Planteamiento y análisis de diseños

experimentales agrarios para

ensayos de eficacia y
rendimiento
Ponente: Agr. Vásquez Velasco, Christian R.A.
Investigación
Según la RAE: Se refiere al acto de llevar a cabo
estrategias para descubrir algo.
Enfoques de investigación
Cuantitativa o Cuantificable: Las
variables se pueden medir de forma
numérica e interpretar mediante
estadística.

Cualitativa o Cualificable: La
recolección de información emplea
distintos métodos y los datos no son
analizados numérica o
estadísticamente.
Tipos de investigación
Teórica - Básica: Crean variables y
teorías(leyes).

Aplicada: Usan variables creadas

para generar nuevo conocimiento.
Replican investigaciones
realizadas anteriormente.
 Nivel de investigación
Exploratorio: Sin metodología definida. No
necesita hipótesis. Métodos estadísticos
varios.
Descriptivo: Caracteriza variables.
Estadística descriptiva. Generalmente, no
necesita hipótesis.
Correlacional: Relaciona variables.
Estadística correlacional. Necesita
hipótesis.
Explicativa: Explica fenómenos causa -
efecto. Estadística inferencial. Necesita
hipótesis.
 Diseños de investigación
Naturaleza de las variables: Experimental
(modifica la variable dependiente) / No
experimental (estudia las variables sin
modificar).
Número de evaluaciones: Transversal (una
evaluación) / Horizontal (más de una
evaluación).
Fuente de recolección de datos:
Prospectiva (fuente primaria) /
Retrospectiva (fuente secundaria).
 Tipos de variables
Relación:
Independiente / Dependiente.

Naturaleza:
Discretas (int): Números Enteros, escalas
(no puede tomar ningún valor entre dos
consecutivos).
Continuas (num): Números enteros y
decimales.
Categóricas (factor): Número limitado de
posibles valores.
 Protocolo de ensayo o investigación
Introducción: Situación problemática (necesidad,
crisis, urgencia). Problema de investigación
(pregunta), hipótesis de investigación,
objetivos (general y específico), justificación.

Marco teórico (no dispensable): Antecedentes,

bases teóricas y conceptuales.

Metodología: Ubicación (condiciones

edafoclimáticas), Materiales, Métodos.

Cronograma de investigación / Presupuesto.

 Búsqueda de información

renati.sunedu.gob.pe

scholar.google.com
Método de investigación
Consideraciones:
 Objetivos (general y específicos).
 Variables de investigación (dimensiones e
indicadores).
 Condiciones de investigación: Ubicación (campo,
laboratorio o invernadero) condiciones
edafoclimáticas (¿controladas?), cultivo (anual,
semi-perenne, perenne), plaga (número de individuos,
estadío, incidencia, grados, otros) o enfermedad
(incidencia, severidad, otros), condiciones
económicas de la empresa, disponibilidad de insumos,
mano de obra y maquinaria.
Operacionalización de variables (caso eficacia de control)
Matriz de Consistencia (caso eficacia de control)
Operacionalización de variables (caso rendimiento)
Matriz de Consistencia (caso rendimiento)
 Control del error experimental

El error experimental puede ser controlado mediante:

1.El diseño experimental.
2.El uso de observaciones paralelas.
3.Tamaño y forma de las unidades experimentales.
 El diseño experimental
 El diseño más idóneo, hace que la variación natural
existente en el área experimental no afecte las
diferencias estadísticas entre las medias de los
tratamientos.
 Para experimentos dónde el rendimiento por hectárea es la
observación experimental principal, se debe usar el DBCA
(Diseño de bloques completos al azar) o DCL (Diseño
cuadrado latino).
 Para experimentos dónde se pretende evaluar la eficacia
de control de plagas y enfermedades, es necesario
estudiar la naturaleza del cultivo, del entorno y del
indicador principal que se pretende investigar. Se puede
optar por DCA (Diseño completamente al azar), DBCA y DCL.
La pendiente de fertilidad
Orientación de los bloques
 Uso de observaciones paralelas

