LIBRODISEÑOSvirtualemi 2018

Ph.D.
Yákov Arteaga García Diseños Experimentales

....................................................................................................................................................................................
DISEÑOS EXPERIMENTALES
Ph.D. Yákov Arteaga García
1
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Diseños
Experimentales
Ph.D. Yákov Arteaga García
La Paz – Bolivia
2018
2
....................................................................................................................................................................................
PROLOGO
La investigación es un proceso sistemático, controlado y crítico, que necesita de apoyo

metodológico para validar el conocimiento , de tal manera que se convierta en conocimiento
científico, el presente libro reúne el conocimiento teórico práctico sobre Diseños
Experimentales, está dirigido a quienes deseen aprender estos conocimientos, donde se
complementa con la explicación en detalle sobre la programación del software estadístico
S.A.S., que puede ser utilizada en cualquier versión del mismo.
Para su elaboración, ser realizó una amplia revisión de información sobre el tema, en
bibliografía existente, así como en la red internet, y tiene un aporte personal del
conocimiento adquirido en dos cursos de Postgrado sobre “ Modelos lineales y no-lineales”,
así como: “ Métodos estadísticos en Investigación Social ” en la Carrera de Estadística de
la Universidad Mayor de San Andrés, asi también complementa la experiencia obtenida en
el proceso de asesoramiento de tesis de grado en la Facultad de Agronomía, y Veterinaria
en Universidades de nuestro país.
La experiencia adquirida en estos 22 años que llevo dedicado a la Docencia, en las Materias
de Estadística, Bioestadística y Diseño de Experimentos I y II, Asesoramiento de Tesis y
Proyectos de Investigación en La Universidad Mayor de San Andrés(UMSA), Escuela Militar
de Ingeniería(EMI) y otras Universidades, me permiten afirmar que; cualquier investigación
no puede ser llevada a cabo, sin una base metodológica, y un específico Diseño
experimental de Investigación.
Considero que, la presente versión digital de Diseños Experimental, ofrece al lector las
herramientas básicas que le permitan sustentar una investigación, desde el punto de vista
científico.
Yákov Arteaga García

24 de Septiembre del 2018
3
....................................................................................................................................................................................
CONTENIDO
pág.
Capítulo 1. Diseños Experimentales................................................................................6
1.1 Concepto, Objetivo e Importancia.- 1.2 Pasos del diseño experimental.- 1.3
Principios generales de la experimentación agrícola. Definiciones.- Diseño
Experimental. Necesidad y Propósito. Tratamiento. Testigo. Unidad
Experimental. Error Experimental 1.4 Principios Básicos del Diseño
Experimental. – 1.5 Ventajas y Desventajas del diseño experimental.
Capítulo 2. Transformaciones de datos........................................................................13
2.1 Introducción.– 2.2 Los residuales como forma de chequear los datos. – 2.3
Supuestos del Análisis de datos. - 2.4 Homogeneidad de Varianza.- 2.5
Normalidad.- 2.6 Aditividad y Linealidad del Modelo.- 2.7 Inependencia de
Medias y Varianzas.- 2.8 Transformaciones de datos.- 2.9 Consideraciones
Finales.
Capítulo 3. Diseños Estadísticos...................................................................................22
3.1 Introducción.– 3.2 Diseño Completamente al Azar. Ventajas. Desventajas.

Usos. 3.3 Diseño de Bloques Completamente al Azar. Ventajas. Desventajas.
Usos. 3.4 Diseño en Cuadrado latino. Ventajas. Desventajas. Usos. 3.5
Experimentos Factoriales.- Distribución. Arreglo. Combinatorio. Parcelas
Divididas. Franjas.
Capítulo 4. Comparaciones Múltiples............................................................................36
4.1 Introducción.– Método D.M.S. Método de Duncan. Método de S.N.K.

Método de Tukey. Comparaciones Ortogonales. Comentarios Finales.
Ejercicios.
Capítulo 5. Modelos Jerárquicos o Anidados...............................................................61
5.1 Factores Fijos y Aleatorios.– 5.2 Factores Cruzados o Anidados. – 5.3

Modelos Jerárquicos o Anidados. - 5.4 Errores mas comúnes en el uso de la
bioestadística.
4
....................................................................................................................................................................................
Capítulo 6. Caracterización de Sistemas de Producción............................................68
6.1 Introducción.– 6.2 Metodología para caracterización de Sistemas de

Producción. Primera Etapa. Segunda Etapa.
Capítulo 7. Metodología para Caracterización de Sistemas de Producción

Agropecuaria para una mejor toma de decisiones de los Municipios
Rurales..........................................................................................................71
7.1 Definición y Delimitación del problema.– 7.2 Breve Diagnóstico. – 7.3

Establecimiento de los Objetivos. - 7.4 Líneas Estratégicas.- 7.5 Programa-
Modalidad de Intervención.- 7.6 Evaluación.- 7.7 Literatura Consultada.
Capítulo 8. Procesamiento de datos con el S.A.S........................................................74
8.1 Introducción.– 8.2 Opciones básicas para el procesamiento. –

Procedimiento Anova. Test. Means. GLM. Corr. Plan. Print. Plot. Ejercicios.
Literatura Consultada.
Anexos.
5
....................................................................................................................................................................................
CAPITULO 1.
DISEÑOS EXPERIMENTALES
1.1 CONCEPTO, OBJETIVO E IMPORTANCIA.
La investigación científica consiste en la búsqueda permanente de la verdad mediante

métodos objetivos, adecuados y precisos. La experimentación es un método científico de
investigación que consiste en hacer operaciones y prácticas destinadas a demostrar,
comprobar o descubrir fenómenos o principios básicos.
La experimentación agrícola en particular, comprende las pruebas, ensayos, observaciones,

análisis, etc., o sea, el estudio práctico de todo aquello que interesa a la ciencia. Se
considera como un experimento del probar una hipótesis formulada. Se hace una
investigación cuando se estudia la causa y el efecto.
En un experimento se observan únicamente los efectos y se realiza con fines de aplicación

práctica inmediata, ya sea para el científico o para la comunidad. Por su parte, una
investigación es de aplicación mediata y puede ser evolucionista, o sea, puede conducir a
idear nuevas técnicas o a modificar las existentes. Ambos términos son inseparables y
comúnmente se confunden.
El método científico en la búsqueda de hechos, la formulación de hipótesis y la obtención

de los principios y las leyes que rigen tales hechos. Comprende dos aspectos importantes:
El método inductivo y el método deductivo.
La aplicación del método científico ha conducido al descubrimiento de leyes que rigen el

proceso biológico. Por ejemplo, Gregorio Mendel formuló sus hipótesis, relativas a la
herencia biológica, después de efectuar una serie de observaciones y experimentos; así
encontró las relaciones conocidas. Cuando sus hipótesis; formuladas luego de observar el
desarrollo de la planta del chícharo, fueron confirmadas en diversos organismos animales y
vegetales, se establecieron las dos leyes de Mendel en que se basa la herencia biológica.
6
....................................................................................................................................................................................
1.2 PASOS DEL DISEÑO EXPERIMENTAL
Como ya quedó establecido, para obtener la información apropiada que nos permita
hacer deducciones válidas respecto del problema en estudio, es necesario aplicar una
secuencia completa de pasos tomados de antemano. Sólo así se garantiza el análisis
objetivo del problema, con base en los datos obtenidos. Enumeremos, entonces, los pasos
del diseño experimental.
1. Enunciar claramente el problema:
a) Identifique la nueva e importante área del problema.

b) Delinee el problema específico dentro de sus limitaciones usuales.
c) Defina el propósito exacto del programa o prueba.
d) Determine la relación del problema particular con la investigación total o programa de
desarrollo.
2. Reúna la información básica disponible:
a) Investigue todas las frentes de información disponibles.

b) Tabule los datos pertinentes para planear el programa nuevo.
3. Diseñe el programa de prueba:
a) Diseñe el programa en forma preliminar.

b) Sostenga una conferencia con todas las partes concernientes.
c) Revise el diseño en colaboración con las partes concernientes
4. Planee y lleve a cabo el trabajo experimental:
a) Desarrolle métodos, materiales y equipo.

b) Aplique los métodos o técnicas.
e) Supervise los detalles y modifique los métodos si es necesario.
d) Registre cualquier modificación al diseño del programa.
e) Sea cuidadoso en la colección de datos.
f) Registre el avance del programa.
5. Analice los datos:
a) Reduzca los datos registrados a forma numérica, si es necesario.

b) Aplique la técnica adecuada de la estadística matemática.
6. Interprete los resultados:

7
....................................................................................................................................................................................
a) Considere todos los datos observados.

b) Limite las conclusiones a deducciones escritas a partir de las evidencias obtenidas.
c) Pruebe mediante experimentos independientes las controversias que susciten los
datos.
d) Elabore conclusiones respecto del significado técnico de los resultados y de su
significación estadística.
e) Especifique lo que indican los resultados para su aplicación y para trabajos
posteriores.
f) Tome en cuenta todas las limitaciones impuestas por los métodos usados.
g) Enuncie los resultados en términos de probabilidad verificable.
7. Prepare el informe:
a) Describa claramente el problema, dando antecedentes y aclaraciones pertinentes

tanto del problema como del significado de los resultados.
b) Use métodos gráficos y tabulares con objeto de presentar los datos en forma
eficiente para usos futuros.
c) Suministre información suficiente para que el lector pueda verificar resultados y

obtener sus propias conclusiones.
d) Limite las conclusiones a un examen objetivo tal que el trabajo evidencie su uso
para consideraciones rápidas y acciones decisivas.
1.3 PRINCIPIOS GENERALES DE LA EXPERIMENTACION AGRICOLA Y BIOLOGICA.
a. Definiciones.
Considerando las diferentes variables que influyen en la producción agrícola, en el

desarrollo de un experimento de campo o de laboratorio, es necesario tener en cuenta:
a. El planteamiento del experimento.

b. La interpretación y evaluación de los resultados experimentales.
Diversos investigadores han desarrollado técnicas y métodos estadísticos a tal grado que
es posible eliminar, por lo menos parcialmente, las diversas causas de variación que influyen
en los resultados. A continuación se presentan algunas definiciones importantes:
1. Diseño experimental, necesidad y propósito.
Diseñar un experimento significa planearlo cuidadosamente de modo que se reúna la mayor

cantidad de información relacionada con el problema que se está investigando. El diseño
8
....................................................................................................................................................................................
experimental es la secuencia completa de pasos tomados con anterioridad para asegurar
que los datos en estudio se obtendrán de modo que permitan un análisis objetivo que
conduzca a deducciones válidas con respecto al problema establecido.
La necesidad del diseño experimental es obvia; por ejemplo; Si se desea conocer el efecto
letal que producen tres herbicidas aplicados a plantas de hoja ancha, con el fin de recomen-
dar el mejor. No se puede probar los herbicidas en toda la población de malezas, pues
además de ser costoso, el tiempo empleado sería demasiado, por tal motivo se recomienda
realizar un experimento.
Por otra parte el propósito de cualquier diseño experimental es proporcionar la máxima

cantidad de información del problema que se está investigando. Es recomendable que el
diseño empleado sea simple y eficiente, para ahorrar tiempo, dinero, personal y material.
2. Tratamiento.
La palabra tratamiento implica el conjunto particular de condiciones experimentales que

deben imponerse a una unidad experimental dentro de los confines del diseño seleccionado
tratamiento es. por tanto, cualquier procedimiento, método o estímulo cuyos efectos se
desean estimar o comparar. Un tratamiento puede referirse a una dosis de fertilizante, una
ración alimenticia para el ganado, la cantidad de agua aplicable a un cultivo, etc.
3. Testigo.
Es el sujeto o tratamiento de comparación. Al realizar un experimento, siempre se debe

incluir un testigo para medir el resultado de dicho experimento o el avance de un programa.
Por ejemplo, si se van a usar cinco tratamientos con fertilizantes, el testigo será aquel
tratamiento que no incluya fertilizante, teniendo un experimento con seis tratamientos.
4. Unidad experimental.
Unidad experimental (UE} es aquella a la que se aplica un solo tratamiento en una

reproducción del experimento básico, también se dice que es el material o lugar sobre el
cual se aplican los tratamientos en estudio. Por ejemplo, una parcela, una maceta o grupo
de macetas, un cerdo o grupo de cerdos, un conjunto de semillas, etc.
5. Error experimental.
El término error experimental (EE) describe el fracaso de llegar a resultados idénticos con
dos unidades experimentales tratadas idénticamente, en términos generales el error
experimental expresa la variabilidad existente en un determinado ensayo.
Al aplicar tratamientos a las unidades experimentales, en los resultados se manifiestan

variaciones, las cuales se pueden clasificar en dos grandes grupos:
9
....................................................................................................................................................................................
a. Variaciones pertinentes.
Son variaciones debidas a los efectos de los tratamientos si éstos producen efectos
distintos.
b. Variaciones no-pertinentes.
Son variaciones debidas a causas extrañas que disfrazan los efectos de tratamientos. Los
métodos estadísticos han desarrollado técnicas que controlan, por lo menos parcialmente,
sus efectos sobre los tratamientos y los reducen. Muchas de esas variaciones extrañas
pueden constituyen el error experimental, que puede tener dos fuentes:
i) Variaciones de las unidades experimentales( en experimentos de campo, la

heterogeneidad del suelo, por ejemplo).
ii) Variaciones por falta de uniformidad en el manejo de las unidades experimentales.
Si se supone que el error experimental es uniforme para todas las unidades experimentales,
su distribución es normal, su media () es 0 y su variación está estimada por medio de la
varianza (2). No se puede eliminar el error experimental, pero si reducir sus efectos con el
fin de obtener una mejor estimación de los efectos de los tratamientos. Entre las
modalidades más recomendables para la reducción del error están:
a. Utilización de unidades experimentales tan uniformes como sea posible (suelo

homogéneo, etc)
b. Tamaño adecuado de la unidad experimental.
c. Eliminación del efecto de orilla o bordura y de la competencia mutua entre tratamientos
(uso de parcela útil).
d. Utilización de un número de repeticiones eficiente para cada tratamiento.
e. Manejo de las unidades experimentales tan uniformes como sea posible( riego,
densidad de siembra, fertilización, control de plagas, etc).
f. Aplicación de todos los tratamientos en igualdad de condiciones, de manera que si
alguno es superior a los demás tenga oportunidad de mostrarlo.
g. Adecuada distribución de los tratamientos, por medio de sorteos, estratificación, etc.
h. Aplicación de métodos estadísticos que permitan separar las diversas causas de
variación y obtener el mejor provecho de los resultados.
Con ensayos en blanco, se determina la variabilidad, el tamaño y las formas de las unidades
experimentales, así como el número óptimo de repeticiones y la distribución de los
tratamientos más indicada.
10
....................................................................................................................................................................................
1.4 PRINCIPIOS BÁSICOS DEL DISEÑO EXPERIMENTAL
Se ha establecido muchas veces que existen tres principios básicos del diseño
experimental: repetición. aleatorización y control local. Debido a la naturaleza fundamental
de los conceptos, cada uno de ellos será discutido por separado.
a. Repetición.
La repetición significa que un experimento se efectúa dos o más veces; su función es

suministrar una estimación del error experimental y brindar una valoración más precisa de
los efectos del tratamiento. El número de repeticiones que se requieren en un experimento
en particular, depende de la magnitud de las diferencias que deseamos encontrar y de la
variabilidad de los datos con que estemos trabajando. Al considerar estos dos aspectos
desde el inicio de un experimento, evitaremos muchas equivocaciones.
b. Aleatorización.
El proceso aleatorio es la asignación de tratamientos a unidades experimentales, de modo

que todas ellas tengan iguales probabilidades de recibir un tratamiento. Su función es
asegurar estimaciones imparciales de medidas de tratamientos y del error experimental.
c. Control local
Este principio del diseño experimental permite ciertas restricciones sobre la selección
aleatoria a fin de reducir el error experimental. El control local hace más extensiva cualquier
prueba de significancia.
1.5 VENTAJAS Y DESVENTAJAS DEL DISEÑO EXPERIMENTAL
Aunque las ventajas y desventajas de los experimentos diseñados estadísticamente son

obvias y pueden ser explicadas en forma diferente por cada persona, es adecuado considerar
algunas de ellas.
a. Ventajas.
1. Se requiere una estrecha vigilancia entre el estadístico y el investigador o productor

científico, lo cual trae ventajas en el análisis e interpretación de las etapas del programa.
2. Se pone énfasis en las alternativas anticipadas y en la planeación sistemática,
permitiendo aun la ejecución por etapas y’ la producción unida de datos para el análisis
en combinaciones posteriores.
3. Puede dirigirse la atención a las interrelaciones y a la estimación y cuantificación de
fuentes de variabilidad en los resultados.
4. El número de pruebas requerido es determinable con certeza, y a menudo reducible.
5. La comparación de los efectos de los cambios o estímulos es más precisa debido a la
agrupación de resultados.
11
....................................................................................................................................................................................
6. La exactitud de las conclusiones se conoce con precisión matemática definida.
b. Desventajas.
1. Los diseños y su análisis están usualmente acompañados de enunciados que se basan

en el lenguaje técnico de] estadístico: seria mucho mejor si tales enunciados se
tradujeran en términos significativos, para la generalidad de la gente. Además, el
estadístico no debería subestimar el valor de presentar los resultados en forma gráfica
como un paso preliminar de un procedimiento más analítico.
2. Muchos diseños estadísticos, especialmente los formulados por primera vez, han sido
criticados de muy caros. complicados y que requieren mucho tiempo. Tales críticas,
cuando son válidas. deben acercarse de buena fe y debe hacerse un intento honesto
para mejorar la situación, siempre que no sea en detrimento de la solución del problema.
12
....................................................................................................................................................................................
CAPITULO 2.
TRANSFORMACIONES DE DATOS.
2.1 INTR0DUCCION.
La presencia de algunos datos extraños y que no corresponden con el conjunto de datos

observados es frecuente y estas observaciones pueden aparecer porque:
a. La distribución poblacional admite ocasionalmente mediciones extrañas, como sería el

caso de una población cuya distribución presenta colas largas(cuando se verifica el
supuesto de normalidad).
b. La observación extraña proviene de una población que no es la que está bajo

investigación, como sería el caso de un animal enfermo dentro de un grupo de animales.
Para el primer caso ya se vió la dificultad con el uso de “t” para comparar medias. Para el
segundo caso, se necesita explorar los efectos de incluir sólo una porción más pequeña de
las observaciones provenientes de una aparente población contaminada.
2.2 LOS RESIDUALES COMO FORMA DE CHEQUEAR LOS DATOS.
Al igual que para el caso de comparación de dos grupos, en la comparación de más de dos
grupos también es importante efectuar un exámen gráfico de los datos. Efectuar una
cuantificación inicial de los centros de las distribuciones(medias), sus formas, la presencia
de valores extraños y también una comparación de las amplitudes(varianzas).
Si estas son bastante diferentes en los diversos grupos, entonces debiera considerarse una
posiblle transformación de los datos. Existen métodos formales para probar la igualdad de
desviaciones estándar pero estas tienen valor en la medida que las distribuciones son
normales, de otra forma para cuantificar la igualdad de variación se debe recurrir a técnicas
informales.
Una importante herramienta es un análisis de los residuales(desviaciones). La definición

estándar para un residual es: una observación menos su media estimada. Esto significa que
para cada valor observado de Y, en la variable respuesta, hay un residual obtenido como Y
menos el promedio de su grupo. En este sentido el residual es la parte de Y que no es
explicada por la media del modelo, es una parte residual de Y. Ya que los residuales son
simplemente las observaciones originales una vez sustraido el promedio del grupo, ellos
exhiben la variación de las observaciones sin la interferencia visual debido al promedio de
los diferentes grupos.
13
....................................................................................................................................................................................
Un despliegue de los residuales para cada grupo proporciona una idea de la variación dentro
de cada grupo.
En el caso de existir una relación entre la variabilidad del grupo y su media esta relación
podría sugerir una apropiada transformación de los datos de manera de lograr la igualdad
de las varianzas entre los grupos. La forma de embudo presentado por los residuales es
una buena indicación que una trasformación logarítmica ayudaría a lograr varianzas
homogéneas o posiblemente una transformación a raíz cuadrada o una transformación
recíproca.
2.3 SUPUESTOS DEL ANÁLISIS DE VARIANZA.
Los supuestos usuales en que se basa el análisis de varianza son: homogeneidad de

varianza, normalidad, aditividad y linealidad del modelo, e independencia.
2.4 HOMOGENEIDAD DE VARIANZA.
Las varianzas de las diferentes medias son homogéneas. Por lo general. en un análisis de
varianza utilizamos un promedio de n varianzas (CME) para obtener la mejor estimación de
la varianza común. Pero si las varianzas dentro de tratamientos fuesen de hecho distintas,
no tendríamos justificación para combinarlas, ya que el promediar varianzas de tratamientos
mayores y menores podría arrojar resultados engañosos.
La diferencia entre dos tratamientos con varianzas grandes puede ser considerada
significativa cuando en realidad ésta pudo haber ocurrido fácilmente, por casualidad. Por
otro lado, la diferencia entre dos tratamientos con varianzas pequeñas puede ser declarada
no significativa cuando de hecho lo era.
Cuándo esto ocurre, se sugiere las siguientes alternativas: Se puede separar los datos en
grupos, de modo que las varianzas dentro de cada grupo sean homogéneas. Luego cada
grupo puede analizarse por separado, otra opción es ponderar medias de acuerdo a sus
varianzas, finalmente se puede transformar los datos en forma tal que estos sean
homogéneos.
A continuación se presenta un experimento hipotético a fin de ilustrar esta situación.
Tratamientos I II III IV V Total Media Varianza

A 3 1 5 4 2 15 3 2.5
B 6 8 7 4 5 30 6 2.5
C 12 6 9 3 15 45 9 22.5
D 20 14 11 17 8 70 14 22.5
14
....................................................................................................................................................................................
Análisis de varianza
F.V. G.L S.C. C. M. Fc.
Tratamientos 3 330 110 8.8 *
Error 16 220 12.5
El cuadrado medio del error es el promedio de cuatro varianzas individuales dentro de los
tratamientos. Además como F resultó altamente significativa, se puede calcular DMS,
prueba que queda como sigue:
DMS0.05 = t 2 s2/r = 2.125 = 4.74
De acuerdo a lo anterior, se puede concluir que la diferencia entre A y B no es significativa,

y que la diferencia entre C y D resulta ser significativa al nivel de 5%, sin embargo se puede
notar que las varianzas de C y D son nueve veces mayores que las de Ay B. El supuesto
de que las varianzas son homogéneas es puesto en seria duda. Por lo tanto, resultaría más
razonable analizar A y B por separado de C y D.
Análisis de varianza para A y B.

