Tomo Iii

Diseño experimental
en el desarrollo del conocimiento científico

de las ciencias agropecuarias
TOMO 3
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Diseño experimental en el desarrollo
del conocimiento científico de las ciencias agropecuarias
© 2015 Luis A. Condo Plaza y José M. Pazmiño Guadalupe
© 2015 Escuela Superior Politécnica de Chimborazo
Panamericana Sur, kilómetro 1 ½
Instituto de Investigaciones
Riobamba, Ecuador
Teléfono: (593 3) 2998-200
Código Postal: EC060155
Aval ESPOCH
Resolución.115-CD.FCP.10-03-2009 Resol.024.CA-21-07-2009
Resol.221.CP.21-07-2009
CERTIFICACIÓN IEPI No. 037856 Trámite No. 000110.
Informe favorable de pares evaluadores externos según Oficio

Nº. 00227.VIP.2015, emitido por el Director de Publicaciones
Científicas. Ing. PhD. Eduardo Fidel Héctor Ardisana. ES-
POCH. Marzo 3 de 2015.
Corrección, diseño y diagramación:

La Caracola Editores
Impreso en Ecuador
Prohibida la reproducción de este libro, por cualquier medio, sin la previa

autorización por escrito de los propietarios del copyright.
CDU: 519.2+631
Diseño experimental en el desarrollo del conocimiento cientí-
fico de las ciencias agropecuarias. Tomo 3.
Riobamba: Escuela Superior Politécnica del Chimborazo.
Instituto de Investigaciones; 2015
90 p. vol: 17 x 24 cm
ISBN: 978-9942-21-569-7
1. Estadística
2. Diseño experimental
3. Ciencias agropecuarias
CONTENIDO TOMO 3
CAPÍTULO V....................................................................................... 9
EXPERIMENTOS FACTORIALES ....................................... 11
Diseño completamente al azar con arreglo combinatorio ............ 17
Diseño de bloques completamente al azar con arreglo
en parcelas divididas .................................................................... 34
Experimentos trifactoriales ......................................................... 49
Experimento factorial bajo un DBCA con arreglo en
parcelas subdivididas ................................................................... 59
Experimento tetrafactorial .......................................................... 72
7
CAPÍTULO V
EXPERIMENTOS FACTORIALES
Investigue y desarrolle dentro del ecosistema.

Las oportunidades son limitadas.
Investigue y desarrolle en coevaluación con la naturaleza.
(Gunter Pauli)
EXPERIMENTOS FACTORIALES
Como aspecto de importancia, es preciso coincidir con los criterios

de que no existen diseños factoriales; con lo que se cuenta es con diseños
experimentales en experimentos factoriales.
El término factorial es de uso común en investigaciones y se refiere
a un modo especial de promover la respuesta de una unidad experimental
frente a más de un aspecto o factor de estudio que actúan simultáneamente
y permiten formar combinaciones de factores.
Cuando dos o más factores se prueban simultáneamente en todas las
combinaciones posibles, se dice que los tratamientos resultantes son facto-
riales (Little y Hill, 1976).
Así, un experimento factorial es aquel en que se estudia simultánea-
mente más de un factor, de modo que los tratamientos se forman por todas
las posibles combinaciones de los niveles de los factores. Un experimen-
to factorial no constituye un nuevo diseño experimental, sino un diseño
para la formación de los tratamientos. Los experimentos factoriales pueden
ser conducidos bajo los lineamientos de cualquier diseño experimental tal
como el DCA, DBCA o DCL (Eizaguirre, 2004).
Los experimentos factoriales son ampliamente utilizados y son de
gran valor en el trabajo exploratorio cuando se sabe poco sobre los niveles
óptimos de los factores o ni siquiera qué factores son importantes. Estos
experimentos son útiles también en campos de estudios complejos en los
que se sabe que un factor no actúa independientemente sino en estrecha
relación con otros factores.
Si analizamos minuciosamente los experimentos factoriales, se des-
doblan de los simples bajo cualquiera de los diseños; por tanto, los trata-
mientos son aquellos que se descomponen en factores e interacciones como
demostramos a continuación en un experimento bifactorial:
Tratamientos
{ Factor A
Factor B
Interacción AB
11
en el desarrollo del conocimiento científico de las ciencias agropecuarias
De la misma manera se puede realizar con los experimentos trifacto-

riales; en los cuales se tratarán los experimentos con dos factores conduci-
dos bajo los lineamientos de un DCA y DBCA.
Como todo, los experimentos factoriales tienen ventajas y desventa-
jas. Estas se describen a continuación:
Ventajas
R5 ,'#.5 ).(,5 '3),5 #( ),'#ĉ(5 +/5 (5 /(5 2*,#'(.)5

simple, ya que se estudian efectos parciales y combinados entre
los factores.
R5 -5/(#-52*,#'(.&-5#(.,0#((5(5&5-.#'#ĉ(55
los efectos principales y de interacción, por lo que en número
de repeticiones es elevado para estos casos.
R5 5&&!5)(5,.455)(&/-#)(-5+/5*,'#.(5)(),5-#-
nergias o antagonismos.
Desventajas
R5 5,+/#,5/(5'3),5(Ě',)55/(#-52*,#'(.&-5+/5
en los experimentos simples; en consecuencia, es más costoso
R5 &5(á&#-#-5-.ù-.#)535&5#(.,*,.#ĉ(55&)-5,-/&.)-5-)(5
más complicados que en los experimentos simples, y la dificul-
tad aumenta considerablemente conforme incluya más factores
R5 -#.(5'3),5)()#'#(.)5*,5#(.,*,.,5&)-5,-/&.)-65
principalmente cuando se trata de reacciones combinadas que,
en definitiva, tienen que tratarse en forma combinada como es:
el efecto del calcio y fósforo en la dieta de los animales domés-
ticos.
12
Luis A. Condo Plaza
Notación y definición
Factor
Es un tratamiento en estudio, al cual se designan letras mayúsculas.

Por ejemplo, en un experimento en el que se evalúa tres espacios; cuatro
dosis de proteína por animal y dos sexos, el factor espacio por animal se
puede identificar con la letra A, el factor dosis proteína con la letra B y el
factor sexo de los animales con la letra C.
Niveles de un factor
Los niveles de un factor son denotados por letras minúsculas con

subíndices. Por ejemplo, los tres espacios pueden ser identificados con a1,
a2, a3; las cuatro dosis de proteína por b1, b2, b3 y b4, y los dos sexos c1 y c2.
Una combinación de letras minúsculas con sus respectivos subíndices
es utilizada para denotar una combinación de los niveles de los factores. Por
ejemplo, la combinación a2b2c1 denotará el tratamiento conformado por el
espacio a2 de niveles de proteína b2 y el sexo c1 de la especie animal.
Tipos de factores
Dependiendo de la naturaleza de los niveles de los factores, estos pue-

den ser cualitativos o cuantitativos. En el ejemplo, los factores A y B son
cuantitativos y el factor C, cualitativo. En el caso de factores cuantitativos,
estos pueden ser igualmente espaciados. Siguiendo con el ejemplo, para el
factor A tendremos 1, 2 y 3 metros, para el factor B 16%, 17%, 18% y 19%
de proteína; el sexo de los animales que viene a ser un factor cualitativo de
estudio. Adicionalmente, los factores pueden ser fijos o al azar, dependiendo
de la forma en que son seleccionados sus niveles. Un experimento factorial
con todos sus factores fijos corresponderá a un modelo I de efectos fijos; un
experimento factorial con sus factores aleatorios corresponderá a un modelo
II o de efectos aleatorios. Un experimento factorial con algunos factores fijos
y otros aleatorios corresponderá a un modelo II o de efectos mixtos.
13
Tipos de experimentos factoriales
Un experimento factorial queda definido por el número de factores

y niveles de cada factor. Un experimento factorial puede ser denotado uti-
lizando las letras correspondientes a los factores, antecedido por el número
de niveles correspondientes a cada uno.
Efecto de los experimentos factoriales
Efecto principal.- Es el efecto de un factor en promedio sobre el otro factor;

en consecuencia, no tomamos en consideración el efecto del resto de factores.
R5 55(51: ES(A(b1)) = a1b1 - a2b1

R5 55(52: ES(A(b2)) = a1b2 - a2b2
R5 55(51: ES(B(a1)) = a1b1 - a2b1
R5 55(52: ES(B(a2)) = a1b2 – a2b2
Efecto simple (ES).- Es el efecto de un factor en un nivel de los demás

factores.
R5 595BC551⁄2 [ES(A(b1))+ES(A(b2)]
R5 595BC551⁄2 [ES(B(a1))+ES(B(a2)]
Efecto de interacción.- Está dado por la variación que tiene un efecto

simple de un factor a pasar de un nivel a otro de otro factor.
R5 595 BC55gIh2h5DBB1))+ES(A(b2)]
R5 595 BC55gIh2h5DBB1))+ES(B(a2)]
Efecto cruzado (EC).- Está dado por las combinaciones cruzadas de

dos factores.
R5 (.,51b1 y a2b2: EC(a1b1 – a2b2) = a1b1 – a2b2

R5 (.,51b2 y a2b1: EC(a1b2 – a2b1) = a1b2 – a2b1
14
Luis A. Condo Plaza
En definitiva, el estudioso, en sus trabajos, utiliza más de una variable

independiente a la vez y, en definitiva, estas variables se conoce como fac-
tores. Para mayor comprensión se considera un ejemplo: la utilización de
tres fuentes de proteína (b1, b2 y b3), en tres líneas genéticas (a1, a2 y a3) de
cuyes en la etapa de engorde; se encuentran dos factores. La combinación
factorial de las dos variables estaría representada:
Cuadro 22. Esquema de factores e interacción
Factor B Líneas Factor A Combinación de los

genéticas cuyes Fuentes de proteína factores A B
b1 a1b1
A1 b2 a1b2
b3 a1b3
b1 a2b1
A2 b2 a2b2
b3 a2b3
b1 a3b1
A3 b2 a3b2
b3 a3b3
De esta manera estaríamos cumpliendo con un principio básico de

diseño experimental que se refiere en el ejemplo descrito anteriormente
para obtener una conclusión válida. Las tres fuentes de proteína se hallan
sujetas a las diferentes líneas genéticas de cuyes.
Incluso se puede aumentar otro nivel a la proteína, que se conside-
raría como factor C el mismo que debe combinarse con los factores A y B.
cumpliendo con un principio básico del experimento.
Se usan experimentos factoriales en trabajos exploratorios, cuando
no se conocen los niveles adecuados de un factor. En experimentos agrope-
cuarios, podemos planear algunos que incluya variedades genéticas, densi-
dades, épocas, niveles, entre otros.
15
Interacción.- Consiste en manejar la interactuación entre más de

un factor en estudio y determinar el comportamiento. Además de realizar
un análisis independiente de cada uno de los factores, debe realizarse un
análisis de esta interacción.
Cuando existe alguna información previa, es preferible seleccionar
un número limitado de combinaciones de varios factores, usando niveles
específicos.
En cuanto a la eficacia, es preferible combinar tratamientos antes de
que analicemos de forma independiente, porque existe una forma inherente
de repetición en los experimentos factoriales. Además aumenta el número
de grados de libertad para el error, lo cual aumenta la precisión del ensayo
para las pruebas de significancia. Generalmente, los factores se identifican
con letras mayúsculas y los niveles con letras minúsculas.
Cuando el número de tratamientos es muy alto, dentro de un experi-
mento factorial, podríamos recurrir a un experimento en confundido.
A continuación se ilustra un ejemplo de los efectos principales y sim-
ples, en el caso de dos factores (A y B), cada uno con dos niveles.
Cuadro 23. Efectos simples de factores
A
a0 a1
B b0 90(a0b0) - 108(a1b0) 18 (efecto simple)
b1 138(a0b1) - 144(a1b1) 6 (efecto principal)
Diferencia 48 36 24
A=18+6 =24
B = 48 + 36 = 84
AB= 6–18=-12
= 36 – 48 = -12
Los efectos principales son positivos y las interacciones negativas.

