Texto Guía de La Escuela de Forestal Diseños Experimentales

UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD DE CIENCIAS AMBIENTALES
CARRERA DE INGENIERÍA FORESTAL
TEXTO GUÍA DE LA ESCUELA DE FORESTAL
DISEÑOS EXPERIMENTALES
Quevedo- Los Ríos - Ecuador
2013
Suatunce P. 2013. Diseños Experimentales
UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO

FACULTAD DE CIENCIAS AMBIENTALES
CARRERA DE INGENIERÍA FORESTAL
TEXTO GUÍA DE LA ESCUELA DE FORESTAL
DISEÑOS EXPERIMENTALES
AUTOR:
José Pedro Suatunce C.
Quevedo- Los Ríos - Ecuador
2013
1
PREFACIO
El siguiente texto guía es el resultado de una amplia revisión bibliográfica sobre el

diseño de experimentos; la recolección, tabulación y análisis de datos; así como la
interpretación de los resultados obtenidos en un experimento. La información obtenida
de varias fuentes y distintos autores ha servido de base para estructurar este texto guía
de la forma más concisa posible, tratando de mantener una secuencia y una visión
actualizada del diseño de experimentos. Además, destaca la importancia del diseño de
los experimentos en las investigaciones agropecuarias, especialmente en el campo
forestal.
En este texto guía se ha intentado desarrollar los temas partiendo de los diseños más
sencillos hasta los más complejos, tales como los diseños con arreglos especiales. Los
objetivos de este texto guía son: aportar con conceptos y elementos que incentiven la
reflexión, el intercambio de opiniones y contribuir a una apropiada planificación de las
investigaciones agrícolas y forestales, por parte de los estudiantes y técnicos.
Existe mucha información acumulada sobre el diseño de experimentos. Pero la

información sobre diseños experimentales en el campo forestal se encuentra dispersa y
fragmentada, y existen pocos documentos con información completa y debidamente
ordenada. Pienso que este pequeño esfuerzo puede contribuir en algo al conocimiento
sobre el proceso del diseño de experimentos en el campo agronómico y forestal. Está
dirigida tanto, estudiantes que se inicia en un curso de Diseños Experimentales, así
como a técnicos y profesionales del área agrícola y forestal, que deseen obtener
información sobre el diseño de experimentos. Espero, con ilusión, que esta guía sea
una fuente de consulta para quienes tengan interés en conocer sobre el diseño de
experimentos.
2
ÍNDICE
CONTENIDO Páginas
Portada.…………………………………………………………………………………….
Portadilla……………………………………………………………………….……….…. 1
Prefacio……………………………………………………………………………………. 2
Índice……………………………………………………………..……………................. 3
Dedicatoria..……………………………………………………..……………................. 4
1. INTRODIUCCIÓN................................................................................................. 5
1.1. Definición y Objetivos del Diseño Experimental................................................ 5
1.2. Tipos de Diseños Experimentales..…................................................................ 5
2. DISEÑO COMPLETAMENTE AL AZAR (DCA)……………………………………. 6
2.1. Descripción y Aplicación……………………………………………………………. 6
2.2. Diseño completamente al azar con igual número de repeticiones…................. 6
2.3. Diseño completamente al azar con desigual número de repeticiones.……...... 14
3. DISEÑO DE BLOQUES AL AZAR………………………………………….............. 17
3.1. Descripción y Aplicación……...………………………...…………………………. 17
3.2. Análisis de Varianza……………. 17
……………………...........................................
3.3. Pruebas de rangos múltiples………..……………………………………………… 18
4. DISEÑO CUADRADO LATINO…………………………………..……………...…… 20
4.1. Descripción y Aplicación……...………………………...…………..……………… 20
4.2. Análisis de Varianza………………………………………………………............... 20
4.3. Pruebas de Rangos múltiples…………….………..……………………............... 22
5. EXPERIMENTOS FACTORIALES.……...………...………...……………………… 23
5.2. Interacciones…………………………………………………………………………. 24
5.3. Análisis de Varianza………………………………………………………………… 25
6. PARCELAS DIVIDIDAS………...…………..……………………….………………... 29
5.2. Análisis de Varianza………………………………………………………………… 30
7. GLOSARIO DE TÉRMINOS…………………………...………………….………….. 33
8. BIBLIOGRAFÍA………………………………………………………………………… 35
ANEXOS…………………………………………..…………….………………………… 36
3
DEDICATORIA
Para mi amada esposa Lorena y mis queridos hijos: Sebastián, Omar, Evelin y Eliana.
1. INTRODUCCIÓN
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental, y que en nuestros
4
está muy desarrollada y ampliada. Las aplicaciones son múltiples, especialmente en la

investigación de las ciencias naturales, ingeniería, laboratorios y casi todas las ramas
de las ciencias sociales. La experimentación proporciona los datos experimentales, en
contraste con los datos de la observación, las cuales se representan por observaciones
de las unidades elementales de una población o de una muestra y no deben ser
cambiados ni modificados por el investigador. La obtención de los resultados exactos y
comparables de una investigación depende de las condiciones en las cuales se realiza
el experimento, es decir, del planeamiento y conducción de los experimentos en
relación con los objetivos, el análisis y la eficiencia de un ensayo. Por lo tanto el diseño
de los experimentos es un factor muy importante que determina la calidad de los datos
experimentales.
1.1. Definición y Objetivos de Diseño Experimental
Diseño experimental es un procedimiento mediante el cual se indica la secuencia

completa de pasos que se planifican de antemano para asegurar la obtención de datos
apropiados, de modo que permitan un análisis objetivo que conduzca a deducciones
válidas con respecto al problema establecido (Ostle, 1965). Es un estudio de
investigación en el cual se manipulan deliberadamente una o más variables
independientes (supuestas causas) para analizar las consecuencias de esa
manipulación sobre una o más variables dependientes (supuestos efectos), dentro de
una situación de control para el investigador” (Hernández, 1991). El diseño
experimental constituye una herramienta fundamental en el desarrollo del método
científico. El objetivo principal del diseño experimental es asegurar condiciones iguales
para la comparación de las variables que se experimentan, eliminando al máximo la
influencia de la variación de las condiciones medioambientales, y proporcionar métodos
que permitan disminuir el error experimental y obtener la mayor cantidad de
información válida acerca de una investigación, teniendo en cuenta el costo y el uso
adecuado del material disponible.
1.2. Tipos de Diseños Experimentales
En la investigación experimental existen diferentes esquemas o diseños que se ajustan

a la las distintas características de los estudios investigativos y son utilizados de
acuerdo con el número y la naturaleza de los tratamientos a estudiar. Entre los diseños
más utilizados tenemos:
 Diseño completamente al azar

 Diseño de bloques al azar
 Diseño cuadrado latino
 Diseño en arreglos factoriales
 Diseño de parcelas divididas
2. DISEÑO COMPLETAMENTE AL AZAR (DCA)
2.1. Descripción y Aplicación
5
Este diseño es el más simple y tiene como una característica fundamental, que está
basado en la utilización de las repeticiones y la aleatorización independiente una de
otra y cada tratamiento se repite varias veces, pudiendo variar el número de
repeticiones de un tratamiento a otro. Este diseño es útil cuando las unidades
experimentales son esencialmente homogéneas, es decir, cuando la variación entre
ellas es pequeña y agruparlas en bloques sería poco más que un proceso aleatorio.
Este es el caso de muchos experimentos de laboratorio, o en experimentos con
animales y plantas con condiciones ambientales muy parecidas.
La aleatorización se logra asignando tratamientos a las unidades experimentales de

manera completamente al azar. No se imponen ninguna restricción a la aleatorización
como en el caso que se requiere que un bloque contenga todos los tratamientos . En
este diseño, cada unidad experimental tiene la misma probabilidad de recibir un
tratamiento, esto es, que si hay n unidades experimentales cualquiera de los n
tratamientos tiene la misma probabilidad de caer en cualquier unidad experimental. A
continuación tenemos gráficos de tres formas de distribución al azar de cuatro
tratamientos con tres repeticiones.
4 3 1 3 4 3 1 3 2 1 4 2 3 2 4 1
2 1 4 2
3 2 4 1 4 3 1 3 2 1 4 2
3 2 4 1
2.2. Diseño Completamente al Azar con Igual número de repeticiones
En este tipo de diseño todos los tratamientos tienen el mismo número de repeticiones.
2.2.1. Análisis de variancia
El análisis de varianza (ANDEVA o ANOVA) es una técnica estadística que sirve para
analizar la variación total de los resultados experimentales de un diseño en particular,
descomponiéndolo en fuentes de variación independientes atribuibles a cada uno de
los efectos en que constituye el diseño experimental. Esta técnica tiene como objetivo
identificar la importancia de los diferentes factores ó tratamientos en estudio y
determinar como interactúan entre sí. La prueba de F es el criterio de comparación de
la variabilidad; la prueba de F indicará si los efectos de todos los tratamientos son
iguales o diferentes; en caso de aceptar la hipótesis de que todos los tratamientos no
tienen el mismo efecto, entonces es necesario realizar pruebas de comparación de
promedios a fin de saber entre que tratamientos hay diferencias, y para esto es
necesario realizar pruebas de comparación múltiple. El modelo lineal de este diseño es:
xi =  + Ti + Eij.
Para obtener el valor de F hay que seguir una serie de procedimientos. A continuación
se presenta el modelo general del análisis de varianza (ANDEVA) para el diseño
completamente al azar con igual número de repeticiones.
1. ANDEVA para el modelo xi =  + Ti + Eij.
Fuente de Variación GL. Suma de Cuadrados Cuadrado Medio F
6
Tratamientos t-1 SCT SCT/gl CMT/CME

Error t(r-1) SCE SCE/gl
Total (t* r )-1 SCTot -----
t= tratamientos; r = repeticiones
SCT = suma de cuadrados de los tratamientos

SCE = suma de cuadrado del Error
SCTot = suma de cuadrado total
CMT = cuadrado medio de los tratamientos
CME = cuadrado medio del error
Para calcular las sumas de cuadrados se requiere, primero, encontrar el factor de

corrección (Fc), que se obtiene elevando a la segunda potencia la gran suma (x..) y
dividiendo para el número de observaciones. En fórmula tenemos:
Fc = (x..)2/n = (Xij)2/n = (Xij)2/n; en esta fórmula n = ri o t*r

SCT = (Xi2/r) – Fc; la SCT también se puede obtener como sigue:
SCT = r[(i -..)2]; .. = x../n donde:
i = media de cada tratamiento.

x.. = gran suma
.. = media general (media de las medias).
SCTot = Xi2 - Fc
SCE = SCTot - SCT
Para realizar las comparaciones existen los valores tabulados que se presentan en una
tabla denominada de F en la que se encuentran valores para 5 probabilidades y varios
pares de grados de libertad de numerador (tratamientos) y denominador (error).
Ejemplo de ANDEVA para el modelo xi =  + Ti + Eij.
Determinar si existe diferencia de incremento en diámetro de árboles de guayacán que

se aplicaron tres dosis de fertilizantes. Los incrementos en diámetros para cada
tratamiento fueron los siguientes:
A (T1) B (T2) C (T3) Total

2 4 6 12
4 6 8 18
6 8 10 24
 12 18 24 54
 4 6 8 6
La suma total o la gran suma (x..) es = 54, y la media general ( ..) es = 6
Necesitamos calcular factor de corrección (Fc) y las sumas de cuadrados para

completar el cuadro del análisis de varianza.
Fc = (xij)2/n = (xij)2/n = (54)2/9 = 2916/9 = 324
SCT = (xi2/r) – Fc = [(122 + 182 + 242)/3]- 324 = (1044/3) – 324 = 348 – 324 =24
Utilizando la otra fórmula también obtenemos el mismo resultado.
7
SCT = r[([(i -..)2] = 3[(4-6)2 + (6-6)2 + (8-6)2] = 3(4 + 0 + 4) =24
SCTot = xi2 - Fc = (22 + 42 + 62 + 42 + 62 + 82 + 62 + 82 + 102)–324=372–324 =48
SCE = SCTot - SCT = 48 – 24 = 24
Cuadro del análisis de varianza (ANDEVA)

