PRACTICA 3a

Una investigación se llevó a cabo con el objetivo de determinar el herbicida más eficiente que controle
malezas de hoja angosta en el cultivo de trigo en la zona agrícola de Santa Cruz. Para tal efecto, se
localizó un terreno plano y uniforme y se sembró trigo con una mezcla de malezas más comunes en
la zona. Posteriormente el terreno fue dividido en 20 partes iguales y cuando las malezas se
encontraban entre 2 y 4 hojas verdaderas, 5 herbicidas (a, b, c, d, e) fueron aplicados al azar entre
las 20 partes. Después de 2 semanas, en cada división se determinó el porcentaje de las malezas no
controladas. Los resultados fueron:
HERBICIDAS
a b c d e
65,2 32,6 12,4 55,7 11,6
60,4 27,5 8,6 50,4 13,4
58,9 30,8 10,5 52,6 10,7
63,4 26,4 11,3 51,8 12,8
Diseño completamente al azar (DCA).
Modelo estadístico:
Yij = μ + τi + εj(i)
i= a, b, c, d, e herbicidas
j = 1,2,3,4,5,6,7,8,9,10, 11, 12 ,13 14, 15, 16, 17, 18, 19, 20 parcela/herbicida
Yij = Porcentaje de malezas no controladas evaluadas en la j-ésima parcela donde se aplicó el i-
ésímo herbicida.
μ=Media general
τi = Efecto fijo del i-ésimo herbicida.
εj(i) = Efecto aleatorio de las residuales εj(i) ~NIID (0, σe2)
Corrida de SAS
options ls=76 ps=56;
data prac3;
input herb$ rend;
datalines;
a 65.2
a 60.4
a 58.9
a 63.4
b 32.6
b 27.5
b 30.8
b 26.4
c 12.4
c 8.6
c 10.5
c 11.3
d 55.7
d 50.4
d 52.6
d 51.8
e 11.6
e 13.4
e 10.7
e 12.8
;
Proc print data=prac3;
run;
proc univariate normal plot;
var rend;
run;
proc glm data=prac3;
class herb;
model rend=herb/ss3;
lsmeans herb;
run;
 PRACTICA 3b

En el Centro de Investigaciones Fitogenéticas de Pairumani, se desarrollan variedades de arveja para

tostado con alto volumen de expansión. Por lo tanto, para identificar genes deseables responsables
del alto volumen expansión, se ha recolectado 6 variedades locales de las zonas productoras del
País. Estas variedades producidas en las mismas condiciones fueron evaluadas para el volumen de
expansión. Para lo cual, de cada variedad, se preparó muestras de 100 granos y se determinó el
volumen inicial. Luego, cada muestra tomada al azar fue tostada y se halló el volumen final.
Finalmente, tomando el volumen inicial y final, se determinó el volumen de expansión (ml). Los
resultados fueron:
Variedades de arveja
1 2 3 4 5 6
3.6 14.6 25.6 12.4 25.8 26.4
2.8 13.2 24.9 15.4 28.4 26.1
4.3 12.8 27.4 13.4 26.7 25.8
3.5 15.5 25.9 12.8 29.4 27.3
4.1 13.9 25.9 11.6 27.6 26.4
3.6 13.8 25.8 13.2 27.5 24.8
Diseño completamente al azar (DCA).
Modelo estadístico:
Yij = μ + τi + εj(i)
i= 1, 2, 3, 4, 5, 6 variedades de arveja
j = 1, 2, 3,…………, 36 volumen de expansión/variedad de arveja
Yij = Diferencia del Volumen de expansión observado en el j-esimo volumen de expansión en la i-
esima variedad de arveja
μ = Media general
τi = Efecto fijo de la i-ésima variedad de arveja
εj(i) = Efecto aleatorio de las residuales εj(i) ~NIID (0, σe2)
Corrida de SAS
options ls=76 ps=56;
data prac3b;
input var vol;
cards;
1 3.6
1 2.8
1 4.3
1 3.5
1 4.1
2 14.6
2 13.2
2 12.8
2 15.5
3 25.6
3 24.9
3 27.4
4 12.4
4 15.4
4 13.4
4 12.8
4 11.6
5 25.8
5 28.4
5 26.7
5 29.4
6 26.4
6 26.1
6 25.8
6 27.3
6 26.4
6 24.8
;
Proc print data=prac3b;
run;
proc univariate normal plot;
var var;
run;
proc glm data=prac3b;
class vol;
model var=vol/ss3;
lsmeans vol;
run;
 PRACTICA 5a

Una investigación se llevó a cabo con el objetivo de determinar el nivel óptimo de fosforo que
maximice el rendimiento de grano de cada una de 4 variedades de soya en la localidad de Cotoca.
Para tal efecto, 4 niveles de fosforo (0, 40, 80 y 120 kg/ha) n combinación con cada una de las 4
variedades de soya fueron evaluadas de acuerdo a un diseño completamente aleatorio con 4
repeticiones. A la madurez, se evaluó el rendimiento en grano en tn/ha y fueron los siguientes:

Niveles de Variedades de soya

fosforo 1 2 3 4
1.24 0.24 0.35 1.28
1.59 0.39 0.30 1.30
0
1.30 0.46 0.25 1.26
1.34 0.55 0.34 1.27
2.64 1.12 1.68 2.54
2.21 0.84 1.57 2.43
40
2.39 1.06 1.79 2.62
2.09 1.04 1.67 2.45
3.12 1.86 2.25 3.32
3.55 1.41 2.24 3.41
80
3.51 1.72 2.21 3.23
3.50 1.67 2.27 3.31
3.04 2.34 2.01 3.27
3.23 2.39 1.91 3.37
120
3.07 2.77 2.10 3.16
3.08 2.87 2.02 3.28
Diseño completamente al azar (DCA).
Modelo estadístico:
Yijk = μ + αi + βj + τij + εk(ij)
i = 1, 2, 3, 4 variedades de soya (a)
j = 0, 40, 80, 120 niveles de fosforo (kg/ha) (b)
k = 1, 2, 3, 4 parcelas/tratamiento (r)
Yijk = Rendimiento de grano en la k-esima parcela donde se aplicó el tratamiento que resulta de la
combinación entre la i-esima variedad de soya y el j-esimo nivel de fosforo.
μ = Media general
αi = Efecto fijo de la i-esima variedad de soya
βj = Efecto fijo del j-esimo nivel de fosforo
τij= Efecto fijo de la interacción entre la i-esima variedad de soya y el j-esimo nivel de fosofro
εk(ij)= Efecto aleatorio de los residuales εk(ij)~NIID (0, σe2)