Tratamientos 1 22.5 22.5 9.00 *
Error 8 20.0 2.5
Análisis de varianza para A y B.

Tratamientos 1 62.5 62.5 2.78 ns
Error 8 180 22.5
Como se puede observar, los análisis anteriores conducen a conclusiones opuestas

respecto de las diferencias entre A y B, y entre C y D. Esta es una forma de procesar este
tipo de datos.
Ahora se verá cómo probar los datos para la homogeneidad de varianzas, mediante el test
de Bartlett. El test de Bartlett para la homogeneidad de varianzas consiste en una prueba
modificada de ji cuadrado, para el entendimiento se presenta un ejemplo.
15
....................................................................................................................................................................................
Tratamientos I II III IV V Media Varianza

A 23 25 38 49 23 31.6 133.80
B 18 49 24 33 28 30.4 138.30
C 19 23 51 42 20 31.0 212.50
D 20 21 24 32 48 29.0 135.00
E 19 18 49 47 18 30.2 264.7
Planteando hipótesis;
1. Ho  s2 i= s2j
Ha  s2 i  s2j
Se utiliza la siguiente fórmula:
2no - ajustada
2. 2ajustada = -----------------------------
C
Donde;
2no – ajustada = 2.3026[(g. l. * log ( fi 2/ g.l.) – (  fi Log102)]
1 t 1
C = 1+ --------------- [ ------------------------ - ----------------]
3(t–1) g.l.muestra  g.l.
Tratamientos g.l. 1/fi 2 fi 2 Log102 fi Log102

A 4 0.25 133.80 535.20 2.12 8.48
B 4 0.25 138.30 553.30 2.14 8.56
C 4 0.25 212.50 850.00 2.32 9.28
D 4 0.25 135.00 540.00 2.13 8.52
E 4 0.25 264.7 1058.80 2.42 9.68
Total 20 1.25 3537.20 44.52
2no – ajustada = 2.3026 [(20 * log (3537.20/20) – ( 44.52)] = 0.967
1 5 1
C = 1+ ------------ [ -------- - ------- ] = 1.100
3(5–1) 4 20
0.967
2ajustada = ------------ = 0.879
1.100
3. 2t para 4 GL y 0.05 = 9.49 2t = 9.49
3. Como el valor de chi calculado es menor que el valor tabulado, entonces se acepta la
hipótesis nula, esto significa que se ha evidenciado de que las varianzas son
homogéneas.
16
....................................................................................................................................................................................
2.5 NORMALIDAD.
Se ha encontrado por investigaciones teóricas que el supuesto de normalidad no es

importante para la validez de las herramientas estadísticas basadas en “t” si los tamaños
muestrales n1 y n2 son suficientemente grandes. Por fortuna, las desviaciones del supuesto
de normalidad no afectan mucho la validez del análisis de varianza.
Existen diversos métodos para verificar el supuesto de normalidad, el más sencillo es el de

la verificación de la linealidad de las frecuencias acumuladas, para lo cuál se elabora una
tabla de frecuencias acumuladas con los datos del experimento, y se procede a graficar en
el eje Y las frecuencias acumuladas, y en el eje X los límites reales de clase de esta
distribución, luego por observación visual se llega a determinar la normalidad de estos datos.
2.6 ADITIVIDAD Y LINEALIDAD DEL MODELO.
Los efectos principales son aditivos; para cada diseño experimental existe un modelo
matemático denominado modelo lineal aditivo (debido a que los términos de éste se suman).
El modelo para un diseño bloques al azar, por ejemplo, implica que un efecto de tratamiento
es el mismo para todos los bloques y que el efecto de bloques es el mismo para todos los
tratamientos: en otras palabras, si se encuentra que un tratamiento incrementa la producción
de cierta cantidad promedio por encima de la media general, se supone que este tiene el
mismo efecto en los bloques de alta producción que en los bloques de baja producción.
Pero puede ser que este supuesto no se cumpla en algunos casos, si se supone que en un
experimento donde se quiere probar el efecto del nitrógeno sobre el rendimiento de un
determinado cultivo, algunos bloques pueden producir menos que otros, debido a un bajo
nivel natural de nitrógeno que las parcelas de bloques, en que la cantidad de nitrógeno por
efecto de la adición del fertilizante ya era adecuada.
Por otra parte, si se supone que el rendimiento bajo se debió a una reserva inadecuada de
humedad, entonces se espera que el suministro del nitrógeno tenga resultados no muy
buenos en los bloques donde se obtuvo rendimientos bajos, pero darían lugar a un alto
rendimiento en los bloques donde hubo suficiente cantidad de agua.
Otra situación puede ser aquella en la cual el efecto de un tratamiento es incrementar la

producción en cierto porcentaje o proporción. Esto recibe el nombre de efecto multiplicativo
de tratamiento.
La prueba estadística para verififcar la aditividad recibe el nombre de prueba de Tukey. Esta
puede llevarse a cabo para probar la no aditividad de dos factores principales cualquiera.
17
....................................................................................................................................................................................
2.7 INDEPENDENCIA DE MEDIAS Y VARIANZAS.
Las varianzas y las medias de las distintas muestras no deben estar correlacionadas. En
algunos datos existe una relación definida entre las medias de las muestras y sus varianzas.
Este es un caso especial y la causa más común de heterogeneidad de varianza.
Una correlación positiva entre medias y varianzas suele encontrarse cuando existe un
amplio rango de medias de la muestra. Afortunadamente esto no sucede con frecuencia; a
menudo se puede transformar los datos en forma tal que el supuesto de independencia
entre varianza y medias sea válido. Luego podemos proceder con el análisis de varianza de
los datos transformados.
En cuanto a independencia, es importante evitar que las parcelas (UE) que reciben un
mismo tratamiento sean subdivididas para referirnos a ellas como repeticiones. En resumen,
la mayor seguridad contra violaciones evidentes de este supuesto del análisis de varianza
consiste en llevar a cabo la distribución de la unidad experimental en forma aleatoria
adecuada al diseño experimental en particular, que se está utilizando.
Si un investigador desea realizar un experimento para probar el efecto de un antibiótico sobre

el incremento de peso de los animales. Incluirá una gran cantidad de animales en sus pruebas,
de modo que puede elegir ratones, gallinas y cerdos. El sentido común diría que una diferencia
de 250 gramos en los pesos medios de dos grupos de ovejas se consideraría despreciable y
se atribuiría fácilmente a la casualidad. Una diferencia de 250 gramos en dos grupos de
gallinas se consideraría muy grande, pero mucho mas allá una diferencia de 250 gramos en
los ratones sería algo extraordinariamente fantástico. Este es un ejemplo un tanto exagerado
y por momentos absurdo, que sirve para explicar, y para que se entienda que el supuesto de
independencia de medias y varianzas no debe aceptarse con los ojos cerrados.
Existen otros tipos de datos, como aquellos que están basados en conteos, en porcentajes o
proporciones que tienden a tener distribuciones diferentes a la normal, la forma de solucionar
este problema cuándo se presente es transformar los datos.
2.8 TRANSFORMACIONES DE DATOS.
En la mayoría de los experimentos biológicos, la falta de cumplimiento de los requisitos no es

suficientemente grande como para invalidar el análisis de varianza, pero eso si; significa que
los niveles de significación y los límites de confianza tienen que ser considerados como
aproximados y no como exactos.
Para resolver la falta de cumplimiento de los supuestos de varianza, se han propuesto

métodos: no paramétricos y la transformación de datos antes de realizar el análisis de varianza.
18
....................................................................................................................................................................................
Después de la trasformación los datos quedan normalmente distribuidos, los promedios y las
varianzas respectivas de los tratamientos quedan independientes, todo lo cuál permite calcular
una varianza común para ser usada en las pruebas de todas las comparacaciones. Existen
tres tipos de transformación:
2.8.1 TRANSFORMACION POR LA RAIZ CUADRADA PARA DATOS EXPRESADOS POR

CONTEOS.
Cuando se realiza el conteo del número de malezas por planta, número de insectos caídos en
la trampa, número de gusanos en determinado órgano de la planta, número de colonias
contadas (bacterias) en plagas, etc.; y el rango vá de 0 a 500, en estos casos la distribución
sigue una distribución de Poisson, y, además, los efectos del medio y de los tratamientos; no
se combinan en forma aditiva.
En estos casos se recomienda realizar una transformación de los datos de las siguientes
formas: X , X  0.5 ó X  1 ; estas dos últimas son recomendadas por Bartlett cuando los
conteos son pequeños y están comprendidos entre 0 y 15, y entre 0 y 10 respectivamente.
Para esta transformación se extrae la raíz cuadrada a cada uno de los datos del experimento,
y se efectúa el análisis de varianza con los datos transformados.
2.8.2 TRANSFORMACION ANGULAR PARA DATOS EXPRESADOS EN PORCENTAJES

SIN DENOMINADOR COMUN.
Clark y Leonard han clasificado los porcentajes en los tres tipos:

Los porcentajes de primer tipo, están formados por aquellos porcentajes que provienen de
dividir los resultados de cada unidad experimental entre un valor constante, por ejemplo;
entre el promedio del tratamiento testigo. Este tipo de porcentaje no realiza más que un
cambio en la unidad de medida, y los resultados así expresados no necesitan de
transformación.
Los porcentajes de segundo tipo, están formados por valores que expresan
concentraciones; así por ejemplo: la pureza de la semilla por el “ peso de la semilla
pura/peso de semilla total ”; el contenido de proteína del trigo expresado por el “ peso de la
proteína/peso total del garno de trigo”; el contenido de sacarosa expresado por el “ peso de
sacarosa/peso total de la caña de azúcar”. Este tipo de porcentaje generalmente tampoco
necesita transformación de datos.
Finalmente, los porcentajes de tercer tipo, son los que provienen de datos discretos
basados sobre un determinado número de casos; por ejemplo: porcentaje de germinación
basado en el “ número de semillas germinadas/número total de semillas consideradas”;
porcentaje de ataque de una enfermedad basado en el “ número de plantas
enfermas/número de plantas consideradas “. Para este tipo de porcentaje es necesaria la
transformación angular.
19
....................................................................................................................................................................................
Cuando se determina el porcentaje de plantas enfermas por parcela, etc esos datos siguen
una distribución binomial y además los tratamientos no contribuyen por igual a formar el
error experimental, en este caso se recomienda una transformación angular, especialmente
si es que los porcentajes cubren una gran amplitud de valores y si provienen de menos de
100 observaciones por parcela(si los numeradores que dan el porcentaje son menores que
100), Si fueran mayores de esta cifra, el análisis de la covarianza debe realizarse sin
necesidad de la transformación.
La transformación angular consiste en hallar para cada dato del experimento el seno del
arco, ó el seno -1 X , así por ejemplo para hallar el ángulo de 17,4 %, primero se divide entre
100, lo que equivale a 0,174, luego se extrae la raíz cuadrada, eso es 0,417133072, y
finalmente se extrae la inversa del seno, o arco seno, el valor obtenido equivale a 24,65; para
0,56 %, el valor es 4,29, etc. El análisis de varianza se realiza con los datos transformados.
2.8.3 TRANSFORMACION LOGARITMICA PARA CONTEOS DE NUMEROS DE GRAN

AMPLITUD.
Cuando se realiza el conteo de insectos, si la concentración de estos es muy alta, el conteo

será alto también lo será para los tratamientos ineficientes, pueden estar en un rango de
100 hasta 10.000, mientras que en otros tratamientos el rango será bajo, puede ser entre 5
y 20. En estos casos sucede que hay una relación de proporcionalidad entre los promedios
de los tratamientos y sus desviaciones. La transformación recomendable cuando esto
sucede es mediante el logaritmo natural (de base 10) de cada conteo.
Si los conteos varían desde 0, se recomienda agregar 1 a cada dato, antes de hallar su
logaritmo.
2.9. CONSIDERACIONES FINALES.
Si en un experimento se presenta relación entre los promedios y las varianzas “ dentro de

tratamientos ”; esto hace que falle la varianza común o error experimental, debido a que
resulta muy grande para unas comparaciones y muy chica para otras. La transformación
tiene por objeto darle validez al análisis de varianza con el objeto de que tenga sensibilidad
para detectar únicamente las “ verdaderas” diferencias entre los tratamientos, para el nivel
de significancia en que se realiza la prueba.
Por eso es que debe examinarse con cuidado los datos provenientes de conteos y
proporciones que son los más afectados, desafortunadamente esto no es posible determinar
en todos los diseños. Cuando existe la duda sobre qué método es el más apropiado, es
recomendable realizar transformaciones de pruebas, usando las repeticiones de los
tratamientos de promedio más alto, medio y más bajo con los tres métodos propuestos, y a
continuación comparar los promedios con las varianzas de las nuevas escalas. El método
que muestre menos relación es el más adecuado.
20
....................................................................................................................................................................................
Una vez realizadas las transformaciones y terminado el análisis, las comparaciones para
probar la hipótesis nula deben hacerse con los datos transformados. Sin embargo, los
resultados de los promedios y las desviaciones estándares deben presentarse en los
informes, tesis y publicaciones en las unidades originales, debiendo explicarse y aclararse
este hecho debidamente.
21
....................................................................................................................................................................................
CAPITULO 3.
DISEÑOS ESTADISTICOS.
3.1 INTR0DUCCION.
Durante el proceso de investigación y experimentación se hace uso de diversos diseños

experimentales. Sobre el particular, existen textos cspecíficos(Cochran y Cox, 1957;
Montgomery, 1984; Snedecor y Cochran, 1980; Steel y Torne, 1980) que describen en
detalle los procedimientos, ventajas y desventajas de cada uno de ellos, por lo que se
recomienda su revisión.
Asimismo, se recomienda consultar a un especialista en estadística; el cual puede ayudar a

definir la utilización correcta de un diseño específico para una situación particular. Sin
embargo, en la práctica, se debe tener un conocimiento claro de los objetivos y de las
restricciones que existen, a fin de plantear el análisis correcto y evitar confusión y
dificultades en el análisis e interpretación (en un diseño en particular. Con el objeto de
ayudar en este aspecto se describe, en forma resumida, los principales diseños utilizados
en el análisis (En cada caso se presenta el modelo matemático que lo define, de tal forma
que las fuentes de variación y los grados de libertad pueden ser calculados a partir del
modelo).
3.2 DISEÑO COMPLETAMENTE AL AZAR.
Este tipo de diseño es el más simple de todos; en el se asignan al azar los tratamientos a
un grupo de unidades experimentales previamente determinados. El diseño completamente
al azar proporciona el máximo número de grados de libertad para la estimación del error
experimental; ademas no requiere estimar datos faltantes, es decir, el diseño puede
analizarse con diferente número de repeticiones por tratamiento.
Su uso esta reservado a situaciones en que todas las fuentes de variación están controladas
(caso de situaciones de laboratorio o de invernadero). Este diseño no debe ser usado en
campo. Sin embargo, se puede utilizar en ensayos tipo exploratorios donde no se conoce la
dirección y/o la magnitud de las gradientes.
- VENTAJAS DEL DISEÑO:
(a) Este diseño es fácil y sencillo de planificar.
(b) Es flexible en cuanto al número de tratamientos y repeticiones.
(c) El número de repeticiones puede variar de tratamiento a tratamiento, siendo sin embargo
deseable tener el mismo número para todos los tratamientos.
22
....................................................................................................................................................................................
(d) Este diseño permite el máximo número de grados de libertad para el error, lo que
constituye una ventaja estadísticas muy importante.
(e) Si es que, algunas o todas las unidades experimentales de un tratamiento se pierden o

tienen que rechazarse, se mantiene la simplicidad del análisis. También la pérdida de
información, debido a pérdida de datos es pequeña relativamente, con respecto a
pérdidas similares en otros diseños.
(f) Tiene carácter científico, pero practicamente es considerado un trabajo exploratorio.
- DESVENTAJAS DEL DISEÑO:
(a) Es más apropiado para un número pequeño de tratamientos.
(b) Es adecuado para un material experimental homogéneo y uniformemente repartido.
(c) Como los tratamientos son distribuidos aleatoriamente, el error experimental incluye la
entera variabilidad entre las unidades del experimento; lo que no ocurre en los otros
diseños, en los cuales las unidades se agrupan en tal forma, que la variabilidad entre
unidades de un mismo grupo, es menor que entre unidades de diferentes grupos, y por
el análisis se excluye la variabilidad existente entre grupos del error, lograndóse un
aumento en la precisión del experimento.
(d) Minimiza el valor de “F” requerido para la significancia estadística.
- USOS:
(a) Muy util en ensayos de invernadero y laboratorio, donde las diferencias entre las
unidades experimentales son insignificantes.
(b) Se usa en algunos experimentos con animales.
(c) Es usado cuando se estudian dos o más tratamientos bajo las siguientes condiciones:
- Lugar y unidades experimentales muy uniformes,(suelo homogéneo, laboratorio,
invernadero, aves de corral, viveros, etc
- Cuando sea probable que una parte del experimento se pierda.
- Cuando se tiene un experimento pequeño y donde la mayor precisión de otras
distribuciones no compensa la pérdida de grados de libertad del error.
Este diseño está representado por el siguiente modelo lineal aditivo;
Yij =  + i + Eij.
23
....................................................................................................................................................................................
donde:
Yij= es la observación del tratamiento i, de la repetición j.

 = media general
i = efecto de tratamiento i.
Eij = error experimental del tratamiento i, de la repetición j.
En un diseño completamente al azar con sub-muestras se incluye un error muestral. El

modelo se expresa como:
Yijk =  + i + ij + Eijk.

