Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISEÑOS EXPERIMENTALES
1
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Diseños
Experimentales
Ph.D. Yákov Arteaga García
La Paz – Bolivia
2018
2
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
PROLOGO
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.
3
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CONTENIDO
pág.
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.
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.
4
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Literatura Consultada.
Anexos.
5
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 1.
DISEÑOS EXPERIMENTALES
6
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
7. Prepare el informe:
b) Use métodos gráficos y tabulares con objeto de presentar los datos en forma
eficiente para usos futuros.
d) Limite las conclusiones a un examen objetivo tal que el trabajo evidencie su uso
para consideraciones rápidas y acciones decisivas.
a. Definiciones.
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:
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.
2. Tratamiento.
3. Testigo.
4. Unidad experimental.
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.
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:
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:
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
b. Aleatorización.
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.
a. Ventajas.
b. Desventajas.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 2.
TRANSFORMACIONES DE DATOS.
2.1 INTR0DUCCION.
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.
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.
13
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
14
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Análisis de varianza
F.V. G.L S.C. C. M. Fc.
Tratamientos 3 330 110 8.8 *
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:
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Planteando hipótesis;
1. Ho s2 i= s2j
Ha s2 i s2j
2no - ajustada
2. 2ajustada = -----------------------------
C
Donde;
1 t 1
C = 1+ --------------- [ ------------------------ - ----------------]
3(t–1) g.l.muestra g.l.
1 5 1
C = 1+ ------------ [ -------- - ------- ] = 1.100
3(5–1) 4 20
0.967
2ajustada = ------------ = 0.879
1.100
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
2.5 NORMALIDAD.
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
18
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
Si los conteos varían desde 0, se recomienda agregar 1 a cada dato, antes de hallar su
logaritmo.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 3.
DISEÑOS ESTADISTICOS.
3.1 INTR0DUCCION.
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.
(c) El número de repeticiones puede variar de tratamiento a tratamiento, siendo sin embargo
deseable tener el mismo número para todos los tratamientos.
22
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
(d) Este diseño permite el máximo número de grados de libertad para el error, lo que
constituye una ventaja estadísticas muy importante.
(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.
- USOS:
(a) Muy util en ensayos de invernadero y laboratorio, donde las diferencias entre las
unidades experimentales son insignificantes.
(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.
Yij = + i + Eij.
23
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
donde:
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
(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.
(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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
(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.
(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.
(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:
(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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Yijk = + i + j + Eijk.
Donde;
Donde;
Para estimar una unidad experimental que se ha perdido, Yates propone la siguiente
fórmula:
tT rB G
X
(t 1)( r 1)
Donde;
27
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
(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.
28
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
(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.
(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:
29
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
(c) En experimentos de campo, donde se experimentan fertilizantes, herbicidas e
insecticidas, ó se conoce la dirección de la variación en dos sentidos perpendiculares.
Yijk = + i + j + k + Eijk.
Donde;
Este modelo es la base para el diseño de sobre cambio o “cross over”, ya sea simple o
doble.
Donde;
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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:
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:
31
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
b1 a2b1 T3
a2
b2 a2b2 T4
FV
Bloques
Variedades
Densidades
Variedades*Densidades
Error Exp.
Total
Y el modelo lineal aditivo, es el siguiente:
Donde;
32
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
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
Variedades*Densidades
Error Exp.
Total
33
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
El arreglo es el siguiente:
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Siendo las fuentes de variabilidad las siguientes: (Suponiendo un diseño de bloques al azar.)
FV
Bloques
Variedades
Error a
Densidades
Error b
Variedades*Densidades
Error Exp.
Total
Y el modelo lineal aditivo, es el siguiente:
35
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 4.
COMPARACIONES MULTIPLES
4.1 INTRODUCCION.
36
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
37
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
CDMS = T * ((2*CME/r)
Donde;
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.
38
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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;
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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;
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.
(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 ()
CME= Cuadrado Medio del Error.
r= Número de repeticiones
40
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
To=testigo
T1=tratamiento 1(5mg de B12)
T2=tratamiento 2(10mg de B12)
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.
To=testigo
T1=tratamiento 1(5mg de B12)
T2=tratamiento 2(10md de B12)
42
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
0 Li2 = 6
43
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
T0=2.73
T1=4.62
T2=4.74
La Comparación uno, es igual a:
Por lo tanto;
SCC1= (-3.9)2
3*6
SCC1= 0.8450 GL=1
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
REGLA 3.
