Asimetría -0,42 0,00 0,50 -0,10 -1,17 0,76 0,99 1,14 0,94 0,21 0,90 0,33 -1,78 -0,57 2,19 0,93 0,70 0,47 -0,43 -0,38 1,18 0,49 0,89 -1,60 1,19
Curtosis -1,39 -0,98 -0,37 -1,34 2,59 -0,73 -0,08 0,65 0,10 -0,71 -0,14 -0,36 4,50 -1,26 6,00 0,79 0,02 -0,65 -1,44 -1,24 2,50 -1,05 0,52 3,55 1,83
Tamaño muestra 44 44 44 44 48 48 48 48 48 44 44 48 48 44 44 44 44 44 44 44 44 44 44 44 44
Media 120,76 67,43 12,21 11,63 13,68 13,13 5,98 1,12 0,13 173,79 1,06 220,63 1,05 5,60 0,30 1,23 3,61 0,010 121,99 196,14 0,62 0,26 0,51 42,88 14,97
Máximo 271,28 123,65 21,66 19,82 24,60 24,50 14,20 3,86 0,52 425,71 1,15 602,70 1,28 9,25 0,46 4,75 7,00 0,033 272,47 439,32 0,68 1,57 2,22 56,84 23,43
Mínimo 11,50 18,44 4,27 3,90 4,10 4,00 1,00 0,05 0,00 16,71 0,97 16,40 0,79 1,89 0,22 0,00 0,00 0,000 11,50 18,48 0,56 0,00 0,02 26,93 10,45
Rango 259,78 105,21 17,39 15,93 20,50 20,50 13,20 3,81 0,52 409,00 0,18 586,30 0,49 7,35 0,24 4,75 7,00 0,03 260,97 420,83 0,12 1,57 2,20 29,91 12,97
Varianza 8663,50 1297,40 33,86 31,83 43,71 41,21 16,04 1,01 0,02 18613,87 0,00 30623,44 0,01 7,09 0,00 1,32 2,66 0,00 8820,40 22564,79 0,00 0,10 0,24 74,66 8,74
Error típico 14,03 5,43 0,88 0,85 0,95 0,93 0,58 0,15 0,02 20,57 0,01 25,26 0,01 0,40 0,01 0,17 0,25 0,00 14,16 22,65 0,00 0,05 0,07 1,30 0,45
Asimetría 0,21 0,03 -0,04 -0,03 -0,08 0,00 0,13 0,83 0,98 0,28 0,44 0,43 0,22 -0,10 0,52 1,01 -0,35 1,34 0,20 0,21 0,28 2,30 1,55 0,04 0,72
Curtosis -1,51 -1,60 -1,59 -1,61 -1,46 -1,36 -1,20 0,09 0,14 -1,42 -0,85 -0,98 1,91 -1,63 -0,61 0,61 0,11 2,61 -1,51 -1,51 0,05 6,10 2,63 -1,24 -0,02
52
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 18,39 25,85 5,27 4,88 5,41 5,47 1,08 0,11 0,003 26,16 1,08 30,08 0,99 2,37 0,35 0,07 1,81 0,004 18,47 30,34 0,61 0,13 0,21 36,72 17,24
Máximo 30,10 33,58 6,70 6,44 7,00 6,90 1,50 0,17 0,005 43,15 1,21 47,60 1,20 3,10 0,49 0,20 4,00 0,011 30,20 49,43 0,68 0,36 0,51 52,13 20,73
Mínimo 8,30 15,59 3,65 3,31 3,50 3,70 0,80 0,04 0,002 12,09 0,99 12,95 0,85 1,63 0,24 0,00 0,00 0,000 8,30 13,71 0,56 0,01 0,02 25,43 14,53
Rango 21,79 18,00 3,04 3,14 3,50 3,20 0,70 0,13 0,00 31,06 0,21 34,65 0,34 1,48 0,25 0,20 4,00 0,01 21,90 35,72 0,12 0,35 0,49 26,69 6,21
Varianza 24,65 21,37 0,54 0,48 0,66 0,65 0,04 0,00 0,00 50,57 0,00 68,71 0,01 0,11 0,00 0,00 1,50 0,00 24,75 66,73 0,00 0,01 0,02 45,02 3,71
Error típico 1,24 1,16 0,18 0,17 0,20 0,20 0,05 0,01 0,00 1,78 0,01 2,07 0,02 0,08 0,02 0,02 0,31 0,00 1,24 2,04 0,01 0,02 0,04 1,68 0,48
Asimetría 0,33 -0,31 -0,11 -0,04 -0,67 -0,07 0,95 0,16 1,77 0,57 0,33 0,24 0,64 -0,20 0,46 0,88 0,16 0,99 0,31 0,40 0,73 1,22 0,86 0,61 0,27
Curtosis 1,79 0,60 1,10 2,20 1,95 0,77 0,30 0,02 1,28 1,97 0,22 1,23 0,62 2,03 0,56 0,48 -0,10 0,65 1,83 1,87 -0,41 1,73 -0,07 0,68 -0,97
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 125,00 72,89 13,92 13,28 14,67 13,76 5,95 0,98 0,09 186,48 1,05 204,10 1,07 6,24 0,30 1,34 4,06 0,011 126,33 204,18 0,62 0,65 0,44 42,26 12,94
Máximo 168,95 92,68 17,21 15,22 18,30 16,10 8,70 1,41 0,12 260,65 1,16 290,97 1,22 7,37 0,38 2,48 6,00 0,025 169,92 288,89 0,67 1,78 1,19 50,99 15,99
Mínimo 83,37 55,07 11,98 10,33 12,20 10,50 3,60 0,66 0,04 123,67 0,94 130,20 0,98 5,12 0,25 0,65 3,00 0,006 84,26 134,71 0,55 0,03 0,05 32,81 11,89
Rango 85,58 37,61 5,23 4,89 6,10 5,60 5,10 0,75 0,08 136,98 0,22 160,77 0,24 2,25 0,14 1,83 3,00 0,02 85,66 154,18 0,12 1,75 1,14 18,17 4,10
Varianza 775,49 117,99 2,29 1,94 2,95 2,59 2,83 0,06 0,00 1455,46 0,00 2086,49 0,00 0,49 0,00 0,33 1,00 0,00 783,19 1946,84 0,00 0,31 0,11 29,59 1,11
Error típico 6,96 2,72 0,38 0,35 0,43 0,40 0,42 0,06 0,01 9,54 0,02 11,42 0,02 0,18 0,01 0,14 0,25 0,00 7,00 11,03 0,01 0,14 0,08 1,36 0,26
Asimetría 0,15 -0,08 0,58 -0,29 0,46 -0,20 0,14 0,46 -0,11 0,30 0,55 0,25 0,97 0,03 0,51 0,93 0,32 1,69 0,16 0,24 -0,28 0,89 1,02 -0,19 1,78
Curtosis -1,25 -0,78 -0,45 -0,33 -0,45 -0,47 -1,28 -1,18 -1,49 -0,65 -0,23 -0,75 0,40 -1,10 -0,90 -0,35 -1,14 4,29 -1,25 -0,83 -0,71 -0,11 0,50 -1,23 3,85
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 228,34 103,44 18,75 17,36 19,76 18,43 10,01 2,00 0,28 326,59 1,08 365,90 1,08 8,50 0,27 2,62 4,13 0,011 230,96 366,19 0,63 0,78 0,53 46,60 11,64
Máximo 320,01 116,82 23,23 19,19 24,70 23,00 12,00 3,25 0,38 445,67 1,21 568,10 1,21 10,05 0,40 5,01 6,00 0,023 322,01 512,76 0,70 2,18 1,41 63,07 14,63
Mínimo 179,87 88,05 16,29 15,92 17,90 16,50 7,80 1,48 0,19 264,60 0,95 297,00 0,91 7,52 0,20 0,12 1,00 0,000 180,59 293,59 0,58 0,03 0,01 31,19 9,51
Rango 140,14 28,77 6,94 3,27 6,80 6,50 4,20 1,78 0,20 181,07 0,26 271,10 0,29 2,53 0,20 4,89 5,00 0,02 141,41 219,17 0,12 2,14 1,40 31,88 5,12
Varianza 1224,59 107,26 3,04 1,23 2,40 3,12 1,91 0,23 0,00 2242,20 0,01 3856,07 0,01 0,39 0,00 2,49 2,25 0,00 1241,33 2408,78 0,00 0,49 0,21 48,93 1,68
Error típico 8,75 2,59 0,44 0,28 0,39 0,44 0,35 0,12 0,01 11,84 0,02 15,52 0,02 0,16 0,01 0,39 0,38 0,00 8,81 12,27 0,01 0,18 0,11 1,75 0,32
Asimetría 1,14 -0,06 1,03 0,46 2,20 1,21 -0,29 1,45 0,19 1,16 -0,03 2,48 -0,41 0,86 1,31 -0,11 -0,78 -0,09 1,07 1,63 0,44 0,70 0,52 0,25 0,73
Curtosis 2,03 -1,54 1,65 -1,24 7,04 1,66 -1,25 1,76 -0,39 1,45 -0,72 7,88 -0,27 1,43 4,12 -0,91 -0,40 -0,69 1,84 5,16 -0,13 -0,62 -0,87 2,03 1,19
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 123,91 67,39 12,64 11,84 13,28 12,55 5,68 1,03 0,12 179,74 1,07 200,03 1,05 5,70 0,31 1,34 3,33 0,009 125,25 200,24 0,62 0,52 0,39 41,86 13,94
Máximo 320,01 116,82 23,23 19,19 24,70 23,00 12,00 3,25 0,38 445,67 1,21 568,10 1,22 10,05 0,49 5,01 6,00 0,025 322,01 512,76 0,70 2,18 1,41 63,07 20,73
Mínimo 8,30 15,59 3,65 3,31 3,50 3,70 0,80 0,04 0,00 12,09 0,94 12,95 0,85 1,63 0,20 0,00 0,00 0,000 8,30 13,71 0,55 0,01 0,01 25,43 9,51
Rango 311,70 101,24 19,57 15,88 21,20 19,30 11,20 3,21 0,38 433,58 0,27 555,15 0,37 8,42 0,29 5,01 6,00 0,03 313,70 499,04 0,15 2,16 1,40 37,63 11,23
Varianza 8149,38 1118,79 33,60 28,75 37,98 31,37 15,14 0,71 0,02 16582,00 0,00 21122,79 0,01 6,85 0,00 2,00 2,70 0,00 8340,15 20617,59 0,00 0,34 0,12 56,13 7,93
Error típico 13,03 4,83 0,84 0,77 0,89 0,81 0,56 0,12 0,02 18,59 0,01 20,98 0,01 0,38 0,01 0,20 0,24 0,00 13,18 20,73 0,01 0,08 0,05 1,08 0,41
Asimetría 0,17 -0,14 -0,21 -0,34 -0,25 -0,20 0,05 0,54 0,65 0,10 0,20 0,23 0,00 -0,24 0,88 1,10 -0,29 0,63 0,17 0,11 0,25 1,35 1,22 0,17 0,76
Curtosis -1,21 -1,44 -1,38 0,00 -1,41 -1,35 -1,49 -0,43 -1,03 -1,26 -0,53 -0,91 -0,34 -1,46 0,94 0,40 -0,75 0,13 -1,22 -1,27 -0,61 0,87 0,80 0,22 -0,30
53
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 48,47 42,65 8,32 8,06 8,79 8,50 1,99 0,34 0,006 68,34 1,04 75,94 1,03 3,85 0,33 0,44 3,13 0,009 48,91 77,13 0,63 0,28 0,33 38,08 14,28
Máximo 70,00 52,58 9,91 9,82 10,80 11,10 2,50 0,55 0,010 97,24 1,15 119,88 1,22 4,74 0,43 1,00 5,00 0,017 70,44 117,78 0,69 1,00 0,82 47,73 16,54
Mínimo 27,10 34,09 6,34 5,87 6,30 6,80 1,20 0,16 0,003 39,17 0,96 44,10 0,90 2,85 0,26 0,13 2,00 0,004 27,30 44,53 0,60 0,02 0,04 29,40 12,65
Rango 42,90 18,49 3,57 3,94 4,50 4,30 1,30 0,39 0,01 58,07 0,19 75,78 0,32 1,89 0,16 0,86 3,00 0,01 43,14 73,25 0,09 0,98 0,78 18,33 3,89
Varianza 180,28 36,93 1,25 1,52 1,78 1,38 0,15 0,01 0,00 349,26 0,00 427,52 0,01 0,32 0,00 0,05 0,78 0,00 183,15 462,56 0,00 0,06 0,04 26,51 1,26
Error típico 3,36 1,52 0,28 0,31 0,33 0,29 0,10 0,03 0,00 4,67 0,01 5,17 0,02 0,14 0,01 0,05 0,22 0,00 3,38 5,38 0,01 0,06 0,05 1,29 0,28
Asimetría -0,19 -0,01 -0,37 -0,40 -0,47 0,49 -0,18 0,12 0,64 -0,22 0,88 0,15 0,29 -0,37 0,21 1,09 0,39 0,80 -0,20 -0,01 0,67 1,88 1,13 0,35 0,34
Curtosis -1,10 -1,31 -1,01 -1,07 -0,66 0,04 -0,68 -0,74 -0,44 -1,17 1,27 -0,17 0,80 -0,87 -0,36 1,75 -0,28 0,21 -1,13 -0,75 0,93 5,02 1,87 -0,41 -0,56
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 126,06 76,21 13,93 13,19 14,86 13,64 6,43 1,02 0,11 185,87 1,06 205,10 1,09 6,23 0,28 0,89 3,56 0,007 126,95 207,68 0,61 0,77 0,46 46,12 12,48
Máximo 175,33 98,68 16,83 16,33 17,20 16,10 8,10 1,57 0,15 274,91 1,15 276,92 1,16 7,47 0,37 3,49 7,00 0,020 178,82 284,59 0,66 1,97 1,59 63,97 14,14
Mínimo 81,87 57,30 10,82 10,42 11,00 10,70 4,80 0,66 0,07 112,75 0,94 117,70 1,00 4,94 0,20 0,10 2,00 0,001 82,04 123,83 0,58 0,10 0,00 33,89 9,63
Rango 93,47 41,38 6,02 5,91 6,20 5,40 3,30 0,91 0,08 162,16 0,21 159,22 0,16 2,53 0,17 3,39 5,00 0,02 96,78 160,76 0,08 1,87 1,59 30,08 4,50
Varianza 640,43 147,37 2,58 2,71 3,11 2,46 1,63 0,06 0,00 1834,56 0,00 2091,03 0,00 0,45 0,00 0,69 1,86 0,00 661,43 2037,30 0,00 0,35 0,17 77,32 0,92
Error típico 6,33 3,03 0,40 0,41 0,44 0,39 0,32 0,06 0,01 10,71 0,02 11,43 0,01 0,17 0,01 0,21 0,34 0,00 6,43 11,28 0,01 0,15 0,10 2,20 0,24
Asimetría 0,09 0,21 -0,19 0,33 -0,52 -0,15 0,00 0,72 -0,01 0,34 -0,14 -0,14 -0,19 -0,08 0,36 2,19 0,93 1,18 0,13 0,05 0,30 0,78 1,29 0,29 -1,50
Curtosis -0,27 -0,67 -0,52 0,31 -0,21 -0,66 -1,86 0,42 -1,58 0,12 -0,65 -0,69 -1,25 -0,08 -0,91 6,02 1,25 1,57 -0,12 -0,47 -0,98 -0,47 2,70 -0,48 5,03
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 217,26 102,02 18,33 17,12 19,47 18,69 10,19 2,02 0,32 316,17 1,07 367,73 1,05 8,26 0,28 2,97 4,38 0,013 220,24 355,34 0,62 0,79 0,80 47,58 10,93
Máximo 281,32 126,96 22,40 19,34 24,70 22,00 13,40 2,87 0,49 425,64 1,23 543,40 1,30 9,57 0,44 6,11 7,00 0,026 285,59 485,38 0,67 2,51 1,88 70,08 13,40
Mínimo 170,77 74,91 15,33 14,64 17,00 14,80 7,80 1,34 0,24 244,15 0,92 276,92 0,89 7,38 0,18 0,56 1,00 0,003 173,77 275,23 0,57 0,03 0,03 28,72 9,32
Rango 110,54 52,05 7,07 4,70 7,70 7,20 5,60 1,53 0,25 181,49 0,31 266,48 0,40 2,19 0,26 5,56 6,00 0,02 111,82 210,15 0,11 2,47 1,85 41,36 4,09
Varianza 1613,51 321,37 4,62 2,30 4,34 6,31 2,82 0,24 0,01 3841,62 0,01 7243,90 0,01 0,59 0,00 2,72 2,92 0,00 1690,35 4961,88 0,00 0,48 0,40 120,47 0,88
Error típico 10,04 4,48 0,54 0,38 0,52 0,63 0,42 0,12 0,02 15,50 0,02 21,28 0,02 0,19 0,02 0,41 0,43 0,00 10,28 17,61 0,01 0,17 0,16 2,74 0,23
Asimetría 0,23 0,09 0,22 -0,13 1,06 0,00 0,22 0,39 1,11 0,35 0,07 0,54 1,15 0,27 0,80 0,22 -0,12 0,29 0,24 0,34 0,21 1,13 0,56 0,31 0,87
Curtosis -1,73 -1,56 -1,01 -1,33 1,08 -1,74 -0,70 -1,24 0,45 -1,36 0,04 -0,86 3,45 -1,67 0,64 -0,76 -0,65 -0,56 -1,77 -1,35 -0,72 1,03 -1,04 -0,22 2,44
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 130,60 73,63 13,52 12,79 14,37 13,61 6,20 1,13 0,15 190,13 1,05 216,26 1,06 6,11 0,30 1,44 3,69 0,010 132,03 213,39 0,62 0,61 0,53 43,93 12,56
Máximo 281,32 126,96 22,40 19,34 24,70 22,00 13,40 2,87 0,49 425,64 1,23 543,40 1,30 9,57 0,44 6,11 7,00 0,026 285,59 485,38 0,69 2,51 1,88 70,08 16,54
Mínimo 27,10 34,09 6,34 5,87 6,30 6,80 1,20 0,16 0,00 39,17 0,92 44,10 0,89 2,85 0,18 0,10 1,00 0,001 27,30 44,53 0,57 0,02 0,00 28,72 9,32
Rango 254,22 92,88 16,07 13,46 18,40 15,20 12,20 2,71 0,49 386,47 0,31 499,30 0,40 6,72 0,26 6,02 6,00 0,03 258,29 440,84 0,12 2,49 1,88 41,36 7,22
Varianza 5636,79 764,74 19,81 16,14 22,49 20,90 12,95 0,58 0,02 12386,10 0,00 17670,79 0,01 3,74 0,00 2,35 2,05 0,00 5818,22 15572,26 0,00 0,34 0,23 89,39 2,89
Error típico 10,84 3,99 0,64 0,58 0,68 0,66 0,52 0,11 0,02 16,06 0,01 19,19 0,01 0,28 0,01 0,22 0,21 0,00 11,01 18,01 0,00 0,08 0,07 1,36 0,25
Asimetría 0,38 0,29 0,07 -0,07 0,01 0,25 0,16 0,65 0,70 0,39 0,35 0,58 0,30 0,00 0,18 1,47 0,67 0,82 0,40 0,40 0,14 1,39 1,45 0,70 0,17
Curtosis -0,94 -0,91 -1,08 -1,23 -1,01 -0,97 -1,20 -0,54 -0,57 -0,91 0,09 -0,52 1,32 -1,15 -0,55 1,26 0,04 0,34 -0,93 -0,87 -0,49 1,50 1,59 0,11 -0,43
54
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 29,06 33,96 6,84 6,21 6,95 7,09 1,63 0,25 0,005 43,18 1,10 50,22 0,99 2,98 0,33 0,19 2,25 0,006 29,25 49,78 0,59 0,23 0,29 40,36 11,61
Máximo 45,16 43,57 8,35 7,56 8,50 9,20 2,10 0,35 0,008 63,18 1,18 78,20 1,17 3,80 0,51 0,63 4,00 0,016 45,37 74,27 0,64 0,43 0,84 58,60 14,44
Mínimo 18,99 21,59 5,54 5,05 5,20 5,80 1,20 0,16 0,004 27,94 1,01 30,68 0,85 2,42 0,21 0,00 0,00 0,000 19,04 31,31 0,55 0,00 0,04 24,36 9,63
Rango 26,17 21,98 2,82 2,51 3,30 3,40 0,90 0,19 0,00 35,23 0,18 47,52 0,32 1,37 0,30 0,63 4,00 0,02 26,33 42,97 0,09 0,43 0,80 34,24 4,81
Varianza 70,80 49,92 1,04 0,69 1,09 1,40 0,11 0,00 0,00 146,78 0,00 233,01 0,01 0,20 0,01 0,04 1,27 0,00 72,47 212,26 0,00 0,02 0,04 107,00 2,12
Error típico 2,10 1,77 0,25 0,21 0,26 0,30 0,08 0,01 0,00 3,03 0,01 3,82 0,02 0,11 0,02 0,05 0,28 0,00 2,13 3,64 0,01 0,03 0,05 2,59 0,36
Asimetría 0,51 -0,11 0,38 0,35 -0,02 0,68 0,14 0,06 0,57 0,54 -0,05 0,51 0,32 0,38 0,70 1,45 -0,24 0,64 0,52 0,43 0,03 -0,02 1,52 0,07 0,57
Curtosis -1,00 -1,36 -1,35 -1,06 -1,04 -0,85 -1,91 -0,92 -1,93 -1,10 -1,07 -1,03 -0,81 -1,16 -0,60 1,65 -0,40 -0,96 -1,01 -1,23 -1,11 -0,83 3,35 -0,93 -0,78
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 126,01 83,78 14,28 13,34 15,13 14,26 5,28 1,20 0,09 192,27 1,07 219,04 1,07 6,30 0,23 1,81 5,25 0,014 127,81 216,07 0,60 0,48 0,50 55,31 10,57
Máximo 177,65 108,49 16,76 15,24 17,80 18,40 6,90 1,78 0,13 255,39 1,18 327,52 1,23 7,56 0,28 4,57 8,00 0,034 179,37 314,87 0,66 1,36 1,06 88,90 11,97
Mínimo 80,53 60,64 11,43 10,74 12,50 10,20 4,20 0,78 0,06 122,75 0,95 127,50 0,97 5,11 0,14 0,55 3,00 0,004 81,37 134,78 0,54 0,04 0,10 44,96 9,49
Rango 97,12 47,84 5,33 4,49 5,30 8,20 2,70 1,00 0,07 132,63 0,23 200,02 0,26 2,45 0,14 4,01 5,00 0,03 98,00 180,09 0,12 1,32 0,96 43,94 2,48
Varianza 748,45 203,33 2,90 1,65 3,09 4,37 0,90 0,07 0,00 1573,92 0,00 3109,26 0,00 0,49 0,00 1,08 1,40 0,00 765,75 2852,14 0,00 0,16 0,10 130,82 0,42
Error típico 6,84 3,56 0,43 0,32 0,44 0,52 0,24 0,07 0,01 9,92 0,01 13,94 0,02 0,18 0,01 0,26 0,30 0,00 6,92 13,35 0,01 0,10 0,08 2,86 0,16
Asimetría 0,03 0,21 -0,15 -0,45 -0,13 0,05 0,64 0,37 0,37 -0,10 -0,16 0,18 0,84 -0,09 -1,23 1,44 0,28 1,56 -0,01 0,17 0,30 1,21 0,31 2,10 0,49
Curtosis -0,58 -0,73 -0,93 -0,34 -1,47 -0,09 -1,02 -0,01 -0,96 -0,77 0,73 -0,68 1,90 -0,66 1,62 2,18 0,97 2,57 -0,59 -0,91 -1,03 0,92 -1,14 4,69 0,21
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 207,61 110,41 18,18 17,31 19,60 18,46 8,77 2,15 0,23 316,51 1,05 365,31 1,07 8,12 0,23 3,63 4,87 0,017 211,24 352,81 0,60 0,58 0,68 57,76 9,98
Máximo 257,61 149,24 21,15 20,03 22,20 23,20 10,40 2,97 0,29 420,36 1,16 488,40 1,21 9,08 0,30 8,03 7,00 0,034 262,02 447,41 0,65 2,93 2,14 84,51 12,08
Mínimo 147,02 79,92 15,08 14,50 15,40 14,40 7,50 1,40 0,15 221,89 0,94 224,84 0,88 6,84 0,15 1,84 3,00 0,011 148,96 236,26 0,55 0,03 0,05 41,94 9,25
Rango 110,59 69,32 6,07 5,52 6,80 8,80 2,90 1,57 0,14 198,46 0,22 263,56 0,32 2,24 0,15 6,19 4,00 0,02 113,05 211,15 0,09 2,90 2,09 42,57 2,83
Varianza 1141,38 408,03 2,52 2,53 3,38 6,67 1,00 0,21 0,00 2748,59 0,00 6013,80 0,01 0,49 0,00 2,77 1,12 0,00 1209,07 3880,80 0,00 0,51 0,26 179,47 0,52
Error típico 8,72 5,22 0,41 0,41 0,46 0,65 0,25 0,12 0,01 13,54 0,02 19,39 0,02 0,18 0,01 0,43 0,27 0,00 8,98 16,08 0,01 0,18 0,13 3,46 0,19
Asimetría -0,57 0,64 -0,35 -0,11 -0,90 0,03 0,34 -0,07 -0,41 -0,20 0,20 -0,34 -0,22 -0,71 -0,22 1,70 0,30 1,84 -0,54 -0,61 0,18 2,85 1,62 0,99 1,89
Curtosis -0,26 0,05 0,02 0,00 0,19 -0,45 -1,34 -0,55 -1,42 0,36 0,16 -0,51 -0,40 -0,26 -0,46 2,93 -0,23 3,85 -0,27 -0,40 -0,56 9,47 4,00 0,09 4,57
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 119,05 75,32 12,99 12,18 13,89 13,27 5,22 1,20 0,11 181,17 1,07 211,52 1,04 5,75 0,26 1,84 4,11 0,012 120,89 203,10 0,60 0,43 0,48 51,00 10,74
Máximo 257,61 149,24 21,15 20,03 22,20 23,20 10,40 2,97 0,29 420,36 1,18 488,40 1,23 9,08 0,51 8,03 8,00 0,034 262,02 447,41 0,66 2,93 2,14 88,90 14,44
Mínimo 18,99 21,59 5,54 5,05 5,20 5,80 1,20 0,16 0,00 27,94 0,94 30,68 0,85 2,42 0,14 0,00 0,00 0,000 19,04 31,31 0,54 0,00 0,04 24,36 9,25
Rango 238,62 127,65 15,61 14,98 17,00 17,40 9,20 2,80 0,29 392,41 0,24 457,72 0,37 6,66 0,37 8,03 8,00 0,03 242,97 416,10 0,12 2,93 2,11 64,54 5,19
Varianza 6005,36 1228,09 24,57 22,99 30,43 26,50 9,33 0,71 0,01 14035,73 0,00 19914,49 0,01 4,97 0,01 3,20 3,05 0,00 6240,57 17724,21 0,00 0,23 0,15 192,89 1,45
Error típico 11,30 5,11 0,72 0,70 0,80 0,74 0,44 0,12 0,01 17,28 0,01 20,37 0,01 0,33 0,01 0,26 0,25 0,00 11,52 19,42 0,00 0,07 0,06 2,03 0,18
Asimetría 0,13 0,10 -0,22 -0,19 -0,23 -0,02 0,10 0,34 0,56 0,14 0,02 0,24 -0,12 -0,21 1,35 1,33 -0,27 0,82 0,14 0,15 0,23 3,39 1,85 0,70 1,32
Curtosis -1,32 -0,95 -1,42 -1,38 -1,42 -1,19 -1,37 -1,02 -1,05 -1,26 -0,34 -1,17 -0,33 -1,43 2,30 2,22 -0,30 1,26 -1,31 -1,33 -0,74 15,37 5,67 1,18 1,50
55
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 47,07 42,98 8,32 8,00 9,02 8,81 1,89 0,35 0,005 67,35 1,04 80,54 1,02 3,83 0,33 0,41 2,88 0,009 47,48 76,86 0,62 0,24 0,31 39,66 13,47
Máximo 68,08 52,08 10,87 9,25 11,40 10,70 2,30 0,55 0,006 97,93 1,21 121,98 1,10 4,65 0,42 0,91 4,00 0,016 68,99 114,43 0,70 0,55 1,13 56,41 14,97
Mínimo 29,60 34,12 6,37 6,12 7,00 6,80 1,50 0,21 0,003 38,97 0,98 48,96 0,96 3,00 0,22 0,07 1,00 0,001 29,78 44,20 0,58 0,02 0,03 30,13 10,99
Rango 38,48 17,97 4,49 3,13 4,40 3,90 0,80 0,35 0,00 58,96 0,22 73,02 0,14 1,65 0,19 0,84 3,00 0,01 39,21 70,23 0,12 0,53 1,10 26,28 3,98
Varianza 109,15 30,90 1,26 0,80 1,52 1,04 0,09 0,01 0,00 246,33 0,00 394,99 0,00 0,20 0,00 0,06 0,92 0,00 111,43 372,21 0,00 0,03 0,09 55,56 0,95
Error típico 2,61 1,39 0,28 0,22 0,31 0,25 0,08 0,02 0,00 3,92 0,01 4,97 0,01 0,11 0,01 0,06 0,24 0,00 2,64 4,82 0,01 0,04 0,08 1,86 0,24
Asimetría 0,18 0,17 0,21 -0,65 0,36 -0,34 -0,06 0,54 0,00 -0,04 1,96 0,40 0,03 -0,07 -0,14 0,54 -0,24 0,16 0,20 0,30 0,73 0,46 1,56 1,02 -0,90
Curtosis -0,18 -0,82 0,81 -0,06 -0,02 0,44 -1,82 1,04 -2,31 -0,01 4,62 0,35 -1,11 -0,31 -0,25 -0,74 -0,95 -1,30 -0,07 -0,28 -0,77 -0,58 2,18 1,03 1,71
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 85,31 63,21 11,15 10,73 12,09 11,71 4,12 0,73 0,05 120,26 1,04 142,44 1,04 5,17 0,28 1,21 3,88 0,014 86,51 138,34 0,63 0,31 0,49 46,30 11,71
Máximo 107,19 79,19 12,97 12,65 13,90 14,50 5,40 1,00 0,09 163,97 1,14 201,55 1,12 5,88 0,33 2,65 6,00 0,030 108,56 187,30 0,71 0,92 1,76 66,37 13,43
Mínimo 62,40 48,99 9,76 9,61 10,50 9,50 3,40 0,46 0,03 93,85 0,95 100,70 0,96 4,47 0,19 0,33 2,00 0,003 63,22 102,53 0,58 0,02 0,03 37,77 10,74
Rango 44,79 30,20 3,20 3,03 3,40 5,00 2,00 0,53 0,05 70,13 0,19 100,85 0,17 1,41 0,14 2,32 4,00 0,03 45,34 84,78 0,13 0,90 1,73 28,60 2,68
Varianza 127,56 51,43 0,75 0,87 0,83 1,28 0,32 0,01 0,00 372,29 0,00 571,11 0,00 0,12 0,00 0,37 1,45 0,00 130,12 428,08 0,00 0,08 0,24 55,13 0,38
Error típico 2,82 1,79 0,22 0,23 0,23 0,28 0,14 0,03 0,00 4,82 0,01 5,97 0,01 0,09 0,01 0,15 0,30 0,00 2,85 5,17 0,01 0,07 0,12 1,86 0,15
Asimetría -0,13 0,24 0,32 0,58 -0,15 0,42 0,82 0,01 1,36 0,65 0,36 0,52 0,49 -0,06 -0,60 1,11 0,27 1,00 -0,17 0,49 1,06 0,82 1,59 1,36 1,20
Curtosis 0,12 0,75 -0,14 -0,66 -0,14 2,17 0,04 1,76 2,84 0,15 1,23 1,78 0,27 0,31 0,03 1,24 -0,34 1,60 0,12 0,84 0,76 -0,35 2,22 2,31 3,57
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 169,31 95,86 16,06 15,30 17,21 16,39 7,80 1,67 0,21 248,16 1,05 285,70 1,05 7,29 0,24 2,69 4,69 0,016 172,00 282,31 0,61 0,50 0,54 54,47 10,37
Máximo 256,52 118,46 19,35 17,79 21,60 20,90 10,60 2,83 0,36 344,34 1,13 451,44 1,14 9,04 0,33 7,10 7,00 0,043 257,97 427,32 0,66 1,58 1,58 79,06 11,73
Mínimo 109,87 71,90 13,24 12,79 14,30 13,50 6,70 0,98 0,16 169,27 0,96 193,05 0,96 5,83 0,16 1,05 2,00 0,006 112,28 196,23 0,57 0,12 0,03 37,68 8,96
Rango 146,65 46,56 6,12 5,00 7,30 7,40 3,90 1,85 0,20 175,07 0,17 258,39 0,18 3,22 0,17 6,04 5,00 0,04 145,69 231,10 0,09 1,45 1,56 41,37 2,78
Varianza 1664,06 171,56 3,35 2,47 4,47 3,89 1,41 0,29 0,00 2650,24 0,00 4833,52 0,00 0,79 0,00 2,44 1,83 0,00 1687,83 4314,66 0,00 0,18 0,26 104,67 0,86
Error típico 10,20 3,27 0,46 0,39 0,53 0,49 0,30 0,13 0,02 12,87 0,01 17,38 0,01 0,22 0,01 0,39 0,34 0,00 10,27 16,42 0,01 0,11 0,13 2,56 0,23
Asimetría 0,59 0,06 -0,01 -0,12 0,33 0,73 1,44 0,70 1,56 0,07 -0,12 0,86 0,30 0,32 0,66 1,68 -0,09 1,99 0,54 0,61 0,84 1,44 0,84 0,55 0,00
Curtosis -0,17 -0,35 -0,56 -1,23 -0,34 0,38 1,37 -0,11 1,54 -0,70 -1,11 0,75 -0,17 -0,45 0,62 3,12 0,14 5,40 -0,27 -0,04 0,12 1,57 -0,59 1,18 -1,27
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 100,56 67,35 11,84 11,34 12,77 12,30 4,60 0,92 0,09 145,26 1,04 169,56 1,04 5,43 0,28 1,44 3,81 0,013 102,00 165,84 0,62 0,35 0,45 46,81 11,85
Máximo 256,52 118,46 19,35 17,79 21,60 20,90 10,60 2,83 0,36 344,34 1,21 451,44 1,14 9,04 0,42 7,10 7,00 0,043 257,97 427,32 0,71 1,58 1,76 79,06 14,97
Mínimo 29,60 34,12 6,37 6,12 7,00 6,80 1,50 0,21 0,00 38,97 0,95 48,96 0,96 3,00 0,16 0,07 1,00 0,001 29,78 44,20 0,57 0,02 0,03 30,13 8,96
Rango 226,92 84,35 12,98 11,68 14,60 14,10 9,10 2,62 0,36 305,37 0,26 402,48 0,19 6,04 0,26 7,03 6,00 0,04 228,19 383,12 0,14 1,56 1,73 48,93 6,01
Varianza 3268,99 565,66 12,16 10,60 13,82 11,96 6,65 0,41 0,01 6926,85 0,00 9391,12 0,00 2,43 0,00 1,83 1,90 0,00 3377,38 9202,55 0,00 0,10 0,20 106,19 2,34
Error típico 8,25 3,43 0,50 0,47 0,54 0,50 0,37 0,09 0,01 12,01 0,01 13,99 0,01 0,22 0,01 0,19 0,20 0,00 8,39 13,85 0,00 0,05 0,06 1,49 0,22
Asimetría 0,95 0,53 0,48 0,44 0,52 0,54 0,54 1,23 1,13 0,80 0,78 0,98 0,31 0,53 0,29 2,09 0,30 1,68 0,94 0,92 0,93 1,78 1,36 0,79 0,12
Curtosis 0,13 -0,80 -0,80 -0,96 -0,59 -0,51 -0,79 0,93 0,42 -0,51 0,97 0,34 -0,26 -0,60 -0,25 5,80 -0,21 5,02 0,06 0,01 0,17 3,88 1,11 0,73 -0,62
56
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 22,56 28,11 5,84 5,56 6,03 6,15 1,31 0,14 0,003 32,84 1,05 37,49 0,98 2,61 0,37 0,16 1,88 0,007 22,72 36,45 0,62 0,19 0,18 35,21 15,98
Máximo 29,28 36,25 6,63 6,36 7,20 7,20 1,80 0,21 0,005 41,40 1,17 48,28 1,09 3,01 0,53 0,36 4,00 0,016 29,56 46,68 0,69 0,57 0,41 50,49 19,58
Mínimo 15,14 20,95 4,69 4,33 4,80 4,90 0,80 0,08 0,003 20,27 0,95 23,52 0,85 2,15 0,25 0,00 0,00 0,000 15,20 23,30 0,58 0,03 0,03 23,72 13,72
Rango 14,14 15,30 1,94 2,03 2,40 2,30 1,00 0,13 0,00 21,13 0,21 24,76 0,24 0,86 0,28 0,36 4,00 0,02 14,36 23,38 0,11 0,54 0,38 26,76 5,86
Varianza 22,93 18,71 0,50 0,42 0,63 0,50 0,10 0,00 0,00 54,46 0,00 73,28 0,00 0,08 0,00 0,01 1,32 0,00 23,68 62,07 0,00 0,02 0,02 45,23 2,36
Error típico 1,20 1,08 0,18 0,16 0,20 0,18 0,08 0,01 0,00 1,84 0,01 2,14 0,02 0,07 0,02 0,03 0,29 0,00 1,22 1,97 0,01 0,04 0,03 1,68 0,38
Asimetría -0,33 0,02 -0,42 -0,66 0,01 -0,51 -0,14 -0,24 1,28 -0,39 0,16 -0,20 -0,41 -0,53 0,51 0,39 0,58 0,39 -0,32 -0,26 0,39 1,34 0,38 0,68 0,88
Curtosis -1,07 -0,67 -1,18 -0,50 -1,20 -0,97 -1,05 -0,67 -0,44 -1,04 1,84 -1,21 -0,77 -1,01 0,89 -0,94 -0,27 -0,10 -1,08 -1,09 0,09 1,56 -0,83 0,83 0,71
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 99,04 64,75 11,87 11,66 12,84 12,65 5,29 0,79 0,08 140,16 1,02 164,48 1,02 5,53 0,31 1,36 3,63 0,014 100,39 160,14 0,63 0,25 0,53 42,27 12,59
Máximo 144,51 82,62 13,94 14,17 15,20 15,00 7,20 1,02 0,12 197,46 1,09 228,00 1,09 6,57 0,41 3,07 5,00 0,034 145,30 227,06 0,67 0,74 1,54 56,82 14,43
Mínimo 68,15 45,82 9,69 8,99 10,50 9,90 3,90 0,50 0,04 88,32 0,95 103,95 0,94 4,58 0,22 0,39 2,00 0,004 68,61 104,90 0,57 0,01 0,07 30,21 10,21
Rango 76,36 36,80 4,25 5,18 4,70 5,10 3,30 0,51 0,08 109,14 0,14 124,05 0,15 1,99 0,19 2,67 3,00 0,03 76,69 122,16 0,10 0,74 1,46 26,61 4,23
Varianza 550,29 125,20 1,84 2,20 2,07 2,59 1,08 0,03 0,00 1068,21 0,00 1467,58 0,00 0,39 0,00 0,71 1,18 0,00 559,33 1343,56 0,00 0,04 0,22 79,73 1,46
Error típico 5,86 2,80 0,34 0,37 0,36 0,40 0,26 0,04 0,01 8,17 0,01 9,58 0,01 0,16 0,02 0,21 0,27 0,00 5,91 9,16 0,01 0,05 0,12 2,23 0,30
Asimetría 0,54 -0,16 -0,23 -0,17 0,10 -0,36 0,68 -0,63 0,08 0,00 0,00 0,07 -0,06 0,27 0,15 0,67 -0,19 1,31 0,49 0,17 -0,93 1,04 1,21 0,33 -0,26
Curtosis -0,61 -0,91 -1,07 -0,80 -0,71 -0,82 -0,67 -0,81 -0,40 -0,90 -1,07 -0,76 0,20 -0,81 -1,31 -0,65 -1,15 0,94 -0,63 -0,76 0,65 0,83 0,64 -1,15 -0,75
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 188,15 96,43 17,22 16,29 18,15 17,71 8,63 1,70 0,24 282,14 1,06 323,33 1,02 7,73 0,27 3,70 5,75 0,019 191,84 315,64 0,61 0,44 0,58 48,62 11,27
Máximo 243,67 130,34 20,97 18,72 22,10 21,50 10,40 2,55 0,36 392,57 1,13 475,15 1,15 8,78 0,39 7,45 14,00 0,036 246,09 447,54 0,69 2,37 1,32 86,48 13,51
Mínimo 154,61 71,23 14,59 14,22 14,50 15,10 7,60 1,16 0,18 207,58 1,00 218,95 0,91 7,05 0,14 0,68 3,00 0,004 156,44 244,00 0,55 0,03 0,08 32,27 9,07
Rango 89,06 59,11 6,37 4,50 7,60 6,40 2,80 1,39 0,17 184,99 0,13 256,20 0,24 1,73 0,24 6,77 11,00 0,03 89,65 203,54 0,14 2,34 1,24 54,21 4,44
Varianza 517,16 232,51 2,32 1,54 3,53 2,02 0,46 0,13 0,00 2073,70 0,00 3264,03 0,00 0,19 0,00 2,81 7,00 0,00 535,65 2446,52 0,00 0,33 0,16 148,95 1,36
Error típico 5,69 3,81 0,38 0,31 0,47 0,36 0,17 0,09 0,01 11,38 0,01 14,28 0,02 0,11 0,01 0,42 0,66 0,00 5,79 12,37 0,01 0,14 0,10 3,05 0,29
Asimetría 0,69 0,37 0,41 0,09 0,08 0,86 0,98 0,91 1,04 0,51 0,35 0,90 0,12 0,57 0,08 0,25 2,16 0,03 0,54 0,98 0,20 2,82 0,59 1,94 -0,17
Curtosis 1,05 0,27 1,69 -0,57 0,16 2,78 2,02 0,62 0,24 1,14 -0,61 2,65 -0,61 0,87 1,00 0,47 6,01 -0,05 0,64 2,35 -0,32 9,24 -0,65 6,06 -0,03
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 103,25 63,10 11,64 11,17 12,34 12,17 5,08 0,88 0,11 151,71 1,04 175,10 1,01 5,29 0,32 1,74 3,75 0,013 104,98 170,74 0,62 0,29 0,43 42,03 13,28
Máximo 243,67 130,34 20,97 18,72 22,10 21,50 10,40 2,55 0,36 392,57 1,17 475,15 1,15 8,78 0,53 7,45 14,00 0,036 246,09 447,54 0,69 2,37 1,54 86,48 19,58
Mínimo 15,14 20,95 4,69 4,33 4,80 4,90 0,80 0,08 0,00 20,27 0,95 23,52 0,85 2,15 0,14 0,00 0,00 0,000 15,20 23,30 0,55 0,01 0,03 23,72 9,07
Rango 228,53 109,39 16,28 14,40 17,30 16,60 9,60 2,47 0,36 372,29 0,22 451,63 0,30 6,63 0,38 7,45 14,00 0,04 230,89 424,24 0,14 2,37 1,51 62,75 10,51
Varianza 5024,34 916,06 23,57 21,06 27,14 24,48 9,68 0,47 0,01 11667,29 0,00 15498,51 0,00 4,70 0,01 3,32 5,60 0,00 5236,23 14554,67 0,00 0,14 0,16 118,01 5,68
Error típico 10,23 4,37 0,70 0,66 0,75 0,71 0,45 0,10 0,02 15,59 0,01 17,97 0,01 0,31 0,01 0,26 0,34 0,00 10,44 17,41 0,00 0,05 0,06 1,57 0,34
Asimetría 0,21 0,20 0,03 -0,09 -0,01 -0,06 -0,04 0,54 0,68 0,36 0,09 0,38 -0,28 -0,13 0,38 1,14 1,79 0,85 0,21 0,34 -0,15 4,01 1,36 1,43 0,54
Curtosis -1,37 -1,07 -1,35 -1,45 -1,31 -1,41 -1,51 -0,69 -0,68 -1,13 0,23 -0,98 0,19 -1,49 0,25 0,68 6,36 0,00 -1,37 -1,11 -0,32 21,04 1,17 4,46 -0,13
57
Tabla 42. Estadística descriptiva. 2ª campaña (1996), cv. Cencibel, Estudio global.
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 29,29 34,30 6,60 6,18 6,89 6,84 1,54 0,20 0,004 42,89 1,07 49,58 1,01 2,95 0,32 0,24 2,51 0,008 29,52 49,10 0,60 0,22 0,26 43,09 16,28
Máximo 70,00 52,80 10,87 9,82 11,40 11,10 3,30 0,55 0,015 97,93 1,28 121,98 1,28 4,74 0,53 1,00 5,00 0,033 70,44 117,78 0,70 1,00 1,13 110,18 32,05
Mínimo 8,30 15,59 3,65 3,31 3,50 3,70 0,80 0,04 0,002 12,09 0,95 12,95 0,78 1,63 0,11 0,00 0,00 0,000 8,30 13,71 0,44 0,00 0,02 23,72 9,63
Rango 61,70 37,22 7,21 6,51 7,90 7,40 2,50 0,51 0,01 85,84 0,33 109,03 0,50 3,11 0,41 1,00 5,00 0,03 62,13 104,07 0,26 1,00 1,12 86,46 22,42
Varianza 203,96 79,20 2,19 2,19 2,81 2,48 0,24 0,01 0,00 406,65 0,00 556,49 0,01 0,49 0,01 0,04 1,72 0,00 207,77 526,60 0,00 0,03 0,04 207,87 14,32
Error típico 1,26 0,79 0,13 0,13 0,15 0,14 0,04 0,01 0,00 1,78 0,01 2,09 0,01 0,06 0,01 0,02 0,12 0,00 1,27 2,03 0,00 0,02 0,02 1,27 0,33
Asimetría 1,03 0,19 0,58 0,65 0,61 0,53 1,02 1,05 1,50 0,96 0,71 0,97 0,23 0,71 -0,09 1,26 -0,18 1,14 1,03 1,02 -0,56 1,69 1,39 1,84 1,23
Curtosis 0,18 -0,87 -0,39 -0,50 -0,33 -0,48 1,08 0,34 2,39 0,00 0,42 0,29 0,89 -0,37 -0,03 1,50 -0,73 2,59 0,18 0,26 1,09 4,02 2,61 4,22 3,07
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 117,39 75,39 13,35 12,71 14,20 13,63 5,39 0,89 0,08 172,92 1,05 197,03 1,04 6,04 0,27 1,40 4,12 0,012 118,79 195,63 0,61 0,43 0,53 48,60 13,76
Máximo 214,86 118,24 18,53 17,56 19,80 19,60 8,70 1,78 0,15 325,42 1,19 388,08 1,28 8,28 0,41 4,57 8,00 0,034 215,94 362,48 0,71 1,97 1,76 102,04 32,20
Mínimo 52,13 42,52 8,51 8,22 10,20 8,00 2,90 0,40 0,02 69,94 0,94 81,60 0,87 4,09 0,12 0,10 1,00 0,001 52,53 85,95 0,53 0,00 0,00 30,21 9,49
Rango 162,73 75,72 10,02 9,34 9,60 11,60 5,80 1,38 0,13 255,47 0,25 306,48 0,40 4,19 0,29 4,47 7,00 0,03 163,40 276,53 0,18 1,97 1,76 71,82 22,70
Varianza 928,33 217,33 3,76 3,24 3,91 3,80 1,90 0,08 0,00 2286,52 0,00 2873,47 0,00 0,63 0,00 0,62 1,66 0,00 939,69 2803,08 0,00 0,20 0,18 136,32 13,78
Error típico 2,69 1,30 0,17 0,16 0,17 0,17 0,12 0,02 0,00 4,23 0,00 4,74 0,01 0,07 0,01 0,07 0,11 0,00 2,71 4,68 0,00 0,04 0,04 1,03 0,33
Asimetría 0,39 0,28 0,01 -0,06 0,11 -0,06 0,63 0,71 0,46 0,29 0,24 0,39 0,51 0,12 0,19 1,07 0,23 1,11 0,38 0,32 0,06 1,51 1,01 1,38 2,56
Curtosis -0,13 0,00 -0,44 -0,39 -0,60 0,24 -0,59 0,36 -0,65 -0,20 -0,35 0,23 1,19 -0,39 -0,17 1,47 -0,14 1,54 -0,13 -0,30 -0,16 1,86 0,32 3,51 8,57
Tamaño muestra 123 123 123 123 128 128 128 128 128 123 123 128 128 123 123 123 123 123 123 123 123 123 123 123 123
Media 215,16 105,89 18,34 17,27 19,59 18,65 9,17 1,94 0,25 319,75 1,06 369,67 1,05 8,22 0,25 2,74 4,28 0,013 217,90 356,33 0,61 0,64 0,65 51,95 11,62
Máximo 320,01 149,24 23,23 21,13 24,70 24,50 14,20 3,86 0,52 488,18 1,23 602,70 1,30 10,05 0,44 8,03 14,00 0,043 322,01 512,76 0,70 2,93 2,31 86,48 21,75
Mínimo 109,87 71,23 13,24 12,79 14,30 13,50 6,70 0,98 0,11 169,27 0,92 193,05 0,79 5,83 0,14 0,12 1,00 0,000 112,28 196,23 0,55 0,01 0,01 28,72 8,96
Rango 210,14 78,00 9,99 8,34 10,40 11,00 7,50 2,88 0,41 318,91 0,31 409,65 0,51 4,22 0,29 7,91 13,00 0,04 209,73 316,53 0,16 2,92 2,29 57,76 12,79
Varianza 1680,00 243,62 4,20 3,05 5,10 5,45 2,48 0,25 0,01 4109,07 0,00 7144,75 0,01 0,64 0,00 2,46 3,19 0,00 1683,36 4671,75 0,00 0,42 0,29 103,30 4,23
Error típico 3,70 1,41 0,18 0,16 0,20 0,21 0,14 0,04 0,01 5,78 0,01 7,47 0,01 0,07 0,00 0,14 0,16 0,00 3,70 6,16 0,00 0,06 0,05 0,92 0,19
Asimetría -0,15 0,01 -0,11 -0,27 -0,20 0,21 0,77 0,95 0,86 0,01 0,27 0,33 -0,01 -0,42 0,84 0,80 1,24 0,95 -0,17 -0,12 0,27 1,54 1,05 0,81 2,38
Curtosis -0,39 -0,18 -0,09 -0,28 0,01 -0,47 0,24 1,53 0,89 -0,28 -0,07 -0,19 1,46 -0,07 1,84 0,77 6,03 1,70 -0,38 -0,37 0,07 1,81 0,67 1,72 8,43
Tamaño muestra 379 379 379 379 384 384 384 384 384 379 379 384 384 379 379 379 379 379 379 379 379 379 379 379 379
Media 119,36 71,41 12,69 11,99 13,56 13,04 5,36 1,01 0,11 176,66 1,06 205,43 1,04 5,70 0,28 1,44 3,63 0,011 120,81 198,30 0,61 0,43 0,48 47,83 13,91
Máximo 320,01 149,24 23,23 21,13 24,70 24,50 14,20 3,86 0,52 488,18 1,28 602,70 1,30 10,05 0,53 8,03 14,00 0,043 322,01 512,76 0,71 2,93 2,31 110,18 32,20
Mínimo 8,30 15,59 3,65 3,31 3,50 3,70 0,80 0,04 0,00 12,09 0,92 12,95 0,78 1,63 0,11 0,00 0,00 0,000 8,30 13,71 0,44 0,00 0,00 23,72 8,96
Rango 311,70 133,65 19,57 17,82 21,20 20,80 13,40 3,82 0,52 476,09 0,35 589,75 0,52 8,42 0,41 8,03 14,00 0,04 313,70 499,04 0,27 2,93 2,31 86,46 23,24
Varianza 6657,64 1036,82 26,47 23,47 31,07 27,38 11,26 0,63 0,01 14957,68 0,00 20661,98 0,01 5,26 0,00 2,06 2,81 0,00 6819,45 18293,11 0,00 0,24 0,19 162,31 14,43
Error típico 4,19 1,65 0,26 0,25 0,28 0,27 0,17 0,04 0,01 6,28 0,00 7,34 0,00 0,12 0,00 0,07 0,09 0,00 4,24 6,95 0,00 0,03 0,02 0,65 0,20
Asimetría 0,32 0,07 -0,04 -0,11 -0,06 -0,01 0,26 0,70 0,99 0,36 0,46 0,46 0,08 -0,12 0,54 1,46 0,61 1,04 0,32 0,32 -0,43 2,20 1,52 1,13 1,74
Curtosis -1,09 -1,14 -1,23 -1,27 -1,21 -1,12 -1,07 -0,22 0,19 -1,02 0,20 -0,77 1,02 -1,28 0,33 2,38 3,21 1,77 -1,10 -1,09 1,37 5,32 2,28 2,42 4,40
58
Tabla 43. Estadística descriptiva. 2ª campaña (1996), cv. Garnacha, Muestreo 1 (03-06-1996).
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 20,10 31,50 5,67 5,41 6,23 5,88 1,42 0,09 0,004 31,27 1,05 37,37 1,07 2,53 0,25 0,02 0,69 0,001 20,12 35,90 0,56 0,17 0,22 49,96 21,97
Máximo 35,47 43,07 7,30 7,34 8,00 8,40 2,00 0,17 0,007 53,57 1,17 63,84 1,23 3,37 0,30 0,12 3,00 0,006 35,51 56,97 0,62 0,48 0,71 61,43 23,84
Mínimo 12,25 24,59 4,66 4,10 4,80 4,80 1,00 0,05 0,002 19,11 0,90 23,52 0,90 1,96 0,20 0,00 0,00 0,000 12,26 23,43 0,48 0,02 0,03 42,16 20,57
Rango 23,22 18,48 2,64 3,24 3,20 3,60 1,00 0,12 0,01 34,47 0,27 40,32 0,32 1,41 0,09 0,12 3,00 0,01 23,24 33,54 0,14 0,46 0,67 19,27 3,28
Varianza 43,41 34,82 0,75 0,75 0,76 1,14 0,11 0,00 0,00 97,07 0,01 148,78 0,01 0,15 0,00 0,00 0,76 0,00 43,49 108,92 0,00 0,02 0,03 28,58 0,99
Error típico 1,65 1,48 0,22 0,22 0,22 0,27 0,08 0,01 0,00 2,46 0,02 3,05 0,02 0,10 0,01 0,01 0,22 0,00 1,65 2,61 0,01 0,04 0,05 1,34 0,25
Asimetría 1,26 0,86 0,75 0,79 0,61 1,03 0,34 1,36 0,01 1,10 -0,44 1,08 0,08 0,89 -0,15 2,08 1,40 2,07 1,26 0,84 -0,34 0,71 1,24 0,65 0,14
Curtosis 1,08 -0,36 -0,54 0,50 -0,06 0,56 -1,34 1,41 -1,32 0,70 -0,51 0,33 0,84 0,47 -0,25 4,81 2,02 4,36 1,07 -0,13 -0,33 -0,71 1,54 0,28 -0,94
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 101,23 64,22 11,98 11,48 12,79 12,81 3,32 0,58 0,03 139,77 1,04 166,74 1,00 5,62 0,31 0,06 0,56 0,001 101,29 160,85 0,63 0,20 0,54 41,39 18,03
Máximo 147,05 77,24 14,80 13,80 15,70 16,30 5,20 1,01 0,06 201,99 1,13 247,76 1,13 6,87 0,35 0,44 2,00 0,003 147,05 230,02 0,67 0,79 1,12 49,47 20,40
Mínimo 57,15 47,92 9,29 9,17 9,90 9,80 2,00 0,28 0,02 85,23 0,96 97,02 0,87 4,28 0,25 0,00 0,00 0,000 57,15 95,09 0,57 0,02 0,02 35,36 14,53
Rango 89,90 29,32 5,51 4,63 5,80 6,50 3,20 0,73 0,05 116,77 0,17 150,74 0,25 2,59 0,10 0,44 2,00 0,00 89,90 134,93 0,10 0,78 1,11 14,11 5,86
Varianza 768,30 81,70 2,69 2,48 3,77 3,10 0,95 0,04 0,00 1417,06 0,00 2217,78 0,00 0,59 0,00 0,01 0,40 0,00 769,36 1946,61 0,00 0,03 0,13 19,00 2,83
Error típico 6,93 2,26 0,41 0,39 0,49 0,44 0,24 0,05 0,00 9,41 0,01 11,77 0,02 0,19 0,01 0,03 0,16 0,00 6,93 11,03 0,01 0,04 0,09 1,09 0,42
Asimetría 0,32 -0,15 0,18 0,25 0,13 0,40 0,58 0,61 0,61 0,38 0,01 0,44 -0,16 0,11 -0,05 2,79 0,65 1,74 0,32 0,30 -0,50 2,58 0,07 0,33 -0,44
Curtosis -0,85 -0,84 -0,84 -1,39 -1,52 -0,35 -0,39 -0,48 -1,02 -1,09 -0,43 -1,06 -0,02 -0,86 -1,15 8,99 -0,32 2,93 -0,85 -1,26 0,12 8,71 -1,48 -0,99 -0,43
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 183,45 86,10 16,22 15,84 17,96 16,64 6,63 1,26 0,12 258,91 1,03 301,50 1,08 7,61 0,31 0,02 0,31 0,000 183,47 286,26 0,64 0,27 0,78 40,59 14,86
Máximo 276,85 98,07 18,46 19,67 21,90 20,10 10,50 2,17 0,25 363,19 1,12 440,19 1,24 9,37 0,36 0,13 1,00 0,001 276,85 418,29 0,66 0,65 2,28 44,28 16,86
Mínimo 125,37 66,04 12,41 13,42 14,80 14,00 4,90 0,78 0,05 166,55 0,93 207,20 0,98 6,32 0,28 0,00 0,00 0,000 125,37 190,44 0,62 0,02 0,04 34,55 12,78
Rango 151,47 32,03 6,05 6,26 7,10 6,10 5,60 1,39 0,20 196,63 0,19 232,99 0,25 3,05 0,08 0,13 1,00 0,00 151,47 227,85 0,05 0,64 2,23 9,73 4,08
Varianza 1282,57 75,04 2,52 2,34 3,57 3,11 2,17 0,11 0,00 2253,54 0,00 3713,69 0,01 0,55 0,00 0,00 0,23 0,00 1282,88 3072,46 0,00 0,04 0,36 9,83 1,39
Error típico 8,95 2,17 0,40 0,38 0,47 0,44 0,37 0,08 0,01 11,87 0,01 15,24 0,02 0,19 0,01 0,01 0,12 0,00 8,95 13,86 0,00 0,05 0,15 0,78 0,29
Asimetría 0,84 -0,87 -1,05 0,67 0,14 0,29 1,26 1,18 1,13 0,01 -0,16 0,57 0,90 0,39 1,06 2,44 0,90 2,63 0,83 0,53 -0,12 0,48 0,84 -0,81 0,32
Curtosis 2,30 0,80 1,12 1,53 -0,02 -0,32 1,83 2,49 0,54 0,90 -0,48 0,66 0,28 1,25 0,29 5,43 -1,39 6,92 2,30 1,16 -1,36 -0,99 0,84 -0,18 -0,44
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 101,59 60,60 11,29 10,91 12,33 11,78 3,79 0,64 0,05 143,32 1,04 168,54 1,05 5,25 0,29 0,03 0,52 0,001 101,63 161,00 0,61 0,21 0,52 43,98 18,29
Máximo 276,85 98,07 18,46 19,67 21,90 20,10 10,50 2,17 0,25 363,19 1,17 440,19 1,24 9,37 0,36 0,44 3,00 0,006 276,85 418,29 0,67 0,79 2,28 61,43 23,84
Mínimo 12,25 24,59 4,66 4,10 4,80 4,80 1,00 0,05 0,00 19,11 0,90 23,52 0,87 1,96 0,20 0,00 0,00 0,000 12,26 23,43 0,48 0,02 0,02 34,55 12,78
Rango 264,60 73,48 13,80 15,58 17,10 15,30 9,50 2,11 0,25 344,08 0,27 416,67 0,37 7,41 0,16 0,44 3,00 0,01 264,58 394,85 0,19 0,78 2,26 26,89 11,06
Varianza 5210,78 575,24 21,12 20,47 26,14 22,63 5,77 0,28 0,00 10029,04 0,00 13816,88 0,01 4,88 0,00 0,01 0,47 0,00 5210,94 12305,38 0,00 0,03 0,22 36,71 10,32
Error típico 10,42 3,46 0,66 0,65 0,74 0,69 0,35 0,08 0,01 14,45 0,01 16,97 0,01 0,32 0,01 0,01 0,10 0,00 10,42 16,01 0,01 0,03 0,07 0,87 0,46
Asimetría 0,31 -0,13 -0,12 -0,07 0,01 -0,17 0,73 0,69 1,61 0,30 -0,17 0,34 0,27 -0,12 -0,08 4,05 1,38 2,95 0,31 0,30 -1,00 1,22 1,38 0,78 0,04
Curtosis -0,97 -1,39 -1,43 -1,34 -1,36 -1,32 -0,24 -0,20 2,40 -1,16 -0,37 -0,99 0,42 -1,37 -0,32 20,73 2,36 10,19 -0,97 -1,05 0,37 1,46 2,54 0,65 -1,34
59
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 23,19 28,80 5,80 5,57 6,45 5,79 1,38 0,12 0,004 32,75 1,04 37,92 1,12 2,72 0,35 0,02 0,69 0,001 23,21 38,09 0,61 0,17 0,24 35,94 19,42
Máximo 35,55 38,53 7,44 6,57 7,90 7,60 1,80 0,18 0,008 48,58 1,17 58,52 1,24 3,38 0,43 0,13 3,00 0,004 35,67 57,84 0,65 0,46 0,56 43,93 21,79
Mínimo 16,16 22,14 4,89 4,73 5,40 4,50 0,90 0,08 0,003 23,37 0,91 24,30 1,01 2,30 0,28 0,00 0,00 0,000 16,17 26,01 0,58 0,00 0,01 29,18 17,30
Rango 19,39 16,39 2,55 1,84 2,50 3,10 0,90 0,11 0,01 25,21 0,26 34,22 0,23 1,08 0,15 0,13 3,00 0,00 19,50 31,83 0,07 0,46 0,55 14,75 4,48
Varianza 37,80 23,62 0,62 0,42 0,69 0,70 0,06 0,00 0,00 66,17 0,00 106,67 0,00 0,12 0,00 0,00 0,76 0,00 38,01 108,31 0,00 0,02 0,03 16,28 1,87
Error típico 1,54 1,22 0,20 0,16 0,21 0,21 0,06 0,01 0,00 2,03 0,02 2,58 0,02 0,09 0,01 0,01 0,22 0,00 1,54 2,60 0,00 0,04 0,04 1,01 0,34
Asimetría 0,87 0,73 0,81 0,26 0,54 0,78 0,00 0,96 1,18 0,75 0,03 0,84 0,13 0,75 0,41 2,69 1,40 1,82 0,88 0,98 0,09 0,86 0,37 0,12 0,37
Curtosis -0,33 -0,22 -0,32 -1,55 -0,88 0,43 -0,54 -0,02 0,63 -0,65 -0,41 -0,04 -0,02 -0,57 -0,25 8,23 2,02 3,01 -0,31 -0,27 -0,31 -0,31 -1,22 -0,33 -0,88
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 144,16 80,80 14,62 13,91 15,64 14,65 5,18 0,94 0,08 205,93 1,05 231,18 1,07 6,74 0,28 0,16 0,88 0,001 144,32 233,96 0,62 0,18 0,77 45,38 15,92
Máximo 234,88 102,47 18,40 17,70 20,00 18,80 8,00 1,59 0,18 325,68 1,19 376,00 1,33 8,55 0,35 0,58 3,00 0,004 234,94 365,49 0,68 0,90 1,75 55,21 29,61
Mínimo 88,28 56,46 11,69 10,56 13,10 11,40 3,30 0,53 0,03 123,45 0,96 173,28 0,80 5,34 0,23 0,00 0,00 0,000 88,28 146,64 0,58 0,00 0,09 35,90 8,94
Rango 146,60 46,01 6,71 7,14 6,90 7,40 4,70 1,07 0,15 202,23 0,23 202,72 0,53 3,21 0,12 0,58 3,00 0,00 146,66 218,85 0,10 0,90 1,66 19,31 20,66
Varianza 1170,04 154,00 3,11 3,20 3,08 3,38 1,40 0,06 0,00 2498,95 0,00 2778,64 0,01 0,59 0,00 0,05 0,92 0,00 1172,68 2943,44 0,00 0,05 0,25 27,18 16,47
Error típico 8,55 3,10 0,44 0,45 0,44 0,46 0,30 0,06 0,01 12,50 0,02 13,18 0,03 0,19 0,01 0,05 0,24 0,00 8,56 13,56 0,01 0,06 0,12 1,30 1,01
Asimetría 0,97 -0,14 0,31 0,33 0,87 0,50 0,68 0,88 1,41 0,65 0,27 1,44 -0,19 0,38 0,60 1,01 0,80 0,95 0,96 0,63 0,82 2,39 0,67 -0,01 2,52
Curtosis 2,30 -0,51 -0,12 0,11 0,96 0,47 1,29 2,01 3,56 0,75 -0,52 2,59 3,90 0,93 -0,08 -0,46 -0,23 -0,82 2,27 0,89 2,30 6,38 -0,54 -0,52 10,04
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 213,25 94,57 17,70 16,98 18,84 18,56 7,89 1,76 0,20 302,35 1,04 353,13 1,02 8,21 0,30 0,06 0,33 0,000 213,31 336,89 0,63 0,45 0,70 42,16 12,65
Máximo 270,90 109,84 20,24 19,19 23,50 23,60 10,10 2,63 0,35 378,49 1,11 554,60 1,25 9,26 0,36 0,58 2,00 0,003 270,90 427,16 0,68 1,00 1,55 55,21 14,25
Mínimo 166,02 76,20 15,06 14,20 15,40 14,00 6,50 1,24 0,11 213,85 0,97 243,32 0,88 7,15 0,23 0,00 0,00 0,000 166,25 243,64 0,58 0,11 0,05 34,73 9,37
Rango 104,88 33,64 5,18 4,99 8,10 9,60 3,60 1,39 0,24 164,64 0,14 311,28 0,37 2,11 0,13 0,58 2,00 0,00 104,65 183,52 0,10 0,89 1,50 20,48 4,88
Varianza 1417,95 95,64 2,47 2,00 4,01 5,74 0,71 0,17 0,00 2462,90 0,00 6303,92 0,01 0,50 0,00 0,02 0,38 0,00 1412,75 3520,88 0,00 0,11 0,23 28,64 1,75
Error típico 9,72 2,53 0,41 0,36 0,50 0,60 0,21 0,10 0,02 12,81 0,01 19,85 0,02 0,18 0,01 0,04 0,16 0,00 9,70 15,32 0,01 0,08 0,12 1,38 0,34
Asimetría 0,34 -0,37 0,08 -0,37 0,33 0,12 1,09 0,87 0,71 -0,04 0,12 0,80 0,90 0,10 -0,19 3,13 1,79 3,14 0,35 -0,02 -0,21 0,54 0,48 0,98 -1,00
Curtosis -1,19 -0,46 -1,18 -0,48 1,15 0,22 2,25 -0,18 0,83 -1,02 -1,45 1,75 1,66 -1,20 0,07 10,08 2,63 10,14 -1,19 -1,13 -0,28 -1,48 -0,74 1,44 1,28
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 125,03 67,50 12,60 12,05 13,64 13,00 4,82 0,94 0,09 177,75 1,05 207,41 1,07 5,84 0,31 0,08 0,64 0,001 125,11 200,13 0,62 0,26 0,56 41,14 16,07
Máximo 270,90 109,84 20,24 19,19 23,50 23,60 10,10 2,63 0,35 378,49 1,19 554,60 1,33 9,26 0,43 0,58 3,00 0,004 270,90 427,16 0,68 1,00 1,75 55,21 29,61
Mínimo 16,16 22,14 4,89 4,73 5,40 4,50 0,90 0,08 0,00 23,37 0,91 24,30 0,80 2,30 0,23 0,00 0,00 0,000 16,17 26,01 0,58 0,00 0,01 29,18 8,94
Rango 254,74 87,70 15,35 14,46 18,10 19,10 9,20 2,55 0,35 355,12 0,28 530,30 0,53 6,96 0,20 0,58 3,00 0,00 254,73 401,15 0,10 1,00 1,74 26,03 20,66
Varianza 7098,28 908,46 27,92 25,53 30,64 32,30 7,99 0,53 0,01 14238,66 0,00 20132,39 0,01 5,90 0,00 0,03 0,71 0,00 7101,84 17696,50 0,00 0,07 0,22 38,87 14,24
Error típico 12,29 4,40 0,77 0,74 0,80 0,82 0,41 0,11 0,01 17,41 0,01 20,48 0,01 0,35 0,01 0,02 0,12 0,00 12,29 19,40 0,00 0,04 0,07 0,91 0,55
Asimetría 0,01 -0,36 -0,35 -0,33 -0,33 -0,20 -0,05 0,41 0,80 -0,04 0,15 0,18 -0,08 -0,34 0,47 2,23 1,24 1,59 0,01 -0,04 0,47 1,46 0,99 0,33 0,90
Curtosis -1,30 -1,52 -1,48 -1,52 -1,37 -1,32 -1,45 -0,77 -0,11 -1,41 -0,43 -0,88 1,30 -1,48 0,00 3,97 0,87 1,18 -1,30 -1,37 0,12 1,19 0,11 -0,26 2,24
60
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 20,99 24,96 5,40 5,15 5,76 5,50 1,14 0,12 0,004 28,72 1,05 32,58 1,05 2,54 0,42 0,00 0,06 0,000 20,99 33,12 0,64 0,15 0,27 30,33 18,22
Máximo 33,16 34,07 7,04 6,97 7,30 7,00 1,40 0,18 0,007 49,03 1,14 51,10 1,18 3,24 0,52 0,04 1,00 0,001 33,20 53,93 0,67 0,39 0,55 39,64 22,82
Mínimo 9,96 17,79 3,83 3,69 4,00 3,90 0,90 0,04 0,003 14,27 0,98 15,60 0,90 1,81 0,32 0,00 0,00 0,000 9,96 16,25 0,59 0,00 0,08 24,03 15,45
Rango 23,21 16,28 3,21 3,28 3,30 3,10 0,50 0,14 0,00 34,76 0,16 35,50 0,28 1,44 0,20 0,04 1,00 0,00 23,24 37,68 0,08 0,38 0,47 15,60 7,37
Varianza 48,36 24,20 0,97 0,99 1,02 0,99 0,03 0,00 0,00 108,16 0,00 122,75 0,00 0,18 0,00 0,00 0,06 0,00 48,42 128,29 0,00 0,01 0,02 15,22 4,64
Error típico 1,74 1,23 0,25 0,25 0,25 0,25 0,04 0,01 0,00 2,60 0,01 2,77 0,02 0,11 0,01 0,00 0,06 0,00 1,74 2,83 0,00 0,03 0,03 0,98 0,54
Asimetría 0,04 0,16 0,02 0,01 -0,23 0,00 0,34 -0,17 2,51 0,29 0,23 0,17 -0,31 -0,23 -0,11 4,00 4,00 4,00 0,05 0,12 -0,66 0,69 0,37 0,84 0,93
Curtosis -0,98 -0,91 -0,97 -0,99 -1,05 -1,06 -1,04 -0,50 4,90 -0,78 -1,67 -0,98 1,70 -1,00 0,35 16,00 16,00 16,00 -0,97 -0,95 0,66 -0,22 -0,33 1,05 0,25
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 113,07 63,99 12,62 12,21 13,53 12,88 4,49 0,80 0,06 156,09 1,04 176,29 1,05 5,95 0,35 0,03 0,31 0,000 113,09 176,95 0,64 0,30 0,64 36,31 16,67
Máximo 173,42 85,14 16,42 15,81 16,80 16,20 5,90 1,44 0,11 259,65 1,13 267,30 1,18 7,37 0,40 0,16 2,00 0,001 173,42 268,35 0,69 0,84 1,31 43,98 48,28
Mínimo 78,22 52,67 9,98 9,76 11,60 10,00 3,20 0,17 0,04 104,21 0,92 116,00 0,94 4,85 0,28 0,00 0,00 0,000 78,29 121,64 0,56 0,03 0,03 31,62 7,31
Rango 95,19 32,46 6,44 6,06 5,20 6,20 2,70 1,28 0,07 155,44 0,22 151,30 0,24 2,52 0,11 0,16 2,00 0,00 95,13 146,70 0,13 0,80 1,28 12,36 40,97
Varianza 670,93 91,47 2,43 2,51 2,44 2,62 0,60 0,08 0,00 1598,90 0,00 1796,75 0,00 0,45 0,00 0,00 0,36 0,00 671,49 1590,83 0,00 0,08 0,15 13,22 91,95
Error típico 6,48 2,39 0,39 0,40 0,39 0,40 0,19 0,07 0,01 10,00 0,02 10,60 0,02 0,17 0,01 0,01 0,15 0,00 6,48 9,97 0,01 0,07 0,10 0,91 2,40
Asimetría 1,05 1,28 0,75 1,00 0,86 0,37 0,19 0,16 0,95 1,34 -0,27 1,03 0,20 0,57 -0,35 1,73 1,89 1,33 1,05 1,19 -1,34 0,95 -0,01 0,66 2,64
Curtosis 1,24 1,38 1,48 0,98 0,16 0,53 -0,64 2,40 0,24 2,34 -0,53 0,91 -0,47 0,56 -0,88 1,82 3,03 -0,19 1,24 1,36 3,84 -0,63 -0,86 -0,38 8,29
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 217,18 93,02 17,69 17,04 18,91 18,00 7,99 1,71 0,20 303,06 1,04 341,99 1,06 8,26 0,32 0,24 0,31 0,001 217,43 338,85 0,64 0,28 0,79 39,95 12,86
Máximo 285,58 107,97 20,55 19,52 20,60 20,80 11,20 2,34 0,30 398,55 1,19 428,48 1,25 9,53 0,38 1,75 1,00 0,006 287,33 422,82 0,72 1,05 1,69 48,45 15,99
Mínimo 169,16 80,77 15,80 14,90 16,40 15,20 5,70 1,12 0,13 242,22 0,92 262,40 0,98 7,46 0,26 0,00 0,00 0,000 169,43 264,99 0,58 0,04 0,02 32,54 10,37