Donde;
Yijk= es la observación k en la repetición j del tratamiento i,

 = media general
ij = error experimental del tratamiento i en la repetición j.
Eijk = error muestral de la observación k en la repetición j del tratamiento i.
3.3 DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR.
En el diseño de bloques completos al azar, los bloques son conjuntos de unidades

experimentales dispuestos o seleccionados con anterioridad a la asignación de
tratamientos, de tal manera que la variabilidad existente es minimizada dentro de los
bloques y maximizada entre los mismos. Los tratamientos se asignan aleatoriamente el
mismo número de veces a las unidades experimentales dentro de un bloque.
Los grados de libertad para el error experimental son reducidos, en comparación con el
diseño completamente al azar, por el número de grados de libertad para los bloques. La
variabilidad del bloque se elimina a partir del error experimental. Así, cuanto mayor sea la
variabilidad entre bloques, más eficiente será el diseño en lo que se refiere a su capacidad
para descubrir posibles diferencias entre los tratamientos.
Los bloques pueden estar constituidos por áreas compactas de un campo, grupos de
animales que pueden manipularse de modo uniforme, o por diferentes tipos de aplicación
de tratamientos a unidades experimentales.
Respecto a los sembradíos, las parcelas de campo adyacentes suelen producir en forma
más parecida que aquellos separados por alguna distancia. Los bloques se pueden
mantener compactos, disponiendo las parcelas usualmente en forma larga y estrecha,
cercanas unas a las otras. El número de tratamientos debe ser el menor posible; no
obstante, debe ser suficiente para lograr los objetivos del experimento.
24
....................................................................................................................................................................................
Cuando el tamaño del bloque aumenta, se incrementa la variabilidad dentro de éste. No es

necesario que cada bloque sea de la misma forma; pero en los experimentos de campo esto
es normalmente deseable, puesto que las diferencias en las formas de los bloques por lo
general incrementan la variabilidad dentro del bloque.
Es el diseño de mayor aplicación en investigación. El modelo controla una sola fuente de

variación por medio del bloque, por ejemplo la pendiente en un terreno. Este diseño es
usado para la mayoría de los experimentos con arreglo factorial.
(a) El cálculo del análisis de varianza es sencillo y solo requiere un poco más de cómputos
que el disño completament aleatorio.
(b) Por medio del agrupamiento, se obtienen generalmente resultados más exactos que
con el diseño completamente aleatorio, aunque esto no es cierto si es que no hay
diferencias reales entre los bloques.
(c) Se requerirán diez repeticiones en un diseño completamente aleatorio para obtener la

información igual a la obtenida en un diseño de bloques al azar con seis repeticiones.
(d) Este diseño, se puede tener más repeticiones para aquellos tratamientos en los que se
tiene mayor interés o se desee tener mayor precisión. Para esto debe disponerse de dos
unidades en cada bloque por cada uno de estos tratamientos. En estas condiciones, la
denominación de bloque deja de ser sinónimo de repetición para estos tratamientos. Al
hacerse así, unos tratamientos tendrán el doble de repetición que otros, esto no es un
inconveniente, ni complica mayormente el análisis estadístico del experimento.
(e) Si por algún motivo los datos de algunas unidades experimentales se pierden, se
pueden hallar valores promedios que los sustituyan mediante la técnica desarrollada por
Yates; sin embargo, es cierto que esto trae cierta complicación en los cálculos. Si el
número de unidades perdidas es elevado, entonces el análisis de acuerdo a este diseño
no sería recomendable, debiendo hacerse en este caso de acuerdo al diseño
completamente randomizado.
(f) Algunas veces la coincidencia de los bloques con niveles de variación del material
experimental o medio, puede tener interés para el experimentador para estudiar los
niveles de la fuente de variabilidad que sirvió para formar los bloques. En este caso, sin
embargo, la interpretación de la prueba de significación requiere cuidado. Así por
ejemplo, en los experimentos de invernadero pueden emplearse diferentes tipos de
tierra de un bloque a otro, y si las macetas de los bloques están mezclados al azar,
entonces las diferencias que se hallen entre tipos de tierra tienen carácter similar a las
diferencias entre los tratamientos para los fines de la significación e interpretación.
25
....................................................................................................................................................................................
(g) Pero, si las macetas de cada tipo de tierra que forman un bloque están agrupadas en
un mismo lugar del invernadero, entonces las diferencias entre los tipos de tierra pueden
quedar ocultadas por las diferencias en las condiciones de ubicación(luz, temperatura,
aereación, etc) que les ha tocado a los diferentes bloques, por cuyo motivo se dice que
en las diferencias entre tipo de tierra están confundidas las diferencias en condiciones
de ubicación, siendo por lo tanto peligroso sacar conclusiones de las significancias entre
bloques.
(a) Es más complicado que el diseño completamente aleatorio.
(b) La principal desventaja del diseño radica en que no es apropiado para un número
elevado número de tratamientos, debido a que esto aumenta el tamaño del bloque y
como consecuencia aumenta la variabilidad dentro de cada bloque y por ende el error.
(c) No es aconsejable cuando hay alta variabilidad en el material experimental, si además

el número de tratamientos es elevado, debe recurrirse a diseños con bloques
incompletos.
(d) Cuando los niveles de la fuente de variabilidad que ha servido para establecer los
bloques no dan diferencias significativas, no se obtiene ganancia en precisión con
respecto al diseño completamente al azar, y por el contrario puede haber pérdida por la
disminución de los grados de libertad del error.
(e) Si es que interaccionan los efectos de los tratamientos con los niveles que forman los
bloques, la interacción en el análisis queda incluida en el error experimental
incrementando su valor.
- USOS:
(a) Cuando el número de tratamientos es de tres a quince.
(b) Cuándo el número de tratamientos es de tres a cinco, en cuyo caso deberá tenerse
como mínimo seis repeticiones para contar con suficientes grados de libertad del error
experimental.
(c) Los bloques deben orientarse perpendicularmente al gradiente conocido y las unidades
exoperimentales deben tener su mayor dimensión en la misma dirección y sentido de
dicho gradiente.
(d) Usado para controlar el error experimental en casos donde los bloques son: pendiente
de un terreno, diás de lactancia, número de partos, peso de animales, días, temperatura,
luz, fertilidad del suelo, salinidad del suelo, etc.
26
....................................................................................................................................................................................
El modelo se expresa como:
Yijk =  + i + j + Eijk.
Donde;
Yij = es la observación del tratamiento i en el bloque j,

 = media general
j = efecto del bloque j.
Eijk = error muestral de la observación k en la repetición j del tratamiento i.
En un diseño de bloques completamente al azar con sub-muestras se incluye un error

muestral. EI modelo se expresa como:
Yijk =  + i + j + ij + Eijk.
Donde;
Yijk = es la observación k en la repetición j del tratamiento i,

 = media general
j = efecto del bloque j.
ij = error experimental del tratamiento i y el bloque j.
Eijk = error muestral de la observación k en la repetición j y el tratamiento i.
Para estimar una unidad experimental que se ha perdido, Yates propone la siguiente
fórmula:
tT  rB  G
X 
(t  1)( r  1)
Donde;
X = Valor estimado de la unidad experimental perdida.

t = Número de tratamiento.
r = Número de bloque.
T = total de los valores de las unidades que le quedan al tratamiento.
B = Total de los valores de las unidades que le quedan al bloque.
G = Gran Total de las unidades que quedan en el experimento.
27
....................................................................................................................................................................................
Cuando se pierde más de una unidad experimental, en primer lugar se encuentra un valor
promedio para todas las unidades perdidas excepto una, en función al promedio de
tratamiento y del bloque al que pertenece cada una; y a continuación se aplica la anterior
fórmula, comenzandose a sí un ciclo de estimaciones. Estimado el valor de la primera
unidad perdida dicho valor se le asigna a la unidad y se procede a estimar el valor de la
siguiente unidad perdida, y así se sigue con todas las demás hasta terminar el primer ciclo.
A continuación se repite un nuevo ciclo de estimaciones procediendo en igual forma y en el

mismo orden que la primera vez, con lo que se obtiene una segunda serie de estimaciones;
y así se continúa con otro ciclo hasta que la nueva serie de estimaciones; y así se continúia
con otro ciclo hasta que la nueva serie de estimaciones no difera de la anterior. Esto
generalmente sucede al terminar el segundo o tercer ciclo. Una vez logrado esto, la ultima
serie de valores estimados se incluye en el cuadro de resultados ordenados en sus celdas
respectivas, para proceder a realizar el analisis de varianza en la forma conocida.
3.4 DISEÑO EN CUADRADO LATINO.
En experimentos agrícolas de campo, frecuentemente hay un gradiente de fertilidad que

corre paralelo a uno de los lados del campo. Algunas veces los gradientes corren paralelos
a ambos lados del campo y a veces, en un campo nuevo, no se sabe en cuál dirección
pueda ir el gradiente predominante. Un plan útil para tales situaciones es el cuadro latino.
Los tratamientos se agrupan en repeticiones en dos formas diferentes; hileras y columnas,
y tiene como requisito esencial el que cada tratamiento debidamente aleatorizado aparezca
una sola vez en cada hilera y en cada columna. Es decir, el número de hileras y el de
columnas debe ser igual al número de tratamientos; así, el número de unidades
experimentales requerido será el cuadrado del número de tratamientos. Lo anterior
incrementa en gran medida el número de unidades experimentales en un trabajo, además
de que een este diseño es deseable que las variables endógenas controladas no estén
correlacionadas.
(a) El cálculo del análisis de varianza es sencillo.
(b) Permite disminuir los efectos de dos fuentes de variabilidad de las unidades
experimentales en los promedios de los tratamientos y en el error experimental, logrando
mayor precisión que en los diseños completamente aleatorio y bloque completamente
aleatorio.
(c) Si es que se perdieran todas las unidades experimentales de un mismo tratamiento, en

un ensayo el resto de tratamientos siguen ajustados a las características del cuadrado
latino.
28
....................................................................................................................................................................................
Si es que se pierden integramente un bloque o una columna, el diseño queda ajustado al

bloque completamente aleatorio. Finalmente, en el caso de que se perdieran una o varias
unidades experimentales del mismo tratamiento o tratamientos distintos, sus valores
pueden ser estimados en función de los promedios de las unidades experimentale que
quedan.
(d) Cuando los bloques(filas o hileras) y las columnas se refieren a variaciones definidas de
un criterio de clasificación, entonces ellos pueden ser considerados como tratamientos.
(a) No es recomendable para más de diez tratamientos.
(b) Para un número pequeño de tratamientos(cuatro ó menos), se requiere más de un

cuadrado latino para dar una estimación satisfactoria de la varianza del error( ya que
proporcionan pocos grados de libertad para estimar el error experimental).
(c) Como el número de unidades experimentales depende el número de tratamientos, y del

número de bloques(filas o hileras) y columnas, esto le resta flexibilidad al diseño para
su uso.
(d) Cuando existe igualdad en el número de tratamientos y repeticiones, este diseño tiene
menos grados de libertad para el error experimental que el bloque completamente
aleatorio y el diseño completamente aleatorio; diferencia que se aumenta a medida que
disminuye el número de tratamientos.
(e) Si se produce interacción entre los efectos de dos fuentes de variabilidad en estudio o
entre los tres (tratamientos, bloques y columnas), entonces el valor de F no se distribuye
de acuerdo al valor tabular de F, entonces no se puede hacer una prueba válida de
significación.
(f) En este diseño, tal como ocurre en el bloque completo aleatorio, el error experimental
tiende a incrementarse al aumentar el ancho de los bloques y el largo de las columnas,
como consecuencia principalmente del aumento del número de tratamientos.
- USOS:
(a) Adecuado para ensayos varietales en diferentes localidades.
(b) La mayor utilidad de este diseño se presenta en el área de ganadería, especialmente

en ensayos para lechería.
29
....................................................................................................................................................................................
(c) En experimentos de campo, donde se experimentan fertilizantes, herbicidas e
insecticidas, ó se conoce la dirección de la variación en dos sentidos perpendiculares.
(d) En la agricultura en experimentos de campo, invernadero y laboratorio.
El modelo se expresa corno:
Yijk =  + i + j + k + Eijk.
Donde;
Yijk = es la observación k en la columna j y la hilera i,

 = media general
i = efecto de la hilera i.
j = efecto de la columna j.
k = efecto del tratamiento k.
Eijk = error experimental del tratamiento k en la hilera j y la columna i.
Este modelo es la base para el diseño de sobre cambio o “cross over”, ya sea simple o
doble.
En un diseño de cuadrado latino con sub-muestra se incluye un error muestral. El modelo

se expresa como:
Yijkl =  + i + j + Tk + ijk + Eijkl.
Donde;
Yijkl = es la observación l de la sub-muestra del tratamiento k en la columna j e hilera i,

 = media general
i = efecto de la hilera i.
j = efecto de la columna j.
Tk = efecto del tratamiento k.
ijk = error experimental del tratamiento k en la hilera j y la columna i.
Eijkl = error muestral de la observación l del tratamiento k en la columna j y la hilera i.
3.5 EXPERIMENTOS FACTORIALES.
Los arreglos factoriales son ampliamente usados en aquellos experimentos que incluyen
varios factores y es necesario estudiar el efecto conjunto dle ellos sobre una respuesta. En
forma general se expresa como nk donde n es el numero de niveles y k el número de
factores. Asi se tiene un factorial de la serie 2 k, el cual es un arreglo de k factores, cada uno
con dos niveles.
30
....................................................................................................................................................................................
El modelo estadístico para un arreglo 2k puede incluir k efectos principales; combinación de

k tomados dos a la vez de factores con 2 interacciones; combinaciones de k tomados de
tres factores con tres interacciones; ...; y un k-factores de interaccion. En total el modelo
puede incluir 2k - 1 efectos. La notación usada anteriormente es posible usarla en el arreglo
de factoriales.
El arreglo más simple es el 22, donde dos factores, A y B tienen dos niveles para cada uno
(a0, a1, bo, b1), los que en combinaciones dan cuatro tratamientos: a0b0, a0b1, a1b0, a1b1.
Por convención al de nivel bajo para ambos factores se denomina como 1, el resto se
expresa como a, b y ab. Los efectos principales de A y B pueden ser calculados a partir
del promedio de cada tratamiento dentro de una tabla de doble entrada para los niveles de
A y B.
Se consideran básicamente dos aspectos importantes cuando se habla experimentos

factoriales:
La distribución y el arreglo:
a. DISTRIBUCION.
Se refiere al diseño en el cuál será llevado a cabo cada arreglo que se realice en el campo,
en este caso solo existen tres tipos de diseños:
 Diseño completamente al azar.

 Diseño en bloques al azar.
 Diseño en cuadrado latino.
b. ARREGLO.
Existen tres tipos de arreglos:
 Combinatorio.
 Parcelas divididas.
 Franjas
 COMBINATORIO.
Se refiere a realizar el arreglo combinatorio de los factores en estudio, lo que dará lugar a
los tratamientos, en el caso de un experimento bifactorial, donde se tiene:
Factor A. Variedades( con dos niveles; a1, a2),

Factor B. Densidades(con dos niveles ; b1, b2).
31
....................................................................................................................................................................................
El arreglo combinatorio es el siguiente:
Factor A Factor B Tratamientos

(Variedades) (Densidades)
b1 a1b1 T1
a1
b2 a1b2 T2
b1 a2b1 T3
a2
b2 a2b2 T4
En este caso el arreglo en el campo, no necesariamente debe ser realizado, en el orden

T1,T2, T3 y T4 (Por bloque o repetición), por ejemplo puede ser; T1, T3, T4 y T2., lo que no
modifica el arreglo combinatorio planteado.
Siendo las fuentes de variabilidad las siguientes: ( Suponiendo un diseño de bloques al

azar.)
FV
Bloques
Variedades
Densidades
Variedades*Densidades
Error Exp.
Total
Y el modelo lineal aditivo, es el siguiente:
Yijk =  + Bk + i + j + (*)ij + Eijk.
Donde;
Yijkl = Cualquier observación.

 = media general
Bk =efecto de bloques k.
i = efecto de variedades i.
j = efecto de densidades j.
(*)ij = efecto de la interacción de variedad i por densidad j.
Eijkl = error experimental.
32
....................................................................................................................................................................................
 PARCELAS DIVIDIDAS.
Se refiere a realizar la distribución de los factores en estudio, considerando que uno de ellos
tiene mas importancia desde el punto de vista de la investigación el que debe ser colocado
en la llamada parcela pequeña, por ejemplo, en el caso de un experimento bifactorial, donde
se tiene:

Y se considera que las densidades son el factor mas importante, en este caso en la Parcela
Grande se ubicarán las Variedades, y en la Parcela Pequeña las densidades, siendo la
distribución la siguiente:
El arreglo es el siguiente:

Parcela Grande Parcela pequeña
b1 a1b1 T1
a1
b2 a1b2 T2
b1 a2b1 T3
a2
b2 a2b2 T4
En este caso el arreglo en el campo, necesariamente debe ser realizado, en el orden T1,T2,
T3 y T4, ó T3, T4, T1, T2 (Por bloque o repetición), ya que de esa manera se está agrupando
en las Parcelas Grandes la Variedades.
Siendo las fuentes de variabilidad las siguientes: (Suponiendo un diseño de bloques al azar.)
FV
Bloques
Variedades
Error a
Densidades
Error Exp.
Total
33
....................................................................................................................................................................................
Yijk =  + Bk + i + Ea + j + (*)ij + Eijk.

Donde;
Yijkl = Cualquier observación.

 = media general
Ea = Error de Parcela
(*)ij = efecto de la interacción de variedad i por densidad
j.
 FRANJAS.
En este caso esta distribución es aplicable sobre todo a ensayos donde la extensión de
terreno sea grande, por lo que de acuerdo a la distribución se debe adicionar el control de
la variabilidad del segundo factor, por ejemplo, en el caso de un experimento bifactorial,
donde se tiene:

La distribución sería la siguiente:
El arreglo es el siguiente:

Parcela Grande Parcela pequeña
b1 a1b1 T1
a1
b2 a1b2 T2
b1 a2b1 T3
a2
b2 a2b2 T4
En este caso el arreglo en el campo, puede ser cualquier orden, ya sea T1,T2, T3 y T4, ó
T3, T4, T1, T2, ó T1, T3, T4,T2 (por bloque o repetición).,
34
....................................................................................................................................................................................
Siendo las fuentes de variabilidad las siguientes: (Suponiendo un diseño de bloques al azar.)
FV
Bloques
Variedades
Error a
Densidades
Error b
Error Exp.
Total
Yijk =  + Bk + i + Ea + j + Eb + (*)ij + Eijk.
Donde; Yijkl = Cualquier observación.

 = media general
Ea = Error debido a factor variedad.
Eb = Error debido a factor densidad.
(*)ij = efecto de la interacción de variedad i por densidad
j.
35
....................................................................................................................................................................................
CAPITULO 4.
COMPARACIONES MULTIPLES
4.1 INTRODUCCION.
Un tema de indudable interés que continuamente aparece en la Literatura especializada es

el de las comparaciones múltiples.
Cuando se tienen varios tratamientos, se presenta el problema de hacer la comparación de

las medias de los tratamientos, con el fin de discriminar variables y clasificar los tratamientos
para elegir el mejor si es necesario. La prueba de F significativa indica realmente que la
variabilidad entre los tratamientos no se debe al azar, sino a un efecto distinto de dichos
tratamientos, lo cual es equivalente a indicar que las diferencias son significativas entre las
medias de las poblaciones, estimadas por las medias de las muestras; sin embargo, la
prueba de F no indica cuáles medias son iguales o cuáles son diferentes, ya que puede
suceder que en una serie de tratamientos la prueba de F indique diferencias en el conjunto,
pero un par en particular sea igual.
El objetivo de un análisis estadístico en un experimento agronómico es el de obtener el

máximo de información en relación a la forma en que las unidades experimentales
respondieron a la aplicación de tratamientos. Un adecuado análisis de varianza permite
inferir hipótesis acerca de los tratamientos. La aplicación de posteriores análisis intentan
explicar la naturaleza de la respuesta. Existen una serie de procedimientos estadísticos que
podrían ser usados para este propósito, los más destacados son:
1. El ajuste de funciones de respuesta usando técnicas de regresión.
2. El ajuste de funciones de respuesta usando técnicas usadas en polinomios

ortogonales.
3. El empleo de la metodología de contrastes ortogonales para aplicar a planeados

conjuntos de contrastes entre medias o grupos de medias.
4. Procedimiento de comparaciones múltiples.
Algunas de estas técnicas son apropiadas para algunos tipos de tratamientos y

completamente inapropiadas para otros. De los procedimientos mencionados el más
comúnmente usado y a la vez más mal empleado es el de las comparaciones múltiples.
36
....................................................................................................................................................................................
Las pruebas de comparaciones más usadas son:
1. Prueba de las Diferencias Mínimas Significativas(DMS).

2. Prueba de Scheffé.
3. Prueba del Rango Múltiple de Duncan y, Waller-Duncan.
4. Prueba de Student—Newman y Keuls(SNK).
5. Prueba de Tukey.
6. Prueba de Dunnet.
7. Prueba de Bonferroni.
Todos estos procedimientos fueron desarrollados para permitir un estudio detallado de las
medias después que el experimento ha concluido, con el propósito de detectar posibles
agrupamientos de ellas, para tratamientos no estructurados.
Estas metodologías no han sido desarrolladas para ser usadas en tratamientos cuantitativos
ya que existen procedimientos más apropiados para esta situación como son por ejemplo la
metodologia de superficies de respuesta, sino, para experimentos que incluyan tratamientos
cualitativos en los cuales el objetivo es obtener tratamientos sobresalientes desde un
conjunto de tratamientos ensayados. Ejemplos de estos serían ensayos de variedades, tipos
de insecticidas, formas de fertilización, métodos de cultivos, etc.
A continuación, se detallan las más importantes.
 Método D.M.S.
No es mas que una prueba modificada de “t”, que permite hacer comparaciones entre
tratamientos utilizando la varianza del error experimental.
(a) Esta prueba se aplica cuando F es significativa.