Los grados de libertad y sumas de cuadrados para los cuatro tratamientos
16
Luis A. Condo Plaza
en el factorial de 22, indicado arriba, pueden ser descompuestos en grados

de libertad individuales independientes al igual que las sumas de cuadra-
dos. La interpretación es fácil y puede dar información valiosa.
La presencia o ausencia de efectos principales no nos dice nada sobre
la interacción. La interacción significativa no nos indica que los factores no
son independientes, sino más bien que actúan recíprocamente.
En este caso, se debe estudiar los datos con cuidado, he incluso pro-
fundizarlos en un estudio posterior.
La interacción significativa entre factores A y B implica que las
diferencias de las respuestas AB varían de acuerdo al nivel de A.
La interacción significativa entre factores A, B y C es más difícil de
interpretar. Podría hacerse en tres formas: una interacción de la interacción
AB con C; de AC con B o de BC con A.
Diseño completamente al azar en arreglo combinatorio
Al igual que en experimentos simples, el diseño completo al azar en

experimentos factoriales no considera las repeticiones como fuente de va-
riación. A este modelo se le conoce como arreglo combinatorio, porque se
combinan las variables o factores.
Este diseño se caracteriza por depender del siguiente modelo para la
suma de cuadrados y demás componentes del ADEVA.
Suma de cuadrados
(∑x)
SCTotal = ∑x -
abr
SCTotal = ∑(X - x)2
(∑xTratamientos)
SCTratamientos = - FC
r
17
∑(∑xTrat - ∑xTrat)2
SCTratamientos =
r
∑(∑∑xA)2
SCA = - FC
br
∑(∑ ∑ xA - ∑∑ xA)2
SCA =
br
∑(∑∑xB)2
SCB = - FC
ar
∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar
SCAB = SCTrat - SCA - SCB
SCError = SCTotal - SCA - SCB - SCAB
Cuadrado medio
Al igual que en los cuadrados medios de los experimentos simples,

en los experimentos factoriales se realiza dividiendo la suma de cuadra-
dos para los grados de libertad; en estos experimentos únicamente se
amplía estos cuadrados porque se calcula para cada uno de los factores
incluido la interacción, y el cuadrado medio del error, el mismo que nos
sirve para calcular el Fisher, valor que nos permite comprobar la hipótesis
alternativa.
De esta manera tenemos la siguiente relación:
18
Luis A. Condo Plaza
SCA
CMA =
glA
SCB
CMB =
glB
SCAB
CMAB =
glAB
SCError
CMError =
glError
Valores Fisher
CMA
FA =
CMError
CMB
FB =
CMError
CMAB
FAB =
CMError
19
Modelo lineal aditivo
Yijk = µ + j + k +( )jk + Cijk
Yijk : valor estimado de la variable

µ : media general
j : efecto del factor A
k : efecto del factor B
( )jk : efecto de la interacción AB
Cijk : efecto del error
i = iésimo bloque
j = jotaésimo factor A
k = kaésimo factor B
En el modelo II, veremos que la interacción A x B es un componen-

te del cuadrado medio de A y B. Por ser significativa, podemos adoptarle
como término de error para A y B, sin tomar en cuenta el error común.
Del ADEVA anterior podemos observar que el modelo I es más li-
beral, puesto que A, B y A x B resultaron valores significativos; de acuerdo
al modelo II, ninguno de los tres lo fueron.
En general, puede decirse que: considerando el modelo II, el valor
Fisher para la interacción de dos factores es significativo; debe usarse este
valor como término de error, para probar la significancia de esos factores y
de las interacciones de orden más bajo que se está usando.
Si ese valor calculado no es significativo, se puede probar entre fac-
tores; además, a través de la interacción de estos, comparando los cuadra-
dos medios (A x B) + E, sumando los cuadrados medios de la interacción
más el del error, se obtiene mayor precisión en las comparaciones.
20
Luis A. Condo Plaza
Cuadro 24. Modelación matemática I y II para

un experimento factorial
Fuente de Grados de
Modelo I Modelo II
variación libertad
2
+ ab 2 R
Rep r-1 2
+ ab 2
R
r-1
2
+ rb 2 A
Factor A a-1 2
+r 2
AxB + rb 2
A
a-1
2
+ ra 2 B
Factor B b-1 2
+r 2
AxB + rb 2
B
b-1
2
+ ra 2 AxB
Interacción A x B (a - 1)(b - 1) 2
+r 2
AxB
(a - 1)(b - 1) 2
Error (ab - 1)(r - 1) 2 2
Comparación ortogonal sobre la base

de los grados de libertad individuales
La prueba de F con más de un grado de libertad para cada cuadrado

medio del numerador puede ser desdoblada en tantas comparaciones inde-
pendientes como grados de libertad existen.
Si solo una de las comparaciones da una diferencia real, y esta diferen-
cia es promediada con otras que no son reales, una prueba con ese promedio
podría no detectar la diferencia verdadera. Por esta razón, planteamos com-
paraciones que nos den información deseada y que sean independientes.
En muchos experimentos con más de dos tratamientos, generalmen-
te se plantea comparaciones de grados de libertad individuales entre tra-
tamientos. Así, una suma de cuadrados de tratamientos con t – 1 grado de
libertad, puede ser desdoblada, dándonos t – 1 comparaciones individuales,
cada una con un grado de libertad. Cada una de estas comparaciones se-
paradas se divide para el error experimental. La suma de las sumas de los
cuadrados de t – 1 comparaciones ortogonales debe ser igual a la suma de
cuadrados de los tratamientos.
21
Si tenemos t1, t2, .......tn tratamientos, la función lineal está dada por:
M = ∑iCiTi, donde: ∑iCi = 0
Las Ci son constantes numéricas (coeficientes de contrastes), íntegras

y es esencial que su suma sea cero, dados los signos y valores que sumados
se enceran. La SC para cada comparación individual está dada por:
M2
SC =
Kr
, donde :
K = ∑Ci2 ,
r = repetición
Los experimentos factoriales son comunmente encontrados en la Es-

cuela de Agronomía de la Facultad de Recursos Naturales y ocasionalmen-
te, según el interés investigativo, en las Escuelas de Ingeniería en Industrias
Pecuarias y de Ingeniería Zootécnica de la ESPOCH, siendo de gran im-
portancia ya que, a través de ellos, se puede medir el resultado producto de
dos o más factores en estudio, dado que esa es la respuesta de la producción
no solamente agrícola, sino pecuaria o agroindustrial. Como se puede citar
en agronomía: el cultivo de papa se debe a la presencia de diferentes nu-
trientes en el suelo como nitrógeno, fósforo, potasio y otros microelemen-
tos, así como la utilización de diferentes productos fitosanitarios; por tal
motivo es indispensable la utilización de tratamientos múltiples.
De la misma manera, en Zootecnia, la producción de leche en vacas,
se debe a factores ambientales, nutricionales, genéticos, estado fisiólógico,
etapa de lactancia, entre otros, que deben considerarse para la investigación
de tipo pecuario y llegar a conclusiones más fehacientes, aunque la expli-
cación de varios factores independientes con relación al rendimiento es
22
Luis A. Condo Plaza
compleja, pero esa es la realidad que debemos aceptar y enfocarnos más a

este tipo de investigaciones.
Un determinado experimento, ya sea este simple o factorial, tiene que
desarrollarse bajo los diferentes tipos de diseños, sean estos completamente
al azar, cuando se realizan bajo condiciones ambientales controladas, bajo
invernadero o laboratorio, o, si se hace a campo abierto, los diseños de
bloques, cuadrado latino simple o modificado según la naturaleza de la
investigación.
Cuadro 25. Porcentaje de emergencia a los 60 días del nogal

sometido a diferentes tratamientos pregerminativos y sustratos
Tratamiento Repeticiones
pregerminativo
Sustrato Suma Media
I II III
Testigo TA + H + A 20,00 20,00 16,00 56,00 18,67
Testigo TA + T + A 16,00 16,00 12,00 44,00 14,67
Testigo TN + T + A 16,00 16,00 24,00 56,00 18,67
Testigo TN + H + A 24,00 24,00 16,00 64,00 21,33
Testigo Turba 20,00 20,00 24,00 64,00 21,33
Secado al ambiente TA + H + A 16,00 16,00 12,00 44,00 14,67
Secado al ambiente TA + T + A 28,00 16,00 8,00 52,00 17,33
Secado al ambiente TN + T + A 20,00 16,00 16,00 52,00 17,33
Secado al ambiente TN + H + A 16,00 16,00 16,00 48,00 16,00
Secado al ambiente Turba 16,00 20,00 20,00 56,00 18,67
Remojo H2O hervida TA + H + A 20,00 24,00 20,00 64,00 21,33
Remojo H2O hervida TA + H + A 24,00 20,00 20,00 64,00 21,33
Remojo H2O hervida TN + T + A 24,00 16,00 20,00 60,00 20,00
Remojo H2O hervida TN + H + A 20,00 24,00 20,00 64,00 21,33
Remojo H2O hervida Turba 20,00 16,00 16,00 52,00 17,33
Remojo H2O ambiente TA + H + A 52,00 56,00 52,00 160,00 53,33
Remojo H2O ambiente TA + T + A 56,00 60,00 56,00 172,00 57,33
23
Remojo H2O ambiente TN + T + A 60,00 56,00 52,00 168,00 56,00

Remojo H2O ambiente TN + H + A 52,00 52,00 52,00 156,00 52,00
Remojo H2O ambiente Turba 56,00 52,00 60,00 168,00 56,00
Esmerilado TA + H + A 12,00 8,00 4,00 24,00 8,00
Esmerilado TA + T + A 8,00 4,00 8,00 20,00 6,67
Esmerilado TN + T + A 12,00 12,00 12,00 36,00 12,00
Esmerilado TN + H + A 8,00 12,00 4,00 24,00 8,00
Esmerilado Turba 8,00 4,00 4,00 16,00 5,33
TA + H + A = tierra agrícola + humus + arena
TA + T + A = tierra agrícola + turba + arena
TN + T + A = tierra negra + turba + arena
TN + H + A = tierra negra + humus + arena
Para ejemplificar el experimento factorial bajo un diseño comple-

tamente al azar nos permitimos tomar la información de la investiga-
ción Evaluación de diferentes tratamientos pregerminativos en el nogal, con
diferentes sustratos durante la siembra (Paucar, 2005). Esta investigación
se realizó bajo invernadero; por tal razón fue necesario analizar bajo un
DCA.
El presente experimento factorial fue sometido a un diseño comple-
tamente al azar, cuyo cálculo se didactiza a continuación:
SCTotal = (20 - 23,79)2 + ..... + (4 - 23,79)2 = 20444,58
SCTratamientos =
r
(56 - 71,36)2 + ..... + (16 - 71,36)2

SCTratamientos = = 19847,25
4
24
Luis A. Condo Plaza
SCError = SCTotal - SCTrat
SCError = 20444,58 - 19847,25 = 597,33
∑(∑∑xA)2
SCA = - FC
br
∑(∑ ∑ xA - ∑∑ xA)2
SCA =
br
(284 - 356,80)2 + ..... + (120 - 992)2

SCA = = 19561,38
3x5
∑(∑∑xB)2
SCB = - FC
ar
∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar
(348 - 356,80)2 + (356 - 356,80)2

SCB = = 22,19
5x3
SCAB = 19847,25 - 19561,38 - 22,19 = 263,68
SCError = SCTotal - SCA - SCB - SCAB
SCError = 20444,58 - 19561,38 - 22,19 - 263,68 = 597,33
25
Cuadro 25.1. ADEVA para el experimento factorial bajo un DCA
Suma de Cuadrado Fisher

Fuente de variación g.l.
cuadrados medio Cal 0,05 0,01
Total 74 20444,586
Tratamientos 24 19847,252 826,97** 69,22 1,74 2,18
Trat. pregerminativo 4 19561,386 4890,35** 409,35 2,57 3,74
Sustratos 4 22,186 5,55 ns 0,46 2,57 3,74
AxB 16 263,680 16,48 ns 1,38 1,86 2,39
Error 50 597,333 11,946
Promedio 23,78
CV % 14,53
** = altamente significativo
ns = no significativo
La variación de las observaciones en el campo experimental fue de

14,53%; porcentaje aceptable en experimentos agrícolas, aunque si la in-
vestigación se realiza dentro de un ambiente controlado, la variabilidad de
la información es muy alta, por lo que es necesario replicar la investigación.
Al observar diferencias significativas para los tratamientos pregermi-
nativos, es necesario realizar la siguiente prueba de separación de medias,
con la finalidad de determinar ¿cuál de los tratamientos es el mejor?.
En este caso se toma a Tukey al 5% para demostrar cuál de los tra-
tamientos pregerminativos es más aconsejables para mejorar el parámetro
germinación del nogal.
CMerror
Sx =
rb
11,946
Sx = = 0,892
3x5
26
Luis A. Condo Plaza
Cuadro 25.2. Distribución de medias según rango de Tukey 5%
Tratamientos Media Q Rango LIS Grupo

B3 24,800 3,17 2,827 21,973 a
B4 23,733 3,10 2,765 20,968 a
B5 23,733 3,01 2,684 21,049 a
B2 23,467 2,86 2,551 20,916 a
B1 23,200 - - - a
24,800 – 2,827 = 21,973
Con el presente cálculo queda demostrado que el límite inferior es

menor que todas las medias; por tal razón, no existe diferencia significativa
entre los tratamientos o el efecto de los sustratos no permitió cambios en
la información.
Separacion de medias según Tukey al 5% para el efecto de los trata-
mientos sustratos en el cultivo de nogal.
Según Tukey al 5%, se toma los datos tabulares de Tukey y se procede
de la misma manera a calcular, obteniendo resultados significativos entre
los tratamientos A4B2 y A5B5 principalmente.
Cuadro 25.3. Distribución de medias según rango de Tukey al 5%
Tratamientos Media Grupo Tratamientos Media Grupo

A4B2 57,333 a A2B5 18,667 b
A4B3 56,000 a A2B2 17,333 cb
A4B4 56,000 a A2B3 17,333 cb
A4B1 53,333 a A3B5 17,333 cb
A4B4 52,000 a A2B4 16,000 cbd
A1B5 21,333 b A2B1 14,667 cbde
A3B1 21,333 b A1B2 14,667 cbde
A3B4 21,333 b A5B3 12,000 cbde
A3B2 21,333 b A5B4 8,000 cde
27
A1B4 21,333 b A5B1 8,000 cde

