Curso: Métodos estadísticos de investigación

Profesor: Antonio Matos Alejandro

DISEÑOS EXPERIMENTALES

Un diseño experimental es un esquema de cómo realizar un experimento. El objetivo fundamental

de los diseños experimentales radica en el determinar si existe una diferencia significativa entre los
diferentes tratamientos del experimento y en caso que la respuesta es afirmativa, cuál sería la
magnitud de esta diferencia. Una segunda meta de los diseños experimentales es verificar la
existencia de una tendencia derivado del análisis de los datos del experimento. La diferencia
principal entre los diseños experimentales radica en la forma en que se agrupan o clasifican las
unidades experimentales. En todos los diseños las unidades experimentales se clasifican por
tratamientos; pero en algunos, estos se clasifican preferentemente en bloques, filas y otras
modalidades (Badii et al., 2007).

Las investigaciones y en particular los diseños experimentales intentan establecer básicamente

relaciones causa-efecto. Específicamente, cuando se desea estudiar como una variable
independiente (causa) modifica una variable dependiente (efecto).
La relación causa-efecto solo puede ser atribuida mediante la aplicación de un pensamiento lógico
junto a un diseño bien aplicado. Las siguientes pautas están asociadas a diseños idóneos:
a. La adecuada selección de un marco teórico
b. La selección apropiada de los sujetos
c. El uso de procedimiento estadísticos correctos
d. El control de la variable independiente
e. La adecuada medición de la variable dependiente
f. El control de variables asociadas.

Diseñar estadísticamente un experimento, es realizar una prueba o una serie de pruebas, buscando
caracterizar las variables explicativas o factores Xi de mayor influencia en un ensayo de interés,
evaluado a través de varias variables respuesta tal que, si deliberada o sistemáticamente se
introducen cambios controlados en algunas de las variables explicativas del proceso, siempre sea
posible observar o cuantificar los cambios que éstos generan en las variables respuesta buscando
adicionalmente, minimizar el efecto de las variables no controlables (covariables), procurando con
ello estabilizar y minimizar la variabilidad de las respuestas.

Aunque la aplicación o uso del diseño experimental se da en cualquier área del conocimiento, este
debe cumplir las siguientes fases:

1. Caracterización de un proceso. En esta fase, se busca determinar los rangos de las variables o
factores controlables de mayor influencia en las variables respuesta que a la vez minimizan el
efecto de las variables no controlables (factores o covariables).
2. Depuración y optimización de un proceso ya caracterizado. En esta fase se hallan los niveles de
los factores estudiados que proporcionan la respuesta óptima a la solución del proceso
caracterizado en la fase anterior.

En cualquier aplicación de la estadística en el diseño y análisis de un experimento, es necesario que

quienes lo desarrollen entiendan claramente el problema objeto de estudio, que posean un amplio
conocimiento del material experimental a usar, que conozcan las posibilidades existentes para
coleccionar los datos y además posean el conocimiento estadístico necesario para direccionar e
interpretar adecuadamente los resultados del experimento. Generalmente el grupo de investigación
se conforma por expertos conocedores de la problemática a estudiar, y por especialistas en el
diseño estadístico del proceso y el análisis de la información recolectada.
Experimento

Es una interrogante planeada para obtener nuevos factores o para confirmar o denegar los
resultados de experimentos previos o anteriores donde tal interrogante ayudará a una decisión tal
como recomendación de una variedad de fruta, tipo de conservante, condiciones de
almacenamiento.

Diseño y análisis son inseparables para un experimento dado, pueda que exista otro método
igualmente para analizar los datos del experimento y en esta parte se esta trabajando y cada día
aparece técnicas más amplias para hacer frente a situaciones complicadas. El experimentador no
tiene que eliminar datos con fin que se ajusta a su experimento. Los estadísticos están desarrollando
nuevas técnicas, pero el experimentador deberá conocer las que podría utilizar, esta barrera
constituye los límites a la libertad de diseñar sus experimentos. Hay buenos y malos diseños, los
análisis pueden ser simples o complicados, el experimentador está obligado a considerar el diseño
de su experimento y sus consecuencias estadísticas.

Diseño de un experimento

Diseñar significa planear un experimento de manera que reúna la información que sea pertinente al
problema bajo investigación.

El diseño de un experimento es la secuencia completa de pasos tomados de antemano para asegurar

que los datos que se observen permitan un análisis objetivo que conduzca a deducciones válidas
con respecto al problema.