(b) La prueba de D.M.S. es válida solamente para aquellas comparaciones planeadas antes
de realizar el experimento. Uno de los errores más frecuentes es aplicar la prueba
después de observar los resultados y esto debe ser evitado.
(c) La prueba de la D.M.S. es satisfactoria para comparar cada uno de los grupos de medias
ordenadas sin mucha diferencia de la media mayor en relación a la media menor.
Considerando que esta metodología no controla en forma eficiente el error referido al

experimento, su uso no es recomendable para comparaciones múltiples de todos los pares
de medias de un experimento. Usado con este propósito tiende en general a ser
sobresensitivo en declarar un gran número de diferencias como significativas, con e!
consiguiente riesgo de cometer error tipo 1. Este es uno de los más comunes inapropiados
usos de la DMS.
37
....................................................................................................................................................................................
También es frecuente encontrar que esta metodología se emplea para comparaciones no

independientes o no ortogonales, o sea que en un experimento de p tratamientos sólo se
pueden efectuar p-1 comparaciones ortogonales en cuyo caso este procedimiento puede
usarse sin transgredir el valor de probabilidad.
Otro frecuente inapropiado uso es el de efectuar comparaciones sugeridas por los datos, es
decir, comparaciones no originalmente planeadas. También es común encontrar una
situación extrema en el que se compara el promedio más alto con el más bajo. Esta
diferencia puede que sea sustancial aun cuando no exista un efecto verdadero. Al respecto
Snedecor plantea que cuando muchas diferencias son probadas, algunas de ellas
aparecerán como significantes por el sólo hecho de ser muy grande el número de medias a
comparar, en este caso la DMS pierde la propiedad de proteger al investigador de sacar
conclusiones erróneas.
La fórmula de cálculo es la siguiente:
CDMS = T * ((2*CME/r)
Donde;
CDMS = Comparador D.M.S.

T = Valor “t” tabulado, a un nivel de significancia ()
CME= Cuadrado Medio del Error.
r= Número de repeticiones
 Método de Duncan.
La prueba Duncan permite hacer las comparaciones multiples posibles, se conoce también
como prueba de “t” multiple ó de “t” modificada porque usa un valor de t tabulado por
Duncan.
(a) Esta prueba no requiere que F sea significativa cuándo el número de tratamientos es
alto.
(b) Requiere homogeneidad de varianzas entre los tratamientos, puede también utilizarse la
prueba de Duncan si el número de repeticiones de los tratamientos no es igual.
(c) La prueba de Duncan toma en cuenta el orden de las medias de tratamientos
comparadas, por lo que se necesita un comparador diferente para cada orden de las
medias.
Considerando que el método de comparaciones múltiples de Duncan sigue en el ranking a

la DMS en la poca eficiencia en el control del error referido al experimento, se espera que
en general sea muy sensitivo en declarar un relativamente alto número de diferencias como
significativas.
38
....................................................................................................................................................................................
Es importante considerar que en esta metodología el valor
p = 1 – ( 1 -  )p - 1
lo que implica que el valor probabilistico cambia con el número de medias a comparar. Esto
le da un carácter aproximado a esta metodologia por lo que no ha encontrado una gran
aceptación entre los estadísticos matemáticos. Sin embargo ha sido recomendado para
algunos tipos de experimentos agronómicos y de ganadería debido al hecho que en tales
casos las características de los materiales experimentales son conocidas por los
investigadores, por lo que si un investigador cree que existe una diferencia verdadera entre
las variedades que prueba por ejemplo podría desear usar este procedimiento que es menos
exigente en revelar la verdadera situación.
CDk = T * ((CME/r)
Donde;
CDk = Comparador Duncan.

T =Valor “t” tabulado Duncan, a un nivel de significancia ()
En este último tiempo ha surgido una prueba modificada de Duncan, denominada Waller –
Duncan, la cuál se considera que es aún más precisa y exacta en términos estadísticos que
la prueba de Duncan, ya que considera intérvalos de áreas de probabilidad dentro de los
cuales encuentra las significancias buscadas, y no una sola área como lo hace la prueba
Duncan.
 Método de S-N-K.(STUDENT- NEWMAN – KEUL).
Este procedimiento no tiene el carácter aproximado del Duncan. Según estudios empíricos
este procedimiento es más conservativo que el Duncan en el número de diferencias que
declara significativas. Por lo tanto, en situaciones en las cuales no es necesario ser tan
Conservativo se sugiere el uso de esta metodología con un nivel de probabilidad más
relajado, digamos un 10% o aún mas alto.
Considerando el efectivo control que manifiesta sobre el error referido al experimento su uso
es adecuado en situaciones en que se desee determinar la significancia de todas las
posibles comparaciones de medias.
39
....................................................................................................................................................................................
Una importante desventaja es que diferentes resultados podrían ser obtenidos al comparar
dos medias poblacionales particulares dentro del conjunto de medias de una determinada
magnitud que cuando estas mismas dos medias se comparan dentro de otro conjunto de
medias de otras magnitudes.
CSNK = T * ((CME/r)
Donde;
CDk = Comparador S.N.K.

T =Valor “t” tabulado SNK, a un nivel de significancia ()
 Método de Tukey.
Este método es el que mejor controla el error referido al experimento pero el menos eficiente
en el control del error por comparación. De esto se deduce que este procedimiento es útil
de aplicar en situaciones en las cuales se desea poner un énfasis primario sobre el
experimento como un todo en la determinación de significancias entre pares de medias
poblacionales.
(a) No requiere de una prueba previa de F.
(b) Esta prueba es bastante mas severa que las anteriores.
(c) Esta prueba no tiene en cuenta los órdenes entre sí de las medias de los tratamientos
porque está basado en otro principio que las pruebas anteriores
(d) En esta prueba, al nivel de 5% o 1% se les llama “Razón Juiciosa del Error Experimental”.
CTK = T * ((CME/r)
Donde;
CTK = Comparador Tukey.
T = Valor “t” tabulado Tukey, a un nivel de significancia ()
40
....................................................................................................................................................................................
De los métodos expuestos el de más frecuente uso a nivel nacional dentro de la

investigación agropecuaria es el del Rango Múltiple de Duncan.
Pero por ser el más usado es también con el cual se cometen la mayor cantidad de errores
de aplicación. Este procedimiento al igual que los otros expuestos no son apropiados de
aplicar en experimentos en los cuales.
1.- Los tratamientos consisten en niveles graduados de una variable cuantitativa.
2.- Los tratamientos provienen de una estructura factorial de dos o más factores con dos
o más niveles.
3.- Los tratamientos son cualitativos y donde previamente se han formulado
combinaciones lineales que conforman comparaciones de interés entre medias de
tratamientos.
El inapropiado uso de estos procedimientos es muy común lo que ha sido demostrado y

cuantificado por Petersori, 1977. Al respecto expone que en la revisión del volumen 67 del
Agronomy Journal (1975), en el 40%. de los artículos se usaron pruebas de Rango Múltiple,
estas fueron inapropiadamente usadas y que solo en un 30% de los artículos éstas fueron
correctamente usadas.
 COMPARACIONES ORTOGONALES
Este método consiste en realizar comparaciones independientes, donde cada media aparece
únicamente en una comparación. El número de comparaciones independientes se obtiene con la
fórmula (t-1); donde t=número de tratamientos.
Este método consiste en subdividir los G.L. y la S.C. para la variación atribuible al efecto de los
tratamientos.
Son útiles cuando entre los tratamientos en estudio existe una cierta estructura que los
relaciona, por ejemplo cuándo se trabaja con variedades de un cultivo de terminado,
supongamos 5 variedades, de las cuales dos son precoces, y tres son tardías, entonces se
debe realizar una comparación entre las variedades que son precoces versus tardías, etc.
Para ser ortogonales las comparaciones deben cumplir con las siguientes reglas:
Para explicar las reglas se tomará como ejemplo un ensayo con 9 cerdos, a los cuales se
les suministró tres raciones diferentes(tratamientos), En un Diseño Completamente al Azar,
fue registrada la variable: Peso en Kg, y el Análisis de Varianza final fue:
41
....................................................................................................................................................................................
Diseño completamente al azar:
To=testigo
T1=tratamiento 1(5mg de B12)
F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
Tratamientos 2 0.8474 0.4237 32.34 ** 5.14 10.92

Error 6 0.0784 0.0131
Total 8 0.9258
Como se puede observar existen diferencias entre los tres tratamientos en estudio, vale decir que,
la cantidad de B12 en cada ración, dá como resultado diferencias en el peso de los tres
tratamientos en estudio, luego, a través de comparaciones ortogonales se determinará cuales son
las características de las diferencias entre compararciones lógicas de los tratamientos en estudio..
REGLA 1.
Cualquier función de la forma:
L1T1 + L2T2 + ... ...+ LnTn = C
Se llama comparación si: i=n Li = 0
Por ejemplo si tenemos los siguientes tratamientos:
To=testigo
T2=tratamiento 2(10md de B12)
Tenemos que : (t-1)= (3-1)= 2 comparaciones ortogonales:
42
....................................................................................................................................................................................
Las dos comparaciones lógicas y posibles que podemos hacer son:

C1=T0 vs. T1T2
C2= T1 vs. T2
El siguiente paso es encontrar los coeficientes:
Comparaciones T0 T1 T2
T0 vs. T1T2 +2 -1 -1
T1 vs. T2 ---- +1 -1
En ambas comparaciones(C1 y C2), la suma de los coeficientes es cero, por lo que concluimos que
son comparaciones ortogonales.
REGLA 2.
Si C es una comparación entre las posibles, la expresión:
SCc= C2
n Li2
Donde: SCc= Es una componente de la suma de cuadrados de tratamientos, y representa

una comparación y un grado de libertad.
C= Valor matemático de las commparaciones.
n= Número de repeticiones.
Li2= Sumatoria de cada uno de los coeficientes al cuadrado.
En el ejemplo:
C1= 2T0 - T1-T2
Entonces: L0= 2 L02=4

L1= -1 L12=1
L2= -1 L22=1
0 Li2 = 6
43
....................................................................................................................................................................................
Si los totales por tratamiento fueran:
T0=2.73
T1=4.62
T2=4.74
La Comparación uno, es igual a:
C1= 2T0 - T1-T2

C1= 2(2.73) - 4.62 - 4.74
C1= -3.9
Por lo tanto;
SCC1= (-3.9)2
3*6
SCC1= 0.8450 GL=1
El valor de 0.8450 es una componente de la suma de cuadrados de tratamientos, y GL representa un

grado de libertad.
La Comparación dos, es igual a:
C2= T1-T2
C2= 4.62 - 4.74
C2= - 0.12
Por lo tanto;
SCC2= (-0.12)2
3*2
SCC2= 0.0024 GL=1
44
....................................................................................................................................................................................
REGLA 3.
Las comparaciones:
C1 = L11T1 + L12T2 +... ...+L1nTn

C2 = L21T1 + L22T2 +... ...+L2nTn
Se dice que son ortogonales sí:
(L11)(L21)+(L12)(L22)+... ...+(L1n)(L2n) = 0
Si en una comparación una suma de algún o algunos de los tratamientos no interviene en la

comparación, su coeficiente se toma como cero.
C1= 2 T0 - T1 - T2
2 -1 -1=0
C2 = 0To +T1 –T2
0 +1 -1 = 0
Multiplicando: (2)(0)+(-1)(-1)+(+1)(-1) = 0 Entonces son comparaciones ortogonales.
REGLA 4.
En “a” tratamientos, si (a-1) comparaciones son mutuamente ortogonales, entonces:
SC1+ SC2+ ... ...+SCn = SCtratamientos.

En el ejercicio:
SC1 + SC2 = SCtratamientos
0.8450 + 0.0024 = 0.8474
45
....................................................................................................................................................................................
Una vez encontradas las sumatorias de cuadrados de todas las comparaciones, el siguiente paso es
elaborar la nueva tabla de Análisis de Varianza, en la que se debe incluir todas las sumatorias de
las comparaciones, y se debe completar toda la tabla, como se muestra a continuación:
La Tabla de ANVA original es la siguiente:

F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
Tratamientos 2 0.8474 0.4237 32.34 ** 5.14 10.92

Error 6 0.0784 0.0131
Total 8 0.9258
Los tratamientos son:

T0=testigo
T2=tratamiento 2(10md de B12)
El nuevo Anva es el siguiente:
F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
Tratamientos 2 0.8474 0.4237 32.34 ** 5.14 10.92

(T0 – T1 T2)Testigo vs. 5mg B12 1 0.8450 0.8450 64.50 ** 5.99 13.74
(T1 –T2)5mg B12 vs. 10mg B12 1 0.0024 0.0024 0.183 NS 5.99 13.74
Error 6 0.0784 0.0131
Total 8 0.9258
Como conclusión decimos que, la adición de B12 incrementó el peso, y que no hay
diferencia alguna entre los niveles de 5 y 10 mg de B12.
 Comentarios finales.
Cuando los experimentos tienen dos tratamientos, las pruebas de t y F son equivalentes y
recomendables, y no dán mas fallas en sacar significaciones que lo que indica el nivel
adoptado para la prueba cuando la hipótesis nula es cierta (error I). Pero si el número de
tratamientos es mayor de dos, en aquellas comparaciones del mayor promedio con el
menor, las pruebas de t y Duncan dan más fallas que el indicado por el nivel de significación
adoptado, dando t mayores porcentajes aún que Duncan.
46
....................................................................................................................................................................................
La prueba de Duncan tiene un porcentaje de fallas intermedio entre la de t y la de Tukey.

En cuanto a la prueba de Scheffé para las comparaciones entre medias es aún más severa
que la de Tukey, razón por la que se recomienda sólo para pruebas de contraste entre las
medias de grupos de tratamientos.
La prueba de Tukey y de Scheffé, dan menos errores del tipo I, pero mas errores del tipo
II(aceptar la hipótesis nula cuando esta hipótesis es falsa), que las pruebas de t y Duncan.
La elección de una y otra prueba depende del grado de exigencia que se quiera tener en la
obtención de las significaciones. En este sentido es importante que en los informes de los
estudios que se hacen se indique el tipo de prueba adoptado para las significaciones.
EJERCICIOS:
a. DISEÑO DE BLOQUES AL AZAR.
En un ensayo en frutilla realizado en invernadero, para medir el efecto de diferentes

sustratos sobre la producción de frutilla en sistemas verticales, donde cada sustrato
evaluado representó un tratamiento, de acuerdo a la siguiente distribución:
T1(MC) T2 T3 T4
50% MC MC MC
25% 25% 75% 25% 50% 50% 25% 25%
T1(MC) = Mezcla común (50% tierra del lugar, 25% estiercol, 25 % arena).
T2 = 2/3 de la parte superior con MC y en 1/3 de la parte inferior de la bolsa (25% de arena
y 75 % de estiercol).
y 50% de estiercol).
y 25% de estiercol).
47
....................................................................................................................................................................................
Se utilizó un diseño de bloques al azar, considerando la gradiente temperatura, se obtuvo

los siguientes resultados para la variable rendimiento por tratamiento(en kilogramos).
Trat T1 T2 T3 T4 Bloques
I 6.01 6.89 4.39 3.59 20.88
II 5.88 5.98 4.29 3.68 19.83
III 6.12 6.67 5.28 4.28 22.35
IV 5.96 6.79 5.38 3.97 22.1
Trat. 23.97 26.33 19.34 15.52 85.16
Asi, El análisis estadístico será realizado de dos maneras, la primera de la forma tradicional,
para conocer el proceso, y la segunda mediante el software S.A.S.
El primer paso recomendado es calcular la SCT(Suma de cuadrados totales), de la siguiente

forma;
SCT = (6.01)2+(6.89) 2+(4.39) 2+.. ..+(3.97) 2 - ((6.01+6.89+4.39+.. ..+3.97) 2/16))

SCT = 19.2407
La SCB(Suma de cuadrados entre bloques);

SCB = ((20.88) 2+(19.83) 2+(22.35) 2+(22.1) 2)/4 - ((85.16) 2/16))
SCB = 1.01985
La SCTRAT(Suma de cuadrados entre tratamientos);

SCTRAT = ((23.97) 2+(26.33) 2+(19.34) 2+(15.52) 2)/4 - ((85.16) 2/16))
SCTRAT = 17.41985
Finalmente, la SCE(Suma de cuadrados del error);
SCE = SCT - SCB - SCTRAT

SCE = 0.801
Por lo que la tabla de ANVA, es la siguiente:
F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
Bloques 3 1.01985 0.33995000 3.82 3.86 6.99

Tratamientos 3 17.41985 5.80661667 65.24 3.86 6.99
Error 9 0.801 0.08900000
Total 15 19.2407
48
....................................................................................................................................................................................
No existen diferencias significativas para la suma de cuadrados entre bloques, (con las otras
variables en estudio si existió alta diferencia entre bloques), para tratamientos si existió
diferencia altamente significativa, por lo que corresponde realizar la correspondiente
comparación entre medias, en este estudio se aplicó la prueba Duncan.
De acuerdo a los datos en estudio, los datos promedio de tratamientos son:

T1=5.9925
T2=6.5825
T3=4.8350
T4=3.8800
Elaborando la tabla, se tiene que:
Se ordena los valores promedio en orden ascendente, en una matriz:
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825
T1 5.9925
T3 4.8350
T4 3.8800
A continuación, se encuentran las diferencias entre promedios de tratamientos, por ejemplo

entre T4 y T2 la diferencia es 2.7025, y ese valor se coloca en la matriz correspondiente.
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825 2.7025 1.7475 0.5900 0
T1 5.9925 2.1125 1.1575 0
T3 4.8350 0.9550 0
T4 3.8800 0
Una vez encontradas las diferencias entre promedios de tratamientos, se encuentran los
comparadores Duncan para cada diferencia: En este caso se determina el número de
comparadores con T-1, por lo tanto como son 4 tratamientos en estudio, el número de
comparadores será 4-1 = 3, se necesitan 3 comparadores Duncan, lo que demuestra porque
Duncan es una de las pruebas mas utilizadas, ya que utiliza varios comparadores lo le
confiere una mayor sensibilidad estadística, lo que no ocurre con la prueba Tukey por
ejemplo que solo utiliza un comparador,
49
....................................................................................................................................................................................
La fórmula correspondiente es:
CDk = T * (CME)/b
Donde;
CDk = Comparador Duncan.
T = Valor tabulado Duncan(Obtenido con , GL.error y tomándo en cuenta la
distancia y el número de los promedios de tratamientos).
CME = Cuadrado Medio del Error.
B = Número de bloques.
En nuestro ejemplo, nótese que de acuerdo a la ubicación de los tratamientos
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
Se necesita un comparador para la diferencia entre T4 y T3; T3 y T1; y T1 y T2; ya que

están juntos, y como existen dos promedios en la tabla se busca para dos promedios;
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
Es decir que matemáticamente el comparador para las diferencias entre T4 y T3; T3 y T1;
así como T1 y T2 es el mismo, y es calculado de la siguiente forma:
CDk = T * (CME)/b
CDk1 = T * (CME)/b
El valor de T en este caso para 0.05, GLerror= 9 y el número de promedios 2, es 3.20
Número de promedios
GLE  2 3 4 5 6 7 8 9 10
1 0.05 . . . . . . . . .
2 0.01 . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
7 0.05 2.35 3.47 3.54 3.58 . . . . .