A3B3 20,000 b A5B2 6,667 de
A1B3 18,667 b A5B5 5,333 e
A1B1 18,667 b
Una orientación de proceso en SAS
Para demostrar la aplicación informática mediante la utilización del

paquete estadístico SAS, se analiza el peso de los pollitos de ceba a los 28
días, bajo el efecto de resultados de la “Utilización de fitasa microbiana
(Allzyme s. d. Phytase) en la cría y engorde de pollos” (Cahuana, 2006).
data jorge;
input a b resp;
cards;
1 1 1,200
1 1 1,070
1 1 1,010
1 1 1,140
1 1 1,090
1 2 1,190
1 2 1,069
1 2 1,010
1 2 1,138
1 2 1,091
2 1 1,110
2 1 1,240
2 1 1,130
2 1 1,180
2 1 1,200
2 2 1,132
2 2 1,178
2 2 1,203
28
Luis A. Condo Plaza
2 2 1,172
2 2 1,255
3 1 1,100
3 1 1,170
3 1 1,164
3 1 1,169
3 1 1,250
3 2 1,103
3 2 1,165
3 2 1,159
3 2 1,167
3 2 1,253
4 1 1,250
4 1 1,190
4 1 1,130
4 1 1,190
4 1 1,156
4 2 1,253
4 2 1,192
4 2 1,130
4 2 1,189
4 2 1,155
proc glm;
class a b;
model resp = a b a*b;
'(-5I./%3:5
'(-5I./%3:5
'(-5LI./%3:5
run;
29
The SAS System 16:29 Wednesday, May 21, 2007

1
The GLM Procedure
Class Level Information
Class Levels Values
a 4 1 2 3 4
b 2 1 2
Number of observations 40
2
The GLM Procedure
Dependent Variable: resp

Source DF Squares Mean Square F Value Pr > F
Model 7 0.04614657 0.00659237 2.15 0.0666
C Total 39 0.14439578
a 3 0.04548767 0.01516256 4.94 0.0063
b 1 0.00010562 0.00010562 0.03 0.8540
a*b 3 0.00055327 0.00018442 0.06 0.9804
Error 32 0.09824920 0.00307029
0.319584 4.782614 0.055410 1.158575
The SAS System 16:29 Wednesday, May 21, 2007 3

The GLM Procedure
Tukey’s Studentized Range (HSD) Test for resp
NOTE: This test controls the Type I experimentwise
error rate, but it generally has a higher
Type II error rate than REGWQ
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.00307
Critical Value of Studentized Range 3.83162
30
Luis A. Condo Plaza
Tukey Grouping Mean N a

A 1.18350 10 4
A 1.18000 10 2
A 1.17000 10 3
B 1.10080 10 1

4
The GLM Procedure

Alpha 0.05
Tukey Grouping Mean N b

A 1.16020 20 2
A 1.15695 20 1
31
The GLM
Procedure
Level of Level of -------------resp--------

a b N Mean Std Dev
1 1 5 1.10200000 0.07190271
1 2 5 1.09960000 0.06834691
2 1 5 1.17200000 0.05263079
2 2 5 1.18800000 0.04529349
3 1 5 1.17060000 0.05323345
3 2 5 1.16940000 0.05369171
4 1 5 1.18320000 0.04506884
4 2 5 1.18380000 0.04638642
Ejercicios de refuerzo
Vigor de la planta con aplicación de tratamientos pregerminativos y

sustratos.
Tratamiento Repeticiones
pregerminativo
Sustrato Suma Media
I II III
A1 B1 3,00 3,00 3,00 9,00 3,00
A1 B2 3,00 3,00 3,00 9,00 3,00
A1 B3 3,00 3,00 3,00 9,00 3,00
A1 B4 3,00 3,00 3,00 9,00 3,00
A1 B5 3,00 3,00 3,00 9,00 3,00
A2 B1 3,00 3,00 3,00 9,00 3,00
A2 B2 3,00 3,00 3,00 9,00 3,00
A2 B3 3,00 3,00 3,00 9,00 3,00
A2 B4 3,00 3,00 16,00 48,00 3,00
A2 B5 3,00 3,00 3,00 9,00 3,00
32
Luis A. Condo Plaza
A3 B1 3,00 3,00 3,00 9,00 3,00

A3 B2 3,00 3,00 3,00 9,00 3,00
A3 B3 3,00 3,00 3,00 9,00 3,00
A3 B4 3,00 3,00 3,00 9,00 3,00
A3 B5 3,00 3,00 3,00 9,00 3,00
A4 B1 3,00 3,00 3,00 9,00 3,00
A4 B2 3,00 3,00 3,00 9,00 3,00
A4 B3 3,00 3,00 3,00 9,00 3,00
A4 B4 3,00 3,00 3,00 9,00 3,00
A4 B5 3,00 3,00 3,00 9,00 3,00
A5 B1 3,00 3,00 3,00 9,00 3,00
A5 B2 3,00 3,00 3,00 9,00 3,00
A5 B3 3,00 3,00 3,00 9,00 3,00
A5 B4 3,00 3,00 3,00 9,00 3,00
A5 B5 3,00 3,00 3,00 9,00 3,00
Fuente: Paucar, 2005
Peso a la canal de los pollos sometidos a diferentes niveles de bicar-

bonato de sodio.
Tratamientos Repeticiones
Suma Media
Bicarbonato Ensayo I II III IV
Testigo St 1,81 2,17 2,05 2,09 8,12 2,03
0,20% 1 2,06 1,98 1,95 2,05 8,04 2,01
2 1,92 1,88 2,05 2,00 7,84 1,96
0,30% 1 2,01 1,96 2,18 2,09 8,25 2,06
2 2,05 2,04 2,09 2,05 8,23 2,06
0,40% 1 1,99 1,95 2,09 2,05 8,08 2,02
2 1,89 1,95 2,09 2,05 7,97 1,99
0,50% 1 1,97 2,03 1,95 2,00 7,95 1,99
2 1,83 2,15 2,05 2,18 8,20 2,05
Fuente: López, 2004
33
Peso a los 49 días de los pollos sometidos a diferentes niveles de bi-

carbonato de sodio (DCA).
Suma Media
Bicarbonato Ensayo I II III IV
Testigo St 2,52 2,75 2,59 2,71 10,56 2,64
0,20% 1 2,57 2,74 2,68 2,63 10,63 2,66
2 2,57 2,74 2,68 2,63 10,63 2,66
0,30% 1 2,75 2,58 2,76 2,69 10,79 2,70
2 2,75 2,58 2,76 2,69 10,79 2,70
0,40% 1 2,59 2,47 2,70 2,67 10,42 2,60
2 2,59 2,47 2,70 2,67 10,42 2,60
0,50% 1 2,55 2,81 2,71 2,86 10,93 2,73
2 2,55 2,81 2,72 2,86 10,93 2,73
Fuente: López, 2004
Diseño de bloques completamente al azar

con arreglo en parcelas divididas
Cuando tenemos que evaluar dos factores y la naturaleza de la serie

de tratamientos de un factor requiere de unidades experimentales grandes
o cuando se necesita evaluar con mejor precisión los niveles de cualquiera
de los factores, es muy eficaz el arreglo en parcelas divididas (Reyes, 1978).
Por ejemplo:
R5 ï.))-55*,*,#ĉ(5&5-/&)
R5 á'#(-55,#!)535)-#-55 ,.#&#4(.
R5 # ,(.-5 #(-.##-5 35 )-#-5 5 5 #(-.##65 .(#()5
mayor interés en evaluar con mejor precisión las dosis de cada
insecticida, y con mejor precisión las dosis
La variación de parcelas divididas atribuye ciertas restricciones en

cuanto al término de error que puede manejarse para probar los efectos del
34
Luis A. Condo Plaza
tratamiento. Es elemental asignar factores, en tal forma que logremos la

mayor precisión al confrontar las interacciones y los efectos promedios de
los tratamientos en los cuales estamos interesados.
En este arreglo se usan dos tamaños de parcelas; la grande, asignada a
los niveles de uno de los factores, y la chica o subparcela, asignada a niveles
del otro factor; por ejemplo: se necesita estudiar tres niveles de Bokashi y
tres niveles de Biol como fertilizante orgánico, con la finalidad de evaluar
con precisión el rendimiento de col. Otros de los ejemplos en manejo de
pastizales es medir el desperdicio y el consumo de biomasa del páramo bajo
diferentes presiones de pastoreo con dos especies de animales.
En general, para el arreglo de parcelas divididas, la distribución de la
parcela grande se hace en bloques al azar o en cuadrado latino, y la distri-
bución de las parcelas chicas, dentro de la parcela grande, se hace comple-
tamente aleatorizado.
El arreglo combinatorio se utiliza frecuentemente en experimentos
factoriales (González, 1985). El principio general es que exista la parcela
principal, a la que se ha asignado un nivel de un factor; se la divide en
subunidades o subparcelas, que reciben varios niveles de un factor adicio-
nal. En esta forma, cada unidad principal se convierte en un bloque con
respecto a los tratamientos asignados.
Considerando los factores A y B, cada uno con tres niveles: después
de randomizar los tratamientos, una repetición se representaría de la si-
guiente manera:
Cuadro 26. Azarización de los factores
a1 a2 a3
a1b3 a3b1 a2b2
Rep. I B a1b1 a3b2 a2b3
a1b2 a3b3 a2b1
Podemos decir que a1 es un bloque incompleto en confundido. Ran-

domizamos el nivel A en todas las parcelas principales y luego los de B
dentro de la parcela principal. Cada parcela principal (factor A) puede ser
35
considerada como un bloque respecto a los niveles de B, pero solo como

bloque incompleto con relación al grupo completo de tratamientos A. Por
esta razón se llama a las parcelas divididas diseño de bloques incompletos o
experimentos factoriales con los efectos principales confundidos. Este diseño es
aplicable en las siguientes circunstancias:
R5 /()5-5#-*)(55'(),5(.#55'.,#&52*,#'(.&5
correspondiente a un factor que para otros. En un experimento
de campo, un factor podría ser métodos de riego, preparación
de suelos o aplicación de fertilizantes; los tres usualmente re-
quieren de parcelas grandes para su aplicación. Otro factor po-
dría ser variedades, las que pueden ser comparadas en parcelas
más pequeñas.
R5 -.5#-Ą)5-5/-5/()5-5055#(&/#,5/(5 .),5##)(&5(5
el experimento. Si el objeto principal de un ensayo es probar
algunos insecticidas, se podría aumentar el alcance del mismo
probando algunas variedades a las parcelas principales y los in-
secticidas a las parcelas.
R5 ),5 2*,#(#-5 *,0#-65 -')-5 +/5 -5 */5 -*,,5 # -
rencias más grandes entre los niveles de un factor que entre
los de otro. Si queremos detectar diferencias significativas más
pequeñas entre los niveles de un factor, este será asignado a las
subparcelas donde, por haber mayor repetición –así como ma-
yor número de grados de libertad– ese factor será medido con
más precisión que aquel asignado a las parcelas principales.
En resumen, puesto que la variación entre subunidades será menor

que entre parcelas principales, se asigna a los factores que requieren menor
cantidad de material experimental, o los que son de mayor importancia,
o de los que espera diferencias de menor tamaño, o para los que necesita
menor tamaño que para los que se necesita mayor precisión.
Generalmente el error (a) es mayor que el error (b).
El tamaño de parcelas divididas se usa frecuentemente para experimen-
tos factoriales y puede incorporar uno o más diseños DCA, DBCA y CL.
36
Luis A. Condo Plaza
A diferencia del arreglo combinatorio, las parcelas divididas toman

en consideración los bloques y el error independiente de cada factor, tanto
del factor A como del B.
Modelo lineal aditivo
Yijk = µ + i
+ j
+ k
+( )jk + Cijk ;donde
Yijk : valor estimado de la variable

µ : media general
i
: efecto de los bloques
j
: efecto del factor A
k
: efecto del factor B
( )jk : efecto de la interacción AB
Cijk : efecto del error
i : iésimo bloque
j : jotaésimo factor A
k : kaésimo factor B
En experimentos factoriales bajo un diseño de bloques completa-

mente al azar con arreglo en parcelas divididas, la suma de cuadrados para
cada una de las fuentes de variación se calcula de la siguiente manera:
(∑x)
SCTotal = ∑x -
abr
(∑xRepeticiones)
SCRepeticiones = - FC
t
∑(∑xRep - ∑xRep)2
SCRepeticiones =
t
37
(∑xTratamientos)
SCTratamientos = - FC
r
SCTratamientos =
r
(∑xPG)
SCParcelas Grandes = - FC
b
∑(∑xPG - ∑xPG)2
SCParcelas Grandes =
b
∑(∑∑xA)2
SCA = - FC
br
∑(∑ ∑ xA - ∑∑ xA)2
SCA =
br
SCError.A = SCPG - SCA- SCRep
∑(∑∑xB)2
SCB = - FC
ar
∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar
SCAB = SCTrat(Total) - SCA - SCB
SCError.B = SCTotal - SCPG - SCB - SCAB
38
Luis A. Condo Plaza
Cuadro 27. ADEVA para un DBCA con arreglo en parcelas divididas
Fuente de varición Grados de libertad

