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

métodos objetivos, adecuados y precisos

La experimentación es un método científico de investigación que consiste en hacer
operaciones y practicas destinadas a demostrar, comprobar o descubrir fenómenos o
principios básicos
La experimentación agrícola comprende las pruebas, ensayos , observaciones, análisis o
estudio practico de todo aquello que interesa a la agricultura
La experimentación agrícola puede considerarse como:
Arte: por la habilidad necesaria de ingeniar, planear o aplicar un conjunto de técnicas a
fin de eliminar causas extrañas y realizar experimentos de campo, laboratorio o
invernadero
Ciencia: por la aplicación del método científico y un conjunto de conocimientos
científicos para el desarrollo de tecnologías que permitan forma nuevos tipos de plantas
o nuevas prácticas agrícolas que conduzcan al incremento de mayor producción
La investigación agrícola dio origen a gran parte de las primeras investigaciones sobre el
diseño experimental
Que es un experimento: es un proceso sistemático o una serie de actividades que llevan a
la recolección de información sobre ciertos aspectos para responder a los objetivos que el
investigador ya tiene en mente
Clases de experimentos:
• Preliminares: se empieza con un gran numero de tratamientos, los que darán una
pauta para el trabajo futuro. Ejemplo: en fitomejoramiento
• Críticos: permite detectar diferencias mas pequeñas entre tratamientos. Ejemplo:
en fertilización
• Demostrativos: están en el camp de la extensión agrícola y tratan de demostrar a
los agricultores resultados obtenidos a nivel de estación experimental
• Ensayos regionales: son los que confirman los resultados obtenidos en la estación
experimental. En el caso de ecuador los factores ambientales y micro ambientales
presentan variaciones tan drásticas que a veces los resultados de las estaciones no
se cumplen en localidades incluso situadas a cortas distancias de la Estación
Los experimentos que se realizar frecuentemente en loa agricultura son:
• Ensayos comparativos entre variedades, líneas, cruzamientos y descendencias
• Observaciones y pruebas con fertilizantes, raciones, insecticidas, fungicidas y
herbicidas
• Estudios de prácticas culturales, como rotación de cultivos, manejo de pastizales,
riegos, densidades de siembra, preparación de suelos, etc.
Etapas fundamentales de la experimentación agrícola
1. Especificación del problema
a) Antecedentes
 b) Importancia
c) Objetivos
d) Numero e intensidad de los tratamientos
e) Hipótesis
2. Revisión de la bibliografía respectiva
3. Planteamiento (diseño) del experimento (materiales y métodos)
a) Lugar de experiencia
b) Tamaño de la parcela o unidad experimental
c) Numero de repeticiones or tratamiento
d) Instrumentos, equipo, semillas ,etc.
e) Métodos de evaluación de resultados experimentales (pruebas de hipótesis,
niveles de significancia)
4. Ejecución y desarrollo de las operaciones en el campo, laboratorio o invernadero
5. Recolección de datos y observaciones, muestreo, etc.
6. ordenamiento de los resultados experimentales
7. interpretación y evaluación de los resultados
8. discusión de los resultados(análisis económico y su utilidad práctica como
contribución a la comunidad)
9. conclusiones y recomendaciones
10. publicación de los resultados
todo análisis estadístico tiene como contraparte a un diseño. El diseño le dice al
investigador como los datos deberían ser colectados y cuantas observaciones son
necesarias
1. requisitos del investigador
2. cualidades especiales como:
a) imaginación
b) criterio de observación de inducción y deducción
c) meticulosidad
d) competencia
e) entusiasmo
f) perseverancia
g) sentido de justicia
h) ética
3. entrega total a una disciplina del saber humano
los datos pueden ser obtenidos por una población existente(en censos y estudios de
encuestas) o pueden provenir de una población conceptual (en estudios observacionales)
o ser colectadas por la realización de un experimento según un objetivo especifico del
investigador
la estación experimental rothamsted es la institución de investigación agrícola mas
antigua del mundo
Fisher el padre del diseño experimental y estadística motivo a encontrar técnicas
experimentales que podrían:
• Eliminar tanto de la variación natura como sea posible
 • Evitar que la variación no eliminada confunda o distorsione los efectos que se
están probando
• Detectar causa y efecto con la mínima cantidad de esfuerzo experimental
Experimento: es una acción donde el experimentador cambia al menos 1 d las variables
estudiadas y luego observa el efeto de sus acciones
Diseño experimental: es una colección de experimentos que se planean antes de la
ejecución real
Variable independiente (factor de tratamiento): es una de las variables bajo estudio
que está siendo controlada en o cerca de algún valor objetivo, o nivel, durante cualquier
experimento dado. El nivel está siendo cambiado de alguna manera sistemática de carrera
en carrera con el fin de determinar que efecto tiene en la respuesta.
Variable dependiente (respuesta denotada por y): es la característica de la unidad
experimental que se mide después de cada experimento o ejecución. La magnitud de la
respuesta depende de los ajustes de las variables o factores independientes y las variables
al acecho.
Variable de fondo: es una variable que el experimentador desconoce o no puede
controlar y que podría tener un efecto sobre el resultado del experimento
Tratamiento: elemento o sujeto sometido a estudio o a ensayo de comparación. Por
ejemplo, al estudiar variables, 5 dosis de fertilizantes, etc.
Control o testigo: sujeto o tratamiento de comparación, el testigo debe ser considerado
como un tratamiento mas
Unidad experimental: son los objetos o unidades a las cuales se les aplica los
tratamientos
Submuestra, sub unidad o unidad de observación: cuando la unidad experimental se
divide, después de que la acción se ha tomado sobre ella, se conoce como sub muestra o
sub unidad
Efecto: es el cambio en la respuesta que es causado por un cambio en un factor o variable
independiente
Efecto calculado: después de llevar a cabo el diseño experimental, el efecto puede ser
estimado calculándolo a partir de los datos de respuesta observados
Efecto práctico: antes de que los experimentos se leven a cabo, el investigador puede
saber cuan grande debe ser el efecto para tener importancia practica
Replicación: tener observaciones replicadas a una escala espacial y temporal que
coincida con la aplicación de los tratamientos experimentales
Replica: las ejecuciones repetidas son 20 o mas experimentos realizados con la misma
configuración de los factores o variables independientes, pero usando diferentes unidades
experimentales
Importancia de la replicación: Los análisis de modelos lineales de experimentos
diseñados generalmente se basan en la comparación de la variación entre los grupos de
tratamiento con la variabilidad inherente entre las unidades experimentales dentro de cada
grupo.
Una estimación de esta última variabilidad requiere unidades replicadas.