El diseño de un experimento es una función importante, dado que ninguna técnica estadística puede
revelar información no implícita inicialmente en los datos. Para cualquier grupo de datos, el
análisis apropiado de los mismos es determinado por el diseño de experimentos. La habilidad, por
lo tanto, de obtener un análisis significativo se basa inicialmente en la forma en que se han
recolectado los datos. Un buen diseño experimental, es aquel que proporciona la información
requerida con el mínimo esfuerzo experimental.

Pautas generales para diseñar experimentos

Para aplicar el enfoque estadístico en el diseño y análisis de un experimento, es necesario que todos
los que participan en el mismo tengan desde el principio una idea clara de qué es exactamente lo
que va a estudiarse, cómo van a colectarse los datos, y al menos una comprensión cualitativa de la
forma en que van a analizarse estos datos (Montgomery, 2002). A continuación, se mencionan las
pautas:
1. Identificación y enunciación del problema.
2. Elección de los factores, los niveles y los rangos.
3. Selección de la variable de respuesta.
4. Elección del diseño experimental.
5. Realización del diseño.
6. Análisis estadísticos de los datos.
7. Conclusiones y recomendaciones.

Etapas fundamentales de la experimentación

Se debe seguir las siguientes etapas:

1. Especificación del problema (definición del problema u objeto de estudio)
- Antecedentes
- Importancia
- Objetivos
- Número o intensidad de los tratamientos
- Formulación de la hipótesis
2. Revisión de la bibliografía respectiva
3. Planeamiento y diseño del experimento (materiales y métodos)
- Lugar del experimento
- Tamaño de la unidad experimental
- Número de repeticiones por tratamiento
- Instrumentos y equipos
- Métodos de evaluación de los resultados (prueba de hipótesis, nivel de significación)
4. Ejecución y desarrollo de operaciones en el laboratorio (conducción del experimento)
5. Recolección de datos y observaciones muestrales
6. Ordenamiento de los resultados experimentales
7. Análisis de los datos
8. Interpretación y evaluación de los resultados
9. Discusión de los resultados en relación con los conocimientos teóricos, con los principios del
razonamiento riguroso o con los resultados obtenidos en experimentos similares.
10. Análisis económico y utilidad práctica
11. Conclusiones y recomendaciones

Conceptos generales

1. Factor.-Un factor es una variable independiente controlada cuyo efecto será evaluado en los
resultados del experimento. A los distintos valores que son estudiados se les llama niveles del
factor.
Ejm:
Factor: Dosis de vitamina B12 en la alimentación de animales (cerdos).
Niveles: 5, 10, 15  g/kg de ración.

2. Tratamiento.- Elemento sometido a estudio o a ensayo de comparación. Un tratamiento

corresponde a una combinación de los niveles de los factores en estudio, pudiendo ser estos
uno o más.
Ejm:
- La ración particular de alimento de un animal (5 ug/kg de ración).
- Variedad de cultivo
- Edad
- Sexo

3. Testigo.- Es un tratamiento especial del experimento y sirve como comparación de los

tratamientos en prueba. Es conocido como tratamiento control.
Ejm:
Diferentes niveles de conservantes (sorbato de potasio, sulfitos, benzoato de sodio, nitritos,
etc.), el testigo es el tratamiento con cero en los niveles de conservante; los tratamientos son
evaluados en unidades experimentales y al final se mide el efecto de cada uno. La inclusión del
testigo permite medir el efecto de los diferentes niveles de conservantes.

4. Unidad experimental.- Es el material al que se aplica los tratamientos y se evalúan. La

respuesta es registrada en una variable que podría ser: tamaño promedio de frutas, rendimiento
total o promedio de la fruta, procedencia, manejo poscosecha y todas las variables de interés.
Así una unidad experimental podría ser:
- Una persona (paciente)
- Un animal (cerdo), etc.

5. Variable respuesta.- Es la variable en la cual se evaluaran los efectos de los tratamientos.

Ejm:
- Ganancia o pérdida de peso en kg por cerdo, etc.
El diseño experimental, involucra determinar la forma en que los niveles de los factores o los
tratamientos serán asignados a las unidades experimentales, la elección del tamaño muestral y la
disposición de las unidades experimentales; determina el modelo estadístico que se usará para
poner a prueba la hipótesis del investigador.

La utilización de un diseño experimental adecuado permitirá obtener información válida para

responder a las preguntas planteadas como objetivo de la investigación, así como minimizar el
error experimental.