Rango 116,42 27,20 4,75 4,62 4,20 5,60 5,50 1,21 0,17 156,33 0,27 166,08 0,27 2,07 0,13 1,75 1,00 0,01 117,91 157,83 0,14 1,01 1,67 15,91 5,62
Varianza 1163,76 69,56 2,28 2,48 1,65 3,20 1,60 0,12 0,00 2668,71 0,00 2932,39 0,01 0,39 0,00 0,22 0,23 0,00 1175,58 2501,89 0,00 0,06 0,21 19,71 1,87
Error típico 8,53 2,09 0,38 0,39 0,32 0,45 0,32 0,09 0,01 12,91 0,02 13,54 0,02 0,16 0,01 0,12 0,12 0,00 8,57 12,50 0,01 0,06 0,11 1,11 0,34
Asimetría 0,57 0,15 0,77 0,38 -0,32 0,01 0,80 0,20 0,28 0,65 0,70 0,20 1,55 0,59 0,08 2,55 0,90 2,09 0,59 0,23 0,44 2,18 0,06 0,35 0,43
Curtosis -0,74 -0,89 -0,61 -1,23 -0,88 -0,86 1,89 -0,77 -0,76 -1,11 1,88 -1,15 2,39 -0,65 -0,48 6,98 -1,39 3,68 -0,66 -1,22 -0,26 6,28 -0,13 -0,55 0,87
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 117,08 60,66 11,90 11,47 12,73 12,13 4,54 0,87 0,09 162,62 1,04 183,62 1,05 5,58 0,36 0,09 0,23 0,000 117,17 182,97 0,64 0,24 0,57 35,53 15,92
Máximo 285,58 107,97 20,55 19,52 20,60 20,80 11,20 2,34 0,30 398,55 1,19 428,48 1,25 9,53 0,52 1,75 2,00 0,006 287,33 422,82 0,72 1,05 1,69 48,45 48,28
Mínimo 9,96 17,79 3,83 3,69 4,00 3,90 0,90 0,04 0,00 14,27 0,92 15,60 0,90 1,81 0,26 0,00 0,00 0,000 9,96 16,25 0,56 0,00 0,02 24,03 7,31
Rango 275,63 90,18 16,72 15,83 16,60 16,90 10,30 2,29 0,30 384,28 0,28 412,88 0,35 7,72 0,26 1,75 2,00 0,01 277,38 406,57 0,16 1,05 1,67 24,41 40,97
Varianza 7160,79 853,33 27,77 26,22 31,36 29,06 8,71 0,50 0,01 14229,31 0,00 17870,71 0,00 5,95 0,00 0,08 0,22 0,00 7181,20 17275,16 0,00 0,05 0,17 31,42 36,60
Error típico 12,21 4,22 0,76 0,74 0,81 0,78 0,43 0,10 0,01 17,22 0,01 19,30 0,01 0,35 0,01 0,04 0,07 0,00 12,23 18,97 0,00 0,03 0,06 0,81 0,87
Asimetría 0,27 -0,08 -0,13 -0,12 -0,17 -0,11 0,25 0,42 0,82 0,31 0,16 0,27 0,54 -0,17 0,55 4,63 1,94 3,71 0,27 0,24 -0,05 1,73 0,69 0,18 3,39
Curtosis -1,20 -1,41 -1,36 -1,36 -1,44 -1,35 -1,09 -1,08 -0,60 -1,14 -0,22 -1,24 0,84 -1,41 0,02 23,99 3,18 14,89 -1,20 -1,28 1,27 2,98 -0,21 -0,41 17,07
61
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 18,41 22,61 5,02 4,60 5,24 4,95 1,02 0,10 0,003 23,84 1,09 26,96 1,07 2,37 0,43 0,00 0,00 0,000 18,41 27,97 0,66 0,10 0,16 29,15 17,83
Máximo 39,53 32,88 7,29 6,40 7,80 7,50 1,70 0,20 0,006 46,65 1,18 58,50 1,27 3,54 0,50 0,00 0,00 0,000 39,53 57,38 0,72 0,55 0,33 33,87 23,37
Mínimo 9,98 17,70 3,71 3,61 4,00 3,50 0,60 0,05 0,003 14,55 0,95 14,35 0,92 1,81 0,37 0,00 0,00 0,000 9,98 15,18 0,57 0,00 0,01 25,17 15,08
Rango 29,55 15,18 3,58 2,79 3,80 4,00 1,10 0,14 0,00 32,09 0,24 44,15 0,35 1,73 0,13 0,00 0,00 0,00 29,55 42,19 0,15 0,55 0,32 8,70 8,29
Varianza 74,85 19,14 0,93 0,73 1,01 1,35 0,09 0,00 0,00 92,24 0,00 150,09 0,01 0,25 0,00 0,00 0,00 0,00 74,85 158,87 0,00 0,02 0,01 6,69 4,51
Error típico 2,16 1,09 0,24 0,21 0,25 0,29 0,08 0,01 0,00 2,40 0,02 3,06 0,02 0,13 0,01 0,00 0,00 0,00 2,16 3,15 0,01 0,03 0,03 0,65 0,53
Coeficiente variación (%) 46,98 19,35 19,23 18,59 19,17 23,47 30,25 39,87 23,53 40,28 5,97 45,45 9,29 21,23 8,89 #¡DIV/0! #¡DIV/0! #¡DIV/0! 46,98 45,07 6,10 131,55 69,17 8,87 11,91
Asimetría 1,67 1,28 1,38 1,14 1,45 1,01 1,03 0,97 4,00 1,62 -0,95 1,66 0,63 1,38 0,20 #¡DIV/0! #¡DIV/0! #¡DIV/0! 1,67 1,71 -0,52 2,64 0,04 0,13 1,15
Curtosis 2,26 1,19 1,85 0,64 2,16 0,56 0,45 0,45 16,00 2,15 0,83 2,45 -0,52 1,41 -0,71 #¡DIV/0! #¡DIV/0! #¡DIV/0! 2,26 2,39 -0,02 8,21 -1,21 -0,69 1,83
Intervalo de confianza (95%) 4,24 2,14 0,47 0,42 0,49 0,57 0,15 0,02 0,00 4,71 0,03 6,00 0,05 0,25 0,02 #¡NUM! #¡NUM! #¡NUM! 4,24 6,18 0,02 0,07 0,05 1,27 1,04
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 119,83 64,90 12,95 12,74 13,94 12,99 5,39 1,00 0,09 167,51 1,02 183,59 1,08 6,09 0,36 0,00 0,00 0,000 119,83 183,59 0,65 0,15 0,71 35,32 12,13
Máximo 179,46 87,40 17,34 16,62 18,00 16,30 8,10 1,50 0,18 288,22 1,09 286,20 1,44 7,61 0,45 0,00 0,00 0,000 179,46 288,21 0,68 0,34 1,36 42,35 13,57
Mínimo 74,53 48,11 10,49 10,47 10,70 10,90 3,10 0,60 0,04 114,03 0,95 116,63 0,97 4,88 0,30 0,00 0,00 0,000 74,53 113,97 0,62 0,00 0,03 27,65 10,26
Rango 104,93 39,29 6,85 6,15 7,30 5,40 5,00 0,91 0,14 174,19 0,14 169,57 0,47 2,74 0,16 0,00 0,00 0,00 104,93 174,24 0,06 0,34 1,33 14,70 3,31
Varianza 850,13 105,71 3,12 2,48 4,44 2,77 2,40 0,07 0,00 2035,36 0,00 2351,47 0,01 0,55 0,00 0,00 0,00 0,00 850,13 2061,53 0,00 0,01 0,17 14,65 0,96
Error típico 7,29 2,57 0,44 0,39 0,53 0,42 0,39 0,07 0,01 11,28 0,01 12,12 0,03 0,19 0,01 0,00 0,00 0,00 7,29 11,35 0,00 0,02 0,10 0,96 0,25
Asimetría 0,65 0,64 1,01 1,04 0,67 0,80 0,64 0,55 0,72 1,39 0,33 0,83 2,23 0,45 0,81 #¡DIV/0! #¡DIV/0! #¡DIV/0! 0,65 0,89 -0,43 0,40 -0,25 -0,23 -0,34
Curtosis 0,18 0,50 1,20 1,34 -0,07 -0,34 -0,74 -0,44 -0,50 2,31 -0,94 0,13 6,11 0,12 0,68 #¡DIV/0! #¡DIV/0! #¡DIV/0! 0,18 0,96 -0,02 0,15 -1,16 0,04 -0,87
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 205,06 90,27 17,17 16,50 18,23 16,88 8,58 1,74 0,23 284,64 1,04 307,74 1,09 8,01 0,32 0,23 0,13 0,001 205,29 313,72 0,66 0,32 0,65 39,71 11,87
Máximo 261,24 104,43 20,65 19,90 20,50 19,30 10,50 2,40 0,31 410,88 1,12 387,93 1,49 9,12 0,40 2,22 1,00 0,010 261,24 398,17 0,72 0,82 1,46 47,44 13,71
Mínimo 166,46 76,95 15,00 14,10 16,00 13,40 7,00 1,31 0,17 211,49 0,96 257,40 0,95 7,24 0,26 0,00 0,00 0,000 166,46 250,85 0,62 0,01 0,03 31,05 10,81
Rango 94,78 27,48 5,65 5,80 4,50 5,90 3,50 1,09 0,14 199,39 0,16 130,53 0,54 1,88 0,14 2,22 1,00 0,01 94,78 147,32 0,09 0,80 1,43 16,39 2,89
Varianza 647,28 65,62 1,80 1,81 1,81 2,27 1,13 0,08 0,00 2003,80 0,00 1385,42 0,02 0,26 0,00 0,41 0,12 0,00 649,78 1725,82 0,00 0,05 0,18 21,90 0,59
Error típico 6,36 2,03 0,33 0,34 0,34 0,38 0,27 0,07 0,01 11,19 0,01 9,31 0,03 0,13 0,01 0,16 0,09 0,00 6,37 10,39 0,01 0,06 0,11 1,17 0,19
Asimetría 0,44 0,12 1,16 0,79 0,20 -0,54 0,33 0,59 0,68 1,36 -0,25 0,60 1,87 0,38 0,73 2,74 2,51 2,57 0,43 0,44 1,06 0,73 0,29 -0,18 0,64
Curtosis -0,14 -0,74 2,08 1,82 -0,94 0,51 -0,81 0,97 0,37 3,57 -0,48 -0,19 3,80 -0,14 0,37 6,78 4,90 5,42 -0,18 -0,67 1,71 -0,22 -1,01 -0,32 0,78
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 114,44 59,26 11,71 11,28 12,47 11,61 5,00 0,95 0,11 158,66 1,05 172,76 1,08 5,49 0,37 0,08 0,04 0,000 114,51 175,09 0,65 0,19 0,50 34,73 13,94
Máximo 261,24 104,43 20,65 19,90 20,50 19,30 10,50 2,40 0,31 410,88 1,18 387,93 1,49 9,12 0,50 2,22 1,00 0,010 261,24 398,17 0,72 0,82 1,46 47,44 23,37
Mínimo 9,98 17,70 3,71 3,61 4,00 3,50 0,60 0,05 0,00 14,55 0,95 14,35 0,92 1,81 0,26 0,00 0,00 0,000 9,98 15,18 0,57 0,00 0,01 25,17 10,26
Rango 251,26 86,73 16,94 16,29 16,50 15,80 9,90 2,35 0,31 396,33 0,24 373,58 0,56 7,30 0,23 2,22 1,00 0,01 251,26 382,98 0,15 0,82 1,45 22,27 13,11
Varianza 6446,61 856,21 27,78 26,76 32,14 27,25 10,97 0,50 0,01 12935,57 0,00 14719,65 0,01 5,95 0,00 0,14 0,04 0,00 6461,56 15195,25 0,00 0,03 0,18 32,97 9,66
Error típico 11,59 4,22 0,76 0,75 0,82 0,75 0,48 0,10 0,01 16,42 0,01 17,51 0,02 0,35 0,01 0,05 0,03 0,00 11,60 17,79 0,00 0,03 0,06 0,83 0,45
Asimetría 0,03 -0,19 -0,26 -0,32 -0,29 -0,31 -0,01 0,09 0,39 0,12 0,14 0,00 1,71 -0,33 0,28 5,06 4,74 4,83 0,03 0,04 -0,23 1,59 0,62 0,29 1,11
Curtosis -1,42 -1,46 -1,42 -1,42 -1,48 -1,41 -1,50 -1,33 -1,29 -1,22 -0,66 -1,45 3,40 -1,45 -0,76 25,67 21,32 22,52 -1,42 -1,40 1,43 2,41 -0,93 -0,68 0,48
62
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 40,70 34,43 7,46 7,11 8,04 7,75 1,40 0,28 0,004 53,90 1,05 63,28 1,04 3,57 0,43 0,00 0,00 0,000 40,70 62,29 0,66 0,14 0,23 29,28 14,88
Máximo 56,77 43,21 8,87 8,68 9,50 8,90 2,10 0,40 0,008 75,52 1,17 84,55 1,11 4,22 0,52 0,00 0,00 0,000 56,77 84,22 0,71 0,45 0,76 32,72 16,20
Mínimo 24,37 25,16 5,81 5,25 6,20 6,10 0,90 0,15 0,003 30,51 0,96 37,82 0,94 2,79 0,38 0,00 0,00 0,000 24,37 35,94 0,62 0,00 0,00 24,17 13,56
Rango 32,40 18,05 3,06 3,43 3,30 2,80 1,20 0,24 0,01 45,01 0,21 46,73 0,17 1,44 0,14 0,00 0,00 0,00 32,40 48,28 0,09 0,45 0,76 8,54 2,65
Varianza 104,49 30,42 1,00 0,93 1,25 0,98 0,12 0,01 0,00 187,75 0,00 256,47 0,00 0,22 0,00 0,00 0,00 0,00 104,49 268,53 0,00 0,02 0,04 6,94 0,62
Error típico 2,56 1,38 0,25 0,24 0,28 0,25 0,09 0,02 0,00 3,43 0,01 4,00 0,01 0,12 0,01 0,00 0,00 0,00 2,56 4,10 0,01 0,04 0,05 0,66 0,20
Asimetría -0,20 -0,47 -0,46 -0,19 -0,28 -0,61 0,36 0,05 0,49 -0,17 0,69 -0,31 -0,43 -0,44 0,73 #¡DIV/0! #¡DIV/0! #¡DIV/0! -0,20 -0,34 0,25 1,41 1,26 -0,48 0,13
Curtosis -0,96 -0,54 -0,95 -0,39 -1,32 -1,04 -0,51 -0,95 -1,06 -0,80 0,43 -1,27 0,62 -0,90 -0,41 #¡DIV/0! #¡DIV/0! #¡DIV/0! -0,96 -1,17 0,10 1,08 2,24 -0,90 -0,40
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 115,33 64,20 12,74 12,15 13,14 13,17 5,31 0,85 0,08 156,63 1,05 175,20 1,00 6,00 0,35 0,00 0,00 0,000 115,33 176,69 0,65 0,22 0,71 35,76 13,56
Máximo 179,46 87,87 16,37 15,32 16,30 17,50 8,70 1,35 0,16 250,82 1,21 285,25 1,09 7,53 0,45 0,00 0,00 0,000 179,46 286,41 0,70 0,85 1,42 43,50 15,32
Mínimo 86,61 50,84 10,83 10,56 11,40 11,10 3,60 0,62 0,04 117,86 0,99 126,54 0,93 5,29 0,29 0,00 0,00 0,000 86,61 131,39 0,61 0,02 0,15 27,99 11,95
Rango 92,85 37,03 5,54 4,76 4,90 6,40 5,10 0,73 0,12 132,96 0,22 158,71 0,16 2,23 0,16 0,00 0,00 0,00 92,85 155,02 0,09 0,83 1,27 15,51 3,36
Varianza 770,48 113,65 2,70 1,95 1,96 3,05 1,79 0,04 0,00 1504,26 0,00 1843,32 0,00 0,46 0,00 0,00 0,00 0,00 770,48 1943,34 0,00 0,05 0,17 16,85 0,97
Error típico 6,94 2,67 0,41 0,35 0,35 0,44 0,33 0,05 0,01 9,70 0,02 10,73 0,01 0,17 0,01 0,00 0,00 0,00 6,94 11,02 0,01 0,06 0,10 1,03 0,25
Asimetría 1,32 1,01 0,89 1,21 1,08 1,13 1,17 1,53 1,37 1,27 1,18 1,36 0,00 1,21 0,51 #¡DIV/0! #¡DIV/0! #¡DIV/0! 1,32 1,36 -0,37 1,98 0,19 0,15 0,04
Curtosis 0,79 0,57 -0,04 0,51 0,65 1,14 1,43 1,89 0,70 0,91 1,18 1,66 -1,25 0,55 0,46 #¡DIV/0! #¡DIV/0! #¡DIV/0! 0,79 1,35 0,00 3,65 -1,18 0,15 -0,67
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 209,59 90,33 17,23 16,75 18,23 17,93 8,22 1,75 0,21 290,35 1,03 328,64 1,02 8,12 0,32 0,26 0,13 0,001 209,85 324,79 0,65 0,25 0,75 38,85 12,07
Máximo 258,60 103,68 19,00 18,48 20,60 21,40 11,90 2,42 0,39 347,72 1,09 413,02 1,10 9,13 0,40 2,26 1,00 0,010 258,60 397,46 0,68 0,76 1,74 43,19 13,59
Mínimo 149,32 71,18 14,49 13,63 15,20 15,50 6,20 1,25 0,14 198,00 0,94 241,68 0,90 6,92 0,29 0,00 0,00 0,000 149,32 232,23 0,62 0,04 0,03 31,39 10,13
Rango 109,28 32,50 4,51 4,85 5,40 5,90 5,70 1,17 0,26 149,72 0,15 171,34 0,20 2,21 0,11 2,26 1,00 0,01 109,28 165,23 0,06 0,72 1,71 11,79 3,46
Varianza 1133,93 101,54 2,31 2,06 2,16 2,95 1,92 0,11 0,00 2298,33 0,00 3016,31 0,00 0,45 0,00 0,52 0,12 0,00 1131,00 2782,78 0,00 0,04 0,28 13,03 0,70
Error típico 8,42 2,52 0,38 0,36 0,37 0,43 0,35 0,08 0,02 11,99 0,01 13,73 0,01 0,17 0,01 0,18 0,09 0,00 8,41 13,19 0,00 0,05 0,13 0,90 0,21
Asimetría -0,25 -0,59 -0,61 -0,51 -0,46 0,44 1,11 0,35 1,38 -0,40 -0,39 0,07 -0,60 -0,34 1,09 2,54 2,51 2,51 -0,27 -0,13 0,60 1,28 0,02 -0,83 -0,13
Curtosis -0,86 -0,40 -0,80 -0,22 -0,23 -0,71 2,11 -0,50 2,25 -0,75 -0,35 -1,08 0,33 -0,67 0,22 5,14 4,90 4,90 -0,84 -0,80 -0,20 1,41 -1,03 -0,33 1,16
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 121,87 62,99 12,48 12,00 13,14 12,95 4,98 0,96 0,10 166,96 1,04 189,04 1,02 5,90 0,37 0,09 0,04 0,000 121,96 187,92 0,65 0,20 0,56 34,63 13,50
Máximo 258,60 103,68 19,00 18,48 20,60 21,40 11,90 2,42 0,39 347,72 1,21 413,02 1,11 9,13 0,52 2,26 1,00 0,010 258,60 397,46 0,71 0,85 1,74 43,50 16,20
Mínimo 24,37 25,16 5,81 5,25 6,20 6,10 0,90 0,15 0,00 30,51 0,94 37,82 0,90 2,79 0,29 0,00 0,00 0,000 24,37 35,94 0,61 0,00 0,00 24,17 10,13
Rango 234,23 78,52 13,19 13,23 14,40 15,30 11,00 2,27 0,39 317,21 0,26 375,20 0,21 6,35 0,23 2,26 1,00 0,01 234,23 361,52 0,10 0,85 1,74 19,33 6,07
Varianza 5517,95 611,04 18,18 17,39 19,38 19,87 9,19 0,42 0,01 10844,46 0,00 13716,27 0,00 3,89 0,00 0,18 0,04 0,00 5532,74 13387,22 0,00 0,04 0,21 27,97 2,08
Error típico 10,72 3,57 0,62 0,60 0,64 0,64 0,44 0,09 0,01 15,03 0,01 16,90 0,01 0,28 0,01 0,06 0,03 0,00 10,74 16,70 0,00 0,03 0,07 0,76 0,21
Asimetría 0,34 0,08 0,01 0,03 0,06 0,07 0,14 0,54 0,92 0,36 0,88 0,41 -0,39 0,00 0,53 4,78 4,74 4,74 0,34 0,36 0,23 1,68 0,63 -0,01 -0,08
Curtosis -1,21 -1,33 -1,35 -1,33 -1,30 -1,24 -1,12 -0,89 0,33 -1,22 1,12 -1,12 -0,46 -1,32 -0,43 21,89 21,32 21,34 -1,22 -1,19 -0,07 2,69 -0,70 -1,00 -0,76
63
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 24,16 24,95 5,87 5,45 6,06 6,03 1,48 0,20 0,004 32,43 1,08 36,87 1,01 2,75 0,49 0,00 0,06 0,000 24,17 36,92 0,66 0,12 0,23 25,80 12,21
Máximo 37,50 33,96 7,33 7,09 7,60 7,90 2,40 0,30 0,007 51,96 1,16 60,04 1,19 3,47 0,60 0,06 1,00 0,002 37,50 59,58 0,71 0,26 0,43 30,59 13,37
Mínimo 16,80 19,46 4,95 4,34 5,20 5,00 0,80 0,14 0,003 21,45 0,99 26,00 0,88 2,30 0,41 0,00 0,00 0,000 16,80 23,93 0,60 0,00 0,03 20,98 10,96
Rango 20,70 14,51 2,38 2,75 2,40 2,90 1,60 0,16 0,00 30,51 0,17 34,04 0,31 1,17 0,19 0,06 1,00 0,00 20,70 35,65 0,11 0,26 0,40 9,61 2,41
Varianza 30,17 14,70 0,41 0,54 0,53 0,55 0,21 0,00 0,00 64,07 0,00 76,60 0,01 0,09 0,00 0,00 0,06 0,00 30,24 81,24 0,00 0,01 0,02 7,18 0,51
Error típico 1,37 0,96 0,16 0,18 0,18 0,18 0,11 0,01 0,00 2,00 0,01 2,19 0,02 0,08 0,01 0,00 0,06 0,00 1,37 2,25 0,01 0,02 0,03 0,67 0,18
Asimetría 0,97 0,77 0,60 0,96 0,88 0,95 0,73 1,11 1,28 1,14 0,19 1,30 0,25 0,79 0,58 4,00 4,00 4,00 0,97 1,06 0,11 0,69 0,04 -0,19 -0,42
Curtosis 1,27 0,90 0,31 0,89 -0,29 1,34 0,04 1,85 -0,44 1,38 -1,30 2,07 0,07 0,98 -0,32 16,00 16,00 16,00 1,27 1,46 0,09 -0,41 -1,12 -0,57 -0,64
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 117,67 65,93 13,07 12,82 13,83 13,19 5,14 1,13 0,10 169,62 1,02 184,30 1,05 6,10 0,34 0,12 0,38 0,001 117,79 184,95 0,64 0,24 0,72 36,94 11,19
Máximo 166,22 82,97 15,82 15,86 17,00 15,90 6,80 1,88 0,18 250,91 1,10 270,30 1,13 7,41 0,42 1,48 2,00 0,009 167,70 271,78 0,70 0,52 1,27 42,90 16,35
Mínimo 84,51 50,31 10,59 9,87 11,00 11,20 3,80 0,58 0,04 107,31 0,92 123,20 0,94 5,14 0,29 0,00 0,00 0,000 84,63 122,22 0,59 0,02 0,15 29,75 4,51
Rango 81,71 32,66 5,23 5,99 6,00 4,70 3,00 1,29 0,15 143,60 0,18 147,10 0,18 2,26 0,13 1,48 2,00 0,01 83,08 149,55 0,11 0,50 1,12 13,15 11,84
Varianza 599,60 91,32 2,31 2,37 2,44 1,83 0,84 0,13 0,00 1501,23 0,00 1507,98 0,00 0,42 0,00 0,14 0,52 0,00 608,90 1707,71 0,00 0,02 0,09 17,51 9,89
Error típico 6,12 2,39 0,38 0,38 0,39 0,34 0,23 0,09 0,01 9,69 0,01 9,71 0,01 0,16 0,01 0,09 0,18 0,00 6,17 10,33 0,01 0,04 0,08 1,05 0,79
Asimetría 0,53 -0,01 -0,22 -0,06 0,11 0,10 0,29 0,92 0,64 0,15 0,10 0,42 -0,48 0,42 0,79 3,83 1,73 3,62 0,56 0,40 0,40 0,48 -0,05 -0,45 -0,41
Curtosis 0,05 -0,65 -0,79 0,30 0,14 -0,31 -0,91 0,47 0,93 0,01 0,32 0,42 0,31 -0,07 -0,43 14,96 1,70 13,72 0,11 0,15 2,35 -0,15 -0,24 -0,77 0,13
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 190,79 85,77 16,86 15,88 17,08 17,32 7,28 1,64 0,19 269,69 1,06 297,29 0,99 7,78 0,33 0,12 0,44 0,001 190,92 299,90 0,64 0,23 0,78 38,57 11,82
Máximo 246,26 104,56 20,10 18,57 19,70 19,70 8,70 2,01 0,27 363,89 1,15 388,09 1,12 8,79 0,42 1,12 3,00 0,005 246,26 387,10 0,67 0,64 2,01 46,94 16,88
Mínimo 119,57 67,14 13,04 12,98 14,50 13,80 6,20 1,01 0,10 169,27 0,96 200,10 0,93 6,22 0,27 0,00 0,00 0,000 119,57 193,33 0,61 0,03 0,02 29,50 6,73
Rango 126,69 37,42 7,06 5,59 5,20 5,90 2,50 1,00 0,17 194,62 0,19 187,99 0,19 2,57 0,16 1,12 3,00 0,01 126,69 193,77 0,06 0,61 2,00 17,44 10,14
Varianza 990,25 107,52 2,95 2,08 1,81 2,02 0,61 0,06 0,00 2452,03 0,00 2042,02 0,00 0,42 0,00 0,08 0,66 0,00 992,25 2506,21 0,00 0,03 0,40 20,61 4,09
Error típico 7,87 2,59 0,43 0,36 0,34 0,35 0,19 0,06 0,01 12,38 0,01 11,30 0,01 0,16 0,01 0,07 0,20 0,00 7,87 12,52 0,00 0,05 0,16 1,13 0,51
Asimetría -0,09 0,41 -0,10 0,12 0,41 -0,51 0,43 -0,76 0,33 0,19 0,03 0,17 1,24 -0,42 0,74 3,17 2,35 3,04 -0,10 0,10 0,42 1,13 0,67 -0,17 0,01
Curtosis 0,78 -0,35 0,59 0,18 0,10 1,66 -0,41 1,11 -0,11 0,10 -0,88 1,02 2,15 1,14 0,49 10,66 6,26 9,77 0,77 0,38 -0,32 0,66 -0,20 -0,25 4,28
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 110,88 58,88 11,93 11,38 12,32 12,18 4,63 0,99 0,10 157,24 1,05 172,82 1,01 5,54 0,39 0,08 0,29 0,001 110,96 173,92 0,64 0,20 0,58 33,77 11,74
Máximo 246,26 104,56 20,10 18,57 19,70 19,70 8,70 2,01 0,27 363,89 1,16 388,09 1,19 8,79 0,60 1,48 3,00 0,009 246,26 387,10 0,71 0,64 2,01 46,94 16,88
Mínimo 16,80 19,46 4,95 4,34 5,20 5,00 0,80 0,14 0,00 21,45 0,92 26,00 0,88 2,30 0,27 0,00 0,00 0,000 16,80 23,93 0,59 0,00 0,02 20,98 4,51
Rango 229,46 85,10 15,16 14,23 14,50 14,70 7,90 1,87 0,27 342,44 0,24 362,09 0,31 6,50 0,33 1,48 3,00 0,01 229,46 363,17 0,12 0,64 2,00 25,96 12,36
Varianza 5266,67 722,97 23,01 21,15 23,38 23,64 6,40 0,43 0,01 10942,19 0,00 12767,88 0,00 4,75 0,01 0,07 0,42 0,00 5277,27 13204,88 0,00 0,02 0,23 47,33 4,81
Error típico 10,47 3,88 0,69 0,66 0,70 0,70 0,37 0,09 0,01 15,10 0,01 16,31 0,01 0,31 0,01 0,04 0,09 0,00 10,49 16,59 0,00 0,02 0,07 0,99 0,32
Asimetría 0,08 -0,19 -0,20 -0,32 -0,34 -0,22 -0,18 -0,03 0,39 0,10 0,21 0,05 0,15 -0,27 0,71 4,37 2,53 4,33 0,08 0,09 0,56 1,19 1,20 -0,15 -0,82
Curtosis -1,29 -1,36 -1,40 -1,43 -1,45 -1,44 -1,41 -1,51 -0,99 -1,22 -0,59 -1,32 -0,04 -1,45 -0,48 19,49 6,61 20,52 -1,29 -1,28 0,62 1,23 1,53 -1,13 2,84
64
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 39,25 32,45 7,45 6,99 7,64 7,74 1,71 0,34 0,005 52,58 1,07 59,47 0,99 3,51 0,47 0,00 0,00 0,000 39,25 58,63 0,67 0,20 0,19 26,86 11,64
Máximo 57,09 40,41 9,55 8,81 9,40 9,00 2,70 0,51 0,011 84,13 1,15 84,60 1,08 4,25 0,54 0,00 0,00 0,000 57,09 84,94 0,73 0,63 0,39 30,95 13,42
Mínimo 28,82 26,87 6,44 6,17 6,80 6,70 1,10 0,23 0,003 40,20 0,98 46,23 0,90 3,05 0,40 0,00 0,00 0,000 28,82 44,26 0,63 0,01 0,01 23,28 10,59
Rango 28,27 13,55 3,11 2,64 2,60 2,30 1,60 0,28 0,01 43,92 0,17 38,37 0,18 1,19 0,13 0,00 0,00 0,00 28,27 40,69 0,10 0,62 0,38 7,68 2,83
Varianza 52,16 12,42 0,60 0,47 0,44 0,41 0,15 0,00 0,00 120,65 0,00 98,79 0,00 0,10 0,00 0,00 0,00 0,00 52,16 101,27 0,00 0,04 0,02 2,93 0,58
Error típico 1,81 0,88 0,19 0,17 0,17 0,16 0,10 0,02 0,00 2,75 0,01 2,48 0,01 0,08 0,01 0,00 0,00 0,00 1,81 2,52 0,01 0,05 0,04 0,43 0,19
Asimetría 0,82 0,46 1,19 1,27 1,28 0,28 1,04 0,70 1,01 1,63 -0,40 1,17 -0,05 0,64 0,21 #¡DIV/0! #¡DIV/0! #¡DIV/0! 0,82 1,14 0,62 1,23 0,21 0,36 1,02
Curtosis 1,05 0,40 2,36 2,02 1,88 -0,66 1,79 0,81 0,85 3,62 0,43 1,30 -0,66 0,42 1,72 #¡DIV/0! #¡DIV/0! #¡DIV/0! 1,05 1,82 1,24 0,91 -1,81 1,74 0,58
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 103,46 63,43 12,30 12,01 13,04 12,64 5,68 0,95 0,09 149,52 1,03 166,95 1,03 5,73 0,33 0,03 0,13 0,000 103,49 166,63 0,62 0,32 0,65 39,14 11,01
Máximo 140,10 89,24 15,02 14,36 15,30 15,90 9,90 1,30 0,20 215,59 1,11 240,09 1,15 6,55 0,45 0,36 1,00 0,003 140,46 246,31 0,69 0,75 1,14 56,41 12,61
Mínimo 66,80 47,58 10,24 9,70 10,50 10,50 4,00 0,56 0,06 99,37 0,93 110,25 0,95 4,62 0,22 0,00 0,00 0,000 66,80 111,14 0,57 0,05 0,15 27,72 9,68
Rango 73,30 41,66 4,78 4,65 4,80 5,40 5,90 0,74 0,14 116,22 0,17 129,84 0,20 1,93 0,23 0,36 1,00 0,00 73,66 135,17 0,12 0,71 1,00 28,69 2,93
Varianza 534,52 113,42 2,20 1,95 2,36 2,42 2,37 0,06 0,00 1205,70 0,00 1536,93 0,00 0,39 0,00 0,01 0,12 0,00 536,96 1602,15 0,00 0,05 0,13 43,20 0,86
Error típico 5,78 2,66 0,37 0,35 0,38 0,39 0,39 0,06 0,01 8,68 0,01 9,80 0,01 0,16 0,01 0,02 0,09 0,00 5,79 10,01 0,01 0,05 0,09 1,64 0,23
Asimetría 0,15 0,88 0,39 0,11 0,04 0,57 1,66 0,03 1,77 0,45 -0,15 0,37 0,72 -0,03 0,45 3,05 2,51 2,98 0,16 0,49 0,36 0,78 0,04 0,89 0,50
Curtosis -1,47 0,80 -1,08 -1,10 -1,44 -0,61 2,81 -1,76 2,52 -0,96 -0,83 -1,26 0,11 -1,37 1,21 9,27 4,90 8,68 -1,46 -0,97 0,78 -0,37 -1,55 2,37 -0,99
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 171,89 84,47 15,75 15,48 16,93 16,41 7,81 1,55 0,19 245,94 1,02 281,22 1,04 7,41 0,30 0,20 0,19 0,001 172,08 276,62 0,62 0,29 0,90 42,02 11,58
Máximo 254,27 97,86 18,54 18,48 20,40 20,40 10,10 2,71 0,33 342,64 1,10 416,16 1,26 9,03 0,37 2,47 1,00 0,011 254,27 391,13 0,68 1,01 1,98 53,42 15,37
Mínimo 111,11 67,67 13,68 12,86 14,00 11,10 5,70 0,92 0,09 177,61 0,94 155,40 0,92 6,03 0,23 0,00 0,00 0,000 111,11 194,86 0,57 0,00 0,21 34,17 8,83
Rango 143,16 30,19 4,86 5,61 6,40 9,30 4,40 1,80 0,24 165,03 0,16 260,76 0,34 3,00 0,13 2,47 1,00 0,01 143,16 196,27 0,11 1,01 1,77 19,25 6,53
Varianza 1393,38 62,91 2,17 3,16 3,85 4,92 1,88 0,28 0,01 2556,68 0,00 4426,91 0,01 0,64 0,00 0,38 0,16 0,00 1409,99 3102,02 0,00 0,09 0,26 22,43 3,42
Error típico 9,33 1,98 0,37 0,44 0,49 0,55 0,34 0,13 0,02 12,64 0,01 16,63 0,02 0,20 0,01 0,15 0,10 0,00 9,39 13,92 0,01 0,07 0,13 1,18 0,46
Asimetría 0,72 -0,44 0,57 0,04 0,06 -0,33 0,42 0,95 0,50 0,49 0,00 0,23 1,30 0,48 -0,25 3,76 1,77 3,46 0,72 0,44 -0,17 1,42 0,60 0,96 0,90
Curtosis 0,47 0,06 -0,57 -0,90 -0,99 1,36 -0,92 0,63 -0,82 -0,46 -0,91 0,09 1,54 0,11 0,77 14,50 1,28 12,46 0,44 -0,24 -1,37 1,41 -0,10 1,38 0,58
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 104,86 60,12 11,83 11,49 12,54 12,26 5,06 0,95 0,10 149,35 1,04 169,21 1,02 5,55 0,37 0,08 0,10 0,000 104,94 167,29 0,64 0,27 0,58 36,01 11,41
Máximo 254,27 97,86 18,54 18,48 20,40 20,40 10,10 2,71 0,33 342,64 1,15 416,16 1,26 9,03 0,54 2,47 1,00 0,011 254,27 391,13 0,73 1,01 1,98 56,41 15,37
Mínimo 28,82 26,87 6,44 6,17 6,80 6,70 1,10 0,23 0,00 40,20 0,93 46,23 0,90 3,05 0,22 0,00 0,00 0,000 28,82 44,26 0,57 0,00 0,01 23,28 8,83
Rango 225,45 70,99 12,11 12,31 13,60 13,70 9,00 2,48 0,33 302,44 0,22 369,93 0,36 5,97 0,32 2,47 1,00 0,01 225,45 346,88 0,16 1,01 1,97 33,14 6,53
Varianza 3627,22 526,60 13,40 14,17 16,93 15,36 7,93 0,36 0,01 7602,73 0,00 10307,68 0,00 2,95 0,01 0,13 0,10 0,00 3642,19 9621,79 0,00 0,06 0,22 65,99 1,63
Error típico 8,69 3,31 0,53 0,54 0,59 0,57 0,41 0,09 0,01 12,59 0,01 14,65 0,01 0,25 0,01 0,05 0,04 0,00 8,71 14,16 0,01 0,03 0,07 1,17 0,18
Asimetría 0,49 -0,05 -0,01 0,04 0,07 0,19 0,10 0,95 0,84 0,39 -0,25 0,51 1,18 0,08 0,34 6,33 2,68 5,61 0,50 0,39 -0,05 1,24 0,96 0,30 1,08
Curtosis -0,59 -1,46 -1,28 -1,23 -1,23 -1,10 -1,18 0,82 -0,05 -0,86 -0,69 -0,67 2,48 -1,15 -1,19 41,92 5,38 34,20 -0,58 -0,91 -0,30 1,13 0,54 -0,54 2,33
65
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 19,44 21,94 5,19 4,88 5,41 5,36 0,98 0,17 0,003 25,58 1,07 29,23 1,01 2,47 0,51 0,00 0,00 0,000 19,44 28,99 0,67 0,17 0,22 24,79 11,62
Máximo 25,11 25,78 6,10 5,83 6,30 6,20 1,40 0,21 0,006 33,89 1,23 39,06 1,16 2,82 0,56 0,00 0,00 0,000 25,11 38,79 0,73 0,39 0,49 27,59 13,05
Mínimo 14,26 18,15 4,49 4,07 4,70 4,40 0,50 0,13 0,003 18,27 0,94 21,56 0,87 2,14 0,45 0,00 0,00 0,000 14,26 19,42 0,63 0,07 0,03 22,53 10,60
Rango 10,85 7,63 1,61 1,76 1,60 1,80 0,90 0,08 0,00 15,62 0,29 17,50 0,28 0,67 0,10 0,00 0,00 0,00 10,85 19,37 0,10 0,32 0,46 5,06 2,44
Varianza 14,99 7,47 0,23 0,36 0,35 0,34 0,06 0,00 0,00 27,75 0,01 35,59 0,01 0,06 0,00 0,00 0,00 0,00 14,99 40,00 0,00 0,01 0,02 2,75 0,67
Error típico 0,97 0,68 0,12 0,15 0,15 0,15 0,06 0,01 0,00 1,32 0,02 1,49 0,02 0,06 0,01 0,00 0,00 0,00 0,97 1,58 0,01 0,03 0,03 0,41 0,20
Asimetría 0,18 0,05 0,08 0,49 0,34 -0,32 -0,05 0,16 2,51 0,38 0,33 0,29 -0,21 0,12 0,10 #¡DIV/0! #¡DIV/0! #¡DIV/0! 0,18 0,26 0,84 0,89 0,65 0,06 0,36
Curtosis -1,39 -1,57 -0,86 -1,32 -1,50 -1,18 0,05 -1,53 4,90 -1,21 0,03 -1,45 -0,70 -1,40 -1,24 #¡DIV/0! #¡DIV/0! #¡DIV/0! -1,39 -1,24 0,02 -0,46 -0,24 -1,18 -0,95
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 107,89 60,57 12,36 11,91 13,54 13,26 5,22 1,11 0,11 151,68 1,04 184,81 1,02 5,77 0,38 0,04 0,06 0,000 107,93 169,20 0,64 0,23 0,59 34,13 9,93
Máximo 178,79 92,44 17,39 16,60 18,30 17,70 8,20 1,91 0,19 288,74 1,14 323,91 1,09 7,51 0,48 0,67 1,00 0,004 179,47 290,14 0,68 1,14 1,20 47,37 11,92
Mínimo 59,15 41,01 9,28 8,80 10,10 9,30 2,80 0,56 0,04 81,60 0,98 93,93 0,96 4,32 0,26 0,00 0,00 0,000 59,15 92,70 0,61 0,00 0,02 25,87 6,89
Rango 119,64 51,44 8,11 7,81 8,20 8,40 5,40 1,36 0,15 207,14 0,16 229,98 0,14 3,19 0,22 0,67 1,00 0,00 120,32 197,44 0,07 1,14 1,18 21,50 5,02
Varianza 1159,42 211,61 5,03 4,68 5,65 6,04 2,96 0,16 0,00 3101,65 0,00 4346,57 0,00 0,83 0,00 0,03 0,06 0,00 1165,81 3224,29 0,00 0,10 0,11 38,78 1,22
Error típico 8,51 3,64 0,56 0,54 0,59 0,61 0,43 0,10 0,01 13,92 0,01 16,48 0,01 0,23 0,02 0,04 0,06 0,00 8,54 14,20 0,01 0,08 0,08 1,56 0,28
Asimetría 0,60 0,76 0,59 0,54 0,26 0,24 0,48 0,54 0,53 0,99 1,05 0,56 0,20 0,32 -0,13 4,00 4,00 4,00 0,61 0,69 0,21 2,10 -0,14 0,83 -1,11
Curtosis -0,18 0,30 0,19 0,16 -0,60 -0,71 -0,91 -0,44 -0,81 1,09 1,79 -0,30 -0,89 -0,44 -0,45 16,00 16,00 16,00 -0,15 -0,02 -0,98 4,26 -0,60 0,11 3,29
Tamaño muestra 15 15 15 15 16 16 16 16 16 15 15 16 16 15 15 15 15 15 15 15 15 15 15 15 15
Media 199,50 88,08 16,91 16,09 18,37 18,36 8,39 2,04 0,26 273,62 1,05 338,99 1,00 7,92 0,32 0,32 0,33 0,002 199,82 311,06 0,64 0,52 0,86 38,90 10,32
Máximo 283,41 104,66 20,21 19,17 21,70 21,50 9,60 3,14 0,40 387,36 1,15 457,87 1,08 9,45 0,39 1,80 2,00 0,011 283,41 436,79 0,73 1,33 1,68 46,22 12,35
Mínimo 164,52 74,56 14,85 13,95 15,40 16,00 6,80 1,37 0,18 214,76 0,95 255,64 0,92 7,26 0,27 0,00 0,00 0,000 164,52 247,37 0,59 0,03 0,12 32,12 8,85
Rango 118,89 30,10 5,36 5,22 6,30 5,50 2,80 1,77 0,22 172,60 0,19 202,23 0,16 2,19 0,12 1,80 2,00 0,01 118,89 189,43 0,13 1,29 1,56 14,10 3,51
Varianza 951,65 65,88 1,64 2,37 2,62 2,28 0,78 0,28 0,00 2134,90 0,00 3049,80 0,00 0,34 0,00 0,39 0,38 0,00 940,23 2099,40 0,00 0,17 0,29 17,94 1,19
Error típico 7,97 2,10 0,33 0,40 0,40 0,38 0,22 0,13 0,02 11,93 0,02 13,81 0,01 0,15 0,01 0,16 0,16 0,00 7,92 11,83 0,01 0,11 0,14 1,09 0,28
Asimetría 1,46 0,39 1,08 0,55 0,21 0,56 -0,12 0,96 0,71 1,20 0,08 0,61 -0,32 1,21 0,42 1,83 1,79 1,90 1,47 1,45 0,87 0,74 0,16 0,01 0,47
Curtosis 2,81 -0,11 2,38 -0,42 -0,09 0,36 -1,06 0,26 -0,02 1,36 -1,25 0,08 -1,25 2,16 -0,44 2,03 2,63 2,52 2,87 3,20 0,10 -0,87 -1,47 -0,47 -0,94
Tamaño muestra 47 47 47 47 48 48 48 48 48 47 47 48 48 47 47 47 47 47 47 47 47 47 47 47 47
Media 107,02 56,20 11,37 10,85 12,44 12,32 4,86 1,10 0,12 147,67 1,05 184,34 1,01 5,33 0,40 0,12 0,13 0,001 107,13 166,74 0,65 0,30 0,55 32,47 10,63
Máximo 283,41 104,66 20,21 19,17 21,70 21,50 9,60 3,14 0,40 387,36 1,23 457,87 1,16 9,45 0,56 1,80 2,00 0,011 283,41 436,79 0,73 1,33 1,68 47,37 13,05
Mínimo 14,26 18,15 4,49 4,07 4,70 4,40 0,50 0,13 0,00 18,27 0,94 21,56 0,87 2,14 0,26 0,00 0,00 0,000 14,26 19,42 0,59 0,00 0,02 22,53 6,89
Rango 269,15 86,51 15,72 15,10 17,00 17,10 9,10 3,01 0,39 369,09 0,29 436,31 0,28 7,30 0,29 1,80 2,00 0,01 269,15 417,37 0,14 1,33 1,67 24,84 6,15
Varianza 6129,73 837,75 25,83 24,11 31,94 31,97 10,63 0,74 0,01 12033,65 0,00 18704,21 0,00 5,49 0,01 0,15 0,16 0,00 6147,77 15097,77 0,00 0,11 0,20 53,95 1,52
Error típico 11,42 4,22 0,74 0,72 0,82 0,82 0,47 0,12 0,02 16,00 0,01 19,74 0,01 0,34 0,01 0,06 0,06 0,00 11,44 17,92 0,00 0,05 0,06 1,07 0,18
Asimetría 0,27 0,00 -0,10 -0,09 -0,16 -0,13 -0,03 0,49 0,55 0,28 0,59 0,21 -0,25 -0,11 0,15 3,58 3,32 3,66 0,27 0,24 0,52 1,71 0,97 0,36 -0,29
Curtosis -1,21 -1,54 -1,54 -1,48 -1,52 -1,54 -1,62 -0,62 -0,83 -1,21 0,24 -1,34 -0,13 -1,52 -1,29 12,51 11,43 13,44 -1,22 -1,29 0,02 2,09 0,10 -1,05 0,55
66
Tabla 51. Estadística descriptiva. 2ª campaña (1996), cv. Garnacha, Estudio global.
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 25,78 27,70 5,98 5,65 6,35 6,12 1,31 0,18 0,004 35,13 1,06 40,46 1,04 2,81 0,42 0,01 0,19 0,000 25,79 40,24 0,64 0,15 0,22 31,52 15,97
Máximo 57,09 43,21 9,55 8,81 9,50 9,00 2,70 0,51 0,011 84,13 1,23 84,60 1,27 4,25 0,60 0,13 3,00 0,006 57,09 84,94 0,73 0,63 0,76 61,43 23,84
Mínimo 9,96 17,70 3,71 3,61 4,00 3,50 0,50 0,04 0,002 14,27 0,90 14,35 0,87 1,81 0,20 0,00 0,00 0,000 9,96 15,18 0,48 0,00 0,00 20,98 10,59
Rango 47,14 25,51 5,84 5,20 5,50 5,50 2,20 0,47 0,01 69,86 0,33 70,25 0,40 2,44 0,39 0,13 3,00 0,01 47,14 69,76 0,25 0,63 0,76 40,46 13,25
Varianza 118,92 39,57 1,46 1,36 1,61 1,74 0,15 0,01 0,00 209,23 0,00 279,06 0,01 0,33 0,01 0,00 0,28 0,00 118,92 267,10 0,00 0,02 0,02 69,62 15,48
Error típico 0,96 0,56 0,11 0,10 0,11 0,12 0,03 0,01 0,00 1,28 0,01 1,48 0,01 0,05 0,01 0,00 0,05 0,00 0,96 1,44 0,00 0,01 0,01 0,74 0,35
Asimetría 0,90 0,46 0,56 0,48 0,48 0,37 0,72 1,05 1,40 0,93 -0,08 0,81 0,22 0,54 -0,61 4,50 3,42 4,63 0,90 0,82 -0,86 1,30 0,75 1,59 0,29
Curtosis 0,16 -0,51 -0,30 -0,31 -0,32 -0,66 0,73 0,60 2,11 0,51 -0,36 -0,04 0,13 -0,45 -0,19 23,18 13,09 25,36 0,16 0,03 1,31 1,40 0,54 2,07 -1,21
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 115,33 66,00 12,83 12,40 13,68 13,20 4,97 0,92 0,08 162,09 1,04 183,63 1,04 6,00 0,34 0,06 0,29 0,000 115,38 181,60 0,64 0,23 0,67 38,04 13,56
Máximo 234,88 102,47 18,40 17,70 20,00 18,80 9,90 1,91 0,20 325,68 1,21 376,00 1,44 8,55 0,48 1,48 3,00 0,009 234,94 365,49 0,70 1,14 1,75 56,41 48,28
Mínimo 57,15 41,01 9,28 8,80 9,90 9,30 2,00 0,17 0,02 81,60 0,92 93,93 0,80 4,28 0,22 0,00 0,00 0,000 57,15 92,70 0,56 0,00 0,02 25,87 4,51
Rango 177,73 61,46 9,12 8,90 10,10 9,50 7,90 1,75 0,18 244,08 0,29 282,07 0,64 4,27 0,26 1,48 3,00 0,01 177,79 272,79 0,14 1,14 1,73 30,54 43,77
Varianza 928,87 147,37 3,36 3,05 3,78 3,32 2,06 0,10 0,00 2113,10 0,00 2542,63 0,01 0,61 0,00 0,03 0,36 0,00 932,33 2465,10 0,00 0,05 0,15 34,88 22,66
Error típico 2,69 1,07 0,16 0,15 0,17 0,16 0,13 0,03 0,00 4,06 0,00 4,46 0,01 0,07 0,00 0,02 0,05 0,00 2,70 4,39 0,00 0,02 0,03 0,52 0,42
Asimetría 0,76 0,61 0,47 0,47 0,45 0,52 0,71 0,71 0,98 0,86 0,41 0,84 1,31 0,36 0,37 5,35 2,17 4,47 0,76 0,77 -0,33 1,77 0,22 0,51 3,50
Curtosis 0,93 0,09 0,01 0,10 0,05 0,02 0,81 0,84 0,59 0,83 0,23 0,92 6,48 0,05 0,09 36,55 4,37 26,57 0,92 0,60 0,18 3,04 -0,60 0,33 22,27
Tamaño muestra 126 126 126 126 128 128 128 128 128 126 126 128 128 126 126 126 126 126 126 126 126 126 126 126 126
Media 198,72 89,04 16,93 16,32 18,07 17,51 7,85 1,68 0,20 278,42 1,04 318,81 1,04 7,91 0,32 0,18 0,27 0,001 198,90 310,80 0,64 0,32 0,78 40,09 12,27
Máximo 285,58 109,84 20,65 19,90 23,50 23,60 11,90 3,14 0,40 410,88 1,19 554,60 1,49 9,53 0,42 2,47 3,00 0,011 287,33 436,79 0,73 1,33 2,28 55,21 16,88
Mínimo 111,11 66,04 12,41 12,86 14,00 11,10 4,90 0,78 0,05 166,55 0,92 155,40 0,88 6,03 0,23 0,00 0,00 0,000 111,11 190,44 0,57 0,00 0,02 29,50 6,73
Rango 174,48 43,80 8,23 7,04 9,50 12,50 7,00 2,36 0,34 244,32 0,27 399,20 0,60 3,50 0,19 2,47 3,00 0,01 176,22 246,35 0,16 1,32 2,26 25,71 10,14
Varianza 1278,08 87,33 2,55 2,46 3,00 3,71 1,63 0,19 0,00 2588,85 0,00 3742,70 0,01 0,50 0,00 0,25 0,28 0,00 1280,75 2962,83 0,00 0,08 0,27 19,83 3,26
Error típico 3,18 0,83 0,14 0,14 0,15 0,17 0,11 0,04 0,01 4,53 0,00 5,41 0,01 0,06 0,00 0,04 0,05 0,00 3,19 4,85 0,00 0,02 0,05 0,40 0,16
Asimetría 0,26 -0,08 0,03 0,07 0,01 0,04 0,32 0,67 0,32 0,29 0,16 0,49 1,72 0,00 0,47 3,19 2,17 3,08 0,25 0,20 0,18 1,36 0,46 0,33 0,25
Curtosis -0,09 -0,38 0,15 -0,35 0,02 0,66 0,31 1,04 0,12 -0,16 -0,24 1,04 5,52 -0,02 0,39 9,53 5,76 8,66 -0,09 -0,33 0,84 1,43 -0,33 0,83 0,51
Tamaño muestra 382 382 382 382 384 384 384 384 384 382 382 384 384 382 382 382 382 382 382 382 382 382 382 382 382
Media 112,83 60,77 11,89 11,43 12,70 12,28 4,71 0,92 0,10 157,92 1,05 180,97 1,04 5,56 0,36 0,08 0,25 0,001 112,91 176,85 0,64 0,24 0,55 36,53 13,94
Máximo 285,58 109,84 20,65 19,90 23,50 23,60 11,90 3,14 0,40 410,88 1,23 554,60 1,49 9,53 0,60 2,47 3,00 0,011 287,33 436,79 0,73 1,33 2,28 61,43 48,28
Mínimo 9,96 17,70 3,71 3,61 4,00 3,50 0,50 0,04 0,00 14,27 0,90 14,35 0,80 1,81 0,20 0,00 0,00 0,000 9,96 15,18 0,48 0,00 0,00 20,98 4,51
Rango 275,63 92,14 16,94 16,29 19,50 20,10 11,40 3,09 0,39 396,61 0,33 540,25 0,69 7,72 0,39 2,47 3,00 0,01 277,38 421,61 0,25 1,33 2,28 40,46 43,77
Varianza 5756,13 731,78 22,87 21,73 26,19 25,01 8,45 0,48 0,01 11496,46 0,00 15127,18 0,01 4,92 0,01 0,10 0,31 0,00 5768,21 14094,50 0,00 0,05 0,20 54,74 16,15
Error típico 3,88 1,38 0,24 0,24 0,26 0,26 0,15 0,04 0,00 5,49 0,00 6,28 0,00 0,11 0,00 0,02 0,03 0,00 3,89 6,07 0,00 0,01 0,02 0,38 0,21
Asimetría 0,23 -0,12 -0,17 -0,18 -0,17 -0,13 0,13 0,49 0,81 0,23 0,22 0,27 1,11 -0,19 0,68 5,34 2,52 4,41 0,23 0,21 -0,64 1,82 0,93 0,23 2,31
Curtosis -1,14 -1,36 -1,33 -1,32 -1,32 -1,24 -1,26 -0,59 -0,27 -1,15 -0,22 -1,03 3,87 -1,32 -0,14 30,38 6,90 21,11 -1,14 -1,19 2,15 3,55 0,39 -0,17 13,74
67
Tabla 52. Estadística descriptiva. 2ª campaña (1996). Macabeo. Muestreo 1 (03-06-1996).
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 27,37 37,40 6,55 6,16 6,86 6,95 1,84 0,12 0,005 41,91 1,06 49,49 0,99 2,89 0,24 0,06 0,81 0,002 27,43 47,58 0,57 0,25 0,25 52,44 22,36
Máximo 55,15 55,61 9,20 8,41 10,00 10,00 2,90 0,20 0,007 77,37 1,12 100,00 1,11 4,16 0,31 0,20 2,00 0,007 55,20 88,58 0,62 0,56 0,77 67,40 27,82
Mínimo 10,53 23,15 4,16 4,01 4,60 4,30 1,10 0,05 0,002 16,68 1,00 19,78 0,91 1,85 0,19 0,00 0,00 0,000 10,53 19,13 0,51 0,02 0,00 40,11 17,63
Rango 44,63 32,46 5,04 4,41 5,40 5,70 1,80 0,15 0,01 60,70 0,12 80,22 0,20 2,31 0,13 0,20 2,00 0,01 44,67 69,45 0,12 0,53 0,77 27,29 10,19
Varianza 125,75 77,76 1,90 1,50 1,96 2,05 0,23 0,00 0,00 271,84 0,00 392,98 0,00 0,35 0,00 0,00 0,70 0,00 126,02 312,53 0,00 0,03 0,05 48,67 6,52
Error típico 2,80 2,20 0,34 0,31 0,35 0,36 0,12 0,01 0,00 4,12 0,01 4,96 0,01 0,15 0,01 0,02 0,21 0,00 2,81 4,42 0,01 0,04 0,06 1,74 0,64
Asimetría 0,86 0,09 -0,02 -0,08 0,28 0,12 0,76 0,03 -0,99 0,39 -0,21 0,84 0,45 0,24 0,75 0,90 0,39 0,97 0,85 0,48 -0,24 0,32 1,09 0,09 0,18
Curtosis 1,29 -0,10 -0,43 -0,47 0,53 0,40 0,79 0,04 -0,70 -0,10 -0,81 1,65 -0,49 0,30 0,87 -0,48 -1,44 -0,66 1,28 0,70 -0,94 -0,97 0,13 0,61 0,64
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 141,56 77,54 14,34 13,63 15,47 15,08 4,74 0,68 0,04 196,64 1,05 234,41 1,03 6,65 0,30 0,59 2,19 0,004 142,14 223,94 0,64 0,30 0,67 42,58 21,11
Máximo 177,14 89,82 17,43 15,38 18,90 17,00 7,50 0,95 0,07 239,43 1,28 299,20 1,27 7,53 0,36 1,74 5,00 0,010 178,88 292,22 0,68 1,34 1,39 47,43 24,26
Mínimo 102,70 65,78 11,95 11,12 12,60 13,50 3,50 0,48 0,02 140,08 0,94 171,36 0,90 5,69 0,26 0,00 0,00 0,000 102,97 160,15 0,59 0,01 0,05 35,00 18,33
Rango 74,44 24,04 5,48 4,26 6,30 3,50 4,00 0,47 0,05 99,35 0,33 127,84 0,37 1,84 0,09 1,74 5,00 0,01 75,91 132,07 0,09 1,34 1,34 12,43 5,93
Varianza 576,33 42,55 2,43 1,23 3,02 1,24 1,02 0,02 0,00 1110,58 0,01 1551,52 0,01 0,31 0,00 0,23 1,76 0,00 580,95 1588,01 0,00 0,12 0,18 16,53 1,94
Error típico 6,00 1,63 0,39 0,28 0,43 0,28 0,25 0,04 0,00 8,33 0,02 9,85 0,02 0,14 0,01 0,12 0,33 0,00 6,03 9,96 0,00 0,09 0,11 1,02 0,35
Asimetría -0,05 0,12 0,14 -0,94 0,27 0,00 1,21 0,45 0,77 -0,53 1,29 -0,07 1,38 -0,18 0,72 0,76 0,00 0,19 -0,06 -0,06 0,15 2,13 0,50 -0,49 0,48
Curtosis -0,94 -0,30 -0,54 0,60 -0,38 -1,22 2,59 -0,65 0,50 -0,87 2,30 -0,99 3,63 -0,80 -0,61 0,62 0,06 -0,93 -0,94 -0,76 1,80 5,50 -0,75 -1,00 1,13
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 263,82 97,34 20,50 18,52 21,71 19,90 8,31 1,67 0,14 380,74 1,11 433,85 1,09 9,12 0,35 1,35 2,50 0,005 265,18 410,21 0,65 0,96 0,40 35,86 15,87
Máximo 310,60 107,09 22,58 20,21 24,60 22,10 10,70 2,11 0,23 450,21 1,21 531,36 1,14 9,96 0,41 4,10 5,00 0,013 311,95 504,10 0,69 2,40 1,14 46,97 18,25
Mínimo 203,73 82,62 18,25 15,78 18,90 17,20 6,40 1,24 0,09 287,91 1,03 333,68 1,00 7,91 0,27 0,00 0,00 0,000 203,73 317,17 0,60 0,11 0,01 30,17 13,14
Rango 106,87 24,47 4,33 4,43 5,70 4,90 4,30 0,87 0,14 162,30 0,17 197,68 0,14 2,05 0,15 4,10 5,00 0,01 108,23 186,93 0,09 2,29 1,14 16,80 5,11
Varianza 1099,62 54,18 1,68 1,24 3,10 1,93 1,01 0,06 0,00 1898,42 0,00 3884,44 0,00 0,38 0,00 1,26 2,13 0,00 1139,41 2835,79 0,00 0,57 0,08 20,85 2,15
Error típico 8,29 1,84 0,32 0,28 0,44 0,35 0,25 0,06 0,01 10,89 0,01 15,58 0,01 0,15 0,01 0,28 0,37 0,00 8,44 13,31 0,01 0,19 0,07 1,14 0,37
Asimetría -0,15 -0,87 0,10 -0,73 0,01 -0,18 0,41 0,08 1,33 -0,17 0,28 0,06 -1,14 -0,38 -0,66 1,13 0,00 0,87 -0,16 0,09 0,13 0,73 0,98 1,22 -0,18
Curtosis -1,11 0,08 -1,07 1,06 -1,28 -0,86 1,18 -0,51 3,53 0,09 -0,05 -1,38 0,05 -0,93 0,27 1,23 -0,05 0,18 -1,11 -1,03 -0,41 -0,87 1,59 1,35 -0,76
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 144,25 70,76 13,80 12,77 14,68 13,98 4,96 0,82 0,06 206,43 1,07 239,25 1,04 6,22 0,30 0,66 1,83 0,004 144,92 227,24 0,62 0,50 0,44 43,63 19,78
Máximo 310,60 107,09 22,58 20,21 24,60 22,10 10,70 2,11 0,23 450,21 1,28 531,36 1,27 9,96 0,41 4,10 5,00 0,013 311,95 504,10 0,69 2,40 1,39 67,40 27,82
Mínimo 10,53 23,15 4,16 4,01 4,60 4,30 1,10 0,05 0,00 16,68 0,94 19,78 0,90 1,85 0,19 0,00 0,00 0,000 10,53 19,13 0,51 0,01 0,00 30,17 13,14
Rango 300,07 83,94 18,42 16,20 20,00 17,80 9,60 2,06 0,23 433,54 0,33 511,58 0,37 8,11 0,23 4,10 5,00 0,01 301,43 484,97 0,18 2,40 1,39 37,23 14,68
Varianza 10095,09 690,66 35,21 27,65 40,40 30,83 7,88 0,45 0,00 20637,48 0,00 27017,84 0,01 7,02 0,00 0,76 2,01 0,00 10213,99 23900,08 0,00 0,33 0,13 74,82 11,46
Error típico 14,50 3,79 0,86 0,76 0,92 0,80 0,41 0,10 0,01 20,74 0,01 23,72 0,01 0,38 0,01 0,13 0,20 0,00 14,59 22,31 0,01 0,08 0,05 1,25 0,49
Asimetría 0,15 -0,40 -0,14 -0,26 -0,14 -0,29 0,25 0,48 0,81 0,19 0,61 0,20 0,37 -0,23 0,18 2,04 0,40 0,81 0,16 0,16 -0,78 1,92 1,07 0,55 -0,06
Curtosis -1,34 -1,22 -1,39 -1,38 -1,37 -1,32 -1,28 -1,20 -0,41 -1,36 1,37 -1,26 0,23 -1,38 -0,81 4,95 -0,37 0,18 -1,34 -1,32 0,20 3,13 0,69 -0,13 -0,54
68
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 29,55 34,64 6,68 6,30 7,06 7,01 2,07 0,15 0,005 43,68 1,06 51,19 1,01 3,01 0,31 0,19 2,00 0,005 29,74 50,67 0,59 0,18 0,26 41,77 19,11
Máximo 50,15 47,80 8,77 8,46 9,30 9,30 3,00 0,23 0,008 69,80 1,16 83,70 1,17 3,96 0,41 0,60 5,00 0,020 50,30 86,16 0,67 0,50 0,86 58,44 21,87
Mínimo 12,25 20,18 4,16 3,96 4,50 4,70 1,30 0,09 0,003 16,47 0,98 23,04 0,73 2,00 0,21 0,00 0,00 0,000 12,25 19,88 0,54 0,01 0,05 30,12 13,74
Rango 37,90 27,62 4,61 4,50 4,80 4,60 1,70 0,14 0,01 53,32 0,18 60,66 0,44 1,96 0,20 0,60 5,00 0,02 38,05 66,28 0,13 0,49 0,81 28,32 8,13
Varianza 137,87 71,87 1,83 1,78 2,39 1,95 0,26 0,00 0,00 281,31 0,00 395,64 0,02 0,38 0,00 0,03 2,53 0,00 141,05 397,31 0,00 0,03 0,05 54,86 4,72
Error típico 2,94 2,12 0,34 0,33 0,39 0,35 0,13 0,01 0,00 4,19 0,01 4,97 0,03 0,15 0,01 0,05 0,40 0,00 2,97 4,98 0,01 0,04 0,06 1,85 0,54
Asimetría 0,09 0,00 -0,34 -0,27 -0,12 -0,29 0,18 0,07 0,19 -0,08 0,16 0,16 -1,00 -0,20 0,14 0,79 0,23 0,90 0,08 0,12 1,05 1,11 1,63 0,56 -1,11
Curtosis -1,11 -1,09 -0,90 -1,06 -1,16 -0,86 -0,68 -1,74 -0,82 -1,14 -1,12 -1,19 0,49 -1,19 -0,23 -0,15 -0,88 0,03 -1,14 -0,89 1,12 -0,24 2,32 0,24 1,18
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 182,75 83,90 16,30 15,65 17,45 15,86 6,78 1,17 0,10 256,71 1,04 279,87 1,10 7,52 0,33 0,51 0,94 0,003 183,26 286,62 0,64 0,28 0,43 38,74 15,88
Máximo 263,51 102,31 19,59 18,12 21,00 20,70 10,60 1,90 0,16 348,87 1,11 434,70 1,22 9,26 0,39 1,79 3,00 0,007 265,30 432,12 0,68 1,11 1,26 47,85 18,18
Mínimo 137,50 72,65 13,98 13,97 14,30 13,30 5,00 0,84 0,05 205,48 0,93 193,05 0,99 6,58 0,26 0,00 0,00 0,000 137,50 221,86 0,60 0,07 0,03 31,98 13,62
Rango 126,01 29,66 5,61 4,15 6,70 7,40 5,60 1,06 0,11 143,39 0,19 241,65 0,23 2,67 0,13 1,79 3,00 0,01 127,80 210,25 0,07 1,05 1,22 15,87 4,56
Varianza 1311,50 76,05 2,23 1,77 3,72 3,98 2,05 0,10 0,00 1981,00 0,00 4313,99 0,00 0,56 0,00 0,38 1,00 0,00 1333,26 3705,04 0,00 0,09 0,13 20,49 1,29
Error típico 9,05 2,18 0,37 0,33 0,48 0,50 0,36 0,08 0,01 11,13 0,01 16,42 0,02 0,19 0,01 0,15 0,25 0,00 9,13 15,22 0,01 0,07 0,09 1,13 0,28
Asimetría 0,87 0,74 0,66 0,55 0,39 0,99 1,18 1,34 0,70 0,78 -0,75 0,98 -0,17 0,88 -0,13 0,79 1,06 0,59 0,87 1,21 0,02 2,18 1,46 0,60 -0,22
Curtosis 0,22 -0,32 0,16 -0,79 -0,26 1,09 2,17 1,30 -0,51 -0,34 0,55 1,03 -0,40 0,49 -0,52 -0,90 0,52 -1,62 0,27 1,13 -0,54 4,30 1,22 -0,16 0,84
Tamaño muestra 11 11 11 11 16 16 16 16 16 11 11 16 16 11 11 11 11 11 11 11 11 11 11 11 11
Media 281,62 106,58 20,31 19,28 22,93 21,69 10,20 2,35 0,26 393,21 1,06 501,96 1,06 9,38 0,31 0,74 1,00 0,003 282,36 428,00 0,66 0,51 0,65 40,39 14,34
Máximo 315,58 117,80 22,13 21,56 26,70 27,30 13,10 4,41 0,41 477,12 1,20 726,24 1,18 10,00 0,39 2,60 3,00 0,010 317,68 481,30 0,75 1,06 1,54 47,21 16,95
Mínimo 224,80 92,72 18,56 16,03 17,70 18,00 6,10 1,41 0,11 309,06 0,97 346,92 0,90 8,39 0,26 0,00 0,00 0,000 224,80 351,66 0,62 0,03 0,12 31,68 12,86
Rango 90,78 25,08 3,57 5,53 9,00 9,30 7,00 3,01 0,30 168,06 0,24 379,32 0,28 1,61 0,13 2,60 3,00 0,01 92,88 129,64 0,13 1,03 1,42 15,53 4,09
Varianza 1226,53 67,21 1,44 3,96 5,66 6,85 3,41 0,60 0,01 3597,96 0,01 11764,53 0,01 0,37 0,00 0,79 1,00 0,00 1233,71 2144,15 0,00 0,15 0,26 26,34 1,38
Error típico 10,56 2,47 0,36 0,60 0,59 0,65 0,46 0,19 0,02 18,09 0,02 27,12 0,02 0,18 0,01 0,27 0,30 0,00 10,59 13,96 0,01 0,12 0,15 1,55 0,35
Asimetría -0,90 -0,15 0,25 -0,37 -0,44 1,15 -0,26 1,46 0,03 -0,10 0,52 0,78 -0,26 -0,79 0,55 1,01 0,73 1,19 -0,90 -0,76 1,20 -0,07 0,58 -0,40 0,96
Curtosis -0,85 -1,21 -1,09 -1,56 0,17 1,05 0,37 2,48 -0,29 -1,41 -0,28 0,42 -0,33 -0,90 -0,97 0,08 -0,13 -0,76 -0,83 -1,12 1,90 -1,55 -1,05 -1,24 1,07
Tamaño muestra 43 43 43 43 48 48 48 48 48 43 43 48 48 43 43 43 43 43 43 43 43 43 43 43 43
Media 151,04 71,37 13,75 13,10 15,81 14,85 6,35 1,22 0,12 212,36 1,05 277,68 1,06 6,32 0,32 0,45 1,35 0,004 151,48 234,99 0,63 0,30 0,42 40,29 16,69
Máximo 315,58 117,80 22,13 21,56 26,70 27,30 13,10 4,41 0,41 477,12 1,20 726,24 1,22 10,00 0,41 2,60 5,00 0,020 317,68 481,30 0,75 1,11 1,54 58,44 21,87
Mínimo 12,25 20,18 4,16 3,96 4,50 4,70 1,30 0,09 0,00 16,47 0,93 23,04 0,73 2,00 0,21 0,00 0,00 0,000 12,25 19,88 0,54 0,01 0,03 30,12 12,86
Rango 303,33 97,62 17,97 17,60 22,20 22,60 11,80 4,32 0,41 460,65 0,28 703,20 0,49 8,00 0,20 2,60 5,00 0,02 305,43 461,42 0,21 1,10 1,51 28,32 9,01
Varianza 11281,55 967,28 34,60 32,31 47,99 41,28 13,17 1,05 0,01 21818,40 0,00 39846,23 0,01 7,60 0,00 0,39 1,76 0,00 11337,22 25690,78 0,00 0,09 0,15 34,93 6,40
Error típico 16,20 4,74 0,90 0,87 1,00 0,93 0,52 0,15 0,02 22,53 0,01 28,81 0,01 0,42 0,01 0,09 0,20 0,00 16,24 24,44 0,01 0,05 0,06 0,90 0,39
Asimetría 0,05 -0,23 -0,28 -0,24 -0,25 -0,05 0,12 0,89 0,82 0,09 0,23 0,35 -1,28 -0,27 -0,01 1,65 0,86 1,27 0,05 0,01 0,12 1,31 1,41 0,67 0,47
Curtosis -1,45 -1,41 -1,50 -1,42 -1,33 -1,12 -1,20 0,75 -0,38 -1,31 -0,06 -0,82 2,37 -1,51 -0,40 2,36 0,06 1,23 -1,44 -1,49 0,30 0,72 1,13 0,68 -0,83
69
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 17,02 24,17 4,99 4,65 5,04 4,93 1,29 0,12 0,004 23,96 1,07 25,50 1,02 2,28 0,35 0,02 0,50 0,001 17,04 26,94 0,63 0,09 0,14 35,72 13,94
Máximo 31,60 31,49 6,69 6,29 6,90 6,50 2,00 0,20 0,005 42,12 1,14 40,95 1,17 3,16 0,47 0,07 2,00 0,005 31,66 47,54 0,68 0,24 0,29 40,69 17,31
Mínimo 7,54 17,32 3,23 3,09 3,80 3,70 0,80 0,08 0,002 10,01 1,01 14,80 0,81 1,53 0,31 0,00 0,00 0,000 7,54 11,55 0,59 0,02 0,00 26,68 6,65
Rango 24,06 14,17 3,46 3,20 3,10 2,80 1,20 0,12 0,00 32,11 0,14 26,15 0,36 1,63 0,16 0,07 2,00 0,00 24,12 35,98 0,09 0,22 0,29 14,01 10,65
Varianza 44,85 19,52 0,87 0,74 0,86 0,76 0,11 0,00 0,00 78,54 0,00 78,84 0,01 0,20 0,00 0,00 0,40 0,00 44,95 101,50 0,00 0,00 0,01 16,16 11,09
Error típico 1,67 1,10 0,23 0,22 0,23 0,22 0,08 0,01 0,00 2,22 0,01 2,22 0,02 0,11 0,01 0,01 0,16 0,00 1,68 2,52 0,01 0,01 0,02 1,00 0,83
Asimetría 0,73 0,30 0,20 0,36 0,57 0,18 0,58 1,49 -0,28 0,67 0,10 0,55 -0,67 0,36 1,38 0,79 0,90 0,99 0,73 0,63 0,13 1,08 0,20 -0,97 -1,09
Curtosis -0,06 -0,94 -0,27 -0,32 -0,64 -1,03 0,04 2,73 -2,22 -0,16 -0,35 -0,95 0,93 -0,37 1,41 -0,85 0,03 -0,34 -0,05 -0,24 -0,73 1,10 -1,08 0,27 0,20
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 136,08 70,27 13,91 13,25 14,89 13,75 5,98 0,97 0,08 187,71 1,05 208,87 1,09 6,47 0,34 0,17 0,56 0,001 136,25 214,03 0,64 0,21 0,42 36,69 14,11
Máximo 199,74 92,09 17,90 16,43 18,70 16,50 8,80 1,50 0,11 294,01 1,12 299,20 1,19 7,84 0,41 1,17 2,00 0,007 199,74 318,20 0,67 0,71 0,96 43,20 16,52
Mínimo 77,93 51,23 10,28 10,27 11,20 10,70 3,70 0,54 0,04 105,50 0,97 120,96 1,00 4,87 0,29 0,00 0,00 0,000 77,93 120,57 0,56 0,00 0,07 30,70 13,09
Rango 121,81 40,86 7,62 6,16 7,50 5,80 5,10 0,96 0,07 188,51 0,15 178,24 0,19 2,97 0,12 1,17 2,00 0,01 121,81 197,63 0,12 0,71 0,89 12,50 3,43
Varianza 1484,58 142,95 4,64 3,28 4,76 4,59 2,43 0,08 0,00 2842,70 0,00 3723,99 0,00 0,93 0,00 0,10 0,40 0,00 1490,63 3904,09 0,00 0,04 0,09 17,45 0,71
Error típico 9,63 2,99 0,54 0,45 0,55 0,54 0,39 0,07 0,01 13,33 0,01 15,26 0,01 0,24 0,01 0,08 0,16 0,00 9,65 15,62 0,01 0,05 0,08 1,04 0,21