Corrida de SAS
options ls=76 ps=56;
data prac5a;
input vs nf rendg;
datalines;
1 0 1.24
1 0 1.59
1 0 1.3
1 0 1.34
1 40 2.64
1 40 2.21
1 40 2.39
1 40 2.09
1 80 3.12
1 80 3.55
1 80 3.51
1 80 3.50
1 120 3.04
1 120 3.23
1 120 3.07
1 120 3.08
2 0 0.24
2 0 0.39
2 0 0.46
2 0 0.55
2 40 1.12
2 40 0.84
2 40 1.06
2 40 1.04
2 80 1.86
2 80 1.41
2 80 1.72
2 80 1.67
2 120 2.34
2 120 2.39
2 120 2.77
2 120 2.87
3 0 0.35
3 0 0.30
3 0 0.25
3 0 0.34
3 40 1.68
3 40 1.57
3 40 1.79
3 40 1.67
3 80 2.25
3 80 2.24
3 80 2.21
3 80 2.27
3 120 2.01
3 120 1.91
3 120 2.10
3 120 2.02
4 0 1.28
4 0 1.30
4 0 1.26
4 0 1.27
4 40 2.54
4 40 2.43
4 40 2.62
4 40 2.45
4 80 3.32
4 80 3.41
4 80 3.23
4 80 3.31
4 120 3.27
4 120 3.37
4 120 3.16
4 120 3.28
;
Proc print data=prac5a;
run;
proc univariate data=prac5a normal plot;
var rendg;
run;
proc glm data=prac5a;
class vs nf;
model rendg=vs nf vs*nf /ss3;
lsmeans vs;
lsmeans nf vs*nf/out=ap;
run;
proc sort data=ap; by vs nf;
proc glm data=ap; by vs;
model lsmean=nf nf*nf/ss3;
run;
 PRACTICA 5b
Una investigación se llevó a cabo con el objetivo de determinar la dosis óptima de cada uno de los
insecticidas que mejor controle los pulgones en plantines de chilijchi en el vivero de ESFOR. Para
tal propósito, cada uno de los 4 insecticidas (A, B, C y D) fueron aplicados a 5, 25, 45 y 65 g/100
litros de agua de acuerdo al diseño experimental completamente aleatorio con 4 repeticiones en
platabandas, c/u de 4m2 con 400 plantines de chilijchi que fueron infestados inicialmente con una
población uniforme de pulgones. A un mes de aplicación, en cada una de las platabandas, se
determinó el porcentaje de pulgones no controlados. Los resultados fueron:
Dosis de Platabandas
Insecticidas
insecticidas 1 2 3 4
5 36 38 42 43
25 10 15 25 27
a
45 2 10 19 21
65 0 1 2 5
5 42 49 52 55
25 15 22 32 39
b
45 7 13 19 25
65 2 8 17 21
5 52 58 67 75
25 36 40 42 43
c
45 30 38 43 46
65 25 26 32 40
5 38 39 48 54
25 32 41 47 49
d
45 31 33 38 41
65 30 40 47 50
Diseño de completamente al azar (DCA), tratamientos estructurados.
Modelo estadístico:
Yijk = μ + αi + βj + τij + εk(ij)
i = a, b, c y d insecticidas (a)
j = 5, 25, 45, 65 dosis de insecticida (g/100 litros de agua) (b)
k = 1, 2, 3, 4 platabandas/tratamiento (r)

Yijk = Pulgones no controlados en la k-esima platabanda donde se aplicó el tratamiento que resulta
de la combinación entre el i-esimo insecticida y la j-esima dosis del insecticida.
μ = Media general
αi = Efecto fijo del i-esimo insecticida
βj = Efecto fijo de la j-esima dosis de insecticida
τij= Efecto fijo de la interacción entre el i-esimo insecticida y la j-esima dosis de insecticida
εk(ij)= Efecto aleatorio de los residuales εk(ij)~NIID (0, σe2)

Diseño de completamente al azar (DCA), tratamientos estructurados.

Modelo estadístico:
Yijk = μ + αi + βj + τij + εk(ij)
i = Ethrel, Etasac, Sinophon Productos con hormonas de etileno (a)
j = 5, 25, 45, 65 dosis de producto (ml/fruto) (b)
k = 1, 2, 3 cajas/tratamiento (r)

Yijk = Efecto en la maduración del fruto de papaya en la k-esima caja donde se aplicó el tratamiento
que resulta de la combinación entre el i-esimo producto con hormonas de etileno y la j-esima dosis
del producto.
μ = Media general
αi = Efecto fijo del i-esimo producto con hormonas de etileno
βj = Efecto fijo de la j-esima dosis de producto.
τij= Efecto fijo de la interacción entre el i-esimo producto con hormonas de etileno y la j-esima dosis
de producto
εk(ij)= Efecto aleatorio de los residuales εk(ij)~NIID (0, σe2)
 Corrida de SAS
options ls=76 ps=56;
data prac5b;
input ins$ dosis ppnc;
datalines;
a 5 36
a 5 38
a 5 42
a 5 43
a 25 10
a 25 15
a 25 25
a 25 27
a 45 2
a 45 10
a 45 19
a 45 21
a 65 0
a 65 1
a 65 2
a 65 5
b 5 42
b 5 49
b 5 52
b 5 55
b 25 15
b 25 22
b 25 32
b 25 39
b 45 7
b 45 13
b 45 19
b 45 25
b 65 2
b 65 8
b 65 17
b 65 21
c 5 52
c 5 58
c 5 67
c 5 75
c 25 36
c 25 40
c 25 42
c 25 43
c 45 30
c 45 38
c 45 43
c 45 46
c 65 25
c 65 26
c 65 32
c 65 40
d 5 38
d 5 39
d 5 48
d 5 54
d 25 32
d 25 41
d 25 47
d 25 49
d 45 31
d 45 33
d 45 38
d 45 41
d 65 30
d 65 40
d 65 47
d 65 50
;
Proc print data=prac5b;
run;
proc univariate normal plot;
var ppnc;
run;
proc glm data=prac5b;
class ins dosis;
model ppnc=ins dosis ins*dosis /ss3;
lsmeans ins;
lsmeans dosis ins*dosis/out=medias;
run;
proc sort data=medias; by ins dosis;
proc glm data=medias; by ins;
model lsmean=dosis dosis*dosis/ss3;
run;
 PRACTICA 6a

