a) Identifique los factores y sus niveles

var de lechuga V1 V2 V3 V4
niveles de N 0 10 20 30
b) Identifique la UE y represente el experimento en un esquema de campo y justifique el uso
del diseño experimental
UE: una parcela
Esquema de campo:

Las parcelas so homogéneas debido a que el terreno era plano y uniforme y manejadas de
la misma manera y bajo las mismas condiciones ambientales
c) Identifique la VR y desarrolle el modelo estadístico
VR: peso/cabeza de lechuga

Y ijk =µ+ α i + β j + γ ij + ε k (ij)

i = 1, 2, 3, 4 variedades de lechuga

j = 0, 10, 20, 30 kg/ha de N

k = 1, 2, 3, 4 parcelas/tratamiento

Y ij = peso/cabeza de lechuga observado en la k-ésima parcela de la i-esima var de lechuga con la

aplicacion del j-ésimo nivel de nitrogeno

µ = media general

α i = efecto fijo de la i-ésimo var de lechuga

β j = efecto fijo del j-ésimo nivel de N

γ ij = efecto fijo de la interacción entre la i-ésima var de lechuga y j-ésimo nivel de N

ε j (i) = efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )
Análisis de varianza:

Prueba de hipótesis: según el objetivo se debe analizar N y V*N, no es necesario hacer Var
(solo se esta haciendo como ejemplo, pero no se debería hacer N)

El peso/cabeza es el mismo de cada una de las 4 var de lechuga

Ha: el peso/cabeza es diferente de al menos una de las 4 var de lechuga

Conclusión: con 99 de seguridad se determina que el peso/cabeza es diferente con al

menos una de las 4 var de lechuga
Hipotesis especifica:
V2-V4

Ho: El peso/cabeza es el mismo de las var 2 y 4

Ha: El peso/cabeza es diferente de las var 2 y 4

Conclusión: con un 99 de seguridad se concluye que el peso/cabeza es el mismo de las var

2y4 viendo las medias: V2>V4…..

Efecto principal de N:

El peso/cabeza es el mismo con cada uno de los 4 niv de N

Ha: El peso/cabeza es diferente con al menos uno de los 4 niv de N

Se hace regresión:
Lineal:
Ho: el peso/cabeza no cambia linealmente a medida que aumente el nivel de N
Ha: el peso/cabeza incremente linealmente a medida que aumente el nivel de N
Conclusión: con 99 de seguridad se concluye que el peso/cabeza incremente linealmente a
medida que aumente el nivel de N
Cuadrática:

El peso/cabeza no cambia cuadráticamente a medida que aumenta el novel de N

Ha: El peso/cabeza disminuye cuadráticamente a medida que aumenta el novel de N

Conclusión: con un 99 de seguridad se concluye que el peso/cabeza disminuye

cuadráticamente a medida que aumenta el novel de N

Conclusión general: de acuerdo al objetivo planteado y los resultados obtenidos se

concluye que el peso/cabeza incrementa linealmente pero disminuye cuadráticamente a
medida que aumenta el nivel de N, por tanto hay nivel optimo

Interacción:

cuando se trata de un factor cuantitativo y cualitativo, la

interacción se interpreta del cuantitativo en el cualitativo
El efecto de nitrógeno sobre el peso/cabeza es el mismo en cada una de las 4 var de
lechuga
Ha: El efecto de nitrógeno sobre el peso/cabeza es diferente en al menos una de las 4 var
de lechuga

Conclusión: con un 99 de seguridad se concluye que el efecto de nitrógeno sobre el

peso/cabeza es diferente en al menos una de las 4 var de lechuga, hay interacción
Cuando hay interaccion, se analiza N en cada Var
V1 lineal

El peso/cabeza de la var 1 de lechuga no cambia linealmente a medida que aumenta el

nivel de Nitrogeno
Ha: El peso/cabeza de la var 1 de lechuga incrementa linealmente a medida que aumenta
el nivel de Nitrogeno

Conclusión: con un 99 de seguridad se concluye que el peso/cabeza de la var 1 de lechuga

incrementa linealmente a medida que aumenta el nivel de Nitrogeno
V1 cuadratica:

El peso/cabeza de la var 1 de lechuga no cambia cuadráticamente a medida que aumenta

el nivel de N
El peso/cabeza de la var 1 de lechuga disminuye cuadráticamente a medida que aumenta
el nivel de N

Conclusión con un 99 de seguridad se concluye que el peso/cabeza de la var 1 de lechuga

no cambia cuadráticamente a medida que aumenta el nivel de N
Conclusión general: con un 99 de seguridad se determina que el peso/cabeza de la var 1
de lechuga solamente incrementa linealmente a medida que aumenta el nivel de N, por
tanto no existe nivel optimo sino un nivel apropiado (aquel nivel al cual se espera la mejor
media) en este caso 30 kg/ha de N
V2 lineal
 Conlcusion al objetivo:

BLOQUES COMPLETOS AL AZAR

Características:
 Cuando hay variación en las unidades experimentales
 Las unidades experimentales presentan un patron de variación

En invernaderos: influye la radiación, la puerta

En laboratorio: el material (explantos) puede venir de diferentes plantas, medio de cultivo
Animales: camadas
Personas: cada persona evalúa de diferente manera

Cada bloque debe tener unidades igual al numero de tratamientos

Todos los tratamientos se distribuye al azar en cada bloque

Análisis estadístico:
Modelo estadístico:

Y ij =µ+φi + τ j +ε ij

i = 1, 2,…, r bloques

j = 1, 2,…, t trt
Y ij = valor de una variable de respuesta observado en una unidad experimental del i-ésimo bloque
donde se aplico el j-ésimo tratamiento

µ = media general

φ i = efecto aleatorio del i-ésimo bloque

φ i NIID(0 ,σ 2r )
τ j ε j ( i) =¿ efecto fijo del j-ésimo trt

ε j (i)= efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )

Análisis de varianza:

Cuadro de análisis de varianza:

Componentes de varianza:
Paso 1 el cuadrado medio de cada efecto aleatorio se iguala a su esperanza
Paso 2 las ecuaciones resultantes en 1 se resuelven para las varianzas desconocidas r, e
Interpretación: si la varianza entre bloques > 0, las UE variaron de un bloque a otro
si la varianza de bloques=0 las UE no variaron entre los bloques, todas son homogéneas
eficiencia del diseño experimental si la varianza entre bloques > 0, el DE BCAA ha sido
correctamente usado, caso contrario si es =0 entonces el DE BCAA no ha sido
correctamente usado
eficiencia del modelo estadístico si la varianza entre bloques > 0, entonces el modelo
estadístico usado es el mas apropiado, caso contrario si es =0 el modelo estadístico usado
no es apropiado y se debe reformular eliminando de la ecuación del modelo el efecto de
bloques
BCAA tratamientos experimentados

Análisis estadístico:

Modelo estadístico:
Y ij =µ+φi +α j + β k + γ jk +ε ijk

i = 1, 2,…, r bloques

j = 1, 2,…, t trt

j = 1, 2,…, a niveles del factor A

k = 1, 2,…, b niveles del factor B

Y ij = valor de una variable de respuesta observado una unidad experimental del i-ésimo bloque
donde se aplico el tratamiento que resulta de la combinación entre el j-ésimo nivel de A y j-ésimo
nivel de B

µ = media general

φ i = efecto aleatorio del i-ésimo bloque

φ i NIID(0 ,σ 2r )
α j = efecto fijo del i-ésimo nivel de A (efecto principal de A)

β k = efecto fijo del j-ésimo nivel de B (efecto principal de B)

γ jk = efecto fijo de la interacción entre el j-ésimo nivel de A y k-ésimo nivel de B

ε j (i) = efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )

análisis de varianza

Cuadro de análisis de varianza

Componentes de varianza
 FILAS Y COLUMNAS

Características:

Las unidades experimentales presentan 2 patrones de variación

3 alternativas:

a) Cuadrado latino el numero de filas = al numero de columnas = al numero de tratamientos

= al numero de tratamientos
los tratamientos se distribuyen al azar en las filas y columnas de tal manera que cada
tratamiento ocurre una sola vez en cada fila y columna

Aleatorizar mejo: primero se aleatoriza el contenido entre filas

 Segundo: se aleatoriza entre columnas

b) Rectangular latino se hace cuando se desea mayor repeticiones que tratamientos