Total abr - 1
Repeticiones r-1
Tratamientos t-1
Factor A a-1
Error A (a - 1)(r - 1)
Parcela grande ar - 1
Factor B b-1
Interacción (AxB) (a - 1)(b - 1)
Error B a(b - 1)(r - 1)
Error total (n - 1)(r - 1)(t - 1)
Un experimento factorial bajo un diseño de bloques completamente al azar

con arreglo en parcelas divididas podría ser demostrado a través de la investiga-
ción, en la cual se plantea el Efecto de diferentes presiones de pastoreo (200, 300 y 400
kg por ha) de dos especies animales (bovinos y alpacas) en el páramo Azaraty pertenecien-
te al Parque Nacional Sangay (Romero, 2005).
Cuadro 28. Desperdicio de biomasa en el primer pastoreo
∑Xi Media
Especies P. Pastoreo I II III
200 kg 3,49 3,87 3,12 10,48 3,49
Bovinos 300 kg 2,53 2,99 3,03 8,55 2,85
400 kg 2,81 2,52 2,57 7,90 2,63
Parcela grande 1 8,83 9,38 8,72
Alpacas 200 kg 4,83 4,84 4,86 14,53 4,84
300 kg 4,52 4,96 4,98 14,46 4,82
400 kg 4,93 4,36 4,39 13,68 4,56
Parcela grande 1 14,28 14,16 14,23
Total para repeticiones 23,11 23,54 22,95 69,60 3,87
Fuente: Romero, 2005
39
Cuadro 28.1. Sumatorias de los factores apoyo
Presión de pastoreo
Especies
hff5%!I" iff5%!I" jff5%!I" ).&I-*8
Bovinos 10,48 8,55 7,90 26,93
Alpacas 14,53 14,46 13,68 42,67
).I85-.8 25,01 23,01 21,58 69,90
SCTotal = (3,49 - 3,87)2 + ..... + (4,39 - 3,87)2 = 15,94
SCTratamientos =
r
(10,48 - 11,60)2 + ..... + (13,68 - 11,60)2

3
SCRepeticiones =
t
(23,11 - 23,20)2 + ..... + (22,95 - 23,20)2

SCRepeticiones = = 0,031
6
∑(∑xPG - ∑xPG)2
SCParcelas Grandes =
b
(8,83 - 11,60)2 + ..... + (14,23 - 11,60)2

SCPG = = 13,85
3
∑(∑∑xA)2
SCA = - FC
br
40
Luis A. Condo Plaza
(26,93 - 38,40)2 + (42,67 - 38,40)2

SCA = = 13,76
3x2
SCError.A = 13,85 - 0,031 - 13,76 = 0,05
∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar
(25,01 - 23,20)2 + (21,58 - 23,20)2

SCB = = 0,99
2x3
SCAB = 15,11 - 13,76 - 0,99 = 0,36
SCError.B = SCTotal - SCPG - SCB - SCAB
SCError.B = 15,94 - 13,85 - 0,99 - 0,36 = 0,74
Cuadro 28.2. ADEVA para el experimento factorial bajo un diseño

de bloques completamente al azar con arreglo en parcelas divididas

Fuente de variación GL
Total 15,94 17
Repeticiones 0,031 2 0,155 6,20 ns 19,00 99,00
Especies 13,76 1 13,760 550,40** 18,51 98,50
Error A 0,05 2 0,025
41
Parcelas grandes 13,85 5

P. pastoreo 0,99 2 0,495 5,32** 4,46 8,65
Interacción 0,36 2 0,180 1,95 ns 4,46 8,65
Error B 0,74 8 0,093
C. variación 7,86
Media general 3,867
Al existir diferencias significativas entre las especies zootécnicas (factor A)

como para las presiones de pastoreo (factor B), las medias de los tratamientos se
someten a la separación de medias según Tukey al 5%, para lo cual se calcula los
diferentes errores estándares según le corresponde a cada uno de los factores.
CMErrorA
Sx =
r
0,025
Sx = = 0,091
3
Cuadro 28.3. Valores tabulares y calculados de Tukey 5%
Especies Media Q RSQ LIS Grupo

Alpacas 4,741 3,64 0,332 4,409 a
Bovinos 2,992 b
Distribución de medias según Tukey 5%
Cuando compara las presiones de pastoreo entre las alpacas y bovi-

nos, los bovinos dejan menos desperdicio, que difiere significativamente de
las alpacas, ya que esta especie deja mayor desperdicio de masa vegetal que
de una u otra manera ayuda a proteger la cobertura vegetal de los páramos
de Azaraty; lo que no ocurre cuando se pastorea bovinos.
42
Luis A. Condo Plaza
CMErrorB
Sx =
ra
0,093
Sx = = 0,101
9
Cuadro 28.4. Distribución de medias según Tukey al 5%

para la presión de pastoreo

hff5%!I" 4,168 4,04 0,408 3,760 a
iff5%!I" 3,836 3,26 0,329 3,507 ab
jff5%!I" 3,597 - - - b
A mayor presión de pastoreo, menor es el desperdicio, comportán-

dose estas variables en una forma inversamente proporcional y estadística-
mente se difiere entre las presiones de pastoreo.
CMErrorTotal
Sx =
r
0,093
Sx = = 0,176
3
43
Cuadro 28.5. Distribución de medias según Tukey 5%

para las interacciones

&*7hff5%!I" 4,84 6,03 1,061 3,779 a
&*7iff5%!I" 4,82 5,67 0,997 3,823 a
&*7jff5%!I" 4,56 5,22 0,918 3,642 a
)0#()7hff5%!I" 3,49 4,60 0,809 2,681 b
)0#()7iff5%!I" 2,85 3,64 0,640 2,210 bc
)0#()7jff5%!I" 2,63 c
De acuerdo a los resultados obtenidos en la interacción, se pue-

de mencionar que las alpacas con presiones de pastoreo de 200, 300 y
jff5%!I"5$(5-*,##)-5(5&-5*,,-5(./,&-535()5-)(5# ,(.-5
estadísticamente entre estas, mientras que, al contrastar con las presiones
de pastores con bovinos, difieren significativamente.
En experimentos factoriales, generalmente se utilizan arreglos en
parcelas divididas, esto se debe a que estos se han modelado específicamen-
te para este propósito siempre y cuando la distribución de los tratamientos
se realice como se detalla en forma teórica; desde este punto de vista se
analiza los resultados de la germinación del Llinllín (Prov. Chimborazo),
con diferentes escarificadores en dos lugares diferentes (Conchago, 2007).
data jorge;
input A $ PG B $ res;
cards;
1 1 1 10
1 1 2 27
1 1 3 16
1 1 4 27
1 2 1 51
1 2 2 50
44
Luis A. Condo Plaza
1 2 3 55
1 2 4 65
1 3 1 95
1 3 2 124
1 3 3 116
1 3 4 138
1 4 1 12
1 4 2 6
1 4 3 9
1 4 4 17
2 1 1 17
2 1 2 25
2 1 3 27
2 1 4 17
2 2 1 50
2 2 2 15
2 2 3 22
2 2 4 18
2 3 1 17
2 3 2 22
2 3 3 28
2 3 4 19
2 4 1 12
2 4 2 18
2 4 3 10
2 4 4 23
3 1 1 33
3 1 2 18
3 1 3 37
3 1 4 24
3 2 1 90
3 2 2 22
3 2 3 44
3 2 4 109
45
3 3 1 105
3 3 2 98
3 3 3 63
3 3 4 85
3 4 1 27
3 4 2 13
3 4 3 14
3 4 4 13
proc anova;
class PG A B;
model res=PG A PG*A B A*B; Test H=PG A E=PG*A;
'(-5I./%3:
'(-5I./%3:
run;

1
The ANOVA Procedure
Class Level Information

Class Levels Values
PG 4 1 2 3 4
A 3 1 2 3
B 4 1 2 3 4
Number of observations 48
The ANOVA Procedure
Dependent Variable: res
Sum of
Source DF Squares Mean Square F Value Pr
>F
Model 20 53719.00000 2685.95000 12.59 <.0001
46
Luis A. Condo Plaza
C Total47 59478.31250
PG 3 27615.72917 9205.24306 43.15 <.0001
A 2 9084.12500 4542.06250 21.29 <.0001
PG*A 6 14125.20833 2354.20139 11.04 <.0001
B 3 846.56250 282.18750 1.32 0.2874
A*B 6 2047.37500 341.22917 1.60 0.1857
Error 27 5759.31250 213.30787
0.903170 35.89570 14.60506 40.68750

The ANOVA Procedure
Tukey’s Studentized Range (HSD) Test for res
Alpha 0.05
Tukey Grouping Mean N A

A 51.125 16 1
A 49.688 16 3
B 21.250 16 2
The SAS System

The ANOVA Procedur 17:11 Wednesday, May 21, 2003 4
Tukey’s Studentized Range (HSD) Test for res
47

Alpha 0.05
Tukey Grouping Mean N B

A 46.250 12 4
A 43.250 12 1
A 36.750 12 3
A 36.500 12 2
The ANOVA
Procedure
Level of Level of -------------res-------------
A B N Mean Std Dev
1 1 4 42.0000000 40.0582909
1 2 4 51.7500000 51.4093053
1 3 4 49.0000000 49.0374007
1 4 4 61.7500000 54.8778948
2 1 4 24.0000000 17.4928557
2 2 4 20.0000000 4.3969687
2 3 4 21.7500000 8.2613558
2 4 4 19.2500000 2.6299556
48
Luis A. Condo Plaza
3 1 4 63.7500000 39.5253083
3 2 4 37.7500000 40.3350551
3 3 4 39.5000000 20.2402240
3 4 4 57.7500000 46.5859421
Ejercicio de refuerzo
Producción de biomasa en el segundo pastoreo como efecto a dife-

rentes presiones de pastoreo y dos especies pecuarias (DBCA).
Xi Media
Especies P. pastoreo I II III
200 5,64 5,93 5,99 17,56 5,85
Bovinos 300 6,26 6,49 6,27 19,02 6,34
400 6,81 5,73 6,36 18,90 6,30
200 5,78 5,69 6,51 17,98 5,99
Alpacas 300 6,33 6,23 6,23 18,79 6,26
400 6,82 6,51 6,53 19,86 6,62
Fuente: Romero, 2005
Experimentos tri-factoriales
En los experimentos factoriales pueden inmiscuirse más de un fac-

tor de estudio; por lo general, se han efectuado investigaciones simples
o bifactoriales; sin embargo, se puede sentir la necesidad de utilizar un
factor adicional en estudio, como por ejemplo: utilización de diferentes
niveles de pasta de higuerilla en pollos de carne en tres pisos altitudi-
nales, aparentemente existen dos factores en estudio que son: niveles
de pasta de higuerilla y diferentes pisos altitudinales, sin considerar un
factor adicional que es el sexo de los animales que es un factor que incide
en el rendimiento de animales, al cual se le considera un tercer factor de
estudio.
49
Desde este punto de vista, se puede analizar que en este experimento

necesariamente tendríamos que incluir las repeticiones en el esquema del
experimento.
Observando el cuadro del diseño experimental, podemos mencionar
que una de las desventajas es que por cada factor que se incluye se va incre-
mentando el número de unidades experimentales; por tanto el costo de la
investigación se eleva considerablemente.
Dentro de las ventajas que son notorias, se pueden citar:
R5 5(&#45&5)'*),.'#(.)5(5 ),'5#(.,./
R5 5*,)*##5# ,(#-5-#!(#ŀ.#0-
R5 ( )5&5*.#ĉ(55&5"#*ĉ.-#-5&.,(.#0
R5 ,(5(.#55#( ),'#ĉ(5*,5/(5(á&#-#-5'á-5,.)
R5 5&/!,55/(5'$),5.)'55#-#)(-5*,5&-5,)'(-
ciones
Cuadro 29. Distribución de experimentos trifactoriales
Tratamientos Código Rep Total

Nivel de Higuerilla A Altitud B Sexo C Observ.
A1 B1 C1 A1B1C1 3 3
A1 B1 C1 A1B1C2 3 3
A1 B1 C1 A1B2C1 3 3
A1 B1 C1 A1B2C2 3 3
A1 B1 C1 A1B3C1 3 3
A1 B1 C1 A1B3C2 3 3
A2 B2 C2 A1B1C1 3 3
A2 B2 C2 A1B1C2 3 3
A2 B2 C2 A1B2C1 3 3
A2 B2 C2 A1B2C2 3 3
A2 B2 C2 A1B3C1 3 3
A2 B2 C2 A1B3C2 3 3
Total 36
50
Luis A. Condo Plaza
Cuando se estudian tres factores simultáneamente, A, B y C, los arre-

glos más comunes son: el combinatorio y parcelas divididas. Al igual que en
el resto de experimentos, las distribuciones son completamente al azar, en
bloques y eventualmente en cuadrado latino.
El experimento trifactorial puede analizarse bajo un diseño al azar o
un diseño de bloques completamente al azar, con arreglo combinatorio o
parcelas subdivididas acorde a las necesidades que amerite analizar la in-
vestigación y los requisitos que se ajusten para cada diseño.
En el presente caso se va a tomar en consideración un diseño de blo-
ques completamente al azar.
Suma de cuadrados
(∑x)
SCTotal = ∑x -
abcr
(∑xRep) (∑x)
SCRepeticiones = -
abc abcr
SCRepeticiones =
abc
(∑xRep) (∑x)
SCTratamientos = -
r abcr
SCTratamientos =
r
SCError = SCTotal - (SCTrat + SCBloq)
51
∑(∑∑∑xA) (∑x)
SCA = -
bcr abcr
∑(∑∑∑xA - ∑∑∑ xA)2