Tratamientos 2 24 12 3
Error 6 24 4
Total 8 48 16
Además podemos calcular el Coeficiente de variación mediante la fórmula siguiente:
CV (%) = (s/..)*100 = [(CME)/ ..]*100 = [(4)/6]*100 = 33,33
Las hipótesis son las siguientes:
Ho: 1 = 2 = 3
Ha: 1  2  3
A continuación hay que buscar el valor de F en la tabla. Para esto establecemos el
nivel de significancia de 0.05 y los grados de libertad para el numerador son 2 y para el
denominador son 6 (F0.05; 2, 6) = 5.14. Debido a que F calculado es menor que F de la
tabla se acepta Ho, es decir, que no hay diferencias entre los tratamientos.
2.2.2. Pruebas de Comparación de Promedios de los Tratamientos
Cuando se determina que existen diferencias estadísticas (altamente significativas o

significativas) entre los tratamientos, el siguiente paso que se debe realizar es la
comparación entre los promedios de los tratamientos. Para la comparación de los
promedios existen varias pruebas, denominadas de Rangos Múltiples; entre los más
utilizados tenemos:
 Prueba de Duncan
 Prueba de Tukey
 Student-Newman-Keuls o S-N-K.
 Prueba de DLS
 Prueba de DMS
2.2.3. Prueba de rangos múltiples de Duncan
Esta prueba fue por Duncan en 1955, es una prueba bastante popular, que utiliza un
nivel de significancia variable que depende del número de medias que entran en una
etapa. Este procedimiento es utilizado para realizar comparaciones múltiples de medias
entre sí, sin restricciones. Se puede efectuar t(t-1)/2 comparaciones. Para realizar esta
prueba no es necesario realizar previamente la prueba de F y que ésta resulte
8
significativa; sin embargo, es recomendable efectuar esta prueba después que la

prueba de F haya resultado significativa, a fin de evitar contradicciones entre ambas
pruebas. La prueba de Duncan utiliza un conjunto de valores críticos o amplitudes de
límites de significancia (ALS) obtenidos mediante la fórmula:
Rp = qα(p, gl error)s, donde:
Rp = es el valor crítico
qα = amplitud estudentizada de significancia (AES), para α= 0,05 y 0,01.
p = t = número total de tratamientos, p = t-1 (para valores en la tabla).
s = error estándar = (CME/r); CME= cuadrado medio del error y r= repeticiones.
Una forma de determinar los valores críticos (ALS) consiste en multiplicar cada valor de
AES (al 0,05 y 0,01) por el valor del error estándar (ALS = AES* s ). Una vez obtenido
los AES se ordenan los promedios y se realiza la resta entre los promedios, y la
diferencia se compara con cada valor crítico correspondiente para determinar si existe
diferencia significativa o no. Si la diferencia es mayor que las ALS, al 0,05 y 0,01, se
dice que hay diferencia altamente significativa (**); si la diferencia es mayor que la ALS,
únicamente al 0,05, se dice que hay diferencia significativa (*); si la diferencia es menor
que la ALS, al 0,05, se dice que no hay significancia (ns). Para cuestiones prácticas se
acostumbra agrupar los promedios de los tratamientos por medio de letras o líneas; los
promedios que no presentan diferencias entre sí tienen la misma letra o se unen con
una línea; los promedios que presentan diferencias llevan letras distintas.
Ejemplo. Se desea probar el efecto de ocho niveles de fertilizante nitrogenado sobre el

crecimiento en diámetro del laurel (Cordia alliodora), para lo cual se utilizó un diseño
completamente al azar, con cinco repeticiones. Los datos de diámetro registrados en el
ensayo fueron como se indica:
Rep. Tratamientos Σ 
1 2 3 4 5 6 7 8
1 2 3 6 4 2 6 1 5 29 3,625
2 3 4 2 3 1 7 2 4 26 3,250
3 2 5 7 2 2 5 1 3 27 3,375
4 4 6 5 5 4 4 1 2 31 3,875
5 2 3 6 3 1 3 2 6 26 3,250
Σ 13 21 26 17 10 25 7 20 139
 2,6 4,2 5,2 3,4 2,0 5,0 1,4 4,9 3,475
Fc = (xij)2/n = (xij)2/n = (139)2/40 = 19321/40 = 483,025
SCT = (xi2/r) – Fc = [(132+212+262+172+102+252+72+202)/5]- 483,025 = (2749/5) –

483,025 = 549,80 – 483,025 = 66,775
9
SCTot = xi2 - Fc = (22 + 32 + 22 + …+ 62) – 483,025 = 123,975
SCE = SCTot - SCT = 123,975 – 66,775 = 57,20

Tratamientos 7 66,775 9,53 5,33
Error 32 57,200 1,78
Total 39 123,975
CV (%) = (s/..)*100 = [(CME)/ ..]*100 = [(1,78)/3,475]*100 = 38,39
Ho: no existe diferencia entre los niveles de fertilizante

Ha: sí existe diferencia entre los niveles de fertilizante
El valor de F en la tabla, al nivel de significancia de 0.05 y 0,01, con 7 grados de
libertad para el numerador y 32 grados de libertad para el denominador es como se
indica: F0.05; 7, 32 = 2,33 y F0.01; 7, 32 = 3,25. Debido a que F calculado es mayor que F de la
tabla se rechaza Ho, y se acepta Ha, al 5 y 1 %. Es decir, que sí hay diferencias entre
los tratamientos, y por tanto se debe aplicar la prueba de Duncan, propuesto para este
ejemplo. Para realizar las comparaciones aplicamos la fórmula para encontrar los
valores críticos:
Rp = qα(p, gl error)s
S = (√S2/r) = (√CME/r) = (√1,78/5) = 0,597
A continuación buscamos los valores de las AES al 0,05 y 0,01. En este caso tomamos
los valores de las AES con 30 gl para el error, por que no se encuentra 32 en la tabla.
P 2 3 4 5 6 7 8
AES 5% 2,89 3,04 3,12 3,20 3,25 3,29 3,32
1% 3,89 4,06 4,16 4,22 4,32 4,36 4,41
Luego multiplicamos por S cada valor de la AES para obtener as ALS.
P 2 3 4 5 6 7 8
ALS 5% 1,73 1,82 1,86 1,91 1,94 1,96 1,98
1% 2,33 2,43 2,50 2,53 2,58 2,61 2,64
Ordenando los promedios de los tratamientos en forma ascendente se tiene:
Trat. 7 5 1 4 8 2 6 3
Prom. 1,4 2,0 2,6 3,4 4,0 4,2 5,0 5,2
Orden I II III IV V VI VII VII
Las comparaciones que se pueden realizar sería: t(t-1)/2 = 8(8-1)/2 = 28.
10
Para encontrar las diferencias restamos de la media mayor las demás medias en orden
de la menor a la mayor. Luego restamos de la media que sigue a la mayor las medias
restantes en el orden señalado y así sucesivamente hasta encontrar las diferencias de
las 28 comparaciones. Una vez encontradas las diferencias comparamos con los
valores críticos de Duncan para determinar si existe diferencia significativa o no.
VIII - I = 5,2 - 1,4 = 3,8 ** V-I = 4,0 - 1,4 = 2,6 **

VIII - II = 5,2 – 2,0 = 3,2 ** V - II = 4,0 - 2,0 = 2,0 *
VIII - III = 5,2 - 2,6 = 2,6 ** V - III = 4,0 - 2,6 = 1,4 ns
VIII - IV = 5,2 - 3,4 = 1,8 ns V - IV = 4,0 - 3,4 = 0,6 ns
VIII - V = 5,2 - 4,0 = 1,2 ns
VIII - VI = 5,2 - 4,2 = 1,0 ns IV - I = 3,4 - 1,4 = 2,0 *
VIII - VII = 5,2 - 5,0 = 0,2 ns IV - II = 3,4 - 2,0 = 1,4 ns
IV - III = 3,4 - 2,6 = 0,8 ns
VII - I = 5,0 - 1,4 = 3,6 **
VII - II = 5,0 - 2,0 = 3,0 ** III - I = 2,6 - 1,4 = 1,2 ns
VII - III = 5,0 - 2,6 = 2,4 * III - II = 2,6 - 2,0 = 0,6 ns
VII - IV = 5,0 - 3,4 = 1,6 ns
VII - V = 5,0 - 4,0 = 1,0 ns II - I = 2,0 - 1,4 = 0,6 ns
VII - VI = 5,0 - 4,2 = 0,8 ns
VI - I = 4,2 - 1,4 = 2,8 **

VI - II = 4,2 – 2,0 = 2,2 *
VI - III = 4,2 - 2,6 = 1,6 ns
VI - IV = 4,2 - 3,4 = 0,8 ns
VI - V = 4,2 - 4,0 = 0,2 ns
Cuando la diferencia es mayor al valor crítico tanto al 5 % como al 1 % (**), los

tratamientos se indican con letras distintas. Cuando la diferencia es mayor al valor
crítico únicamente al 5 % (*) y cuando la diferencia es menor al valor crítico al 5 % (ns),
los tratamientos se indican con letras iguales o se unen con líneas.
Ejemplo:
3 5,2 a
6 5,0 a
2 4,2 ab
8 4,0 abc
4 3,4 abcd
1 2,6 bcd
5 2,0 cd
7 1,4 d
Trat. 7 5 1 4 8 2 6 3
Prom. 1,4 2,0 2,6 3,4 4,0 4,2 5,0 5,2
Los resultados de este ejemplo nos permiten concluir que los mejores tratamientos son
3 y 6, y el inferior es el tratamiento 7. Sin embargo, es importante señalar que,
11
estadísticamente, son iguales los tratamientos: 3, 6, 2, 8 y 4; así como los tratamientos:

2, 8, 4 y 1; 4, 1 y 5; 1, 5 y 7.
2.2.4. Prueba de rangos múltiples de Tukey
Este procedimiento es llamado también «Diferencia Significativa Honesta» y hace uso

de la amplitud “studentizada”. Se utiliza para realizar comparaciones múltiples de
medias y es válida cuando las repeticiones están completas. Esta prueba es similar a la
prueba de Duncan en cuanto a su procedimiento y además es más exigente. Se puede
efectuar t(t-1)/2 comparaciones. La prueba de Tukey utiliza un solo valor crítico o
amplitud de límites de significancia (ALS) para juzgar la significancia de todas las
diferencias, y por lo tanto es rápido y fácil de usar. El valor crítico para la prueba de
Tukey se obtiene mediante la fórmula:
W = qα(gl error, p = t)s, donde:
W = es el valor crítico
qα(gl error, p = t) = amplitud estudentizada de significancia (AES) de Tukey, α= 0,05 y

0,01 para grados de libertad del error y p = número de tratamientos.
s = error estándar = (CME/r); CME= cuadrado medio del error y r= repeticiones.
Si utilizamos el ejemplo anterior (efecto de ocho niveles de fertilizante nitrogenado

sobre el crecimiento en diámetro del laurel (Cordia alliodora) tenemos:
W = qα(gl error, p = t)s = W = q(α= 0,05 y 0,01; gl error =32 y 8 tratamientos)*(CME/r)

W = Valor de la tabla de Tukey (α = 0,05 y 0,01; gl error = 30 y 8 tratamientos)*(0,597)
W (0,05)= 4,60 (0,597) = 2,746

W (0,01)= 5,54 (0,597) = 3,307
Siguiendo con el ejemplo tenemos los promedios ordenados como se indican:
Trat. 7 5 1 4 8 2 6 3
Prom. 1,4 2,0 2,6 3,4 4,0 4,2 5,0 5,2
Orden I II III IV V VI VII VII
Para encontrar las diferencias restamos de la media mayor las demás medias en orden
de la menor a la mayor. Luego restamos de la media que sigue a la mayor las medias
restantes en el orden señalado y así sucesivamente hasta encontrar las diferencias de
las 28 comparaciones. Una vez encontradas las diferencias comparamos con el valor
crítico de Tukey para determinar si existe diferencia significativa o no.
* Nota: Cuando en la tabla no se encuentra el valor para el gl. del error se considera el valor más
próximo (cuando la diferencia no es mayor de tres gl.) o se procede a interpolar (cuando la diferencia es
mayor a tres gl.) mediante la diferencia de los valores de dos extremos conocidos.
12
Al igual que en el caso anterior (Prueba de Duncan) encontramos las diferencias y

comparamos con el valor crítico de Tukey al 0,05 y 0,01.
VIII - I = 5,2 - 1,4 = 3,8 ** V-I = 4,0 - 1,4 = 2,6 ns