 Se puede aumentar la precisión haciendo uso de

observaciones paralelas (indicadores que se pueden medir
de forma conjunta con el indicador principal). Ayuda a
realizar análisis de covarianza (método estadístico que
une la correlación y el análisis de varianza), empleado
cuando las variaciones del indicador principal son, en
parte, causadas por otras características medidas.
 Por ejemplo: El rendimiento por hectárea del cultivo de
mango depende del peso de frutos, número de plantas por
hectárea, calibre de frutos, número de frutos por planta,
entre otros.
 Tamaño y forma de las unidades experimentales

 Aplicable a DBCA y DCL.

 Unidades (parcelas) experimentales grandes, poseen menos
variación que las pequeñas.
 A mayor área en las unidades experimentales (u.e.), menor
número de repeticiones que se pueden controlar.
 Es más importante el número de repeticiones que el área
de la parcela experimental.
 Una parcela demostrativa necesita de mayor número de
repeticiones que un experimento preliminar.
 En cultivos anuales el área de cada parcela experimental
no debe superar los 50 m^2. Recomendación: Pueden ser de
20 m^2.
 Tamaño y forma de las unidades experimentales
 Demostrado: formas de u.e. relativamente largas y
estrechas son más convenientes para obtener mayor
precisión.
 La forma de las u.e. deben ser iguales en todos los
casos. Es necesario cumplir con el supuesto de
rectangularidad de las parcelas, siempre orientado al
contrario del lado con mayor variabilidad (ejemplo:
fertilidad del suelo).
 Es posible usar otras formas, determinadas por las
operaciones de cultivos. Pero, deben llegar a ser lo más
cuadradas posibles, aun que cualquier forma es efectiva.
 No es necesario que los bloques sean adyacentes, pero
esto facilita el manejo.
 Número de repeticiones
 Función: Permite al estimación del error experimental,
mejora la precisión (al reducir el error estándar de una
medida de tratamiento), aumenta el alcance de inferencia
del experimento (selección, y uso apropiado de u.e.),
ejerce control sobre la varianza del error.
 Experimentos donde un tratamiento aparece solo una vez,
no permiten estimar el error experimental (lo que
significa que no será posible explicar si una diferencia
observada se debe a una diferencia entre tratamientos o
entre u.e. (diferencias reales o variación inherente).
 Aumentar el # de repeticiones, mejora la precisión,
disminuye amplitud de los intervalos de confianza (i.c.)
y aumenta el poder de las pruebas estadísticas.
 Número de repeticiones
 Experimentos pequeños (hasta 5 trat.): mínimo 20 u.e.
 Experimentos grandes (más de 5 trat.): mínimo 4 rep. por
tratatamiento.
 A más repeticiones, mayor precisión.
 Si se compara tratamientos que de antemano se sabe que
son muy similares, se debe incrementar el # de rep. Por
ejemplo: Determinar diferencias estadísticas entre
productos comerciales con el mismo ingrediente activo.
 Si se trata de comparar tratamientos que se prevén
diferentes, no es necesario aumentar el # de rep. Por
ejemplo: Determinar el efecto de fungicidas con diferente
ingrediente activo para el control de un patógeno.
 Sorteo
 Asegura la obtención de un error experimental que no esté
sesgado (se logra haciendo que un tratamiento no esté
favorecido o discriminado en cada una de las rep.).
 Cada tratamiento tiene la misma probabilidad de ser
asignado a cualquier u.e.
 Tratamientos con disposición prefijada, resultan en una
estimación más baja o alta del error experimental y una
alteración de la precisión en la comparación de medias.
 Parcelas adyacentes tienden a tener rendimientos
parecidos que las distantes, produciendo “error
correlacionado” o “residuo”. Tratamientos ubicados en el
mismo orden en cada rep., generan diferencias de
precisión considerables.
 Efecto de borde y efecto deriva
EB