SCA =
bcr
∑(∑∑∑xB) (∑x)
SCB = -
acr abcr
∑(∑∑∑xB - ∑∑∑ xB)2

SCB =
acr
∑(∑∑∑xC) (∑x)
SCC = -
abr abcr
∑(∑∑∑xC - ∑∑∑ xC)2

SCC =
abr
∑(∑∑xAB) (∑x)
SCAB = - - SCA - SCB
cr abcr
∑(∑∑xAB - ∑∑ xAB)2
SCAB = - SCA - SCB
cr
∑(∑∑xAC) (∑∑x)
SCAC = - - SCA - SCC
br abcr
∑(∑∑xAC - ∑∑ xAC)
SCAC = - SCA - SCC
br
∑(∑∑xBC) (∑x)
SCBC = - - SCB - SCC
ar abcr
52
Luis A. Condo Plaza
∑(∑∑xBC - ∑∑ xBC)2
SCBC = - SCB - SCC
ar
SCABC = SCTrat - SCA - SCB - SCC - SCAB - SCAC - SCBC
En la experimentación, no solo es factible estudiar uno o dos factores,

por lo que se ha visto necesario contrastar más de dos factores. En tal vir-
tud se han planteado investigaciones trifactoriales como el rendimiento de
mazorca en función de la variedad, densidad de siembra y dosis de siembra
(Reyes, 1978).
SCTotal = (11,6 - 12,0)2 + ..... + (11,8 - 12-0)2 = 449,73
Cuadro 30. Rendimiento (kg) de mazorca por parcela útil ajustada

al 15% de humedad, bajo un DBCA con arreglo combinatorio
(ciclo primavera 1978)
Dosis Repeticiones
Variedad Densidad Suma
de N I II III IV
Carmen 30 0 11,6 10,2 11,9 12,3 46,00
Carmen 30 20 10,0 10,6 9,7 11,6 41,90
Carmen 30 40 10,9 11,3 11,8 12,0 46,00
Carmen 40 0 13,0 11,3 11,2 10,9 48,10
Carmen 40 20 12,0 13,2 11,0 11,9 45,10
Carmen 40 40 11,7 11,7 11,1 10,6 49,70
Carmen 50 0 12,1 13,6 10,3 13,7 50,00
Carmen 50 20 12,3 12,0 11,9 13,8 47,00
Carmen 50 40 10,8 13,5 10,7 12,0 49,50
H-412 30 0 11,6 12,4 10,3 15,2 48,70
H-412 30 20 10,6 14,9 10,9 12,3 51,30
53
H-412 30 40 12,00 13,0 11,7 14,6 51,30

H-412 40 0 11,7 16,0 11,5 13,0 52,20
H-412 40 20 9,7 17,8 10,2 16,9 54,60
H-412 40 40 10,8 14,4 12,2 13,6 51,00
H-412 50 0 14,2 16,5 12,9 11,1 54,70
H-412 50 20 12,2 19,6 14,7 15,3 61,80
H-412 50 40 13,4 16,4 15,3 10,4 55,50
H-405 30 0 9,9 11,4 10,5 8,7 40,50
H-405 30 20 10,0 10,6 9,7 10,6 40,90
H-405 30 40 10,4 13,2 9,4 10,2 43,20
H-405 40 0 11,5 5,7 11,2 10,1 38,50
H-405 40 20 10,3 7,6 11,3 9,3 38,50
H-405 40 40 11,9 11,7 12,6 12,4 48,60
H-405 50 0 12,3 14,6 13,2 9,7 49,80
H-405 50 20 12,2 14,3 11,9 11,3 49,70
H-405 50 40 11,3 13,3 13,0 11,0 48,60
Fuente: Reyes, 1978
SCTratamientos =
r
(46,00 - 48,07)2 + ..... + (48,6 - 48,07)2

4
Cuadro 30.1. Interacción variedad x densidad
(-#5B'#&-5*I"C
Variedad Xi..
30 40 50
Carmen 133,90 139,60 146,70 420,20
H-412 149,50 157,80 172,00 479,30
H-502 124,60 125,60 148,10 398,30
X.j. 408,00 423,00 466,80 1297,80
54
Luis A. Condo Plaza
Cuadro 30.2. Interacción variedad x dosis de nitrógeno
)-#-555B%!I"C
Variedad Xi..
0 20 40
Carmen 142,10 140,00 138,10 420,20
H-412 156,40 165,10 157,80 479,30
H-502 128,80 129,10 140,40 398,30
X.j. 427,30 434,30 436,30 1297,80
Cuadro 30.3. Interacción densidad x dosis de nitrógeno
)-#-555B%!I"C
Densidad Xj.
0 20 40
30 136,00 131,50 140,50 408,00
40 137,10 141,20 144,70 423,00
50 154,20 161,50 151,10 466,80
X.j. 427,30 434,30 436,30 1297,80
SCRepeticiones =
abc
(310,4 - 324,5) + ..... + (324,5 - 324,5)2

SCRepeticiones = = 38,68
3*3*3
∑(∑∑∑xA - ∑∑∑ xA)2

SCA =
rbc
(420,2 - 432,6)2 + ..... + (398,3 - 432,6)2

SCA = = 97,53
4*3*3
55
∑(∑∑∑xB - ∑∑∑ xB)2

SCB =
rac
(408,0 - 432,6)2 + ..... + (466,8 - 432,6)2

SCB = = 51,86
4*3*3
∑(∑∑∑xC - ∑∑∑ xC)2

SCC =
rab
(427,3 - 432,6)2 + ..... + (436,3 - 432,6)2

SCC = = 1,23
4*3*3
∑(∑∑xAB - ∑∑ xAB)2
SCAB = - SCA - SCB
rc
(133,9 - 144,2)2 + ..... + (148,1 - 144,2)2

SCAB = - 97,53 - 51,86 = 6,00
4*3
∑(∑∑xAC - ∑∑ xAC)
SCAC = - SCA - SCC
br
(142,1 - 144,2)2 + ..... + (140,4 - 144,2)2

SCAC = - 97,53 - 1,23 = 10,36
4*3
∑(∑∑xBC - ∑∑ xBC)2
SCBC = - SCB - SCC
ar
(136,0 - 144,2)2 + ..... + (151,1 - 144,2)2

SCBC = - 51,86 - 1,23 = 9,31
4*3
SCABC = SCTrat - SCA - SCB - SCC - SCAB - SCAC - SCBC
SCABC = 189,11 - 97,53 - 51,86 - 1,23 - 6 - 10,36 - 9,31 = 12,81
56
Luis A. Condo Plaza
SCError = SCTotal - SCTrat - SCBloq
SCError = 449,73 - 189,11 - 38,68 = 221,95
Cuadro 30.4. ADEVA para el experimento tri-factorial

bajo un DBCA con arreglo combinatorio

Total 107 449,73
Repeticiones 3 38,68 12,89 4,53** 2,722 4,043
Tratamientos 26 189,11 7,27 2,56** 1,638 2,005
Variedades maíz 2 97,53 48,77 17,14** 3,114 4,888
Densidad maíz 2 51,86 25,93 9,11** 3,114 4,888
Dosis nitrógeno 2 1,23 0,62 0,22 ns 3,114 4,888
Interacción AB 4 6,00 1,50 0,53 ns 2,489 3,570
Interacción AC 4 10,36 2,59 0,91 ns 2,489 3,570
Interacción BC 4 9,31 2,33 0,82 ns 2,489 3,570
Interacción ABC 8 12,81 1,60 0,56 ns 2,059 2,748
Error 78 221,95 2,85
CMerror
CV = 100
x
2,85
CV = 100 = 14,03%
12,00
Como se puede visualizar, existen diferencias significativas entre los

tratamientos, factor A, factor B y factor C; entonces es necesario realizar la
57
respectiva separación de medias entre tratamientos, para lo cual nos vale-

mos del cuadrado medio del error y calcular el error estándar.
CMError
SxA =
rbc
2,85
Sx = = 0,281
4*3*3
Por considerar que el número de tratamientos del factor B y C son los

iguales, entonces el error estándar para estos factores de densidad de la siem-
bra maíz y dosis de nitrógeno en este cultivo es el mismo.
Cuadro 30.5. Distribución de medias para variedades de maíz
Variedad de maíz Media Q RSQ LIS Grupo

H.412 13,31 3,40 0,955 12,355 a
Carmen 11,67 2,83 0,795 10,875 b
H-502 11,06 - - - b
El rendimiento de mazorca varía de acuerdo a las variedades de maíz

que se cultivó, en la presente investigación, la variedad H-412 produjo
gi6ig5 .I"65 +/5 #ŀ,5 -#!(#ŀ.#0'(.5 &5 ,-.)65 *,#(#*&'(.5 5 &5
variedad H-502.
Cuadro 30.6. Distribución de medias para factor densidad de maíz/ha
Densidad de siembra Media Q RSQ LIS Grupo

H-412 12,97 3,40 0,955 12,015 a
Carmen 11,75 2,83 0,795 10,955 b
H-502 11,33 - - - b
58
Luis A. Condo Plaza
La densidad de siembra de maíz es uno de los factores determinantes

en el rendimiento de maíz por hectárea. En la citada investigación se puede
manifestar que al cultivar 50000 plantas de maíz por ha se produce más,
que diferencia significativamente del resto de tratamientos, principalmente
de la densidad de 30000 plantas por hectárea con la cual se alcanzó 11,33
.I"55'ù48
Las dosis que provocaron mayores rendimientos de maíz por hec-
tárea fueron aquellas en que se aplicó nitrógeno en el cultivo, las mismas
que comparten un mismo rango, que hacen diferenciar numéricamente del
tratamiento al cual no se aplicó este elemento en el cultivo.
Cuadro 30.7. Distribución de medias para factor dosis de nitrógeno
Dosis de nitrógeno Media Q RSQ LIS Grupo

40 12,12 3,40 0,955 11,065 a
20 12,06 2,83 0,795 11,265 a
0 11,87 - - - a
Experimento factorial bajo un DBCA con arreglo

en parcelas subdivididas
Los experimentos trifactoriales, debido a su naturaleza, se desarrollan

bajo un modelo combinatorio; sin embargo, la distribución y su naturaleza
obliga a que sea necesario analizar bajo un arreglo en parcelas subdivididas,
debido a que se requiere analizar cada factor en función de su propio error.
La inclusión de un tercer factor mediante la división de las subparce-
las de un arreglo en parcelas divididas da lugar a otro arreglo denominado
parcelas subdivididas. Este diseño suele ser útil en experimentos trifacto-
riales a fin de facilitar las operaciones de campo o resulta deseable mante-
ner agrupadas combinaciones de tratamientos; sin embargo (Little y Hill,
1976), la restricción adicional a la distribución aleatoria hace necesario el
cálculo de un tercer término de error, que se utiliza para probar los efectos
principales del factor aplicado en la segunda división, así como todas las
59
interacciones que incluyen dicho factor. La investigación puede tener cier-

tas ventajas en cuanto a la operación física con las unidades experimentales,
pero la necesidad de un tercer término de error puede hacer bastante com-
plicada la separación de medias, por lo que resulta indispensable la consulta
a un técnico en el área de estadística aplicada a la investigación científica
más conocido como biometrista antes de emplear el diseño.
Cuadro 31. Fuentes de variación y grados de libertad
Fuente de variación Grados de libertad