VIII - II = 5,2 – 2,0 = 3,2 * V - II = 4,0 - 2,0 = 2,0 ns
VIII - III = 5,2 - 2,6 = 2,6 ns V - III = 4,0 - 2,6 = 1,4 ns
VIII - IV = 5,2 - 3,4 = 1,8 ns V - IV = 4,0 - 3,4 = 0,6 ns
VIII - V = 5,2 - 4,0 = 1,2 ns
VIII - VI = 5,2 - 4,2 = 1,0 ns IV - I = 3,4 - 1,4 = 2,0 ns
VIII - VII = 5,2 - 5,0 = 0,2 ns IV - II = 3,4 - 2,0 = 1,4 ns
IV - III = 3,4 - 2,6 = 0,8 ns
VII - I = 5,0 - 1,4 = 3,6 **
VII - II = 5,0 - 2,0 = 3,0 * III - I = 2,6 - 1,4 = 1,2 ns
VII - III = 5,0 - 2,6 = 2,4 ns III - II = 2,6 - 2,0 = 0,6 ns
VII - IV = 5,0 - 3,4 = 1,6 ns
VII - V = 5,0 - 4,0 = 1,0 ns II - I = 2,0 - 1,4 = 0,6 ns
VII - VI = 5,0 - 4,2 = 0,8 ns
VI - I = 4,2 - 1,4 = 2,8 *

VI - II = 4,2 – 2,0 = 2,2 ns
VI - III = 4,2 - 2,6 = 1,6 ns
VI - IV = 4,2 - 3,4 = 0,8 ns
VI - V = 4,2 - 4,0 = 0,2 ns
Seguimos el procedimiento y determinamos si la diferencia es mayor al valor crítico. Si

la diferencia es mayor tanto al 5 % como al 1 % (**), los tratamientos se indican con
letras distintas. Cuando la diferencia es mayor al valor crítico únicamente al 5 % (*) y
cuando la diferencia es menor al valor crítico al 5 % (ns), los tratamientos se indican
con letras iguales o se unen con líneas.
3 5,2 a
6 5,0 a
2 4,2 ab
8 4,0 abc
4 3,4 abc
1 2,6 abc
5 2,0 bc
7 1,4 c
Trat. 7 5 1 4 8 2 6 3
Prom. 1,4 2,0 2,6 3,4 4,0 4,2 5,0 5,2
Al igual que con la prueba anterior, podemos concluir que los mejores tratamientos son
3 y 6, y el inferior es el tratamiento 7. Pero a diferencia del caso anterior hay tres
grupos de tratamientos que son estadísticamente iguales: 3, 6, 2, 8, 4 y 1; 2, 8, 4, 1 y 5;
8, 4, 1, 5 y 7.
2.3. Diseño Completamente al Azar con desigual número de repeticiones
13
Este es un caso particular del diseño completamente al azar en el que se puede

establecer diferente número de repeticiones por tratamientos. Este caso puede darse
por una planificación antes del experimento (aunque no se recomienda) y cuando se
pierden algunas parcelas por cualquier factor que no es manejable por el investigador.
El análisis de varianza para este diseño se indica el siguiente ejemplo.
Se decidió probar el efecto de cuatro dosis de fertilizante completo, aplicado en el

momento de la plantación, sobre el crecimiento en altura de la teca (Tectona grandis).
El ensayo se estableció bajo el Diseño Completamente al Azar con igual número de
repeticiones. Pero debido a los factores externos se perdieron algunas parcelas y se
tuvo que recurrir al análisis de varianza para Diseño Completamente al Azar con
distinto número de repeticiones. Los datos de altura registrados se presentan a
continuación:
Rep. Tratamientos (Dosis) Σ 

1 2 3 4
1 45,0 35,0 34,0 41,0 155,0 38,75
2 46,0 33,0 34,0 41,0 154,0 38,50
3 49,0 35,0 44,0 128,0 42,66
4 44,0 34,0 43,0 121,0 40,33
5 33,0 41,0 74,0 37,00
6 42,0 42,0 42,00
7 44,0 44,0 44,00
8 41,0 41,0 41,00
9 41,0 41,0 41,00
Σ 184,0 68,0 170,0 378,0 800,0

 46,0 34,0 34,0 42,0 40,00
Fc = (xij)2/n = (xij)2/n = (800)2/20 = 640000/20 = 32000
La suma de cuadrado de los tratamientos (SCT) se obtiene elevando a la segunda

potencia la sumatoria de cada tratamiento y dividiendo para el número de repetición
respectivo, y al resultado le restamos el FC. En fórmula tenemos:
SCT = (x12/r1+x22/r2+x32/r3+ ... +xn2/rn) – Fc
SCT = [(1842/4)+(682/2)+(1702/5)+(3782/9]- 32000 = (8464+2312+5780+15876)- 32000
SCT = 32432 – 32000 = 432
SCTot = xi2 - Fc = (452 + 462 + 492 + …+ 42) = 31536 – 32000 = 464
SCE = SCTot - SCT = 464 – 432 = 32
A continuación se presenta el cuadro del análisis de varianza.
14
Fuente de Variación GL.* Suma de Cuadrados Cuadrado medio F

Tratamientos 3 432 144 72
Error 16 32 2
Total 19 464
* gl de tratamientos = (t-1) = (4-1) = 3; gl del error = (n-t )= (20-4) = 16; gl total = (n-1) =
(20-1) = 19
CV (%) = (s/..)*100 = [(CME)/ ..]*100 = [(2)/40]*100 = 3,52
Ho: no existe diferencia entre las dosis de fertilizante

Ha: sí existe diferencia entre las dosis de fertilizante
El valor de F en la tabla, al nivel de significancia de 0.05 y 0,01, con 3 grados de
libertad para el numerador y 16 grados de libertad para el denominador es como se
indica: F0.05; 3, 16 = 3,24 y F0.01; 3, 16 = 5,29. En vista de que el F calculado es mayor que F
de la tabla se rechaza Ho, y se acepta Ha, al 5 y 1 %. Es decir, que sí hay diferencias
entre los tratamientos, y por tanto se debe aplicar la prueba de Duncan, ya que no se
puede aplicar Tukey para diseños con desigual número de repeticiones. Para realizar
las comparaciones aplicamos la fórmula para encontrar los valores críticos:
Rp = qα(p, gl error)s
S = (√S2/r) = (√CME/r mayor*) = (√2/9) = 0,157
Para el caso de desigual número de repeticiones se utiliza el número de repetición

original (sin parcelas perdidas) o el número mayor de repetición (cuando se planifica a
propósito).
A continuación buscamos los valores de las AES al 0,05 y 0,01. En este caso tomamos
los valores de las AES con 16 gl para el error.
P 2 3 4
AES 5% 3,00 3,15 3,23
1% 4,13 4,34 4,45
Luego multiplicamos por S cada valor de la AES para obtener as ALS.
P 2 3 4
ALS 5% 0,47 0,49 0,51
1% 0,64 0,68 0,70
Trat. 2 3 4 1
Prom. 34 34 42 46
Orden I II III IV
15
Para encontrar las diferencias restamos seguimos el procedimiento ya conocido para

esta prueba y encontrar las diferencias de las 6 comparaciones, para determinar si
existe o no diferencia significativa.
IV - I = 46 - 34 = 12 **
IV - II = 46 - 34 = 12 **
IV - III = 46 - 42 = 4 **
III - I = 42 - 34 = 8 **
III - II = 42 - 34 = 8 **
II - I = 34 - 34 = 0 ns
Una vez encontrada las diferencias aplicamos los criterios ya conocidos para esta
prueba y agrupamos los tratamientos según las letras o unidos por una línea.
1 46 a
4 42 b
3 34 c
2 34 c
Trat. 2 3 4 1
Prom. 34 34 42 46
Los resultados de este ejemplo nos permiten concluir que el mejor tratamiento es el 1 y
los inferiores son el 2 y 3.
3. DISEÑO DE BLOQUES AL AZAR
El diseño de bloques al azar es el más fácil para ejecutarlo y es muy utilizado en las
investigaciones agropecuarias. Se puede usar cuando las unidades experimentales
pueden agruparse en bloques; cada bloque se constituye en una repetición del
experimento. El objetivo del agrupamiento es lograr que las unidades en un bloque
sean tan uniformes como sea posible, de modo que las diferencias observadas se
deban en gran parte a los tratamientos. Dentro de cada bloque los tratamientos se
disponen al azar. La forma de los bloques puede ser cuadrada o rectangular y pueden
estar distribuidos de diversas formas.
4 2 1 3
4 2 2 1
2 1 3 4 1 3 3 4
3 2 4 1 3 2 4 1
4 4 2 3
4 1 2 3
16
El modelo lineal para este diseño es: xij =  + Ti + Bj + Eij.
3.2. Análisis de Varianza del Diseño de Bloques al Azar
El análisis de varianza para el diseño de bloques al azar es como se indica a

continuación:
2. ANDEVA Para el modelo x =  + Ti + Bj + Eij.
Fuente de Variación Gl. Suma de Cuadrados Cuadrado medio F

Repetición r-1 SCR SCR/gl CMT/CME
Error (t-1) (r-1) SCE SCE/gl
Total (t* r )-1 SCTot -----
Los pasos para el cálculo de las sumas de cuadrados, para el diseño de bloques al
azar, son similares a la del diseño completamente al azar. En este caso se tiene que
calcular la suma de cuadrados de la repetición (SCR) que se obtiene mediante la
fórmula siguiente:
SCR = xj2/t - Fc.
La suma de cuadrados del error se obtiene de la siguiente forma:
SCE = SCTot – SCT – SCR.
Ejemplo: Determinar si existe diferencia en el crecimiento en altura (cm) de cuatro

procedencias de teca establecidas en bloques. Los datos fueron los siguientes:
Trat. I II III IV T 
1 23 31 18 27 99 24.75
2 24 26 28 28 106 26.50
3 32 28 33 34 127 31.75
4 38 42 32 38 150 37.50
R 117 127 111 127 482
 29.25 31.75 27.75 31.75
Fc = (xij)2/n = (xij)2/n = (482)2/16 = 232324/16 = 14520.25
En el diseño de bloque al azar, además de los cálculos que se realizan en el diseño

complemente al azar, se debe encontrar la suma de cuadrados para las repeticiones
aplicando la fórmula respectiva:
SCR = Xj2/t – Fc = [(1172 + 1272 +1112 + 1272)/4]- 14520.25 = 46.75

SCT = Xj2 /t – Fc = [(992 + 1062 +1272 + 1502)/4]- 14520.25 = 396.25
SCTot = xi2 - Fc = (15092) - 14520.25 = 571.75
SCE = SCTot - SCT – SCR = 571.75 – 46.75 – 396.25 = 128.75
17

Repetición 3 46.75 15.6 1.08
Tratamientos 3 396.25 132.1 9.24
Error 9 128.75 14.3
Total 15 571.75
Al igual que en el caso anterior las hipótesis son las siguientes:
Ho: 1 = 2 = 3; Ha: 1  2  3
El valor de F en la tabla al 0.05 de significancia y 3 grados de libertad para el

numerador y 9 para el denominador (F 0.05; 3, 9) = 3.86. Como F calculado para los
tratamientos es mayor que F de la tabla se rechaza H 0 y se acepta Ha, es decir, que si
hay diferencias entre los tratamientos. A continuación se debe aplicar la prueba de
rangos múltiples de Duncan o Tukey para establecer las diferencias entre los
tratamientos.
3.3. Pruebas de Rangos múltiples
En este ejemplo se aplica la prueba de rangos múltiples de Tukey, para lo cual

seguimos los pasos ya conocidos.
W = qα(gl error, p = t)s = W = q(α= 0,05 y 0,01; gl error = 9 y p = 3)*(CME/r)

W = (α = 0,05 y 0,01; gl error = 9 y 4)*(1,89)
W (0,05)= 4,42 (1,89) = 8,35
W (0,01)= 5,96 (1,89) = 11,26
Trat. 1 2 3 4
Prom. 24,75 26,50 31,75 37,50
Orden I II III IV
Para encontrar las diferencias seguimos el procedimiento ya conocido para esta

prueba.
IV - I = 37,50 - 24,75 = 12,75 **

IV - II = 37,50 - 26,50 = 11,00 *
IV - III = 37,50 - 31,75 = 5,75 ns
III - I = 31,75 - 24,75 = 7,00 *

III - II = 31,75 - 26,50 = 5,25 ns
II - I = 26,50 - 24,75 = 1,75 ns
18
Una vez encontrada las diferencias aplicamos los criterios ya conocidos para esta
prueba y agrupamos los tratamientos según las letras o unidos por una línea.
4 37,50 a
3 31,75 a
2 26,50 ab
1 24,75 b
Trat. 1 2 3 4
Prom. 24,75 26,50 31,75 37,50
Los resultados de este ejemplo nos permiten concluir que el mejor tratamiento es el 1 y
el inferior es el 1.
4. DISEÑO CUADRADO LATINO
El diseño cuadrado latino es considerado también como un diseño de bloques y es muy utilizado
en los experimentos agropecuarios, debido a su fácil aplicación. La condición para aplicar este
diseño es que el número de tratamiento debe ser como mínimo cuatro. En este diseño, los
tratamientos se disponen de dos maneras diferentes, por filas y por columnas. El número de
tratamientos debe ser igual al número de filas y columnas. Cada tratamiento se presenta una y
sólo una vez en cada fila y columna; cada fila así como cada columna es un bloque completo.
Mediante un análisis apropiado, es posible eliminar del error la variabilidad debida a diferencias
tanto en filas como en columnas. En experimentos de campo, el esquema suele ser cuadrado,
permitiendo así la eliminación de la variación proveniente de diferencias de suelo en dos
direcciones. El esquema para el diseño cuadrado latino con cuatro tratamientos sería como se
indica en la figura siguiente:
C O L U M N A S
F
A D C B
I
B C A D
L
D A B C
A
19
S
C B D A
La principal desventaja del cuadrado latino es que si hay muchos tratamientos, el

número de parcelas se ha impracticable en el terreno. Los cuadrados más comunes
van desde 4 x 4 a 8 x 8. El modelo lineal para este diseño es: x ij(k) =  + Fj + Ck + Ti +
Eij(k).
4.2. Análisis de Varianza del Diseño Cuadrado Latino
El análisis de varianza para el diseño cuadrado latino se indica a continuación:
2. ANDEVA Para el modelo x =  + Ti + Fj + Ck + Eijk.