Fuentes de variación

Una fuente de variación es cualquier “cosa” que pueda generar variabilidad en la respuesta. Se
distinguen dos tipos:
- Aquellas cuyo efecto sobre la respuesta es de particular interés para el experimentador (factores
tratamiento).
- Aquellas que no son de interés directo pero que se contemplan en el diseño para reducir la
variabilidad no planificada (factores “nuisance” o bloques).

Ejm:
En un experimento en el que se desean evaluar distintos niveles de abono nitrogenado en sorgo, los
niveles de nitrógeno y la disposición de los surcos en el terreno generan variabilidad en el
rendimiento. El interés del investigador está en evaluar el efecto de los niveles del nitrógeno y no el
efecto de la ubicación de los surcos, sin embargo, ambos factores deben ser controlados. El primero
es un factor tratamiento y el segundo un factor “nuisance”.

Error experimental

Es la variable existente entre las observaciones de unidades experimentales tratadas en forma

similar.

a. Fuentes de error experimental: Proviene de dos fuentes principales.

- Variabilidad inherente al material experimental al cual se le aplican los tratamientos.
- Variabilidad resultante de cualquier falta de uniformidad en la realización física del
experimento.

Ejm:

Es un experimento en nutrición con ratas, las ratas tendrán constitución genética diferente; ésta
variabilidad es inherente al material experimental. Por otra parte, las ratas se colocarán en jaulas
sujetas a diferencias de calor, luz y otros factores; esto constituye una falta de uniformidad en la
realización física del experimento.

Los errores de experimentación, observación y medición, así como las fallas en la determinación
del diseño experimental adecuado, también formará parte del error experimental.

a. Formas de disminuir el error experimental: Se debe realizar todo el esfuerzo posible por
disminuir el error experimental ya que de esta manera se ignorará el poder de la prueba
(probabilidad de detectar diferencias existentes entre los tratamientos). Para lograr disminuir el
error experimental se debe tener en cuenta lo siguiente:
- Seleccionar minuciosamente el material experimental a usar. Esto permitirá reducir los efectos
debidos a la variabilidad inherente.
- Refinar la técnica experimental. Esto permitirá reducir los efectos debidos a la variabilidad
correspondiente a las condiciones del experimento.
- Utilizar el diseño experimental apropiado.
- Aumentar tanto como sea posible el número de repeticiones en el experimento.
- Utilizar observaciones concomitantes cuando sea necesario.
Principios básicos del diseño experimental

Son tres:

1. Reproducción.- Es equivalente a repetición, es importante porque:

a) Proporciona una estimación del error experimental.

b) Obtiene una estimación más precisa del efecto medio por reducción de la desviación
estándar, obteniéndose estimaciones más precisas.

2. Aleatorización.- El proceso de aleatorización (asignación de los tratamientos a las unidades

experimentales) garantiza independencia en los errores. Los errores asociados con unidades
experimentales que están afectas a espacio o tiempo, tienden a correlacionarse, y lo que hace la
aleatorización es asegurar en parte la independencia.

3. Control local.- Se refiere al balanceo, bloqueo y agrupamiento de las unidades experimentales

que se utilizan en el experimento, aunque los tres términos son sinónimos cada uno explica
algo referente a la unidad experimental, así:

- Agrupamiento, es la colocación de un conjunto de unidades experimentales homogéneas en

grupos, de modo que los diferentes grupos puedan sujetarse a los tratamientos. El número
por grupo puede ser diferente.

- Bloqueo, es la distribución de las unidades experimentales en bloques de manera que las

unidades dentro del bloque sea relativamente homogéneas.

- Balanceo, comprende la obtención de unidades experimentales, el agrupamiento, el

bloqueo y la asignación de los tratamientos a las unidades experimentales, de modo tal que
resulte una configuración balanceada.

Ejm. de balanceo completo:

Tres tipos de raciones aplicados a cuatro grupos de conejos. Se dispone de tres conejos por
cada grupo y cada uno recibe una ración diferente.

3 tipos raciones  4 grupos conejos

En cada grupo 3 conejos

* La función del control local es hacer más eficiente el diseño, los procedimientos en la prueba son
más consistentes estadísticamente. El uso adecuado del control local reduce el error experimental.
Modelo estadístico

Es una formulación matemática de las relaciones existentes entre los diversos factores o
componentes considerados en un diseño experimental.