Asimetría 0,17 0,12 0,09 -0,10 0,04 -0,05 0,17 0,29 -0,20 0,25 0,00 0,12 0,47 -0,05 0,15 2,66 0,65 2,04 0,17 0,12 -1,52 1,51 0,82 0,14 1,47
Curtosis -1,26 -0,95 -0,86 -0,65 -0,89 -1,60 -1,15 -0,92 -1,89 -0,66 -1,39 -1,42 -0,25 -1,30 -1,15 7,74 -0,32 3,90 -1,27 -1,28 2,40 1,85 -0,50 -1,23 3,70
Tamaño muestra 12 12 12 12 16 16 16 16 16 12 12 16 16 12 12 12 12 12 12 12 12 12 12 12 12
Media 250,02 100,12 19,07 18,44 21,02 20,16 9,34 2,10 0,23 352,78 1,04 427,04 1,05 8,82 0,32 0,86 1,42 0,003 250,89 392,08 0,64 0,45 0,86 39,94 13,81
Máximo 299,67 116,90 21,41 21,05 23,60 27,00 11,00 3,50 0,39 431,94 1,17 621,00 1,19 9,78 0,40 3,11 4,00 0,010 300,56 468,68 0,68 1,10 1,54 48,53 17,87
Mínimo 215,86 85,86 17,38 16,23 19,00 17,10 7,40 1,21 0,13 307,43 0,94 335,16 0,85 8,16 0,26 0,00 0,00 0,000 215,86 337,45 0,58 0,03 0,13 31,62 10,69
Rango 83,82 31,04 4,02 4,82 4,60 9,90 3,60 2,30 0,26 124,50 0,23 285,84 0,34 1,61 0,14 3,11 4,00 0,01 84,71 131,23 0,10 1,06 1,41 16,92 7,18
Varianza 966,06 128,67 1,67 2,00 3,21 7,09 1,28 0,39 0,00 2313,70 0,00 7904,79 0,01 0,27 0,00 0,93 2,08 0,00 978,29 2006,47 0,00 0,11 0,19 34,87 4,35
Error típico 8,97 3,27 0,37 0,41 0,45 0,67 0,28 0,16 0,02 13,89 0,02 22,23 0,02 0,15 0,01 0,28 0,42 0,00 9,03 12,93 0,01 0,09 0,13 1,70 0,60
Asimetría 0,51 0,09 0,42 0,56 0,22 1,35 -0,16 0,65 0,65 0,83 0,40 0,92 -0,61 0,59 0,30 1,20 0,63 0,70 0,52 0,49 -0,65 0,61 0,05 -0,05 0,69
Curtosis -1,11 -1,62 -0,87 -0,40 -1,87 1,77 -1,13 0,13 0,63 -1,10 1,49 -0,12 1,26 -0,66 -1,55 1,34 -1,14 -0,55 -1,09 -1,22 0,14 -0,39 -0,61 -1,58 -0,12
Tamaño muestra 44 44 44 44 48 48 48 48 48 44 44 48 48 44 44 44 44 44 44 44 44 44 44 44 44
Media 123,86 61,64 12,07 11,54 13,65 12,95 5,54 1,06 0,10 173,18 1,05 220,47 1,05 5,59 0,34 0,30 0,77 0,002 124,16 194,55 0,64 0,23 0,44 37,22 13,97
Máximo 299,67 116,90 21,41 21,05 23,60 27,00 11,00 3,50 0,39 431,94 1,17 621,00 1,19 9,78 0,47 3,11 4,00 0,010 300,56 468,68 0,68 1,10 1,54 48,53 17,87
Mínimo 7,54 17,32 3,23 3,09 3,80 3,70 0,80 0,08 0,00 10,01 0,94 14,80 0,81 1,53 0,26 0,00 0,00 0,000 7,54 11,55 0,56 0,00 0,00 26,68 6,65
Rango 292,14 99,58 18,18 17,96 19,80 23,30 10,20 3,42 0,39 421,93 0,23 606,20 0,39 8,25 0,21 3,11 4,00 0,01 293,03 457,13 0,13 1,09 1,54 21,86 11,21
Varianza 9525,52 1052,94 35,93 33,92 47,07 43,75 12,36 0,82 0,01 18976,29 0,00 31250,18 0,01 7,74 0,00 0,39 0,97 0,00 9591,52 23393,68 0,00 0,06 0,17 23,65 5,24
Error típico 14,71 4,89 0,90 0,88 0,99 0,95 0,51 0,13 0,01 20,77 0,01 25,52 0,01 0,42 0,01 0,09 0,15 0,00 14,76 23,06 0,00 0,04 0,06 0,73 0,35
Asimetría 0,25 0,03 -0,11 -0,09 -0,19 0,02 -0,05 0,73 0,86 0,31 -0,10 0,41 -0,81 -0,14 0,46 2,86 1,55 1,61 0,25 0,23 -0,64 1,73 1,19 0,21 -0,99
Curtosis -1,35 -1,41 -1,55 -1,49 -1,47 -1,18 -1,52 -0,21 -0,15 -1,25 -0,07 -0,91 1,43 -1,57 0,17 9,20 2,30 2,29 -1,35 -1,40 -0,04 2,60 0,58 -0,25 2,01
70
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 18,70 25,68 5,20 4,99 5,42 5,06 1,13 0,11 0,004 26,37 1,04 27,81 1,08 2,41 0,35 0,00 0,06 0,000 18,71 29,21 0,64 0,14 0,22 35,79 16,92
Máximo 28,06 34,28 6,69 6,28 6,80 6,20 1,60 0,18 0,006 40,14 1,18 42,16 1,20 2,92 0,48 0,02 1,00 0,002 28,06 43,15 0,68 0,44 0,49 44,33 19,84
Mínimo 12,81 20,73 4,12 4,10 4,50 4,20 0,70 0,07 0,003 17,93 0,93 18,90 0,91 1,96 0,28 0,00 0,00 0,000 12,81 20,49 0,59 0,00 0,04 26,28 14,86
Rango 15,25 13,55 2,57 2,18 2,30 2,00 0,90 0,12 0,00 22,22 0,25 23,26 0,29 0,96 0,19 0,02 1,00 0,00 15,25 22,66 0,08 0,44 0,44 18,05 4,98
Varianza 28,95 18,20 0,63 0,48 0,62 0,54 0,09 0,00 0,00 56,59 0,01 57,77 0,01 0,12 0,00 0,00 0,06 0,00 28,93 63,47 0,00 0,01 0,02 18,04 2,28
Error típico 1,35 1,07 0,20 0,17 0,20 0,18 0,08 0,01 0,00 1,88 0,02 1,90 0,02 0,09 0,01 0,00 0,06 0,00 1,34 1,99 0,01 0,03 0,03 1,06 0,38
Asimetría 0,46 0,82 0,45 0,53 0,70 0,27 0,20 0,53 1,28 0,68 0,19 0,51 -0,77 0,22 1,09 4,00 4,00 4,00 0,46 0,54 -0,05 1,42 0,60 -0,14 0,76
Curtosis -1,22 -0,42 -0,95 -1,07 -0,78 -1,49 -1,27 -1,02 -0,44 -0,84 -1,46 -0,99 -0,76 -1,50 2,71 16,00 16,00 16,00 -1,22 -1,07 0,72 3,37 -0,36 0,86 -0,36
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 130,46 68,02 13,56 13,20 14,22 13,46 6,05 1,05 0,09 181,62 1,03 194,15 1,06 6,32 0,35 0,19 0,38 0,001 130,65 201,02 0,65 0,23 0,40 35,67 12,49
Máximo 204,03 92,72 17,15 16,16 17,80 16,70 8,40 1,71 0,15 277,20 1,08 297,26 1,17 7,94 0,41 1,92 1,00 0,010 204,16 318,91 0,67 0,70 1,15 41,88 14,06
Mínimo 88,19 54,33 11,40 11,04 11,50 11,10 3,90 0,70 0,04 129,16 0,95 127,65 0,96 5,22 0,30 0,00 0,00 0,000 88,19 132,23 0,62 0,01 0,05 30,25 11,32
Rango 115,84 38,39 5,75 5,12 6,30 5,60 4,50 1,01 0,11 148,04 0,13 169,61 0,21 2,71 0,11 1,92 1,00 0,01 115,97 186,68 0,06 0,69 1,11 11,63 2,73
Varianza 1168,97 109,41 3,20 2,71 3,18 3,31 1,60 0,09 0,00 2231,95 0,00 2601,54 0,00 0,68 0,00 0,23 0,25 0,00 1182,86 2994,77 0,00 0,03 0,10 8,32 0,34
Error típico 8,55 2,61 0,45 0,41 0,45 0,45 0,32 0,08 0,01 11,81 0,01 12,75 0,01 0,21 0,01 0,12 0,13 0,00 8,60 13,68 0,00 0,04 0,08 0,72 0,15
Asimetría 0,90 0,91 1,04 0,49 0,71 0,74 -0,01 0,96 0,15 0,93 -0,49 0,92 0,03 0,71 0,15 3,52 0,57 2,85 0,91 0,94 -0,37 1,49 0,90 0,30 0,81
Curtosis 0,06 0,63 0,05 -1,02 -0,29 -0,50 -0,31 0,14 -1,11 -0,27 -1,10 -0,08 0,69 -0,29 0,25 12,95 -1,93 8,23 0,06 0,20 -0,72 2,78 0,20 0,25 3,34
Tamaño muestra 11 11 11 11 16 16 16 16 16 11 11 16 16 11 11 11 11 11 11 11 11 11 11 11 11
Media 260,53 104,81 19,66 18,79 21,79 20,89 9,79 2,60 0,29 371,27 1,05 459,62 1,05 8,99 0,30 0,05 0,27 0,000 260,58 405,91 0,64 0,42 1,00 42,20 11,45
Máximo 301,58 115,05 23,98 20,52 25,60 25,30 11,70 3,66 0,48 473,63 1,21 647,68 1,25 9,74 0,37 0,20 1,00 0,001 301,58 484,77 0,68 0,95 2,04 51,84 12,69
Mínimo 189,55 80,36 16,46 15,41 16,40 17,10 7,90 1,49 0,16 253,60 0,92 280,44 0,93 7,79 0,24 0,00 0,00 0,000 189,55 289,20 0,59 0,11 0,22 33,88 9,88
Rango 112,03 34,69 7,53 5,12 9,20 8,20 3,80 2,17 0,32 220,03 0,29 367,24 0,32 1,95 0,13 0,20 1,00 0,00 112,03 195,57 0,09 0,83 1,83 17,96 2,81
Varianza 1237,11 104,50 3,88 2,53 5,97 5,52 1,70 0,36 0,01 3680,69 0,01 9344,49 0,01 0,39 0,00 0,01 0,22 0,00 1236,34 3106,96 0,00 0,07 0,40 27,85 0,67
Error típico 10,60 3,08 0,59 0,48 0,61 0,59 0,33 0,15 0,03 18,29 0,02 24,17 0,02 0,19 0,01 0,03 0,14 0,00 10,60 16,81 0,01 0,08 0,19 1,59 0,25
Asimetría -0,72 -1,42 0,70 -0,79 -0,29 0,16 0,24 0,09 0,48 -0,28 0,67 0,19 0,98 -0,51 0,52 1,20 1,19 1,28 -0,72 -0,77 -0,86 0,80 0,57 0,07 -0,48
Curtosis -0,07 2,41 1,64 0,38 0,14 -0,58 -1,57 -0,60 -1,00 0,35 1,28 -0,11 1,93 -0,56 -0,06 -0,71 -0,76 -0,31 -0,06 0,43 0,59 -0,04 -0,74 -0,05 -0,05
Tamaño muestra 43 43 43 43 48 48 48 48 48 43 43 48 48 43 43 43 43 43 43 43 43 43 43 43 43
Media 122,15 61,68 12,01 11,58 13,81 13,14 5,65 1,25 0,13 172,37 1,04 227,20 1,06 5,55 0,34 0,08 0,23 0,001 122,23 189,51 0,64 0,24 0,49 37,38 13,87
Máximo 301,58 115,05 23,98 20,52 25,60 25,30 11,70 3,66 0,48 473,63 1,21 647,68 1,25 9,74 0,48 1,92 1,00 0,010 301,58 484,77 0,68 0,95 2,04 51,84 19,84
Mínimo 12,81 20,73 4,12 4,10 4,50 4,20 0,70 0,07 0,00 17,93 0,92 18,90 0,91 1,96 0,24 0,00 0,00 0,000 12,81 20,49 0,59 0,00 0,04 26,28 9,88
Rango 288,77 94,32 19,86 16,43 21,10 21,10 11,00 3,59 0,48 455,71 0,29 628,78 0,34 7,78 0,23 1,92 1,00 0,01 288,77 464,28 0,09 0,95 2,00 25,56 9,96
Varianza 9840,35 1066,73 36,22 32,91 48,85 45,74 13,94 1,22 0,02 20208,21 0,00 36127,12 0,01 7,46 0,00 0,09 0,18 0,00 9849,99 23936,81 0,00 0,04 0,24 24,21 6,90
Error típico 15,13 4,98 0,92 0,87 1,01 0,98 0,54 0,16 0,02 21,68 0,01 27,43 0,01 0,42 0,01 0,05 0,07 0,00 15,14 23,59 0,00 0,03 0,07 0,75 0,40
Asimetría 0,44 0,20 0,11 0,03 0,04 0,06 -0,01 0,60 1,02 0,52 0,43 0,55 -0,04 0,01 0,30 5,62 1,31 4,64 0,44 0,46 -0,55 1,56 1,80 0,67 0,73
Curtosis -1,16 -1,34 -1,30 -1,45 -1,35 -1,34 -1,40 -0,85 0,10 -0,97 -0,11 -0,92 -0,19 -1,48 1,22 33,92 -0,29 23,44 -1,16 -1,15 0,27 2,44 3,15 0,90 -0,55
71
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 39,11 37,22 7,40 7,09 7,86 7,53 1,66 0,25 0,006 53,36 1,04 60,36 1,05 3,46 0,35 0,07 0,50 0,002 39,18 60,83 0,64 0,15 0,22 35,74 15,80
Máximo 57,78 45,02 9,27 8,67 9,70 9,40 2,50 0,40 0,009 80,45 1,12 86,48 1,15 4,24 0,40 0,40 2,00 0,008 57,99 90,97 0,68 0,44 0,52 42,54 17,51
Mínimo 23,71 27,62 5,70 5,61 6,20 5,70 1,20 0,14 0,003 32,00 0,96 35,91 0,90 2,74 0,29 0,00 0,00 0,000 23,71 36,75 0,60 0,01 0,04 31,37 13,84
Rango 34,07 17,40 3,57 3,06 3,50 3,70 1,30 0,26 0,01 48,44 0,16 50,57 0,25 1,49 0,10 0,40 2,00 0,01 34,27 54,22 0,08 0,43 0,48 11,17 3,67
Varianza 117,43 35,26 1,12 0,97 1,35 1,37 0,15 0,01 0,00 210,86 0,00 294,29 0,00 0,25 0,00 0,01 0,53 0,00 118,62 290,45 0,00 0,02 0,01 9,58 1,20
Error típico 2,71 1,48 0,26 0,25 0,29 0,29 0,10 0,02 0,00 3,63 0,01 4,29 0,02 0,12 0,01 0,03 0,18 0,00 2,72 4,26 0,00 0,03 0,03 0,77 0,27
Asimetría 0,06 -0,42 0,04 -0,08 -0,04 -0,29 0,94 0,27 -0,11 0,16 0,03 -0,13 -0,17 -0,10 0,10 1,91 1,17 1,79 0,06 0,04 -0,28 0,77 0,69 0,28 0,15
Curtosis -1,27 -1,10 -0,75 -1,18 -1,52 -1,15 0,60 -1,00 -1,19 -0,81 -0,87 -1,42 -0,08 -1,41 -0,66 3,03 0,14 2,20 -1,26 -1,10 0,94 -0,35 0,91 -0,07 -0,74
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 137,62 70,29 13,90 13,42 14,59 14,35 6,17 1,20 0,10 187,92 1,04 211,08 1,02 6,57 0,35 0,26 0,56 0,002 137,88 211,28 0,65 0,25 0,49 35,92 11,54
Máximo 200,17 87,28 16,48 15,62 16,50 17,60 7,80 1,61 0,16 253,84 1,14 290,40 1,09 7,86 0,41 1,36 3,00 0,011 200,17 289,92 0,71 0,60 1,32 47,04 12,79
Mínimo 97,68 58,81 11,80 11,80 12,50 11,80 4,20 0,76 0,04 139,19 0,98 147,50 0,92 5,53 0,27 0,00 0,00 0,000 97,68 146,55 0,60 0,07 0,04 30,24 10,21
Rango 102,49 28,47 4,69 3,82 4,00 5,80 3,60 0,85 0,11 114,65 0,17 142,90 0,17 2,33 0,15 1,36 3,00 0,01 102,49 143,37 0,12 0,53 1,28 16,80 2,57
Varianza 669,40 73,30 1,93 1,34 2,01 2,31 0,95 0,05 0,00 1156,37 0,00 1711,56 0,00 0,37 0,00 0,22 0,93 0,00 666,37 1673,92 0,00 0,02 0,12 16,47 0,41
Error típico 6,47 2,14 0,35 0,29 0,35 0,38 0,24 0,06 0,01 8,50 0,01 10,34 0,01 0,15 0,01 0,12 0,24 0,00 6,45 10,23 0,01 0,03 0,09 1,01 0,16
Asimetría 0,77 0,43 0,31 0,36 0,08 0,45 -0,40 -0,04 0,38 0,38 1,36 0,32 -0,64 0,39 -0,64 1,63 1,59 1,66 0,76 0,22 -0,09 1,32 0,89 1,35 0,03
Curtosis 0,80 -0,60 -0,64 -0,96 -1,46 -0,18 -0,36 -0,65 -0,14 -0,80 1,58 -0,91 -0,65 -0,11 0,96 1,29 1,49 1,53 0,78 -0,83 -0,15 2,05 0,93 2,77 0,38
Tamaño muestra 13 13 13 13 16 16 16 16 16 13 13 16 16 13 13 13 13 13 13 13 13 13 13 13 13
Media 244,72 98,19 18,47 17,63 20,50 19,65 8,48 2,41 0,24 328,33 1,05 407,48 1,05 8,70 0,32 0,44 0,38 0,002 245,17 369,17 0,66 0,58 0,71 39,56 11,18
Máximo 329,92 115,92 23,09 19,44 24,40 25,00 10,80 3,66 0,40 440,99 1,21 545,00 1,15 10,07 0,35 2,18 2,00 0,008 329,92 492,68 0,73 2,06 1,84 48,36 12,01
Mínimo 151,97 76,45 14,01 14,13 15,70 14,90 5,60 1,27 0,08 197,90 0,93 233,93 0,87 6,93 0,26 0,00 0,00 0,000 151,97 227,85 0,60 0,12 0,05 35,91 9,40
Rango 177,95 39,47 9,08 5,31 8,70 10,10 5,20 2,39 0,32 243,08 0,28 311,07 0,27 3,14 0,09 2,18 2,00 0,01 177,95 264,84 0,13 1,94 1,80 12,45 2,60
Varianza 2205,41 108,32 5,03 2,90 6,37 5,89 2,98 0,46 0,01 4234,38 0,01 8628,80 0,01 0,73 0,00 0,73 0,59 0,00 2226,73 4918,18 0,00 0,32 0,28 14,31 0,80
Error típico 13,02 2,89 0,62 0,47 0,63 0,61 0,43 0,17 0,02 18,05 0,02 23,22 0,02 0,24 0,01 0,24 0,21 0,00 13,09 19,45 0,01 0,16 0,15 1,05 0,25
Asimetría -0,20 -0,43 0,02 -0,93 -0,45 0,36 -0,50 0,24 0,07 -0,40 0,30 -0,08 -1,06 -0,48 -0,93 1,51 1,76 1,50 -0,22 -0,37 0,14 1,97 0,73 1,24 -0,93
Curtosis 0,16 0,35 1,06 -0,29 -0,54 0,70 -1,09 -0,53 -0,39 0,09 0,34 -0,80 1,32 0,10 0,10 0,41 1,62 0,36 0,12 0,14 3,38 3,47 0,05 1,02 -0,27
Tamaño muestra 45 45 45 45 48 48 48 48 48 45 45 48 48 45 45 45 45 45 45 45 45 45 45 45 45
Media 133,53 66,59 12,91 12,39 14,32 13,84 5,44 1,29 0,12 180,64 1,04 226,31 1,04 6,08 0,34 0,25 0,49 0,002 133,78 203,40 0,65 0,31 0,46 36,91 12,95
Máximo 329,92 115,92 23,09 19,44 24,40 25,00 10,80 3,66 0,40 440,99 1,21 545,00 1,15 10,07 0,41 2,18 3,00 0,011 329,92 492,68 0,73 2,06 1,84 48,36 17,51
Mínimo 23,71 27,62 5,70 5,61 6,20 5,70 1,20 0,14 0,00 32,00 0,93 35,91 0,87 2,74 0,26 0,00 0,00 0,000 23,71 36,75 0,60 0,01 0,04 30,24 9,40
Rango 306,21 88,30 17,39 13,83 18,20 19,30 9,60 3,52 0,40 408,98 0,28 509,09 0,28 7,33 0,15 2,18 3,00 0,01 306,21 455,93 0,13 2,06 1,80 18,12 8,11
Varianza 7770,71 680,36 22,96 20,28 30,32 28,18 9,51 0,97 0,01 13975,60 0,00 24021,85 0,00 5,02 0,00 0,30 0,66 0,00 7801,14 17544,29 0,00 0,13 0,16 15,71 5,38
Error típico 13,14 3,89 0,71 0,67 0,79 0,77 0,45 0,14 0,02 17,62 0,01 22,37 0,01 0,33 0,01 0,08 0,12 0,00 13,17 19,75 0,00 0,05 0,06 0,59 0,35
Asimetría 0,44 0,12 0,09 -0,04 0,11 0,06 -0,02 0,67 0,91 0,43 0,52 0,53 -0,44 -0,01 -0,24 2,43 1,49 1,61 0,45 0,41 0,18 3,41 1,52 0,88 0,62
Curtosis -0,89 -1,21 -1,10 -1,31 -1,17 -1,07 -1,27 -0,39 -0,04 -0,92 0,48 -0,80 0,18 -1,27 0,09 5,02 1,11 1,25 -0,89 -0,96 0,90 13,75 2,34 1,10 -0,94
72
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 34,79 32,33 7,12 6,46 7,11 7,31 1,68 0,25 0,007 47,92 1,11 54,12 0,97 3,21 0,41 0,07 0,69 0,002 34,86 55,14 0,64 0,14 0,30 30,96 13,61
Máximo 60,98 46,46 9,44 8,83 9,50 9,90 2,30 0,36 0,011 83,39 1,22 93,10 1,15 4,35 0,54 0,31 2,00 0,008 60,98 96,64 0,73 0,38 0,86 44,47 17,10
Mínimo 16,64 21,69 5,04 4,32 4,90 5,30 1,00 0,13 0,004 21,75 1,04 26,50 0,83 2,23 0,28 0,00 0,00 0,000 16,78 25,71 0,54 0,01 0,02 22,96 11,21
Rango 44,34 24,77 4,41 4,51 4,60 4,60 1,30 0,24 0,01 61,64 0,18 66,60 0,32 2,11 0,26 0,31 2,00 0,01 44,20 70,92 0,19 0,38 0,84 21,51 5,89
Varianza 200,50 58,40 2,09 2,05 2,44 2,38 0,23 0,01 0,00 396,73 0,00 522,02 0,01 0,46 0,00 0,01 0,50 0,00 200,72 552,43 0,00 0,01 0,06 25,46 2,23
Error típico 3,54 1,91 0,36 0,36 0,39 0,39 0,12 0,02 0,00 4,98 0,01 5,71 0,02 0,17 0,02 0,02 0,18 0,00 3,54 5,88 0,01 0,03 0,06 1,26 0,37
Asimetría 0,56 0,50 0,23 0,17 0,21 0,53 0,02 0,07 -0,01 0,51 0,77 0,62 0,43 0,34 -0,04 1,25 0,54 1,01 0,56 0,60 -0,04 0,96 0,92 1,19 0,91
Curtosis -0,89 -0,39 -1,06 -0,89 -1,16 -1,06 -1,45 -1,44 -1,46 -0,75 -0,68 -0,89 0,28 -1,06 0,92 1,24 -0,64 -0,29 -0,90 -0,79 2,25 0,60 -0,24 2,52 0,88
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 140,57 71,49 14,11 13,84 15,18 14,12 5,97 1,17 0,13 196,90 1,02 216,09 1,08 6,62 0,35 0,22 0,25 0,001 140,79 217,72 0,65 0,27 0,57 36,46 12,10
Máximo 185,08 82,97 16,51 16,26 17,80 16,60 7,50 1,66 0,19 267,39 1,12 288,84 1,43 7,66 0,47 1,35 1,00 0,009 185,08 291,85 0,67 0,78 1,28 42,07 13,76
Mínimo 89,02 52,75 11,64 11,17 12,60 11,20 4,30 0,75 0,05 129,94 0,94 143,64 1,00 5,27 0,30 0,00 0,00 0,000 89,02 143,94 0,61 0,00 0,16 26,74 10,31
Rango 96,05 30,22 4,87 5,10 5,20 5,40 3,20 0,91 0,14 137,45 0,18 145,20 0,43 2,39 0,17 1,35 1,00 0,01 96,05 147,90 0,05 0,78 1,12 15,33 3,45
Varianza 758,79 83,25 2,06 1,92 2,36 3,00 1,16 0,07 0,00 1479,71 0,00 2011,75 0,01 0,45 0,00 0,19 0,20 0,00 765,89 1942,99 0,00 0,04 0,11 16,77 1,26
Error típico 6,89 2,28 0,36 0,35 0,38 0,43 0,27 0,07 0,01 9,62 0,01 11,21 0,03 0,17 0,01 0,11 0,11 0,00 6,92 11,02 0,00 0,05 0,08 1,02 0,28
Asimetría -0,24 -0,64 0,17 -0,04 0,15 -0,43 -0,12 0,29 -0,09 0,22 0,14 0,10 2,59 -0,37 1,49 1,85 1,28 1,75 -0,24 -0,01 -1,13 0,92 0,88 -0,83 -0,10
Curtosis -0,78 -0,23 -0,82 -0,51 -1,03 -1,07 -1,34 -0,80 -0,85 -0,52 1,09 -1,20 8,16 -0,57 2,77 2,31 -0,44 1,98 -0,80 -0,88 0,16 1,34 -0,15 0,81 -1,22
Tamaño muestra 14 14 14 14 16 16 16 16 16 14 14 16 16 14 14 14 14 14 14 14 14 14 14 14 14
Media 238,81 94,98 18,89 17,60 20,32 19,68 7,96 2,10 0,28 333,20 1,08 401,69 1,03 8,63 0,34 0,64 0,71 0,003 239,45 369,14 0,65 0,39 0,67 37,58 12,20
Máximo 278,81 111,32 20,53 19,63 25,60 23,30 10,20 3,08 0,50 403,15 1,20 560,64 1,17 9,44 0,39 2,55 2,00 0,009 280,40 435,39 0,70 1,28 1,92 47,02 16,70
Mínimo 200,12 84,02 17,08 15,61 17,10 17,60 1,00 1,39 0,19 267,94 0,95 323,19 0,90 7,89 0,27 0,00 0,00 0,000 200,33 318,58 0,61 0,03 0,07 31,92 10,94
Rango 78,69 27,30 3,46 4,03 8,50 5,70 9,20 1,69 0,31 135,20 0,25 237,45 0,26 1,55 0,13 2,55 2,00 0,01 80,08 116,80 0,10 1,25 1,85 15,10 5,76
Varianza 514,13 74,18 0,98 1,63 3,82 2,47 3,95 0,19 0,01 1420,53 0,00 4477,71 0,01 0,16 0,00 0,70 0,53 0,00 519,06 1089,57 0,00 0,12 0,33 20,29 2,28
Error típico 6,06 2,30 0,26 0,34 0,49 0,39 0,50 0,11 0,02 10,07 0,02 16,73 0,02 0,11 0,01 0,22 0,19 0,00 6,09 8,82 0,01 0,09 0,15 1,20 0,40
Asimetría 0,34 0,76 0,13 -0,24 1,29 0,77 -3,12 0,65 1,54 0,10 0,07 1,35 -0,12 0,25 -0,63 1,11 0,52 0,85 0,37 0,43 0,25 1,35 0,71 1,01 2,36
Curtosis -0,13 -0,55 -0,41 -1,07 2,86 0,36 11,48 0,39 1,95 -0,47 0,58 1,48 -0,95 0,43 -0,26 0,23 -0,73 -0,96 -0,03 -0,37 -0,54 2,02 -0,21 0,18 6,19
Tamaño muestra 46 46 46 46 48 48 48 48 48 46 46 48 48 46 46 46 46 46 46 46 46 46 46 46 46
Media 133,68 65,02 13,13 12,42 14,20 13,70 5,20 1,18 0,14 186,57 1,07 223,96 1,03 6,05 0,37 0,30 0,54 0,002 133,97 207,26 0,64 0,26 0,51 34,89 12,66
Máximo 278,81 111,32 20,53 19,63 25,60 23,30 10,20 3,08 0,50 403,15 1,22 560,64 1,43 9,44 0,54 2,55 2,00 0,009 280,40 435,39 0,73 1,28 1,92 47,02 17,10
Mínimo 16,64 21,69 5,04 4,32 4,90 5,30 1,00 0,13 0,00 21,75 0,94 26,50 0,83 2,23 0,27 0,00 0,00 0,000 16,78 25,71 0,54 0,00 0,02 22,96 10,31
Rango 262,17 89,63 15,50 15,31 20,70 18,00 9,20 2,95 0,50 381,39 0,28 534,14 0,60 7,21 0,28 2,55 2,00 0,01 263,62 409,67 0,19 1,28 1,90 24,05 6,80
Varianza 7400,63 742,88 25,17 23,48 32,92 28,61 8,72 0,67 0,02 14597,77 0,00 22832,75 0,01 5,41 0,00 0,33 0,43 0,00 7442,55 17566,06 0,00 0,06 0,18 28,55 2,31
Error típico 12,68 4,02 0,74 0,71 0,83 0,77 0,43 0,12 0,02 17,81 0,01 21,81 0,01 0,34 0,01 0,08 0,10 0,00 12,72 19,54 0,00 0,04 0,06 0,79 0,22
Asimetría 0,08 -0,17 -0,19 -0,30 -0,18 -0,10 -0,16 0,35 0,79 0,11 0,35 0,31 1,26 -0,28 0,77 2,30 0,82 1,09 0,08 0,07 -0,30 1,94 1,20 0,07 1,07
Curtosis -1,40 -1,31 -1,37 -1,34 -1,17 -1,29 -1,52 -0,87 0,26 -1,35 0,06 -0,96 4,91 -1,40 0,64 5,14 -0,36 -0,30 -1,40 -1,42 2,86 5,13 1,39 -0,19 1,31
73
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 47,78 37,15 8,17 7,92 8,58 8,37 2,17 0,39 0,011 65,92 1,03 73,06 1,03 3,84 0,44 0,11 0,56 0,002 47,89 71,32 0,67 0,19 0,22 29,20 12,39
Máximo 73,36 50,91 11,10 10,32 10,70 10,60 3,20 0,61 0,018 114,56 1,12 113,42 1,09 4,77 0,54 0,43 4,00 0,007 73,56 106,56 0,72 0,51 0,57 35,07 13,28
Mínimo 27,79 26,98 6,39 6,28 6,50 6,50 1,40 0,22 0,003 40,08 0,97 42,25 0,94 2,94 0,36 0,00 0,00 0,000 27,79 40,86 0,64 0,01 0,01 23,20 10,68
Rango 45,57 23,93 4,71 4,04 4,20 4,10 1,80 0,40 0,02 74,48 0,15 71,17 0,15 1,83 0,18 0,43 4,00 0,01 45,77 65,69 0,07 0,50 0,56 11,87 2,60
Varianza 149,50 35,31 1,54 1,11 1,42 1,45 0,22 0,01 0,00 356,81 0,00 401,95 0,00 0,25 0,00 0,03 1,06 0,00 151,70 339,97 0,00 0,02 0,02 14,72 0,55
Error típico 3,06 1,49 0,31 0,26 0,30 0,30 0,12 0,03 0,00 4,72 0,01 5,01 0,01 0,13 0,01 0,04 0,26 0,00 3,08 4,61 0,00 0,04 0,03 0,96 0,19
Asimetría 0,15 0,62 0,65 0,35 -0,11 0,03 0,52 0,19 -0,09 0,92 0,47 0,16 -0,03 -0,17 0,46 1,17 2,73 1,18 0,14 -0,04 0,63 1,37 0,92 -0,10 -1,06
Curtosis -0,28 0,57 0,56 0,23 -0,89 -0,83 0,03 -0,66 0,19 1,59 -0,55 -0,66 0,63 -0,68 -0,92 -0,22 8,72 -0,21 -0,31 -0,77 0,99 1,16 2,18 -1,15 0,56
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 115,38 62,54 12,87 12,40 13,74 13,30 5,59 1,10 0,08 162,09 1,04 185,19 1,03 5,98 0,38 0,23 0,56 0,002 115,61 180,02 0,64 0,38 0,38 34,00 10,53
Máximo 165,44 81,94 16,57 15,79 16,40 16,50 7,90 1,65 0,15 261,70 1,13 270,60 1,19 7,29 0,49 1,46 2,00 0,009 166,90 262,56 0,68 0,74 1,03 41,10 12,87
Mínimo 72,93 43,35 9,75 9,42 10,30 10,40 2,90 0,71 0,03 91,91 0,96 108,15 0,96 4,73 0,30 0,00 0,00 0,000 72,93 110,57 0,61 0,17 0,07 25,65 9,75
Rango 92,51 38,59 6,82 6,37 6,10 6,10 5,00 0,94 0,12 169,79 0,17 162,45 0,23 2,57 0,18 1,46 2,00 0,01 93,97 151,99 0,07 0,58 0,95 15,45 3,12
Varianza 720,57 104,78 3,08 2,59 3,36 2,45 1,78 0,07 0,00 1825,53 0,00 1984,69 0,00 0,52 0,00 0,14 0,40 0,00 726,68 1885,49 0,00 0,03 0,08 25,51 0,54
Error típico 6,71 2,56 0,44 0,40 0,46 0,39 0,33 0,07 0,01 10,68 0,01 11,14 0,01 0,18 0,01 0,09 0,16 0,00 6,74 10,86 0,00 0,05 0,07 1,26 0,18
Asimetría 0,51 -0,17 0,23 0,29 -0,27 -0,03 -0,26 0,63 0,36 0,66 0,43 0,10 1,58 0,25 0,57 2,57 0,65 1,40 0,53 0,43 0,37 0,57 1,24 -0,22 2,39
Curtosis -0,05 -0,17 0,31 0,26 -0,62 0,75 0,01 0,19 0,26 0,77 -0,70 -0,02 4,09 -0,16 -0,96 7,71 -0,32 1,55 -0,01 -0,05 -0,02 -1,01 0,67 -1,23 6,94
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 205,10 89,71 17,07 16,51 18,06 17,95 8,01 1,87 0,17 284,56 1,03 328,92 1,01 7,98 0,33 0,62 0,81 0,003 205,72 320,62 0,64 0,22 0,64 39,69 11,16
Máximo 294,75 112,13 20,25 19,47 21,90 20,90 11,50 2,96 0,31 380,55 1,10 457,71 1,07 9,64 0,47 2,50 3,00 0,012 294,75 431,34 0,69 0,60 1,45 56,70 12,27
Mínimo 118,13 56,53 12,98 13,20 13,80 13,10 5,50 0,96 0,10 171,40 0,96 180,78 0,94 6,15 0,22 0,00 0,00 0,000 118,44 174,41 0,57 0,02 0,01 26,85 9,42
Rango 176,62 55,59 7,26 6,27 8,10 7,80 6,00 2,00 0,21 209,15 0,14 276,93 0,13 3,49 0,25 2,50 3,00 0,01 176,32 256,93 0,12 0,58 1,45 29,84 2,85
Varianza 2377,67 217,58 3,78 2,81 5,17 5,34 3,15 0,31 0,00 3346,05 0,00 6401,33 0,00 0,97 0,00 0,67 0,70 0,00 2378,43 5555,09 0,00 0,04 0,19 68,22 0,57
Error típico 12,19 3,69 0,49 0,42 0,57 0,58 0,44 0,14 0,02 14,46 0,01 20,00 0,01 0,25 0,02 0,21 0,21 0,00 12,19 18,63 0,01 0,05 0,11 2,06 0,19
Asimetría -0,03 -0,55 -0,60 -0,19 -0,03 -0,63 0,44 0,37 0,69 -0,28 -0,10 -0,13 -0,06 -0,29 0,20 1,33 1,18 1,13 -0,05 -0,37 -0,53 0,79 0,43 0,85 -0,44
Curtosis -0,24 0,57 -0,13 -0,01 -0,37 -0,10 -0,63 0,05 -0,73 -0,27 -1,64 -0,60 -0,89 -0,18 0,36 0,60 1,95 0,07 -0,25 -0,37 0,05 -0,54 -0,51 0,47 0,41
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 122,75 63,13 12,70 12,28 13,46 13,21 5,26 1,12 0,09 170,86 1,03 195,72 1,02 5,93 0,38 0,32 0,65 0,002 123,07 190,65 0,65 0,26 0,41 34,29 11,36
Máximo 294,75 112,13 20,25 19,47 21,90 20,90 11,50 2,96 0,31 380,55 1,13 457,71 1,19 9,64 0,54 2,50 4,00 0,012 294,75 431,34 0,72 0,74 1,45 56,70 13,28
Mínimo 27,79 26,98 6,39 6,28 6,50 6,50 1,40 0,22 0,00 40,08 0,96 42,25 0,94 2,94 0,22 0,00 0,00 0,000 27,79 40,86 0,57 0,01 0,01 23,20 9,42
Rango 266,96 85,14 13,86 13,19 15,40 14,40 10,10 2,74 0,30 340,47 0,17 415,46 0,25 6,69 0,32 2,50 4,00 0,01 266,96 390,48 0,15 0,73 1,45 33,49 3,86
Varianza 5277,19 584,64 16,16 14,65 18,54 18,58 7,51 0,50 0,01 9940,76 0,00 14004,33 0,00 3,48 0,01 0,32 0,70 0,00 5308,25 13119,75 0,00 0,04 0,12 53,40 1,14
Error típico 10,49 3,49 0,58 0,55 0,62 0,62 0,40 0,10 0,01 14,39 0,01 17,08 0,01 0,27 0,01 0,08 0,12 0,00 10,52 16,53 0,00 0,03 0,05 1,05 0,15
Asimetría 0,60 0,33 0,09 0,09 0,13 0,17 0,30 0,72 0,94 0,44 0,22 0,57 0,95 0,18 0,14 2,50 1,90 1,31 0,60 0,53 -0,42 0,75 1,34 1,09 0,23
Curtosis -0,62 -1,00 -1,20 -1,21 -1,06 -1,09 -0,84 -0,09 0,32 -0,99 -1,05 -0,69 3,00 -1,06 -0,24 6,09 5,07 0,78 -0,64 -0,84 0,71 -0,42 1,32 1,82 -1,18
74
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 21,73 24,90 5,49 5,20 5,72 5,68 1,16 0,16 0,007 29,26 1,06 33,19 1,01 2,58 0,44 0,03 0,31 0,001 21,77 33,06 0,66 0,07 0,13 28,89 14,03
Máximo 35,83 36,29 7,64 6,83 7,30 8,00 1,50 0,25 0,012 47,98 1,28 54,02 1,14 3,24 0,55 0,15 1,00 0,005 35,83 54,81 0,71 0,21 0,37 36,58 15,62
Mínimo 13,70 17,67 4,35 4,14 4,60 4,50 0,70 0,09 0,006 18,61 0,96 22,05 0,81 2,09 0,34 0,00 0,00 0,000 13,75 21,04 0,61 0,01 0,01 22,60 12,08
Rango 22,13 18,62 3,29 2,68 2,70 3,50 0,80 0,16 0,01 29,37 0,32 31,97 0,32 1,15 0,21 0,15 1,00 0,01 22,08 33,77 0,10 0,21 0,36 13,98 3,54
Varianza 50,30 23,33 0,98 0,71 0,75 1,03 0,07 0,00 0,00 99,78 0,01 118,50 0,01 0,15 0,00 0,00 0,23 0,00 50,62 120,20 0,00 0,00 0,01 10,62 1,19
Error típico 1,77 1,21 0,25 0,21 0,22 0,25 0,06 0,01 0,00 2,50 0,02 2,72 0,02 0,10 0,01 0,01 0,12 0,00 1,78 2,74 0,01 0,01 0,03 0,81 0,27
Asimetría 0,92 0,89 0,97 0,58 0,68 1,12 -0,19 0,66 4,00 0,89 1,64 0,97 -1,14 0,72 0,53 1,46 0,90 1,01 0,92 0,91 -0,01 1,23 1,19 0,28 -0,40
Curtosis -0,41 0,65 -0,03 -0,42 -0,67 0,47 -1,03 -0,93 16,00 -0,46 2,63 -0,46 1,66 -0,80 0,95 0,68 -1,39 -0,96 -0,41 -0,49 2,26 1,35 0,61 1,21 -1,16
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 121,77 65,32 13,09 12,71 13,86 13,41 5,48 1,14 0,12 168,92 1,03 188,79 1,04 6,10 0,36 0,39 0,75 0,003 122,16 189,39 0,65 0,22 0,45 35,23 10,74
Máximo 165,63 80,01 15,84 14,81 16,00 15,90 7,40 1,54 0,17 230,16 1,11 249,63 1,14 7,28 0,46 1,40 3,00 0,010 166,68 254,77 0,68 0,67 1,39 43,18 12,62
Mínimo 76,93 47,38 10,16 10,03 11,10 10,40 3,50 0,71 0,06 101,86 0,95 115,44 0,98 4,87 0,29 0,00 0,00 0,000 76,93 116,68 0,62 0,01 0,03 26,99 9,59
Rango 88,70 32,62 5,68 4,79 4,90 5,50 3,90 0,83 0,12 128,31 0,16 134,19 0,16 2,41 0,17 1,40 3,00 0,01 89,74 138,09 0,06 0,66 1,36 16,20 3,03
Varianza 918,06 115,96 3,35 2,71 3,09 3,48 1,34 0,09 0,00 1862,40 0,00 2319,31 0,00 0,64 0,00 0,22 0,73 0,00 929,06 2470,97 0,00 0,04 0,15 24,25 0,66
Error típico 7,57 2,69 0,46 0,41 0,44 0,47 0,29 0,08 0,01 10,79 0,01 12,04 0,01 0,20 0,01 0,12 0,21 0,00 7,62 12,43 0,01 0,05 0,10 1,23 0,20
Asimetría -0,20 -0,28 -0,15 -0,34 -0,25 -0,25 0,02 -0,19 -0,20 -0,21 0,18 -0,17 0,96 -0,24 0,22 0,90 1,27 0,87 -0,20 -0,22 -0,08 1,03 1,12 0,30 0,80
Curtosis -1,52 -1,13 -1,26 -1,36 -1,45 -1,40 -1,06 -1,64 -1,49 -1,51 -1,06 -1,59 0,74 -1,45 -0,44 -0,50 1,91 -0,90 -1,52 -1,66 -1,75 0,63 0,79 -0,73 1,18
Tamaño muestra 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
Media 246,82 102,14 18,70 18,37 20,34 19,99 9,18 2,36 0,27 343,98 1,02 407,15 1,02 8,78 0,30 1,00 1,06 0,004 247,82 387,39 0,64 0,31 1,03 42,16 10,53
Máximo 282,09 113,42 19,74 20,29 22,20 21,50 11,50 2,86 0,37 385,48 1,08 455,76 1,10 9,31 0,38 2,75 4,00 0,012 282,09 426,61 0,70 1,00 2,18 52,95 11,98
Mínimo 205,84 90,23 17,31 16,66 18,80 17,90 7,50 1,90 0,17 297,46 0,94 336,52 0,93 8,16 0,24 0,00 0,00 0,000 207,17 312,73 0,60 0,03 0,02 33,23 9,53
Rango 76,26 23,19 2,43 3,63 3,40 3,60 4,00 0,96 0,20 88,02 0,14 119,24 0,17 1,15 0,14 2,75 4,00 0,01 74,93 113,88 0,09 0,97 2,16 19,72 2,45
Varianza 569,55 69,97 0,56 1,21 0,95 1,30 1,39 0,09 0,00 1010,56 0,00 1436,07 0,00 0,14 0,00 1,15 1,40 0,00 537,66 1270,52 0,00 0,08 0,41 36,60 0,52
Error típico 5,97 2,09 0,19 0,28 0,24 0,29 0,29 0,08 0,01 7,95 0,01 9,47 0,01 0,09 0,01 0,27 0,30 0,00 5,80 8,91 0,01 0,07 0,16 1,51 0,18
Asimetría -0,20 -0,26 -0,16 0,11 0,14 -0,61 0,64 0,27 0,12 0,04 -0,39 -0,70 -0,36 -0,37 0,18 0,49 1,25 0,50 -0,23 -0,80 0,63 1,17 -0,04 0,34 0,49
Curtosis -0,90 -1,67 -1,09 -0,92 -0,54 -0,48 -0,09 -1,38 -0,49 -1,73 -0,40 -0,55 -0,22 -1,13 -0,66 -1,45 1,29 -1,38 -0,87 -0,35 0,02 0,68 -0,98 -0,65 -0,73
Tamaño muestra 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48 48
Media 130,11 64,12 12,43 12,09 13,30 13,03 5,27 1,22 0,13 180,72 1,04 209,71 1,02 5,82 0,37 0,47 0,71 0,003 130,58 203,28 0,65 0,20 0,54 35,43 11,77
Máximo 282,09 113,42 19,74 20,29 22,20 21,50 11,50 2,86 0,37 385,48 1,28 455,76 1,14 9,31 0,55 2,75 4,00 0,012 282,09 426,61 0,71 1,00 2,18 52,95 15,62
Mínimo 13,70 17,67 4,35 4,14 4,60 4,50 0,70 0,09 0,01 18,61 0,94 22,05 0,81 2,09 0,24 0,00 0,00 0,000 13,75 21,04 0,60 0,01 0,01 22,60 9,53
Rango 268,39 95,76 15,39 16,15 17,60 17,00 10,80 2,76 0,36 366,87 0,35 433,71 0,33 7,22 0,32 2,75 4,00 0,01 268,35 405,57 0,11 0,99 2,16 30,35 6,09
Varianza 9149,94 1083,03 31,48 31,17 38,06 36,77 11,84 0,89 0,01 17879,69 0,00 25263,36 0,00 6,89 0,01 0,60 0,85 0,00 9218,57 22701,21 0,00 0,05 0,32 52,84 3,38
Error típico 13,81 4,75 0,81 0,81 0,89 0,88 0,50 0,14 0,02 19,30 0,01 22,94 0,01 0,38 0,01 0,11 0,13 0,00 13,86 21,75 0,00 0,03 0,08 1,05 0,27
Asimetría 0,19 0,00 -0,18 -0,14 -0,12 -0,08 0,06 0,23 0,41 0,18 1,62 0,24 -1,06 -0,15 0,27 1,73 1,65 1,05 0,18 0,18 0,10 1,80 1,20 0,56 0,72
Curtosis -1,48 -1,48 -1,54 -1,50 -1,53 -1,51 -1,37 -1,38 -1,08 -1,50 4,68 -1,49 3,15 -1,54 -0,39 2,04 3,07 -0,16 -1,49 -1,52 -0,37 3,20 0,43 -0,26 -0,82
75
Tabla 60. Estadística descriptiva. 2ª campaña (1996). Macabeo. Estudio global.
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 29,51 31,68 6,45 6,10 6,71 6,61 1,62 0,19 0,006 41,55 1,06 46,84 1,02 2,96 0,36 0,07 0,68 0,002 29,58 46,84 0,63 0,15 0,22 36,31 16,02
Máximo 73,36 55,61 11,10 10,32 10,70 10,60 3,20 0,61 0,018 114,56 1,28 113,42 1,20 4,77 0,55 0,60 5,00 0,020 73,56 106,56 0,73 0,56 0,86 67,40 27,82
Mínimo 7,54 17,32 3,23 3,09 3,80 3,70 0,70 0,05 0,002 10,01 0,93 14,80 0,73 1,53 0,19 0,00 0,00 0,000 7,54 11,55 0,51 0,00 0,00 22,60 6,65
Rango 65,82 38,29 7,87 7,23 6,90 6,90 2,50 0,57 0,02 104,56 0,36 98,62 0,48 3,25 0,37 0,60 5,00 0,02 66,02 95,00 0,22 0,56 0,86 44,80 21,17
Varianza 200,72 70,45 2,43 2,19 2,72 2,72 0,30 0,01 0,00 392,15 0,00 513,19 0,01 0,51 0,01 0,01 1,01 0,00 202,20 480,95 0,00 0,02 0,03 76,98 13,33
Error típico 1,25 0,74 0,14 0,13 0,15 0,15 0,05 0,01 0,00 1,75 0,01 2,00 0,01 0,06 0,01 0,01 0,09 0,00 1,26 1,94 0,00 0,01 0,02 0,78 0,32
Asimetría 0,73 0,41 0,34 0,32 0,33 0,31 0,57 1,33 1,29 0,78 0,55 0,70 -0,50 0,34 0,08 2,15 1,87 2,27 0,73 0,63 -0,58 1,29 1,54 1,10 0,63
Curtosis -0,24 -0,64 -0,54 -0,70 -0,87 -0,81 -0,17 1,53 2,16 0,32 0,76 -0,38 0,57 -0,74 -0,22 4,60 3,89 6,75 -0,24 -0,51 0,08 0,99 2,53 1,14 0,52
Tamaño muestra 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128 128
Media 138,27 71,17 14,01 13,51 14,92 14,16 5,84 1,06 0,09 192,31 1,04 214,81 1,06 6,53 0,34 0,32 0,77 0,002 138,59 215,50 0,65 0,27 0,48 36,91 13,56
Máximo 263,51 102,31 19,59 18,12 21,00 20,70 10,60 1,90 0,19 348,87 1,28 434,70 1,43 9,26 0,49 1,92 5,00 0,011 265,30 432,12 0,71 1,34 1,39 47,85 24,26
Mínimo 72,93 43,35 9,75 9,42 10,30 10,40 2,90 0,48 0,02 91,91 0,93 108,15 0,90 4,73 0,26 0,00 0,00 0,000 72,93 110,57 0,56 0,00 0,03 25,65 9,59
Rango 190,58 58,96 9,84 8,69 10,70 10,30 7,70 1,42 0,17 256,96 0,35 326,55 0,53 4,53 0,23 1,92 5,00 0,01 192,37 321,55 0,16 1,34 1,36 22,20 14,67
Varianza 1258,49 129,06 3,68 2,92 4,26 3,60 1,77 0,09 0,00 2442,37 0,00 3225,68 0,01 0,72 0,00 0,22 1,00 0,00 1269,39 3301,99 0,00 0,05 0,12 23,47 11,82
Error típico 3,14 1,00 0,17 0,15 0,18 0,17 0,12 0,03 0,00 4,37 0,00 5,02 0,01 0,08 0,00 0,04 0,09 0,00 3,15 5,08 0,00 0,02 0,03 0,43 0,30
Asimetría 0,58 -0,01 0,21 0,07 0,32 0,18 0,31 0,34 0,39 0,45 0,80 0,64 1,41 0,20 0,56 1,51 1,49 1,22 0,58 0,64 -0,44 1,81 0,94 0,18 1,30
Curtosis 0,56 -0,19 -0,26 -0,18 0,06 0,15 0,21 -0,47 -0,66 0,16 2,25 1,05 5,58 0,00 0,40 1,35 2,20 0,24 0,57 0,97 1,33 4,80 0,09 -0,22 0,93
Tamaño muestra 109 109 109 109 128 128 128 128 128 109 109 128 128 109 109 109 109 109 109 109 109 109 109 109 109
Media 247,16 98,72 19,02 18,07 20,83 19,99 8,91 2,18 0,24 346,09 1,05 420,97 1,04 8,77 0,32 0,75 1,06 0,003 247,91 382,91 0,65 0,48 0,74 39,56 12,54
Máximo 329,92 117,80 23,98 21,56 26,70 27,30 13,10 4,41 0,50 477,12 1,21 726,24 1,25 10,07 0,47 4,10 5,00 0,013 329,92 504,10 0,75 2,40 2,18 56,70 18,25
Mínimo 118,13 56,53 12,98 13,20 13,80 13,10 1,00 0,96 0,08 171,40 0,92 180,78 0,85 6,15 0,22 0,00 0,00 0,000 118,44 174,41 0,57 0,02 0,01 26,85 9,40
Rango 211,79 61,27 11,00 8,36 12,90 14,20 12,10 3,45 0,42 305,72 0,29 545,46 0,40 3,93 0,25 4,10 5,00 0,01 211,48 329,69 0,18 2,39 2,17 29,84 8,85
Varianza 1648,53 123,59 3,33 2,73 5,86 5,32 2,85 0,37 0,01 3514,32 0,00 8560,85 0,00 0,56 0,00 0,89 1,51 0,00 1657,73 3715,91 0,00 0,23 0,29 34,40 4,84
Error típico 3,89 1,06 0,17 0,16 0,21 0,20 0,15 0,05 0,01 5,68 0,01 8,18 0,01 0,07 0,00 0,09 0,12 0,00 3,90 5,84 0,00 0,05 0,05 0,56 0,21
Asimetría -0,51 -0,67 -0,37 -0,34 -0,10 0,49 -0,62 0,76 0,57 -0,23 0,29 0,52 -0,06 -0,80 0,12 1,20 1,19 1,00 -0,51 -0,68 0,21 1,94 0,65 0,59 0,90
Curtosis 0,50 0,97 1,35 0,11 0,12 1,75 3,08 0,83 0,03 0,33 -0,06 1,01 0,14 1,38 -0,20 0,72 0,92 -0,30 0,51 0,96 0,93 4,22 -0,35 0,07 -0,08
Tamaño muestra 365 365 365 365 384 384 384 384 384 365 365 384 384 365 365 365 365 365 365 365 365 365 365 365 365
Media 132,65 65,55 12,85 12,27 14,15 13,59 5,46 1,15 0,11 185,37 1,05 227,54 1,04 5,95 0,34 0,36 0,83 0,002 133,01 206,35 0,64 0,29 0,46 37,49 14,12
Máximo 329,92 117,80 23,98 21,56 26,70 27,30 13,10 4,41 0,50 477,12 1,28 726,24 1,43 10,07 0,55 4,10 5,00 0,020 329,92 504,10 0,75 2,40 2,18 67,40 27,82
Mínimo 7,54 17,32 3,23 3,09 3,80 3,70 0,70 0,05 0,00 10,01 0,92 14,80 0,73 1,53 0,19 0,00 0,00 0,000 7,54 11,55 0,51 0,00 0,00 22,60 6,65
Rango 322,38 100,48 20,75 18,47 22,90 23,60 12,40 4,37 0,50 467,12 0,36 711,44 0,70 8,55 0,37 4,10 5,00 0,02 322,38 492,55 0,24 2,40 2,18 44,80 21,17
Varianza 8677,01 850,08 29,41 26,62 37,90 33,96 10,58 0,82 0,01 17057,92 0,00 27549,00 0,01 6,24 0,00 0,42 1,17 0,00 8731,57 20733,14 0,00 0,11 0,18 47,14 12,34
Error típico 4,88 1,53 0,28 0,27 0,31 0,30 0,17 0,05 0,01 6,84 0,00 8,47 0,00 0,13 0,00 0,03 0,06 0,00 4,89 7,54 0,00 0,02 0,02 0,36 0,18
Asimetría 0,27 -0,04 -0,09 -0,15 -0,07 -0,03 0,10 0,69 1,00 0,30 0,56 0,47 -0,02 -0,15 0,48 2,39 1,51 1,50 0,27 0,25 -0,73 2,94 1,43 0,79 1,06
Curtosis -1,21 -1,29 -1,29 -1,30 -1,22 -1,12 -1,19 -0,19 0,37 -1,15 0,72 -0,74 2,24 -1,34 0,65 6,18 2,13 1,95 -1,21 -1,25 1,62 11,93 1,77 1,30 0,83
76
200 100 200 100
180 180
160 80 160 80
140 140
120 60 120 60
2 2
cm 100 % cm 100 %
80 40 80 40
60 60
40 20 40 20
20 20
0 0 0 0
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º Global 1º 2º 3º 4º 5º 6º 7º 8º 9º 10º 11º 12º 13º 14º Global
Muestreos Muestreos
Media Pequeñas Media Medianas Media Grandes Media Todas Media Pequeñas Media Medianas Media Grandes Media Todas
CV Pequeñas CV Medianas CV Grandes CV Todas CV Pequeñas CV Medianas CV Grandes CV Todas
Figura 1. Media (cm2) y coef. de variación (CV, %) de la superficie del limbo de las hojas Figura 3. Media (cm2) y coef. de variación (CV, %) de la superficie del limbo de las hojas
medida con analizador (SFa) por tamaños, cv. Cencibel, 1ª campaña. medida con integrador (SFi) por tamaños, cv. Cencibel, 1ª campaña.
160 120 160 120
140 140
100 100
120 120
80 80
100 100
cm2 80 60 % cm2 80 60 %
60 60
40 40
40 40
20 20
20 20
0 0 0 0
Muestreos Muestreos
Media Delanteros Media Zariegos Media Esperguras Media Todas Media Delanteros Media Zariegos Media Esperguras Media Todas
CV Delanteros CV Zariegos CV Esperguras CV Todas CV Delanteros CV Zariegos CV Esperguras CV Todas
Figura 2. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las Figura 4. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las
hojas medida con analizador (SFa) por tipo de sarmiento, cv. Cencibel, 1ª campaña. hojas medida con integrador (SFi) por tipo de sarmiento del cv. Cencibel, 1ª campaña.
77
120 80 20 60
18
100 50
16
60
14
80 40
12
cm 60 40 % cm 10 30 %
8
40 20
6
20
4
20 10
2
0 0 0 0
Muestreos Muestreos
Figura 5. Media (cm) y coeficiente de variación (CV, %) del perímetro del limbo de las Figura 7. Media (cm) y coef. variación (CV, %) de la long. máxima del limbo de las hojas
hojas (P) por tamaños del cv. Cencibel, 1ª campaña. medida con analizador (La) por tamaños del cv. Cencibel, 1ª campaña.
90 70 16 70
80 14
60 60
70
12
50 50
60
10
50 40 40
cm % cm 8 %
40 30 30
6
30
20 20
4
20
10 2 10
10
0 0 0 0
Muestreos Muestreos
Figura 6. Media (cm) y coeficiente de variación (CV, %) del perímetro del limbo de las Figura 8. Media (cm) y coef. variación (CV, %) de la long. máxima del limbo de las hojas
hojas (P) por tipo de sarmiento del cv. Cencibel, 1ª campaña. medida con analizador (La) por tipo de sarmiento del cv. Cencibel, 1ª campaña.
78
18 60 20 60
16 18
50 50
16
14
14
12 40 40
12
10
cm 30 % cm 10 30 %
8
8
6 20 20
6
4
4
10 10
2 2
0 0 0 0
Muestreos Muestreos
Figura 9. Media (cm) y coef. variación (CV, %) de la anchura máx. del limbo de las hojas Figura 11. Media (cm) y coef. de variación (CV, %) de la long. máx. del limbo de las hojas
medida con analizador (Aa) por tamaños del cv. Cencibel, 1ª campaña. medida manualmente (Lm) por tamaños del cv. Cencibel, 1ª campaña.
16 70 16 70
14 60 14 60
12 12
50 50
10 10
40 40
cm 8 % cm 8 %
30 30
6 6
20 20
4 4
2 10 2 10
0 0 0 0
Muestreos Muestreos
Figura 10. Media (cm) y coef. variación (CV, %) de la anchura máxima del limbo de las Figura 12. Media (cm) y coef. de variación (CV, %) de la long. máx. del limbo de las hojas
hojas medida con analizador (Aa) por tipo de sarmiento del cv. Cencibel, 1ª campaña. medida manualmente (Lm) por tipo de sarmiento del cv. Cencibel, 1ª campaña
79
18 60 8 70
16 7 60
50
14
6
50
12 40
5
10 40
cm 30 % cm 4 %
8 30
3
6 20
20
2
4
10
1 10
2
0 0 0 0
Muestreos Muestreos
Figura 13. Media (cm) y coef. de variación (CV, %) de la anchura máx. del limbo de las Figura 15. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las
hojas medida manualmente (Am) por tamaños, cv. Cencibel, 1ª campaña. hojas (Lp) por tamaños del cv. Cencibel, 1ª campaña.
16 70 7 120
14 60 6
100
12
50 5
80
10
40 4
cm 8 % cm 60 %
30 3
6
40
20 2
4
20
2 10 1
0 0 0 0
Muestreos Muestreos
Figura 14. Media (cm) y coef. de variación (CV, %) de la anchura máx. del limbo de las Figura 16. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las
hojas medida manualmente (Am) por tipo de sarmiento del cv. Cencibel, 1ª campaña. hojas (Lp) por tipo de sarmientos del cv. Cencibel, 1ª campaña.
80
1,80 100 0,18 140
1,60 0,16
120
80
1,40 0,14
100
1,20 0,12
60
1,00 0,10 80
g % g %
0,80 0,08 60
40
0,60 0,06
40
0,40 0,04
20
20
0,20 0,02
0,00 0 0,00 0
Muestreos Muestreos
Figura 17. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo Figura 19. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo
de las hojas (MSl) por tamaños del cv. Cencibel, 1ª campaña. de las hojas (MSp) por tamaños del cv. Cencibel, 1ª campaña.
1,20 120 0,12 150
1,00 100 0,10 125
0,80 80 0,08 100
g 0,60 60 % g 0,06 75 %
0,40 40 0,04 50
0,20 20 0,02 25
0,00 0 0,00 0
Muestreos Muestreos
Figura 18. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo Figura 20. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo
de las hojas (MSl) por tipo de sarmiento del cv. Cencibel, 1ª campaña. de las hojas (MSp) por tipo de sarmiento del cv. Cencibel, 1ª campaña.
81
280 100 280 100
240 240
80 80
200 200
60 60
160 160
2 2
cm % cm %
120 120
40 40
80 80
20 20
40 40
0 0 0 0
Muestreos Muestreos
Figura 21. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa por tamaños Figura 23. Media y coeficiente de variación (CV, %) del cociente La/Aa por tamaños de
de hojas del cv. Cencibel en la 1ª campaña. hojas del cv. Cencibel en la 1ª campaña.
220 120 220 120
200 200
180 100 180 100
160 160
80 80
140 140
120 120
cm2 60 % cm2 60 %
100 100
80 80
40 40
60 60
40 20 40 20
20 20
0 0 0 0
Muestreos Muestreos
Figura 22. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa por tipo de Figura 24. Media y coeficiente de variación (CV, %) del cociente La/Aa por tipo de
sarmiento del cv. Cencibel en la 1ª campaña. sarmiento del cv. Cencibel en la 1ª campaña.
82
320 100 1,12 16
280 1,08 14
80
240 1,04 12
200 1,00 10
60
2
cm 160 % 0,96 8 %
40
120 0,92 6
80 0,88 4
20
40 0,84 2
0 0 0,80 0
Muestreos Muestreos
Figura 25. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am por Figura 27. Media y coeficiente de variación (CV, %) del cociente Lm/Am por tamaños de
tamaños de hojas del cv. Cencibel en la 1ª campaña. hojas del cv. Cencibel en la 1ª campaña.
220 120 1,15 22
200 20
180 100 18
1,10
160 16
80
140 14
1,05
120 12
cm2 60 % %
100 10
1,00
80 8
40
60 6
40 0,95 4
20
20 2
0 0 0,90 0
Muestreos Muestreos
Figura 26. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am por tipo de Figura 28. Media y coeficiente de variación (CV, %) del cociente Lm/Am por tipo de
sarmiento del cv. Cencibel en la 1ª campaña. sarmiento del cv. Cencibel en la 1ª campaña.
83
0,35 50 4,00 200
3,50
40
0,30 3,00 150
2,50
30
2
0,25 % cm 2,00 100 %
20
1,50
0,20 1,00 50
10
0,50
0,15 0 0,00 0
Muestreos Muestreos
Figura 29. Media y coeficiente de variación (CV, %) del índice de redondez del limbo de Figura 31. Media (cm2) y coef de variación (CV, %) del área de los agujeros (Hole area) del
las hojas (IR) por tamaños del cv. Cencibel en la 1ª campaña. limbo de las hojas (HA) por tamaños del cv. Cencibel, 1ª campaña.
0,35 50 2,70 180
2,40 160
40
2,10 140
0,30
1,80 120
30
1,50 100
0,25 % cm2 %
1,20 80
20
0,90 60
0,20
0,60 40
10
0,30 20
0,15 0 0,00 0
Muestreos Muestreos
Figura 30. Media y coeficiente de variación (CV, %) del índice de redondez del limbo de Figura 32. Media (cm2) y coef de variación (CV, %) del área de los agujeros (Hole area) del
las hojas (IR) por tipo de sarmiento del cv. Cencibel en la 1ª campaña. limbo de las hojas (HA) por tipo de sarmiento del cv. Cencibel, 1ª campaña.
84
20 50 20 50
18 18
40 40
16 16
30 30
m2.kg-1 14 % m2 kg-1 14 %
20 20
12 12
10 10
10 10
8 0 8 0
Muestreos Muestreos
Figura 33. Media (m2.kg-1) y coeficiente de variación (CV, %) de la Superficie Específica Figura 35. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las
Foliar de las hojas (SEF) por tamaños del cv. Cencibel, 1ª campaña. hojas medida con analizador (SFa) del cultivar Airén.
20 50 120 60
18 100
40
16 80 40
30
2 -1
m .kg 14 % cm 60 %
20
40 20
12
10 20
10
0 0
8 0 1º 2º 3º 4º 5º 6º 7º 8º G lobal
M uestreos
Muestreos
Media Delanteros Media Zariegos Media Esperguras Media Todas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Delanteros CV Zariegos CV Esperguras CV Todas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 34. Media (m2.kg-1) y coeficiente de variación (CV, %) de la Superficie Específica Figura 36. Media (cm) y coeficiente de variación (CV, %) del perímetro del limbo de las
Foliar de las hojas (SEF) por tipo de sarmiento del cv. Cencibel, 1ª campaña. hojas (P) del cultivar Airén.
85
20 50 20 50
40 40
15 15
30 30
cm
cm 10 % 10 %
20 20
5 5
10 10
0 0 0 0
1º 2º 3º 4º 5º 6º 7º 8º G lobal 1º 2º 3º 4º 5º 6º 7º 8º G lobal
M uestreos M uestreos
M edia Pequeñas M edia M edianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Pequeñas C V M edianas CV G randes C V T odas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 37. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo Figura 39. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo
de las hojas medida con analizador de imagen (La) del cultivar Airén. de las hojas medida manualmente (Lm) del cultivar Airén.
20 50 20 50
40 40
15 15
30 30
cm 10 % cm 10 %
20 20
5 5
10 10
0 0 0 0
Figura 38. Media (cm) y coeficiente de variación (CV, %) de la anchura máxima del limbo Figura 40. Media (cm) y coeficiente de variación (CV, %) de la anchura máxima del limbo
de las hojas medida con analizador de imagen (Aa) del cultivar Airén. de las hojas medida manualmente (Am) del cultivar Airén.
86
12 70 1,15 15
10 60
1,10
50
8 10
1,05
40
cm 6 % %
30
1,00
4 5
20
0,95
2 10
0 0 0,90 0
Figura 41. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las Figura 43. Media y coeficiente de variación (CV, %) del cociente La/Aa del cultivar Airén.
hojas (Lp) del cultivar Airén.
400 90 400 90
80 80
70 70
300 300
60 60
50 50
2 2
cm 200 % cm 200 %
40 40
30 30
100 100
20 20
10 10
0 0 0 0
Figura 42. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa del cultivar Figura 44. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am del cultivar
Airén. Airén.
87
1,15 15 0,4 120
100
1,10
0,3
10 80
1,05
% g 0,2 60 %
1,00
5 40
0,1
0,95
20
0,90 0 0,0 0
M edia Pequeñas M edia M edianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas M edia G randes M edia T odas
CV Pequeñas CV M edianas CV G randes CV T odas CV Pequeñas C V M edianas CV G randes CV Todas
Figura 45. Media y coeficiente de variación (CV, %) del cociente Lm/Am del cultivar Airén. Figura 47. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo
de las hojas (MSp) del cultivar Airén.
2,0 90 50
80 8
70 40
1,5
60 6
30
50
g 1,0 % cm %
40 4
20
30
0,5
20 2 10
10
0,0 0 0 0
Figura 46. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo Figura 48. Media (cm) y coeficiente de variación (CV, %) de la radio medio del limbo de las
de las hojas (MSl) del cultivar Airén. hojas (R) del cultivar Airén.
88
0,50 25 3 250
20 200
0,40
2
15 150
0,30 % %
10 100
1
0,20
5 50
0,10 0 0 0
Figura 49. Media y coeficiente de variación (CV, %) del índice de redondez del limbo de Figura 51. Media y coeficiente de variación (CV, %) del número de agujeros del limbo de
las hojas (IR) del cultivar Airén. las hojas (NH) del cultivar Airén.
1,5 300 0,010 450
250
0,008
1,0 200 300