La replicación a una escala apropiada también nos ayuda a evitar confundir las diferencias
de tratamiento con otras diferencias sistemáticas entre las unidades experimentales.
Duplicados: Los duplicados se refieren a mediciones duplicadas de la misma unidad
experimental de una sola operación o experimento.
La variable dependiente medida puede variar entre duplicados debido al error de
medición, pero en el análisis de los datos estas mediciones duplicadas deben ser
promediadas y no tratadas como respuestas separadas.
Objetivos, diseño y conclusiones de la experimentación
1. Definir objetivos
2. Selección del diseño experimental
3. Procedimiento para recolección de datos – modelo de análisis de datos
4. Análisis de datos, interpretación de los resultados
5. Conclusiones
Error experimental: es importante que los errores de tales mediciones sean lo
suficientemente pequeños para que las acciones emprendidas sólo se vean afectadas de
manera insignificante por dichos errores.
Los errores en la estadística pueden clasificarse de dos tipos:
1. Errores experimentales: alguien o algo hizo algo mal
Los errores experimentales implican en gran medida errores en la recopilación de datos:
sesgo de muestreo y errores de medición
El sesgo de muestro ocurre cuando una muestra no aleatoria es tomada
2. Errores de muestreo: una estimación estadística de una muestra no es idéntica a la
propiedad de la población o el proceso d que estima
Error tiene la connotación de que algo salió mal, se ha cometido un error y esto es cierto
en los tipos de errores clasificados como errores experimentales
Errores de medición: también conocidos como "Error sistemático" o "Error de
observación ", puede ser causado por el dispositivo de medición, la persona que mide, o
ambos.
Por ejemplo:
• El dispositivo de medición está defectuoso, o se utilizan varios dispositivos de
medición calibrados incoherentemente.
• La aguja en un medidor analógico descansa entre 2 y 3. La persona que lee el
dispositivo hace una interpolación visual para decidir si grabar un 2.6 o un 2.7
 • Diferentes inspectores pueden hacer juicios ligeramente diferentes sobre si algo
constituye un defecto o no.
Errores de muestreo: el “error” de muestreo es algo así como un término inapropiado a
veces se denomina “error aleatorio” o “error estocástico” . Nadie hizo nada malo, no se
cometieron errores un “error” de muestreo podría describirse mejor como una diferencia
o desviación de muestreo
Es la diferencia entre la estimación numérica de una propiedad (una estadística) calculada
a partir de una muestra (por ejemplo, la media muestral) y el verdadero valor de esa
propiedad (un parámetro) en la población o el proceso del que se recogió la muestra (por
ejemplo, la población o parcela media). Por lo general, no sabemos el verdadero valor de
la población o parámetro de proceso (de lo contrario no estaríamos tratando de estimarlo
con una muestra).
Así, el error se calcula a partir de probabilidades.
ANOVA
Que es el ANOVA: es una técnica que consiste en separar la variación total del conjunto
de datos en componentes lógicos asociados a fuentes específicas de variación con el fin
de comparar la media de varias poblaciones.
Este análisis también nos ayuda a probar ciertas hipótesis sobre los parámetros del
modelo, o a estimar los componentes de la varianza. Las fuentes de variación se resumen
globalmente en un componente llamado varianza de error, a veces llamado cuadrado
medio dentro del tratamiento y otro componente que se denomina "efecto" o tratamiento,
a veces llamado cuadrado medio entre tratamientos.
Todos los diseños de experimento pueden ser analizados usando análisis de varianza. Los
diseños más comunes son los diseños completamente al azar, los diseños de bloques al
azar y los diseños de cuadrados latinos.
Principios básicos de los diseños experimentales:
• Replicación
• Ramdomnizacion
• Bloqueo o control local
Fuentes de variación:
DCA: error y tratamiento
DBA: bloques o repetición, error y tratamientos
DCL: tratamientos, filas, columnas, error
Hay varios tipos de análisis de varianza.
Por ejemplo:
El tipo más simple es un análisis de covarianza. unidireccional. El término 'one- way'
significa que sólo hay un factor o variable independiente. "Bidireccional indica que hay
dos factores, tres factores' de tres vías', y así sucesivamente.
El análisis de varianza tiene varias ventajas.
1. Muestra si las medias de tres o más grupos difieren de alguna manera, aunque no
nos dice en qué difieren esas medias
2. Proporciona una prueba más sensible de un factor donde hay más de un factor
porque el termino de error puede ser reducido
3. Indica si hay una interacción significativa entre dos o mas factores
4. En el análisis de covarianza ofrece una prueba mas sensible de un factor al reducir
el termino de error
5. En el análisis multivariado de varianza permite examinar dos o mas variables
dependientes al mismo tiempo cuando sus efectos pueden no ser significativos
cuando se analizan por separado
La estadística esencial del análisis de varianza es el F radio, que fue nombrado por
Snedecor en honor de Sir Ronald Fisher, quien desarrolló la prueba. Es la varianza o
cuadrado medio de un efecto dividido por la varianza o cuadrado medio del error o
varianza restante:
F radio=efecto varianza/error de varianza
El ANOVA es un método paramétrico y por lo tanto obedece a una distribución normal
La distribución toma una forma diferente dependiendo de si l variable aleatoria es discreta
o continua
Variable discreta: cuando no puede tomar ningún valor entre dos consecutivos
Variable continua: cuando puede tomar cualquier valor dentro de un intervalo, numero
infinito de valores posibles que se pueden representar mediante un intervalo en la recta
numérica
Distribución normal: es una distribución teórica que muestra la frecuencia o
probabilidad de todos los valores posibles que puede tomar una variable continua y esta
distribución tiene la forma de campana
Puede tener cualquier media y cualquier desviación estándar positiva
Distribución normal usada en agricultura, medicina, ingeniería, economía, ciencias
sociales, comercio, etc.
Propiedades de la distribución gaussiana:
• La media, mediana y moda son iguales
• La curva tiene forma de campana y es simétrica con respecto a la media
• El área total bajo la curva es igual a 1
• La curva normal se aproxima, pero nunca toca, el eje x a medida que se extiende
mas y mas lejos de la media por tanto es asintótica
• Entre u - o y u+ o (en el centro de la curva), el grafico de la distribución se curva
hacia abajo. Los untos n los que la dirección de la curva de cóncava a convexa se
denominan puntos de inflexión
Supuestos del ANOVA
 1. Muestras independientes
2. Gaussian distribuyo las poblaciones
3. La variable independiente es discreta, mientras que la variable dependiente es
continua
4. Homogeneidad de varianza: todos los grupos tienen la misma varianza
Para probar los supuestos de normalidad se puede usar la prueba de Shapiro – Wilk