Ejm: yij   +  i  eij

Dependiendo de la forma en que son elegidos los tratamientos, los modelos son:

1. Modelo I (Efectos fijos): Se presenta cuando los tratamientos son fijados por el
experimentador. En este caso las conclusiones del experimento solamente son válidas para los
tratamientos evaluados.

2. Modelo II (Efectos aleatorios): Se presenta cuando los tratamientos son escogidos

aleatoriamente desde una población de tratamientos. En este caso las conclusiones del
experimento serán válidas para la población de tratamientos.

3. Modelo III (Efectos mixtos): Se presenta cuando se tiene una combinación de los dos modelos
anteriores, es decir, cuando se tienen algunos factores con efectos fijos y algunos factores con
efectos aleatorios.

Hipótesis estadísticas

Se denomina hipótesis, a una suposición o conjetura que se formula con el propósito de ser
verificada.

Cualquier investigación implica la existencia de dos hipótesis o afirmaciones acerca de las

poblaciones que se estudian. Tales afirmaciones que pueden ser o no ciertas se denominan
hipótesis estadísticas.

Objetivo de la prueba de hipótesis

Decidir, basado en una muestra de una población, cuál de dos hipótesis complementarias es cierta.
Las dos hipótesis complementarias se denominan hipótesis nula e hipótesis alternativa.
Hipótesis nula

Es una hipótesis que afirma lo contrario a lo que se quiere probar. A la hipótesis nula, se lo
representa con el símbolo Ho, y se formula con la intensión de rechazarla.

Representa la hipótesis que mantendremos cierta a no ser que los datos indiquen su falsedad. Esta
hipótesis nunca se considera aceptada, en realidad lo que se quiere decir es que no hay suficiente
evidencia estadística para rechazarla por lo que aceptar Ho no garantiza que Ho sea cierta.
La hipótesis nula Ho se refiere siempre a un valor especificado del parámetro de población, no a
una estadística de muestra. El planteamiento de la hipótesis nula, en la mayoría de casos, siempre
contiene un signo de igualdad (=) con respecto al valor especificado del parámetro.

Ejemplo

Ho: El contenido de provitamina A del aguaymanto es igual a 3000 I.U. de caroteno por 100 g de
fruto.
Ho: µ = 3000 I.U

Ho: Las hamburguesas elaboradas a partir de la carne de cuy presenta igual sabor que las
hamburguesas de carne de bovino
Ho: µhamb.cuy = µhamb.bovino

Hipótesis alternativa

Es una hipótesis que expresa lo que realmente creemos es factible, es decir, constituye la hipótesis
de investigación. Se lo designa con el símbolo H1 o Ha.

Hipótesis que se acepta cuando los datos no respaldan la hipótesis nula.

La hipótesis alternativa H1 es cualquier hipótesis que difiera de la hipótesis nula. El planteamiento

de la hipótesis alternativa nunca contiene un signo de igualdad con respecto al valor especificado
del parámetro.

Ejemplo

H1: El contenido de provitamina A del aguaymanto es menor a 3000 I.U. de caroteno por 100 g de
fruto.
H1: µ < 3000 I.U.

En el ejemplo pudo establecerse también, que el contenido de provitamina A sea mayor o

diferente de lo establecido, eso dependerá de la investigación que se está realizando.

H1: Las hamburguesas elaboradas a partir de la carne de cuy presentan diferente sabor que las
hamburguesas de carne de bovino
H1: µhamb.cuy ≠ µhamb.bovino

En el ejemplo pudo establecerse también, que el atributo sabor de las hamburguesas de carne de cuy
es menor o es mayor que de las hamburguesas de carne bovina, eso dependerá de lo que se quiere
probar en la investigación.

Como resultado de una prueba de hipótesis, aceptamos o rechazamos la Ho. Si aceptamos la Ho,
convenimos en que el error de muestreo (el azar), por sí solo, puede dar lugar al valor estadístico
que origina la diferencia entre éste y el parámetro. Si rechazamos la Ho, convenimos que la
diferencia es tan grande, que no es fruto de muestreo (el azar) y concluimos que el
estadístico de la muestra no proviene de una población que tenga el parámetro estudiado

Ejemplo:

En el caso del aguaymanto, supongamos que en la muestra se determinó un contenido de 2997 ±

0,024 I.U. de caroteno por 100 g de fruto. (𝑥 ̅ = 2997 ± 0,024 I.U)
La diferencia entre el parámetro y el estadígrafo (µ - 𝑥 ̅) sería 3000 – 2997 = 0,003 ± 0,024 I.U