ED

ED

ED

Notas:
ED = Efecto deriva
EB = Efecto de borde. EB
 Filas de guarda
 Las plantas de los exteriores de las u.e. suelen tener
comportamiento distinto, en el supuesto que no haya
plantas que rodean el experimento.
 Caso: Ensayo de rendimiento en frutales bajo
condiciones heterogéneas de fertilidad por DCA
 Muestra: 1 planta / rep.
 Árboles guarda rodean planta
muestreada
 La aplicación de abonos
foliares y sólidos se realiza
en árboles guarda y muestras.
 # de repeticiones por
tratamiento: 10 a más
(recomendable).
 Selección de plantas
muestreadas es aleatoria.
 Aplicable cuando se desconoce
los niveles de fertilización o
es variable entre u.e.
 Caso: Ensayo de rendimiento frutales bajo
condiciones homogéneas de fertilidad en DCA
 Muestra: 1 planta / rep.
 Árboles guarda rodean planta
muestreada.
 La aplicación de abonos
foliares y sólidos se realiza
en árboles muestras y/o guarda.
 # de repeticiones por
tratamiento: 10 a más
(recomendable).
 Selección de plantas
muestreadas es aleatoria.
 Aplicable cuando los niveles de
fertilización es uniforme entre
u.e. (cultivos en macetas o
similares)
 Caso: Ensayo de eficacia de control en frutales por
DCA
 Muestra: 1 planta / rep.
 Árboles guarda rodean planta
muestreada.
 La aplicación de productos se
realiza en árboles guarda y
muestras.
 La densidad poblacional,
incidencia, severidad o grados
del insecto / enfermedad es el
mismo antes de iniciar el
experimento en toda las u.e.
 # de repeticiones por
tratamiento: 10 a más
(recomendable).
 Caso: Ensayos varios en DBCA y DCL

 Muestra: 5 a más plantas / u.e.

 Árboles guarda rodean u.e.
 La aplicación de productos se realiza en
árboles guarda y plantas de la u.e.
 Para eficacia de control: en todas las
plantas muestreadas es necesario que la
densidad poblacional, incidencia, severidad
o grados del insecto / enfermedad sea el
mismo antes de iniciar el experimento.
 Para DBCA: # de u.e. por tratamiento: 4 a
más (recomendable). # de u.e.: mínimo 20 -
21 (recomendable).
 Para DCL: # de tratamientos: 4 a más
(recomendable).
Muestra estadística en poblaciones infinitas (100 mil
a más plantas o unidades de observación)
Muestra estadística en poblaciones finitas (<100 mil
plantas o unidades de observación)
 Cálculo de la mortalidad

 En condiciones controladas  En condiciones no

(vivero / laboratorio): controladas (campo):
Fórmula de Abbot Fórmula de Henderson y
Tilton
 Libro de campo para dca y dbca de una vía / factor
library(agricolae)

Nombrar # 5 TRATAMIENTOS Y 6 REPETICIONES O BLOQUES

Método de aleatorización
tratamientos trt<-c("A","B","C","D","E")

outdesign <-design.rcbd(trt,4,serie=2, 986, kinds = "Wichmann-Hill") # seed = 986

Crear modelo
Tratamientos Número de repeticiones / bloques
Crear libro de campo print(outdesign)

book <-outdesign$book # field book

Imprime modelo
Imprime libro de # escribir en el disco duro Escribe libro de
campo en bloc de write.table(book,"rcbd.txt", row.names=FALSE, sep="\t") campo en disco duro
notas file.show("rcbd.txt")
Imprime libro de campo
Distribuye print(book)

tratamientos en # Parcelas distribuidas en ZigZag

Imprime el diseño
zigzag fieldbook <- zigzag(outdesign)