Filas f-1 SCF SCF/gl CMF/CME
Columnas c-1 CSC SCC/gl CMC/CME
Error (f-1) (c-2) SCE SCE/gl
Total (f*c )-1 SCTot -----
Las sumas de cuadrados, para el diseño cuadrado latino se obtienen mediante las
siguientes fórmulas:
Factor de corrección.
Fc = (xij)2/f*c = (xij)2/f*c.
Suma de cuadrados de las filas.
SCF = xf2/c - Fc.
Suma de cuadrados de las columnas.
SCF = xc2/f - Fc.
Suma de cuadrados Tratamientos.
SCT = xt2/f - Fc.
Suma de cuadrados total.
SCTot = xij2 - Fc.
La suma de cuadrados del error
SCE = SCTot – SCF – SCC – SCT.
Ejemplo: determinar si existe diferencia en el rendimiento (kg) de maíz con cinco

niveles de fertilización establecido en un diseño Cuadrado latino. Los datos registrados
se indican a continuación:
20
C O L U M N A S
FILAS 1 2 3 4 5
1 C (32) A (23) B (24) E (34) D (28)
2 A (28) C (36) D (33) B (32) E (38)
3 E (40) D (37) A (31) C (39) B (26)
4 D (39) B(31) E (43) A (33) C (41)
5 B (32) E (45) C (43) D (40) A (35)
Los valores a la derecha de cada letra (tratamientos) son los rendimientos de maíz por
parcela.
Cuadro del Análisis de varianza.
Fuente de Variación Gl. Suma de Cuadrados Cuadrado medio F calculada

Filas f-1 = 4 347,84 86,96 33,53
Columnas c-1 = 4 11,04 2,76 1,06
Tratamientos t-1 = 4 476,24 119,06 45, 91
Error (f-1) (c-2) =12 31,12 2,59
Total (f*c )-1 = 24 866,24
El valor de F de la tabla se indica seguidamente: (F 0.05; 4, 12) = 3,26 y (F0.01; 4, 12) = 5,95. El
valor de la F calculada es mayor que los valores de F de la tabla al 0,05 y 0,01 de nivel
de significancia. Por tanto se concluye que hay diferencia entre los tratamientos y
debemos aplicar cualquiera de las pruebas de rangos múltiples, en este caso
aplicaremos Duncan, únicamente al 5%.
4.3. Pruebas de rangos múltiples
Siguiendo los procedimientos ya conocidos para esta prueba se obtiene los siguientes
resultados.
Los valores críticos lo obtenemos aplicando la fórmula respectiva Rp = qα(p, gl

error)s.
P 2 3 4 5
ALS 5% 2,219 2,323 2,386 2,427
Trat. B A D C E
Prom. 29,00 30,00 35,40 38,20 40,00
Orden I II III IV V
Comparado las diferencias entre los tratamientos con el valor crítico al 5% podemos
agrupar los tratamientos de la siguiente forma:
40,00 a
38,20 a
35,40 b
21
30,00 c
29,00 c
Trat. B A D C E
Prom. 29,00 30,00 35,40 38,20 40,00
c c b a a
Según la prueba de Duncan al 5%, podemos concluir que los mejores tratamientos son
el E y el C, y los inferiores son el A y el B.
5. EXPERIMENTOS FACTORIALES
Un experimento factorial está constituido por dos o más factores (tratamientos) que el
investigador está interesado en conocer simultáneamente. Los experimentos factoriales
permiten conocer simultáneamente los efectos de cada uno de los factores así como
los efectos de las interacciones. Es decir, que se puede investigar todas las posibles
combinaciones de los niveles de los factores en cada ensayo completo o réplica del
experimento. Los experimentos factoriales se usan prácticamente en todos los campos
de investigación.
El factor es una clase de tratamientos y generalmente se designa con una letra

mayúscula; mientras que los niveles de un factor son cada una de las dosis o
categorías y se designan con las respectivas letras minúsculas. Por ejemplo si el factor
A es la raza de ganado bovino en un experimento, entonces se utilizarán varias razas
(niveles) tales como Holstein, Suizo, Charolais, y el cebú; si el factor B es la dieta, para
animales, entonces se aplicaran varias dietas (niveles) tales como pasto solo, pasto
más melaza y pasto más banano.
Los experimentos factoriales pueden ser bifactorial, cuando se tienen dos factores (A y
B), trifactorial, cuando tiene tres factores (A, B y C). Además existen casos especiales
22
de este tipo de experimentos, tales como: Factorial 2 3 (tres factores y dos niveles),
Factorial 5 x 3 x 2, entre otros.
En general los Diseños Factoriales producen experimentos más eficientes, ya que cada
observación proporciona información sobre todos los factores, y es posible ver las
respuestas de un factor en diferentes niveles de otro factor en el mismo experimento.
Podemos conocer el efecto simple, mediante comparaciones entre los niveles de un
factor a un solo nivel de otros factores; el efecto principal de cada factor, mediante
comparaciones de los niveles de un factor promediados sobre los niveles de los demás
factores, y el efecto de las interacciones, que miden las diferencias entre los efectos
simples a diferentes niveles de los otros factores. Entre las Ventajas de usar un diseño
Factorial, se pueden mencionar las siguientes:
 Ahorro y economía del recurso experimental; ya que cada unidad experimental

provee información acerca de dos o más factores, lo que no sucede cuando se
realiza con una serie de experimentos simples.
 Da información respecto a las interacciones entre los diversos factores en
estudio.
 Permite realizar estimaciones de las interacciones de los factores, además de
los efectos simples.
 Permite estimar los efectos de un factor en diversos niveles de los otros factores,
produciendo conclusiones que son válidas sobre toda la extensión de las
condiciones experimentales.
La única desventaja es que si el número de niveles de algunos de los factores o el

número de factores es demasiado grande, entonces el número de todas las
combinaciones posibles de tratamientos de factores llega a ser un número grande, en
consecuencia la variabilidad en el experimento podría ser grande.
Estas dos situaciones, pueden hacer difícil detectar los efectos significativos en el
experimento.
Los experimentos factoriales pueden ser establecidos sobre diseños: completamente al

azar o de bloques al azar, dependiendo de la naturaleza del la investigación. La
aleatorización de los tratamientos se realiza de acuerdo con el diseño elegido.
El número de tratamientos es el resultado del producto de los niveles de los factores.

Por ejemplo, si se realizara un experimento factorial con cuatro razas de ganado (factor
A) y suministrando tres dietas (factor B) se obtendrá un total de 12 tratamientos:
T1 = a1 x b1
T2 = a1 x b2
T3 = a1 x b3
T4 = a2 x b1
T5 = a2 x b2
T6 = a2 x b3
T7 = a3 x b1
T8 = a3 x b2
T9 = a3 x b3
T10 = a4 x b1
23
T11 = a4 x b2
T12 = a4 x b3
El número de parcelas o unidades experimentales depende del número de

repeticiones.
El modelo lineal para el DCA es: xijk =  + Ai + Bj + ABij + Eijk; donde:
 es la media de la población, A i es el efecto del factor A, B j es el efecto del factor B,

ABij es el efecto de la interacción y Eijk es el error experimental.
El modelo lineal para el DBA es: xijk =  + Rj + Aj + Bk + ABjk + Eijk; donde:
 es la media de la población, Ri es el efecto del bloque (repetición), Aj es el efecto del
factor A, Bk es el efecto del Factor B, AB jk es el efecto de la interacción, y E ijk es el error
experimental.
5.2. Las interacciones
En un experimento factorial, las interacciones describen los efectos específicos de

combinaciones de niveles de tratamiento. Cuando no hay interacciones, las diferencias
(efectos) de los niveles de B dentro de niveles de A deberán ser iguales y las
diferencias (efectos) de los niveles de A dentro de los niveles de B deberán ser iguales.
Se puede encontrar los siguientes tipos de interacciones:
Interacciones ordinales. Cuando los dos tratamientos muestran la misma tendencia,

es decir, que el orden de los niveles del tratamiento A es el mismo en los diferentes
niveles del tratamiento B y el orden de los niveles del tratamiento B es el mismo en los
diferentes niveles del tratamiento A. En este caso se pueden interpretar los dos efectos
principales.
Interacciones híbridas. Cuando las tendencias de las medias de los diferentes niveles
de B dentro de los niveles de A tienen diferentes direcciones sin llegarse a cruzar. Es
decir, que las medias de A dentro de los niveles de B tienen la misma orientación y
solamente se puede interpretar el efecto principal de B.
Interacciones disordinales. En este caso presentan orientaciones diferentes de los

efectos principales, es decir, que los efectos principales (observados aisladamente) no
tienen significancia. Las diferencias entre niveles de A solamente se deben interpretar
considerando los niveles actuales de B, y viceversa.
5.3. Análisis de Varianza de Experimentos Factoriales

El análisis de varianza para experimentos factoriales depende del diseño elegido para
realizar el experimento. A continuación se indica los casos para DCA y DBA:
ANDEVA Para el modelo xijk =  + Ai + Bj + ABij + Eijk (DCA)
Fuente de Variación GL. Suma de Cuadrado F

Cuadrados medio
Tratamiento* t-1 SCT SCT/gl CMT/CME
Factor A a-1 SCA SCA/gl CMA/CME
24
Factor B b-1 CSB SCB/gl CMB/CME

Interacción A*B (a-1) (b-1) SCA*B SCT/gl CMA*B/CME
Error a*b (r-1) SCE SCE/gl
Total (a*b*r)-1 SCTot -----
*El tratamiento se obtiene de la suma de los factores y la interacción
Las sumas de cuadrados para experimento factoriales, sobre diseño completamente al

azar, se obtienen mediante las siguientes fórmulas:
Factor de corrección
Fc = (xij)2/r*a*b = (xij)2/rab.
Suma de cuadrados del factor A.
SCA = xa2/rb - Fc.
Suma de cuadrados del Factor B.

SCB = xb2/ra - Fc.
Suma de cuadrado de las Combinaciones o tratamientos

SCComb = xcomb2/rcomb - Fc.
Suma de cuadrados de las interacciones.

