UNIVERSIDAD AUTÓNOMA DE YUCATÁN

FACULTAD DE MEDICINA VETERINARIA Y ZOOTECNIA.

NOTAS DE DISEÑOS EXPERIMENTALES

José C. Segura Correa. Profesor investigador Titular

Mérida Yucatán, enero de 2000.

PROLOGO. Los métodos estadísticos son una herramienta útil en los principales tipos de investigación: experimentos, encuestas y estudios retrospectivos. En los experimentos se desea medir y comparar los efectos de fuentes de variación establecidas por el investigador, por lo cual se cambia la naturaleza de las muestras. En las encuestas y estudios retrospectivos no se cambia la naturaleza de las muestras, únicamente se observan para poder hacer algunas inferencias sobre la población. En la actualidad, el análisis de datos se realiza a través del uso de programas de computadoras escritos para tal fin; son pocos los trabajos de investigación que se analizan a mano. Sin embargo, es importante que el usuario de los métodos estadísticos haya desarrollado, alguna vez, el análisis de los datos, para poder entender los procesos que la computadora realiza. El conocimiento del método de análisis da una apreciación de la filosofía detrás del análisis. Por otro lado, la mayoría de los libros están escritos para gente con sólidos conocimientos de Estadística o son demasiado generales: son por lo tanto de poca ayuda para las gentes que tienen escasos conocimientos en esta ciencia. La mayoría de la gente que trabaja en Producción Animal, les interesa planear su experimento y analizarlo con facilidad. El problema principal, sin embargo, es el diseño del experimento. Este libro está escrito con tal fin. Contiene ilustraciones de la distribución de los tratamientos según el tipo de Diseño del experimento y ejemplos desarrollados paso a paso de los Diseños Experimentales de uso más frecuente en las Ciencias Biológicas para que sirvan de base para el análisis de diseños similares. También se incluye una sección sobre algunas alternativas de mejorar la precisión de los experimentos.

CONTENIDO. Simbología utilizada. I.- IMPORTANCIA DE LA EXPERIMENTACIÓN. 1.1 Importancia de la experimentación en las ciencias biológicas 1.2 Definición de conceptos. II.- ANALISIS DE VARIANZA. III.- DISEÑOS EXPERIMENTALES SIMPLES. 3.1.- DISEÑO COMPLETAMENTE AL AZAR. 3.1.1 Modelo estadístico y Análisis de varianza. 3.1.2 Ejemplos de Diseños Completamente al Azar. 3.1.3 Comparación de medias de tratamientos. 3.1.4 Programa SAS para un Diseño Completamente al Azar. 3.1.5 Contrates ortogonales. 3.1.6 Programa SAS para contrastes ortogonales. 3.2.- DISEÑO DE BLOQUES AL AZAR. 3.2.1 Modelo estadístico y Análisis de varianza. 3.2.2 Ejemplo de un Diseño de Bloques al Azar. 3.2.3 Comparación de medias de tratamientos. 3.2.4 Estimación de parcelas perdidas. 3.2.5 Programa SAS para un Diseño de Bloques al Azar. 3.3.- BLOQUES AL AZAR GENERALIZADOS. 3.3.1 Modelo estadístico y Análisis de varianza. 3.3.2 Ejemplo de un Diseño de Bloques al Azar Generalizados. 3.3.3 Programa SAS para un Diseño de Bloques al Azar Generalizados. 3.4.- DISEÑO EN CUADRO LATINO. 3.4.1 Modelo estadístico y Análisis de varianza. 3.4.2 Ejemplo de un Diseño en Cuadro Latino. 3.4.3 Comparación de medias de tratamientos. 3.4.4 Programa SAS para un Diseño en Cuadro Latino. 3.5.- DISEÑO CROSSOVER. 3.5.1 Modelo estadístico y Análisis de varianza. 3.5.2 Ejemplo de un Diseño Crossover. 3.5.3 Programa SAS para un Diseño Crossover. IV.-DISEÑOS EXPERIMENTALES CON SUBMUESTREO. 4.1.- DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTREO. 4.1.1 Modelo estadístico y Análisis de varianza. 4.1.2 Ejemplos de Diseños Completamente al Azar. 4.1.3 Comparación de medias de tratamientos.