El análisis de varianza asume que la varianza dentro de cada uno de los grupos es igual o
homogénea. Hay varias pruebas para determinar eso:
La prueba de Levene es una de ellas si las varianzas no son iguales, se pueden hacer
iguales transformándolas aritméticamente como tomando su raíz cuadrada o logaritmo
Diseño completamente al azar (DCA)
Es uno de los más importantes y más simples diseños experimentales
Es un diseño en el cual los tratamientos son asignados completamente al azar a las
unidades experimentales o viceversa
También conocido como diseño de ordenación simple (one way)
• Aplicable solo cuando las unidades experimentales son homogéneas (verificar si
existe homogeneidad)
• Los tratamientos pueden tener igual o diferente numero de unidades experimental
• La distribución de los tratamientos es al azar en las unidades experimentales
El diseño mas simple y se aplica cuando las unidades experimentales son homogéneas y
cuando la variación (CV) este estas son mínima.
Tal es el caso de los experimentos:
• Laboratorio
• Cámaras de crecimiento
• Invernadero
• Galpones
• Plantas de producción
• Cámaras de maduración
En aquellos donde las condiciones ambientales sean controladas
Es una prueba con solo un criterio de clasificación equivalente a la prueba no pareada de
t
Ventajas del DCA
• El DCA es el más simple de todos los diseños experimentales.
• DCA es el único diseño básico donde se puede tener la flexibilidad de adoptar
diferentes números de repeticiones para diferentes tratamientos. Cuando el
experimentador se encuentra con el problema de la disponibilidad variada de
materiales experimentales, la flexibilidad de diferentes repeticiones para
diferentes tratamientos se vuelve muy útil,
 • Los datos faltantes no proporcionan una amenaza potencial siempre y cuando
haya unas pocas observaciones correspondientes a todos y cada uno de los
tratamientos. Esto es posible sólo debido a la flexibilidad de diseño para manejar
diferentes repeticiones para diferentes tratamientos
• En comparación con otros diseños básicos, DCA se puede utilizar en parcelas
experimentales de forma irregular.
Desventajas del DCA
• Aunque el DCA es más adecuado para condiciones experimentales de laboratorio
o invernadero debido a las unidades experimentales homogéneas, es muy difícil
tener unidades experimentales homogéneas en número grande bajo condiciones
de campo.
• En el DCA sólo se utilizan dos principios básicos del diseño de experimento.
• El principio de "control local" no se utiliza en este diseño que es muy eficiente en
la reducción del error experimental. Como el error experimental es más en
comparación con otros diseños experimentales básicos.
• Con el aumento del número de tratamientos y /o replicaciones, especialmente en
condiciones de campo, se hace muy difícil obtener más número de unidades
experimentales homogéneas
• DCA solo tiene Ramdomnizacion y replicación
Cuando toda el área experimental o todas las unidades experimentales son homogéneas
en naturaleza, se puede pensar en tal diseño
Toda el área experimental que debe dividirse o el numero de unidades experimentales
deber ser tal que haya tantos números de unidades experimentales como la suma del
numero de repeticiones de todos los tratamientos
Repeticiones: las repeticiones de las unidades experimentales que reciben idénticos
tratamientos reducen el error experimental y en consecuencia aumentan la precisión del
experimento
Cuanto mayor sea el número de repeticiones, mayor probabilidad habrá de obtener
resultados que se acerquen a la realidad
Ventajas de las repeticiones:
• Hay mayor probabilidad de obtener resultados apegados a la realidad (la media y
su desviación son más confiables)
• Disminuye el efecto de la heterogeneidad (por ejemplo, la del suelo)
• Aumenta la precisión del experimento al disminuir el error
• Permite una mejor distribución de los tratamientos
Para determinar el número óptimo de repeticiones:
a) Revisar la bibliografía respectiva
b) Consultar con investigadores de experiencia
c) Diseñar ensayos en blanco (determinación del CV)
d) Considerar que los grados de libertad para el error sean mayores que 10
e) Sacrificar el tamaño de las parcelas para un mayor numero de repeticiones
 f) Considerar la distribución de los tratamientos y su numero
g) Destacar la importancia del costo de la unidad experimental
h) Considerar el manejo y los objetivos del experimento
i) Dar importancia a las ventajas y desventajas de un alto numero de repeticiones
Tamaño y forma de las unidades experimentales
Al momento de decidir sobre el tamaño de las unidades experimentales (en campo) hay
que considerar lo siguiente:
1. Área del terreno disponible y medios económicos
2. Calidad del suelo
3. Objetivo del experimento
4. Manejo de las unidades experimentales (control de hierbas, riegos, etc.)
5. Especie cultivada
6. Influencia del tamaño sobre la variabilidad de los resultados a igualdad de las
demás condiciones (deseable un tamaño en el que la variabilidad sea mínima)
Respecto a la forma de las parcelas (unidades experimentales), esta puede ser cuadrada o
rectangular. La cuadrada es mas recomendable para parcelad contiguas (ejemplo: DCA).
Las rectangulares dependen de la heterogeneidad (más variabilidad), por ejemplo, cuando
se reconoce la variabilidad del suelo, es recomendable orientar la mayor longitud en el
sentido en el que se va la variabilidad
Asignación al azar y diseño
RESOLUCION DE PROBLEMAS
1. Divida toda el área experimental en n parcelas experimentales de igual tamaño y
preferiblemente de la misma forma
2. Numere las unidades experimentales de 1 a n
3. Organice los tratamientos junto con sus repeticiones
4. Seleccione n números aleatorios menores o iguales a n, sin remplazo (por ejemplo,
utilice una tabla de números aleatorios o generadores de números aleatorios);
estos números aleatorios indicaran los números de la parcela
5. Asigne el primer tratamiento la primera vez a la primera parcela numerada al azar,
es decir, T,r,y luego el primer tratamiento la segunda vez a la segunda parcela
numerada al azar, y continúe el proceso hasta que todas las n parcelas sean
asignadas con un tratamiento cada una y tan manera aleatoria
ANOVA
Es un proceso matemático que consiste en desdoblar la variación total (la suma de
cuadrados total), en fuentes de variación reconocidas, incluyendo la variación que no se
han podido medir
La variación que no se ha podido medir es aquella inherente al material experimental o
de la falta de homogeneidad del ambiente en el que se realizo el experimento, esta fuente
de variación se la conoce como residuo, resto o error experimental
El ANOVA es utilizado cuando los datos son medidos cuantitativamente (las
observaciones se hallan en forma de números)
Suposiciones básicas del ANOVA
Los efectos de tratamientos y los efectos ambientales son aditivos
El error experimental constituye un elemento al azar, normal e independientemente
distribuido, con media cero y varianza común
Grados de libertad: número de comparaciones independientes menos el numero de
restricciones impuestas
Modelo matemático DCA- modelo lineal