Total (abcr) - 1
Repeticiones (r - 1)
Factor A (a - 1)
Error A glpg - glFA - glRep
Parcelas grandes (ar - 1)
Factor B (b - 1)
Interacción AB (a - 1)(b - 1)
Error B glPM - glPG - glFA - glAB
Parcelas medianas (abr - 1)
Factor C (c - 1)
Interacción AC (a - 1)(c - 1)
Interacción BC (b - 1)(c - 1)
Interacción ABC (a - 1)(b - 1)(c - 1)
Error C glTot - glPM - glFC - glAC - glBC - glABC
En la distribución aleatoria con arreglo en parcelas divididas, el nú-

mero de las parcelas subdivididas coincide con los niveles de tres factores,
en los cuales el tercer factor es aleatorio, con una nueva distribución para
cada conjunto. La distribución parcial de un diseño de parcelas subdividi-
das, para evaluar los efectos de aplicación de hormonas, en sus diferentes
dosis y época de aplicación en el cultivo de rosas, sobre comportamiento
productivo y rendimiento, permite analizar bajo el arreglo mencionado en
los cuales se puede organizar los datos por tratamientos y bloques, diseña-
60
Luis A. Condo Plaza
dos para suministrar los totales de las interacciones en dos sentidos y de los
efectos principales.
Factor de corrección
El factor de corrección se calcula haciendo referencia a la sumatoria

de los valores de las variables medidas al cuadrado sobre el total de unida-
des experimentales.
(∑x)
FC =
abcr
Suma de cuadrados
(∑x)2
SCTotal = ∑x2 -
abcr
(∑xRep)2 (∑x)2
SCRepeticiones = -
abc abcr
∑(∑∑∑xA)2 (∑x)2
SCA = -
bcr abcr
∑(∑∑∑xB)2 (∑x)2
SCB = -
acr abcr
∑(∑∑xAB)2 (∑x)2
SCAB = - - SCA - SCB
cr abcr
61
∑(∑xB)2 (∑x)2
SCPM = -
c abcr
SCError.B = SCPM - SCPG - SCB - SCAB
∑(∑∑∑xC)2 (∑x)2
SCC = -
abr abcr
∑(∑∑xAC)2 (∑x)2
SCAC = - - SCA - SCC
br abcr
∑(∑∑xBC)2 (∑x)2
SCBC = - - SCB - SCC
ar abcr
∑(∑∑xABC)2 (∑x)2
SCABC = - - SCA - SCB - SCAB - SCC - ACAC - SCBC - SCABC
r abcr
SCError.C = SCTotal - SCPM - SCC - SCAC - SCBC - SCABC
Al igual que en los experimentos simples, el cuadrado medio o va-

rianza es la relación entre la suma de cuadrados y los grados de libertad de
cada fuente de variación respectivamente.
Una particularidad sobre el cálculo del Fisher en el presente arreglo
en parcelas subdivididas es que para cada variable existe un error; por tanto,
para las repeticiones y factor A, se considera el error A, para el factor B,
interacción AB, el error B, y para el factor C, interacción AC, BC y ABC,
el error C.
62
Luis A. Condo Plaza
Para demostrar el experimento trifactorial se utilizaron los resul-

tados de la investigación Respuesta de la aplicación de dos reguladores de
crecimiento, diferentes dosis en diferentes épocas de aplicación en el cultivo de
rosas variedad L (Arias, 2007) y sus resultados de producción de tallos por
parcela neta.
Para el desarrollo del análisis de varianza se debe tomar en consi-
deración como si fuese un experimento simple, desdoblando la varianza
de los tratamientos en factores e interacciones; desde este punto de vis-
ta, se debe comenzar calculando el factor de corrección de la siguiente
manera:
(∑x)2
FC =
hder
(1037,00)2
FC = = 11948,54
90
(∑x)2
SCTotal = ∑x2 -
hder
SCTotal = (15 + ..... + 8) - 11948,54 = 598,46
63
Cuadro 32. Número de tallos cosechados de rosas variedad L
Suma Media
Hormonas Dosis Épocas I II III
E1 15,00 9,00 9,00 33,00 11,00
E2 14,00 11,00 12,00 37,00 12,33
D1 E3 9,00 19,00 18,00 46,00 15,33
E4 13,00 11,00 10,00 34,00 11,33
E5 12,00 13,00 12,00 37,00 12,33
E1 11,00 13,00 7,00 31,00 10,33
E2 13,00 14,00 13,00 40,00 13,33
H1 D2 E3 13,00 11,00 8,00 32,00 10,67
E4 13,00 11,00 10,00 34,00 11,33
E5 17,00 9,00 14,00 40,00 13,33
E1 11,00 12,00 9,00 32,00 10,67
E2 10,00 10,00 10,00 30,00 10,00
D3 E3 11,00 10,00 8,00 29,00 9,67
E4 11,00 7,00 12,00 30,00 10,00
E5 12,00 9,00 10,00 31,00 10,33
E1 18,00 13,00 11,00 42,00 14,00
E2 14,00 11,00 10,00 35,00 11,67
D1 E3 13,00 11,00 9,00 33,00 11,00
E4 11,00 11,00 10,00 32,00 10,67
E5 14,00 11,00 11,00 36,00 12,00
E1 13,00 12,00 10,00 35,00 11,67
E2 13,00 16,00 10,00 39,00 13,00
H2 D2 E3 14,00 10,00 12,00 36,00 12,00
E4 11,00 11,00 10,00 32,00 10,67
E5 14,00 9,00 9,00 32,00 10,67
E1 15,00 18,00 14,00 47,00 15,67
E2 8,00 16,00 13,00 37,00 12,33
D3 E3 8,00 10,00 7,00 25,00 8,33
E4 13,00 11,00 8,00 32,00 10,67
E5 12,00 8,00 8,00 28,00 9,33
64
Luis A. Condo Plaza
(∑xRep)2 (∑x)2
SCRepeticiones = -
hde hder
(376 + 347 + 314)

SCRepeticiones = - 11948,54 = 64,16
30
Cuadro 32.1. Interacción hormonas por dosis
Dosis de siembra
Hormonas Suma H
D1 D2 D3
H1 187,00 177,00 152,00 516,00
H2 178,00 174,00 169,00 521,00
Suma D 365,00 351,00 321,00
∑(∑∑∑xH)2
SCH = - FC
hdr
(516,002 + 521,002)
SCH = - 11948,54 = 0,28
3x5x3
∑(∑∑∑xD)2
SCD = - FC
her
(3652 + 3512 + 3212)

SCD = - 11948,54 = 33,69
2x5x3
∑(∑∑xHD)2
SCHD = - FC -SCH - SCD
er
65
(1872 + ....... + 1692)

SCHD = - 11948,54 - 0,8 - 33,69 = 12,36
5x3
∑(∑∑∑xE)2
SCE = - FC
hdr
(220 + 2182 + 2012 + 1942 + 2042)

SCE = - 11948,54 = 27,96
hdr
Cuadro 32.2. Interacción hormonas por épocas
Épocas de aplicación
Hormonas Suma H
E1 E2 E3 E4 E5
H1 96,00 107,00 107,00 98,00 108,00 516,00
H2 124,00 111,00 94,00 96,00 96,00 521,00
Suma E 220,00 218,00 201,00 194,00 204,00
∑(∑∑xHE)2
SCHE = - FC -SCH - SCE
dr
(962 + 1072....... 962)

SCHE = - 11948,54 - 0,28 - 27,69 =61,78
dr
∑(∑∑xDE)2
SCDE = - FC -SCD - SCE
dr
(752 + ...... + 592)

SCDE = - 11948,54 - 33,69 - 27,69 =67,64
2x3
66
Luis A. Condo Plaza
Cuadro 32.3. Interacción dosis por épocas
Épocas de aplicación
Dosis Suma H
E1 E2 E3 E4 E5
D1 75,00 72,00 79,00 66,00 73,00 365,00
D2 66,00 79,00 68,00 66,00 72,00 351,00
D3 79,00 67,00 54,00 62,00 59,00 321,00
Suma E 220,00 218,00 201,00 194,00 204,00
∑(∑xTrat)2
SCTrat.Parcial = - FC2
r
(332 + ..... + 282)

SCTrat.Parcial = - 11948 = 239,79
3
∑(∑xHDE)2
SCHDE = - FC2 - SCH - SCD - SCE - SCED - SCHE - SCDE
r
SCHDE = 239,79 - 0,28 - 33,69 - 27,96 - 12,36 - 61,78 - 67,64 = 36,09
Cuadro 32.4. Parcelas grandes
Repeticiones
I II III
PG1 185,00 169,00 162,00
PG2 191,00 178,00 152,00
∑(∑xPG)2
SCPG = - FC2
de
(1852 + 1692 + 1622 + 1912 + 1782 +1522)

SCPG = - 11948,54 = 71,39
3x5
67
Cuadro 32.5. Parcelas medianas
Parcelas medianas
I II III
PM1 63,00 63,00 61,00
PM2 67,00 58,00 52,00
PM3 55,00 48,00 49,00
PM4 70,00 57,00 51,00
PM5 65,00 58,00 51,00
PM6 56,00 63,00 50,00
Cuadro 32.6. ADEVA para un experimento trifactororial

bajo DBCA con arreglo en parcelas subsubdivididas

Total 89 598,46
Tratamientos 29 239,79
Repeticiones 2 64,16 32,078* 9,224 19,000 99,000
Hormonas 1 0,28 0,278 ns 0,080 18,513 98,503
Error E 2 6,96 3,478
PG 5 71,39 14,278
Dosis de H 2 33,69 116,84 ns 4,182 4,459 8,649
Interacción HD 2 12,36 6,178 ns 11,534 4,459 8,649
Error D 8 32,22 4,028
P. Medianas 17 149,66 8,803
Épocas 4 27,96 6,989 ns 1,314 2,565 3,737
Interacción HE 4 61,78 15,444* 2,903 2,565 3,737
Interacción DE 8 67,64 8,456 ns 1,590 2,138 2,907
INT. HDE 8 36,09 4,511 ns 0,848 2,138 2,907
Error E 48 255,333 5,319
CV% 20,017
Media 11,522
68
Luis A. Condo Plaza
∑(∑xPM)2
SCPM = - FC2
e
(632 + 632 + ..... + 632 +502)
SCPM = - 11948,54 = 149,66
5
SCErrorH = SCPG - SC Rep - SCH
SCErrorH = 71,39 - 64,16 - 0,28 = 6,96
SCErrorD = SCPM - SC PG - SCD - SCHD
SCErrorD = 149,66 - 71,39 - 33,69 - 12,39 = 32,22
SCErrorE = SCT - SCPM - SCE - SCHE - SCDE - SCHDE
SCErrorE = 598,46 - 149,66 - 27,96 - 61,78 - 67,64 - 36,09 = 255,33
Cuadro 32.7. Separación de medias según Tukey al 0,05

para el tipo de hormonas
Hormonas Medias Rango Ordenada Q SxQ LIS Rango

H1 11,47 a 11,6 3,64 0,4 11,2 a
H2 11,58 a 11,5 11,2 a

para la dosis de hormonas
Dosis Medias Rango Ordenada Q SxQ LIS Rango

D1 12,17 a 12,2 4,04 1,1 11,02 a
D2 11,87 a 12,1 3,26 0,3 11,82 a
D3 12,10 a 11,9 11,87 a
69

para época de aplicación
Épocas Media Rango Ordenada Q SxQ LIS Rango

E1 12,22 a 12,2 3,98 1,8 10,5 a
E2 12,11 a 12,1 3,74 1,7 10,5 a
E3 11,17 a 11,3 3,40 1,5 9,8 a
E4 10,78 a 11,2 2,83 1,3 9,9 a
E5 11,33 a 10,8 10,8 a

para el tipo y dosis de hormonas
Interacción Media Rango Ordenada Q SxQ LIS Rango

H1D1 12,47 a 12,5 5,17 2,3 10,2 a
H1D2 11,80 a 11,8 4,89 2,2 9,6 a
H1D3 10,13 a 11,9 4,53 2,0 9,9 a
H2D1 11,87 a 11,6 4,04 1,8 9,8 a
H2D2 11,60 a 11,3 3,26 1,4 9,8 a
H2D3 11,27 a 10,1 10,1 a
Cuadro 32.11.Separación de medias según Tukey al 0,05
para el tipo de hormonas y época de aplicación

H1E1 10,67 a 13,78 4,65 6,1 7,7 a
H1E2 11,89 a 12,33 4,55 5,5 6,9 a
H1E3 11,89 a 12,00 4,44 5,3 6,7 a
H1E4 10,89 a 11,89 4,31 5,3 6,6 a
H1E5 12,00 a 11,89 4,16 5,3 6,6 a
H2E1 13,78 a 11,89 3,98 4,8 6,1 a
H2E2 12,33 a 10,67 3,74 4,7 5,9 a
H2E3 10,44 a 10,67 3,40 4,7 5,9 a
H2E4 10,67 a 10,67 2,83 4,7 5,9 a
H2E5 10,67 a 10,44 4,6 5,8 a
70
Luis A. Condo Plaza

para el tipo, dosis y época de aplicación de las hormonas

H1D1E1 11,00 a 15,67 16,86 7,48 8,19 a
H1D1E2 12,33 a 15,33 15,05 6,68 8,66 a
H1D1E3 15,33 a 14,00 13,44 5,96 8,04 a
H1D1E4 11,33 a 13,33 11,90 5,28 0,06 a
H1D1E5 12,33 a 13,33 10,53 4,67 8,66 a
H1D2E1 10,33 a 13,00 9,32 4,13 8,87 a
H1D2E2 13,33 a 12,33 8,24 3,66 8,68 a
H1D2E3 10,67 a 12,33 7,30 3,24 9,10 a
H1D2E4 11,33 a 12,33 6,46 2,86 9,47 a
H1D2E5 13,33 a 12,00 5,82 2,58 9,42 a
H1D3E1 10,67 a 12,00 5,24 2,32 9,68 a
H1D3E2 10,00 a 11,67 5,20 2,31 9,36 a
H1D3E3 9,67 a 11,67 5,16 2,29 9,38 a
H1D3E4 10,00 a 11,33 5,11 2,27 9,07 a
H1D3E5 10,33 a 11,33 5,06 2,24 9,09 a
H2D1E1 14,00 a 11,00 5,00 2,22 8,78 a
H2D1E2 11,67 a 11,00 4,94 2,19 8,81 a
H2D1E3 11,00 a 10,67 4,88 2,16 8,50 a
H2D1E4 10,67 a 10,67 4,81 2,13 8,53 a
H2D1E5 12,00 a 10,67 4,73 2,10 8,57 a
H2D2E1 11,67 a 10,67 4,65 2,06 8,60 a
H2D2E2 13,00 a 10,67 4,55 2,02 8,65 a
H2D2E3 12,00 a 10,67 4,44 1,97 8,70 a
H2D2E4 10,67 a 10,33 4,31 1,91 8,42 a
H2D2E5 10,67 a 10,33 4,16 1,85 8,49 a
H2D3E1 15,67 a 10,00 3,98 1,77 8,23 a
H2D3E2 12,33 a 10,00 3,74 1,66 8,34 a
H2D3E3 8,33 a 9,67 3,40 1,51 8,16 a
H2D3E4 10,67 a 9,33 2,83 1,26 8,08 a
H2D3E5 9,33 a 8,33 a
71
Al no existir diferencias estadísticas, se debe exponer la diferencia

numérica, entonces la explicación no tiene mucha profundad científica.