4.1.4 Programa SAS para un Diseño Completamente al Azar. 4.1.5 Contrates ortogonales. 4.1.6 Programa SAS para contrastes ortogonales. 4.2.- DISEÑO DE BLOQUES AL AZAR CON SUBMUESTREO. 4.2.1 Modelo estadístico y Análisis de varianza. 4.2.2 Ejemplo de un Diseño de Bloques al Azar. 4.2.3 Comparación de medias de tratamientos. 4.2.4 Estimación de parcelas perdidas. 4.2.5 Programa SAS para un Diseño de Bloques al Azar. 4.3.- DISEÑO EN CUADRO LATINO CON SUBMUESTREO. 4.3.1 Modelo estadístico y Análisis de varianza. 4 3.2 Ejemplo de un Diseño en Cuadro Latino. 4.3.3 Comparación de medias de tratamientos. 4.3.4 Programa SAS para un Diseño en Cuadro Latino. V.- EXPERIMENTOS FACTORIALES. 5.1 Modelo estadístico. 5.2 Ejemplo de un Diseño Completamente al azar con un arreglo factorial 2x3. 5.3 Comparación entre tratamientos. 5.4 Programa SAS para comparaciones preplaneadas. VI.- EXPERIMENTOS EN PARCELAS DIVIDIDAS. 6.1 Modelo estadístico. 6.2 Ejemplo de un Experimento en Parcelas divididas con un Diseño Completamente al azar. 6.3 Comparación entre tratamientos. 6.4 Programa SAS para un Diseño Completamente al Azar con arreglo de parcelas divididas. 6.5 Programa SAS para un Diseño de Bloques con arreglo de parcelas dividas. VII.- ANALISIS DE COVARIANZA. 6.1 Modelo estadístico. 6.2 Ejemplo de un Análisis de covarianza. 6.3 Comparación entre tratamientos. 6.4 Programa SAS para un Análisis de Covarianza. 6.5 Programa SAS para un Análisis de Covarianza. VIII. METODOS PARA MEJORAR LA PRECISION DE LOS EXPERIMENTOS. IX.- REFERENCIAS BIBLIOGRAFICAS.

ABREVIACIONES Y SIMBOLOGIA UTILIZADA. CM= Cuadrado medio; CMtrat= Cuadrado medio de tratamientos; CMbloque= Cuadrado medio de bloques; CMtotal= Cuadrado medio del total; CMerror= Cuadrado medio del error; CV= FC= FV= GL= Coeficiente de variación; Factor de corrección; Fuentes de variación; Grados de libertad;

SC= Suma de cuadrados. SCtrat= Suma de cuadrados de tratamientos; SCbloque= Suma de cuadrados de bloques; SCtotal= Suma de cuadrados del total; SCerror= Suma de cuadrados del error; SP= Suma de productos; r= Número de repeticiones; t= Número de tratamientos;

por ejemplo. comprobar o descubrir fenómenos o principios básicos. Se puede considerar la Experimentación como un arte y una ciencia: Arte. Las etapas sucesivas en todo trabajo de investigación se pueden resumir en las siguientes: 1) Especificación del problema.. planear y aplicar un conjunto de técnicas para eliminar causas extrañas y realizar experimentos de campo y de laboratorio o de invernadero. nuevas y mejores variedades etc. análisis o estudio práctico de todo cuanto interesa a ésta disciplina. la experimentación es un método científico de investigación que consiste en hacer operaciones y prácticas destinadas a demostrar.IMPORTANCIA DE LA EXPERIMENTACIÓN La investigación científica consiste en la búsqueda permanente de la verdad por métodos objetivos.1 I. En los experimentos se miden y comparan los efectos de fuentes de variación y generalmente se cambia el estado de las muestras y se observa el efecto de los tratamientos. Existen dos tipos principales de investigación: estudios observacionales (encuestas) y experimentación. En las encuestas no se cambia la naturaleza de las muestras. ensayos. La experimentación en las ciencias biológicas. Por la aplicación del método científico y un conjunto de conocimientos científicos para el desarrollo de tecnologías que permitan obtener nuevas y mejores dietas. únicamente se observan para obtener conclusiones sobre ellas y sobre la población total. Es decir. a) Antecedentes b) Importancia . Comúnmente ambos términos se confunden y son inseparables. Por la habilidad necesaria para ingeniar. Se considera un experimento la prueba con la práctica de una hipótesis formulada. observaciones. Ciencia. Se observan únicamente los efectos y de aplicación práctica inmediata. Los resultados de una investigación son de aplicación mediata y puede conducir a desarrollar nuevas técnicas o a modificar las existentes. en particular. la determinación del tamaño de parcela más eficiente para ensayar variedades de alfalfa. el ensayo de ganancia de peso de animales proporcionados cuatro dietas distintas. comprende las pruebas. adecuados y precisos. Se considera una investigación cuando se estudia causa y efecto. por ejemplo.