0,006
2
cm 150 % %
0,004
0,5 100 150
0,002
50
0,0 0 0,000 0
Figura 50. Media (cm2) y coeficiente de variación (CV, %) del área de los agujeros (Hole Figura 52. Media y coeficiente de variación (CV, %) de la proporción de agujeros (Hole
area) del limbo de las hojas (HA) del cultivar Airén. ratio) del limbo de las hojas (HR) del cultivar Airén.
89
250 80 0,70 10
70
200 8
60 0,65
150 50 6
2
cm 40 % 0,60 %
100 30 4
20 0,55
50 2
10
0 0 0,50 0
Figura 53. Media (cm2) y coeficiente de variación (CV, %) del área total de las hojas (TA) Figura 55. Media y coeficiente de variación (CV, %) del proporción del área la caja (Box
del cultivar Airén. ratio) de las hojas (BR) del cultivar Airén.
400 80 0,75 160
0,60
300 60 120
0,45
2
cm 200 40 % cm 80 %
0,30
100 20 40
0,15
0 0 0,00 0
Figura 54. Media (cm2) y coeficiente de variación (CV, %) del Área de la caja (Box area) de Figura 56. Media (cm) y coeficiente de variación (CV, %) del regularidad longitudinal de
las hojas (BA) del cultivar Airén. las hojas (Ld) del cultivar Airén.
90
0,95 120 24 25
100 22
20
0,75
20
80
15
18
2 -1
cm 0,55 60 % m .kg %
16
10
40
14
0,35
5
20
12
0,15 0 10 0
Figura 57. Media (cm) y coeficiente de variación (CV, %) del regularidad transversal de las Figura 59. Media (m2.kg-1) y coeficiente de variación (CV, %) de la Superficie Específica
hojas (Ad) del cultivar Airén. Foliar de las hojas (SEF) del cultivar Airén.
60 30 180 80
160
140
50 60
20 120
100
40 % cm 2 40 %
80
10 60
30 20
40
20
20 0 0 0
CV Pequeñas C V M edianas CV G randes C V T odas CV Pequeñas C V M edianas C V G randes CV T odas
Figura 58. Media y coeficiente de variación (CV, %) de la relación entre el perímetro y el Figura 60. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las
área total de la limbo (PPDA) de las hojas del cultivar Airén. hojas medida con analizador (SFa) del cultivar Cabernet-Sauvignon.
91
90 50 20 50
80
70 40 40
15
60
30 30
50
cm % cm 10 %
40
20 20
30
5
20 10 10
10
0 0 0 0
Figura 61. Media (cm) y coeficiente de variación (CV, %) del perímetro del limbo de las Figura 63. Media (cm) y coef. de variación (CV, %) de la anchura máxima del limbo de las
hojas (P) del cultivar Cabernet-Sauvignon. hojas medida con analizador de imagen (Aa), Cabernet-Sauvignon.
20 50 20 50
40 40
15 15
30 30
cm
cm 10 % 10 %
20 20
5 5
10 10
0 0 0 0
de las hojas medida con analizador de imagen (La) del cultivar Cabernet-Sauvignon. de las hojas medida manualmente (Lm) del cultivar Cabernet-Sauvignon.
92
20 50 300 80
250
40
15 60
200
30
2
cm 10 % cm 150 40 %
20
100
5 20
10
50
0 0 0 0
Figura 65. Media (cm) y coeficiente de variación (CV, %) de la anchura máxima del limbo Figura 67. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa del cultivar
de las hojas medida manualmente (Am), Cabernet-Sauvignon. Cabernet-Sauvignon.
9 70 1,15 12
8
60 10
7
1,10
50
6 8
5 40
cm % 1,05 6 %
4 30
3 4
20
1,00
2
10 2
1
0 0 0,95 0
Figura 66. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las Figura 68. Media y coeficiente de variación (CV, %) del cociente La/Aa del cultivar
hojas (Lp) del cultivar Cabernet-Sauvignon. Cabernet-Sauvignon.
93
300 80 1,5 90
80
250
70
60
200 1,0 60
50
2
cm 150 40 % g %
40
100 0,5 30
20
20
50
10
0 0 0,0 0
Figura 69. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am del cultivar Figura 71. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo
Cabernet-Sauvignon. de las hojas (MSl) del cultivar Cabernet-Sauvignon.
1,15 12 0,25 120
10 100
0,20
1,10
8 80
0,15
1,05 6 % g 60 %
0,10
4 40
1,00
0,05
2 20
0,95 0 0,00 0
M edia Pequeñas Media Medianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas Media G randes M edia T odas
Figura 70. Media y coeficiente de variación (CV, %) del cociente Lm/Am del cultivar Figura 72. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo
Cabernet-Sauvignon. de las hojas (MSp) del cultivar Cabernet-Sauvignon.
94
8 50 4,0
120
3,5
6 3,0 100
30
2,5 80
2
cm 4 % cm 2,0 %
60
1,5
10
40
2 1,0
20
0,5
0 -10 0,0 0
Figura 73. Media (cm) y coeficiente de variación (CV, %) de la radio medio del limbo de las Figura 75. Media (cm2) y coeficiente de variación (CV, %) del área de los agujeros (Hole
hojas (R) del cultivar Cabernet-Sauvignon. area) del limbo de las hojas (HA), Cabernet-Sauvignon.
30 5 100
0,4 4 80
20
3 60
% %
0,3 2 40
10
1 20
0,2 0 0 0
las hojas (IR) del cultivar Cabernet-Sauvignon. las hojas (NH) del cultivar Cabernet-Sauvignon.
95
0,030 100 300 80
0,025
80
60
0,020 200
60
2
0,015 % cm 40 %
40
0,010 100
20
20
0,005
0,000 0 0 0
Figura 77. Media y coeficiente de variación (CV, %) de la proporción de agujeros (Hole Figura 79. Media (cm2) y coeficiente de variación (CV, %) del Área de la caja (Box area) de
ratio) del limbo de las hojas (HR) del cultivar Cabernet-Sauvignon. las hojas (BA) del cultivar Cabernet-Sauvignon.
200 80 0,70 10
160 8
60
0,65
120 6
2
cm 40 % %
80 4
0,60
20
40 2
0 0 0,55 0
Figura 78. Media (cm2) y coeficiente de variación (CV, %) del área total de las hojas (TA) Figura 80. Media y coeficiente de variación (CV, %) del proporción del área la caja (Box
del cultivar Cabernet-Sauvignon. ratio) de las hojas (BR) del cultivar Cabernet-Sauvignon.
96
0,5 120 50 25
0,4 20
45
80
0,3 15
cm % 40 %
0,2 10
40
35
0,1 5
0,0 0 30 0
Figura 81. Media (cm) y coeficiente de variación (CV, %) del regularidad longitudinal de Figura 83 Media y coeficiente de variación (CV, %) de la relación entre el perímetro y el
las hojas (Ld) del cultivar Cabernet-Sauvignon. área total de la limbo (PPDA) de las hoja, Cabernet-Sauvignon.
0,9 120 24 35
0,8
100 22 30
0,7
20 25
0,6 80
0,5 18 20
cm 60 % m 2 .kg -1 %
0,4 16 15
0,3 40
14 10
0,2
20 12 5
0,1
0,0 0 10 0
Figura 82. Media (cm) y coeficiente de variación (CV, %) del regularidad transversal de las Figura 84. Media (m2.kg-1) y coeficiente de variación (CV, %) de la Superficie Específica
hojas (Ad) del cultivar Cabernet-Sauvignon. Foliar de las hojas (SEF) del cultivar Cabernet-Sauvignon.
97
300 80 25 50
250
20 40
60
200
15 30
cm 2 150 40 % cm %
10 20
100
20
5 10
50
0 0 0 0
M edia Pequeñas M edia M edianas M edia G randes M edia T odas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Pequeñas CV M edianas CV G randes C V T odas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 85. Media (cm2) y coef. de variación (CV, %) de la superficie del limbo de las hojas Figura 87. Media (cm) y coef. variación (CV, %) de la longitud máxima del limbo de las
medida con analizador (SFa) del cultivar Cencibel, 2ª campaña. hojas medida con analizador de imagen (La), Cencibel, 2ª campaña.
140 60 25 50
120
20 40
100
40
15 30
80
cm % cm %
60
10 20
20
40
5 10
20
0 0 0 0
Figura 86. Media (cm) y coeficiente de variación (CV, %) del perímetro del limbo de las Figura 88. Media (cm) y coef. variación (CV, %) de la anchura máxima del limbo de las
hojas (P) del cultivar Cencibel, 2ª campaña. hojas medida con analizador de imagen (Aa), Cencibel, 2ª campaña.
98
25 50 12 70
10 60
20 40
50
8
15 30
40
cm
% cm 6 %
30
10 20
4
20
5 10
2 10
0 0 0 0
Figura 89. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo Figura 91. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las
de las hojas medida manualmente (Lm), Cencibel, 2ª campaña. hojas (Lp) del cultivar Cencibel, 2ª campaña.
25 50 500 90
80
20 40 400 70
60
15 30 300
50
2
cm % cm %
40
10 20 200
30
5 10 100 20
10
0 0 0 0
Figura 90. Media (cm) y coeficiente de variación (CV, %) de la anchura máxima del limbo Figura 92. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa del cultivar
de las hojas medida manualmente (Am), Cencibel, 2ª campaña. Cencibel, 2ª campaña.
99
1,15 10 1,15 10
9 9
1,10 8 1,10 8
7 7
1,05 6 1,05 6
5 % 5 %
1,00 4 1,00 4
3 3
0,95 2 0,95 2
1 1
0,90 0 0,90 0
1º 2º 3º 4º 5º 6º 7º 8º G lobal 1º 2º 3º 4º 5º 6º 7º 8º Global
M edia Pequeñas M edia M edianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas Media G randes M edia T odas
CV Pequeñas C V M edianas CV G randes C V T odas CV Pequeñas C V M edianas CV G randes CV Todas
Figura 93. Media y coeficiente de variación (CV, %) del cociente La/Aa del cultivar Figura 95. Media y coeficiente de variación (CV, %) del cociente Lm/Am del cultivar
Cencibel, 2ª campaña. Cencibel, 2ª campaña.
500 90 2,5 100
80
400 70 2,0 80
60
300 1,5 60
50
2
cm % g %
40
200 1,0 40
30
100 20 0,5 20
10
0 0 0,0 0
Figura 94. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am del cultivar Figura 96. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo
Cencibel, 2ª campaña. de las hojas (MSl) del cultivar Cencibel, 2ª campaña.
100
0,35 120 0,4 40
0,30 100
30
0,25
80 0,3
0,20
g 60 % 20 %
0,15
40 0,2
0,10
10
0,05 20
0,00 0 0,1 0
M edia Pequeñas Media Medianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Pequeñas CV M edianas CV G randes CV T odas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 97. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo Figura 99. Media y coeficiente de variación (CV, %) del índice de redondez del limbo de
de las hojas (MSp) del cultivar Cencibel, 2ª campaña. las hojas (IR) del cultivar Cencibel, 2ª campaña.
10 50 4,0 120
3,5
100
8 40
3,0
80
6 30 2,5
2
cm % cm 2,0 60 %
4 20 1,5
40
1,0
2 10
20
0,5
0 0 0,0 0
Figura 98. Media (cm) y coeficiente de variación (CV, %) de la radio medio del limbo de las Figura 100. Media (cm2) y coeficiente de variación (CV, %) del área de los agujeros (Hole
hojas (R) del cultivar Cencibel, 2ª campaña. area) del limbo de las hojas (HA), Cencibel, 2ª campaña.
101
6 80 300 80
70 70
5 250
60 60
4 200
50 50
2
3 40 % cm 150 40 %
30 30
2 100
20 20
1 50
10 10
0 0 0 0
Figura 101. Media y coeficiente de variación (CV, %) del número de agujeros del limbo de Figura 103. Media (cm2) y coeficiente de variación (CV, %) del área total de las hojas (TA)
las hojas (NH) del cultivar Cencibel, 2ª campaña. del cultivar Cencibel, 2ª campaña.
0,020 120 450 80
400 70
100
350
0,015 60
80 300
50
250
2
0,010 60 % cm 40 %
200
30
40 150
0,005 20
100
20
50 10
0,000 0 0 0
Figura 102. Media y coeficiente de variación (CV, %) de la proporción de agujeros (Hole Figura 104. Media (cm2) y coeficiente de variación (CV, %) del Área de la caja (Box area)
ratio) del limbo de las hojas (HR) del cultivar Cencibel, 2ª campaña. de las hojas (BA) del cultivar Cencibel, 2ª campaña.
102
0,65 12 1,00 120
10 100
0,80
0,60 8 80
0,60
6 % cm 60 %
0,40
0,55 4 40
0,20
2 20
0,50 0 0,00 0
Figura 105 Media y coeficiente de variación (CV, %) del proporción del área la caja (Box Figura107. Media (cm) y coeficiente de variación (CV, %) del regularidad transversal de
ratio) de las hojas (BR) del cultivar Cencibel, 2ª campaña. las hojas (Ad) del cultivar Cencibel, 2ª campaña.
150 80 40
1,00
125
70
0,80 30
100
60
0,60
cm 75 % 20 %
50
0,40
50
10
0,20 40
25
0,00 0 30 0
Figura 106. Media (cm) y coeficiente de variación (CV, %) del regularidad longitudinal de Figura 108 Media y coeficiente de variación (CV, %) de la relación entre el perímetro y el
las hojas (Ld) del cultivar Cencibel, 2ª campaña. área total de la limbo (PPDA) de las hojas del cultivar Cencibel, 2ª campaña.
103
22 40 100 60
90
20
80
30
18 70
40
60
16
m 2 .kg -1 20 % cm 50 %
14
40
20
12 30
10
20
10
10
8 0 0 0
Foliar de las hojas (SEF) del cultivar Cencibel, 2ª campaña. hojas (P) del cultivar Garnacha.
250 80 20 50
200 40
60 15
150 30
2
cm 40 % cm 10 %
100 20
20 5
50 10
0 0 0 0
M edia Pequeñas M edia M edianas M edia G randes M edia T odas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Pequeñas CV M edianas CV G randes C V T odas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 110. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las Figura 112. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo
hojas medida con analizador (SFa) del cultivar Garnacha. de las hojas medida con analizador de imagen (La) del cultivar Garnacha.
104
20 50 20 50
40 40
15 15
30 30
cm 10 % cm 10 %
20 20
5 5
10 10
0 0 0 0
M u estreo s M uestreos
M edia P equeñas M edia M edianas M edia G randes M edia T odas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV P equeñas C V M edianas CV G randes CV T odas CV Pequeñas C V M edianas CV G randes C V T odas
de las hojas medida con analizador de imagen (Aa), Garnacha. de las hojas medida manualmente (Am) del cultivar Garnacha.
20 50 10 80
9
40 8
15 60
7
30 6
cm
10 % cm 5 40 %
20 4
3
5 20
10 2
1
0 0 0 0
Figura 114. Media (cm) y coeficiente de variación (CV, %) de la longitud máxima del limbo Figura 116. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las
de las hojas medida manualmente (Lm) del cultivar Garnacha. hojas (Lp) del cultivar Garnacha.
105
400 80 400 80
300 60 300 60
2 2
cm 200 40 % cm 200 40 %
100 20 100 20
0 0 0 0
Figura 117. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa del cultivar Figura 119. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am del
Garnacha. cultivar Garnacha.
1,10 15 1,15 15
1,10
1,05 10 10
1,05
% %
1,00
1,00 5 5
0,95
0,95 0 0,90 0
1º 2º 3º 4º 5º 6º 7º 8º G lobal 1º 2º 3º 4º 5º 6º 7º 8º Global
M edia Pequeñas M edia M edianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas Media G randes M edia T odas
CV Pequeñas C V M edianas CV G randes C V T odas CV Pequeñas C V M edianas CV G randes CV Todas
Figura 118. Media y coeficiente de variación (CV, %) del cociente La/Aa del cultivar Figura 120. Media y coeficiente de variación (CV, %) del cociente Lm/Am del cultivar
Garnacha. Garnacha.
106
2,5 100 10 50
2,0 80 8 40
1,5 60 6 30
g % cm %
1,0 40 4 20
0,5 20 2 10
0,0 0 0 0
Figura 121. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo Figura 123. Media (cm) y coeficiente de variación (CV, %) de la radio medio del limbo de
de las hojas (MSl) del cultivar Garnacha. las hojas (R) del cultivar Garnacha.
0,3 120 0,6 25
100 0,5
20
0,2 80 0,4
15
g 60 % 0,3 %
10
0,1 40 0,2
5
20 0,1
0,0 0 0,0 0
M edia Pequeñas Media Medianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas M edia G randes M edia Todas
CV Pequeñas CV M edianas CV G randes CV T odas CV Pequeñas C V M edianas CV G randes C V T odas
Figura 122. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo Figura 124. Media y coeficiente de variación (CV, %) del índice de redondez del limbo de
de las hojas (MSp) del cultivar Garnacha. las hojas (IR) del cultivar Garnacha.
107
0,35 600 0,002 500
0,30 500
400
0,25
400
300
0,20
2
cm 300 % 0,001 %
0,15
200
200
0,10
100
0,05 100
0,00 0 0,000 0
area) del limbo de las hojas (HA) del cultivar Garnacha. ratio) del limbo de las hojas (HR) del cultivar Garnacha.
0,9 500 250 80
0,8
0,7 400 200