print(outdesign$sketch)
experimental
Imprime diseño Imprime el libro de
print(matrix(fieldbook[,1],byrow=TRUE,ncol=5))
experimental campo
print(fieldbook)
codificado
 Libro de campo para dca y dbca de una vía / factor
> print(outdesign$sketch)
[,1] [,2] [,3] [,4] [,5]
[1,] "A" "E" "C" "B" "D"
[2,] "B" "C" "A" "D" "E"
[3,] "D" "C" "A" "E" "B"
[4,] "C" "B" "E" "D" "A"
[5,] "E" "A" "D" "C" "B"
[6,] "E" "C" "A" "D" "B"
> print(matrix(fieldbook[,1],byrow=TRUE,ncol=5))
[,1] [,2] [,3] [,4] [,5]
[1,] 101 102 103 104 105
[2,] 205 204 203 202 201
[3,] 301 302 303 304 305
[4,] 405 404 403 402 401
[5,] 501 502 503 504 505
[6,] 605 604 603 602 601
> print(fieldbook) > print(book)
plots block trt plots block trt
1 101 1 A 1 101 1 A
2 102 1 E 2 102 1 E
3 103 1 C 3 103 1 C
4 104 1 B 4 104 1 B
5 105 1 D 5 105 1 D
6 205 2 B 6 201 2 B
7 204 2 C 7 202 2 C
8 203 2 A 8 203 2 A
9 202 2 D 9 204 2 D [,1] [,2] [,3] [,4] [,5]
10 201 2 E 10 205 2 E BI "A" "E" "C" "B" "D"
11 301 3 D 11 301 3 D
12 302 3 C 12 302 3 C BII "B" "C" "A" "D" "E"
13 303 3 A 13 303 3 A BIII "D" "C" "A" "E" "B"
14 304 3 E 14 304 3 E
15 305 3 B 15 305 3 B BIV "C" "B" "E" "D" "A"
16 405 4 C 16 401 4 C BV
17 404 4 B 17 402 4 B
"E" "A" "D" "C" "B"
18 403 4 E 18 403 4 E BVI "E" "C" "A" "D" "B"
19 402 4 D 19 404 4 D
20 401 4 A 20 405 4 A
21 501 5 E 21 501 5 E
22 502 5 A 22 502 5 A
23 503 5 D 23 503 5 D
24 504 5 C 24 504 5 C
25 505 5 B 25 505 5 B
26 605 6 E 26 601 6 E
27 604 6 C 27 602 6 C
28 603 6 A 28 603 6 A
29 602 6 D 29 604 6 D
30 601 6 B 30 605 6 B
Croquis del diseño experimental
 Libro de campo para DCL de una vía / Factor
# 4 Tratamientos en 4 filas y 4 columnas

Establece varieties<-c("perricholi","yungay","maria bonita","tomasa")

tratamientos Tratamientos Método de aleatorización

outdesign <-design.lsd(varieties,serie=2,seed=23, kinds = "Wichmann-Hill",randomization=TRUE)
Crear modelo
print(outdesign)
Imprime modelo book <-outdesign$book # field book

Crear el libro # escribir en el disco duro Escribe libro de

write.table(book,"rcbd.txt", row.names=FALSE, sep="\t") campo en disco duro
file.show("rcbd.txt") Imprime libro de campo en
Imprime el libro print(book) bloc de notas
# Parcelas distribuidas en ZigZag
Crear diseño Distribuye tratamientos en zigzag
fieldbook <- zigzag(outdesign)
experimental
print(outdesign$sketch)
Imprime el diseño experimental
codificado
print(matrix(fieldbook[,1],byrow=TRUE,ncol=4)) Imprime el diseño
Imprime libro de print(fieldbook) experimental
campo
codificado
 Libro de campo para DCL de una vía / Factor
> print(outdesign$sketch)
[,1] [,2] [,3] [,4]
[1,] "maria bonita" "tomasa" "yungay" "perricholi"
[2,] "perricholi" "yungay" "tomasa" "maria bonita"
[3,] "tomasa" "perricholi" "maria bonita" "yungay"
[4,] "yungay" "maria bonita" "perricholi" "tomasa“

> print(matrix(plots,byrow = TRUE, ncol = 4))

[,1] [,2] [,3] [,4]
[1,] 101 102 103 104
[2,] 201 202 203 204
[3,] 301 302 303 304
[4,] 401 402 403 404
 Importar datos de Excel a R

Primero, seleccione la base de datos que desea analizar.