para la dosis de hormonas y época de aplicación

D1E1 12,50 ab 13,167 5,00 2,22 10,9 a
D1E2 12,00 ab 13,167 4,94 2,19 11,0 a
D1E3 13,17 a 13,167 4,88 2,16 11,0 a
D1E4 11,00 abc 12,500 4,81 2,13 10,4 ab
D1E5 12,17 ab 12,167 4,73 2,10 10,1 ab
D2E1 11,00 abc 12,000 4,65 2,06 9,9 ab
D2E2 13,17 a 12,000 4,55 2,02 10,0 ab
D2E3 11,33 abc 11,333 4,44 1,97 9,4 abc
D2E4 11,00 abc 11,167 4,31 1,91 9,3 abc
D2E5 12,00 ab 11,000 4,16 1,85 9,2 abc
D3E1 13,17 a 11,000 3,98 1,77 9,2 abc
D3E2 11,17 abc 11,000 3,74 1,66 9,3 abc
D3E3 9,00 d 10,333 3,40 1,51 8,8 bcd
D3E4 10,33 bcd 9,833 2,83 1,26 8,6 cd
D3E5 9,83 cd 9,000 0,00 9,0 d
Experimento tetrafactorial
Como es de conocimiento general, la producción pecuaria o agrícola

u otros efectos de producción, no solo se debe a uno, dos, o tres factores,
los cuales actúan en forma interactuada en el comportamiento productivo,
así como en el aspecto biológico e industrial; a eso se debe a que existen
modelos matemáticos que permiten hacer este tipo de comparaciones o
comprobar estas hipótesis. Al respecto se ha planteado un experimento en
el cual el investigador quiere conocer si la floración de rosas depende de la
72
Luis A. Condo Plaza
combinación de tipo de enraizadores, tipos de sustratos, dosis de aplicación

de estos sustratos y finalmente las épocas de aplicación. Esta interrogante
se quiere analizar bajo un solo esquema de ADEVA, con la finalidad de
hacer un análisis tetrafactorial.
Otro de los experimentos muy poco utilizados es el tetrafactorial, en
que se utilizan cuatro factores con la finalidad de observar el comporta-
miento de la combinación de factores que influyen en el desarrollo agrobo-
tánico de los cultivares.
Cuadro 33. Porcentaje de floración de rosas cultivadas

con dos enraizadores, dos sustratos, dos dosis y dos épocas
Repeticiones Suma
A B C D
I II III IV ABCD
1 1 1 1 75,00 100,00 93,75 93,75 362,50
1 1 1 2 100,00 87,50 100,00 75,00 362,50
1 1 2 1 62,50 62,50 68,75 87,50 281,25
1 1 2 2 68,75 68,75 62,50 68,75 268,75
1 2 1 1 93,75 87,50 81,25 81,25 343,75
1 2 1 2 100,00 87,50 68,75 87,50 343,75
1 2 2 1 93,75 93,75 100,00 87,50 375,00
1 2 2 2 68,75 81,25 68,75 87,50 306,25
2 1 1 1 100,00 100,00 93,75 93,75 387,50
2 1 1 2 100,00 93,75 93,75 56,25 343,75
2 1 2 1 62,50 93,75 87,50 87,50 331,25
2 1 2 2 68,75 81,25 68,75 81,25 300,00
2 2 1 1 93,75 93,75 100,00 87,50 375,00
2 2 1 2 87,50 87,50 93,75 93,75 362,50
2 2 2 1 87,50 100,00 100,00 87,50 375,00
2 2 2 2 87,50 93,75 93,75 87,50 362,50
73
Cuadro 33.1. Apoyo 1, interacción ABC y Factor D
D1 D2 Suma ABC
A1B1C1 362,50 362,50 725,00
A1B1C2 281,25 268,75 550,00
A1B2C1 343,75 343,75 687,50
A1B2C2 375,00 306,25 681,25
A2B1C1 387,50 343,75 731,25
A2B1C2 331,25 300,00 631,25
A2B2C1 375,00 362,50 737,50
A2B2C2 375,00 362,50 737,50
Suma D 2831,25 2650,00
Cuadro 33.2. Apoyo 2, factor C e interacción ABD
C1 C2 Suma ABD
A1B1D1 362,50 281,25 643,75
A1B1D2 362,50 268,75 631,25
A1B2D1 343,75 375,00 718,75
A1B2D2 343,75 306,25 650,00
A2B1D1 387,50 331,25 718,75
A2B1D2 343,75 300,00 643,75
A2B2D1 375,00 375,00 750,00
A2B2D2 362,50 362,50 725,00
Suma C 2881,25 2600,00
74
Luis A. Condo Plaza
Cuadro 33.3. Apoyo 3, interacción ACD y factor B
B1 B2 Suma ACD
A1C1D1 362,50 343,75 706,25
A1C1D2 362,50 343,75 706,25
A1C2D1 281,25 375,00 656,25
A1C2D2 268,75 306,25 575,00
A2C1D1 387,50 375,00 762,50
A2C1D2 343,75 362,00 706,25
A2C2D1 331,25 375,00 706,25
A2C2D2 300,00 362,50 662,50
Suma B 2637,50 2843,75
Cuadro 33.4. Apoyo 4, interacción BCD y factor A
A1 A2 Suma BCD
B1C1D1 362,50 387,50 750,00
B1C1D2 362,50 343,75 706,25
B1C2D1 281,25 331,25 612,50
B1C2D2 268,75 300,00 568,75
B2C1D1 343,75 375,00 718,75
B2C1D2 343,75 362,50 706,25
B2C2D1 375,00 375,00 750,00
B2C2D2 306,25 362,50 668,75
Suma A 2643,75 2837,50
75
Cuadro 33.5. Apoyo 5, interacción AB y CD
C1D1 C1D2 C2D1 C2D2 Suma AB

A1B1 362,50 362,50 281,25 268,75 1275,00
A1B2 343,75 343,75 375,00 306,25 1368,75
A2B1 387,50 343,75 331,25 300,00 1362,50
A2B2 375,00 362,50 375,00 362,50 1475,00
Suma CD 1468,75 1412,50 1362,50 1237,50
Cuadro 33.6. Apoyo 6. interacción AC y BD
B1D1 B1D2 B2D1 B2D2 Suma AC

A1C1 362,50 362,50 343,75 343,75 1412,50
A1C2 281,25 268,75 375,00 306,25 1231,25
A2C1 387,50 343,75 375,00 362,50 1468,75
A2C2 331,25 300,00 375,00 362,50 1368,75
Suma BD 1362,50 1275,00 1468,75 1375,00
Cuadro 33.7. Apoyo 7, interacción AD y BC
B1C1 B1C2 B2C1 B2C2 Suma AD

A1D1 362,50 281,25 343,75 375,00 1362,50
A1D2 362,50 268,75 343,75 306,25 1281,25
A2D1 387,50 331,25 375,00 375,00 1468,75
A2D2 343,75 300,00 362,50 362,50 1368,75
Suma BC 1456,25 1181,25 1425,00 1418,75
(∑x)2
FC =
(abcd)r
(5481,25)2
FC = = 469439,09
64
76
Luis A. Condo Plaza
(∑x)2
SCTotal = ∑x2 -
(habcd)r
SCTotal = (752 + ..... + 87,52) - 469439,09 = 9271,85
∑(∑ xRep)2
SCRepeticiones = - FC
abcd
13502 + ..... + 1343,752

SCRepeticiones = - 469439,09 = 182,50
16
∑(∑∑∑∑xA)2
SCA = - FC
(bcd)r
2643,752 + 2837,502
SCA = - 469439,09 = 586,55
(2x2x2)4
∑(∑∑∑∑xB)2
SCB = - FC
(acd)r
2643,502 + 2843,752
SCB = - 469439,09 = 664,67
(2x2x2)4
∑(∑∑∑∑xC)2
SCC = - FC
(abd)r
2881,252 + 2600,002
SCC = - 469439,09 = 1235,96
(2x2x2)4
77
∑(∑∑∑∑xD)2
SCD = - FC
(abc)r
2832,252 + 2650,002
SCD = - 469439,09 = 513,31
(2x2x2)4
∑(∑∑∑xAB)2
SCAB = - FC - SCA - SCB
(cd)r
1275,002 + ..... + 1475,002

SCAB = - FC - SCA - SCB = 5,49
(2x2)4
∑(∑∑∑xAC)2
SCAC = - FC - SCA - SCC
(bd)r
1412,502 + ..... + 1368,752

SCAC = - FC - SCA - SCC = 103,15
(2x2)4
∑(∑∑∑xAD)2
SCAD = - FC - SCA - SCD
(bc)r
1362,502 + ..... + 1368,752

SCAD = - FC - SCA - SCD = 5,49
(2x2)4
∑(∑∑∑xBC)2
SCBC = - FC - SCB - SCC
(ad)r
1456,252 + ..... + 1418,752

SCBC = - FC - SCB - SCC = 1128,54
(2x2)4
78
Luis A. Condo Plaza
∑(∑∑∑xBC)2
SCBD = - FC - SCB - SCD
(ac)r
1362,502 + ..... + 1375,002

SCBD = - FC - SCB - SCC = 0,61
(2x2)4
∑(∑∑∑xBC)2
SCCD = - FC - SCC - SCD
(ab)r
1468,752 + ..... + 1237,502

SCCD = - FC - SCB - SCC = 73,85
(2x2)4
∑(∑∑∑xABC)2
SCABC = - FC - SCA - SCB - SCC - SCAB - SCAC - SCBC
(d)r
725,002 + ..... + 737,502

SCABC = - FC - SCA - SCB - SCC - SCAB - SCAC - SCBC = 73,85
(2)4
∑(∑∑∑xABD)2
SCABD = - FC - SCA - SCB - SCC - SCAB - SCAC - SCBD
(c)r
725,002 + ..... + 737,502

SCABD = - FC - SCA - SCB - SCC - SCAB - SCAC - SCBD = 176,39
(2)4
∑(∑∑∑xACD)2
SCACD = - FC - SCA - SCC - SCD - SCAC - SCAD - SCCD
(b)r
706,252 + ..... + 662,502

SCACD = - FC - SCA - SCC- SCD - SCAC- SCAD - SCCD = 137,33
(2)4
79
∑(∑∑∑xBCD)2
SCBCD = - FC - SCB - SCC - SCD - SCBC - SCBD - SCCD
(a)r
750,002 + ..... + 668,752

SCBCD = - FC - SCB - SCC - SCD - SCBC - SCBD - SCCD = 73,85
(2)4
∑(∑∑∑xABCD)2
SCABCD = - FC - SCA - SCB - SCC - SCAB - SCAC - SCAD
r
- SCBC - SCBD - SCCD - SCABC - SCABD - SCABD - SCACD - SCBCD
3622 + .... + 362,502

SCABCD = - FC - SCA - SCB - SCC - SCAB - SCAC - SCAD
r
- SCBC - SCBD - SCCD - SCABC - SCABD - SCABD - SCACD - SCBCD = 29,91
SCError = Diferencia = 4280,40
Los cuadrados medios o varianzas se calculan tomando en consi-

deración las sumas de cuadrados sobre los grados de libertad en todos los
casos de fuentes de variación.
El cálculo del Fisher es la relación que existe entre el cuadrado medio
de las repeticiones, tratamientos o factores y el cuadrado medio del error.
Cuadro 33.8. Análisis de varianza

Total 63 9271,85
Repeticiones 3 182,50 60,83 0,64 ns 2,81 4,15
Factor A 1 586,55 586,55 6,17* 4,06 7,23
Factor B 1 664,67 664,67 6,99* 4,06 7,23
80
Luis A. Condo Plaza
Factor C 1 1235,96 1235,96 12,99** 4,06 7,23

Factor D 1 513,31 513,31 5,40* 4,06 7,23
Interacción AB 1 5,49 5,49 0,06 ns 4,06 7,23
Interacción AC 1 103,15 103,15 1,08 ns 4,06 7,23
Interacción AD 1 5,49 5,49 0,06 ns 4,06 7,23
Interacción BC 1 1128,54 1128,54 11,86** 4,06 7,23
Interacción BD 1 0,61 0,61 0,01 ns 4,06 7,23
Interacción CD 1 73,85 73,85 0,78 ns 4,06 7,23
Interacción ABC 1 73,85 73,85 0,78 ns 4,06 7,23
Interacción ABD 1 176,39 176,39 1,85 ns 4,06 7,23
Interacción ACD 1 137,33 137,33 1,44 ns 4,06 7,23
Interacción BCD 1 73,85 73,85 0,78 ns 4,06 7,23
Interacción ABCD 1 29,91 29,91 0,31 ns 4,06 7,23
Error 45 4280,40 95,12
CD % 11,39
Media 85,64
Al igual que en los experimentos simples, bifactoriales, trifactoriales,

los experimentos tetrafactoriales se toman desiciones en función de los Fi-
sher calculado y el teórico haciendo la siguiente relación:
Fisher calculado < Fisher 0,05: no hay diferencias significativas
Fisher calculado > Fisher 0,05: existen diferencias significativas (P <