60
0,6
300 150
0,5
2
% cm 40 %
0,4
200 100
0,3
20
0,2 100 50
0,1
0,0 0 0 0
Figura 126. Media y coeficiente de variación (CV, %) del número de agujeros del limbo de Figura 128. Media (cm2) y coeficiente de variación (CV, %) del área total de las hojas (TA)
las hojas (NH) del cultivar Garnacha. del cultivar Garnacha.
108
350 80 0,55 150
300 125
0,45
60
250
100
0,35
200
2
cm 40 % cm 75 %
150
0,25
50
100
20
0,15
50 25
0 0 0,05 0
Figura 129. Media (cm2) y coeficiente de variación (CV, %) del Área de la caja (Box area) Figura 131. Media (cm) y coeficiente de variación (CV, %) del regularidad longitudinal de
de las hojas (BA) del cultivar Garnacha. las hojas (Ld) del cultivar Garnacha.
0,70 8 1,00 100
0,80 80
0,65 6
0,60 60
0,60 4% cm %
0,40 40
0,55 2
0,20 20
0,50 0 0,00 0
Figura 130. Media y coeficiente de variación (CV, %) del proporción del área la caja (Box Figura 132. Media (cm) y coeficiente de variación (CV, %) del regularidad transversal de
ratio) de las hojas (BR) del cultivar Garnacha. las hojas (Ad) del cultivar Garnacha.
109
55 30 300 100
250
80
45
20 200
60
35 % cm 2 150 %
40
10 100
25
20
50
15 0 0 0
CV Pequeñas C V M edianas CV G randes C V T odas CV Pequeñas C V M edianas C V G randes CV T odas
Figura 133 Media y coeficiente de variación (CV, %) de la relación entre el perímetro y el Figura 135. Media (cm2) y coeficiente de variación (CV, %) de la superficie del limbo de las
área total de la limbo (PPDA) de las hojas del cultivar Garnacha. hojas medida con analizador (SFa) del cultivar Macabeo.
23 70 120 60
60 100
20
50
80 40
17
40
m 2 .kg -1 % cm 60 %
30
14
40 20
20
11
10 20
8 0 0 0
Foliar de las hojas (SEF) del cultivar Garnacha. hojas (P) del cultivar Macabeo.
110
25 60 25 60
20 20
40 40
15 15
cm
cm % %
10 10
20 20
5 5
0 0 0 0
de las hojas medida con analizador de imagen (La), cultivar Macabeo. de las hojas medida manualmente (Lm) del cultivar Macabeo.
25 60 25 60
20 20
40 40
15 15
cm % cm %
10 10
20 20
5 5
0 0 0 0
de las hojas medida con analizador de imagen (Aa), cultivar Macabeo. de las hojas medida manualmente (Am) del cultivar Macabeo.
111
12 80 1,15 15
10
60 1,10
8 10
cm 6 40 % 1,05 %
4 5
20 1,00
2
0 0 0,95 0
Figura 141. Media (cm) y coeficiente de variación (CV, %) de la longitud del peciolo de las Figura 143. Media y coeficiente de variación (CV, %) del cociente La/Aa del cultivar
hojas (Lp) del cultivar Macabeo. Macabeo.
100 100
500 500
80 80
400 400
60 60
2
300 2
300
cm % cm %
40 40
200 200
100 20 100 20
0 0 0 0
Figura 142. Media (cm2) y coeficiente de variación (CV, %) del producto La.Aa del cultivar Figura 144. Media (cm2) y coeficiente de variación (CV, %) del producto Lm.Am del
Macabeo. cultivar Macabeo.
112
1,15 15 0,4 120
100
1,10
0,3
10 80
1,05
% g 0,2 60 %
1,00
5 40
0,1
0,95
20
0,90 0 0,0 0
M edia Pequeñas Media Medianas M edia G randes M edia Todas M edia Pequeñas M edia M edianas Media G randes M edia T odas
Figura 145. Media y coeficiente de variación (CV, %) del cociente Lm/Am del cultivar Figura 147. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del peciolo
Macabeo. de las hojas (MSp) del cultivar Macabeo.
3,0 100 10 60
2,5
80 8
2,0 40
60 6
g 1,5 % cm %
40 4
1,0 20
20 2
0,5
0,0 0 0 0
Figura 146. Media (g.cm-2) y coeficiente de variación (CV, %) de la materia seca del limbo Figura 148. Media (cm) y coeficiente de variación (CV, %) de la radio medio del limbo de
de las hojas (MSl) del cultivar Macabeo. las hojas (R) del cultivar Macabeo.
113
0,5 30 3,0 300
2,5
0,4
20 2,0 200
0,3
% 1,5 %
0,2
10 1,0 100
0,1
0,5
0,0 0 0,0 0
las hojas (IR) del cultivar Macabeo. las hojas (NH) del cultivar Macabeo.
1,5 500 0,006 500
400 400
1,0 0,004
300 300
2
cm % %
200 200
0,5 0,002
100 100
0,0 0 0,000 0
area) del limbo de las hojas (HA) del cultivar Macabeo. ratio) del limbo de las hojas (HR) del cultivar Macabeo.
114
300 100 0,70 8
250
80
0,65 6
200
60
2
cm 150 % 0,60 4%
40
100
0,55 2
20
50
0 0 0,50 0
CV Pequeñas CV M edianas C V G randes C V T odas CV Pequeñas CV M edianas C V G randes C V T odas
Figura 153. Media (cm2) y coeficiente de variación (CV, %) del área total de las hojas (TA) Figura 155 Media y coeficiente de variación (CV, %) del proporción del área la caja (Box
del cultivar Macabeo. ratio) de las hojas (BR) del cultivar Macabeo.
500 100 1,05 160
0,90
400 80
120
0,75
300 60
0,60
2
cm % cm 80 %
0,45
200 40
0,30
40
100 20
0,15
0 0 0,00 0
Figura 154. Media (cm2) y coeficiente de variación (CV, %) del Área de la caja (Box area) Figura 156. Media (cm) y coeficiente de variación (CV, %) del regularidad longitudinal de
de las hojas (BA) del cultivar Macabeo. las hojas (Ld) del cultivar Macabeo.
115
1,20 120 24 30
21
1,00 100
18
0,80 80 20
15
cm 0,60 60 % m 2 .kg -1 12 %
9
0,40 40 10
6
0,20 20
3
0,00 0 0 0
Figura157. Media (cm) y coeficiente de variación (CV, %) del regularidad transversal de Figura 159. Media (m2.kg-1) y coeficiente de variación (CV, %) de la Superficie Específica
las hojas (Ad) del cultivar Macabeo. Foliar de las hojas (SEF) del cultivar Macabeo.
60 30
40 20
20 10
0 0
1º 2º 3º 4º 5º 6º 7º 8º G lobal
M uestreos
M edia Pequeñas M edia M edianas M edia G randes M edia Todas