Consideraciones: Las variables dependientes o numéricas
deberán estar configuradas en Excel como Número (si está
como General u otros formatos, es necesario cambiarlo).
Además, debe configurar Excel para que las separaciones
decimales se realicen con puntos “.” (no funciona si los
decimales se separan mediante comas “,” de los enteros).
Luego corra los siguientes scrips en R:
data<-read.delim('clipboard’) #Carga la data en R
attach(data) #Cargar las variables a R
str(data) #Verifica la clasificación de variables
 Comprobar la clasificación de variables en R
Para DCA y DBCA:
tratamiento <- factor(trat) #Definiendo la variable
tratamiento como factor
bloque <- factor(Bloq) #Definiendo la variable bloque como
factor
Y <-as.numeric(Rdto) #Definiendo la variable rendimiento
como variable numérica

Nótese que: “trat”, “Bloq” y “Rdto” son nombres de

variables de la primera data de la hoja DBCA, de la base
de datos de Excel proporcionada en este curso. Estos
nombres deberán cambiarse dentro de los scrips anteriores
según la data que se analice.
 Comprobar la clasificación de variables en R
Para DCL:
tratamiento <- factor(trat) #Definiendo la variable tratamiento como
factor
fila <- factor(F) #Definiendo la variable fila como factor
columna <- factor(C) #Definiendo la variable columna como factor
Y <-as.numeric(Rdto) #Definiendo la variable rendimiento como variable
numérica

Nótese que: “trat”, “F”, “C” y “Rdto” son nombres de

variables de la primera data de la hoja DCL, de la base de
datos de Excel proporcionada en este curso. Estos nombres
deberán cambiarse dentro de los scrips anteriores según la
data que se analice.
 Construir el modelo del ANOVA

Para construir el modelo de DCA, DBCA y DCL debe correr

los siguientes scrips, según corresponda:

modelo <- aov(Y ~ tratamiento) #Modelo correspondiente a

un experimento de un factor, bajo el diseño completamente
al azar
modelo <- aov(Y ~ bloque + tratamiento) #Modelo
correspondiente a un experimento de un factor, bajo el
diseño de bloques completos al azar
modelo <- aov(Y ~ fila + columna + tratamiento) #Modelo
correspondiente a un experimento de un factor, bajo el
diseño cuadrado latino
 Supuestos del análisis de varianza

 Verifican si se empleó correctamente el método

científico.
 Necesarios para evitar errores estadísticos de tipo I
(Falsos negativos) y II (Falsos positivos).
 Son tres supuestos que se deben cumplir: Independencia
de residuos, Normalidad de datos e Igualdad de varianzas
(Homocedasticidad).
# Para comprobar normalidad de datos
shapiro.test(residuals(modelo))
# Para comprobar homocedasticidad
bartlett.test(Y ~ tratamiento) #Para distribución normal
leveneTest(Y ~ tratamiento, center = "median") #Cuando no se cumple
el supuesto de distribución normal.
 Density plot
Yr <- modelo$residuals
dplot<-density(Yr)
plot(dplot, #Graficando el objeto dplot
main="Curva de densidad observada", #Título principal de la gráfica
xlab = "Residuos", #Etiqueta del eje x
ylab = "Densidad",#Etiqueta del eje y
ylim = c(0,0.1)) #Personalizar límites del eje y
polygon(dplot, #Añadiendo el poligono
col = "green", #Definiendo el color del poligono
border = "black") #Color del borde del poligono
curve(dnorm(x, mean=mean(Yr), sd=sd(Yr)), add=TRUE, col="red")
abline(v=mean(Yr), lwd=2.5, lty=2, col="red")
abline(v=median(Yr), lwd=2.5, lty=3, col="blue")
legend("topleft", legend=c("Densidad observada",
"Densidad normal",
"Media de la densidad observada",
"Mediana de la densidad observada"),
col=c("black", "red", "red", "blue"), # cambia el color de líneas
lty=c(1,1,2,3), # cambia el tipo de línea
lwd = c(1,1,2.5,2.5), # cambia el grosor de línea
cex = 0.6) # cambia el tamaño de los elementos del plot
 Box plot
boxplot(Y ~ tratamiento, xlab = "Tratamiento",
ylab="Y",
main = "Box-plot de la varianza por tratamiento",
col=c("blue","red","gray","green"))
legend("topright", legend=c("Tratamiento 1",
"Tratamiento 2",
"Tratamiento 3",
"Tratamiento 4"),
col=c("blue","red","gray","green"), # cambia el color
lty=1, # cambia el tipo de línea
lwd = 3, # cambia el grosor de línea
cex = 1) # cambia el tamaño de los elementos del plot
 Prueba de normalidad de datos