Las comparaciones:
(L11)(L21)+(L12)(L22)+... ...+(L1n)(L2n) = 0
C1= 2 T0 - T1 - T2
2 -1 -1=0
C2 = 0To +T1 –T2
0 +1 -1 = 0
REGLA 4.
45
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
T1(MC) T2 T3 T4
50% MC MC MC
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).
T3 = 2/3 de la parte superior con MC y en 1/3 de la parte inferior de la bolsa (50% de arena
y 50% de estiercol).
T4 = 2/3 de la parte superior con MC y en 1/3 de la parte inferior de la bolsa (75% de arena
y 25% de estiercol).
47
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
48
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T2 6.5825
T1 5.9925
T3 4.8350
T4 3.8800
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
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
Número de promedios
GLE 2 3 4 5 6 7 8 9 10
1 0.05 . . . . . . . . .
2 0.01 . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
El valor del CME es: 0.089, y el número de bloques es 4; por lo que se tiene lo siguiente:
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
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;
T4 T3 T1 T2
3.8800 4.8350 .9925 6.5825
Cdk3 = 0.2543
51
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Completando la matriz;
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
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:
T4 T3 T1 T2
3.8800 4.8350 5.9925 6.5825
T3 4.8350 0.9550* 0
0.2431
T4 3.8800 0
52
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
53
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
B 4 1234
T 4 1234
A 6.5825 4 2
B 5.9925 4 1
C 4.8350 4 3
D 3.8800 4 4
54
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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
55
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
SCB = 141.24
SCVAR = 0.18
SCDIST= 65.91
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
SCE = 93.16
Total 44 356.58
56
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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
(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
Sc de dist. en Variedad 2 = ------------------------------------ - --------- = 3.7
5 15
(44*44)+(66*66)+(74*74) (184)2
Sc de dist. en Variedad 3 = ------------------------------------ - --------- = 96.5
5 15
Fuentes de Variabilidad GL SC CM Fc Ft
59
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.)
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 5.
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.
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.
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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 = 62
SCA = 6.25
SCB(A) = 51,75
SCError= 4
63
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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:
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.
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.
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:
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.
Existen muchas situaciones en las cuales se utiliza un diseño de parcelas divididas, donde
claramente un diseño de bloque completamente aleatorizado sería preferido.
65
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
66
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
67
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 6.
6.1 INTRODUCCION.
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.
68
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
70
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 7.
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
72
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
7.6 EVALUACION.
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.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
CAPITULO 8.
8.1 INTRODUCCION.
Procedimiento ANOVA.
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;
PROC ANOVA;
CLASSES TRAT;
MODEL RENDIMIENTO = TRAT;
PROC ANOVA;
CLASSES B TRAT;
MODEL RENDIMIENTO = B TRAT;
PROC ANOVA;
CLASSES H C TRAT;
MODEL RENDIMIENTO = H C TRAT;
PROC ANOVA;
CLASSES BLOQ A B;
MODEL RENDIMIENTO = BLOQ A B A*B;
PROC ANOVA;
CLASSES REP A B C;
MODEL Y = REP A B A*B C A*C B*C A*B*C;
75
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
PROC ANOVA;
CLASSES A B C;
MODEL Y = A B(A) C(AB);
PROC ANOVA;
CLASSES EXP REP TRAT;
MODEL Y = EXP REP(EXP) TRAT TRAT*EXP;
Así el análisis se realiza con todas las observaciones disponibles de cada variable.
ADVERTENCIA 1.
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.
76
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
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:
77
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
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.
Con los cuales se calculan estimadores para los parámetros y estadísticos asociados.
78
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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;
PROC GLM;
MODEL Y = X1 X2 X3 X4;
Procedimiento CORR.
Procedimiento MEANS.
N
MEAN
STD
MIN
MAX
RANGE
SUM
VAR
STDERR
CV
SKEWNESS
KURTOSIS
T
PRT
Procedimiento PLAN.
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Ejemplo;
PROC PLOT;
PROC PLOT;
PLOT SACAROSA*EDAD=VARIEDAD;
Factores Bloques
N P K I II III IV
81
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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.
Dependent Variable: R
83
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
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
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
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
85
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
Dependent Variable: R
86
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
LITERATURA CONSULTADA
87
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
ANEXOS
88
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
90
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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
Ph.D. Yákov Arteaga García Diseños Experimentales
....................................................................................................................................................................................
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