Yij= respuesta d la observación jth del ith del tratamiento

U= efecto general
ai= efecto adicional debido al tratamiento ith
Eij= error asociado con la observación del jht del tratamiento iht
Diseño en bloques al azar (DBA)
Es el mas simple de todos los diseños de campo que utilizan todos los principios básicos:
replicación ,Ramdomnizacion y control local de los diseños de experimento
Con el fin de eliminar la mayor parte posible de la variación natural y aumentar la
sensibilidad de os experimentos, sería aconsejable elegir las unidades experimentales para
un estudio que sean lo más homogéneas posible.
En términos matemáticos, esto reduciría la varianza del error experimental y aumentaría
el poder para detectar los efectos del factor de tratamiento
El bloqueo es la segunda técnica que cae en la categoría de control de errores
Es un diseño de bloques al azar, se utiliza un grupo de unidades experimentales
heterogéneas para que las conclusiones sea mas generales; sin embargo, estas unidades
experimentales heterogéneas se agrupan en subgrupos homogéneos antes de asignarse al
azar a niveles de factores de tratamiento
El acto de agrupar las unidades experimentales en grupos homogéneos se denomina
bloqueo, el bloqueo es la segunda técnica que cae en la categoría de control de errores
- diseño de bloques completos al azar (DBCA) o simplemente diseño de bloques al azar
(DBA)
Fisher propuso por primera vez diseños de bloques para experimentos agrícolas donde las
unidades experimentales eran parcelas de tierra. Los bloques representaban parcelas
compactas muy cercanas que eran similares. La variabilidad entre bloques representaba
el rango de condiciones sobre las cuales se generalizarían las conclusiones.
La asignación de los niveles de los factores de tratamiento a los expertos dentro de los
subgrupos homogéneos más pequeños unidades al, o bloques, tiene el mismo efecto de
usar solo las unidades homogéneas , pero permite las conclusiones a toda la clase de
unidades heterogéneas utilizadas en el estudio.
Si las unidades experimentales representan entidades físicas, el bloqueo o agrupación por
características físicas similares a menudo resulta en grupos heterogéneos más
heterogéneos.
Por ejemplo, las parcelas de tierra en experimentos agrícolas suelen estar bloqueadas por
proximidad porque las parcelas en proximidad suelen tener características similares del
suelo.
En un diseño de bloques completos al azar, con un factor de tratamiento, cuando el factor
tiene niveles t habrá bloques b (o subgrupos de unidades experimentales homogéneas)
que cada uno contiene exactamente t unidades experimentales para un total de unidades
experimentales tx b.
Las unidades experimentales t dentro de cada bloque son lo más similares posible, y los
grupos de unidades experimentales varían lo suficiente de bloque a bloque para permitir
conclusiones generales.
Ventajas (DBA)
• DBA es el diseño más simple de todos los bloques
• DBA utiliza los tres principios de diseños experimentales
• El DBA se ocupa de la heterogeneidad
• El diseño es muy simple
• Es más eficiente en comparación con (DCA)
Desventajas (DBA)
• DBA es un diseño de bloques completos; Cada bloque contiene todos los
tratamientos. Ahora bien, si el número de tratamientos aumenta en gran medida,
el tamaño del bloque también aumenta simultáneamente. Se hace muy difícil tener
un bloque homogéneo más grande para acomodar más número de tratamientos.
• En la práctica, el número de tratamientos en DBA no debe exceder de 12.
• Todos y cada uno de los tratamientos se repite el mismo número de veces en DBA.
Como tal como DCA, la flexibilidad de usar diferentes repeticiones para
diferentes tratamientos no es posible en DBA.
• La observación faltante, si la hay, debe ser estimada primero y luego el análisis
de los datos a tomar.
• DBA se ocupa de la heterogeneidad del área experimental en una sola dirección
Diseño Experimental
Resolución del problema DBA
1. dependiendo de la heterogeneidad entre las unidades experimentales y el número
de tratamientos a incluir en el experimento, todo el campo experimental se divide
en número de bloques, perpendiculares a la dirección de heterogeneidad, igual a
los tipos/grupo de unidades experimentales tomando información del ensayo de
uniformidad o experiencia previa
 2. cada bloque se divide en numero de unidades experimentales igual al numero de
tratamientos a través del gradiente de heterogeneidad
3. en cada bloque formado por t unidades experimentales, asigne t tratamientos al
azar para que ningún tratamiento se repita mas de una vez en ningún bloque
modelo lineal o matemático del DBA