0,05) Fisher calculado > Fisher 0,01: existen diferencias altamente signifi-
cativas (P < 0,01)
De esta manera se acepta o rechaza la hipótesis alternativa o nula. Cuando

se acepta la hipótesis alternativa, es necesario realizar la separación de medias
según el método más adecuado (DMS, Duncan, Tukey, Bonferroni, Dunnett,
Shefee, Friedman u otros), para lo cual es necesario calcular el error estándar o
desviación típica de las medias, valor que varía en función del número de factores;
por tanto, el error estándar del factor A es diferente al de las interacciones.
81
El presente experimento se puede procesar con apoyo del paquete

estadístico SAS, para lo cual modelamos de la siguiente manera:
data tetra;
input A B C D r resp;
cards;
1 1 1 1 1 12
1 1 1 1 2 16
1 1 1 1 3 15
1 1 1 1 4 15
1 1 1 2 1 16
1 1 1 2 2 14
1 1 1 2 3 16
1 1 1 2 4 12
1 1 2 1 1 10
1 1 2 1 2 10
1 1 2 1 3 11
1 1 2 1 4 14
1 1 2 2 1 11
1 1 2 2 2 11
1 1 2 2 3 10
1 1 2 2 4 11
1 2 1 1 1 15
1 2 1 1 2 14
1 2 1 1 3 13
1 2 1 1 4 13
1 2 1 2 1 16
1 2 1 2 2 14
1 2 1 2 3 11
1 2 1 2 4 14
1 2 2 1 1 15
1 2 2 1 2 15
1 2 2 1 3 16
1 2 2 1 4 14
82
Luis A. Condo Plaza
1 2 2 2 1 11
1 2 2 2 2 13
1 2 2 2 3 11
1 2 2 2 4 14
2 1 1 1 1 16
2 1 1 1 2 16
2 1 1 1 3 15
2 1 1 1 4 15
2 1 1 2 1 16
2 1 1 2 2 15
2 1 1 2 3 15
2 1 1 2 4 9
2 1 2 1 1 10
2 1 2 1 2 15
2 1 2 1 3 14
2 1 2 1 4 14
2 1 2 2 1 11
2 1 2 2 2 13
2 1 2 2 3 11
2 1 2 2 4 13
2 2 1 1 1 15
2 2 1 1 2 15
2 2 1 1 3 16
2 2 1 1 4 14
2 2 1 2 1 14
2 2 1 2 2 14
2 2 1 2 3 15
2 2 1 2 4 15
2 2 2 1 1 14
2 2 2 1 2 16
2 2 2 1 3 16
2 2 2 1 4 14
2 2 2 2 1 14
2 2 2 2 2 15
83
2 2 2 2 3 15
2 2 2 2 4 14
proc anova;
class A B C D r;
model resp = A B A*B C A*C A*B*C D A*D B*C B*D C*D
A*B*D A*C*D B*C*D A*B*C*D r;
means A B C D/tukey;
means A*B A*C A*D B*C B*D C*D/tukey;
means A*B*C A*B*D A*C*D B*C*D /tukey;
means A*B*C*D/tukey;
run;
Dependent Variable: resp
Source DF Sum Squares Mean Square F Value Pr>F

Corrected Total 63 237.3593750
r 3 4.67187500 1.55729167 0.64 0.5935
A 1 15.01562500 15.01562500 6.17 0.0168
B 1 17.01562500 17.01562500 6.99 0.0113
A*B 1 0.14062500 0.14062500 0.06 0.8112
C 1 31.64062500 31.64062500 12.99 0.0008
A*C 1 2.64062500 2.64062500 1.08 0.3033
A*B*C 1 1.89062500 1.89062500 0.78 0.3829
D 1 13.14062500 13.14062500 5.40 0.0248
A*D 1 0.14062500 0.14062500 0.06 0.8112
B*C 1 28.89062500 28.89062500 11.86 0.0012
B*D 1 0.01562500 0.01562500 0.01 0.9365
C*D 1 1.89062500 1.89062500 0.78 0.3829
A*B*D 1 4.51562500 4.51562500 1.85 0.1800
A*C*D 1 3.51562500 3.51562500 1.44 0.2358
B*C*D 1 1.89062500 1.89062500 0.78 0.3829
A*B*C*D 1 0.76562500 0.76562500 0.31 0.5778
Error 45 109.5781250
84
Luis A. Condo Plaza
0.538345 11.38770 1.560471

13.70313

Alpha 0.05
Tukey Grouping Mean N A

A 14.1875 32 2
B 13.2188 32 1

Alpha 0.05
85
Grouping Mean N B
A 14.2188 32 2
B 13.1875 32 1
The SAS System 21:35 Tuesday, May 4, 2011 5

Alpha 0.05
Tukey Grouping Mean N C

A 14.4063 32 1
B 13.0000 32 2
The ANOVA Procedure


86
Luis A. Condo Plaza
Alpha 0.05
Tukey Grouping Mean N D

A 14.1563 32 1
B 13.2500 32 2

A B N Mean Std Dev
1 1 16 12.7500000 2.32379001
1 2 16 13.6875000 1.62147053
2 1 16 13.6250000 2.24722051
2 2 16 14.7500000 0.77459667

A C N Mean Std Dev
1 1 16 12.7500000 2.32379001
1 2 16 13.6875000 1.62147053
2 1 16 13.6250000 2.24722051
2 2 16 14.7500000 0.77459667

A D N Mean Std Dev
1 1 16 13.6250000 1.96214169
1 2 16 12.8125000 2.07263922
2 1 16 14.6875000 1.49303941
87
2 2 16 13.6875000 1.88745861

B C N Mean Std Dev
1 1 16 14.5625000 1.96532440
1 2 16 11.8125000 1.72119145
2 1 16 14.2500000 1.23827837
2 2 16 14.1875000 1.51520076

B D N Mean Std Dev
1 1 16 13.6250000 2.24722051
1 2 16 12.7500000 2.32379001
2 1 16 14.6875000 1.01447852
2 2 16 13.7500000 1.52752523

C D N Mean Std Dev
1 1 16 14.6875000 1.19547759
1 2 16 14.1250000 1.96214169
2 1 16 13.6250000 2.15638587
2 2 16 12.3750000 1.66833250
Level Level Level -------------resp------------

A B C N Mean StdDev
1 1 1 8 14.5000000 1.69030851
1 1 2 8 11.0000000 1.30930734
1 2 1 8 13.7500000 1.48804762
1 2 2 8 13.6250000 1.84681192
2 1 1 8 14.6250000 2.32609421
2 1 2 8 12.6250000 1.76776695
2 2 1 8 14.7500000 0.70710678
88
Luis A. Condo Plaza
2 2 1 8 14.7500000 0.88640526

A B D N Mean StdDev
1 1 1 8 12.8750000 2.41646140
1 1 2 8 12.6250000 2.38671921
1 2 1 8 14.3750000 1.06066017
1 2 2 8 13.0000000 1.85164020
2 1 1 8 14.3750000 1.92260983
2 1 2 8 12.8750000 2.41646140
2 2 1 8 15.0000000 0.92582010
2 2 2 8 14.5000000 0.53452248

A C D N Mean StdDev
1 1 1 8 14.1250000 1.35620268
1 1 2 8 14.1250000 1.88509189
1 2 1 8 13.1250000 2.41646140
1 2 2 8 11.5000000 1.30930734
2 1 1 8 15.2500000 0.70710678
2 1 2 8 14.1250000 2.16712449
2 2 1 8 14.1250000 1.88509189
2 2 2 8 13.2500000 1.58113883

B C D N Mean StdDev
1 1 1 8 15.0000000 1.30930734
1 1 2 8 14.1250000 2.47487373
1 2 1 8 12.2500000 2.18762755
1 2 2 8 11.3750000 1.06066017
2 1 1 8 14.3750000 1.06066017
2 1 2 8 14.1250000 1.45773797
2 2 1 8 15.0000000 0.92582010
2 2 2 8 13.3750000 1.59798981
89
Level Level Level Level ---------resp------------

A B C D N NMean StdDev
1 1 1 1 4 14.5000000 1.73205081
1 1 1 2 4 14.5000000 1.91485422
1 1 2 1 4 11.2500000 1.89296945
1 1 2 2 4 10.7500000 0.50000000
1 2 1 1 4 13.7500000 0.95742711
1 2 1 2 4 13.7500000 2.06155281
1 2 2 1 4 15.0000000 0.81649658
1 2 2 2 4 12.2500000 1.50000000
2 1 1 1 4 15.5000000 0.57735027
2 1 1 2 4 13.7500000 3.20156212
2 1 2 1 4 13.2500000 2.21735578
2 1 2 2 4 12.0000000 1.15470054
2 2 1 1 4 15.0000000 0.81649658
2 2 1 2 4 14.5000000 0.57735027
2 2 2 1 4 15.0000000 1.15470054
2 2 2 2 4 14.5000000 0.57735027
90

Tomo Iii

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tomo Iii

Cargado por

Copyright:

Formatos disponibles

Diseño experimental

en el desarrollo del conocimiento científico

Luis A. Condo Plaza

José M. Pazmiño Guadalupe

CERTIFICACIÓN IEPI No. 037856 Trámite No. 000110.

Informe favorable de pares evaluadores externos según Oficio

Corrección, diseño y diagramación:

Prohibida la reproducción de este libro, por cualquier medio, sin la previa

Investigue y desarrolle dentro del ecosistema.

Como aspecto de importancia, es preciso coincidir con los criterios

De la misma manera se puede realizar con los experimentos trifacto-

R5 ,'#.5 ).(,5 '3),5 #( ),'#ĉ(5 +/5 (5 /(5 2*,#'(.)5

Es un tratamiento en estudio, al cual se designan letras mayúsculas.

Los niveles de un factor son denotados por letras minúsculas con

Dependiendo de la naturaleza de los niveles de los factores, estos pue-

Tipos de experimentos factoriales

Un experimento factorial queda definido por el número de factores

Efecto de los experimentos factoriales

Efecto principal.- Es el efecto de un factor en promedio sobre el otro factor;

R5 55(51: ES(A(b1)) = a1b1 - a2b1

Efecto simple (ES).- Es el efecto de un factor en un nivel de los demás

Efecto de interacción.- Está dado por la variación que tiene un efecto

Efecto cruzado (EC).- Está dado por las combinaciones cruzadas de

R5 (.,51b1 y a2b2: EC(a1b1 – a2b2) = a1b1 – a2b2

En definitiva, el estudioso, en sus trabajos, utiliza más de una variable

Cuadro 22. Esquema de factores e interacción

Factor B Líneas Factor A Combinación de los

De esta manera estaríamos cumpliendo con un principio básico de

Interacción.- Consiste en manejar la interactuación entre más de

Cuadro 23. Efectos simples de factores

Los efectos principales son positivos y las interacciones negativas.

en el factorial de 22, indicado arriba, pueden ser descompuestos en grados

Diseño completamente al azar en arreglo combinatorio

Al igual que en experimentos simples, el diseño completo al azar en

SCTotal = ∑(X - x)2

SCAB = SCTrat - SCA - SCB

SCError = SCTotal - SCA - SCB - SCAB

Al igual que en los cuadrados medios de los experimentos simples,

Modelo lineal aditivo

Yijk = µ + j + k +( )jk + Cijk

Yijk : valor estimado de la variable

En el modelo II, veremos que la interacción A x B es un componen-

Cuadro 24. Modelación matemática I y II para

Comparación ortogonal sobre la base

La prueba de F con más de un grado de libertad para cada cuadrado

M = ∑iCiTi, donde: ∑iCi = 0

Las Ci son constantes numéricas (coeficientes de contrastes), íntegras

Los experimentos factoriales son comunmente encontrados en la Es-

compleja, pero esa es la realidad que debemos aceptar y enfocarnos más a

Cuadro 25. Porcentaje de emergencia a los 60 días del nogal

Remojo H2O ambiente TN + T + A 60,00 56,00 52,00 168,00 56,00

Para ejemplificar el experimento factorial bajo un diseño comple-

SCTotal = ∑(X - x)2

SCTotal = (20 - 23,79)2 + ..... + (4 - 23,79)2 = 20444,58

(56 - 71,36)2 + ..... + (16 - 71,36)2

SCError = SCTotal - SCTrat

SCError = 20444,58 - 19847,25 = 597,33

(284 - 356,80)2 + ..... + (120 - 992)2

(348 - 356,80)2 + (356 - 356,80)2

SCAB = SCTrat - SCA - SCB

SCAB = 19847,25 - 19561,38 - 22,19 = 263,68

SCError = SCTotal - SCA - SCB - SCAB

SCError = 20444,58 - 19561,38 - 22,19 - 263,68 = 597,33

R5 ,'#.5 ).(,5 '3),5 #( ),'#ĉ(5 +/5 (5 /(5 2*,#'(.)5

R5 55(51: ES(A(b1)) = a1b1 - a2b1

R5 (.,51b1 y a2b2: EC(a1b1 – a2b2) = a1b1 – a2b2