CV Pequeñas CV M edianas C V G randes C V T odas
Figura 158 Media y coeficiente de variación (CV, %) de la relación entre el perímetro y el

área total de la limbo (PPDA) de las hojas del cultivar Macabeo.
116
ANEJO 2:
ANÁLISIS DE COMPONENTES PRINCIPALES.
117
118
Anejo 2. Análisis de Componentes Principales
ANEJO 2. ANÁLISIS DE COMPONENTES PRINCIPALES

En el Anejo nº 2, se incluyen las representaciones en planos de las variables iniciales empleadas
en los Análisis de Componentes Principales realizados, 17 para la primera campaña y 25 para la
segunda en cada uno de los cultivares, en el espacio obtenido, tomando como ejes todas las posibles
combinaciones de los componentes tomados por pares.
Para la primera campaña, se presentan las Figuras nº 1 a 3, con las representaciones para los
pares de componentes 1-2, 1-3 y 2-3, respectivamente.
Para la segunda campaña de estudio, se han incluido las figuras que se indican a continuación
para cada cultivar:
Airén, Figuras nº 4 a 13 con las representaciones para los pares de componentes 1-2, 1-3,
1-4, 1-5, 2-3, 2-4, 2-5, 3-4, 3-5 y 4-5, respectivamente
Carbernet Sauvignon, Figuras nº 14 a 23 con las representaciones para los pares de
componentes 1-2, 1-3, 1-4, 1-5, 2-3, 2-4, 2-5, 3-4, 3-5 y 4-5, respectivamente
Cencibel, Figuras nº 24 a 33 con las representaciones para los pares de componentes 1-2,
1-3, 1-4, 1-5, 2-3, 2-4, 2-5, 3-4, 3-5 y 4-5, respectivamente
Garnacha, Figuras nº 34 a 39 con las representaciones para los pares de componentes 1-
2, 1-3, 1-4, 2-3, 2-4 y 3-4, respectivamente
Macabeo, Figuras nº 40 a 49 con las representaciones para los pares de componentes 1-
2, 1-3, 1-4, 1-5, 2-3, 2-4, 2-5, 3-4, 3-5 y 4-5, respectivamente
Abreviaturas y términos empleados:
• 1ª Campaña: Primera campaña de estudio (1995).
• 2ª Campaña: Segunda campaña de estudio (1996).
• Aa: Anchura máxima del limbo medida con el analizador de imagen, en cm.
• Ad: Regularidad transversal, o “Width diff”, en cm.
• Am: Anchura máxima del limbo medida manualmente, en cm.
• BA: Área de la caja, o “Box Area (BA)”, en cm2.
• BR: Proporción del área de la “caja”, o “Box ratio”, en %.
• HA: Área de los senos que se forman como consecuencia de los solapes entre los lóbulos del
limbo de la hoja, en cm2.
• HR: Proporción del área de los agujeros o “Hole Ratio”, en %.
• IR: Índice de redondez.
• La: Longitud máxima del limbo medida con analizador de imagen, en cm.
• Ld: Regularidad longitudinal, o “Length diff”, en cm.
• Lm: Longitud máxima del limbo medida manualmente, en cm.
• Lp: Longitud del peciolo, en cm.
• MSl: Peso seco del limbo, en g.
• MSp: Peso seco del peciolo, en g.
• NH: Número de agujeros del limbo de la hoja.
• P: Perímetro del limbo, en cm.
• PPDA: Relación entre el perímetro de la hoja al cuadrado y el área total, en %.
• R: Radio medio del limbo de la hoja, en cm.
• SEF: Superficie específica foliar, expresada en m2 kg-1
• SFa: Superficie del limbo medida con analizador de imágen, en cm2.
• SFi: Superficie del limbo de la hoja medida con el integrador, en cm2.
• TA: Área Total, en cm2, suma de la superficie del limbo más la de los agujeros.
1
1,0
La/Aa
Lm/Am
0,5 IR
Componente 2
MSp
SEF Lp
Lm
La
SFa
SFi
0,0 MSl
Lm.Am
La.Aa
Grupo 1 Aa
Am
P
HA
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 1: SFa, SFi, La, Lm, La.Aa, Lm.Am, MSl
Figura 1. Variables iniciales en el espacio en función de los componentes 1 y 2, cv. Cencibel, 1ª