SCAB = SCComb – (SCA+SCB)

SCE = SCTot – SCComb.
Ejemplo. Se suministraron cuatro dietas a tres razas de ganado, para lo cual se utilizó
un experimento factorial 4 x 3, con cinco repeticiones, en un diseño completamente al
azar. Determinar la influencia de la dieta y de las razas sobre la ganancia de peso (en
kilogramos), con los datos obtenidos después del experimento.
Dietas (A) Razas (B) Suma

b1 b2 b3 Dietas
3,14 4,76 5,12
2,96 4,23 4,82
a1 3,56 5,15 4,43 61,60
2,26, 4,10 4,24
4,08 4,36 4,39
16,0 22,6 23,0
2,78 4,66 4,68
2,86 4,56 4,36
a2 3,57 4,24 5,18 62,60
3,67 4,78 4,92
3,39 4,46 4,46
25
16,3 22,7 23,6

4,08 4,87 4,96
4,17 4,82 5,05
a3 3,84 4,56 4,92 66,30
3,36 4,37 4,45
3,25 4,98 4,62
18,7 23,6 24,0
3,05 4,67 4,92
3,89 4,55 5,04
a4 4,15 4,96 4,65 65,90
3,46 4,83 4,87
3,25 4,89 4,72
17,8 23,9 24,2
Suma Razas 68,80 92,80 94,80 256,40
La suma de cuadrados se obtiene aplicando las fórmulas indicadas.
Factor de corrección: Fc = (xij)2/rab = (256,4)2/60 = 65740,96/60 = 1095,6825
Suma de cuadrados total: SCTot = xij2 – Fc

SCTot = [(3,14)2+(2,96)2+…+(4,72)2]- 1095,6825
SCTot = xij2 – Fc = 1129,6107 - 1095,6825 = 33,9282.
Suma de cuadrados del factor A: SCA = xa2/ra – Fc
SCA = [(68,80)2+(92,80)2+(94,80)2]/15 – 1095,6825

SCA = 16451,82/15 - 1095,6825 = 1096,788 - 1095,6825 = 1,1055
Suma de cuadrados del factor B: SCB = xb2/rb – Fc
SCB = [(61,60)2+(62,60)2+ (66,30)2+(65,90)2]/20 – 1095,6825

SCB = 22332,32/20 - 1095,6825 = 1 116,6160 - 1095,6825 = 20,9335
Suma de cuadrados de las combinaciones: SCComb = xcomb2/rcomb - Fc
Para esto necesitamos obtener el cuadro de las combinaciones o tratamientos.
Razas (B) ∑ai

Nivel b1 b2 b3
Dietas a1 16,0 22,6 23,0 61,6
(A) a2 16,3 22,7 23,6 62,6
a3 18,7 23,6 24,0 66,3
a4 17,8 23,9 24,2 65,9
∑bi 68,8 92,8 94,8 256,4
SCComb = [(16,0)2/5+(16,3)2/5+…+(24,2)2/5]- 1095,6825

SCComb = 5590,04/5 - 1095,6825 = 1118,0080 - 1095,6825 = 22,3255
Suma de cuadrados de las interacciones: SCAB = SCComb – (SCA+SCB)
26
SCAB = SCComb – (SCA+SCB) = 22,3255 – (1,1055+20,9335)

SCAB = 22,3255 – (22,0390) = 0,2865.
La suma de cuadrados del error: SCE = SCTot – Comb.
SCE = 33,9282 – 22,3255 = 11,6027.
El siguiente paso es completar el cuadro del análisis de varianza, según los

procedimientos ya conocidos.
Fuente de GL. Suma de Cuadrado F F Tabla

Variación Cuadrados medio Calculada 0,05 0,01
Tratamiento* 11 22,3255 2,0290 8,3840 ** 1,99 2,64
Factor A 3 1,1055 0,3685 1,5220 ns 2,80 4,22
Factor B 2 20,9335 10,4660 43,2470 ** 3,19 5,08
Interacción A*B 6 0,2865 0,0470 0,1940 ns 2,30 3,20
Error 48 11,6027 0,2420
Total 59 33,9282 -
El valor de la F calculada es mayor que los valores de F de la tabla al 0,05 y 0,01 de

nivel de significancia para el tratamiento y para el Factor B, pero no para el factor A ni
las interacciones. Por tanto se concluye que hay diferencia entre los tratamientos y
entre los niveles del factor B. En este caso se debe realizar cualquiera de las pruebas
de rangos múltiples ya conocidas, para determinar las diferencias entre los promedios
de los tratamientos y de los niveles del factor B.
Es importante indicar que cuando hay significancia estadística en las interacciones, no
es necesario aplicar las pruebas de rangos múltiples, sino que se debe graficar, para
ver las tendencias de cada uno de los factores, a diferentes niveles del otro factor. En
este ejemplo, las interacciones no presentaron diferencias significativas, por lo tanto no
es necesario graficarlos.
ANDEVA Para el modelo xijk =  + Rj + Aj + Bk + ABjk + Eijk (DBA)
Fuente de Variación GL. Suma de Cuadrado F

Cuadrados Medio
Tratamiento t-1 CMT SCT/gl CMT/CME
Bloque r-1 SCR SCR/gl CMR/CME
Factor A a-1 SCA SCA/gl CMA/CME
Factor B b-1 CSB SCB/gl CMB/CME
Interacción A*B (a-1) (b-1) SCA*B SCT/gl CMA*B/CME
Error (a*b-1) (r-1) SCE SCE/gl
Total (a*b*r)-1 SCTot -----
Como se puede ver este caso es muy parecido al DCA, solamente se agrega la fila
para el bloque. Las sumas de cuadrados para el diseño de bloques al azar se obtienen
mediante las siguientes fórmulas:
Factor de corrección.
27
Fc = (xij)2/r*a*b = (xij)2/rab.

Suma de cuadrado de los bloques

SCR = xR2/r(en el bloque) - Fc.
Suma de cuadrados del factor A.

SCA = xa2/ra - Fc.
Suma de cuadrados del Factor B.

SCB = xb2/rb - Fc.
Suma de cuadrado de las Combinaciones o tratamientos

SCComb = xcomb2/rcomb - Fc.
Suma de cuadrados de las interacciones.

SCAB = SCComb – (SCA+SCB)

SCE = SCTot – SCF – SCC – SCT.
Para el caso de experimentos factoriales en diseños de bloques al azar, la forma de

organizar el cuadro de datos varía con respecto al caso del diseño anterior y se pueden
organizar como se indica:
Dietas (A) Razas (B) BLOQUES sumas

I II III IV V xTrat. xrazas
a1
a2
a3
Suma xb
Los demás procedimientos son similares al caso anterior.
6. DISEÑO DE PARCELAS DIVIDIDAS
El diseño de parcelas divididas es una clase especial de diseño de bloques

incompletos, en el que la precisión de ciertas comparaciones se aumenta a expensas
de otras. Los diseños de parcelas divididas se usan con frecuencia en experimentos
factoriales, en los que la naturaleza del material experimental o las operaciones
contempladas dificultan el manejo de todas las combinaciones de factores en una
misma forma. El principio consiste en dividir las parcelas completas (parcelas grandes),
a las cuales se les aplican niveles de uno o más factores, en subparcelas (parcelas
pequeñas) a las cuales se les aplican niveles de uno o más factores adicionales. De
esta forma cada unidad completa se convierte en un bloque para los tratamientos de
las subparcelas.
28
Los tratamientos asignados a las parcelas grandes se distribuyen aleatoriamente de

acuerdo con el diseño seleccionado (Completamente al azar, bloques al azar o
cuadrado latino); de igual forma los tratamientos de las subparcelas se distribuyen
aleatoriamente dentro de cada parcela principal, efectuando una distribución aleatoria
independiente para cada parcela principal. Se recomienda asignar a las subparcelas
los factores que requieran menor cantidad de material experimental, los que son de
mayor importancia, o los que se necesitan mayor precisión. Si se considera el caso en
el que se quiere estudiar el efecto de dos factores (A y B) sobre la producción de
pastos: el factor A es la dosis de fertilización con dos niveles y el factor B es la variedad
de pasto con tres niveles. Un ejemplo de distribución de los tratamientos de un diseño
de parcelas divididas, en bloques al azar, con dos niveles del factor A y tres niveles del
Factor B sería como se indica.
Bloque I Bloque II Bloque III

Parcela
Principal
A2 A1 A1 A2 A2 A1
Subparcela a2b1
a2b3
a2b2
a1b3
a1b1
a1b2
a1b2
a1b3
a1b1
a2b1
a2b2
a2b3
a2b3
a2b1
a2b2
a1b3
a1b1
a1b2
6.2. Análisis de Varianza
El análisis de varianza de este diseño es similar a los experimentos factoriales y

depende del diseño elegido. A continuación se indica los casos para DCA y DBA:
ANDEVA Para el modelo xijk =  + Ai +Eij + Bj + ABij + Eijk (DCA)
F.V. G.L. Suma de Cuadrados F calculada

Cuadrados Medios
Factor A (parcelas mayores) a-1 SCA SCA/gl CMA/CME(a)
Error (a) parcelas mayores a(r-1) SCE (a) SCE (a)/gl
Factor B (parcelas menores) b-1 SCB SCB/gl. CMB/CME(b)
Interacción (A*B) (a-1)(b-1) SC A*B SCA*B/gl CMA*B/CME(b)
Error (b) a(r-1)(b-1) CSE (b) SCE(b)/gl
Total (a*b*r)-1 Sc total
ANDEVA Para el modelo xijk =  + BLi + Aj + Eij + Bk + ABjk + Eijk (DBA)
F.V. G.L. Suma de Cuadrados F calculada

Cuadrados Medios
Bloque r-1 CSR CMR/gl CMR/CME(a)
Factor A (parcelas mayores) a-1 SCA SCA/gl CMA/CME(a)
Error (a) parcelas mayores a(r-1) SCE (a) SCE (a)/gl
Factor B (parcelas menores) b-1 SCB SCB/gl. CMB/CME(b)
Interacción (A*B) (a-1)(b-1) SC A*B SCA*B/gl CMA*B/CME(b)
Error (b) a(r-1)(b-1) CSE (b) SCE(b)/gl
Total (a*b*r)-1 Sc total
29
Los pasos para el cálculo de las sumas de cuadrados para el diseño de parcelas
divididas establecidas en bloques son similares a los experimento factoriales en
bloques. La suma de cuadrados de cada fuente de variación señalada se calcula
mediante las fórmulas siguientes:
Factor de corrección: Fc = (xij)2/r*a*b = (xij)2/r*a*b.

Suma de cuadrado total o subparcelas: SCtot = (xij2) - Fc
Suma de cuadrado de repeticiones: SCrep. = [(xr)2/a*b] – Fc
Suma de cuadrado factor A: SCA = [(xa.)2/r*b] -Fc
Suma de cuadrado de parcelas: SCpar = [(xpar.)2/subp. por parc. mayor]- Fc
Suma de cuadrado del error a: SCEa = SC parcelas – SC rep. – SCA
Suma de cuadrado factor B: SCB = [(xb)2/r*a]- Fc
Suma de cuadrado de las interacciones: SCA*B = [(xa*b)2/r] – Fc – SCA – SCB
Suma de cuadrado del error b: SCEb = SCsubparcelas – SCparcelas – SCA – SC(A*B)
Los coeficientes de variación se calculan mediante las fórmulas que se indican:
CV(a) = [(CMEa)/]*100.
CV(b) = [(CMEb)/]*100.
A continuación se explica, con un ejemplo, el procedimiento para el análisis de varianza

de un experimento en parcelas divididas, establecido en diseño de bloques al azar.
Se requiere evaluar el efecto de tres niveles de fertilización nitrogenada en dos

variedades de pastos sobre la producción de materia seca. Para su evaluación se
utilizó el arreglo de parcelas divididas en un diseño de bloques al azar. Los resultados
obtenidos fueron como se indica:
Variedad Fertilización Repeticiones Suma

(a) (b) I II III IV
V1 N1 28,8 35,4 40,2 30,1 134,5
N2 32,4 38,6 34,6 28,9 134,5
N3 30,2 40,1 37,2 26,5 134,0
Suma parcela 91,4 114,1 112,0 85,5 403,0
V2 N1 42,4 38,9 39,3 40,1 160,7
N2 44,6 37,2 40,8 42,4 165,0
N3 38,9 41,7 38,6 38,8 158,0
Suma parcela 125,9 117,8 118,7 121,3 483,7
Suma 217,3 231,8 230,7 206,8 886,7
Fc = (xij)2/r*a*b = (xij)2/r*a*b = (886,7)2/2*3*4 = 32759,87
SCtot = (xij2) - Fc = (28,82+ 32,42+ 30,22+... +38,82) – 32759,87

SCtot =33329,25 - 32759,87= 569,38.
30
SCrep. = [(xr)2/a*b] – Fc = (217,32+ 231,92 +230,72 + 206,82) - 32759,87 = 71,07

SCrep. = 32830,94 - 32759,87 = 71,07
SCA = [(xa)2/r*b] -Fc = [(134,5+134,5+134)2+(160,7+165+158)2]/(4*3) - 32759,87

SCA = 33031,22 - 32759,87 = 271,35.
SCEa = SC parcelas – SC rep. – SCA = 492,81 – 71,07 – 271,35 = 150,39
SCpar = [(xpar.)2/subp. por parc. mayor]- Fc = [91,422+114,12+…+ 121,32]/3 - 32759,87

SCpar = 33252,68 - 32759,87 = 492,81.
SCB = [(xb)2/r*a] - Fc = [(134,5+160,7)2 + (134,5+ 165)2 + (134+158)2]/(4*2) - 32759,87

SCB = 32763,41 - 32759,87 = 3,54.
SCA*B = [(xa*b)2/r]-Fc-SCA-SCB = [134,52+134,52+...+1582]/(4)-32759,87-217,35 -3,54

SCA*B = 33037,5 - 32759,87– 217,35 -3,54 = 2,74
SCEb = SCsubparcelas – SCparcelas – SCA – SC(A*B)