0.01 4.95 5.22 5.37 5.45 . . . . .
8 0.05 3.26 3.39 3.47 3.52 . . . . .
0.01 4.74 5.00 5.14 5.23 . . . . .
9 0.05 3.20 3.34 3.41 3.47 . . . . .
0.01 4.60 4.86 4.99 5.08 . . . . .
50
....................................................................................................................................................................................
. . . . . . . . . .
El valor del CME es: 0.089, y el número de bloques es 4; por lo que se tiene lo siguiente:
CDk1 = 3.20 * (0.089)/4

Cdk1 = 0.2386
El siguiente paso es colocar los comparadores donde correspondan, debajo de las

diferencias encontradas entre promedios, en la matriz, de la siguiente forma;
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825 2.7025 1.7475 0.5900 0

0.2386
T1 5.9925 2.1125 1.1575 0
0.2386
T3 4.8350 0.9550 0
0.2386
T4 3.8800 0
En cambio; para la diferencia entre T4 y T1; T3 y T2 en la tabla se buscará para tres, ya que
existen tres promedios, el valor es 3.34, siendo el segundo comparador;
CDk2 = 3.34 * (0.089)/4

Cdk2 = 0.2491
Luego se coloca en la matriz,
T4 T3 T1 T2
3.8800 4.8350 .9925 6.5825
T2 6.5825 2.7025 1.7475 0.5900 0

0.2491 0.2386
T1 5.9925 2.1125 1.1575 0
0.2491 0.2386
T3 4.8350 0.9550 0
0.2386
T4 3.8800 0
Finalmente, se encuentra el tercer comparador para T4 y T2;
CDk3 = 3.41 * (0.089)/4
Cdk3 = 0.2543
51
....................................................................................................................................................................................
Completando la matriz;
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825 2.7025 1.7475 0.5900 0

0.2543 0.2491 0.2386
T1 5.9925 2.1125 1.1575 0

0.2491 0.2386
T3 4.8350 0.9550 0
0.2386
T4 3.8800 0
Nótese que en la matriz, para cada diferencia, por ejemplo para T4 y T2, se tienen dos
valores; el primero es la diferencia entre los promedios de tratamientos(2.7025), y el
segundo que esta abajo es el valor del comparador(0.2588), el siguiente paso es interpretar
en base a las dos siguientes reglas:
- Si el valor de la diferencia entre promedios es mayor o igual al comparador, se dice que el

resultado es significativo, y se representa con un asterisco (*)
- Si el valor de la diferencia entre promedios es menor al comparador, se dice que el

resultado no es significativo, y se representa con las letras (ns).
En el ejemplo, se tiene lo siguiente:
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825 2.7025* 1.7475* 0.5900* 0

0.2588 0.2528 0.2431
T1 5.9925 2.1125* 1.1575* 0

0.2528 0.2431
T3 4.8350 0.9550* 0
0.2431
T4 3.8800 0
52
....................................................................................................................................................................................
Luego se representa mediante líneas el área de no significancia, de la siguiente manera:
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
Como todas las diferencias entre promedios son significativas, no se representa ninguna
línea, finalmente encontrando la transpuesta inversa, y representando con letras se tiene lo
siguiente:
Trat. Prom. Duncan
T2 6.5825 a
T1 5.9925 b
T3 4.8350 c
T4 3.8800 d
Es conveniente, que también se representen las variabilidades (D.E. = Desviación estándar)

de cada tratamiento, quedando en definitiva el siguiente cuadro.
Trat. Prom. D.E. Duncan

T2 6.5825 0.4116 a
T1 5.9925 0.1000 b
T3 4.8350 0.5744 c
T4 3.8800 0.3121 d
Por otra parte, con el software estadístico S.A.S.(Statistical Análisis System), el

procesamiento es el siguiente:
data fruti;
input b t r;
cards;
1 1 6,01
2 1 5,88
3 1 6,12
4 1 5,96
1 2 6,89
2 2 5,98
3 2 6,67
4 2 6,79
1 3 4,39
2 3 4,29
3 3 5,28
4 3 5,38
1 4 3,59
2 4 3,68
3 4 4,28
4 4 3,97
proc anova;
class b t;
model b t = r;
means t/duncan;
run;
53
....................................................................................................................................................................................
La salida ordenada del programa es;
Analysis of Variance Procedure

Class Level Information
Class Levels Values
B 4 1234
T 4 1234
Number of observations in data set = 16
Dependent Variable: RENDIMIENTO.
Source DF Sum of Squares Mean Square F Value Pr > F
B 3 1.01985000 0.33995000 3.82 0.0513
T 3 17.41985000 5.80661667 65.24 0.0001
Error 9 0.80100000 0.08900000
Corrected Total 15 19.24070000
R-Square C.V. Root MSE R Mean
0.958369 5.605048 0.29832868 5.32250000
Duncan's Multiple Range Test for variable: R
Alpha= 0.05 df= 9 MSE= 0.089
Means with the same letter are not significantly different.
Duncan Grouping Mean N T
A 6.5825 4 2
B 5.9925 4 1
C 4.8350 4 3
D 3.8800 4 4
El S.A.S. proporciona además adicionalmente al Análisis de Varianza, otros elementos

complementarios como el coeficiente de determinación (R-Square), el coeficiente de
variación (C.V.), etc, los cuales también pueden ser obtenidos mediante cálculos sencillos.
54
....................................................................................................................................................................................
Como se puede observar, matemáticamente el resultado es el mismo, y de acuerdo al
análisis realizado no existen diferencias que estadísticamente sean significativas entre los
bloques, para tratamientos se ha determinado que existen diferencias significativas, y de
acuerdo a la prueba de Duncan (0.05), se llega a la conclusión de que; en el segundo
tratamiento se han obtenido los más altos rendimientos, con un promedio de 6.58
kilogramos, debido a que este tratamiento tenía en el segundo tercio de la bolsa una mayor
proporción de estiércol, seguido del tratamiento 1 con 5.99 kg., y el tratamiento 3 con un
promedio de 4.83 kg., finalmente en el tratamiento 4, se han obtenido los rendimientos
más bajos con un promedio de 3.88 kilogramos, pudiendo atribuirse este resultado a un
menor contenido de estiércol en el último tercio de la bolsa.
2. ARREGLO FACTORIAL COMBINATORIO.
Se han estudiado en el cultivo de Soya, tres variedades y tres distanciamientos entre

plantas, de acuerdo al siguiente detalle;
Variedades-(V1=Variedad Alta; V2 = Variedad Mediana; V3 = Variedad Pequeña).
Distanciamientos (D1=2 plantas c/20cm; D2=3 plantas c/20 cm; D3=4 plantas c/20 cm).
En un arreglo factorial, distribuidos en una arreglo combinatorio, habiéndose obtenido los
siguientes datos para la variable Rendimiento, en décimos de Kilogramo.
FACTORES I II III IV V TRAT.

VARIEDADES DISTANCIAS
A B TRAT
D1 V1D1 9 10 11 11 14 55
V1 D2 V1D2 10 13 15 16 15 69
D3 V1D3 10 12 12 13 11 58
D1 V2D1 10 9 12 12 15 58
V2 D2 V2D2 12 10 9 16 13 60
D3 V2D3 13 11 9 17 14 64
D1 V3D1 6 7 9 12 10 44
V3 D2 V3D2 10 12 14 16 14 66
D3 V3D3 9 13 16 19 17 74
BLOQUES. 89 97 107 132 123 548
El primer paso recomendado es calcular la SCT(Suma de cuadrados totales), de la siguiente

forma;
SCT = (9) 2+(10) 2+(11) 2+.. ..+(17) 2 – ((9+10+11+.. ..+17) 2/45))

SCT = 356.58
55
....................................................................................................................................................................................
La SCB(Suma de cuadrados entre bloques);

SCB = ((89) 2+(97) 2+(107) 2+(132) 2+(123) 2)/9-((548) 2/45))
SCB = 141.24
La SCTRAT(Suma de cuadrados entre variedades);

SCVAR = ((55+69+58) 2+(58+60+64) 2+(44+66+74) 2 )/15-((548) 2/45))
SCVAR = 0.18
La SCDIST(Suma de cuadrados entre distanciamientos);

SCDIST = ((55+58+44) 2+(69+60+66) 2+(58+64+74) 2 )/15-((548) 2/45))
SCDIST= 65.91
La SCVAR.*DIST.(Suma de cuadrados para la interacción);
SCVAR:*DIST = ((55) 2+(69) 2+(58) 2+(58) 2+(60) 2+(64) 2+(44) 2+66) 2+(74)2 )/5-((548) 2/45))-
0.18-65.91
SCVAR.*DIST.=56.09
Finalmente, la SCE(Suma de cuadrados del error);
SCE = SCT – SCB – SCVAR-SCDIST-SCVAR:*DIST:

SCE = 356.58 – 141.24 – 0.18 – 65.91 – 56.09
SCE = 93.16
La tabla de ANVA, es la siguiente:
F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
Bloques 4 141.24 35.31 12.13 2.67 3.97
Variedades 2 0.18 0.09 0.03 3.30 5.34
Distanciamientos 2 65.91 32.96 11.32 3.30 5.34
Var*Dist. 4 56.09 14.02 4.82 2.67 3.97
Error 32 93.16 2.91
Total 44 356.58
El análisis estadístico fue realizado con el software estadístico S.A.S.(Statistical Análisis

System), siendo el procesamiento el siguiente:
56
....................................................................................................................................................................................
DATA FACT;
input b v c rdto;
cards;
111 9
1 1 2 10
1 1 3 10
1 2 1 10
1 2 2 12
1 2 3 13
131 6
1 3 2 10
133 9
2 1 1 10
2 1 2 13
2 1 3 12
221 9
2 2 2 10
2 2 3 11
231 7
2 3 2 12
2 3 3 13
3 1 1 11
3 1 2 15
3 1 3 12
3 2 1 12
322 9
323 9
331 9
3 3 2 14
3 3 3 16
4 1 1 11
4 1 2 16
4 1 3 13
4 2 1 12
4 2 2 16
4 2 3 17
4 3 1 12
4 3 2 16
4 3 3 19
5 1 1 14
5 1 2 15
5 1 3 11
5 2 1 15
5 2 2 13
5 2 3 14
5 3 1 10
5 3 2 14
5 3 3 17
proc anova;
class b v c;
model rdto = b v c v*c;
means v c v*c;
run;
57
....................................................................................................................................................................................
La salida del programa, ya ordenada es la siguiente;

Class Levels Values
B 5 12345
V 3 123
C 3 123
Dependent Variable: RDTO

B 4 141.24444444 35.31111111 12.13 0.0001

V 2 0.17777778 0.08888889 0.03 0.9700
C 2 65.91111111 32.95555556 11.32 0.0002
V*C 4 56.08888889 14.02222222 4.82 0.0037
Error 32 93.15555556 2.91111111
R-Square C.V. Root MSE RDTO Mean

0.738751 14.01075 1.70619785 12.17777778
Level of -------------RDTO------------
V N Mean SD
1 15 12.1333333 2.13363093
2 15 12.1333333 2.55976189
3 15 12.2666667 3.78845364
Level of -------------RDTO------------
C N Mean SD
1 15 10.4666667 2.38646980
2 15 13.0000000 2.42015348
3 15 13.0666667 3.03471973
Level of Level of -------------RDTO------------

V C N Mean SD
1 1 5 11.0000000 1.87082869
1 2 5 13.8000000 2.38746728
1 3 5 11.6000000 1.14017543
2 1 5 11.6000000 2.30217289
2 2 5 12.0000000 2.73861279
2 3 5 12.8000000 3.03315018
3 1 5 8.8000000 2.38746728
3 2 5 13.2000000 2.28035085
3 3 5 14.8000000 3.89871774
58
....................................................................................................................................................................................
Los resultados muestran que existen diferencias significativas entre bloques, y también
entre distanciamientos entre plantas, pero no así entre las tres variedades estudiadas, existe
también diferencia altamente significativa en interacción, por lo que no interesa realizar
pruebas de comparaciones de medias para los efectos principales en el caso específico de
distanciamientos entre plantas, más bien cobra importancia realizar análisis de efectos
simples.
 Análisis de Efectos Simples.
El primer paso será elaborar una tabla de doble entrada, obteniéndose lo siguiente:
V1 V2 V3
D1 55 58 44 157
D2 69 60 66 195
D3 58 64 74 196
182 182 184 548
Luego se calcula las sumas de cuadrados correspondientes a cada efecto simple, de la

siguiente forma:
(55*55)+(69*69)+(58*58) (182)2
Sc de dist. en Variedad 1 = ------------------------------------ - --------- = 21.7
5 15
(58*58)+(60*60)+(64*64) (182)2
5 15
(44*44)+(66*66)+(74*74) (184)2
5 15
Análisis de Varianza para la Prueba de efectos simples:
Fuentes de Variabilidad GL SC CM Fc Ft
Entre Distanciamientos en la V1 2 21.7 10.85 3.73 * 3.30 5.34

Entre Distanciamientos en la V2 2 3.7 1.85 0.64 ns 3.30 5.34
Entre Distanciamientos en la V3 2 96.5 48.25 16.58 * * 3.30 5.34
Error 32 93.0 2.91
59
....................................................................................................................................................................................
De aquí se deduce lo siguiente: Para la variable Rendimiento, entre los niveles de los
distanciamientos en la variedad 1 (V1), existen diferencias significativas, y de acuerdo al
Gráfico 1a., sería (D2), la distancia de 3 plantas c/20 cm, la que daría el mayor rendimiento,
este es un análisis gráfico final, (si se desea se puede también aplicar una prueba de
comparación de medias para verificar que D2 en V1, es la que obtuvo un mayor
rendimiento.)
Gráfico 1a. Análisis de Efectos Simples
D3
70
Rendimiento.
D2
60
50
D1
40
V1 V2 V3
Variedades
Así mismo, no existe diferencias significativas entre distanciamientos en la V2, esto quiere
decir que sembrar, a 2, 3, ó 4 plantas c/20 cm estadísticamente no presenta diferencias en
el rendimiento, lo que se confirma en el Gráfico 1a. Finalmente, para los niveles de los
distanciamientos en la V3, existen diferencias que son altamente significativas, y es con D3
que se podrían obtener los mayores rendimientos.(ver Gráfico 1a.).
También se puede realizar el análisis de efectos simples para ver el efecto de variedades
dentro de cada una de las densidades.
60
....................................................................................................................................................................................
CAPITULO 5.
MODELOS JERARQUICOS O ANIDADOS.
5.1 FACTORES FIJOS Y ALEATORIOS.
Un factor es fijo cuando sus niveles han sido elegidos por el experimentador por tener
exclusivos intereses en ellos, mientras que un factor aleatorio o al azar cuando los niveles
son tomados al azar de una población de niveles de ese factor, esto debido a que se esta
mas interesado en estudiar la variabilidad que hay en los niveles que forma la población,
que en los niveles incluidos en el experimento los que son considerados como miembros
constituyentes de la muestra.
Es importante considerar este aspecto, ya que los modelos tradicionales mas utilizados en
su mayoría son fijos, pero también existen modelos un tanto mas complejos en su estructura
y funcionamiento, estos pueden ser modelos aleatorios o modelos mixtos, aunque para el
planteamiento también se toma en cuenta si los factores son cruzados o anidados.
5.2 FACTORES CRUZADOS O ANIDADOS.
De si los factores son cruzados o anidados depende de la estructura del modelo aditivo
lineal, del experimento y a su vez de los valores esperados de los cuadrados medios, del
modelo lineal dependen las fuentes de variación y los grados de libertad.
Existen reglas básicas que permiten formular Modelos Fijos, Aleatorios o Mixtos, estas
reglas ayudan a plantear correctamente modelos lineales aditivos, grados de libertad,
cuadrados medios, para mayor información se recomienda consultar textos específicos.
5.3 MODELOS JERÁRQUICOS O ANIDADOS.
En los experimentos factoriales, se trabaja con factores cruzados, es decir factores en los
que cada nivel de uno de los factores se combina con todos los niveles de los otros factores.
También existen experimentos y estudios en los que no se puede o no interesa que los
niveles de cada factor se combinen con todos los niveles de los otros factores, en este caso
se tienen los factores anidados, tambien se puede dar el caso intermedio, es decir que
unos factores pueden ser cruazados y otros anidados.
En ciertos experimentos o información recopilada de diferentes sitios o campos (vía

encuestas o experimentos específicos) se encuentra que un factor, por ejemplo B, es similar
pero no idéntico para los niveles de un factor A. En estos casos, el arreglo matemático es
llamado anidado o jerárquico; es decir los niveles del factor B están dentro (anidados) de
los niveles de A.
61
....................................................................................................................................................................................
Por ejemplo, Un nutricionista recibe de tres sitios diterentes un ingrediente del concentrado
que él prepara. Se recibe cuatro envíos diferentes de cada sitio y se realiza tres análisis de
cada envío. En este caso envios y sitios no son cruzados(interacción), ya que si fueran
cruzados el envio uno se referirá siempre al envio uno, lo cual no ocurre. Es decir el envío
uno del sitio uno no tiene conexión con el envío uno de los otros sitios y así sucesivamente;
por lo tanto, el arreglo es anidado y no hay interacción.
Si todas las observaciones están completas en el modelo, es decir que exista igual número
de niveles de B dentro de cada nivel de A con igual número de observaciones, el modelo es
balanceado. En este caso existe abn-1 grados de libertad para el total; i-1 para sitios y i(j-1)
para envíos dentro de sitios. El error tiene ij(k- 1) grados de libertad.
Los estudios con factores anidados se presentan con frecuencia en todos los campos de
investigación en los que el investigador tiene que realizar estudios en las condiciones
existentes, sin poder actuar a entera voluntad sobre las unidades experimentales, como
sería lo deseable para poner los factores de manera que estén “cruzados”.
Además de los conceptos de cruzado o anidado, como ya se mencionó por la forma como
se escogen los niveles, un factor puede ser fijo o al azar. Un factor es fijo cuando sus niveles
han sido elegidos por el experimentador por tener exclusivos intereses en ellos; mientras
que un factor es al azar cuando los niveles son tomados al azar de una población de niveles
de ese factor, esto debido a que se está más interesado en estudiar la variabilidad que hay
en los niveles que forman la población, que en los niveles incluidos en el experimento los
que son considerados como miembros constituyentes de la muestra.
De si los factores son cruzados o anidados depende la estructura del modelo aditivo lineal
del experimento; y a su vez, del modelo lineal dependen las fuentes de variación del análisis
de varianza y los grados de libertad. Existen reglas para determinar cuál es el modelo lineal
aditivo, cuáles son los grados de libertad, y cuáles son los componentes de los valores
esperados para los cuadrados medios, cuándo se trabaja con modelos lineales, para mayor
información consultar pág.433-439, Cap. XI ;(Calzada,1970)
Veamos un ejemplo, (Calzada,1970), En el primer factor de estudio (A), existen dos niveles,
el primero es cosmonauta(a1) y el otro no es cosmonauta (a2), se desea estudiar su sangre
y para esto a cada uno se les ha extraído cuatro muestras de sangre (B), y de cada muestra
se han hecho dos análisis (R). Analizando, resulta que A resulta cruzado y fijo, mientras que
B(A) y R(AB) son anidados y al azar.
Nótese que los niveles de B, están anidados con respecto a los niveles del factor A, y
se simbolizan como B(A), debido a que las cuatro primeras muestras de a1, son totalmente
diferentes a las cuatro muestras de a2, es decir; (b1) el primer nivel del factor B relacionado
con a1, no es el mismo que (b5) el primer nivel del factor B relacionado con a2.
62
....................................................................................................................................................................................
Los datos codificados en forma adecuada, se presentan en el siguiente cuadro:
a1 a2
b1 b2 b3 b4 b5 b6 b7 b8
r1 5 8 4 2 6 9 7 4
r2 5 7 6 2 5 8 6 4
 10 15 10 4 11 17 13 8
 () 39 49
SCT = (5) 2+(8) 2+(4) 2+.. ..+(4) 2 – ((5+8+4+.. ..+4) 2/16))
SCT = 62
La SCA(Suma de cuadrados de A);

SCA = ((39) 2+(49) 2)/8-((39+49) 2/16))
SCA = 6.25
La SCB(A)(Suma de cuadrados del efecto anidado de B en A);

SCB(A) = (((102+152+... ...+4 2)/2) - (39 2 /8)+((62+92+... ..+42 )/2) - (652 /8))
SCB(A) = 30,375 + 21,375
SCB(A) = 51,75
La SCError(Suma de cuadrados del error);

SCError = 62 - 6,25 – 51,75
SCError= 4
La tabla de ANVA, es la siguiente:
F.V. G.L. S.C. C.M. F.C. F.t.(5% y 1%)
A 1 6,25 6,25 0,72 5,32 11,26ns

B(A) 6 51,75 8,62 17,24 3,39 5,91**
Error 8 4,00 0,50
Total 15 62,00
Una vez realizado el procesamiento correspondiente, mediante el software S.A.S., el

resultado es el siguiente:
63
....................................................................................................................................................................................
data anidado;
input a b s;
cards;
115
128
134
142
115
127
136
142
216
229
237
244
215
228
236
244
proc anova;
class a b;
model s= a b(a);
test h=a e=b(a);
run;
Siendo la salida ordenada, la siguiente:
Dependent Variable: Análisis de Sangre

A 1 6.25000000 6.25000000 0.72
0.4273ns
B(A) 6 51.75000000 8.62500000 17.25 0.0004**
Error 8 4.00000000 0.50000000
R-Square C.V. Root MSE S Mean