Una investigación se llevó a cabo con el objetivo de determinar la densidad óptima de plantas/m2
que maximice el rendimiento en grano de cada una de las 4 variedades de trigo en la localidad de
Tarata. Para tal efecto cada una de las 4 variedades de trigo en combinaciones con cada una de las
densidades de plantas (25, 50, 75 100 plantas/m2), fueron evaluadas de acuerdo al diseño de
bloques completos al azar con 4 repeticiones. Los rendimientos en tn/ha fueron:

Variedades Densidad Bloques

(plantas/m2) 1 2 3 4
25 1.06 0.74 1.40 1.28
50 2.32 2.18 2.36 2.34
1
75 3.12 2.85 3.19 3.55
100 2.98 2.66 3.37 3.07
25 0.75 0.40 0.76 0.88
50 1.26 1.21 1.39 1.38
2
75 1.86 1.75 2.10 2.05
100 1.78 1.46 2.27 1.89
25 1.75 1.52 1.73 1.98
50 2.75 2.71 2.93 2.91
3
75 3.62 3.54 3.88 4.11
100 2.36 2.24 2.80 2.41
25 0.52 0.31 0.87 0.53
50 2.52 2.29 2.83 2.97
4
75 3.12 2.63 3.62 3.37
100 3.12 3.01 3.21 3.17
Diseño de bloques completos al azar (DBCA)
Modelo estadístico:
Yijk = μ + γi + αj + βk + ϗjk + εijk
i = 1, 2, 3, 4 bloques
j = 1, 2, 3, 4 variedades de trigo
k = 25, 50, 75 y 100 densidad de plantas/m2

Yijk = Rendimiento de grano de trigo observado en una parcela en el i-esimo bloque donde se aplicó
el tratamiento que resulta de la combinación entre la j-esima variedad de trigo y la k-esima densidad
de plantas /m2
μ = Media general
γi = Efecto aleatorio del i-esimo bloque γi ~NIID (0, σr2)
αj = Efecto fijo de la j-esima variedad de trigo
βk = Efecto fijo de la k-esima densidad de plantas/m2
ϗjk = Efecto fijo de la interacción entre la j.esima variedad de trigo y la k-esima densidad de
plantas/m2
εijk = Efecto aleatorio de los residuales εijk ~NIID (0, σe2)

iseño de bloques completos al azar (DBCA)

Modelo estadístico:
Yijk = μ + γi + αj + βk + ϗjk + εijk
i = 1, 2, 3, bloques (cajas)
j = 1, 2, 3, 4 Productos con hormonas de etileno
k = 25, 50, 75 y 100 dosis hormonas de etileno/fruto

Yijk = Efecto en la maduración de papaya observado en la i-esima caja donde se aplicó el tratamiento
que resulta de la combinación entre el j-esimo producto con hormonas de etileno y la k-esima dosis
de hormonas de etileno/fruto.
μ = Media general
γi = Efecto aleatorio de la i-esima caja γi ~NIID (0, σr2)
αj = Efecto fijo del j-esimo producto con hormonas de etileno
βk = Efecto fijo de la k-esima dosis de etileno /fruto
ϗjk = Efecto fijo de la interacción entre el j.esimo producto con hormonas de etileno y la k-esima
dosis de hormonas de etileno/fruto
εijk = Efecto aleatorio de los residuales εijk ~NIID (0, σe2)
 Corrida de SAS
options ls=76 ps=56;
data prac6a;
input blq var dens rend;
cards;
1 1 25 1.06
1 1 50 2.32
1 1 75 3.12
1 1 100 2.98
1 2 25 0.75
1 2 50 1.26
1 2 75 1.86
1 2 100 1.78
1 3 25 1.75
1 3 50 2.75
1 3 75 3.62
1 3 100 2.36
1 4 25 0.52
1 4 50 2.52
1 4 75 3.12
1 4 100 3.12
2 1 25 0.74
2 1 50 2.18
2 1 75 2.85
2 1 100 2.66
2 2 25 0.40
2 2 50 1.21
2 2 75 1.75
2 2 100 1.46
2 3 25 1.52
2 3 50 2.71
2 3 75 3.54
2 3 100 2.24
2 4 25 0.31
2 4 50 2.29
2 4 75 2.63
2 4 100 3.01
3 1 25 1.40
3 1 50 2.36
3 1 75 3.19
3 1 100 3.37
3 2 25 0.76
3 2 50 1.39
3 2 75 2.10
3 2 100 2.27
3 3 25 1.73
3 3 50 2.93
3 3 75 3.88
3 3 100 2.80
3 4 25 0.87
3 4 50 2.83
3 4 75 3.62
3 4 100 3.21
4 1 25 1.28
4 1 50 2.34
4 1 75 3.55
4 1 100 3.07
4 2 25 0.88
4 2 50 1.38
4 2 75 2.05
4 2 100 1.89
4 3 25 1.98
4 3 50 2.91
4 3 75 4.11
4 3 100 2.41
4 4 25 0.53
4 4 50 2.97
4 4 75 3.37
4 4 100 3.17
;
Proc print data=prac6a;
run;
proc univariate normal plot;
var rend;
run;
proc glm data=prac6a;
class blq var dens;
model rend=blq var dens var*dens/ss3;
random blq;
lsmeans var/stderr tdiff;
lsmeans dens var*dens/stderr out=medias;
run;
proc sort data=medias; by var dens;
proc glm data=medias; by var;
model lsmean=dens dens*dens/ss3;
run;
proc mixed data=prac6a;
class blq var dens;
model rend=var dens var*dens/ddfm=satterth;
random blq;
lsmeans var/tdiff;
lsmeans dens var*dens;
make ‘lsmeans’ out=b;
run;
proc sort data=b; by var dens;
proc glm data=b; by var;
model estimate=dens dens*dens/ss3;
run;
 PRÁCTICA 6b