SCEb = 569,38 – 492,81 – 3.54 – 2,74 = 70,29
CV(a) = [(CMEa)/]*100 = [(50,13/36,95]*100 = 19%

CV(b) = [(CMEb)/]*100 = [(5,86)/36,95]*100 = 6,55%
Una vez calculado la suma de cuadrados procedemos a llenar el cuadro del análisis de
varianza. En el ejemplo se obtiene la siguiente tabla:
F.V. G.L. Suma de Cuadrados F calculada F tabla

Cuadrados Medios (5%)
Repetición 3 71,07
Variedad 1 271,35 271,35 5,41 ns 10,13
Error (a) 3 150,39 50,13
Fertilización 2 3,54 1,77 <1 ns 3,89
Var, x Fert. 2 2,74 1,37 <1 ns 3,89
Error (b) 12 70,29 5,86
Total 23 569,38
Al comparar los valores de la “F” calculada con los de la “F” de la tabla, al 5%, se
puede concluir que no hay diferencias significativas entre las variedades, fertilizantes ni
la interacción, es decir, que la producción de biomasa es estadísticamente similar para
las dos variedades al aplicar cualquier dosis de fertilizante.
Si hay significancia estadística se sigue los procedimientos ya conocidos para la

comparación de medias.
31
7. GLOSARIO DE TÉRMINOS
Aleatorización. Consiste en la asignación al azar de los tratamientos en estudio a las

unidades experimentales con el propósito de asegurar que un determinado tratamiento
no presente sesgo, y hacer válidos los procesos de inferencia y las pruebas
estadísticas.
Diseño. Es la proyección o planificación de un objeto, obra o actividad, en relación con
los objetivos propuestos. Un diseño es un esquema, es decir, la representación de una
cosa atendiendo a sus rasgos esenciales. Así, en cuanto a la investigación
experimental se refiere, existen diferentes esquemas o diseños que se ajustan a las
diversas características de los estudios investigativos.
Efecto de Borde. En los experimentos agrícolas, muchas veces existen diferencias en
el crecimiento y la producción de las plantas situadas en los perímetros de la parcela
en relación con aquellas plantas situadas en la parte central; esta diferencia se llama
efecto de borde y puede causar sobre-estimación o sub-estimación de las respuestas
de los tratamientos. Para controlar el efecto de borde se acostumbra evaluar solamente
las plantas centrales para los fines experimentales. Estas plantas centrales constituyen
lo que se llama parcela neta experimental o parcela útil.
Error Experimental. Es el fracaso de llegar a resultados idénticos en dos unidades
experimentales tratadas en la misma forma. Es decir, la variación existente entre las
observaciones de las unidades experimentales bajo el mismo tratamiento.
Experimentación. Es el procedimiento activo que provoca el fenómeno, modifica los
hechos o el ambiente para estudiarlos en situaciones en que naturalmente no se
32
presentan. La experimentación se difiere de la simple observación de los hechos

naturales debida a que en la experimentación se dispone de las condiciones del hecho
con arreglo a una hipótesis para luego ser demostradas y comprobadas. La
experimentación se puede realizar ya sea en un laboratorio o en el campo.
Experimento. Es una búsqueda planeada para obtener nuevos conocimientos. Es un
estudio de investigación en donde el investigador establece las relaciones de causa-
efecto, manipulando deliberadamente las variables independientes (posibles causas),
para observar analíticamente los cambios que dicha alteración intencional provoca en
las variables dependientes. Las variables independientes pueden ser manipuladas
(alteradas) cualitativa o cuantitativamente.
Muestra. Es una fracción o subconjunto de la Población. Ejemplo: El 10% de la
Población del ecuador.
Muestreo. Es un procedimiento que consiste en una serie de operaciones orientadas a
tomar una parte de la población que va a ser estudiada, a fin de facilitar la
investigación, ya que no siempre es posible realizar la recolección de datos de la
totalidad de elementos. Se fundamente en el principio de que “las partes representan al
todo”; por lo tanto los resultados obtenidos en base a la muestra se aplican al todo.
Población o Universo. Constituye la totalidad de un grupo de elementos u objetos que

se quiere investigar. Conjunto de individuos con características comunes y que son de
interés para el investigador. Ejemplos: Los habitantes del ecuador, número de árboles
de un bosque, número de estudiantes universitarios del Ecuador.
Randomización o Aleatorización. Es una técnica que consiste en elegir o ubicar los

tratamientos utilizando el criterio del azar, es decir, que todos los tratamientos tienen la
misma oportunidad de ser elegido o ubicado en un determinado orden.
Repeticiones o Bloques. Es el conjunto básico de tratamientos dentro del ensayo. Las

repeticiones son necesarias para estimar la varianza del error experimental y para
incrementar la precisión del experimento.
Tamaño de la Muestra. Es la cantidad de elementos que se toman de una población a

investigar. El tamaño de la muestra depende del máximo error permisible y el nivel de
variabilidad de los elementos de una población. Una de las fórmulas más utilizadas
para determinar el tamaño de la muestra es la siguiente:
n = t²*S²/A², donde:
t es el valor que se encuentra en la tabla de t
S es la variación de la muestra
A es la precisión deseada.
Testigo ó Control. Es un tratamiento sobre el cual no tenemos un interés especial y

que se incluye en el diseño del experimento para demostrar por comparación que los
otros tratamientos son o no son eficaces. Ejemplo: En una prueba de fertilización se
aplican tres dosis de nitrógeno (N): 50, 100 y150 K/ha; la dosis cero (0), constituye el
testigo.
Tratamientos. Son diferentes circunstancias o procedimientos y estímulos, cuyos

efectos van a ser medidos y comparados. En el campo agrícola un tratamiento puede
33
ser una variedad de plantas, la densidad de siembra de una especie agrícola o la dosis
de fertilizantes para un cultivo.
Unidad experimental. Es la unidad material a la que se aplica un solo tratamiento

dentro de una repetición o bloque de ensayo. Es el objeto o espacio al cual se aplica el
tratamiento y donde se mide y analiza la variable que se investiga. La unidad
experimental puede ser una parcela de terreno, un animal, una planta, una hoja, un
paciente de hospital. En los experimentos forestales la unidad experimental puede ser
por un árbol.
Unidad de la muestra. Está constituida por uno o varios de los elementos de la

población y que dentro de ella se delimitan con precisión.
Variables. Es algo que puede cambiar cualitativa o cuantitativamente. Es la magnitud o

aspecto de un fenómeno que puede asumir distintos valores en términos cualitativos o
cuantitativos. Existen algunos tipos de variables, a continuación se indican algunas de
ellas.
8. BIBLIOGRAFÍA
Tamayo, M. 1997. El proceso de la Investigación Científica. 3 ed. México, Limusa. 231

p.
Steel y Torrie. 1996. Bioestadística. Principios y Procedimientos. México, DF, Mc Graw-

Hill. 622 p.
Paton, S; Castro I; Whelan P. 1994. Introducción a la Bioestadística de campo.

Galápagos, Ecuador, Estación Científica Charles Darwin. 143 p.
Infante G, S; Zárate de Lara, G. 1983. Métodos Estadísticos. Un enfoque

interdisciplinario. Chapingo, México. Trillas. 643 p.
William G. 1990. Diseños experimentales. México, DF. Trillas. 243 p.
Sánchez, J. 2006. Introducción al Diseño Experimental. Quito, Ecuador. 238 p.
Orestes, L; González, J. 1986. Experimentación Forestal. La Habana, Cuba. Pueblo y