Yij= repuesta de jth debido a la observación del tratamiento

u= efecto general
ai= efecto adicional debido al tratamiento con iht
bj= efecto adicional debido a la replicación jth/bloque
eij= error asociado a la observación del tratamiento con ith
DISEÑO CUADRADO LATINO (DCL)
en muchas situaciones prácticas, se encuentra que el gradiente de fertilidad o
heterogeneidad varia no solo en una dirección sino también en dos direcciones
perpendiculares.
El diseño en bloques completamente al azar se ocupa de la heterogeneidad del suelo en
una dirección. Por lo tanto, existe la necesidad de un diseño experimental que pueda
ocuparse de la heterogeneidad entre las unidades experimentales en dos direcciones
perpendiculares
El diseño cuadrado latino es un diseño que ocupa dos fuentes perpendiculares de variación
entre las unidades experimentales
Según el principio de bloqueo, el bloqueo debe realizarse en dirección perpendicular a la
heterogeneidad del suelo. Por lo tanto, para cuidar de la heterogeneidad del suelo en dos
direcciones perpendiculares, necesitamos enmarcar los bloques en dos direcciones
perpendiculares de forma independiente. Y según las características de bloqueo cada
bloque debe contener cada tratamiento una vez en cada bloque
El diseño cuadrado latino, cada bloque en direcciones perpendiculares, i.e.,cada boque de
fila y bloque de columna, debe contener todos y cada uno de los tratamientos una vez y
solo una vez
Esta disposición a dado lugar a bloques de fila y columna de igual tamaño, lo que resulta
en el requisito de t2 numero de unidades experimentales para acomodar t numero de
tratamientos en un diseño cuadrado latino
Este tipo de asignación de tratamientos ayuda a estimar la variación entre bloques de
hilera, así como bloques de columna. Posteriormente las variaciones totales entre las
unidades experimentales se parten en diferentes fuentes: tratamientos de filas, columnas
y errores
Aunque las aplicaciones de este tipo de diseños son raras en condiciones de laboratorio,
puede llevarse a cabo y es útil en condiciones de campo o en condiciones de invernadero
Las dos principales fuentes perpendiculares de variación en el invernadero pueden ser la
diferencia entre las hileras de la parcela y sus distancias a la pared de los invernaderos
DCL es usado en agronomía, ganadería, comercialización, etc. Este diseño es adecuado
cuando el numero de tratamientos es de 4 a 8
DCL es un diseño donde el numero de tratamientos es igual al número de filas y es igual
al numero de columnas
Debido a esta estrecha relación, el diseño es más complicado en comparación con los
otros dos diseños básicos estudiados DCA Y DBA
Aleatorización y diseño de las unidades experimentales
Resolución del problema DCL
El DCL empieza con un cuadrado latino estándar
El cuadrado latino estándar es un arreglo en el que los tratamientos se ordenan en orden
natural/ alfabético o sistemáticamente
Luego , el siguiente paso, las columnas se aleatorizan
Y en el ultimo paso manteniendo intacta la primera fila, el resto de las filas se aleatorizan
Ventajas Del DCL
• Cuida la heterogeneidad del suelo en dos direcciones perpendiculares.
• En ausencia de cualquier conocimiento sobre el sitio experimental, es mejor tener
DCL
• Entre los tres diseños básicos, DCL es el diseño más eficiente, en particular hacia
la minimización de errores.
Desventajas del DCL
• El número de repeticiones es igual al número de tratamientos; Por lo tanto, se
requiere un mayor número de unidades experimentales para la realización de un
experimento en comparación con otros dos diseños básicos (DBA Y DCA ).
• El número de tratamientos en el diseño del DCL generalmente debe estar entre 4
y8
• La disposición del diseño no es tan simple como en el caso de DBA o DCA
• Este diseño requiere parcelas cuadradas.
modelo lineal modelo matemático DCL