La empresa TORTITACOS llevo a cabo una investigación con el objetivo de determinar la variedad
de maíz mas apta para la elaboración de nachos con mejor preferencia por los consumidores
cochabambinos. Para tal efecto, se elaboraron nachos usando 5 variedades de maíz desarrolladas
en el Centro de investigación Pairumani. Luego, los nachos de cada una de las variedades de maíz
tomados al azar fueron degustados por cada uno de 10 cateadores tomados al azar en los distintos
mercados del Departamento de Cochabamba. Los cateadores mostraron su preferencia por los
nachos en una escala de 1 al 5, donde 1 indicaba la mejor preferencia y 5 la peor. Los resultados
fueron:
Cateadores
Variedades
1 2 3 4 5 6 7 8 9 10
1 3 4 4 5 3 5 5 4 3 2
2 2 1 1 2 1 3 3 1 2 3
3 1 1 1 1 1 2 1 2 1 1
4 5 4 5 4 5 5 4 4 5 3
5 3 4 4 2 5 4 3 2 4 2
Diseño de bloques completamente al azar (DBCAA).
Modelo estadístico:
Yij = μ + γi + τj + εij
i = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 cateadores
j = 1, 2, 3, 4, 5 variedades de maíz

Yij = Escala de preferencia de nachos degustada por el i-ésimo cateador donde se evaluó la j-esima
variedad de maíz
μ = Media general
γi = Efecto aleatorio del i-esimo cateador γi ~NIID (0, σr2)
τj = Efecto fijo de la j-esima variedad de maíz.
εij= Efecto aleatorio de los residuales εij ~NIID (0, σe2).
Corrida de SAS
options ls=76 ps=56;
data prac6b;
input cat var espref;
cards;
1 1 3
1 2 2
1 3 1
1 4 5
1 5 3
2 1 4
2 2 1
2 3 1
2 4 4
2 5 4
3 1 4
3 2 1
3 3 1
3 4 5
3 5 4
4 1 5
4 2 2
4 3 1
4 4 4
4 5 2
5 1 3
5 2 1
5 3 1
5 4 5
5 5 5
6 1 5
6 2 3
6 3 2
6 4 5
6 5 4
7 1 5
7 2 3
7 3 1
7 4 4
7 5 3
8 1 4
8 2 1
8 3 2
8 4 4
8 5 2
9 1 3
9 2 2
9 3 1
9 4 5
9 5 4
10 1 2
10 2 3
10 3 1
10 4 3
10 5 2
;
Proc print data=prac6b;
run;
Proc univariate data=prac6b normal plot;
var espref;
run;
proc glm data=prac6b;
class cat var;
model espref=cat var/ss3;
random cat;
lsmeans var/stderr tdiff;
run;
proc mixed data=prac6b;
class cat var;
model espref=var/ddfm=satterth;
random cat;
lsmeans var/tdiff;
run;
 PRACTICA 7

Una investigación se llevó a cabo con el objetivo de determinar i) la variedad de papa y el abono
animal más apropiado que permita obtener el rendimiento más alto y ii) el abono animal más
apropiado que permita obtener los mejores rendimientos de cada una de las 5 variedades de papa,
fueron sembradas en la localidad de Morochata. Para tal efecto, cada una de las 5 variedades de
papa fueron sembradas con la adición de cada uno de 3 abonos animales (ga=gallinaza, ev=estiércol
vacuno, eo=estiércol ovino) de acuerdo al diseño generalizado de filas y columnas con 4 repeticiones.
Los rendimientos en tn/ha fueron:

COLUMNAS
FILAS 1 2 3 4
Var Abono Rend Var Abono Rend Var Abono Rend Var Abono Rend
1 1 ga 12.3 2 ev 30.3 4 ga 15.5 1 eo 29.2
2 1 ev 23.4 2 eo 28.5 4 ev 21.1 2 ga 20.0
3 1 eo 26.8 3 ga 24.2 4 eo 26.4 2 ev 29.7
4 2 ga 18.4 3 ev 26.4 5 ga 17.8 2 eo 30.1
5 2 ev 28.6 3 eo 31.1 5 ev 22.5 3 ga 24.8
6 2 eo 27.9 4 ga 20.0 5 eo 24.6 3 ev 26.8
7 3 ga 22.3 4 ev 24.2 1 ga 10.6 3 eo 30.4
8 3 ev 24.1 4 eo 28.1 1 ev 21.7 4 ga 18.5
9 3 eo 27.8 5 ga 19.2 1 eo 26.1 4 ev 24.4
10 4 ga 15.6 5 ev 25.4 2 ga 17.2 4 eo 27.8
11 4 ev 22.5 5 eo 30.4 2 ev 28.5 5 ga 21.2
12 4 eo 27.3 1 ga 12.8 2 eo 27.8 5 ev 25.1
13 5 ga 18.3 1 ev 26.5 3 ga 20.6 5 eo 28.1
14 5 ev 24.2 1 eo 30.5 3 ev 23.2 1 ga 14.1
15 5 eo 26.3 2 ga 23.3 3 eo 26.2 1 ev 24.6
Diseño de filas y columnas
Modelo estadístico:
Yijkl = μ + γi + αj + δk + βl + φkl + εijkl
i = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 Filas
j = 1, 2, 3, 4 Columnas
k = 1, 2, 3, 4, 5 variedades de papa
l = ga, ev, eo abonos animales