Educación. 348 p.
34
35
ANEXOS
Anexo 1. Tabla de “t” de Student
36
37
38
Anexo 2. Tabla de “F”
39
40
Tabla de F (1%)
alfa = 0.01 grados de libertad del numerador
1 2 3 4 5 6 7 8 9 10 20 60 100 10000
1 4052.2 4999.3 5403.5 5624.3 5764.0 5859.0 5928.3 5981 6022.4 6055.9 6208.7 6313.0 6333.9 6365.6
2 98.502 99.000 99.164 99.251 99.302 99.331 99.357 99.375 99.39 99.397 99.448 99.484 99.491 99.499
3 34.116 30.816 29.457 28.710 28.237 27.911 27.671 27.489 27.345 27.228 26.690 26.316 26.241 26.126
4 21.198 18.000 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.019 13.652 13.577 13.464
5 16.258 13.274 12.060 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.5527 9.2020 9.1300 9.0215
6 13.745 10.925 9.7796 9.1484 8.7459 8.4660 8.2600 8.1017 7.9760 7.8742 7.3958 7.0568 6.9867 6.8811
7 12.246 9.5465 8.4513 7.8467 7.4604 7.1914 6.9929 6.8401 6.7188 6.6201 6.1555 5.8236 5.7546 5.6506
8 11.259 8.6491 7.5910 7.0061 6.6318 6.3707 6.1776 6.0288 5.9106 5.8143 5.3591 5.0316 4.9633 4.8599
9 10.562 8.0215 6.9920 6.4221 6.0569 5.8018 5.6128 5.4671 5.3511 5.2565 4.8080 4.4831 4.4150 4.3116
10 10.044 7.5595 6.5523 5.9944 5.6364 5.3858 5.2001 5.0567 4.9424 4.8491 4.4054 4.0819 4.0137 3.9100
11 9.6461 7.2057 6.2167 5.6683 5.3160 5.0692 4.8860 4.7445 4.6315 4.5393 4.0990 3.7761 3.7077 3.6035
12 9.3303 6.9266 5.9525 5.4119 5.0644 4.8205 4.6395 4.4994 4.3875 4.2961 3.8584 3.5355 3.4668 3.3619
13 9.0738 6.7009 5.7394 5.2053 4.8616 4.6203 4.4410 4.3021 4.1911 4.1003 3.6646 3.3413 3.2723 3.1665
14 8.8617 6.5149 5.5639 5.0354 4.6950 4.4558 4.2779 4.1400 4.0297 3.9394 3.5052 3.1813 3.1118 3.0051
15 8.6832 6.3588 5.4170 4.8932 4.5556 4.3183 4.1416 4.0044 3.8948 3.8049 3.3719 3.0471 2.9772 2.8695
16 8.5309 6.2263 5.2922 4.7726 4.4374 4.2016 4.0259 3.8896 3.7804 3.6909 3.2587 2.933 2.8627 2.7539
17 8.3998 6.1121 5.1850 4.6689 4.3360 4.1015 3.9267 3.7909 3.6823 3.5931 3.1615 2.8348 2.7639 2.6542
18 8.2855 6.0129 5.0919 4.5790 4.2479 4.0146 3.8406 3.7054 3.5971 3.5081 3.0771 2.7493 2.6779 2.5671
19 8.1850 5.9259 5.0103 4.5002 4.1708 3.9386 3.7653 3.6305 3.5225 3.4338 3.0031 2.6742 2.6023 2.4905
20 8.0960 5.8490 4.9382 4.4307 4.1027 3.8714 3.6987 3.5644 3.4567 3.3682 2.9377 2.6077 2.5353 2.4224
21 8.0166 5.7804 4.8740 4.3688 4.0421 3.8117 3.6396 3.5056 3.3982 3.3098 2.8795 2.5484 2.4755 2.3615
22 7.9453 5.7190 4.8166 4.3134 3.9880 3.7583 3.5866 3.4530 3.3458 3.2576 2.8274 2.4951 2.4218 2.3067
23 7.8811 5.6637 4.7648 4.2635 3.9392 3.7102 3.5390 3.4057 3.2986 3.2106 2.7805 2.4471 2.3732 2.2571
24 7.8229 5.6136 4.7181 4.2185 3.8951 3.6667 3.4959 3.3629 3.2560 3.1681 2.7380 2.4035 2.3291 2.2119
25 7.7698 5.5680 4.6755 4.1774 3.8550 3.6272 3.4568 3.3239 3.2172 3.1294 2.6993 2.3637 2.2888 2.1706
26 7.7213 5.5263 4.6365 4.1400 3.8183 3.5911 3.4210 3.2884 3.1818 3.0941 2.6640 2.3273 2.2519 2.1327
27 7.6767 5.4881 4.6009 4.1056 3.7847 3.5580 3.3882 3.2558 3.1494 3.0618 2.6316 2.2938 2.2180 2.0978
28 7.6357 5.4529 4.5681 4.0740 3.7539 3.5276 3.3581 3.2259 3.1195 3.0320 2.6018 2.2629 2.1867 2.0655
29 7.5977 5.4205 4.5378 4.0449 3.7254 3.4995 3.3303 3.1982 3.0920 3.0045 2.5742 2.2344 2.1577 2.0355
30 7.5624 5.3903 4.5097 4.0179 3.6990 3.4735 3.3045 3.1726 3.0665 2.9791 2.5487 2.2079 2.1307 2.0075
40 7.3142 5.1785 4.3126 3.8283 3.5138 3.2910 3.1238 2.9930 2.8876 2.8005 2.3689 2.0194 1.9383 1.8061
50 7.1706 5.0566 4.1994 3.7195 3.4077 3.1864 3.0202 2.8900 2.7850 2.6981 2.2652 1.9090 1.8248 1.6847
60 7.0771 4.9774 4.1259 3.6491 3.3389 3.1187 2.9530 2.8233 2.7185 2.6318 2.1978 1.8363 1.7493 1.6023
70 7.0114 4.9218 4.0744 3.5997 3.2907 3.0712 2.9060 2.7765 2.6719 2.5852 2.1504 1.7846 1.6954 1.5422
80 6.9626 4.8807 4.0363 3.5631 3.2551 3.0361 2.8713 2.7420 2.6374 2.5508 2.1153 1.7459 1.6548 1.4960
90 6.9251 4.8491 4.0069 3.5350 3.2276 3.0091 2.8445 2.7154 2.6109 2.5243 2.0882 1.7158 1.6231 1.4593
100 6.8953 4.8239 3.9837 3.5127 3.2059 2.9877 2.8233 2.6943 2.5898 2.5033 2.0666 1.6918 1.5977 1.4292
200 6.7633 4.7128 3.8810 3.4143 3.1100 2.8933 2.7298 2.6012 2.4971 2.4106 1.9713 1.5833 1.4811 1.2812
300 6.7201 4.6766 3.8475 3.3822 3.0787 2.8625 2.6993 2.5709 2.4668 2.3804 1.9401 1.5468 1.441 1.2228
400 6.6987 4.6586 3.8309 3.3664 3.0632 2.8472 2.6842 2.5559 2.4518 2.3654 1.9245 1.5285 1.4207 1.1900
500 6.6858 4.6479 3.8210 3.3569 3.0540 2.8381 2.6751 2.5469 2.4429 2.3565 1.9152 1.5174 1.4084 1.1684
600 6.6773 4.6407 3.8144 3.3506 3.0478 2.8321 2.6691 2.5409 2.4369 2.3505 1.9091 1.5101 1.4001 1.1529
700 6.6713 4.6356 3.8097 3.3460 3.0434 2.8278 2.6648 2.5367 2.4327 2.3463 1.9047 1.5048 1.3942 1.1411
800 6.6667 4.6318 3.8062 3.3427 3.0402 2.8245 2.6617 2.5335 2.4295 2.3431 1.9013 1.5008 1.3897 1.1318
900 6.6631 4.6288 3.8034 3.3401 3.0376 2.8220 2.6592 2.5310 2.4270 2.3406 1.8988 1.4978 1.3863 1.1242
1000 6.6603 4.6264 3.8012 3.3380 3.0356 2.8200 2.6572 2.5290 2.4250 2.3386 1.8967 1.4953 1.3835 1.1178
1500 6.6518 4.6193 3.7947 3.3317 3.0294 2.8140 2.6512 2.5231 2.4191 2.3327 1.8906 1.4879 1.3751 1.0969
2000 6.6476 4.6158 3.7914 3.3286 3.0264 2.8110 2.6482 2.5201 2.4162 2.3298 1.8875 1.4842 1.3708 1.085
10000 6.6374 4.6073 3.7836 3.3210 3.0191 2.8038 2.6411 2.5130 2.4091 2.3227 1.8802 1.4752 1.3606 1.0476
Anexo 3. Tabla de Duncan
41
= 0.05
Valores Críticos q'(p, df; 0.05) para pruebas de Rango Múltiple de Duncan
------------------------------------------------------------------------------------------------------------------------------------------
df p-> 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
------------------------------------------------------------------------------------------------------------------------------------------
1 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969 17.969
2 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085
3 4.501 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516
4 3.926 4.013 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033
5 3.635 3.749 3.796 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814
6 3.460 3.586 3.649 3.680 3.694 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697
7 3.344 3.477 3.548 3.588 3.611 3.622 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625
8 3.261 3.398 3.475 3.521 3.549 3.566 3.575 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579 3.579
9 3.199 3.339 3.420 3.470 3.502 3.523 3.536 3.544 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547
10 3.151 3.293 3.376 3.430 3.465 3.489 3.505 3.516 3.522 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525 3.525
------------------------------------------------------------------------------------------------------------------------------------------
11 3.113 3.256 3.341 3.397 3.435 3.462 3.480 3.493 3.501 3.506 3.509 3.510 3.510 3.510 3.510 3.510 3.510 3.510 3.510
12 3.081 3.225 3.312 3.370 3.410 3.439 3.459 3.474 3.484 3.491 3.495 3.498 3.498 3.498 3.498 3.498 3.498 3.498 3.498
13 3.055 3.200 3.288 3.348 3.389 3.419 3.441 3.458 3.470 3.478 3.484 3.488 3.490 3.490 3.490 3.490 3.490 3.490 3.490
14 3.033 3.178 3.268 3.328 3.371 3.403 3.426 3.444 3.457 3.467 3.474 3.479 3.482 3.484 3.484 3.484 3.484 3.484 3.484
15 3.014 3.160 3.250 3.312 3.356 3.389 3.413 3.432 3.446 3.457 3.465 3.471 3.476 3.478 3.480 3.480 3.480 3.480 3.480
16 2.998 3.144 3.235 3.297 3.343 3.376 3.402 3.422 3.437 3.449 3.458 3.465 3.470 3.473 3.476 3.477 3.477 3.477 3.477
17 2.984 3.130 3.222 3.285 3.331 3.365 3.392 3.412 3.429 3.441 3.451 3.459 3.465 3.469 3.472 3.474 3.475 3.475 3.475
18 2.971 3.117 3.210 3.274 3.320 3.356 3.383 3.404 3.421 3.435 3.445 3.454 3.460 3.465 3.469 3.472 3.473 3.474 3.474
19 2.960 3.106 3.199 3.264 3.311 3.347 3.375 3.397 3.415 3.429 3.440 3.449 3.456 3.462 3.466 3.469 3.472 3.473 3.474
20 2.950 3.097 3.190 3.255 3.303 3.339 3.368 3.390 3.409 3.423 3.435 3.445 3.452 3.459 3.463 3.467 3.470 3.472 3.473
------------------------------------------------------------------------------------------------------------------------------------------
df p-> 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
------------------------------------------------------------------------------------------------------------------------------------------
21 2.941 3.088 3.181 3.247 3.295 3.332 3.361 3.385 3.403 3.418 3.431 3.441 3.449 3.456 3.461 3.465 3.469 3.471 3.473
22 2.933 3.080 3.173 3.239 3.288 3.326 3.355 3.379 3.398 3.414 3.427 3.437 3.446 3.453 3.459 3.464 3.467 3.470 3.472
23 2.926 3.072 3.166 3.233 3.282 3.320 3.350 3.374 3.394 3.410 3.423 3.434 3.443 3.451 3.457 3.462 3.466 3.469 3.472
24 2.919 3.066 3.160 3.226 3.276 3.315 3.345 3.370 3.390 3.406 3.420 3.431 3.441 3.449 3.455 3.461 3.465 3.469 3.472
25 2.913 3.059 3.154 3.221 3.271 3.310 3.341 3.366 3.386 3.403 3.417 3.429 3.439 3.447 3.454 3.459 3.464 3.468 3.471
26 2.907 3.054 3.149 3.216 3.266 3.305 3.336 3.362 3.382 3.400 3.414 3.426 3.436 3.445 3.452 3.458 3.463 3.468 3.471
27 2.902 3.049 3.144 3.211 3.262 3.301 3.332 3.358 3.379 3.397 3.412 3.424 3.434 3.443 3.451 3.457 3.463 3.467 3.471
28 2.897 3.044 3.139 3.206 3.257 3.297 3.329 3.355 3.376 3.394 3.409 3.422 3.433 3.442 3.450 3.456 3.462 3.467 3.470
29 2.892 3.039 3.135 3.202 3.253 3.293 3.326 3.352 3.373 3.392 3.407 3.420 3.431 3.440 3.448 3.455 3.461 3.466 3.470
30 2.888 3.035 3.131 3.199 3.250 3.290 3.322 3.349 3.371 3.389 3.405 3.418 3.429 3.439 3.447 3.454 3.460 3.466 3.470
------------------------------------------------------------------------------------------------------------------------------------------
31 2.884 3.031 3.127 3.195 3.246 3.287 3.319 3.346 3.368 3.387 3.403 3.416 3.428 3.438 3.446 3.454 3.460 3.465 3.470
32 2.881 3.028 3.123 3.192 3.243 3.284 3.317 3.344 3.366 3.385 3.401 3.415 3.426 3.436 3.445 3.453 3.459 3.465 3.470
33 2.877 3.024 3.120 3.188 3.240 3.281 3.314 3.341 3.364 3.383 3.399 3.413 3.425 3.435 3.444 3.452 3.459 3.465 3.470
34 2.874 3.021 3.117 3.185 3.238 3.279 3.312 3.339 3.362 3.381 3.398 3.412 3.424 3.434 3.443 3.451 3.458 3.464 3.469
35 2.871 3.018 3.114 3.183 3.235 3.276 3.309 3.337 3.360 3.379 3.396 3.410 3.423 3.433 3.443 3.451 3.458 3.464 3.469
36 2.868 3.015 3.111 3.180 3.232 3.274 3.307 3.335 3.358 3.378 3.395 3.409 3.421 3.432 3.442 3.450 3.457 3.464 3.469
37 2.865 3.013 3.109 3.178 3.230 3.272 3.305 3.333 3.356 3.376 3.393 3.408 3.420 3.431 3.441 3.449 3.457 3.463 3.469
38 2.863 3.010 3.106 3.175 3.228 3.270 3.303 3.331 3.355 3.375 3.392 3.407 3.419 3.431 3.440 3.449 3.456 3.463 3.469
39 2.861 3.008 3.104 3.173 3.226 3.268 3.301 3.330 3.353 3.373 3.391 3.406 3.418 3.430 3.440 3.448 3.456 3.463 3.469
40 2.858 3.005 3.102 3.171 3.224 3.266 3.300 3.328 3.352 3.372 3.389 3.404 3.418 3.429 3.439 3.448 3.456 3.463 3.469
------------------------------------------------------------------------------------------------------------------------------------------
48 2.843 2.991 3.087 3.157 3.211 3.253 3.288 3.318 3.342 3.363 3.382 3.398 3.412 3.424 3.435 3.445 3.453 3.461 3.468
60 2.829 2.976 3.073 3.143 3.198 3.241 3.277 3.307 3.333 3.355 3.374 3.391 3.406 3.419 3.431 3.441 3.451 3.460 3.468
80 2.814 2.961 3.059 3.130 3.185 3.229 3.266 3.297 3.323 3.346 3.366 3.384 3.400 3.414 3.427 3.438 3.449 3.458 3.467
120 2.800 2.947 3.045 3.116 3.172 3.217 3.254 3.286 3.313 3.337 3.358 3.377 3.394 3.409 3.423 3.435 3.446 3.457 3.466
240 2.786 2.933 3.031 3.103 3.159 3.205 3.243 3.276 3.304 3.329 3.350 3.370 3.388 3.404 3.418 3.432 3.444 3.455 3.466
Inf 2.772 2.918 3.017 3.089 3.146 3.193 3.232 3.265 3.294 3.320 3.343 3.363 3.382 3.399 3.414 3.428 3.442 3.454 3.466
------------------------------------------------------------------------------------------------------------------------------------------
= 0.01
42
Valores Críticos q'(p, df; 0.01) para pruebas de Rango Múltiple de Duncan
------------------------------------------------------------------------------------------------------------------------------------------
df p-> 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
------------------------------------------------------------------------------------------------------------------------------------------
1 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024 90.024
2 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036 14.036
3 8.260 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321
4 6.511 6.677 6.740 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755 6.755
5 5.702 5.893 5.989 6.040 6.065 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074
6 5.243 5.439 5.549 5.614 5.655 5.680 5.694 5.701 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703
7 4.949 5.145 5.260 5.333 5.383 5.416 5.439 5.454 5.464 5.470 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472
8 4.745 4.939 5.056 5.134 5.189 5.227 5.256 5.276 5.291 5.302 5.309 5.313 5.316 5.317 5.317 5.317 5.317 5.317 5.317
9 4.596 4.787 4.906 4.986 5.043 5.086 5.117 5.142 5.160 5.174 5.185 5.193 5.199 5.202 5.205 5.206 5.206 5.206 5.206
10 4.482 4.671 4.789 4.871 4.931 4.975 5.010 5.036 5.058 5.074 5.087 5.098 5.106 5.112 5.117 5.120 5.122 5.123 5.124
------------------------------------------------------------------------------------------------------------------------------------------
11 4.392 4.579 4.697 4.780 4.841 4.887 4.923 4.952 4.975 4.994 5.009 5.021 5.031 5.039 5.045 5.050 5.054 5.057 5.059
12 4.320 4.504 4.622 4.705 4.767 4.815 4.852 4.882 4.907 4.927 4.944 4.957 4.969 4.978 4.986 4.993 4.998 5.002 5.005
13 4.260 4.442 4.560 4.643 4.706 4.754 4.793 4.824 4.850 4.871 4.889 4.904 4.917 4.927 4.936 4.944 4.950 4.955 4.960
14 4.210 4.391 4.508 4.591 4.654 4.703 4.743 4.775 4.802 4.824 4.843 4.859 4.872 4.884 4.894 4.902 4.909 4.916 4.921
15 4.167 4.346 4.463 4.547 4.610 4.660 4.700 4.733 4.760 4.783 4.803 4.820 4.834 4.846 4.857 4.866 4.874 4.881 4.887
16 4.131 4.308 4.425 4.508 4.572 4.622 4.662 4.696 4.724 4.748 4.768 4.785 4.800 4.813 4.825 4.835 4.843 4.851 4.858
17 4.099 4.275 4.391 4.474 4.538 4.589 4.630 4.664 4.692 4.717 4.737 4.755 4.771 4.785 4.797 4.807 4.816 4.824 4.832
18 4.071 4.246 4.361 4.445 4.509 4.559 4.601 4.635 4.664 4.689 4.710 4.729 4.745 4.759 4.771 4.782 4.792 4.801 4.808
19 4.046 4.220 4.335 4.418 4.483 4.533 4.575 4.610 4.639 4.664 4.686 4.705 4.722 4.736 4.749 4.760 4.771 4.780 4.788
20 4.024 4.197 4.312 4.395 4.459 4.510 4.552 4.587 4.617 4.642 4.664 4.684 4.701 4.716 4.729 4.741 4.751 4.761 4.769
------------------------------------------------------------------------------------------------------------------------------------------
df p-> 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
------------------------------------------------------------------------------------------------------------------------------------------
21 4.004 4.177 4.291 4.374 4.438 4.489 4.531 4.567 4.597 4.622 4.645 4.664 4.682 4.697 4.711 4.723 4.734 4.743 4.752
22 3.986 4.158 4.272 4.355 4.419 4.470 4.513 4.548 4.578 4.604 4.627 4.647 4.664 4.680 4.694 4.706 4.718 4.728 4.737
23 3.970 4.141 4.254 4.337 4.402 4.453 4.496 4.531 4.562 4.588 4.611 4.631 4.649 4.665 4.679 4.692 4.703 4.713 4.723
24 3.955 4.126 4.239 4.322 4.386 4.437 4.480 4.516 4.546 4.573 4.596 4.616 4.634 4.651 4.665 4.678 4.690 4.700 4.710
25 3.942 4.112 4.224 4.307 4.371 4.423 4.466 4.502 4.532 4.559 4.582 4.603 4.621 4.638 4.652 4.665 4.677 4.688 4.698
26 3.930 4.099 4.211 4.294 4.358 4.410 4.452 4.489 4.520 4.546 4.570 4.591 4.609 4.626 4.640 4.654 4.666 4.677 4.687
27 3.918 4.087 4.199 4.282 4.346 4.397 4.440 4.477 4.508 4.535 4.558 4.579 4.598 4.615 4.630 4.643 4.655 4.667 4.677
28 3.908 4.076 4.188 4.270 4.334 4.386 4.429 4.465 4.497 4.524 4.548 4.569 4.587 4.604 4.619 4.633 4.646 4.657 4.667
29 3.898 4.065 4.177 4.260 4.324 4.376 4.419 4.455 4.486 4.514 4.538 4.559 4.578 4.595 4.610 4.624 4.637 4.648 4.659
30 3.889 4.056 4.168 4.250 4.314 4.366 4.409 4.445 4.477 4.504 4.528 4.550 4.569 4.586 4.601 4.615 4.628 4.640 4.650
------------------------------------------------------------------------------------------------------------------------------------------
31 3.881 4.047 4.159 4.241 4.305 4.357 4.400 4.436 4.468 4.495 4.519 4.541 4.560 4.577 4.593 4.607 4.620 4.632 4.643
32 3.873 4.039 4.150 4.232 4.296 4.348 4.391 4.428 4.459 4.487 4.511 4.533 4.552 4.570 4.585 4.600 4.613 4.625 4.635
33 3.865 4.031 4.142 4.224 4.288 4.340 4.383 4.420 4.452 4.479 4.504 4.525 4.545 4.562 4.578 4.592 4.606 4.618 4.629
34 3.859 4.024 4.135 4.217 4.281 4.333 4.376 4.413 4.444 4.472 4.496 4.518 4.538 4.555 4.571 4.586 4.599 4.611 4.622
35 3.852 4.017 4.128 4.210 4.273 4.325 4.369 4.406 4.437 4.465 4.490 4.511 4.531 4.549 4.565 4.579 4.593 4.605 4.616
36 3.846 4.011 4.121 4.203 4.267 4.319 4.362 4.399 4.431 4.459 4.483 4.505 4.525 4.543 4.559 4.573 4.587 4.599 4.611
37 3.840 4.005 4.115 4.197 4.260 4.312 4.356 4.393 4.425 4.452 4.477 4.499 4.519 4.537 4.553 4.568 4.581 4.594 4.605
38 3.835 3.999 4.109 4.191 4.254 4.306 4.350 4.387 4.419 4.447 4.471 4.493 4.513 4.531 4.548 4.562 4.576 4.589 4.600
39 3.830 3.993 4.103 4.185 4.249 4.301 4.344 4.381 4.413 4.441 4.466 4.488 4.508 4.526 4.542 4.557 4.571 4.584 4.595
40 3.825 3.988 4.098 4.180 4.243 4.295 4.339 4.376 4.408 4.436 4.461 4.483 4.503 4.521 4.537 4.552 4.566 4.579 4.591
------------------------------------------------------------------------------------------------------------------------------------------
48 3.793 3.955 4.064 4.145 4.209 4.261 4.304 4.341 4.374 4.402 4.427 4.450 4.470 4.489 4.506 4.521 4.535 4.548 4.561
60 3.762 3.922 4.030 4.111 4.174 4.226 4.270 4.307 4.340 4.368 4.394 4.417 4.437 4.456 4.474 4.489 4.504 4.518 4.530
80 3.732 3.890 3.997 4.077 4.140 4.192 4.236 4.273 4.306 4.335 4.360 4.384 4.405 4.424 4.442 4.458 4.473 4.487 4.500
120 3.702 3.858 3.964 4.044 4.107 4.158 4.202 4.239 4.272 4.301 4.327 4.351 4.372 4.392 4.410 4.426 4.442 4.456 4.469
240 3.672 3.827 3.932 4.011 4.073 4.125 4.168 4.206 4.239 4.268 4.294 4.318 4.339 4.359 4.378 4.394 4.410 4.425 4.439
Inf 3.643 3.796 3.900 3.978 4.040 4.091 4.135 4.172 4.205 4.235 4.261 4.285 4.307 4.327 4.345 4.363 4.379 4.394 4.408
------------------------------------------------------------------------------------------------------------------------------------------
Anexo 4. Tabla de Tukey
43
(Valores q)
44