Si la diferencia encontrada es considerada no significativa, de acuerdo a la prueba estadística

utilizada, entonces aceptamos la hipótesis nula y afirmamos que el contenido de provitamina A es
de = 3000 I.U. Entonces podemos decir que esa diferencia pudo darse como consecuencia del
muestreo (el azar), y quizás con otro muestreo esa diferencia sería mucho más pequeña.
Si la diferencia encontrada es considerada significativa, entonces rechazamos la hipótesis nula
y concluimos que el estadístico de la muestra no proviene de la población con el parámetro
estudiado; es decir que realmente el contenido de provitamina A es menor que de 3000 I.U.

Recuerde: El inferir sobre una población a partir de una muestra, de por sí solo, implica un error
fruto del muestreo (el azar)

Cuando se toma la decisión de rechazar o aceptar la hipótesis nula Ho, se corre el riesgo de
equivocarse; es decir de cometer errores. Estos posibles errores son:

Error de tipo I (α)

Consiste en rechazar la hipótesis Ho, cuando en realidad no debería ser rechazada, por ser
verdadera. La probabilidad de cometer el error tipo I se llama α.

Error de tipo II (β)

Consiste en no rechazar la hipótesis Ho, cuando debería ser rechazada por ser falsa. La
probabilidad de cometer el error tipo II se llama β.

Al tomar la decisión de aceptar o rechazar la hipótesis nula en base a los resultados obtenidos de una
muestra aleatoria seleccionada de la población en estudio; hay cuatro posibles situaciones que
determinan la decisión tomada es correcta o incorrecta, como se muestra en la tabla 1.

Tabla 1: Errores tipo I y tipo II

Decisión H0 verdadera H1 falsa

Error tipo I Decisión correcta
Rechazar H0
Probabilidad: α Probabilidad: 1 – β
Decisión correcta Error tipo II
Rechazar H1
Probabilidad: 1 - α Probabilidad: β

Se debe procurar que la probabilidad de los errores tipo I y tipo II, sean las más pequeñas posibles,
sin embargo, para un tamaño de muestra dado, el querer disminuir un tipo de error, trae consigo,
incrementar el otro tipo de error. La única forma de disminuir ambos errores, es aumentar el
tamaño de la muestra, lo cual puede ser o no ser posible.

Nivel de significación de una prueba estadística

En relación a la comprobación de una hipótesis dada, se llama nivel de significación, a la

probabilidad de no cometer el error tipo I, al rechazar la hipótesis nula Ho.
La potencia de una prueba es la probabilidad de tomar la decisión acertada de, rechazar Ho
cuando ésta es falsa o de aceptar H1 cuando ésta es verdadera. La potencia de una prueba es
calculada por 1- β.

Los niveles de significación más usados en la práctica son α = 0,05 (5%) y α =0,01 (1%). Si para
un valor dado de α, se rechaza la hipótesis nula Ho, entonces se dice que los resultados obtenidos
en la muestra, no solo son diferentes por efectos del azar, sino que son realmente
significativamente diferentes al nivel de α; es decir, se espera que de 100 resultados muestrales en
α x 100% de las veces se rechazará la hipótesis nula Ho cuando realmente es verdadera.

Otra forma de interpretar el nivel de significación de 5% sería de la siguiente manera: en 100

casos, cabe, que en 5 de ellos se cometa una decisión equivocada, al rechazar la Ho, cometiendo,
en consecuencia, un error tipo I.

Pasos de una prueba de hipótesis

1º Formular la Ho y H1
2º Determinar si la prueba es unilateral o bilateral.
3º Asumir el nivel de significación de la prueba.
4º Determinar la distribución muestral que se usará en la prueba.
5º Elaborar el esquema de la prueba.
6º Calcular el estadístico de la prueba.
7º Tomar la decisión, para esto, se comparan el esquema de la parte 5º, con el estadístico del paso 6º

La distribución de muestreo de la estadística de prueba se divide en dos regiones, una región de

rechazo (conocida como región crítica) y una región de no rechazo (aceptación). Si la estadística
de prueba cae dentro de la región de aceptación, no se puede rechazar la hipótesis nula.