Yijk= respuesta
u= efecto general
ai = efecto adicional debido al ith tratamiento
bj= efecto adicional a la columna jth
Vk= efecto adicional a la columna kth
eijk = error asociado con ith tratamiento en jth fila y kht columna
EXPERIMENTOS FACTORIALES
Supongamos que un experimentador quiere conocer no solo el mejor tratamiento de cada
uno de los conjuntos de tratamientos, sino también quiere conocer los efectos de la
interacción de los dos conjuntos de tratamientos
Esta información no se puede obtener mediante la realización de dos conjuntos separados
de experimentos simples con dos grupos/ tipos de tratamientos.
Dado que muchos experimentos implican el estudio de los efectos de dos o mas factores,
por lo que los diseños factoriales son las eficientes para este tipo de experimento
Un diseño factorial es aquel que en cada ensayo completo o repetición del experimento
se investigan todas las combinaciones posibles de los niveles de los factores
Cuando se habla de factoriales no se esta hablando de otro tipo de diseño experimental,
sino de un diseño de tratamientos, de una manera de formar las combinaciones de
tratamientos o factores
Supongamos que un experimentador quiere saber:
I las mejores variedades entre cinco variedades de un cultivo recién desarrollado.
II la mejor dosis de fertilizante nitrogenado para el mejor rendimiento del mismo cultivo
III qué variedad entre las cinco variedades en las que la dosis de nitrógeno proporciona
el mejor rendimiento (es decir, , variedad y dosis efecto de interacción).
Los experimentos factoriales son un mecanismo en el que más de un grupo (factor) de
tratamientos puede ser acomodado en un experimento, y a partir del experimento, no sólo
se puede identificar el mejor tratamiento en cada grupo de tratamientos, sino también se
pueden estimar los efectos de interacción entre los tratamientos en diferentes grupos.
FACTORES Y NIVELES
En su forma más simple, un factor en experimentos factoriales, es un concepto usado para
denotar un grupo de tratamientos. Por ejemplo, diferentes razas de ganado, diferentes
dietas, diferentes variedades, diferentes dosis de nitrógeno, diferentes métodos de riego,
etc., pueden formar diferentes actores en experimentos factoriales.
Los diferentes componentes de un factor se conocen como los niveles del factor.
Tanto los factores como sus niveles pueden ser dosis cuantitativas de nitrógeno), así como
cualitativos (diferentes razas, diferentes dietas, diferentes variedades) en la naturaleza.
Tipos de experimentos factoriales:
 • Dependiendo del número de factores incluidos en el experimento, un
experimento factorial es un experimento factorial de dos factores. , dos factores),
experimento factorial de tres factores (cuando tres juegos de tratamientos, i.e. ,
tres factores)... , o experimento factorial de factor p (cuando "p" conjuntos de
tratamientos, i.e. , p número de factores).
• Si todos los factores incluidos en el experimento tienen los mismos niveles o
niveles diferentes, un experimento factorial es simétrico (los mismos niveles para
todo el factor) o asimétrico (niveles diferentes para factores diferentes),
respectivamente.
• Generalmente un experimento factorial simétrico con "n" factores cada uno a
niveles "m" se denota como experimento factorial m". Así, un experimento
factorial 23 es un experimento factorial simétrico con tres factores cada uno en
dos niveles. Un experimento bifactorial asimétrico con niveles de p para el primer
factor y niveles de g para el segundo factor se denota como experimento factorial
p x q.
• Así un experimento factorial asimétrico 2 x 3 significa que hay dos factores en el
experimento con el primer factor teniendo dos niveles y el segundo factor teniendo
tres niveles.
• Así que los experimentos factoriales asimétricos no pueden presentarse en forma
de m'; Más bien estos pueden ser presentados en forma de MXNXPX qx. , donde
los niveles de la primera, segunda, tercera, cuarta,... Los factores son m,n , p, q, ,
respectivamente.
Efectos y notaciones en el experimento factorial
Los efectos principales y los efectos de interacción son los dos tipos de efectos
encontrados en experimentos factoriales.
El efecto principal de un factor es el efecto del factor en cuestión independientemente de
los niveles de otros factores, mientras que los efectos de interacción son los efectos de un
factor con el cambio en los niveles del otro factor y viceversa.
Cuando los factores son independientes el uno del otro, uno esperaría el mismo efecto de
un factor en varios niveles de los otros factores dando como resultado el efecto de
interacción cero.
Así, los efectos de interacción entran en escena cuando los factores no son independientes
y los efectos de los diferentes factores no serán los mismos en magnitud y orden sobre
los diferentes niveles de otros factores.
Dependiendo del número de factores involucrados en el experimento factorial, los efectos
de interacción serían la interacción de primer orden, la interacción de segundo orden, la
interacción de tercer orden, y así sucesivamente cuando el número de factores en el
experimento es 2,3,4, y así sucesivamente.
Cuando dos factores están involucrados en un experimento factorial, entonces nos
preocupamos por los efectos de interacción de dos factores, conocidos como interacción
de primer orden.
Pero cuando más de dos factores están involucrados, entonces la interacción será tanto en
el plano individual como en general.
Esto significa que para un experimento factorial de tres factores tendremos una
interacción de dos factores, i.e. , interacción de primer orden, así como la interacción de
tres factores, i.e. , interacción de segundo orden. Por lo tanto, a medida que vamos
aumentando el número de factores en cualquier experimento factorial, entonces el tipo de
interacción aumenta.
Ventajas de los experimentos factoriales
1. Los experimentos factoriales pueden acomodar más de un conjunto de tratamientos
(factores) en un experimento.
2. El efecto de interacción podría calcularse a partir de experimentos factoriales
3. Los experimentos factoriales ahorran recursos y tiempo.
4. Los grados mínimos requeridos de libertad para los componentes de error en el análisis
de varianza se pueden lograr fácilmente en experimentos factoriales en comparación con
experimentos factoriales simples.
Desventajas de los experimentos factoriales
1. Con el aumento en el número de factores o los niveles de los factores o ambos el
número y los niveles de factores son más, el número de combinaciones de tratamiento
será más, lo que resulta en el requisito de mayor área experimental y mayor tamaño de
bloque. A medida que aumenta el tamaño del bloque, es muy difícil en condiciones de
campo mantener la homogeneidad entre las parcelas dentro del bloque
2. El procedimiento estadístico y el cálculo de experimentos factoriales son más
complicados que los experimentos de un solo factor.
3. El diseño del experimento factorial es comparativamente difícil que los experimentos
simples.
4. Con el aumento en el número de factores o los niveles del factor o ambos, el número
de efectos, incluyendo los efectos de interacción, también aumenta. A veces se hace muy
difícil explicar la información de las interacciones, particularmente los efectos de
interacción de orden superior.
5. El riesgo es alto. El fracaso en un experimento puede dar lugar a una mayor pérdida
de información en comparación con los experimentos sencillos de un solo factor
Modelo matemático lineal para un experimento factorial 22 con un DCA