Texto Guía de La Escuela de Forestal Diseños Experimentales

Cargado por

Información del documento

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

Texto Guía de La Escuela de Forestal Diseños Experimentales

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO

FACULTAD DE CIENCIAS AMBIENTALES

CARRERA DE INGENIERÍA FORESTAL

TEXTO GUÍA DE LA ESCUELA DE FORESTAL

Quevedo- Los Ríos - Ecuador

UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO

TEXTO GUÍA DE LA ESCUELA DE FORESTAL

José Pedro Suatunce C.

Quevedo- Los Ríos - Ecuador

El siguiente texto guía es el resultado de una amplia revisión bibliográfica sobre el

Existe mucha información acumulada sobre el diseño de experimentos. Pero la

está muy desarrollada y ampliada. Las aplicaciones son múltiples, especialmente en la

1.1. Definición y Objetivos de Diseño Experimental

Diseño experimental es un procedimiento mediante el cual se indica la secuencia

1.2. Tipos de Diseños Experimentales

En la investigación experimental existen diferentes esquemas o diseños que se ajustan

 Diseño completamente al azar

2. DISEÑO COMPLETAMENTE AL AZAR (DCA)

2.1. Descripción y Aplicación

La aleatorización se logra asignando tratamientos a las unidades experimentales de

2.2. Diseño Completamente al Azar con Igual número de repeticiones

2.2.1. Análisis de variancia

Fuente de Variación GL. Suma de Cuadrados Cuadrado Medio F

Tratamientos t-1 SCT SCT/gl CMT/CME

SCT = suma de cuadrados de los tratamientos

Para calcular las sumas de cuadrados se requiere, primero, encontrar el factor de

Fc = (x..)2/n = (Xij)2/n = (Xij)2/n; en esta fórmula n = ri o t*r

i = media de cada tratamiento.

Ejemplo de ANDEVA para el modelo xi =  + Ti + Eij.

Determinar si existe diferencia de incremento en diámetro de árboles de guayacán que

A (T1) B (T2) C (T3) Total

Necesitamos calcular factor de corrección (Fc) y las sumas de cuadrados para

Fc = (xij)2/n = (xij)2/n = (54)2/9 = 2916/9 = 324

Utilizando la otra fórmula también obtenemos el mismo resultado.

SCT = r[([(i -..)2] = 3[(4-6)2 + (6-6)2 + (8-6)2] = 3(4 + 0 + 4) =24

SCTot = xi2 - Fc = (22 + 42 + 62 + 42 + 62 + 82 + 62 + 82 + 102)–324=372–324 =48

SCE = SCTot - SCT = 48 – 24 = 24

Cuadro del análisis de varianza (ANDEVA)

Fuente de Variación GL. Suma de Cuadrados Cuadrado Medio F

Además podemos calcular el Coeficiente de variación mediante la fórmula siguiente:

CV (%) = (s/..)*100 = [(CME)/ ..]*100 = [(4)/6]*100 = 33,33

Las hipótesis son las siguientes:

2.2.2. Pruebas de Comparación de Promedios de los Tratamientos

Cuando se determina que existen diferencias estadísticas (altamente significativas o

significativa; sin embargo, es recomendable efectuar esta prueba después que la

Rp = qα(p, gl error)s, donde:

qα = amplitud estudentizada de significancia (AES), para α= 0,05 y 0,01.

p = t = número total de tratamientos, p = t-1 (para valores en la tabla).

s = error estándar = (CME/r); CME= cuadrado medio del error y r= repeticiones.

Ejemplo. Se desea probar el efecto de ocho niveles de fertilizante nitrogenado sobre el

Fc = (xij)2/n = (xij)2/n = (139)2/40 = 19321/40 = 483,025

SCT = (xi2/r) – Fc = [(132+212+262+172+102+252+72+202)/5]- 483,025 = (2749/5) –

SCTot = xi2 - Fc = (22 + 32 + 22 + …+ 62) – 483,025 = 123,975

SCE = SCTot - SCT = 123,975 – 66,775 = 57,20

Cuadro del análisis de varianza (ANDEVA)

Fuente de Variación GL. Suma de Cuadrados Cuadrado Medio F

CV (%) = (s/..)*100 = [(CME)/ ..]*100 = [(1,78)/3,475]*100 = 38,39

Las hipótesis son las siguientes:

Ho: no existe diferencia entre los niveles de fertilizante

Luego multiplicamos por S cada valor de la AES para obtener as ALS.

Ordenando los promedios de los tratamientos en forma ascendente se tiene:

Las comparaciones que se pueden realizar sería: t(t-1)/2 = 8(8-1)/2 = 28.

VIII - I = 5,2 - 1,4 = 3,8 ** V-I = 4,0 - 1,4 = 2,6 **

VI - I = 4,2 - 1,4 = 2,8 **

CV (%) = (s/..)100 = [(CME)/ ..]100 = [(4)/6]*100 = 33,33

CV (%) = (s/..)100 = [(CME)/ ..]100 = [(1,78)/3,475]*100 = 38,39

VIII - I = 5,2 - 1,4 = 3,8 V-I = 4,0 - 1,4 = 2,6

CV (%) = (s/..)100 = [(CME)/ ..]100 = [(2)/40]*100 = 3,52