R > trt
B1) #filas = # trt
# col = # rep

B2) #filas = # rep

# col = # trt

c) Generalizado de filas y columnas se usa cuando: # rep < # trt

Generalmente cuando el # trt es elevado
Como?
1 se desarrolla el diseño cuadrado latino
2 del cuadrado latino se toma al azar filas o columnas igual al numero de repeticiones
deseadas
 Análisis estadístico:
Modelo estadístico:

Y ij k =µ+φi +κ j + τ k +ε ij k

i = 1, 2,…, f filas

j = 1, 2,…, c columnas

k = 1, 2,…, t trt

Y ij = valor de una variable de respuesta observado en una unidad experimental de la i-esima fila y j-
esima columna donde se aplico el k-ésimo tratamiento

µ = media general

φ i = efecto aleatorio de la i-ésimo fila

φ i NIID(0 ,σ 2f )
κ j =¿ efecto aleatorio de la j-ésima columna

κ j NIID(0 , σ 2c )
τ k= efecto fijo del k-ésimo tratamiento

ε j (i)= efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )

Análisis de varianza

Cuadro de análisis de varianza

SAS:
 PARCELAS DIVIDIDAS

Características:

 2 o mas factores (trt estructurado)

 El factor A, necesita UE grande (parcela principal)
 El factor B, no tiene limitaciones en cuanto a tamaño de UE, por lo que este factor se
aplica dentro de cada PP y divide la PP en subparcelas igual al numero de factores del nivel
B

2 factores- parcelas dividicas, 3 factores parcelas subdivididas……..

Se aplica a cada uno de los diseños (DCA con PD, BCAA con PD, FyC con PD)

Como?

1. Se desarrolla el diseño experimental básico (DCA, BCA, FyC) considerando solo los niveles
del factor A
2. Los niveles del factor B se distribuyen al azar dentro de cada parcela principal para lo cual
capa PP se subdivide en unidades igual al # de niveles del factor B
La VR se evalúa en cada una de las subparcelas

DCA con PD:

Análisis estadístico:

Modelo estadístico:

1. Desarrollas la ecuación del modelo considerando solamente los niveles de A (como de trt
no estructurados)

2. A la ecuación en 1, se adiciona el efecto del factor B y su interacción con el factor A

i = 1, 2,…, a niveles del factor A

j = 1, 2,…, b niveles del factor B

k = 1, 2,…, r parcelas principales/nivel de A

Y ij = valor de una variable de respuesta observado en una subparcela donde se aplico el j-ésimo
nivel de B dentro del i-ésimo nivel de A de la k-esima parcela principal

µ = media general

α i = efecto fijo del i-ésimo nivel de A

ε k(i)=¿ efecto aleatorio de la k-esima PP con el i-ésimo nivel de A

ε k(i) NIID (0 , σ 2ra )

β j = efecto fijo del j-ésimo nivel de B (efecto principal de B)

γ ij = efecto fijo de la interacción entre el i-ésimo nivel de A y j-ésimo nivel de B

ε j k (i) = efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )
Análisis de varianza:

Cuadro de análisis de varianza:

Componentes de varianza:
SAS:
BCA con PD

I= 1, 2, 3,… r bloques
j = 1, 2,…, a niveles de A

k = 1, 2,…, b niveles de B

Y ij = valor de una variable de respuesta observado una subparcela donde se aplico el k-ésimo nivel
de b dentro el j-ésimo nivel de a del i-ésimo bloque

µ = media general

φ i = efecto aleatorio del i-ésimo bloque

φ i NIID(0 ,σ 2r )
α j = efecto fijo del i-ésimo nivel de A

ε ij= efecto aleatorio de la interaccion entre el i-ésimo bloque y j-esimo nivel de A

ε ij NIID(0 , σ 2r a)
β k = efecto fijo del j-ésimo nivel de B

γ jk = efecto fijo de la interacción entre el j-ésimo nivel de A y k-ésimo nivel de B

ε j (i) = efecto aleatorio de los residuales

ε j (i) NIID(0 , σ 2e )

Análisis de varianza:
Cuadro de análisis de varianza:

Componentes de varianza:

SAS:
Fy C con PD