Yijk= respuesta para la observación de kth repetición de nivel ith del primer hecho o A
y nivel jth del segundo factor B
u= efecto general
ai= efecto adicional debido al nivel del primer factor A
bj= efecto adicional debido al nivel jth del segundo factor B
(aB)ij= efecto de interacción del nivel ith del primer factor A y el nivel ith del segundo
factor
Eijk= componente de error asociado con el nivel ith del primer factor A, el nivel ith del
segundo factor B en la repetición kth
Hipótesis a ser probadas
Contra la hipótesis alternativa

Modelo matemático lineal para un experimento factorial 22 con un DBA

yijk= respuesta en KTH replicar debido al nivel ith del primer factor y el nivel JTH del
segundo factor B
u= efecto general
ai= efecto adicional debido al nivel ith del primer factor, nivel de 0
Bj= efecto adicional debido al nivel j del segundo factor, B =0
Yk= efecto adicional debido a la replicación KTH
(aB)ij= efecto de interacción del nivel ith del primer factor y el nivel ith del segundo
factor y el factor de (inmovilizado), =0, inmovilizado (inmovilizado), =0
Eijk= componente de error asociado con el nivel ith del primer factor, el nivel ith del
segundo factor, y KTH replica y ej~N(O, d)
ANOVA
La lógica de la ANOVA es simple. Simplificamos nuestra alternativa e hipótesis
preguntando si al menos una de las tres poblaciones es o no más grande que las otras. Por
lo tanto, estamos planteando una hipótesis en lugar de tres, agrupando todas las hipótesis
alternativas
Pruebas para comprobar los supuestos del ANOVA
Para la NORMALIDAD
1. Kolmogorov- Smirnov
2. Shapiro & Wilk
3. Histogramas y QQ plots
Para la HOMOCEDASTICIDAD (HOMOGENEIDAD DE LA VARIANZA)
1. Bartlett
2. Levene
La prueba F de significancia indica que la variabilidad entre los tratamientos no se debe
al azar, sino a un efecto de dichos tratamientos, lo que es equivalente a indicar que las
diferencias son significativas entre las medias de las poblaciones (estimadas por las
medias de las muestras)
No obstante, la prueba F no indica cuales medias son iguales o cuales son diferentes
En el caso de que la prueba sea significativa (es decir, cuando se rechaza la hipótesis
nula), entonces uno debe averiguar qué par de tratamientos es significativamente diferente
entre si y que tratamiento es el mejor
Las pruebas de comparación on también conocidas como de “contraste posterior” o
“análisis post-hoc”
Con los datos del análisis de varianza se hacen las pruebas de significancia o las
comparaciones entre las medias de los tratamientos
Existen métodos ideados por varios investigadores entre ellos:
• D.T. Sawkins (1938)
• D. Newman (1939)
• D.B. Duncan (1947-1953)
• J.W. Tukey (1949-1953)
• M. Keuls (1952)
• H. Scheffé (1953)
• S.N. Roy, R. C. Bose (1953)
• H.O. Hartley (1954)
• J. Cornfield, M. Halperin, S. Greenhouse (1953)
Diferencia mínima significativa (DMS) LSD en ingles
Es la prueba más simple y fácil de calcular
En esta prueba, la diferencia entre dos medias cualquiera se declara significativa, al
nivel de 5%, por ejemplo, si excede la llamada diferencia menos significativa V2 tn
(t es el valor significativo del nivel del 5% de la distribución t) y siempre que la prueba
F para la homogeneidad de las n medias involucradas sea significativa
Ventajas
 • Es un valor fácil de calcular y de simple utilización
• La prueba es válida cuando se hacen comparaciones planeadas de antemano,
comparaciones que se identifican con los objetivos del experimento
• Da resultados satisfactorios cuando se compara cada una de las medias con el
testigo
Desventajas
• No toma en consideración el numero de tratamientos dentro de un experimento
• Mo debe usar la DMS a menos que el valor de F de un valor significativo
• La probabilidad de cometer un error tipo I en comparaciones individuales aumenta
• Cuando se hacen comparaciones no ortogonales (una media está involucrada en
más de una comparación), puede concluirse erróneamente, que hay mayor
cantidad de información de la que realmente existe
Formula DMS

Prueba de Tukey
La prueba de F significativa indica que la variabilidad entre los tratamientos no se debe
al azar, sino a un efecto de dichos tratamientos, lo que es equivalente a indicar que las
diferencias son significativas entre las medias de las poblaciones (estimadas por las
medias de las muestras)
No obstante, la prueba de F no indica cuales medias son iguales o cuales son diferentes
El rechazo de la hipótesis nula de igualdad de medias en el análisis de varianza, conduce
a preguntar cuales diferencias entre las medias muestrales son las responsables del
rechazo
Prueba de Tukey
HSD: honestly sinificant difference = DHS: diferencia honestamente significante
Es un procedimiento similar a la DMS ya que también se requiere un solo valor para
determinar la significancia de las diferencias
Prueba de tukey DHS: es una prueba de gran adaptabilidad y superior a la DMS porque
la unidad considerada es el experimento mismo
Es considerada la mas conservadora de todas las pruebas, por mantener constante su error
tipo I sin importar el numero de medias que se estén considerando
Utiliza los valores de la distribución t modificados
Prueba fundamentada en la amplitud total de la curva o función de distribución total de
probabilidad de Student (estudentizada), la cual fue desarrollada por J. W. Tukey (1953)
Formula prueba tukey