 Si p valor (p value) es mayor a 0.05 entonces los

residuos del modelo cumplen con una distribución normal,
es decir, se cumple con el supuesto de normalidad de
datos (se realizó un buen muestreo).
 Si p valor (p value) es menor igual a 0.05 entonces no
se cumple con el supuesto de normalidad de datos, por
ello, se podría generar un error al realizar el análisis
de varianza.
 Prueba de homocedasticidad
 Si p valor (p value) es mayor a 0.05 entonces la
varianza fue igual en todos los tratamientos, es decir,
se cumple con el supuesto de homocedasticidad (se cumple
con el método científico).
 Si p valor (p value) es menor igual a 0.05 entonces no
se cumple con el supuesto de homocedasticidad, por ello,
se podría generar un error al realizar el análisis de
varianza.
 El test de Bartlett es el más robusto y confiable. Pero,
no funciona cuando, en algún tratamiento, la media y
todos los datos son cero “0”. Por ello se recomienda
complementarlo con el test de Levene y contrastar los
resultados de ambas pruebas.
 Resumen del ANOVA

summary(modelo) #Brinda información completa del ANVA

cv.model(modelo) #Brinda el Coeficiente de Varianza (CV)

del modelo de ANVA

GLerror<-df.residual(modelo) #Registra los Grados de

Libertad (GL) del error del ANVA
CMerror<-deviance(modelo)/GLerror #Registra el Cuadrado
Medio (CM) del error del ANVA
 Causas de variación en DCA
En un modelo de ANVA para DCA para el primer ejercicio de
la hoja DBCA, se registra que:
> summary(modelo)
Df Sum Sq Mean Sq F value Pr(>F)
tratamiento 4 2000.2 500.0 266 <2e-16 ***
Residuals 20 37.6 1.9
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> cv.model(modelo)
[1] 3.548475
Nótese que se halló diferencia estadística entre
tratamientos.
 Consideraciones en un DCA
En un DCA las causas de variación son: Tratamiento, error
y total.
Se halla diferencias estadísticas entre tratamientos
cuando el p valor es menor o igual a 0.05. El nivel de
significancia puede ser:
Si p valor es mayor a 0.05 entonces no hay significancia
(n.s).
Si p valor es menor o igual a 0.05 entonces es
significativo (*).
Si p valor es menor o igual a 0.01 entonces es altamente
significativo (**).
Si p valor es menor o igual a 0.001 entonces es muy
altamente significativo (***).
 Causas de variación en DBCA
En un modelo de ANVA para DBCA para el primer ejercicio de
la hoja DBCA, se observa que:
> summary(modelo)
Df Sum Sq Mean Sq F value Pr(>F)
bloque 4 1.8 0.4 0.196 0.937
tratamiento 4 2000.2 500.0 223.232 8.17e-14 ***
Residuals 16 35.8 2.2
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> cv.model(modelo)
[1] 3.873351
Se halló diferencia estadística entre tratamientos.
 Consideraciones en un DBCA
En un DBCA las causas de variación son: Bloque,
Tratamiento, error y total.
Se halla diferencias estadísticas entre tratamientos cuando
el p valor es menor o igual a 0.05. Se considera la misma
significancia que en DCA. Si se halla diferencias
estadísticas entre bloques, esto no invalida el modelo (los
DBCA se ejecutan bajo la hipótesis de que existen
diferencias estadísticamente significativas entre bloques).
Por lo general, el DBCA disminuye el error generado por los
bloques, reduciendo el error general del modelo (CM del