Campaña (1995).
1,0
SEF
0,5
Lm/Am
La/Aa P
Componente 3
HA
Lm
La
Aa
0,0 Am
La.Aa
Lm.Am
Lp SFi Grupo 1
SFa
MSl
MSp
-0,5
IR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 1: SFa, SFi, La, Aa, Lm, Am, La.Aa, Lm.Am

Campaña (1995).
2
1,0
SEF
0,5
Lm/Am
P La/Aa
Componente 3
HA
Aa LmLa Grupo 1
0,0 Am Lm.Am
La.Aa
SFa
SFi Lp
MSl MSp
-0,5
IR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, SFi, La, Lm, La.Aa, Lm.Am,

Campaña (1995).
1,0
PPDA
0,5
SEF
P
Componente 2
La/Aa AD BA
La.Aa
Lm.Am
La
Lm
Am
NH LD Aa
SFa
TA
HA LpR
0,0 HR MSp
MSl
Lm/Am
Grupo 1
-0,5
IR BR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Figura 4. Variables iniciales en el espacio rotado en función de los componentes 1 y 2, cv. Airén, 2ª
Campaña (1996).
3
1,0
HR
NH HA
0,5
Componente 3
PPDA P
La.Aa
TA
BA
SFa
Lm.Am
LD Aa
MSl
La
Lm
AmR
BR MSp
Lp
0,0 SEF La/Aa AD
Lm/Am
IR Grupo 1
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
Campaña (1996).
1,0
AD
0,5
Lm/Am
Componente 4
Aa
HA MSpLm
Lp
P R
La.Aa
SFa
TA
MSl
BA
Lm.Am
0,0 SEF IR HRBR PPDA Am
La
NH
Grupo 1
LD
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Campaña (1996).
4
1,0
Lm/Am
LD
0,5
Componente 5
HA Lm
La.Aa
MSpBA
TA
SFa
Lm.Am
Aa
MSl
SEF
IR
HR PLa
LpR
0,0 Am
NH
PPDA
BR AD Grupo 1
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Campaña (1996).
1,0
HR
HANH
0,5
Grupo 1
Componente 3
BA P
La.Aa
TA PPDA
MSlSFa
Lm.Am
RAa
La
Lm
Am
Ld
BR MSp
Lp
0,0 La/Aa
Ad SEF
Lm/Am
IR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Ad, Ld, La/Aa
Campaña (1996).
5
1,0
Ad
0,5
Lm/Am
Componente 4
Aa
BR Lp
HA
MSl
MSp Lm
RTA BA P
La.Aa
SFa
0,0 IR HR Lm.Am
Am
La SEF PPDA
Grupo 1 NH
Ld
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, NH, HA, HR
Campaña (1996).
1,0
Lm/Am
Ld
0,5
Componente 5
Grupo 1
Lm
HALa.Aa
MSp
MSl TA
SFa BA
Lm.Am
AaLa
IR R
Lp P
0,0 HR SEF
Am
NH
PPDA
BR Ad
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, NH, HA, HR
Campaña (1996).
6
1,0
Ad
0,5
Lm/Am
Componente 4
Aa
LpLm
BR
MSpR P
La.Aa
SFa
TA
MSl
BA
Lm.Am HA
0,0 Am HR
IR PPDA
SEF La NH
Grupo 1
Ld
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, P, La, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF, BR, PPDA
Campaña (1996).
1,0
Lm/Am
Ld
0,5
Componente 5
Grupo 1
Lm
La.Aa HA
MSp BA
TA
SFa
Lm.Am
Aa
MSl
IR Lp La
R
0,0 SEF P HR
Am NH
PPDA
Ad BR
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, P, La, Aa, Lm, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF
Campaña (1996).
7
1,0
Lm/Am
Ld
0,5
Componente 5
Lm Grupo 1
HA
La.Aa
BA
MSp
TA
SFa
Lm.Am
La
IR
HRP R Aa
MSl
Lp
0,0 SEF
NH Am
PPDA
BR Ad
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 4
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF, IR, BR, PPDA, NH, HA, HR
Campaña (1996).
1,0
HR
NH
HA
0,5
Grupo 1
SEF R
BA
TA
La
La.Aa
SFa
Am
Aa
Componente 2
Lm.Am
Lm
P
MSl
Lp
IR Ld Ad
0,0 La/Aa MSp
Lm/Am PPDA BR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, Lp
Figura 14. Variables iniciales en el espacio rotado en función de los componentes 1 y 2, cv. Cabernet
8
1,0
IR
BR
0,5
Grupo 1
Componente 3
La/Aa NH HA MSpMSl
0,0 HR Lp
TA
SFa
R
Lm.Am
La.Aa
BA
Am
La
Aa
Lm/Am Lm
Ad
Ld P
SEF
-0,5
PPDA
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1
HR HA
0,0 SEF IR La
Lm/Am PPDA BR Lm.Am
MSpBA
MSl
La.Aa
TA
SFa
Am
Lm
PR
NH Lp
Aa
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
9
1,0
0,5
BR
Grupo 1
Componente 5
SEF
La/Aa HA Am
PPDA HR TA
SFa
P
0,0 Ad MSp R
Lm.Am
La.Aa
BA
La
Lp
Aa
MSl
IR NH
Lm
Ld
-0,5
Lm/Am
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
IR
BR
0,5
Componente 3
Grupo 1
MSp MSl
La/Aa HA NH
0,0 Lp SFaTA
R HR
Lm.Am
La.Aa
BA
Am
La
Aa
Lm/Am Lm
Ad
Ld P
SEF
-0,5
PPDA
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, La/Aa
10
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1 HA HR
0,0 IR Lm.Am
La
SEF
BRMSp MSl
PPDA
Lm/Am P BA
La.Aa
TA
SFa
Am
Lm R
Lp Aa NH
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF, IR, Lm/Am, BR, PPDA
1,0
0,5
BR
Componente 5
SEF
La/Aa Am HA HR
PPDA P TA
SFa
0,0 MSp
AdLp R
Lm.Am
La.Aa
BA
La
MSl Aa
Grupo 1 IR Lm NH
Ld
-0,5
Lm/Am
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, IR, La/Aa, PPDA, Ad
11
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1
HRHA
0,0 PPDA SEF La IR
Lm.Am
BA
Am
Lm MSl
La.Aa
TA
SFa
R
P Lm/Am MSp BR
NH
Aa Lp
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Lm/Am, NH, HA, HR
1,0
0,5
BR
Componente 5
SEF Grupo 1
La/Aa
AmHR HA
PPDA P TA
SFa
0,0 Ad
Aa R
Lm.Am
La.Aa
La
BALp
MSp
MSl
NH IR
Lm
Ld
-0,5
Lm/Am
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, La/Aa, Ad, NH, HA, HR
12
1,0
0,5
BR
Componente 5
SEF
Am HRHA La/Aa
PPDA
TA
SFa
P
Ad Aa R
LpLm.Am
La.Aa
MSp
BALa
0,0 NHMSlIR
Lm
Grupo 1
Ld
-0,5
Lm/Am
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 4
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, IR, PPDA, NH, HA, HR
1,0
HR
NH
HA
0,5
Grupo 1
MSp MSl
Componente 2
PPDA P
LpAm
LmR
Aa
La
BR TA
Lm.Am
SFa
BA
La.Aa
Lm/Am
0,0 Ad
La/Aa
IR Ld
SEF
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Figura 24. Variables iniciales en el espacio rotado en función de los componentes 1 y 2, cv. Cencibel,
2ª Campaña (1996).
13
1,0
PPDA
0,5
SEF
P
Componente 3
La/Aa HR Grupo 1
Ad Ld BA
La.Aa
La
Lm.Am
Am
Aa
HA Lm
SFa
TA
R
0,0 Lm/Am NH Lp
MSl
MSp
-0,5
BR
IR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, Lp
1,0
Ad
0,5
Grupo 1
Componente 4
Grupo 2 Aa
NH Lp
PR
Lm
Am
SEF HR BR
Lm/Am HA La.Aa
SFa
TA
BA
Lm.Am
MSp La
0,0 IR PPDA MSl
Ld
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Grupo 2: BR, Lm/AmHR
14
1,0
Lm/Am
0,5 Ld
Grupo 1
Componente 5
NH Lm
LpLa
Aa
R
La.Aa
BA
MSl
IR La/Aa Ad MSp
Lm.Am
PSFa
TA
0,0 Am
HR PPDA HA
SEF
BR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
PPDA
0,5
SEF
P
Componente 3
La/Aa AdLa.Aa
BA Grupo 1 HR
La
Lm.Am
Am
Aa
Ld TALm
SFa R HA
0,0 Lm/Am Lp
MSl NH
MSp
-0,5
BR
IR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Ad, Lm/Am
15
1,0
Ad
0,5
Componente 4
Aa
BR Lp
RP
Lm
Am NH
SEF La.Aa
SFa
TA
Lm/Am
BA
Lm.Am
MSp
La HA HR
0,0 IR MSl
PPDA
Grupo 1
Ld
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Lm/Am, BR, PPDA
1,0
Lm/Am
0,5 Ld
Componente 5
Lm NH
La
Aa
Lp
R
IR La/Aa Ad La.Aa
BA
Lm.AmMSl Grupo 1
TAMSp
SFa P
0,0 Am
PPDA HA HR
SEF
BR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Aa, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
16
1,0
Ad
0,5
Componente 4
Aa
NH
Lp RLm
Am P
BR Lm/AmTA
HA HR
La.Aa
SFa BA
0,0 IR MSlLm.Am
MSp La SEF
PPDA
Grupo 1
Ld
-0,5
La/Aa
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, La, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Lm/Am, NH, HA, HR
1,0
Lm/Am
0,5 Ld
Componente 5
NH Lm
LpSFa
MSl La
Aa
RLa.Aa
BA
IR MSp Lm.Am
TA La/Aa
Ad P
0,0 Am
Grupo 1 HR
HA PPDA
SEF
BR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, La, Aa, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, La/Aa, Ad
17
1,0
Lm/Am
0,5 Ld
Grupo 1
Componente 5
Lm
NH
La R Aa
Lp
La.Aa
MSlBA
La/Aa Lm.Am
MSp
IRSFa
TAP Ad
0,0 Am
HR
PPDAHA
SEF
BR
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 4
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, IR, NH
1,0
PPDA
SEF
0,5
Lm/Am NH
Componente 2
P
Ld Ad Lm
Aa
BA
La
La.Aa
Lm.Am
LpR
Am
SFa
TA
0,0 HR
MSp
La/Aa MSl
HA
Grupo 1
-0,5
IR
BR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Figura 34. Variables iniciales en el espacio rotado en función de los componentes 1 y 2, cv.
18
1,0
HR
HA
NH
0,5
Grupo 1
Componente 3
Ad
PPDA Am
BA
TA
Lm.Am
SFa
La.Aa
PR
La
Aa
SEF MSl
MSpLm
0,0 La/Aa Ld Lp
IR BR
Lm/Am
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1
NH PPDA La
0,0 IR SEF MSpAm
Lm.Am
La.Aa
BA
MSl
SFa
TA
PR
BRHR HA Lm
Lp
Aa
Lm/Am
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
19
1,0
HR
HA
NH
0,5
Componente 3
Ad
Am
TABA
Lm.Am
SFa
La.Aa
RLa
Aa PPDA
MSl
MSp Lm P SEF
0,0 La/Aa LpLd
BR IR Grupo 1
Lm/Am
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Ld, La/Aa
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1
La NH PPDA
0,0 IR MSp
MSl Am
Lm.Am
La.Aa
RBA
SFa
TA
BR HA
HR
Lp Lm P SEF
Aa
Lm/Am
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, HR
20
1,0
La/Aa
0,5 Ld
Componente 4
Grupo 1
La
PPDA NH
0,0 IR MSpAm
Lm.Am
La.Aa
BA
MSl
SFa
TA
SEF
P
R HR
Lm
BR Lp HA
Aa
Lm/Am
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, P, La, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF, PPDA,
1,0
PPDA
SEF
0,5
NH
Componente 2
Ad P
Ld Lm.Am
BA
La.Aa
Lm
0,0 Lm/Am
La/Aa Am
La
Aa
SFa
TA
LpR
HR MSpMSl
HA Grupo 1
-0,5
BR
IR
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
Figura 40. Variables iniciales en el espacio rotado en función de los componentes 1 y 2, cv. Macabeo,
21
1,0
HR
NH HA
0,5
SEF Grupo 1
Componente 3
Ld
La/Aa Am
La
Lm.Am
LmR
BA
La.Aa
TA
SFa
IR Aa
P
Lp
0,0 Ad MSl
BR MSp
Lm/Am PPDA
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
La/Aa
0,5
Ld
Componente 4
SEF Grupo 1
IR NH HA
0,0 HR La
Lm.Am
La.Aa
BA
TA
SFa
Lm
AmR
BR MSl
MSpLp
P
Lm/Am PPDA Aa
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
22
1,0
Lm/Am
0,5
Ld
Grupo 1
Componente 5
SEF Lm
IR HA La.Aa
Aa
La
BA
R
SFa
TA
Lm.Am
Lp
P
0,0 NH MSl
MSpAm
HR Ad
PPDA
BR
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 1
1,0
HR
HA NH
0,5
SEF
Componente 3
Grupo 1 Ld
La/Aa
Am
La
Lm.Am
RLm
BA
La.Aa
TA
SFa
IR Aa P
Lp
0,0 MSl Ad
BR MSp
Lm/Am PPDA
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, La/Aa
23
1,0
La/Aa
0,5
Ld
Componente 4
IR SEF
HA NH
0,0 HR Lm.Am
La
La.Aa
TABA
SFa
R Am
Lm
BR MSl
Lp
MSp P
Aa
Lm/Am PPDA
Grupo 1
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Lm/Am
1,0
Lm/Am
0,5
Ld
Componente 5
Lm Grupo 1 SEF
IR La.Aa
R
HA SFa
TAAa
La
BA
Lm.Am
Lp P
0,0 MSl
MSpAm NH
HR Ad PPDA
BR
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 2
Grupo 1: SFa, P, La, Aa, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp
24
1,0
La/Aa
0,5
Ld
Componente 4
IR SEF
HA
La NH HR
0,0 Lm.Am
La.Aa
BA
TA
SFa
BR pLm
MSlLP
MSp
Am
R
PPDA
Lm/Am Aa
Grupo 1
-0,5
Ad
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, Lm/Am, BR, PPDA
1,0
Lm/Am
0,5
Ld
Componente 5
Grupo 1
Lm SEF
La.Aa
Aa
IRLa
BA
SFa
TAR
Lm.Am HA
LpP
0,0 MSl Am
MSp NH
PPDA Ad HR
BR
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 3
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, IR
25
1,0
Lm/Am
0,5
Ld
Grupo 1
Componente 5
Lm SEF
La.Aa
AaLm.Am IR
La HA
BA
0,0 PR
LpSFa
TA
AmNH
MSl
MSp
Ad PPDA HR
BR
La/Aa
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
Componente 4
Grupo 1: SFa, P, La, Aa, Lm, Am, TA, BA, R, La.Aa, Lm.Am, MSl, MSp, Lp, SEF, IR, BR, PPDA, NH, HA, HR
26
ANEJO 3:
ANÁLISIS DE REGRESIÓN LINEAL.
Anejo 3. Análisis de Regresión Lineal.
ANEJO 3. ANÁLISIS DE REGRESIÓN LINEAL

1. Introducción.
En el Anejo nº 3, se incluyen los estadísticos y las figuras asociadas a los modelos (2.8), (2.9),
(2.10), (2.13), (2.14) y (2.15) empleados en las dos campañas y con los cinco cultivares estudiados
en el Apartado 5.3.
Para la primera campaña (1995), se presentan las Figuras nº 1 a 42 y las Tablas nº 1 a 4.
Para la segunda campaña (1996), se han incluido las figuras y las tablas que se indican a
continuación:
• Airén, Tablas nº 5 a 8 y Figuras nº 43 a 78
• Carbernet Sauvignon, Tablas nº 9 a 12 y Figuras nº 79 a 114
• Cencibel, Tablas nº 13 a 16 y Figuras nº 115 a 150
• Garnacha, Tablas nº 17 a 20 y Figuras nº 151 a 186
• Macabeo, Tablas nº 21 a 24 y Figuras nº 187 a 222
• Abreviaturas y términos empleados:
• Am: anchura máxima del limbo medida manualmente, cm.
• bi: coeficientes de regresión.
• cv.: cultivar.
• d: estadístico de Durbin-Watson.
• F: estadístico de Fisher-Snedecor
• Lm.Am: producto de la longitud por la anchura del limbo de la hoja medidas manualmente,
cm2.
• Lm: Longitud máxima manual del limbo, cm.
• logX: logaritmo decimal de X.
• P: perímetro del limbo, cm.
• Prob. acum.: Probabilidad acumulada.
• R2: coeficiente de determinación.
• SFa: superficie del limbo de la hoja medida con el analizador de imagen, cm2.
• Sig.: nivel de significación.
• t: estadístico de Student
• X: variable independiente.
• Y: variable dependiente.
• Z: estadístico de Kolmogorov-Smirnov.
• i: coeficientes de regresión estandarizados.
1
2. Cencibel 1995
2.1. Área foliar:
Tabla 1. Estadísticos asociados al Análisis de Regresión Lineal aplicado al
modelo (2) logSFa = b0 + b1 . X, cv. Cencibel. 1ª Campaña (1995).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 76586,18 -33,60 276,74 3,263

2,121 0,128
(2.8) (0,000) (0,000) (0,000) (0,000)
logAm 73317,61 -43,31 270,77 3,191
2,093 0,097
(2.9) (0,000) (0,000) (0,000) (0,000)
logLm.Am 127388,2 -52,92 356,92
2,156 4,266 0,138
(2.10) (0,000) (0,000) (0,000)
Tabla 2. Estadísticos asociados al Análisis de Regresión Lineal aplicado a

logSFa = b1 . X, cv. Cencibel. 1ª Campaña (1995).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
1809913 1345,33 3,263

logSFa modelo (2.8) 2,121 0,009
(0,000) (0,000) (0,000)
1734275 1316,92 3,191
logSFa modelo (2.9) 2,093 0,012
(0,000) (0,000) (0,000)
2985517 1727,86 4,266
logSFa modelo (2.10) 2,156 0,013
(0,000) (0,000) (0,000)
Gráfico de dispersión Gráfico de dispersión

Variable dependiente: LOGSFA Variable dependiente: LOGSFA
6 6
4 4
Regresión Residuo tipificado
2 2
0 0
-2 -2
-4 -4
-6 -6
-8 -8
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
Regresión Valor pronosticado tipificado Regresión Valor pronosticado tipificado
Figura 1. Gráfico de dispersión de los residuos Figura 2. Gráfico de dispersión de los residuos
tipificados frente a los valores pronosticados tipificados tipificados frente a los valores pronosticados tipificados
asociado al Análisis de Regresión Lineal aplicado al asociado al Análisis de Regresión Lineal aplicado al
modelo (2.8) logSFa = -0,259 + 2,017 .log Lm, cv. modelo (2.9) logSFa = -0,356 + 2,138 .log Am, cv.
Cencibel. 1ª Campaña (1995). Cencibel. 1ª Campaña (1995).
2

4 6
2 4

0 2
-2 0
-4 -2
-6 -4
-8 -6
-10 -8
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
asociado al Análisis de Regresión Lineal aplicado al asociado al Análisis de Regresión Lineal aplicado a
modelo (2.10) logSFa = -0,326 + 1,048 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Cencibel. 1ª
Cencibel. 1ª Campaña (1995). Campaña (1995).

6 4
4 2
2 0
0 -2
-2 -4
-4 -6
-6 -8
-8 -10
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
asociado al Análisis de Regresión Lineal aplicado a asociado al Análisis de Regresión Lineal aplicado a
logSFa = 1.log (SFa modelo (2.9)), cv. Cencibel. 1ª logSFa = 1 .log (SFa modelo (2.10), cv. Cencibel. 1ª
Campaña (1995). Campaña (1995).
3
Histograma Histograma
500 500
400 400
300 300
200 200
Frecuencia
Frecuencia
100 Desv. típ. = 1,00 100 Desv. típ. = 1,00
Media = 0,00 Media = 0,00
0 N = 1702,00 0 N = 1702,00
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1,
2,
3,
4,
-7
-6 0
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
5, 0
00
00
00
00
00
0
0
0
0
0
00
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
Regresión Residuo tipificado Regresión Residuo tipificado
Figura 7. Histograma de los residuos tipificados Figura 8. Histograma de los residuos tipificados
500 500
400 400
300 300
200 200
Frecuencia
Frecuencia
100 Desv. típ. = 1,00 100 Desv. típ. = 1,00

0 N = 1702,00 0 N = 1702,00
-8
-7 0
-6 0
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1,
2,
3,
4,
0
0
0
0
00
00
00
00
00
00
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
modelo (2.10) logSFa = -0,326 + 1,048 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Cencibel. 1ª
4
500 500
400 400
300 300
200 200
Frecuencia
Frecuencia
100 Desv. típ. = 1,00 100 Desv. típ. = 1,00
0 N = 1702,00 0 N = 1702,00
-7
-6 0
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
5,
-8
-7 0
-6 0
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
0
0
0
0
00
00
0
0
0
0
00
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
logSFa = 1 .log (SFa modelo (2.9), cv. Cencibel. 1ª logSFa = 1 .log (SFa modelo (2.10), cv. Cencibel. 1ª
Gráfico P-P normal de regresión Residuo tipificado

Gráfico P-P normal de regresión Residuo tip
1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
Prob acum observada Prob acum observada
Figura 13. Gráfico de probabilidad normal asociado al Figura 14. Gráfico de probabilidad normal asociado al
Análisis de Regresión Lineal aplicado al modelo (2.8) Análisis de Regresión Lineal aplicado al modelo (2.9)
logSFa = -0,259 + 2,017 .log Lm, cv. Cencibel. 1ª logSFa = -0,356 + 2,138 .log Am, cv. Cencibel. 1ª
5

Gráfico P-P normal de regresión Residuo tipificad
1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
Análisis de Regresión Lineal aplicado al modelo (2.10) Análisis de Regresión Lineal aplicado a logSFa = 1 .log
logSFa = -0,326 + 1,048 .log Lm.Am, cv. Cencibel. 1ª (SFa modelo (2.8)), cv. Cencibel. 1ª Campaña (1995).
Campaña (1995).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
Análisis de Regresión Lineal aplicado a logSFa = 1 .log Análisis de Regresión Lineal aplicado a logSFa = 1 .log
(SFa modelo (2.9)), cv. Cencibel. 1ª Campaña (1995). (SFa modelo (2.10)), cv. Cencibel. 1ª Campaña (1995).
6
2.2. Perímetro foliar:

modelo (2) logP = b0 + b1 . X, cv. Cencibel. 1ª Campaña (1995).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 26194,559 85,564 161,847 1,420

1,921 0,052
(2.14) (0,000) (0,000) (0,000) (0,035)
logAm 30056,576 79,020 173,368 0,904
1,889 0,028
(2.15) (0,000) (0,000) (0,000) (0,387)
logLm.Am 33229,45 87,332 182,289 0,759
1,879 0,037
(2.13) (0,000) (0,000) (0,000) (0,612)
logSFa 26517,07 123,102 162,841 1,452
1,973 0,040
(2.12) (0,000) (0,000) (0,000) (0,030)
Tabla 4. Estadísticos asociados al Análisis de Regresión Lineal aplicado a logP

= b1 . X, cv. Cencibel. 1ª Campaña (1995).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
1850387 1360,29 1,420

logSFa modelo (2.14) 1,921 0,010
(0,000) (0,000) (0,035)
2106809 1451,48 0,904
logSFa modelo (2.15) 1,889 0,010
(0,000) (0,000) (0,387)
2317476 1522,33 0,759
logSFa modelo (2.13) 1,879 0,010
(0,000) (0,000) (0,612)
1871800 1368,14 1,452
logSFa modelo (2.12) 1,973 0,009
(0,000) (0,000) (0,030)

Variable dependiente: LOGP Variable dependiente: LOGP
6 6
4
4
2
2
0
-2
-2
-4
-4 -6
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
modelo (2.14) logP = 0,617 + 1,104 .log Lm, cv. Cencibel. modelo (2.15) logP = 0,558 + 1,176 .log Am, cv. Cencibel.
1ª Campaña (1995). 1ª Campaña (1995).
7

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
modelo (2.13) logP = 0,578 + 0,575 .log Lm.Am, cv. modelo (2.12) logP = 0,769 + 0,542 .log SFa, cv.

6 6
4
4
2
2
0
-2
-2
-4
-4 -6
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
asociado al Análisis de Regresión Lineal aplicado a logP asociado al Análisis de Regresión Lineal aplicado a logP
= 1 .log (P modelo (2.14)), cv. Cencibel. 1ª Campaña = 1.log (P modelo (2.15)), cv. Cencibel. 1ª Campaña
(1995). (1995).
8

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-5 -4 -3 -2 -1 0 1 2 -5 -4 -3 -2 -1 0 1 2
= 1 .log (P modelo (2.13)), cv. Cencibel. 1ª Campaña = 1 .log (P modelo (2.12)), cv. Cencibel. 1ª Campaña
(1995). (1995).
300 200
200
100
100
Frecuencia
Frecuencia
Desv. típ. = 1,00 Desv. típ. = 1,00

0 N = 1702,00 0 N = 1702,00
-3
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,
1, 5
2, 5
2, 5
3, 5
3, 5
-4
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
5
2
7
2
7
2
75
50
modelo (2.14) logP = 0,617 + 1,104 .log Lm, cv. Cencibel. modelo (2.15) logP = 0,558 + 1,176 .log Am, cv. Cencibel.
9
300 200
200
100
100
Frecuencia
Frecuencia
0 N = 1702,00 0 N = 1702,00
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,5 0
1,0
1,00
2, 0
2,00
3,50
3, 0
4,50
4,00
-3
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
4,75
4,25
0
50
75
modelo (2.13) logP = 0,578 + 0,575 .log Lm.Am, cv. modelo (2.12) logP = 0,769 + 0,542 .log SFa, cv.
300 200
200
100
100
Frecuencia
Frecuencia

0 N = 1702,00 0 N = 1702,00
-4
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1, 0
2,50
2,00
3, 0
3,00
4,50
-4
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
0
00
50
(1995). (1995).
10
300 200
200
100
100
Frecuencia
Frecuencia
0 N = 1702,00 0 N = 1702,00
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
-3
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
4,75
4,25
50
75
(1995). (1995).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,617 + 1,104 .log Lm, cv. Cencibel. 1ª Campaña logP = 0,558 + 1,176 .log Am, cv. Cencibel. 1ª Campaña
(1995). (1995).
11

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,578 + 0,575 .log Lm.Am, cv. Cencibel. 1ª logP = 0,769 + 0,542 .log SFa, cv. Cencibel. 1ª Campaña
Campaña (1995). (1995).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
Análisis de Regresión Lineal aplicado a logP = 1 .log (P Análisis de Regresión Lineal aplicado a logP = 1 .log (P
modelo (2.14)), cv. Cencibel. 1ª Campaña (1995). modelo (2.15)), cv. Cencibel. 1ª Campaña (1995).
12

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
3. Airén 1996
3.1. Área foliar:
modelo (2) logSFa = b0 + b1 . X, cv. Airén. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 32222,80 -13,36 179,51 0,670

1,613 0,082
(2.8) (0,000) (0,000) (0,000) (0,760)
logAm 25727,37 -14,22 160,40 1,095
1,328 0,085
(2.9) (0,000) (0,000) (0,000) (0,182)
logLm.Am 62661,62 -21,99 250,32 1,513
1,387 0,166
(2.10) (0,000) (0,000) (0,000) (0,021)

logSFa = b1 . X, cv. Airén. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
715995,2 846,17 0,669

logSFa modelo (2.8) 1,613 0,046
(0,000) (0,000) (0,762)
573258,7 757,14 1,096

logSFa modelo (2.9) 1,328 0,028
(0,000) (0,000) (0,181)
1384865 1,513
logSFa modelo (2.10) 1176,80 1,388 0,037
(0,000) (0,021)
13

4 4
2 2

0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.8) logSFa = -0,154 + 1,939 .log Lm, cv. Airén. modelo (2.9) logSFa = -0,186 + 1,990 .log Am, cv. Airén.