0.935484 12.85649 0.70710678 5.50000000
De aquí se deduce que no se ha probado que exista diferencias entre la sangre del
astronauta y la persona que no es astronauta; pero si hay diferencias entre muestras de
sangre, tanto de las del astronauta como de las que no lo es.
5.4 ERRORES MAS COMUNES EN EL USO DE LA ESTADISTICA.
Durante los últimos 40 años la estadística ha sido utilizada extensivamente por

investigadores agropecuarios. Durante este período, algunos conceptos y métodos han
sufrido cambios, los cuales no han sido totalmente adoptados. Por ejemplo, actualmente se
hace menos énfasis en la prueba de las diferencias.
64
....................................................................................................................................................................................
Así mismo se recomendaba utilizar parcelas grandes en campo, debido a que éstas tienden
a una menor varianza; ahora se recomienda el uso de parcelas pequeñas y compensar
incrementando el numero de repeticiones.
Actualmente, el uso de computadoras ha tenido electos tanto positivos como negativos. En

el lado positivo, se puede procesar datos en forma rápida, eficiente y a bajo costo con
procesos cuya aplicación era difícil o imposible antes del uso de las computadoras. Sin
embargo, la disponibilidad y uso de programas computarizados a personal con
relativamente poco conocimiento en estadística tiende a incrementar la mala aplicación de
procedimientos estadísticos.
Según León Velarde y Quiróz, (1994), los errores más comunes en el planeamiento, análisis
e interpretación y reporte de los resultados experimentales, son los siguientes:
1. La no inclusión de consideraciones estadísticas
Las consideraciones estadísticas se deben incluir cuando el experimento está en su estado

conceptual y debe ser después de tener una idea clara de qué investigar. La razón por la
cual se deben incluir, a tiempo, los principios estadísticos, es para asegurar la obtención de
datos que garanticen la precisión que pueda dar evidencias sobre el problema a estudiar.
Hay consideraciones sobre muestreo, sobre la población a la cual los resultados del
experimento serán extrapolados, a las condiciones ambientales del material experimental,
y de los tratamientos. Hay consideraciones sobre diseños experimentales tales como; qué
utilizar! qué tratamientos estudiar’? Cuántas repeticiones se requieren’? y existen otras
consideraciones prácticas relacionadas con la orientación, el tamaño y la forma de parcelas
y bloques.
El incluir a un estadístico en un estado temprano en el planeamiento del experimento es útil

para enfocar las preguntas específicas a ser contestadas y los métodos estadísticos
relevantes para la estimación y/o pruebas de hipótesis. También se puede proveer
asistencia en la selección de tratamientos, de tal modo que las comparaciones entre
tratamientos se realicen con la mayor eficiencia en la etapa de análisis.
2. Uso inapropiado o inadecuado de un diseño experimental.
El diseño más popular en investigación agropecuaria es el de bloques completamente

aleatorizados. Es un diseño sencillo y es razonablemente eficiente, si los bloques han sido
construidos apropiadamente. El segundo diseño más popular es alguna versión del diseño
de parcelas divididas.
Existen muchas situaciones en las cuales se utiliza un diseño de parcelas divididas, donde
claramente un diseño de bloque completamente aleatorizado sería preferido.
65
....................................................................................................................................................................................
En los casos donde sólo hay pocos niveles del factor en la parcela principal, o hay pocas
repeticiones, cl término de error de la parcela principal en el análisis de varianza en parcelas
divididas,
se estima con poca precisión, y no habrá un buena prueba del factor en la parcela principal.
Un arreglo factorial de tratamientos, dentro del marco de un diseño de bloques
completamente aleatorizados provee igual y adecuada precisión para todos los efectos,
para ambos, efectos principales e interacciones.
Un diseño experimental apropiado puede ser destruido por confundir lo que constituye la
unidad experimental; por ejemplo, la subdivisión de una parcela grande, a la cual se ha
aplicado un tratamiento, en sub-parcelas más pequeñas y considerarlas como repeticiones.
Otro ejemplo común en experimentos de engorde es cuando un tratamiento (c.g. ración) se
aplica en forma general, asumiendo que no existirá condiciones para evaluar el consumo
por animal y se toma el consumo del grupo. En este caso la unidad experimental es el grupo
de animales y no cada animal. Esto debe ser considerado al hacer el análisis de los datos.
Otro problema común es la asignación de factores a la parcela principal y la sub-parcela en

un diseño de parcelas divididas. Existen dos criterios básicos para asignar factores a los
diferentes tipos de parcelas. El primero es cuando existen diferencias naturales (de tamaños
de parcelas; por ejemplo métodos de secado entre hornos de aire forzado, hornos de
microondas y liofilización con el tiempo de secado de diferentes tipos de forrajes y sus
interacciones con el tipo de secado. Las muestras de forraje deben ser secadas dentro de
los aparatos por lo tanto, los aparatos para secar constituyen las parceIas principales y el
tiempo deseado constituiría la suh-parcela.
Un segundo caso es si todos los tamaños de parcela son iguales, pero se desea estimar un
tipo de factor con mayor precisión que otro, el factor que constituye la sub-parcela sería el
que se estima con mayor precisión.
3. Uso de procedimientos no apropiados de aleatorización
La aleatorización se utiliza para asegurar que se obtendrán estimados no sesgados de los

efectos de los tratamientos y el error experimental. El error de no usar técnicas apropiadas
de aleatorización puede causar que ciertos tratamientos sean favorecidos o desfavorecidos,
debido a la posición donde se ubiquen en el área experimental y causar diferencias en los
grados de precisión para las diferentes comparaciones.Es común que el concepto de
aleatorización sólo se considere durante la asignación de los tratamientos a las unidades
experimentales. Sin embargo, es importante que el investigador tenga cuidado en todas las
fases del experimento para evitar la introducción de correlaciones entre las unidades
experimentales o cualquier otra correlación no tomada en consideración en el diseño
experimental. Esto puede ocurrir, por ejemplo, si unidades experimentales de diferentes
repeticiones se agrupan para aplicar un tratamiento.
66
....................................................................................................................................................................................
Cuando los experimentos se conducen en series (localidades y/o años) es necesario realizar
una aleatorización diferente para cada experimento. Esto reduce el sesgo que pueden
resultar de dos tratamientos adyacentes que interaccionan y se tiende a igualar la precisión
de todas las comparaciones.
4. Experimentos de tamaños inadecuados
Es importante utilizar un número apropiado de repeticiones en un experimento para obtener

variabilidad. Si el número de repeticiones es inferior al requerido puede resultar en
estimados muy imprecisos, mientras que el exceso de repeticiones puede ser costoso. El
primer caso es el más común en los experimentos agropecuarios. Cochran y Cox (1957)
proveen una excelente discusión sobre el tema y la forma corno determinar, dentro de la
variabilidad existente y el nivel de inferencia deseado, el tamaño del experimento.
De igual importancia es muestrear las condiciones ambientales de las poblaciones objetivos.

Esto se logra replicando los experimentos en diversas localidades dentro del área geográfica
de interés. Es muy poco probable que un experimento en una localidad y por un año sea
suficiente para hacer una inferencia confiable a otras áreas diferentes.
5. Uso inadecuado de la técnica experimental.
La precisión de un experimento depende, en gran medida, de la técnica experimental

utilizada. Es frecuente encontrar confusión sobre el significado de bloques. En algunos
casos se tiende a usar bloques sólo para proporcionar una repetición, no para controlar el
error. Otros realizan experimentos sin tener suficiente familiaridad con cl proceso
experimental, lo que conduce a no usar la mejor técnica. Así mismo se tiende a no controlar
la variación, no supervisar el proceso experimental, o no registrar eventos no normales que
tienen lugar en el Sitio experimental. Por lo tanto si estos eventos generan datos extraños
no hay bases para explicar los resultados logrados. La precisión global puede incrementarse
utilizando una técnica experimental uniforme en todos los experimentos. Para estandarizar
una técnica experimental se recomienda:
- Aplicar los tratamientos uniformemente.

- Escribir los procedimientos para la conducción de las fases y el cronograma de tiempo
correspondiente para su ejecución.
- Entrenar el personal que tendrá responsabilidad durante el proceso y análisis del
experimento.
- Ejercer suficiente control sobre las influencias externas, de tal modo que todos los
tratamientos produzcan sus efectos bajo condiciones comparables y controladas.
- Diseñar medidas no sesgadas de los efectos de los tratamientos.
- Preveer errores involuntarios.
67
....................................................................................................................................................................................
CAPITULO 6.
CARACTERIZACIÓN DE SISTEMAS DE PRODUCCIÓN
6.1 INTRODUCCION.
La función de la investigación y el análisis de sistemas agropecuarios está orientada a la

explicación de fenómenos biológicos, sociales y económicos que conducen a la generación
de nuevas alternativas tecnológicas.
Un esquema de investigación se realiza a partir de la observación de un fenómeno biológico;

el cual se analiza para observar los factores que lo afectan, El análisis se lo realiza mediante
el uso de diversos modelos matemáticos o diseños experimentales Este esquema de trabajo
es considerado como “ tradicional ” y es explicado por el “ método científico “. El enfoque de
la investigación de sistemas incluye un esquema “ holístico “, el cuál no excluye el primer
esquema, aún mas lo complementa. La diferencia básica entre ámbos está en incorporar el
grado de relación entre las partes que componen un sistema agropecuario.
Un sistema es definido como la relación entre los componentes físicos(objetos) que tienen
una función en relación a un objetivo común. Es decir se considera la función armónica de
las partes en relación al todo. Sobre esta definición se ha elaborado diversas metodologías,
entre las cuales, la metodología de sistemas de fincas (Farming System Research “FSR”)
se encuentra difundida con variaciones de acuerdo a las cindiciones bio-socio-económicas
en que se encuentran los productores que usan un sistema agropecuario. Un sistema
agropecuario, en un lugar geográfico específico, es un “Sistema Real” propio y único en esa
zona. Presenta la influencia de factores endógenos y exógenos, los que afectan en menor
o mayor grado la eficiencia de producción. Los factores endógenos son controlados
generalmente por el productor. Los factores exógenos están fiuera de su control. Sin
embargo, el análisis de ellos es necesario para la decisión final del productor en el arreglo
de los componentes de su sistema y obtener un nivel rentable de producción.
Los niveles de producción, obtenidos en un sistema agropecuario, pueden ser comparados

con otros que presentan características similares y que estén dentro de la misma zona
agroecológica. Nivelesde producción obtenidos en zonas diferentes también, pueden ser
comparados estadísticamente, pero normalmente sirven como base de referencia. En
mabos casos la comparación de los niveles productivos demanda de un adecuado modelo
o diseño estadístico. El uso correcto de modelos o diseños experimentales contribuye a
determinar el uso y aplicación de una alternativa tecnológica propuesta. La cuál, es diseñada
a partir del análisis de los componentes(alternativa tecnológica) con un nivel productivo (Qa)
frente a un arreglo de componentes(alternativa tecnológica) con un nivel productivo(Qb). El
análisis estadístico es realizado bajo la hipótesis nula(Ho=Qa=Qb) y alterna (Ha=QaQb).
68
....................................................................................................................................................................................
6.2 METODOLOGIA PARA CARACTERIZACION DE SISTEMAS DE PRODUCCION.
En base a los objetivos(general y específicos) presentados en un perfil de investigación,

para realizar un proceso de caracterización la metodologia de trabajo propuesta es la
siguiente:
a. PRIMERA ETAPA.
1. Elaborar las guías de encuesta estática.
2. Determinar en la zona de estudio, el tamaño de muestra representativo, ya sea simple,
estratificado o jerárquico, mediante una de las tres formas existentes, se recomienda
consultar (Arteaga, 2004).
4. Realizar la recolección de la información(trabajo de campo), en ferias, informantes clave,
etc.
5. Procesar y analizar la información, utilizando para ello cualquier técnica multivariada,
mediante un software estadístico S.A.S., SPSS, MSTATC, SPLUSWIN, ETC.
6. En base a un análisis de conglomerados, (dendograma), identificar grupos diferenciados,
de los cuales mediante un muestreo estratificado, se obtiene el número de familias
correspondientes a los estudios de caso.
b. SEGUNDA ETAPA.
1. Elaborar las guías de encuesta dinámica.
2. Elaborar las guias de entrevista.
3. Realizar la recolección de información, mediante las encuestas y entrevistas, visitando y
conociendo los predios y las actividades de la familia, con el fin de validar, complementar
y profundizar la información inicial obtenida con la encuesta estática, a lo largo de un
ciclo agrícola.
4. Organizar, Analizar e interpretar toda la información obtenida, y elaborar el documento
final, que específique las características de los sistemas de producción identificados.
5. Proponer alternativas de intervención en cada uno de los casos estudiados, en
coordinación con las Instituciones Regionales y Nacionales(Municipios, Universidades,
ONGs, etc)
Análisis Multivariado.
La fase de caracterización proporciona la información cuantitativa sobre cada una de las

fincas muestreadas. La aplicación de técnicas multivariadas permiten clasificar y tipificar a
los productores en un área particular. Esta técnica permite obtener grupos de productores.
A continuación se describe el uso de técnicas multivariadas: los aspectos matemáticos de
las técnicas multivariadas pueden ser consultadas en textos específicos.(Morrison,1976;
Rawlings,1988;Pla,1986).
El análisis de componentes principales es una técnica que utiliza la descomposición de

valores singulares a través del fraccionamiento del producto de la matriz (XX’), en sus
correspondientes raíces y vectores propios.
69
....................................................................................................................................................................................
Con esta técnica se producen nuevas variables que son ortogonales entre sí, de tal modo que
el primer componente principal explica la mayor cantidad de la dispersión total de los datos,
el segundo componente principal explica la mayor cantidad posible de la dispersión restante
y así sucesivamente. Esta técnica se utiliza para eliminar el problema de colinealidad. El
análisis de los datos se hace sobre los componentes principales que expliquen la mayor parte
de la variabilidad o sobre variables originales que estén relacionadas con los componentes
principales.
El agrupamiento de los datos se puede lograr mediante el análisis de conglomerados de

“cluster” (Morrison, 1976). En este análisis se determina la distancia cuadrada entre los
centroides de los grupos y la distancia de cada elemento a ser clasificado a los centroides de
cada grupo. La clasificación de cada elemento se realiza de acuerdo a estas distancias. El
tipo de agrupamiento depende del método seleccionado: conexión promedio, método del
centroide, varianza mínima de Ward.
Estudios realizados por simulación han generado evidencias sobre conglomerados

compactos de más o menos el mismo tamaño o dispersión, favoreciendo al método
Ward(Software SAS). En estudios exploratorios, donde no se tiene idea de qué tipo de
agrupamiento se espera, es recomendable utilizar métodos como la conexión por densidad
(density Linkage). Cuando existe heterogeneidad entre los productores es recomendable
tratar de formar grupos afines, de tal modo que su estudio y posteriormente las alternativas
técnicas propuestas sean adecuadas a cada grupo objetivo.
Si el agrupamiento de los productores ha sido basado en la experiencia, se puede verificar

usando el análisis discriminante. Por el contrario, si se ha usado el método de cluster, el
análisis discriminante se usa para generar una función o ecuación matemática que describe
la distancia cuadrada entre un elemento y el centroide de cada conglomerado, `para asignaar
a qué grupo pertenece cada observación. Los grupos formados por este análisis son los
mismos que se obtienen con el cluster, ya que se utilizan, distancias cuadradas similares.
70
....................................................................................................................................................................................
CAPITULO 7.
METODOLOGÍA DE CARACTERIZACIÓN DE SISTEMAS DE PRODUCCIÓN

AGROPECUARIA, PARA UNA MEJOR TOMA DE DECISIONES DE LOS MUNICIPIOS
RURALES.
7.1 DEFINICION Y DELIMITACION DEL PROBLEMA.
Uno de los puntos importantes en la Agenda Institucional, es reducir la Pobreza que es una
forma de desigualdad, en el caso Boliviano, el Altiplano es una zona que se caracteriza por
condiciones climáticas adversas, donde existe una mayor pobreza, según datos registrados
por el Informe de Desarrollo Humano(IDH), se determinó el año pasado que cerca del 95
% de los campesinos son pobres.
Por lo que la pobreza es un tema importante para la nación, por eso en la última década
han surgido una gran cantidad de Políticas Públicas que el Gobierno ha elaborado, con el
fin de mejorar la calidad de vida en las zonas rurales, entre las que se pueden mencionar
La ley de Participación Popular (LPP), La estrategia de Transformación Productiva del Agro
(ETPA), y la Ley del Instituto Nacional de Reforma Agraria (INRA), Algunas de las cuales se
encuentran en proceso, otras han quedado estancadas, etc.
En el caso específico de la LPP es considerada como una de las reformas mas importantes,
que además de distribuir un monto significativo de los recursos fiscales entre los Municipios
rurales, implementado sus políticas a partir de la formulación de los Planes de Desarrollo
Municipales, los cuales se elaboran de manera participativa, Sin embargo, la gran mayoría
de los Municipios logró viabilizar propuestas Municipales de desarrollo económico muy
débiles como para dinamizar y potenciar significativamente las economías locales, siendo
la principal limitante la dimensión irregular de las secciones Municipales tanto en población,
como en extensión, entre Cantones y Provincias.
7.2 BREVE DIAGNOSTICO.
Si bien es cierto que existen políticas públicas, uno de los principales problemas para su
implementación es que la realidad siempre sobrepasa los niveles institucionales. Pese a que,
existen buenas leyes, éstas no pueden ser aplicadas adecuadamente porque no se cuenta
con los instrumentos necesarios como para hacerlo y, en algunos casos, tampoco con la
voluntad política, por eso la formulación y principalmente la aplicación, y el cumplimiento de
políticas públicas toma tiempo y esfuerzo debido a los procesos de concertación que se deben
realizar.
71
....................................................................................................................................................................................
Existe como una especie de divorcio y desencuentro entre las políticas públicas y las
realidades de los campesinos, razón por la cuál se debe buscar el nexo que una estos dos
elementos en conflicto para lograr una mayor y mejor calidad de vida del habitante de la zona
rural andina.
Por otra parte al lograrse este propósito, se logrará controlar la migración campo-ciudad, ya
que las condiciones de producción y de mercados, han hecho inviable producir a niveles
siquiera de subsistencia, impidiendo quedarse a los pobladores en su medio local. El
campesino, particularmente en el altiplano atraviesa por una suerte de via crucis de abandono
social, inseguridad alimentaria, marginalidad, subdesarrollo tecnológico y carencia de
opciones productivas, bajo estas condiciones, no es sorpresivo que anualmente, y desde hace
mas de diez años, que los campesinos arriben a las ciudades en busca de mejores
condiciones de vida y empleo.
La presente propuesta se centra en analizar el tema de la necesidad e importancia de

reactivar la producción agrícola, a través del desarrollo e implementación de una
metodología apropiada para una mejor adopción en la toma de decisiones por parte de los
Municipios, con el fin de lograr mejorar la calidad de vida de las familias rurales, y,
especialmente la agricultura en pequeña escala.
7.3 ESTABLECIMIENTO DE LOS OBJETIVOS.
 Dar a conocer al personal, técnico y profesional de los Municipios la importancia de

utilizar estas técnicas de caracterización, para una mejor toma de decisiones.
 Capacitar sobre el uso y manejo adecuado de esta nueva metodología.
 Desarrollar e implementar metodologías apropiadas para cada región, que sirvan como
herramientas de gestión de sistemas de producción agropecuaria.
7.4 LINEAS ESTRATEGICAS.
 Caracterizar y tipologizar los diferentes sistemas de producción agropecuaria.