La región de rechazo puede considerarse como el conjunto de valores de la estadística de prueba

que no tienen posibilidad de presentarse si la hipótesis nula es verdadera. Por otro lado, estos
valores no son tan improbables de presentarse si la hipótesis nula es falsa. El valor crítico separa la
región de no rechazo de la de rechazo y se obtiene de la tabla Z distribución normal con el nivel
de significación (ver fig.).

Figura 1
Distribución normal

Distribución
normal
Región de aceptación

-Vc Valor critico +Vc

Región de rechazo: puede ser

unilateral a la derecha, unilateral a
la izquierda o bilateral

Análisis de variancia

Es una técnica estadística que permite descomponer la variabilidad total de los resultados
de un experimento en sus distintas fuentes: factores tratamiento, interacción entre factores,
covariables, error experimental, factores nuisance (otros factores que influencian), con la
finalidad de compararlas e identificar la importancia de las distintas fuentes en la
explicación de la variabilidad total.

La técnica estadística conocida con este nombre está basada fundamentalmente en el hecho de
que la variabilidad total de una población o conjunto de datos es la resultante de las variabilidades
parciales debidas a los factores de variación, y fue inicialmente desarrollada por Fisher. Es
esencialmente un procedimiento aritmético que descompone una suma total de cuadrados en
componentes asociados con fuente de variación reconocida.
La precisión de un ANVA (análisis de varianza) está en relación directa de la varianza del error
experimental, por lo que no se debe de perder de vista que las variaciones inducidas por manejos
inadecuados y heterogéneos entre las unidades de una prueba, repercutirán en un incremento de
dicha varianza. La exactitud (insesgo) depende fundamentalmente del adecuado control de las
demás fuentes de variación ajenas a la que esté en estudio.

A medida que un experimento se hace más complicado, la elección del diseño más adecuado (en
función de las variaciones del medio ambiente) es menos fácil.

Los diseños experimentales están íntimamente asociados con las unidades experimentales, o el
material experimental que usa el investigador para probar los tratamientos bajo estudio.

Censo

Toma de datos Muestreo Analizar*

Experimento

¿? Transformación

Diseño Regresión y Análisis no

Experimental correlación paramétrico

Estadística paramétrica

*Datos, son discretos o variable cualitativa

  Inversa
  Logaritmica

Se transforman 
  Arc.Sen x
 x


Ejemplo para un producto:

1 - Excelente : 7
2 - Muy buena : 6
3 - Buena : 5
Ponderar 4 - Ni bueno ni malo : 4 termino medio
5 - Regular : 3
6 - Malo : 2
7 - Pesimo : 1
1. Unidades homogéneas: da origen al D.C.A. (Diseño completamente al azar)

Tratamientos T1 T 2 T3 T4 T5 ............T10

- - - - - -
- - - - - -
Repeticiones - - - - - -

- - - - - -

- Los tratamientos vienen a ser el grado de moderación

- Si todos son homogéneos o iguales, entonces el error es igual a 0

Hipótesis:

H 0 : 1  2  3  ....  10
.
H a : 1  2  3  ....  10

2. Unidades heterogéneas: da origen al

D.B.C.A. (diseño bloque completamente al azar)

D.C.L. (diseño cuadrado latino).

Heterogéneo

Homogenizarlo

B1 B2 B3

Estructura de los tratamientos:

1. Sin estructura: V1; V2; V3; V4; V5

Variedades de papaya

Primero se hace: ANVA Prueba de comparación múltiple

- Prueba t
Si es que hay - Diferencia límite de significación (DLS) o prueba de Scheffe
significación - Duncan.
- Tukey (más utilizado en alimentos) (**)
- Student-Newman-Keuls (S-N-K).
- Dunnett.

2. Con estructuras de grupo o grupal. V1; V2; V3 De maduración temprana

 V4; V5 De maduración tardía

Se hace el ANVA si hay significación Prueba de contrastes

3. Un factor con estructura de gradiente: tiene que haber diferentes niveles.

Factor: T°C

Niveles: T1=20°; T2=40°; T3=60° ANVA Regresión

T4=80°; T5=100° (tendencia a respuesta)
Prueba de comparación múltiple

Factorial: Estudio de dos o más factores simultáneamente, cada factor con diferentes
niveles.

Ejm.

Factores: A, B

Niveles: a1, a2
b1, b2, b3

 a1 b1 , a1 b2 ,a1 b3
Tratamientos (combinaciones) 
 a 2 b1 , a 2 b2 ,a2 b3

Se hace el ANVA Efectos simples de cada factor

Pruebas de comparación múltiple
Prueba de contrastes
Regresión