4 4
2 2
0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.10) logSFa = -0,185 + 0,989 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Airén. 2ª
Airén. 2ª Campaña (1996). Campaña (1996).
14

4 4
2
2

0
0
-2
-2
-4
-4
-6
-6 -8
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
logSFa = 1.log (SFa modelo (2.9)), cv. Airén. 2ª Campaña logSFa = 1 .log (SFa modelo (2.10), cv. Airén. 2ª
(1996). Campaña (1996).
Histograma
Histograma
Variable dependiente: LOGSFA
50
Variable dependiente: LOGSFA
60
40 50
40
30
30
20
20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 Desv. típ. = 1,00

10
0 N = 379,00 0 N = 379,00
-4
-3 00
-3 50
-2 00
-2 50
-1 00
-1 50
-,500
0, 0
,5
1,
1, 0
2, 0
2, 0
3, 0
3, 0
-4
-3 00
-3 0
-2 00
-2 50
-1 0
-1 50
-,500
0,
,5 0
1,
1, 0
2,
2, 0
3, 0
00
0
0
5
0
5
0
50
0
0
0
50
0
5
00
,
,
,
,
,
,
,
,
,5
,
,
,0
,
,
0
modelo (2.8) logSFa = -0,154 + 1,939 .log Lm, cv. Airén. modelo (2.9) logSFa = -0,186 + 1,990 .log Am, cv. Airén.
15
60 50
50
40
40
30
30
20
20
Frecuencia
Frecuencia
Desv. típ. = 1,00 10 Desv. típ. = 1,00
10
Media = 0,00 Media = -,00
0 N = 379,00 0 N = 379,00
-4
-3 00
-3 50
-2 00
-2 50
-1 00
-1 0
-,500
0, 0
,5 0
1,
1, 0
2, 0
2, 0
3, 0
3, 0
-6
-5,00
-5,50
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
0
0
0
5
0
5
0
50
,
,
,
,
,
,5
,
50
modelo (2.10) logSFa = -0,185 + 0,989 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Airén. 2ª Campaña
Airén. 2ª Campaña (1996). (1996).
60 60
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia

10 10
Media = -,00 Media = ,00
0 N = 379,00 0 N = 379,00
-4
-3 00
-3 50
-2 00
-2 50
-1 0
-1 50
-,500
0, 0
,5 0
1,
1, 0
2, 0
2, 0
3, 0
-6
-5,00
-5,50
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
0
0
0
5
0
5
00
,
,
,
,
,0
,
,
50
logSFa = 1 .log (SFa modelo (2.9), cv. Airén. 2ª Campaña logSFa = 1 .log (SFa modelo (2.10), cv. Airén. 2ª
(1996). Campaña (1996).
16

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,154 + 1,939 .log Lm, cv. Airén. 2ª Campaña logSFa = -0,186 + 1,990 .log Am, cv. Airén. 2ª Campaña
(1996). (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,185 + 0,989 .log Lm, cv. Airén. 2ª Campaña (SFa modelo (2.8)), cv. Airén. 2ª Campaña (1996).
(1996).
17

1,0 1,0
,8 ,8
Prob acum esperada

Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
(SFa modelo (2.9)), cv. Airén. 2ª Campaña (1996). (SFa modelo (2.10)), cv. Airén. 2ª Campaña (1996).

modelo (2) logP = b0 + b1 . X, cv. Airén. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 9821,11 54,73 99,10 1,060

1,140 0,050
(2.14) (0,000) (0,000) (0,000) (0,211)
logAm 11174,81 55,29 105,71 1,083
1,061 0,036
(2.15) (0,000) (0,000) (0,000) (0,191)
logLm.Am 13094,90 60,32 114,43 0,912
0,998 0,050
(2.13) (0,000) (0,000) (0,000) (0,377)

= b1 . X, cv. Airén. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
606177,8 778,57 1,060

logSFa modelo (2.14) 1,140 0,029
(0,000) (0,000) (0,211)
686692,2 828,67 1,083
logSFa modelo (2.15) 1,061 0,032
(0,000) (0,000) (0,191)
800894,0 894,93 0,912
logSFa modelo (2.13) 0,998 0,026
(0,000) (0,000) (0,377)
18

4 4
3 3

2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.14) logP = 0,629 + 1,066 .log Lm, cv. Airén. 2ª modelo (2.15) logP = 0,607 + 1,099 .log Am, cv. Airén. 2ª

3 4
2 3
2
1
1
0
0
-1
-1
-2 -2
-3 -3
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
asociado al Análisis de Regresión Lineal aplicado al asociado al Análisis de Regresión Lineal aplicado a logP
modelo (2.13) logP = 0,610 + 0,545 .log Lm.Am, cv. Airén. = 1 .log (P modelo (2.14)), cv. Airén. 2ª Campaña (1996).
19

4 3
3 2

2
1
1
0
0
-1
-1
-2 -2
-3 -3
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
= 1.log (P modelo (2.15)), cv. Airén. 2ª Campaña (1996). = 1 .log (P modelo (2.13)), cv. Airén. 2ª Campaña (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 379,00 0 N = 379,00
-2
-2 0
-1 0
-1 0
-,5 0
0,
,5 0
1,
1, 0
2,
2, 0
3, 0
3, 0
-2
-2 5
-1 5
-1 5
-,7 5
-,2
,2
,7
1,
1, 5
2, 5
2, 5
0
0
0
50
0
5
0
50
5
5
2
7
2
75
,5
,0
,5
,0
,7
,2
,7
,2
0
5
5
modelo (2.14) logP = 0,610 + 0,545.log Lm, cv. Airén. 2ª modelo (2.15) logP = 0,607 + 1,099 .log Am, cv. Airén. 2ª
20
50 60
50
40
40
30
30
20
20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 Desv. típ. = 1,00
10
0 N = 379,00 0 N = 379,00
-2
-2 0
-1 0
-1 0
-,5 0
0,
,5
1,
1,
2,
2, 0
3,
-2
-2 0
-1 0
-1 0
-,5 0
0,
,5 0
1,
1, 0
2,
2, 0
3,
3, 0
00
0
00
50
0
50
00
0
0
0
50
0
50
0
50
,5
,0
,5
,0
,5
,0
,5
,0
0
0
modelo (2.13) logP = 0,610 + 0,545 .log Lm.Am, cv. Airén. = 1 .log (P modelo (2.14)), cv. Airén. 2ª Campaña (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 379,00 0 N = 379,00
-2
-2 5
-1 5
-1 5
-,7 5
-,2
,2
,7
1,
1, 5
2, 5
2, 5
-2
-2 0
-1 0
-1 0
-,5 0
0,
,5
1,
1,
2,
2, 0
3,
5
5
2
7
2
75
00
0
00
50
0
50
00
,7
,2
,7
,2
,5
,0
,5
,0
5
5
= 1 .log (P modelo (2.15)), cv. Airén. 2ª Campaña (1996). = 1 .log (P modelo (2.13)), cv. Airén. 2ª Campaña (1996).
21

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,610 + 0,545 .log Lm, cv. Airén. 2ª Campaña logP = 0,607 + 1,099 .log Am, cv. Airén. 2ª Campaña
(1996). (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
Análisis de Regresión Lineal aplicado al modelo (2.13) Análisis de Regresión Lineal aplicado a logP = 1 .log (P
logP = 0,610 + 0,545 .log Lm.Am, cv. Airén. 2ª Campaña modelo (2.14)), cv. Airén. 2ª Campaña (1996).
(1996).
22

1,0 1,0
,8 ,8
Prob acum esperada

Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
modelo (2.15)), cv. Airén. 2ª Campaña (1996). modelo (2.13)), cv. Airén. 2ª Campaña (1996).
4. Cabernet-Sauvignon 1996
4.1. Área foliar:
modelo (2) logSFa = b0 + b1 . X, cv. Cabernet-Sauvignon. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 17763,657 -14,027 133,280 1,696

2,011 0,134
(2.8) (0,000) (0,000) (0,000) (0,006)
logAm 17598,467 -9,162 132,659 1,513
1,952 0,137
(2.9) (0,000) (0,000) (0,000) (0,021)
logLm.Am 27010,432 -15,434 164,349 2,364
2,191 0,211
(2.10) (0,000) (0,000) (0,000) (0,000)

logSFa = b1 . X, cv. Cabernet-Sauvignon. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
450946,3 671,526 1,696

logSFa modelo (2.8) 2,011 0,162
(0,000) (0,000) (0,006)
446837,4 668,459 1,513
logSFa modelo (2.9) 1,952 0,165
(0,000) (0,000) (0,021)
680949,6 825,197 2,364
logSFa modelo (2.10) 2,191 0,253
(0,000) (0,000) (0,000)
23

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-6 -6
-8 -8
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
Cabernet-Sauvignon. 2ª Campaña (1996). Cabernet-Sauvignon. 2ª Campaña (1996).

6 6
4 4
2
2
0
0
-2
-2
-4
-4
-6
-8 -6
-10 -8
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.10) logSFa = -0,191 + 0,991 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Cabernet-
Cabernet-Sauvignon. 2ª Campaña (1996). Sauvignon. 2ª Campaña (1996).
24

6 6
4 4
2

2
0
0
-2
-2
-4
-4
-6
-6 -8
-8 -10
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
logSFa = 1.log (SFa modelo (2.9)), cv. Cabernet- logSFa = 1 .log (SFa modelo (2.10), cv. Cabernet-
Sauvignon. 2ª Campaña (1996). Sauvignon. 2ª Campaña (1996).
120 100
100
80
80
60
60
40
40
Frecuencia
Frecuencia
Desv. típ. = 1,00 20 Desv. típ. = 1,00

20
0 N = 383,00 0 N = 383,00
-6
-5 0
-4 0
-3 0
-2 0
-1 0
-,5 0
,5
1,
2,
3,
-6
-5 0
-4 0
-3 0
-2 0
-1 0
-,5 0
,5
1,
2,
3, 0
4,
0
50
50
50
0
50
5
50
50
,5
,5
,5
,5
,5
,5
,5
,5
,5
,5
,5
,5
0
Cabernet-Sauvignon. 2ª Campaña (1996). Cabernet-Sauvignon. 2ª Campaña (1996).
25
140 120
120 100
100
80
80
60
60
40
40
Frecuencia
Frecuencia
20 20
0 N = 383,00 0 N = 383,00
-8
-7 00
-6 00
-5 00
-4 00
-3 00
-2 00
-1 00
0, 00
1, 0
2, 0
3, 0
4, 0
5, 0
-6
-5 0
-4 0
-3 0
-2 0
-1 0
-,5 0
,5
1,
2,
3,
0
0
0
0
0
00
0
50
50
50
,
,
,
,
,
,
,
,
,5
,5
,5
,5
,5
,5
0
modelo (2.10) logSFa = -0,191 + 0,991 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Cabernet-
Cabernet-Sauvignon. 2ª Campaña (1996). Sauvignon. 2ª Campaña (1996).
100 140
120
80
100
60
80
60
40
40
Frecuencia
Frecuencia
20 Desv. típ. = 1,00 Desv. típ. = 1,00

Media = 0,00 20 Media = 0,00
0 N = 383,00 0 N = 383,00
-6
-5 0
-4 0
-3 0
-2 0
-1 0
-,5 0
,5
1,
2,
3, 0
4, 0
-8
-7 00
-6 00
-5 00
-4 00
-3 00
-2 00
-1 00
0, 00
1, 0
2, 0
3, 0
4, 0
5, 0
0
50
5
5
50
0
0
0
0
0
00
,5
,5
,5
,5
,5
,5
,
,
,
,
,
,
,
,
0
logSFa = 1 .log (SFa modelo (2.9), cv. Cabernet- logSFa = 1 .log (SFa modelo (2.10), cv. Cabernet-
Sauvignon. 2ª Campaña (1996). Sauvignon. 2ª Campaña (1996).
26

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,216 + 1,983 .log Lm, cv. Cabernet-Sauvignon. logSFa = -0,136 + 1,954 .log Am, cv. Cabernet-
2ª Campaña (1996). Sauvignon. 2ª Campaña (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,191 + 0,991 .log Lm.Am, cv. Cabernet- (SFa modelo (2.8)), cv. Cabernet-Sauvignon. 2ª Campaña
Sauvignon. 2ª Campaña (1996). (1996).
27

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
(SFa modelo (2.9)), cv. Cabernet-Sauvignon. 2ª Campaña (SFa modelo (2.10)), cv. Cabernet-Sauvignon. 2ª
(1996). Campaña (1996).

modelo (2) logP = b0 + b1 . X, cv. Cabernet-Sauvignon. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 8650,247 56,696 93,007 0,755

1,747 0,087
(2.14) (0,000) (0,000) (0,000) (0,618)
logAm 7990,503 60,504 89,390 0,723
1,572 0,078
(2.15) (0,000) (0,000) (0,000) (0,672)
logLm.Am 9960,010 62,978 99,800 0,834
1,669 0,097
(2.13) (0,000) (0,000) (0,000) (0,489)

= b1 . X, cv. Cabernet-Sauvignon. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
702316,5 838,043 0,755

logSFa modelo (2.14) 1,747 0,084
(0,000) (0,000) (0,618)
650983,6 806,836 0,723
logSFa modelo (2.15) 1,572 0,080
(0,000) (0,000) (0,672)
804225,9 896,786 0,834
logSFa modelo (2.13) 1,669 0,099
(0,000) (0,000) (0,489)
28

4 4
2 2

0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.14) logP = 0,651 + 1,031 .log Lm, cv. Cabernet- modelo (2.15) logP = -0,695 + 1,014 .log Am, cv.
Sauvignon. 2ª Campaña (1996). Cabernet-Sauvignon. 2ª Campaña (1996).

4 4
2 2
0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.13) logP = 0,666 + 0,515 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Cabernet-Sauvignon. 2ª
Cabernet-Sauvignon. 2ª Campaña (1996). Campaña (1996).
29

4 4
2 2

0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
= 1.log (P modelo (2.15)), cv. Cabernet-Sauvignon. 2ª = 1 .log (P modelo (2.13)), cv. Cabernet-Sauvignon. 2ª
60 50
50
40
40
30
30
20
20
Frecuencia
Frecuencia
Desv. típ. = 1,00 10 Desv. típ. = 1,00

10
0 N = 383,00 0 N = 383,00
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
-4
-4,75
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
50
75
modelo (2.14) logP = 0,651 + 1,031 .log Lm, cv. Cabernet- modelo (2.15) logP = -0,695 + 1,014 .log Am, cv.
Sauvignon. 2ª Campaña (1996). Cabernet-Sauvignon. 2ª Campaña (1996).
30
100 60
50
80
40
60
30
40
20
Frecuencia
Frecuencia
20 Desv. típ. = 1,00 Desv. típ. = 1,00
10
0 N = 383,00 0 N = 383,00
-5
-5,50
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-, ,00
0,50
,500
1,0
1,00
2,50
2,00
3 50
3,,00
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
50
50
modelo (2.13) logP = 0,666 + 0,515 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Cabernet-Sauvignon. 2ª
Cabernet-Sauvignon. 2ª Campaña (1996). Campaña (1996).
50 100
40 80
30 60
20 40
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 20 Desv. típ. = 1,00

0 N = 383,00 0 N = 383,00
-4
-4,75
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
-5
-5,50
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-, ,00
0,50
,500
1,0
1,00
2,50
2,00
3 50
3,,00
75
50
= 1 .log (P modelo (2.15)), cv. Cabernet-Sauvignon. 2ª = 1 .log (P modelo (2.13)), cv. Cabernet-Sauvignon. 2ª
31

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,651 + 1,031 .log Lm, cv. Cabernet-Sauvignon. 2ª logP = -0,695 + 1,014 .log Am, cv. Cabernet-Sauvignon.
Campaña (1996). 2ª Campaña (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,666 + 0,515 .log Lm.Am, cv. Cabernet- modelo (2.14)), cv. Cabernet-Sauvignon. 2ª Campaña
Sauvignon. 2ª Campaña (1996). (1996).
32

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
modelo (2.15)), cv. Cabernet-Sauvignon. 2ª Campaña modelo (2.13)), cv. Cabernet-Sauvignon. 2ª Campaña
(1996). (1996).
5. Cencibel 1996
5.1. Área foliar:
modelo (2) logSFa = b0 + b1 . X, cv. Cencibel. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 17867,753 -10,657 133,670 1,654

1,641 0,053
(2.8) (0,000) (0,000) (0,000) (0,008)
logAm 14489,650 -12,577 120,373 1,630
1,713 0,053
(2.9) (0,000) (0,000) (0,000) (0,010)
logLm.Am 21672,657 -14,330 147,216 2,242
1,658 0,059
(2.10) (0,000) (0,000) (0,000) (0,000)

logSFa = b1 . X, cv. Cencibel. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
432742,3 657,831 1,654

logSFa modelo (2.8) 1,641 0,057
(0,000) (0,000) (0,008)
352548,0 593,758 1,630
logSFa modelo (2.9) 1,713 0,070
(0,000) (0,000) (0,010)
523068,6 723,235 2,242
logSFa modelo (2.10) 1,658 0,086
(0,000) (0,000) (0,000)
33

6 4
4
2

2
0
-2
-2
-4
-4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2

4 6
4
2
2
0
-2
-2
-4
-4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.10) logSFa = -0,212 + 0,993 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Cencibel. 2ª
34

4 4
2 2

0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
logSFa = 1.log (SFa modelo (2.9)), cv. Cencibel. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Cencibel. 2ª
60 70
50 60
50
40
40
30
30
20
20
Frecuencia
Frecuencia

10 10
0 N = 379,00 0 N = 379,00
-4
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,7
1,5
1,25
2, 5
2,25
3,75
3,25
-4
-4,50
-3 00
-3,50
-2 00
-2,50
-1 00
-1,50
-,500
0, 0
,5
1,0
1, 0
2, 0
2, 0
3, 0
5
75
00
0
5
0
5
00
,
35
70 60
60 50
50
40
40
30
30
20
20
Frecuencia
Frecuencia
10 10
0 N = 379,00 0 N = 379,00
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
-4
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,7
1,5
1,25
2, 5
2,25
3,75
3,25
50
75
modelo (2.10) logSFa = -0,212 + 0,993 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Cencibel. 2ª
70 70
60 60
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia

10 Media = 0,00 10 Media = 0,00
0 N = 379,00 0 N = 379,00
-4
-4,50
-3 00
-3,50
-2 00
-2,50
-1 00
-1,50
-,500
0, 0
,5
1,0
1, 0
2, 0
2, 0
3, 0
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
00
0
5
0
5
00
50
,
logSFa = 1 .log (SFa modelo (2.9), cv. Cencibel. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Cencibel. 2ª
36

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,170 + 1,936 .log Lm, cv. Cencibel. 2ª logSFa = -0,229 + 2,016 .log Am, cv. Cencibel. 2ª

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,212 + 0,993 .log Lm.Am, cv. Cencibel. 2ª (SFa modelo (2.8)), cv. Cencibel. 2ª Campaña (1996).
Campaña (1996).
37

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
(SFa modelo (2.9)), cv. Cencibel. 2ª Campaña (1996). (SFa modelo (2.10)), cv. Cencibel. 2ª Campaña (1996).

modelo (2) logP = b0 + b1 . X, cv. Cencibel. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 6259,402 42,663 79,116 1,135

1,308 0,091
(2.14) (0,000) (0,000) (0,000) (0,152)
logAm 6346,625 39,360 79,666 1,150
1,544 0,139
(2.15) (0,000) (0,000) (0,000) (0,142)
logLm.Am 7046,526 42,637 83,944 1,350
1,387 0,128
(2.13) (0,000) (0,000) (0,000) (0,052)

= b1 . X, cv. Cencibel. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
419277,3 647,516 1,135

logSFa modelo (2.14) 1,308 0,046
(0,000) (0,000) (0,152)
424792,9 651,761 1,150
logSFa modelo (2.15) 1,544 0,041
(0,000) (0,000) (0,142)
469051,4 684,873 1,350
logSFa modelo (2.13) 1,387 0,041
(0,000) (0,000) (0,052)
38

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.14) logP = -0,154 + 1,939 .log Lm, cv. modelo (2.15) logP = -0,186 + 1,990 .log Am, cv.

6 6
4 4
2 2
0 0
-2 -2
-4 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.13) logP = -0,154 + 1,939 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Cencibel. 2ª Campaña
Cencibel. 2ª Campaña (1996). (1996).
39

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
= 1.log (P modelo (2.15)), cv. Cencibel. 2ª Campaña = 1 .log (P modelo (2.13)), cv. Cencibel. 2ª Campaña
(1996). (1996).
60 70
50 60
50
40
40
30
30
20
20
Frecuencia
Frecuencia

10 10
0 N = 379,00 0 N = 379,00
-3
-2,00
-2 50
-1,00
-1 50
-,5,00
0, 0
,5 0
1,
1, 0
2, 0
2,00
3, 0
3, 0
4, 0
4, 0
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
5,50
0
0
0
5
5
0
5
0
50
00
,
modelo (2.14) logP = -0,154 + 1,939 .log Lm, cv. modelo (2.15) logP = -0,186 + 1,990 .log Am, cv.
40
60 60
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 10
0 N = 379,00 0 N = 379,00
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
5,50
-3
-2,00
-2 50
-1,00
-1 50
-,5,00
0, 0
,5 0
1,
1, 0
2, 0
2, 0
3, 0
3, 0
4, 0
4, 0
00
0
0
0
5
0
5
0
5
0
50
,
,
modelo (2.13) logP = -0,154 + 1,939 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Cencibel. 2ª Campaña
Cencibel. 2ª Campaña (1996). (1996).
70 60
60 50
50
40
40
30
30
20
20
Frecuencia
Frecuencia

10 10
0 N = 379,00 0 N = 379,00
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
5,50
-3
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
5,50
00
00
(1996). (1996).
41

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = -0,154 + 1,939 .log Lm, cv. Cencibel. 2ª Campaña logP = -0,186 + 1,990 .log Am, cv. Cencibel. 2ª Campaña
(1996). (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = -0,154 + 1,939 .log Lm, cv. Cencibel. 2ª Campaña modelo (2.14)), cv. Cencibel. 2ª Campaña (1996).
(1996).
42

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
6. Garnacha 1996
6.1. Área foliar:
modelo (2) logSFa = b0 + b1 . X, cv. Garnacha. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
D
Z
(Sig.)
Distancia de
Cook máxima
logLm 27142,309 -15,056 164,749 1,153

1,436 0,044
(2.8) (0,000) (0,000) (0,000) (0,140)
logAm 24951,054 -10,422 157,959 1,852
1,731 0,076
(2.9) (0,000) (0,000) (0,000) (0,002)
logLm.Am 46706,977 -18,273 216,118 1,492
1,540 0,057
(2.10) (0,000) (0,000) (0,000) (0,023)

logSFa = b1 . X, cv. Garnacha. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
625468,0 790,865 1,153

logSFa modelo (2.8) 1,436 0,065
(0,000) (0,000) (0,140)
575639,5 758,709 1,852
logSFa modelo (2.9) 1,731 0,119
(0,000) (0,000) (0,002)
1070363 1034,58 1,492
logSFa modelo (2.10) 1,540 0,079
(0,000) (0,000) (0,023)
43

4 6
4
2

2
0
-2
-2
-4
-4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
Garnacha. 2ª Campaña (1996). Garnacha. 2ª Campaña (1996).

6 4
4
2
2
0
-2
-2
-4
-4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.10) logSFa = -0,179 + 0,990 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Garnacha. 2ª
Garnacha. 2ª Campaña (1996). Campaña (1996).
44

6 6
4 4

2 2
0 0
-2 -2
-4 -4
-6 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
logSFa = 1.log (SFa modelo (2.9)), cv. Garnacha. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Garnacha. 2ª
50 120
100
40
80
30
60
20
40
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 Desv. típ. = 1,00

20
0 N = 382,00 0 N = 382,00
-4
-3 25
-3 75
-2 25
-2 75
-1 25
-1 75
-,725
-,25
,2 5
,7
1,
1, 5
2, 5
2, 5
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
5,
5
5
2
7
2
75
0
0
0
0
00
00
,
,
,
,
,
,
,
,0
,0
,0
,0
,0
,0
45
120 50
100
40
80
30
60
20
40
Frecuencia
Frecuencia
Desv. típ. = 1,00 10 Desv. típ. = 1,00
20
0 N = 382,00 0 N = 382,00
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0 0
,5,00
1,0
1,00
2,50
2,00
3,50
3 00
4,,50
-4
-3 25
-3 75
-2 25
-2 75
-1 25
-1 75
-,725
-,25
,2 5
,7
1,
1, 5
2, 5
2, 5
00
5
5
2
7
2
75
,
,
,
,
,
,
,
modelo (2.10) logSFa = -0,179 + 0,990 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Garnacha. 2ª
Garnacha. 2ª Campaña (1996). Campaña (1996).
120 120
100 100
80 80
60 60
40 40
Frecuencia
Frecuencia

20 20
0 N = 382,00 0 N = 382,00
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1,
2, 0
3, 0
4, 0
5, 0
-5
-4,00
-4,50
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0 0
,5,00
1,0
1,00
2,50
2,00
3,50
3 00
4,,50
00
0
0
0
0
00
00
,0
,0
,0
,0
,0
,0
logSFa = 1 .log (SFa modelo (2.9), cv. Garnacha. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Garnacha. 2ª
46

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,195 + 1,981 .log Lm, cv. Garnacha. 2ª logSFa = -0,137 + 1,955 .log Am, cv. Garnacha. 2ª

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,179 + 0,990 .log Lm.Am, cv. Garnacha. 2ª (SFa modelo (2.8)), cv. Garnacha. 2ª Campaña (1996).
Campaña (1996).
47

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
(SFa modelo (2.9)), cv. Garnacha. 2ª Campaña (1996). (SFa modelo (2.10)), cv. Garnacha. 2ª Campaña (1996).

modelo (2) logP = b0 + b1 . X, cv. Garnacha. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
LogLm 16837,267 58,704 129,758 0,830

1,334 0,050
(2.14) (0,000) (0,000) (0,000) (0,497)
LogAm 11204,232 52,923 105,850 0,854
1,182 0,035
(2.15) (0,000) (0,000) (0,000) (0,459)
logLm.Am 17524,440 61,790 132,380 0,769
1,118 0,036
(2.13) (0,000) (0,000) (0,000) (0,595)

= b1 . X, cv. Garnacha. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
979721,4 989,809 0,830

logSFa modelo (2.14) 1,334 0,038
(0,000) (0,000) (0,497)
659057,8 811,824 0,854
logSFa modelo (2.15) 1,182 0,054
(0,000) (0,000) (0,459)
1018839 1009,38 0,769
logSFa modelo (2.13) 1,118 0,042
(0,000) (0,000) (0,565)
48

4 6
3
4
2

2
1
0 0
-1
-2
-2
-4
-3
-4 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.14) logP = 0,545 + 1,118 .log Lm, cv. modelo (2.15) logP = 0,584 + 1,098 .log Am, cv.

4 4
2 2
0 0
-1
-2 -2
-3
-4 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.13) logP = 0,557 + 0,557 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Garnacha. 2ª Campaña
Garnacha. 2ª Campaña (1996). (1996).
49

6 4
4
2

2
0 0
-2
-2
-4
-6 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
= 1.log (P modelo (2.15)), cv. Garnacha. 2ª Campaña = 1 .log (P modelo (2.13)), cv. Garnacha. 2ª Campaña
(1996). (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 382,00 0 N = 382,00
-3
-3 50
-2 0
-2 50
-1 00
-1 0
-,500
0, 0
,5 0
1,
1, 0
2, 0
2, 0
3, 0
-4
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
0
0
0
5
0
5
00
50
,
,0
,
,
,5
,
modelo (2.14) logP = 0,545 + 1,118 .log Lm, cv. modelo (2.15) logP = 0,584 + 1,098 .log Am, cv.
50
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00
0 N = 382,00 0 N = 382,00
-3
-3,75
-2 25
-2,75
-1 25
-1,75
-,725
-,25
,2 5
,7
1,
1,25
2, 5
2, 5
3, 5
3, 5
-3
-3 50
-2 0
-2 50
-1 00
-1 0
-,500
0, 0
,5 0
1,
1, 0
2, 0
2, 0
3, 0
5
5
7
2
7
2
75
0
0
0
5
0
5
00
,
,
,0
,
,
,5
,
modelo (2.13) logP = 0,557 + 0,557 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Garnacha. 2ª Campaña
Garnacha. 2ª Campaña (1996). (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 382,00 0 N = 382,00
-4
-3,00
-3,50
-2,00
-2,50
-1,00
-1,50
-,5,00
0, 0
,500
1,0
1,00
2,50
2,00
3,50
3,00
4,50
4,00
-3
-3,75
-2 25
-2,75
-1 25
-1,75
-,725
-,25
,2 5
,7
1,
1, 5
2, 5
2, 5
3, 5
3, 5
50
5
5
2
7
2
7
2
75
,
= 1 .log (P modelo (2.15)), cv. Garnacha. 2ª Campaña = 1 .log (P modelo (2.13)), cv. Garnacha. 2ª Campaña
(1996). (1996).
51

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,545 + 1,118 .log Lm, cv. Garnacha. 2ª Campaña logP = 0,584 + 1,098 .log Am, cv. Garnacha. 2ª Campaña
(1996). (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,557 + 0,557 .log Lm.Am, cv. Garnacha. 2ª modelo (2.14)), cv. Garnacha. 2ª Campaña (1996).
Campaña (1996).
52

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
modelo (2.15)), cv. Garnacha. 2ª Campaña (1996). modelo (2.13)), cv. Garnacha. 2ª Campaña (1996).
7. Macabeo 1996
7.1. Área foliar:
modelo (2) logSFa = b0 + b1 . X, cv. Macabeo. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 39225,597 -15,300 198,055 0,977

1,799 0,159
(2.8) (0,000) (0,000) (0,000) (0,295)
logAm 25303,901 -13,578 159,072 1,484
1,534 0,136
(2.9) (0,000) (0,000) (0,000) (0,024)
logLm.Am 56849,709 -20,520 238,432 1,528
1,502 0,113
(2.10) (0,000) (0,000) (0,000) (0,019)

logSFa = b1 . X, cv. Macabeo. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
846025,7 919,797 0,977

logSFa modelo (2.8) 1,799 0,031
(0,000) (0,000) (0,295)
548384,9 740,530 1,484
logSFa modelo (2.9) 1,534 0,087
(0,000) (0,000) (0,024)
1222823 1105,81 1,528
logSFa modelo (2.10) 1,502 0,066
(0,000) (0,000) (0,019)
53

6 6
4
4

2
2
0
-2
0
-4
-2
-6
-4 -8
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
Macabeo. 2ª Campaña (1996). Macabeo. 2ª Campaña (1996).

6 6
4
4
2
2
0
-2
-2
-4
-6 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.10) logSFa = -0,188 + 0,996 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8)), cv. Macabeo. 2ª
Macabeo. 2ª Campaña (1996). Campaña (1996).
54

6 6
4 4

2
2
0
0
-2
-2
-4
-6 -4
-8 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
logSFa = 1.log (SFa modelo (2.9)), cv. Macabeo. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Macabeo. 2ª
50 120
100
40
80
30
60
20
40
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 Desv. típ. = 1,00

20
0 N = 365,00 0 N = 365,00
-3
-2,25
-2 75
-1,25
-1 75
-,7,25
-,25
,2 5
,7
1,
1,
2,75
2, 5
3, 5
3, 5
4, 5
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
5, 0
6, 0
5
5
25
2
7
2
7
25
0
0
0
0
0
0
00
,
,0
,0
,0
,0
,0
,0
Macabeo. 2ª Campaña (1996). Macabeo. 2ª Campaña (1996).
55
100 50
80 40
60 30
40 20
Frecuencia
Frecuencia
20 Desv. típ. = 1,00 10 Desv. típ. = 1,00
0 N = 365,00 0 N = 365,00
-5
-4 0
-3 0
-2 0
-1 0
0, 0
1,
2,
3,
4,
5,
-3
-2,25
-2 75
-1,25
-1 75
-,7,25
-,25
,2 5
,7
1,
1,
2,75
2, 5
3, 5
3, 5
4, 5
00
00
00
00
00
00
5
5
25
2
7
2
7
25
,0
,0
,0
,0
,0
,
modelo (2.10) logSFa = -0,188 + 0,996 .log Lm.Am, cv. logSFa = 1 .log (SFa modelo (2.8), cv. Macabeo. 2ª
Macabeo. 2ª Campaña (1996). Campaña (1996).
120 100
100
80
80
60
60
40
40
Frecuencia
Frecuencia
Desv. típ. = 1,00 20 Desv. típ. = 1,00

20
0 N = 365,00 0 N = 365,00
-6
-5 0
-4 0
-3 0
-2 0
-1 0
0, 0
1, 0
2, 0
3, 0
4, 0
5, 0
6, 0
-5
-4 0
-3 0
-2 0
-1 0
0, 0
1,
2,
3,
4,
5,
0
0
0
0
0
0
00
00
00
00
00
00
00
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
,0
logSFa = 1 .log (SFa modelo (2.9), cv. Macabeo. 2ª logSFa = 1 .log (SFa modelo (2.10), cv. Macabeo. 2ª
56

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,167 + 1,957 .log Lm, cv. Macabeo. 2ª logSFa = -0,187 + 2,005 .log Am, cv. Macabeo. 2ª

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logSFa = -0,188 + 0,996 .log Lm.Am, cv. Macabeo. 2ª (SFa modelo (2.8)), cv. Macabeo. 2ª Campaña (1996).
Campaña (1996).
57

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
(SFa modelo (2.9)), cv. Macabeo. 2ª Campaña (1996). (SFa modelo (2.10)), cv. Macabeo. 2ª Campaña (1996).

modelo (2) logP = b0 + b1 . X, cv. Macabeo. 2ª Campaña (1996).
X F
(Sig.)
t de b0
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
logLm 13874,560 68,086 117,790 0,319

1,307 0,073
(2.14) (0,000) (0,000) (0,000) (1,000)
logAm 12032,393 61,809 109,692 1,068
1,500 0,068
(2.15) (0,000) (0,000) (0,000) (0,205)
logLm.Am 16010,107 71,190 126,531 0,802
1,312 0,048
(2.13) (0,000) (0,000) (0,000) (0,540)

= b1 . X, cv. Macabeo. 2ª Campaña (1996).
X F
(Sig.)
t de b1
(Sig.)
d
Z
(Sig.)
Distancia de
Cook máxima
863883,1 929,453 0,319

logSFa modelo (2.14) 1,307 0,019
(0,000) (0,000) (1,000)
752060,1 867,214 1,068
logSFa modelo (2.15) 1,500 0,054
(0,000) (0,000) (0,205)
993514,9 996,752 0,802
logSFa modelo (2.13) 1,312 0,027
(0,000) (0,000) (0,540)
58

3 6
2 4

1
2
0
0
-1
-2
-2
-3 -4
-4 -6
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.14) logP = 0,654 + 1,022 .log Lm, cv. Macabeo. modelo (2.15) logP = 0,644 + 1,048 .log Am, cv. Macabeo.

4 3
3 2
2
1
1
0
0
-1
-1
-2
-2
-3 -3
-4 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
modelo (2.13) logP = 0,643 + 0,520 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Macabeo. 2ª Campaña
Macabeo. 2ª Campaña (1996). (1996).
59

6 4
3
4
2

2
1
0 0
-1
-2
-2
-4
-3
-6 -4
-3 -2 -1 0 1 2 -3 -2 -1 0 1 2
= 1.log (P modelo (2.15)), cv. Macabeo. 2ª Campaña = 1 .log (P modelo (2.13)), cv. Macabeo. 2ª Campaña
(1996). (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 365,00 0 N = 365,00
-3
-2 0
-2 0
-1 0
-1 0
-,5 0
0,
,5
1,
1,
2, 0
2, 0
3, 0
-4
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
4,75
00
0
00
5
0
5
00
25
,0
,5
,0
,5
,0
0
modelo (2.14) logP = 0,654 + 1,022 .log Lm, cv. Macabeo. modelo (2.15) logP = 0,644 + 1,048 .log Am, cv. Macabeo.
60
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00
0 N = 365,00 0 N = 365,00
-3
-2 0
-2 0
-1 0
-1 0
-,5 0
0,
,5 0
1,
1, 0
2, 0
2, 0
3, 0
-3
-2 0
-2 0
-1 0
-1 0
-,5 0
0,
,5 0
1,
1,
2, 0
2,
3, 0
0
0
0
5
0
5
00
0
0
00
5
00
5
00
,0
,5
,0
,5
,0
,0
,5
,0
,5
,0
0
0
modelo (2.13) logP = 0,643 + 0,520 .log Lm.Am, cv. = 1 .log (P modelo (2.14)), cv. Macabeo. 2ª Campaña
Macabeo. 2ª Campaña (1996). (1996).
50 50
40 40
30 30
20 20
Frecuencia
Frecuencia
10 Desv. típ. = 1,00 10 Desv. típ. = 1,00

0 N = 365,00 0 N = 365,00
-4
-3,25
-3,75
-2,25
-2,75
-1,25
-1,75
-,7,25
-,25
,2 5
,75
1,5
1,25
2,75
2,25
3,75
3,25
4,75
-3
-2 0
-2 0
-1 0
-1 0
-,5 0
0,
,5 0
1,
1,
2, 0
2,
3, 0
25
0
0
00
5
00
5
00
,0
,5
,0
,5
,0
0
= 1 .log (P modelo (2.15)), cv. Macabeo. 2ª Campaña = 1 .log (P modelo (2.13)), cv. Macabeo. 2ª Campaña
(1996). (1996).
61

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,654 + 1,022 .log Lm, cv. Macabeo. 2ª Campaña logP = 0,644 + 1,048 .log Am, cv. Macabeo. 2ª Campaña
(1996). (1996).

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada
,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
logP = 0,643 + 0,520 .log Lm.Am, cv. Macabeo. 2ª modelo (2.14)), cv. Macabeo. 2ª Campaña (1996).
Campaña (1996).
62

1,0 1,0
,8 ,8
Prob acum esperada
Prob acum esperada

,5 ,5
,3 ,3
0,0 0,0
0,0 ,3 ,5 ,8 1,0 0,0 ,3 ,5 ,8 1,0
modelo (2.15)), cv. Macabeo. 2ª Campaña (1996). modelo (2.13)), cv. Macabeo. 2ª Campaña (1996).
63
64

TESIS Legorburo Serra+ PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TESIS Legorburo Serra+ PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CASTILLA-LA MANCHA

Departamento de Producción Vegetal y Tecnología Agraria

Escuela Técnica Superior de Ingenieros Agrónomos de Albacete

ESTIMACIÓN DEL ÁREA FOLIAR EN Vitis vinifera L.

Albacete, Mayo 2005

seis capas de células muy

parámetros cuantitativos que se comentan más adelante.

tomada en conjunto, resulta ser discontinua y espacialmente heterogénea, se complica la

3.5.3.1. Métodos de estimación basados en medidas lineales de la hoja.

3.5.4. Métodos comparativos.

4.2. El clima local y las condiciones climáticas durante el ensayo.

4.3. Características edáficas.

En las Tablas nº 5 y 6, se presentan las características macromorfológicas del suelo y la

Tabla 5. Características macromorfológicas del suelo en la calicata. IVICAM, diciembre 1994.

Tabla 6. Descripción del perfil de la calicata. IVICAM, diciembre 1994.

En la Figura nº 6, se muestra una

Figura 6. Imágenes digitalizadas de los limbos de las hojas de los

4.5. Labores y operaciones culturales.

4.6. Procedimiento para la toma de muestras.

Al inicio de la primera campaña, se marcaron ochenta plantas con

Tabla 12. Fechas y tamaño de las muestras de la 2ª Campaña (1996).

4.7. Trabajo de laboratorio.

4.8. Módelos para determinar el área foliar.

Expresión Variables independientes

S = a + b.x1 + c.x2 + d.x1.x2 (3) L y A ó L2 y A2

S = a + b . x + c . x2 (4) L, A, Lp, L1, L2d, L2i, L2 ó L3

S = a . x1b . x2c (6) L y A, Ls y A ó Li y A

log S = log L + log A’ – log (L . A’ . S-1) (7) -

log S = a + b . log x (8) L, L . A, N2(e.d), N2(e+d), D(e.d) ó D(e+d)

SFa Lm, Lm2, Am, Am2, Lm.Am, (Lm.Am)2 ó SEF

logP logSFa, logLm.Am, logLm ó logAm

Lm, Lm2, Am, Am2, Lm.Am, (Lm.Am)2 y/ó

Y = b0 + b1 . X1 +...+ bn .Xn, n > 1

logP logSFa, logLm.Am, logLm y/ó logAm

cm 2 100 tal el que se realiza con todas las hojas %

15; Anejo 1). Si la agrupación de las hojas

Media Pequeñas Media Medianas Media Grandes Media Todas

hojas tanto si agrupamos el material por 140

su tamaño como por el tipo de sarmiento, 120

se constata un ascenso del valor de la 100

media entre el primer y el cuarto muestro, cm

a partir del cual se observan unos valores 60

similares, aunque con algunos altibajos

(Figs. 9 y 10) y, aunque la variabilidad 20

natural puede explicar algunas

cada uno se hizo sobre plantas

Media Delanteros Media Zariegos Media Esperguras Media Todas

80 las medianas, 159,74 cm2 para las 40

60 grandes y 91,85 cm2 para el

y 12). Los coeficientes de variación para 120

para el estudio global, e igualmente muy cm 2 80 60 %

semejantes a los de la variable SFa; 60

concretamente, 52,72% para las hojas 40

pequeñas, 31,65% para las medianas, 20

24,59% para las grandes y 64,70% para 0 0

la agrupación de todas las hojas (Tabla 1º 2º 3º 4º 5º 6º 7º 8º

coeficientes de variación son muy CV Delanteros CV Zariegos CV Esperguras CV Todas

La variable Lm, tiene, para el estudio

hojas pequeñas, 11,68 cm para las 18

11,69 cm para el agrupamiento de todas

valores para el agrupamiento por tipo de 8

sarmiento de 12,01 cm para las hojas de 6

los delanteros, 11,76 cm para las de los 4