 Identificar y describir los factores que caracterizan a los sistemas de Producción
agropecuarios considerando al principal actor social, el campesino, enfocado con un
fuerte componente denominado desarrollo humano, a través del complemento del
proceso de caracterización mediante la utilización de matrices de necesidades y
satisfactores.
 Identificar problemáticas específicas, en relación a cada grupo o sistema de producción
caracterizado previamente.
 Formular propuestas, estrategias y alternativas de solución para esas problemáticas.
 Finalmente, validar la información a nivel de campo.
72
....................................................................................................................................................................................
7.5 PROGRAMA-MODALIDAD DE INTERVENCION.
 Realizar cursos de capacitación a funcionarios técnicos y profesionales de los

Municipios, sobre el conocimiento, aprendizaje y uso racional de estas técnicas de
caracterización aplicados a los sistemas de producción, con el fin de que puedan contar
con una nueva herramienta, que en procesos de gestión coadyuven para una mejor toma
de decisiones.
7.6 EVALUACION.
 Evaluar las ventajas y desventajas del programa desarrollado, identificando

potencialidades y debilidades, a traves de una matriz F.O.D.A.(fortalezas,
oportunidades, debilidades y aptitudes).
7.7 LITERATURA CONSULTADA.
ARTEAGA, Y. 2000. Desarrollo de una metodología para uso como herramienta de gestión en
sistemas de producción agropecuaria. In. Simposio nacional sobre “Perspectivas de
desarrollo sostenible del altiplano boliviano”, Academia Nacional de Ciencias de Bolivia,
La Paz- Bolivia. Pág 37-40.
ABC, ECONOMIA Y FINANZAS, 2000. El Plan de Reactivación Económica y la Necesidad de una

política monetaria anti-recesiva. Revista No 13- Mayo. La Paz – Bolivia.
COOPERACION SUIZA PARA EL DESARROLLO, (COSUDE); 1996. Construyendo el

Futuro. 25 opiniones sobre Desarrollo Sostenible en Bolivia. PNUD. La Paz – Bolivia.
160 p.
DOCUMENTOS ELECTRÓNICOS.
Internet: www.la-razón.com
www.eldiario.net.
MUÑOZ, D; et al; 2000. Políticas püblicas y agricultura campesina. International institute for
environment and development. La Paz – Bolivia. 292 p.
P.N.U.D. 2000. Informe de Desarrollo Humano en Bolivia. Industrias offset Color S.R.L..La Paz-Bolivia.
213 p.
73
....................................................................................................................................................................................
CAPITULO 8.
PROCESAMIENTO DE DATOS CON EL S.A.S.
8.1 INTRODUCCION.
El S.A.S. (Statístical Analisis System), es un software estadístico, que es ampliamente

utilizado para realizar el procesamiento de información estadística descriptiva, estadistica
inferencial, diseño de experimentos, análisis multivariado, etc.
La versión 6.12, para Windows, presenta tres ventanas de trabajo:
La primera ventana es llamada Sas-program.editor, que es donde se realiza la

correspondiente programación de cualquier modelo que se desee procesar, la segunda
ventana es Sas.log, que es donde se verifica si existieron fallas en la codificación,
procesamiento o corrida de los datos, y finalmente, la ventana Sas-output, que es donde
se visualiza los resultados finales, es decir donde se muestra la corrida de los datos.
Para el procesamiento de la información en la pantalla de presentación Sas-program.editor,

de modo general, la estructura general se divvide en tres partes:
 Definición de variables.- Se utiliza las opciones: Data, Input, Cards.

 Datos Codificados. Se ordenan los datos de acuerdo al croquis de campo.
 Procesamiento. Se utilizan las opciones Proc, Classes o Class, Model y Run
(Usualmente se puede complemenatr con la opción Means, etc).
8.2 OPCIONES BASICAS PARA EL PROCESAMIENTO.
 Procedimiento ANOVA.
El procedimiento ANOVA está diseñado para manejar situaciones balanceadas, como

ocurre con la información de experimentos factoriales completos, donde cada nivel de un
factor cualquiera se repite el mismo número de veces, o bién, cuando se tienen frecuencias
proporcionales en las subclases.
El procedimiento ANOVA utiliza los siguientes enunciados:
Enunciados CLASSES y MODEL, pero también puede admitir enunciados:

BY,
TEST,
MANOVA,
MEANS, FREQ.
74
....................................................................................................................................................................................
Ejemplos:
PROC ANOVA;
CLASSES REP TRAT;
MODEL REND = REP TRAT;
ó
PROC ANOVA;
CLASSES REP TRAT;
MODEL V1 V2 V3 V4 = REP TRAT;
ó
PROC ANOVA;
CLASSES REP TRAT;
MODEL V1-V4= REP TRAT;
 Para un Diseño Completamente al Azar:
PROC ANOVA;
CLASSES TRAT;
MODEL RENDIMIENTO = TRAT;
 Para un Diseño de Bloques al Azar;
PROC ANOVA;
CLASSES B TRAT;
MODEL RENDIMIENTO = B TRAT;
 Para un Diseño en Cuadrado Latino;
PROC ANOVA;
CLASSES H C TRAT;
MODEL RENDIMIENTO = H C TRAT;
 Para un arreglo bifactorial llevado a cabo en un diseño de bloques al azar;
PROC ANOVA;
CLASSES BLOQ A B;
MODEL RENDIMIENTO = BLOQ A B A*B;
Si existen factores cruzados en el modelo, se emplean enunciados de la forma;
PROC ANOVA;
CLASSES REP A B C;
MODEL Y = REP A B A*B C A*C B*C A*B*C;
75
....................................................................................................................................................................................
En caso de factores anidados, se emplean enunciados de la forma;
PROC ANOVA;
CLASSES A B C;
MODEL Y = A B(A) C(AB);
Y en caso de modelos mixtos, se emplean enunciados de la forma;
PROC ANOVA;
CLASSES EXP REP TRAT;
MODEL Y = EXP REP(EXP) TRAT TRAT*EXP;
Cuando se especifican dos o mas variables dependientes, ANOVA automáticamente agrupa

aquellas variables dependientes con la misma estructura de valores perdidos o dentro de un
grupo by.
Así el análisis se realiza con todas las observaciones disponibles de cada variable.
ADVERTENCIA 1.
Según el procedimiento GLM, no hay diferencia en los enunciados siguientes:
MODEL Y=A B(A);

y
MODEL Y=A A*B;
Un efecto que envuelve variables clases es cruzado o no lo es, dependiendo de los otros
efectos que incluye el modelo. Esta particularidad permite la unión automática de las sumas
de cuadrados. Es decir, si se omite un efecto del modelo, éste se junta automáticamente con
el siguiente efecto de nivel superior que contiene todos los nombres de clases en el efecto
omitido.
ADVERTENCIA 2.
La técnica de cálculo de la suma de cuadrados debida a un efecto principal en el modelo,

se calcula en la forma usual. Es decir, por cada nivel del efecto se calcula el total
correspondiente de la característica en estudio, éste se eleva al cuadrado y se divide entre
el número de observaciones con el propio nivel, se suma sobre todos los niveles del efecto
y se resta el factor de corrección. En el caso de interacciones de dos f actores, la suma de
cuadrados se calcula en la misma forma, restando simultáneamente, las sumas debidas a
ambos factores. Y así sucesivamente. En situaciones desbalanceadas, esta técnica de
cálculo puede dar lugar a interpretaciones completamente equivocadas.
76
....................................................................................................................................................................................
 Enunciados TEST.
Aún cuando se calcula un valor de F para todas las sumas de cuadrados en el análisis de
varianza, usando el cuadrado medio del error como elemento de comparación, el usuario
puede requerir pruebas de F adicionales usando otros efectos del modelo como términos
del error.
La forma general del enunciado TEST, es;
TEST H= lista_de_efectos E= efecto_de_error;
El parámetro específica los efectos del modelo precedente que se emplean como efectos de
hipótesis (numeradores). El parámetro E específica uno, y sólo un efecto que deberá usarse
como término de error. Considérese el siguiente ejemplo con un modelo de parcelas divididas;
PROC ANOVA;
CLASSES REP A B;
MODEL Y1-Y3 = REP A REP*A B A*B;
TEST H=A E=REP*A;
 Enunciados MEANS.
Con esta instrucción pueden calcularse medias para cualquier efecto que comprenda
variables de CLASSES, ya sea que el efecto esté o no en el modelo.
La forma general de este enunciado es:
MEANS Lista de efectos/opciones;
Es posible usar cualquier número de enunciados MEANS, antes o después de los enunciados
MODEL. Considérese el siguiente ejemplo:
PROC GLM;
CLASSES A B C;
MODEL Y = A B C;
MEANS A B C A*B;
Se imprimen las medias par cada nivel de las variables A, B y C, y para las combinaciones de
los niveles de A y B. Las siguientes opciones pueden aparecer con el enunciado MEANS:
DUNCAN.- Se refiere al método Duncan para comparaciones múltiples de

medias.
77
....................................................................................................................................................................................
WALLER.- Se refiere al método de Waller-Duncan para comparaciones

múltiples de Medias.
ALPHA.- Se refiere al nivel de significancia de la prueba Duncan.
KRATIO.- Tiene un significado mas o menos similar a la prueba de Waller-

Duncan. También pueden utilizarse las opciones: LSD; TUKEY, etc.
 Procedimiento GLM.
Usa el principio de mínimos cuadrados para ajustar un modelo lineal de efectos fijos, a
cualquier tipo de datos, el procedimiento desarrolla tanto análisis univariados como
multivariados.
Características de GLM.- Cuándo se especifican dos o más variables dependientes, GLM

automáticamente agrupa aquellas variables dependientes con la misma estructura de
valores perdidos, dentro del conjunto de datos o dentro de un grupo By. Esto asegura que
el análisis de cada variable dependiente empleé todas las observaciones correspondientes.
GLM incluye los siguientes enunciados:
 PROC GLM,
 CLASSES,
 BY,
 FREQUENCY,
 MEANS*,
 MODEL,
 CONTRAST*,
 ESTIMATE*,
 LSMEANS*,
 MANOVA*,
 OUTPUT,
 RANDOM,
 TEST*.
 Estos enunciados si se usan deben seguir a un enunciado MODEL, los demás deben
usarse una sola vez, Excepto CLASSES que debe preceder al enunciado MODEL.
 REGRESION SIMPLE Y MULTIPLE:
Para el modelo simple:

PROC GLM;
MODEL Y=X;
Con los cuales se calculan estimadores para los parámetros y estadísticos asociados.
78
....................................................................................................................................................................................
Siempre se estima una ordenada al origen a menos que se especifique la opción NOINT en
la instrucción model. Por ejemplo, los enunciados:
PROC GLM;
MODEL Y=X/NOINT;
Se usan para calcular los estimadores y los estadísticos asociados al modelo simple.
PROC GLM;
MODEL V1 V2 V3 = X;
En el caso de regresiones múltiples, se emplean enunciados de la forma;
PROC GLM;
MODEL Y = X1 X2 X3 X4;
 Procedimiento CORR.
El procedimiento CORR calcula estadísticos descriptivos y coeficientes de correlación entre

variables. A menos que aparezca un enunciado VARIABLES o un DROP, CORR calculará
estadísticos sencillos descriptivos para cada variable numérica y un coeficiente de correlación
para cada par de variable numéricas. Si parecen tanto un enunciado VARIABLES como un
enunciado WITH, el procedimiento calculará coeficientes de correlación entre cada variable
en el enunciado VARIABLES y cada variable en el enunciado WITH, produciendo un arreglo
rectangular de correlaciones.
Así, por ejemplo;

PROC CORR;
VARIABLES X Y Z;
WITH V W X;
 Procedimiento MEANS.
El Procedimiento MEANS produce estadísticos sencillos descriptivos univariados de variables

numéricas.
Un enunciado By hace que MEANS calcule estadísticos descriptivos separadamente para

grupos de observaciones (componiéndose los grupos de aquellas observaciones listadas en
el enunciado BY). MEANS también puede crear uno o más conjuntos nuevos de datos
conteniendo los estadísticos calculados.
El enunciado del procedimiento MEANS es de la forma;
PROC MEANS opciones y parámetros.

79
....................................................................................................................................................................................
Puede venir acompañado de:
 N
 MEAN
 STD
 MIN
 MAX
 RANGE
 SUM
 VAR
 STDERR
 CV
 SKEWNESS
 KURTOSIS
 T
 PRT
 Procedimiento PLAN.
Puede generar esquemas de aleatorización para experimentos. Estos esquemas se

presentan como permutaciones aleatorias e de enteros positivos. Debe venir acompañado
del enunciado FACTORS.
 Procedimiento PRINT.
El procedimiento PRINT imprime un listado de los valores de algunas o todas las variables en
el conjunto de datos. La salida de este procedimiento es un arreglo de datos elementales, con
las hileras representando observaciones y las columnas representando variables.
Se imprimen valores de todas las variables a menos que un enunciado VARIABLES, DROP
o KEEP acompañe al procedimiento. En su forma más simple el enunciado del procedimiento
PRINT tiene la siguiente estructura;
PROC PRINT;
 Procedimiento PLOT.
Grafica los valores de una variable contra los valores de otra variable, produciendo un
diagrama bidimensional de puntos dispersos. Usando la opción OVERLAY, pueden
imprimirse dos o más gráficas sobre la misma página.
80
....................................................................................................................................................................................
El enunciado del procedimiento PLOT es;
PLOT opciones y parámetros;
Ejemplo;
PROC PLOT;
PLOT SACAROSA*EDAD= “*”;
En este caso los puntos se representarán por asteriscos.
PROC PLOT;
PLOT SACAROSA*EDAD=VARIEDAD;
Si Variedad tuviera los valores 1, 2, 3 los unos de la gráfica representarían observaciones

con el valor “1” de Variedad; los 2,s representarían observaciones con el valor “2” de
Variedad y los 3,s representarían observaciones con el valor 3 de Variedad.
A continuación se presenta un ejemplo de un ejercicio completo.
La siguiente tabla presenta los resultados de un experimento de fertilizantes sobre el

Rendimiento de la caña de azúcar, se emplean tres factores; Nitrógeno, Fósforo y Potasio,
cada uno en dos niveles, 0 y 200 kilogramos de los nutrientes por hectárea, el modelo
utilizado fue un trifactorial.
Factores Bloques
N P K I II III IV
0 0 0 125.6 98.2 110.6 130.1

200 0 0 112.1 101.5 147.4 135.9
0 200 0 150.8 154.8 175.0 185.0
200 200 0 167.1 185.0 174.4 151.5
0 0 200 121.0 100.6 134.8 134.4
200 0 200 149.2 131.2 118.3 161.3
0 200 200 181.1 174.3 137.0 161.5
200 200 200 145.1 201.5 188.8 201.5
Siendo la estructura general de procesamiento la siguiente;
81
....................................................................................................................................................................................
DATA UNO;
INPUT TRAT REP N P K R;
CARDS;
1 1 0 0 0 125.6
1 2 0 0 0 98.2
1 3 0 0 0 110.6
1 4 0 0 0 130.1
2 1 200 0 0 112.1
2 2 200 0 0 101.5
2 3 200 0 0 147.4
2 4 200 0 0 135.9
3 1 0 200 0 150.8
3 2 0 200 0 154.8
3 3 0 200 0 175.0
3 4 0 200 0 185.0
4 1 200 200 0 167.1
4 2 200 200 0 185.0
4 3 200 200 0 174.4
4 4 200 200 0 151.5
5 1 0 0 200 121.0
5 2 0 0 200 100.6
5 3 0 0 200 134.8
5 4 0 0 200 134.4
6 1 200 0 200 149.2
6 2 200 0 200 131.2
6 3 200 0 200 118.3
6 4 200 0 200 161.3
7 1 0 200 200 181.1
7 2 0 200 200 174.3
7 3 0 200 200 137.0
7 4 0 200 200 161.5
8 1 200 200 200 145.1
8 2 200 200 200 201.5
8 3 200 200 200 188.8
8 4 200 200 200 201.5
PROC ANOVA;
CLASSES REP N P K;
MODEL R = REP N P N*P K N*K P*K N*P*K;
MEANS N P N*P K N*K P*K N*P*K;
TITLE ANALISIS DE UN EXPERIMENTO FACTORIAL 2X2X2;
PROC GLM;
MODEL R = P;
PROC ANOVA;
CLASSES REP TRAT;
MODEL R = REP TRAT;
MEANS TRAT;
Dos veces se hace uso del procedimiento ANOVA, la primera vez para partir tratamientos
en grados de libertad individuales. La segunda vez para dar el análisis de varianza del
experimento ignorando la estructura factorial.
82
....................................................................................................................................................................................
El uso de GLM en ambos casos debe dar los mismos resultados que ANOVA; este último
procedimiento, sin embargo, es más apropiado para estructuras balanceadas como en el
presente caso. Finalmente, se hace uso de GLM una vez, permitiendo obtener la regresión
simple de R sobre P. Una vez realizado el procesamiento, es decir una vez que ha corrido
el programa, se llega a obtener los siguientes resultados que serán presentados en la
pantalla de sas.output.
ANALISIS DE UN EXPERIMENTO FACTORIAL 2X2X2

Class Level Information
Class Levels Values

REP 4 1234
N 2 0 200
P 2 0 200
K 2 0 200
Dependent Variable: R
Model 10 19588.39000000 1958.83900000 5.51 0.0005

Error 21 7467.71875000 355.60565476

0.723991 12.71311 18.85750924 148.33125000
Source DF Anova SS Mean Square F Value Pr > F
REP 3 1040.33125000 346.77708333 0.98 0.4231

N 1 1212.78125000 1212.78125000 3.41 0.0789
P 1 16299.15125000 16299.15125000 45.83 0.0001
N*P 1 1.20125000 1.20125000 0.001 0.9542
K 1 583.11125000 583.11125000 1.64 0.2143
N*K 1 360.46125000 360.46125000 1.01 0.3255
P*K 1 55.65125000 55.65125000 0.16 0.6964
N*P*K 1 35.70125000 35.70125000 0.10 0.7545
83
....................................................................................................................................................................................
Level of --------------R--------------
N N Mean SD
0 16 142.175000 27.9710207
200 16 154.487500 30.6677436
Level of --------------R--------------
P N Mean SD
0 16 125.762500 18.3744705
200 16 170.900000 19.4809993
Level of Level of --------------R--------------

N P N Mean SD
0 0 8 119.412500 14.6285863
0 200 8 164.937500 16.6801796
200 0 8 132.112500 20.4282324
200 200 8 176.862500 21.3013036
Level of --------------R--------------
K N Mean SD
0 16 144.062500 29.0354238
200 16 152.600000 30.3613351

N K N Mean SD
0 0 8 141.262500 30.4487831
0 200 8 143.087500 27.3403123
200 0 8 146.862500 29.3513172
200 200 8 162.112500 31.9528866
84
....................................................................................................................................................................................

P K N Mean SD
0 0 8 120.175000 17.3409301
0 200 8 131.350000 18.7458186
200 0 8 167.950000 14.1979878
200 200 8 173.850000 24.3261177
Level of Level of Level of --------------R--------------

N P K N Mean SD
0 0 0 4 116.125000 14.5706040
0 0 200 4 122.700000 16.0686029
0 200 0 4 166.400000 16.3078713
0 200 200 4 163.475000 19.4306245
200 0 0 4 124.225000 21.1094568
Level of Level of Level of --------------R--------------

N P K N Mean SD
200 0 200 4 140.000000 19.0320782

200 200 0 4 169.500000 14.0714842
200 200 200 4 184.225000 26.7615863
General Linear Models Procedure
Number of observations in data set = 32
85
....................................................................................................................................................................................
General Linear Models Procedure
Dependent Variable: R
Model 1 16299.15125000 16299.15125000 45.46 0.0001

Error 30 10756.95750000 358.56525000

0.602420 12.76590 18.93581923 148.33125000
Source DF Type I SS Mean Square F Value Pr > F
P 1 16299.15125000 16299.15125000 45.46 0.0001
Source DF Type III SS Mean Square F Value Pr > F
P 1 16299.15125000 16299.15125000 45.46 0.0001
T for H0: Pr > |T| Std Error of
Parameter Estimate Parameter=0 Estimate
INTERCEPT 125.7625000 26.57 0.0001 4.73395481

P 0.2256875 6.74 0.0001 0.03347412
Indudablemente que la interpretación que se realice, es la etapa mas importante de todo

este proceso de análisis de información, en este caso se ha determinado que existe
diferencia altamente significativa para el nivel Fósforo, siendo la siguiente etapa
recomendable plantear una prueba de comparaciones múltiples de medias, o un análisi de
regresión, el coeficiente de variación muestra que el manejo experimental fue adecuado, el
valor del coeficiente de determinación (r-square) indica que los datos se ajustan al modelo
empleado en un 72 %, lo que se considera bueno, por otra parte el análisis de regresión
estadísticamente es significativo, indica que por cada kilogramo de fósforo que se añade al
suelo se espera que exista un cambio en el rendimiento de la caña de azúcar en un valor
equivalente a 6.74.
86
....................................................................................................................................................................................
LITERATURA CONSULTADA
ARTEAGA G, Y. 2004. Bioestadística, Universidad Mayor de San Andrés.

Facultad de Agronomía. La Paz - Bolivia, 140 p.
ARTEAGA G, Y. 2001. Bioestadística. Texto de Apoyo- Curso PETAE.,
Universidad Mayor de San Andrés. Facultad de Agronomía. La Paz -
Bolivia, 85 p.
BARRALES V, L. 1999. Métodos de Investigación I. Apuntes de Clase.
Pontificia Universidad Católica de Chile. Facultad de Agronomía.
Santiago – Chile. 285 p.
BARRALES V, L. 1998. Métodos de Investigación II. Apuntes de Clase.