error) y haciéndolo más confiable.
 Causas de variación en DCL
En un modelo de ANVA para DCL para el primer ejercicio de la
hoja DCL, se comprueba que:
> summary(modelo)
Df Sum Sq Mean Sq F value Pr(>F)
fila 4 99.2 24.80 5.255 0.0111 *
columna 4 38.5 9.62 2.039 0.1527
tratamiento 4 522.3 130.57 27.668 5.62e-06 ***
Residuals 12 56.6 4.72
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> cv.model(modelo)
[1] 3.984179
Se halló diferencia estadística entre tratamientos.
 Consideraciones en un DCL
En un DCL las causas de variación son: Fila, Columna,
Tratamiento, error y total.
Se halla diferencias estadísticas entre tratamientos cuando el p
valor es menor o igual a 0.05. Se considera la misma
significancia que en DCA y DBCA. Si se halla diferencias
estadísticas entre filas y columnas, esto no invalida el modelo
(los DCL se ejecutan bajo la hipótesis de que existen diferencias
estadísticamente significativas entre filas y columnas).
Por lo general, el DCL disminuye el error generado por las filas
y columnas, reduciendo el error general del modelo (CM del error)
y haciéndolo más confiable.
Se puede probar otras formas de analizar los datos, cargándolos
por planta, frutos, hojas, ramas, entre otros indicadores. Esto
se puede hacer tanto en DCA, DBCA y DCL.
 Análisis Post – hoc no planificado: Comparaciones de
medias
Scrips necesario para test de Duncan:
A<-duncan.test(Y, tratamiento, GLerror, CMerror, alpha = 0.05,
group=TRUE,main = NULL,console=TRUE)
Scrip necesario para test de Tukey:
A<-HSD.test(Y, tratamiento, GLerror, CMerror, alpha = 0.05,
group=TRUE,main = NULL,console=TRUE)

El valor de alpha es el nivel de error del test.

Usar test de Duncan preferentemente cuando el CV sea menor a 30 %
(otros autores mencionan que no debe superar el 25 %). Además, es
recomendable usar Duncan cuando se empleó más de siete
tratamientos para la investigación. El test de Duncan es más
robusto que Tukey, porque emplea una DMS (Diferencia mínima
significativa) diferente en cada comparación.
 Información de las pruebas de comparación de
medias
A1<-A$statistics
A1 #Permite observar las estadísticas del test
A2<-A$parameters
A2 #Permite observar los parámetros del test
A3<-A$means
A3 #Permite observar las medias y valores descriptivos de los
tratamientos
A4<-A$groups
A4 #Permite observar los grupos generados

Recuerda: Si dos tratamientos comparten al menos una misma letra,

son estadísticamente iguales. Siempre es bueno comprobar los
resultados de cada test y elegir aquel que mostró mayor cantidad
de grupos (letras), por ser más discriminante.
 Gráfico de medias por tratamiento
plot(A) #Tratamientos con máximos y mínimos
plot(out,variation="IQR") # Variación interquartil rango: Q75 y
Q25
plot(out,variation="SD") # Variación error estándar
#Gráficos de barras#
bar.err(A$means,variation=c("SE"),bar=TRUE, xlim=c(0,30),
horiz=TRUE,col="white", border="BLUE", main="Standard error")
bar.err(A$means,variation=c("SE"),bar=TRUE,
ylim=c(0,30),horiz=FALSE, col="red",main="Standard error")
bar.group(A$groups, horiz=FALSE,density=20,
col="red",border="BLUE",ylim=c(0,30), las=1)
*Cambiar los límites (con letras rojas) para modificar amplitud
de los gráficos.
Muchas gracias…