Yijk = Rendimiento obtenido en una parcela en la i-ésima fila y j-ésima columna donde se sembró
la k-ésima variedad de para adicionando el l-esimo abono animal
μ = Media general
γi = Efecto aleatorio de la i-esima fila γi ~NIID (0, σf2)
αj = Efecto aleatorio de la j-esima columna αj ~NIID (0, σc2)
δk = Efecto fijo de la k-esima variedad de papa
βl = Efecto fijo del l-esimo abono animal
φkl = Efecto fijo de la interacción entre la k-esima variedad de papa y el l-esimo abono animal
εijkl = Efecto aleatorio de los residuales εijkl ~NIID (0, σe2)
Corrida de SAS
options ls=76 ps=56;
data prac7;
input f c var abon$ rend;
cards;
1 1 1 ga 12.3
2 1 1 ev 23.4
3 1 1 eo 26.8
4 1 2 ga 18.4
5 1 2 ev 28.6
6 1 2 eo 27.9
7 1 3 ga 22.3
8 1 3 ev 24.1
9 1 3 eo 27.8
10 1 4 ga 15.6
11 1 4 ev 22.5
12 1 4 eo 27.3
13 1 5 ga 18.3
14 1 5 ev 24.2
15 1 5 eo 26.3
1 2 2 ev 30.3
2 2 2 eo 28.5
3 2 3 ga 24.2
4 2 3 ev 26.4
5 2 3 eo 31.1
6 2 4 ga 20.0
7 2 4 ev 24.2
8 2 4 eo 28.1
9 2 5 ga 19.2
10 2 5 ev 25.4
11 2 5 eo 30.4
12 2 1 ga 12.8
13 2 1 ev 26.5
14 2 1 eo 30.5
15 2 2 ga 23.3
1 3 4 ga 15.5
2 3 4 ev 21.1
3 3 4 eo 26.4
4 3 5 ga 17.8
5 3 5 ev 22.5
6 3 5 eo 24.6
7 3 1 ga 10.6
8 3 1 ev 21.7
9 3 1 eo 26.1
10 3 2 ga 17.2
11 3 2 ev 28.5
12 3 2 eo 27.8
13 3 3 ga 20.6
14 3 3 ev 23.2
15 3 3 eo 26.2
1 4 1 eo 29.2
2 4 2 ga 20.0
3 4 2 ev 29.7
4 4 2 eo 30.1
5 4 3 ga 24.8
6 4 3 ev 26.8
7 4 3 eo 30.4
8 4 4 ga 18.5
9 4 4 ev 24.4
10 4 4 eo 27.8
11 4 5 ga 21.2
12 4 5 ev 25.1
13 4 5 eo 28.1
14 4 1 ga 14.1
15 4 1 ev 24.6
;
Proc print data=prac7;
run;
Proc univariate data=prac7 normal plot;
var rend;
run;
proc glm data=prac7;
class f c var abon;
model rend=f c var abon var*abon/ss3;
random f c;
lsmeans var abon var*abon/stderr tdiff;
run;
proc mixed data=prac7;
class f c var abon;
model rend=var abon var*abon/ddfm=satterth;
random f c;
lsmeans var abon var*abon/tdiff;
run;

PRACTICA 8

Una investigación se llevó a cabo con el objetivo de determinar la dieta más apropiada que maximice
la ganancia de peso de cada una de 4 especies de trucha. Para tal efecto, se contó con 20 acuarios
similares, cada uno de 1m3 (1*1*1). Posteriormente, en cada acuario se colocaron 5 alevines de la
misma edad de cada una de las 4 especies de trucha y 5 dietas (a, b, c, d, e), se distribuyeron al
azar entre los 20 acuarios. Después de 3 meses, en cada acuario se tomó un pez de cada especie y
se determinó la ganancia de peso. Los datos en g fueron:

Acuarios
Dieta Especies
1 2 3 4
a 1 461.5 468.6 459.0 442.1
a 2 1203.5 1217.9 1194.1 1169.3
a 3 765.2 781.4 764.3 767.2
a 4 1761.4 1766.3 1757.5 1762.5
b 1 1870.4 1879.3 1862.9 1861.1
b 2 876.2 878.4 875.9 850.6
 b 3 956.4 962.2 952.2 949.5
b 4 1204.3 1205.7 1202.4 1181.4
c 1 750.2 756.0 741.5 729.4
c 2 1430.6 1441.6 1424.2 1439.3
c 3 625.3 628.4 618.3 622.3
c 4 861.7 861.8 861.2 837.7
d 1 690.2 699.0 690.1 669.5
d 2 1862.4 1871.3 1862.1 1861.8
d 3 421.5 434.4 414.8 413.9
d 4 725.3 743.7 724.8 734.1
e 1 1691.6 1693.9 1691.2 1664.1
e 2 781.5 783.9 776.5 778.6
e 3 461.2 468.5 457.8 452.4
e 4 1000.7 1015.5 993.6 987.0
Modelo estadístico:

Yijk = μ + αi + εk(i) + βj + ϗjk + εjk(i)

i = a, b, c, d, e dietas
j = 1, 2, 3, 4 especies de trucha
k = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20 acuarios/dieta

Yijk = Ganancia de peso observado en el k-esimo acuario donde se asignó la j-esima especie de
trucha con la i-esima dieta
μ = Media general
αi = Efecto fijo de la i-esima dieta
εk(i) = Efecto aleatorio del k-esimo acuario/dieta εk(i) ~NIID (0, σr2)
βj = Efecto fijo de la j-esima especie de trucha
ϗjk = Efecto fijo de la interacción entre la i-esima dieta y la j-esima especie de trucha
εjk(i)= Efecto aleatorio de los residuales εik(j) ~NIID (0, σe2)
Corrida de SAS
options ls=76 ps=56;
data prac8;
input diet$ esp acua ganpe;
cards;
a 1 1 461.5
a 1 2 468.6
a 1 3 459.0
a 1 4 442.1
a 2 1 1203.5
a 2 2 1217.9
a 2 3 1194.1
a 2 4 1169.3
a 3 1 765.2
a 3 2 781.4
a 3 3 764.3
a 3 4 767.2
a 4 1 1761.4
a 4 2 1766.3
a 4 3 1757.5
a 4 4 1762.5
b 1 1 1870.4
b 1 2 1879.3
b 1 3 1862.9
b 1 4 1861.1
b 2 1 876.2
b 2 2 878.4
b 2 3 875.9
b 2 4 850.6
b 3 1 956.4
b 3 2 962.2
b 3 3 952.2
b 3 4 949.5
b 4 1 1204.3
b 4 2 1205.7
b 4 3 1202.4
b 4 4 1181.4
c 1 1 750.2
c 1 2 756.0
c 1 3 741.5
c 1 4 729.4
c 2 1 1430.6
c 2 2 1441.6
c 2 3 1424.2
c 2 4 1439.3
c 3 1 625.3
c 3 2 628.4
c 3 3 618.3
c 3 4 622.3
c 4 1 861.7
c 4 2 861.8
c 4 3 861.2
c 4 4 837.7
d 1 1 690.2
d 1 2 699.0
d 1 3 690.1
d 1 4 669.5
d 2 1 1862.4
d 2 2 1871.3
d 2 3 1862.1
d 2 4 1861.8
d 3 1 421.5
d 3 2 434.4
d 3 3 414.8
d 3 4 413.9
d 4 1 725.3
d 4 2 743.7
d 4 3 724.8
d 4 4 734.1
e 1 1 1691.6
e 1 2 1693.9
e 1 3 1691.2
e 1 4 1664.1
e 2 1 781.5
e 2 2 783.9
e 2 3 776.5
e 2 4 778.6
e 3 1 461.2
e 3 2 468.5
e 3 3 457.8
e 3 4 452.4
e 4 1 1000.7
e 4 2 1015.5
e 4 3 993.6
e 4 4 987.0
;
Proc print data=prac8;
run;
Proc univariate data=prac8 normal plot;
var ganpe;
run;
proc glm data=prac8;
class diet esp acua;
model ganpe=diet acua(diet) esp diet*esp/ss3;
random acua(diet)/test;
lsmeans diet/stderr tdiff e=acua(diet);
lsmeans esp diet*esp/stderr tdiff;
run;
proc mixed data=prac8;
class diet esp acua;
model ganpe= diet esp diet*esp/ddfm=satterth;
random acua(diet);
lsmeans diet esp diet*esp/tdiff;
run;
 PRACTICA 9