Como ver en la tabla tukey

Tukey en su articulo original publicado en mayo de 1949, habla del procedimiento general
para detectar las diferencias entre las medias en el análisis de varianza, y describe el
procedimiento en varios pasos
La prueba Tukey es la prueba mas aplicada y preferida por los estadísticos, pues controla
de mejor manera los dos errores ampliamente conocidos en la estadística (α y β)
Esta prueba permite hacer todas las posibles comparaciones de tratamientos de dos en
dos, y por eso se considera una de las mas completas
Prueba de Bonferroni
Un procedimiento de comparaciones múltiples es un método para controlar una tasa de
error tipo I distinta de la tasa de error por comparación
Las comparaciones entre varios grupos, después de hacer un ANOVA, puede ser a priori,
planificadas de antemano, o a posteriori
El método de Bonferroni es el procedimiento de comparaciones múltiples más simple y
más ampliamente aplicable. El procedimiento de Bonferroni funciona para un conjunto
fijo de hipótesis nulas para probar o para estimar parámetros
El procedimiento de Bonferroni dice obtener intervalos de confianza simultáneos
mediante la construcción de intervalos de confianza individuales
El método de Bonferroni de comparaciones múltiples se aplica cuando se tiene interés en
un conjunto concreto de comparaciones de medias, por parejas, contrastes o
combinaciones lineales especificadas por el usuario, sin importar si los tamaños
muestrales son iguales o diferentes
Este método se basa en la distribución t de Student y requiere especificar de antemano el
numero total de estimaciones a realizar
Por lo tanto, es un método de comparaciones ya planificadas de antemano
Cuando el numero de comparaciones por parejas es muy grande no se debe utilizar el
método de Bonferroni, ya que el nivel de significación de cada comparación puede llegar
a ser demasiado pequeño para considerarse utilidad
Comparaciones individuales
Las comparaciones individuales hacen referencia a comparaciones de par en par sin
considerar el error global que se puede generar sin una corrección adecuada
Por ejemplo, se puede usar una simple prueba de t de Student entre pares de medias, pero
al hacerlo se pierde el contexto global de las diferencias por todo el grupo de medias

Las comparaciones individuales, podrían hacerse siempre y cuando las medias a

compararse sean pocas, de lo contrario es ahí cuando el error se maximiza
ANCOVA también conocido como ANACOVA o ADECOVA
El análisis de los modelos de covarianza son esencialmente modelos ANOVA que
incorporan una o más variables continuas (covariables)
Aunque la relación entre una variable de respuesta y una covariable puede ser de interés
biológico sustancial, típicamente se incorporan covariables para reducir la cantidad de
variabilidad inexplicada en el modelo (análoga al bloqueo)y, por lo tanto, para aumentar
el poder de cualquier efecto de tratamiento
Hay que tener en cuenta que el ANCOVA persigue el mismo fin de reducir la variabilidad,
tal como se persigue al hacer el bloqueo (visto en el DBA ) para mejorar la precisión de
las comparaciones de tratamientos
En un ANCOVA, se logra una reducción en la variabilidad inexplicada ajustando la
respuesta (a cada tratamiento) de acuerdo con ligeras diferencias en las medias
covariables, así como tendiendo en cuenta las tendencias subyacentes entre la respuesta
y las covariables
Por lo tanto, para la realización del análisis de covarianza se debe asociar el modelo de
una regresión al modelo del diseño empleado en el ensayo
El uso de covariables no esta diseñado en el sentido de la configuración de los
tratamientos, la estructura de la unidad o la forma en que os tratamientos se asignan a las
unidades
Al contrario, una covariable es una respuesta adicional que explotamos modificando
nuestros modelos para incluir. Casi cualquier modelo puede modificarse para incluir
covariables
Para ilustrar los usos del ANCOVA citaremos un ejemplo:
Consideraremos un ejemplo en el cual el investigador esta interesado en conocer los
efectos de diversas reacciones en los pesos de los cerdos
Suposiciones en el ANCOVA
Son una combinación de las ANOVA y el de la regresión
1. Las medias deben medirse sin error y tener valores fijos
2. Debe hacer homogeneidad en la regresión, luego de a ver removido los efectos de
bloques y tratamientos; además, se supone que la regresión de Y en X, es lineal e
independientemente de bloques y tratamientos
3. Los residuos son normal e independientemente distribuidos con media cero y
varianza común
Un análisis de covarianza puede aplicarse a todos los otros diseños que se han visto: DCA,
DBA y DCL (incluidos a los experimentos factoriales)
Modelo lineal de un análisis de covarianza para un DCA

Para el análisis del experimento de ANCOVA bajo un DCA debe estimarse los
parámetros, luego realizar las pruebas de hipótesis:
• Prueba del efecto de regresión de X en Y, en la que no intervienen el efecto de
tratamientos
• Prueba de los tratamientos involucrados
Hipótesis a formularse en el ANCOVA son: para la regresión, para los tratamientos

Procedimiento de calculo de ANCOVA

Prueba de hipótesis(análisis de la respuesta en un ANCOVA )
Si la hipótesis nula es cierta, entonces β=0, es decir X no tiene relación con Y, por lo
tanto, X no será considerado para el análisis de tratamientos
Si F calculado es mayor o igual a F tabular se rechaza la hipótesis H0= β=0. Se afirma
estadísticamente que βes distinto de cero, lo que implica que X tiene efecto sobre la
respuesta de Y, y será considerado en el análisis de la varianza para la prueba de
tratamientos
Modelo matemático de un ANCOVA

Modelo lineal de un análisis de covarianza para un DBA

El procedimiento de calculo del ANCOVA en un DBA es similar al del DCA, con la
diferencia de que se incorpora las repeticiones como fuente de variación
Modelo matemático del ANCOVA en un DBA

Uno puede darse cuenta de si la covariable puede afectar o no a los tratamientos al analizar
el ANOVA de la covariable, si esta no es significativa entonces no afectara a los
tratamientos
En caso de que exista la afectación de la covariable a los tratamientos (y esto es indicado
por el ANCOVA)entonces hay que hacer los ajustes respectivos a los tratamientos
Modelo lineal de un análisis de covarianza para un DCL