Pontificia Universidad Católica de Chile. Facultad de Agronomía.
Santiago – Chile. 252 p.
CABALLERO A, W. 1975. Introducción a la Estadística. Editorial IICA. San

José, Costa Rica. 289 p.
CALZADA B, J. 1970. Métodos estadísticos para la Investigación. Editorial

Jurídica S.A. Lima - Perú. 611 p.
CALZADA B, J. 1983. Estadística General con énfasis en Muestreo. Editorial

Jurídica S.A. Lima - Perú. 527 p.
LEON, C.; QUIROZ, R.; 1994. Análisis de Sistemas Agropecuarios. Uso de

Métodos bio- Matemáticos.CIRNMA (Centro de Investigación de
Recursos Naturales y Medio Ambiente. La Paz – Bolivia. 240 p.
MONTGOMERY D, C. 1991. Diseño y Análisis de Experimentos. Grupo

Editorial Iberoamérica. S. A. de C. V.,México, D. F. 585 p.
REYES, C. P. 1973. Diseño de Experimentos Agrícolas. Editorial Trillas.
Mexico. 345 p.
RODRIGUEZ DEL ANGEL, J M. 1991. Métodos de Investigación Pecuaria.

Editorial Trillas. Universidad Antonio Narro. México. 208 p.
SANCHEZ C, J. 1980. Curso Intensivo de Muestreo en Poblaciones finitas
Artes Gráficas, Madrid-España. 240 p.
SPIEGEL, M. R Teoria y Problemas de Estadística. Serie Schaum Ed. Mgraw-

Hill. 357 p.
SPIEGEL, M. R Probabilidad y Estadística. Serie Schaum Ed. Mgraw-Hill. 372
p.
STEEL AND TORRIE. 1985 Bioestadística. Principios y Procedimientos. Edit.

Mgraw-Hill. Mexico. 285 p.
YAMANE, T. 1973. Estadística. Editorial Harla, S. A. de C. V., México 559 p.
87
....................................................................................................................................................................................
ANEXOS
88
....................................................................................................................................................................................
TABLA No 1
Valor "F"
nivel 1 2 3 4 5 6 7 8 9 10 14 20 30
1 0.05 161 200 216 225 230 234 237 239 241 242 245 248 250
0.01 4052 4999 5403 5625 5746 5859 5928 5981 6022 6056 6142 6208 6258
2 0.05 18,51 19,00 19,16 19,25 19,30 19,33 19,36 19,37 19,38 19,39 19,42 19,44 19,46
0.01 98,49 99,01 99,17 99,25 99,30 99,33 99,34 99,36 99,88 99,40 99,43 99,45 99,47
3 0.05 10,13 9,55 9,28 9,12 9,01 8,94 8,88 8,84 8,81 8,78 8,71 8,66 8,62
0.01 34,12 60,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 26,92 26,69 25,50
4 0.05 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,87 5,80 5,74
0.01 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,65 14,54 14,24 14,02 13,83
5 0.05 6,61 5,79 5,41 5,19 5,05 4,95 4,88 8,42 4,78 4,74 4,64 4,56 4,50
0.01 16,26 13,27 12,06 11,39 10,97 10,67 10,45 10,27 10,15 10,05 9,77 9,55 9,38
6 0.05 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,96 3,87 3,81
0.01 13,74 10,92 9,78 8,15 8,75 8,47 8,26 8,10 7,99 7,87 7,60 7,39 7,23
7 0.05 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,63 3,52 3,44 3,38
0.01 12,25 9,55 8,45 7,85 7,46 7,19 7,00 6,84 6,71 6,62 6,35 6,15 5,98
8 0.05 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,34 3,23 3,15 3,08
0.01 11,26 8,65 7,59 7,01 6,83 6,37 6,19 6,03 5,91 5,82 5,56 5,36 5,20
9 0.05 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,13 3,02 2,93 2,86
0.01 10,56 8,02 6,99 6,42 6,06 5,80 5,62 5,47 5,35 5,26 5,00 4,80 4,64
10 0.05 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,97 2,86 2,77 2,70
0.01 10,01 7,56 6,55 5,99 5,64 5,39 5,21 5,06 4,95 4,85 4,60 4,41 4,25
11 0.05 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,86 2,74 2,65 2,57
0.01 9,65 7,20 6,22 5,87 5,32 5,07 4,88 4,74 4,63 4,54 4,29 4,10 3,94
12 0.05 4,75 3,88 3,49 3,26 3,11 3,00 2,92 2,85 2,80 2,76 2,64 2,54 2,46
0.01 9,33 6,93 5,95 5,41 5,06 4,82 4,65 4,50 4,39 4,30 4,08 3,86 3,70
13 0.05 4,67 3,80 3,41 3,18 3,02 2,92 2,84 2,77 2,72 2,67 2,55 2,46 2,38
0.01 9,07 6,70 5,74 5,20 4,86 4,62 4,44 4,30 4,19 4,10 3,85 3,67 3,51
14 0.05 4,60 3,74 3,34 3,11 2,96 2,85 2,77 2,70 2,65 2,60 2,48 2,39 2,31
0.01 8,86 6,51 5,56 5,03 4,69 4,46 4,28 4,14 4,03 3,94 3,70 3,51 3,34
15 0.05 4,50 3,68 3,29 3,06 2,90 2,79 2,70 2,64 2,59 2,55 2,43 2,33 2,25
0.01 8,68 4,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,56 3,36 3,20
16 0.05 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,37 2,28 2,20
0.01 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,63 3,45 3,25 3,10
17 0.05 4,45 3,59 3,20 2,96 2,81 2,70 2,62 2,55 2,50 2,45 2,33 2,23 2,15
0.01 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,63 3,59 3,35 3,16 3,00
18 0.05 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,29 2,19 2,11
0.01 8,28 6,01 5,09 4,58 4,25 4,01 3,85 3,71 3,60 3,51 3,27 3,07 2,91
19 0.05 4,18 3,52 3,13 2,90 2,74 2,63 2,55 2,48 2,43 2,38 2,26 2,15 2,07
0.01 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,19 3,00 2,84
20 0.05 4,35 3,49 3,10 2,87 2,71 2,60 2,52 2,45 2,40 2,35 2,23 2,12 2,04
0.01 8,01 5,78 4,87 4,37 4,64 3,81 3,65 3,51 3,40 3,31 3,07 2,88 2,72
infinito 0.05 3,84 2,99 2,60 2,37 2,21 2,09 2,01 1,94 1,88 1,83 1,69 1,57 1,45
0.01 6,64 4,60 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,24 2,07 1,87
Fuente: Arteaga G. Y. 2001. Bioestadística. Universidad Mayor de San Andrés. Facultad de Agronomía La Paz - Bolivia. 78 p.
89
....................................................................................................................................................................................
TABLA 2. "D.M.S."
G.L.E.E. 0,25 0,2 0,15 0,1 0,05 0,025 0,01 0,005 0,0005
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657 636,619
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,598
3 0,765 0,980 1,250 1,638 2,353 3,182 4,541 5,841 12,941
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,859
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959

7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 5,405
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 4,781
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437

12 0,695 0,873 1,083 1,356 1,782 2,179 2,685 3,055 4,318
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015

17 0,689 0,863 1,069 1,333 1,740 2,110 2,561 2,898 3,965
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819

22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,767
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,397 3,745
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707

27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,690
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,659
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,646
40 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551

60 0,679 0,848 1,046 1,296 1,671 2,000 2,390 2,660 3,460
120 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373
inf. 0,674 0,820 1,036 1,282 1,645 1,960 2,326 2,576 3,291
90
....................................................................................................................................................................................
TABLA 3. DUNCAN(0,05)
G.L.E.E 2 3 4 5 6 7 8 9 10 20
1 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00
2 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09
3 4,5 4,5 4,5 4,5 4,5 4,5 4,5 4,5 4,5 4,5
4 3,93 4,01 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02
5 3,64 3,74 3,79 3,83 3,83 3,83 3,83 3,83 3,83 3,83
6 3,46 3,58 3,64 3,68 3,68 3,68 3,68 3,68 3,68 3,68
7 3,35 3,47 3,54 3,58 3,6 3,61 3,61 3,61 3,61 3,61
8 3,26 3,39 3,47 3,52 3,55 3,56 3,56 3,56 3,56 3,56
9 3,2 3,34 3,41 3,47 3,5 3,52 3,52 3,52 3,52 3,52
10 3,15 3,3 3,37 3,43 3,46 3,47 3,47 3,47 3,47 3,48
11 3,11 3,27 3,35 3,39 3,43 3,44 3,45 3,46 3,46 3,48
12 3,08 3,23 3,33 3,36 3,4 3,42 3,44 3,44 3,46 3,48
13 3,06 3,21 3,3 3,35 3,38 3,41 3,42 3,44 3,45 3,47
14 3,03 3,18 3,27 3,33 3,37 3,39 3,41 3,42 3,44 3,47
15 3,01 3,16 3,25 3,31 3,36 3,38 3,4 3,42 3,43 3,47
16 3.00 3,15 3,23 3,3 3,34 3,37 3,39 3,41 3,43 3,47
17 2,98 3,13 3,22 3,28 3,33 3,36 3,38 3,4 3,42 3,47
18 2,97 3,12 3,21 3,27 3,32 3,35 3,37 3,39 3,41 3,47
19 2,96 3,11 3,19 3,26 3,31 3,35 3,37 3,39 3,41 3,47
20 2,95 3,1 3,18 3,25 3,3 3,34 3,36 3,38 3,4 3,47
30 2,89 3,04 3,12 3,2 3,25 3,29 3,32 3,35 3,37 3,47
40 2,86 3,01 3,1 3,17 3,22 3,27 3,3 3,33 3,35 3,47
60 2,83 2,98 3,08 3,14 3,2 3,24 3,28 3,31 3,33 3,47
100 2,8 2,95 3,05 3,12 3,18 3,22 3,26 3,29 3,32 3,47
2,77 2,92 3,02 3,09 3,15 3,19 3,23 3,26 3,29 3,47
91
....................................................................................................................................................................................
DUNCAN (0,01)
G.L.E.E 2 3 4 5 6 7 8 9 10 20
1 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00
2 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00
3 8.26 8.50 8.60 8.70 8.80 8.90 8.90 9.00 9.00 9.30
4 6.51 6.80 6.90 7.00 7.10 7.10 7.20 7.20 7.30 7.50
5 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.50 6.80
6 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.30
7 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.80 6.00
8 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.50 5.80
9 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.40 5.70
10 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.55
11 4.39 4.63 4.77 4.86 49.94 5.01 5.06 5.12 5.15 5.39
12 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.26
13 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.15
14 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 5.07
15 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 5.00
16 4.13 4.34 4.45 4.54 4.60 4.67 4.72 4.76 4.79 4.94
17 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.73 4.75 4.89
18 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.85
19 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.82
20 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.79
30 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.65
40 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.59
60 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.53
100 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.48
92
....................................................................................................................................................................................
TABLA 4. TUKEY (0,O5)
G.L.E.E
2 3 4 5 6 7 8 9 10 11 12 13
1 18,1 26,7 32,8 37,2 40,5 43,1 45,4 47,3 49,1 50,6 51,9 53,2
2 6,09 8,28 9,8 10,89 11,73 12,43 13,03 13,54 13,99 14,39 14,75 15,08
3 4,5 5,88 6,83 7,51 8,04 8,47 8,85 9,18 9,46 9,72 9,95 10,16
4 3,93 5.00 5,76 6,31 6,73 7,06 7,35 7,6 7,83 8,03 8,21 8,37
5 3,61 4,54 5,18 5,64 5,99 6,28 6,52 6,74 6,93 7,1 7,25 7,39
6 3,46 4,34 4,9 5,31 5,63 5,89 6,12 6,32 6,49 6,65 6,79 6,92
7 3,34 4,16 4,68 5,06 5,35 5,59 5,8 5,99 6,15 6,29 6,42 6,54
8 3,26 4,04 4,53 4,89 5,17 5,4 5,6 5,77 5,92 6,05 6,18 6,29
9 3,2 3,95 4,42 4,76 5,02 5,24 5,43 5,6 5,74 5,87 5,98 6,09
10 3,15 3,88 4,33 4,66 4,91 5,12 5,3 5,46 5,6 5,72 5,83 5,93
11 3,11 3,82 4,26 4,58 4,82 5,03 5,2 5,35 5,49 5,61 5,71 5,81
12 3,08 3,77 4,2 4,51 4,75 4,95 5,12 5,27 5,4 5,51 5,61 5,71
13 3,06 3,73 4,15 4,46 4,69 4,88 5,05 5,19 5,32 5,43 5,53 5,63
14 3,03 3,7 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,56
15 3,01 3,67 4,08 4,37 4,59 4,78 4,94 5,08 5,2 5,31 5,4 5,49
16 3.00 3,65 4,05 4,34 4,56 4,74 4,9 5,03 5,15 5,26 5,35 5,44
17 2,98 3,62 4,02 4,31 4,52 4,7 4,86 4,99 5,11 5,21 5,31 5,39
18 2,97 3,61 4.00 4,28 4,49 4,67 4,83 4,96 5,07 5,17 5,27 5,35
19 2,96 3,59 3,98 4,26 4,47 4,64 4,79 4,92 5,04 5,14 5,23 5,32
20 2,95 3,58 3,96 4,24 4,45 4,62 4,77 4,9 5,01 5,11 5,2 5,28
24 2,92 3,53 3,9 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,1 5,18
30 2,89 3,48 3,84 4,11 4,3 4,46 4,6 4,72 4,83 4,92 5.00 5,08
40 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,63 4,74 4,82 4,9 4,98
60 2,83 3,4 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88
93
....................................................................................................................................................................................
TUKEY (0,01)
G.L.E.E
2 3 4 5 6 7 8 9 10 11 12 13
1 90,00 135,00 164,00 186,00 202,00 216,00 227,00 237,00 246,00 253,00 260,00 266,00
2 14,00 19,00 22,3 24,7 26,6 28,2 29,5 30,7 31,7 32,6 33,4 34,1
3 8,26 10,6 12,2 13,3 14,2 15,00 15,6 16,2 16,7 17,1 17,5 17,9
4 6,51 8,12 9,17 9,96 10,6 11,1 11,5 11,9 12,3 12,6 12,8 13,1
5 5,7 6,97 7,8 8,42 8,91 9,32 9,67 9,97 10,24 10,48 10,7 10,89
6 5,24 6,33 7,03 7,56 7,97 8,32 8,61 8,87 9,1 9,3 9,49 9,65
7 4,95 5,92 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8,55 8,71 8,86
8 4,74 5,63 6,2 6,63 6,96 7,24 7,47 7,68 7,87 8,03 8,18 8,31
9 4,6 5,43 5,96 6,35 6,66 6,91 7,13 7,32 7,49 7,65 7,78 7,91
10 4,48 5,27 5,77 6,14 6,43 6,67 6,87 7,05 7,21 7,36 7,48 7,6
11 4,39 5,14 5,62 5,97 6,25 6,48 6,67 6,84 6,99 7,13 7,25 7,36
12 4,32 5,04 5,5 5,84 6,1 6,32 6,51 6,67 6,81 6,94 7,06 7,17
13 4,26 4,96 5,4 5,73 5,98 6,19 6,37 6,53 6,67 6,79 6,9 7,01
14 4,21 4,89 5,32 5,63 5,88 6,08 6,26 6,41 6,54 6,66 6,77 6,87
15 4,17 4,83 5,25 5,56 5,8 5,99 6,16 6,31 6,44 6,55 6,66 6,76
16 4,13 4,78 5,19 5,49 5,72 5,92 6,08 6,22 6,35 6,46 6,56 6,66
17 4,1 4,74 5,14 5,43 5,66 5,85 6,01 6,15 6,27 6,38 6,48 6,57
18 4,07 4,7 5,09 5,38 5,6 5,79 5,94 6,08 6,2 6,31 6,41 6,5
19 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,02 6,14 6,25 6,34 6,43
20 4,02 4,64 5,02 5,29 5,51 5,69 5,84 5,97 6,09 6,19 6,29 6,37
24 3,96 4,54 4,91 5,17 5,37 5,54 5,69 5,81 5,92 6,02 6,11 6,19
30 3,89 4,45 4,8 5,05 5,24 5,4 5,54 5,65 5,76 5,85 5,93 6,01
40 3,82 4,37 4,7 4,93 5,11 5,27 5,39 5,5 5,6 5,69 5,77 5,84
60 3,76 4,28 4,6 4,82 4,99 5,13 5,25 5,36 5,45 5,53 5,6 5,67
94

LIBRODISEÑOSvirtualemi 2018

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

LIBRODISEÑOSvirtualemi 2018

Cargado por

Copyright:

Formatos disponibles

Ph.D.

Yákov Arteaga García Diseños Experimentales

Ph.D. Yákov Arteaga García

La investigación es un proceso sistemático, controlado y crítico, que necesita de apoyo

Yákov Arteaga García

Capítulo 1. Diseños Experimentales................................................................................6

Capítulo 2. Transformaciones de datos........................................................................13

Capítulo 3. Diseños Estadísticos...................................................................................22

3.1 Introducción.– 3.2 Diseño Completamente al Azar. Ventajas. Desventajas.

Capítulo 4. Comparaciones Múltiples............................................................................36

4.1 Introducción.– Método D.M.S. Método de Duncan. Método de S.N.K.

Capítulo 5. Modelos Jerárquicos o Anidados...............................................................61

5.1 Factores Fijos y Aleatorios.– 5.2 Factores Cruzados o Anidados. – 5.3

Capítulo 6. Caracterización de Sistemas de Producción............................................68

6.1 Introducción.– 6.2 Metodología para caracterización de Sistemas de

Capítulo 7. Metodología para Caracterización de Sistemas de Producción

7.1 Definición y Delimitación del problema.– 7.2 Breve Diagnóstico. – 7.3

Capítulo 8. Procesamiento de datos con el S.A.S........................................................74

8.1 Introducción.– 8.2 Opciones básicas para el procesamiento. –

1.1 CONCEPTO, OBJETIVO E IMPORTANCIA.

La investigación científica consiste en la búsqueda permanente de la verdad mediante

La experimentación agrícola en particular, comprende las pruebas, ensayos, observaciones,

En un experimento se observan únicamente los efectos y se realiza con fines de aplicación

El método científico en la búsqueda de hechos, la formulación de hipótesis y la obtención

La aplicación del método científico ha conducido al descubrimiento de leyes que rigen el

1.2 PASOS DEL DISEÑO EXPERIMENTAL

1. Enunciar claramente el problema:

a) Identifique la nueva e importante área del problema.

2. Reúna la información básica disponible:

a) Investigue todas las frentes de información disponibles.

3. Diseñe el programa de prueba:

a) Diseñe el programa en forma preliminar.

4. Planee y lleve a cabo el trabajo experimental:

a) Desarrolle métodos, materiales y equipo.

5. Analice los datos:

a) Reduzca los datos registrados a forma numérica, si es necesario.

6. Interprete los resultados:

a) Considere todos los datos observados.

g) Enuncie los resultados en términos de probabilidad verificable.

a) Describa claramente el problema, dando antecedentes y aclaraciones pertinentes

c) Suministre información suficiente para que el lector pueda verificar resultados y

1.3 PRINCIPIOS GENERALES DE LA EXPERIMENTACION AGRICOLA Y BIOLOGICA.

Considerando las diferentes variables que influyen en la producción agrícola, en el

a. El planteamiento del experimento.

1. Diseño experimental, necesidad y propósito.

Diseñar un experimento significa planearlo cuidadosamente de modo que se reúna la mayor

Por otra parte el propósito de cualquier diseño experimental es proporcionar la máxima

La palabra tratamiento implica el conjunto particular de condiciones experimentales que

Es el sujeto o tratamiento de comparación. Al realizar un experimento, siempre se debe

Unidad experimental (UE} es aquella a la que se aplica un solo tratamiento en una

Al aplicar tratamientos a las unidades experimentales, en los resultados se manifiestan

i) Variaciones de las unidades experimentales( en experimentos de campo, la

ii) Variaciones por falta de uniformidad en el manejo de las unidades experimentales.

a. Utilización de unidades experimentales tan uniformes como sea posible (suelo

La repetición significa que un experimento se efectúa dos o más veces; su función es

El proceso aleatorio es la asignación de tratamientos a unidades experimentales, de modo

1.5 VENTAJAS Y DESVENTAJAS DEL DISEÑO EXPERIMENTAL

Aunque las ventajas y desventajas de los experimentos diseñados estadísticamente son

1. Se requiere una estrecha vigilancia entre el estadístico y el investigador o productor

1. Los diseños y su análisis están usualmente acompañados de enunciados que se basan

La presencia de algunos datos extraños y que no corresponden con el conjunto de datos

a. La distribución poblacional admite ocasionalmente mediciones extrañas, como sería el

b. La observación extraña proviene de una población que no es la que está bajo