Una investigacion fue llevada a cabo con el objetivo de determinar la lámina optima de riego por
surco que maximice el rendimiento de cada una de 4 variedades de cebolla en la localidad de
Parotani. Para tal efecto, se tomaron al azar 4 terrenos, cada uno muy homogéneo. Luego, dividiendo
en 4 partes iguales cada terreno, se aplicaron al azar 4 laminas de riego (0.30, 0.60, 0.90, 1.20
litros/segundo). Posteriormente, en cada lámina de riego en partes iguales se plantaron al azar las
4 variedades de cebolla. Los rendimientos de bulbo (tn/ha) fueron:

Lamina de Variedad de Terrenos

riego (l/s) cebolla 1 2 3 4
1 3.2 2.3 3.0 2.1
2 2.1 1.6 3.6 3.5
0.30
3 4.5 4.3 5.7 5.3
4 2.6 2.1 2.4 1.7
1 7.8 7.4 8.0 7.7
2 6.7 6.2 7.3 6.7
0.60
3 9.2 8.3 8.8 8.5
4 7.4 6.7 7.9 7.8
1 9.5 9.0 9.6 8.2
2 8.4 7.7 9.0 8.2
0.90
3 11.8 11.1 12.9 11.6
4 8.8 7.8 7.9 6.5
1 9.6 9.3 10.5 9.7
2 8.5 8.2 8.3 7.4
1.20
3 11.8 10.9 11.8 10.4
4 8.6 7.8 7.8 7.5
Diseño de bloques completos al azar (DBCAA)
Factor A: 0.3, 0.6, 0.9, 1.2 Laminas de riego
Factor B: 1, 2, 3, 4 variedades de cebolla

Modelo estadístico:
Yijk = μ + γi + αj + εij + βk + ϗjk + εik(j)
i = 1, 2, 3, 4 terrenos
j = 0.30, 0.60, 0.90, 1.20 laminas de riego
k = 1, 2, 3, 4 variedades de cebolla

Yijk = Rendimiento de bulbo observado en una parcela en la interacción entre la j-ésima lamina de
riego y la k-ésima variedad de cebolla
μ = Media general
γi = Efecto aleatorio del i-esimo terreno γi ~NIID (0, σr2)
αj = Efecto fijo de la j-esima lamina de riego
εij = Efecto aleatorio de la interacción entre el i-esimo terreno y la j-esima lamina de riego
εij ~NIID (0, σra2)
βk = Efecto fijo de la k-esima variedad de cebolla
ϗjk = Efecto fijo de la interacción entre la j-ésima lamina de riego y la k-ésima variedad de cebolla
εijk = Efecto aleatorio de los residuales εijk ~NIID (0, σe2).

Corrida de SAS
options ls=76 ps=56;
data prac9;
input terr lamin var rend;
cards;
1 0.30 1 3.2
1 0.30 2 2.1
1 0.30 3 4.5
1 0.30 4 2.6
1 0.60 1 7.8
1 0.60 2 6.7
1 0.60 3 9.2
1 0.60 4 7.4
1 0.90 1 9.5
1 0.90 2 8.4
1 0.90 3 11.8
1 0.90 4 8.8
1 1.20 1 9.6
1 1.20 2 8.5
1 1.20 3 11.8
1 1.20 4 8.6
2 0.30 1 2.3
2 0.30 2 1.6
2 0.30 3 4.3
2 0.30 4 2.1
2 0.60 1 7.4
2 0.60 2 6.2
2 0.60 3 8.3
2 0.60 4 6.7
2 0.90 1 9.0
2 0.90 2 7.7
2 0.90 3 11.1
2 0.90 4 7.8
2 1.20 1 9.3
2 1.20 2 8.2
2 1.20 3 10.9
2 1.20 4 7.8
3 0.30 1 3.0
3 0.30 2 3.6
3 0.30 3 5.7
3 0.30 4 2.4
3 0.60 1 8.0
3 0.60 2 7.3
3 0.60 3 8.8
3 0.60 4 7.9
3 0.90 1 9.6
3 0.90 2 9.0
3 0.90 3 12.9
3 0.90 4 7.9
3 1.20 1 10.5
3 1.20 2 8.3
3 1.20 3 11.8
3 1.20 4 7.8
4 0.30 1 2.1
4 0.30 2 3.5
4 0.30 3 5.3
4 0.30 4 1.7
4 0.60 1 7.7
4 0.60 2 6.7
4 0.60 3 8.5
4 0.60 4 7.8
4 0.90 1 8.2
4 0.90 2 8.2
4 0.90 3 11.6
4 0.90 4 6.5
4 1.20 1 9.7
4 1.20 2 7.4
4 1.20 3 10.4
4 1.20 4 7.5
;
Proc print data=prac9;
run;
Proc univariate data=prac9 normal plot;
var rend;
run;
proc glm data=prac9;
class terr lamin var;
model rend=terr lamin terr*lamin var lamin*var/ss3;
random terr terr*lamin/test;
lsmeans lamin/stderr tdiff;
lsmeans var lamin*var/stderr;
run;
proc mixed data=prac9;
class terr lamin var;
model rend=lamin var lamin*var/ddfm=satterth;
random terr terr*lamin;
lsmeans var/tdiff;
lsmeans lamin lamin*var;
make 'lsmeans' out=b;
run;
 PRACTICA 10

Una investigación se llevo a cabo con el objetivo de determinar el nivel optimo de fosforo que
maximice el rendimeinto de vainas de cada una de 4 variedades de haba en la localidad de Tiraque.
Para tal efecto, se identificaron aleatoriamente 4 distintos terrenos del mismo tamaño.
Posteriormente, cada terreno fue dividido en 4 partes iguales y entre ellas se aplicaron al azar 4
niveles de fosforo (0, 40, 80, 120 kg/ha). Luego, dentro de cada nivel de fosforo y en cada terreno,
se sembraron al azar y en partes iguales la 4 variedades de haba. A la madurez, en cada terreno y
dentro de cada nivel de fosforo, se evaluo cada una de las variedades de haba por rendimeinto en
vainas (tn/ha). Los resultados fueron:

Nivel de Variedad de Terrenos

fosforo haba 1 2 3 4
1 1.25 2.26 1.05 1.92
2 0.25 1.81 0.10 0.74
0
3 3.15 4.18 2.51 3.80
4 1.35 3.17 0.42 2.83
1 4.01 4.17 3.92 5.13
2 3.28 5.23 3.14 4.31
40
3 5.63 7.61 5.54 7.19
4 4.16 5.52 4.01 5.52
1 5.26 5.62 4.97 7.21
2 4.61 5.75 4.26 5.84
80
3 6.75 8.63 6.75 9.35
4 5.21 5.74 5.00 5.75
1 5.14 6.51 5.05 6.92
2 4.55 6.55 3.63 6.10
120
3 6.54 8.19 6.42 9.28
4 5.28 5.76 4.34 5.35
Diseño de bloques completos al azar con parcelas divididas, no estructurado (DBCAA).

Modelo estadístico:
Yijk = μ + γi + αj + εij + βk + ϗjk + εik(j)
i = 1, 2, 3, 4 terrenos
j = 0, 40, 80, 120 niveles de fosforo
k = 1, 2, 3, 4 variedades de haba

Yijk = Rendimiento en vaina observado en una parcela en la interacción entre el j-ésimo nivel de
fosforo y la k-ésima variedad de haba
μ = Media general
γi = Efecto aleatorio del i-esimo terreno γi ~NIID (0, σr2)
αj = Efecto fijo del j-esimo nivel de fosofro
εij = Efecto aleatorio de la interacción entre el i-esimo terreno y el j-esima nivel de fosforo
εij ~NIID (0, σra2)
βk = Efecto fijo de la k-esima variedad de haba
ϗjk = Efecto fijo de la interacción entre el j-ésimo nivel de fosforo y la k-ésima variedad de haba
εijk = Efecto aleatorio de los residuales εijk ~NIID (0, σe2).
Corrida de SAS
options ls=76 ps=56;
data prac10;
input terr niv var rend;
cards;
1 0 1 1.25
1 0 2 0.25
1 0 3 3.15
1 0 4 1.35
1 40 1 4.01
1 40 2 3.28
1 40 3 5.63
1 40 4 4.16
1 80 1 5.26
1 80 2 4.61
1 80 3 6.75
1 80 4 5.21
1 120 1 5.14
1 120 2 4.55
1 120 3 6.54
1 120 4 5.28
2 0 1 2.26
2 0 2 1.81
2 0 3 4.18
2 0 4 3.17
2 40 1 4.17
2 40 2 5.23
2 40 3 7.61
2 40 4 5.52
2 80 1 5.62
2 80 2 5.75
2 80 3 8.63
2 80 4 5.74
2 120 1 6.51
2 120 2 6.55
2 120 3 8.19
2 120 4 5.76
3 0 1 1.05
3 0 2 0.10
3 0 3 2.51
3 0 4 0.42
3 40 1 3.92
3 40 2 3.14
3 40 3 5.54
3 40 4 4.01
3 80 1 4.97
3 80 2 4.26
3 80 3 6.75
3 80 4 5.00
3 120 1 5.05
3 120 2 3.63
3 120 3 6.42
3 120 4 4.34
4 0 1 1.92
4 0 2 0.74
4 0 3 3.80
4 0 4 2.83
4 40 1 5.13
4 40 2 4.31
4 40 3 7.19
4 40 4 5.52
4 80 1 7.21
4 80 2 5.84
4 80 3 9.35
4 80 4 5.75
4 120 1 6.92
4 120 2 6.10
4 120 3 9.28
4 120 4 5.35
;
Proc univariate data=prac10 normal plot;
var rend;
run;
proc glm data=prac10;
class terr niv var;
model rend=terr niv terr*niv var niv*var/ss3;
random terr terr*niv/test;
lsmeans var/stderr tdiff;
lsmeans niv niv*var/stderr;
run;
proc mixed data=prac10;
class terr niv var;
model rend=niv var niv*var/ddfm=satterth;
random terr terr*niv;
lsmeans var/tdiff;
lsmeans niv niv*var;
run;
 PRACTICA 11

Una investigación se llevó a cabo con el objetivo de determinar el sistema de labranza más apropiado
para que maximice el rendimiento en frutos de cada una de 4 variedades de carote en la localidad
de Capinota. Para tal efecto, se escogieron al azar 4 distintos terrenos y cada uno en partes iguales
y aleatoriamente se prepararon con 3 sistemas de labranza (a, b, c). Posteriormente, en cada terreno
en partes iguales en forma transversal a los sistemas de labranza, se sembraron al azar las 4
variedades de carote. Los rendimientos de fruto de cada variedad en cada sistema de labranza y en
cada terreno fueron:

Sistema de Variedad Terrenos

labranza de carote 1 2 3 4
a 1 12.5 13.8 12.6 13.3
2 15.4 16.9 15.3 16.1
3 17.2 17.5 16.3 17.2
4 11.2 12.1 11.7 11.7
b 1 16.8 17.5 16.3 16.5
2 11.8 13.6 12.0 12.6
3 13.5 14.7 12.7 12.8
4 10.4 11.5 11.0 11.3
c 1 13.1 14.9 13.0 13.8
2 16.1 18.1 16.7 17.2
3 14.6 15.3 14.2 14.4
4 15.2 16.4 16.4 16.4

Modelo estadístico:

Yijk = μ + δi + τj + εij + βk + εjk + + ϗjk + εijk

i = 1, 2, 3, 4 terrenos
j = 1, 2, 3, 4 variedades de carote
k = a, b, c sistemas de labranza

Yijk = Rendimientos de fruto observado en una parcela en el i-ésimo terreno donde se sembró la j-
ésima variedad de carote donde se aplicó el k-ésimo sistema de labranza
μ = Media general
δi = Efecto aleatorio del i-esimo terreno δi~NIID (0, σr2)
τj = Efecto fijo de la j-ésima variedad de carote
εij = Efecto aleatorio del i-esimo terreno donde se sembró la j-esima variedad de carote
εij~NIID (0, σra2)
βk = Efecto fijo del k-ésimo sistema de labranza
εjk = Efecto aleatorio de la j-ésima variedad de carote dentro del k-ésimo sistema de labranza
εjk~NIID (0, σrb2)
ϗjk = Efecto fijo de la j-ésima variedad de carote dentro del k-ésimo sistema de labranza
εijk = Efecto aleatorio de los residuales εjk(i) ~NIID (0, σe2)

Corrida de SAS
options ls=76 ps=56;
data prac11;
input terr var lab$ rend;
cards;
1 1 a 12.5
1 2 a 15.4
1 3 a 17.2
1 4 a 11.2
1 1 b 16.8
1 2 b 11.8
1 3 b 13.5
1 4 b 10.4
1 1 c 13.1
1 2 c 16.1
1 3 c 14.6
1 4 c 15.2
2 1 a 13.8
2 2 a 16.9
2 3 a 17.5
2 4 a 12.1
2 1 b 17.5
2 2 b 13.6
2 3 b 14.7
2 4 b 11.5
2 1 c 14.9
2 2 c 18.1
2 3 c 15.3
2 4 c 16.4
3 1 a 12.6
3 2 a 15.3
3 3 a 16.3
3 4 a 11.7
3 1 b 16.3
3 2 b 12.0
3 3 b 12.7
3 4 b 11.0
3 1 c 13.0
3 2 c 16.7
3 3 c 14.2
3 4 c 16.4
4 1 a 13.3
4 2 a 16.1
4 3 a 17.2
4 4 a 11.7
4 1 b 16.5
4 2 b 12.6
4 3 b 12.8
4 4 b 11.3
4 1 c 13.8
4 2 c 17.2
4 3 c 14.4
4 4 c 16.4
;
Proc univariate data=prac11 normal plot;
var rend;
run;
proc glm data=prac11;
class terr var lab;
model rend=terr var terr*var lab terr*lab var*lab/ss3;
random terr terr*var terr*lab/test;
lsmeans var/stderr tdiff;
lsmeans lab/stderr tdiff;
lsmeans var*lab/stderr tdiff;
run;
proc mixed data=prac11;
class terr var lab;
model rend=var lab var*lab/ddfm=satterth;
random terr terr*var;
lsmeans var lab var*lab;
run;

options ls=76 ps=56;

data juan1;
input prod metod alpac efic;
cards;
1 1 1 35
1 1 2 42
1 1 3 28
1 1 4 14
1 1 5 27
1 2 1 24
1 2 2 35
1 2 3 20
1 2 4 38
1 2 5 30
2 1 1 59
2 1 2 22
2 1 3 30
2 1 4 27
2 1 5 40
2 2 1 40
2 2 2 30
2 2 3 40
2 2 4 28
2 2 5 25
3 1 1 42
3 1 2 28
3 1 3 14
3 1 4 27
3 1 5 14
3 2 1 35
3 2 2 20
3 2 3 10
3 2 4 28
3 2 5 19
4 1 1 22
4 1 2 30
4 1 3 27
4 1 4 40
4 1 5 40
4 2 1 17
4 2 2 27
4 2 3 14
4 2 4 15
4 2 5 32
5 1 1 28
5 1 2 14
5 1 3 27
5 1 4 14
5 1 5 35
5 2 1 20
5 2 2 16
5 2 3 30
5 2 4 13
5 2 5 22
6 1 1 28
6 1 2 14
6 1 3 27
6 1 4 14
6 1 5 35
6 2 1 20
6 2 2 10
6 2 3 22
6 2 4 11
6 2 5 22
7 1 1 30
7 1 2 27
7 1 3 40
7 1 4 40
7 1 5 30
7 2 1 29
7 2 2 20
7 2 3 31
7 2 4 22
7 2 5 28
8 1 1 44
8 1 2 27
8 1 3 14
8 1 4 35
8 1 5 20
8 2 1 30
8 2 2 25
8 2 3 13
8 2 4 32
8 2 5 18
9 1 1 27
9 1 2 40
9 1 3 40
9 1 4 30
9 1 5 40
9 2 1 25
9 2 2 35
9 2 3 22
9 2 4 28
9 2 5 33
10 1 1 27
10 1 2 14
10 1 3 35
10 1 4 20
10 1 5 30
10 2 1 22
10 2 2 15
10 2 3 22
10 2 4 20
10 2 5 16
11 1 1 27
11 1 2 14
11 1 3 35
11 1 4 20
11 1 5 30
11 2 1 29
11 2 2 14
11 2 3 22
11 2 4 26
11 2 5 27
12 1 1 40
12 1 2 40
12 1 3 30
12 1 4 40
12 1 5 30
12 2 1 38
12 2 2 32
12 2 3 25
12 2 4 32
12 2 5 29
;
Proc print data=juan1;
run;
Proc univariate data=juan1 normal plot;
var efic;
run;
proc glm data=juan1;
class prod metod alpac;
model efic=alpac*metod metod prod/ss3;
random prod*metod/test;
lsmeans efic/stderr tdiff;
lsmeans alpac metod*alpac/stderr;
run;