Experimento. Para detectar casos subclínicos Estadística. definiciones y 1. 5) Recolección de datos y observaciones 6) Captura y análisis de la información en una computadora 7) Interpretación de los resultados 8) Discusión de los resultados 9) Análisis económico 10) Conclusiones (utilidad práctica) 11) Reporte Nota. los objetivos deben ser establecidos claramente como preguntas a ser contestadas. El diseñar un experimento consiste en planear un experimento de tal forma que reuna la . Diseño Experimental. d) Distribución de los tratamientos (diseño) e) Instrumentos. corral etc. hipótesis a ser probadas y efectos a ser estimados. Para un experimento de nutrición por ejemplo es necesario conocer sobre: Fisiología. Para elegir animales similares en estado fisiológico ya que ésto podría influir en los resultados. animal.2. a) Lugar de la experiencia b) Identificación de la unidad experimental (tamaño de parcela. Todos los factores excepto el objeto de estudio deben permanecer constantes. Al diseñar un experimento. Es importante para la planeación correcta de un experimento tener conocimientos de otras ramas de la ciencia.Definición de conceptos. A continuación se proporcionan algunas conceptos necesarios para el curso. Es una búsqueda planeada para obtener nuevos conocimientos o para confirmar o negar los resultados de experimentos previos. Para elegir genotipos similares Salud. animales etc. Para diseñar y analizar correctamente la información generada por el experimento. Genética.2 c) Objetivos 2) Revisión de literatura 3) Material y métodos (Planteamiento o diseño del experimento). 4) Ejecución y desarrollo de las operaciones en el campo o en el laboratorio..) c) Número de repeticiones por tratamiento. equipos.

cuadro latino etc. La asignación aleatoria de los tratamientos puede hacerse utilizando una tabla de números aleatorios o trozos de papel en los cuales los tratamientos (t) se escriben r veces.e. una maceta etc. si el factor que se quiere estudiar es la cantidad de lisina.) está en la distribución aleatoria de los tratamientos. si se quiere estudiar el efecto de tres niveles de proteína (16 20 y 24%) y dos de energía (2800 y 3200 Kcal/Kg) en la dieta de pollos de engorda en finalización. Es el material. de las medias de los tratamientos y de las diferencias entre las mismas. Tratamiento. Por ejemplo. En estudios sociológicos y . Puede ser un animal o grupo de animales.e. Cada una de las unidades experimentales donde se aplica el mismo tratamiento.3 información que sea pertinente al problema bajo investigación. Fracción de la unidad experimental (o la totalidad de ésta) en la cual se mide el efecto de un tratamiento. Unidad Experimental. en este caso. cada una de las dosis de lisina aplicada durante el experimento es un tratamiento. se tendrán entonces cuatro repeticiones por tratamiento. Aleatorización. Por ejemplo. Unidad de muestreo. si se tienen 12 unidades experimentales y se quieren probar tres tratamientos. lugar o sujeto sobre el cual se aplican los tratamientos en estudio. completamente al azar. una parcela en el campo. La diferencia fundamental entre los distintos diseños experimentales (p. Proceso que relaciona los tratamientos con las unidades experimentales en forma sistemática con el propósito de obtener un estimado válido e insesgado del error experimental. Es característica de las unidades experimentales mostrar variación aún cuando se les aplique el mismo tratamiento. es la unidad de información más pequeña con base en las repeticiones. bloques al azar.. Por ejemplo. p. Repetición. Los tratamientos a estudiar durante el experimento pueden ser una combinación de varios niveles de factores. Es una sola de las formas en cantidad y calidad que toma durante el experimento el factor que se quiere estudiar (cada uno de los niveles de un factor). un animal o cada una de tres muestras de sangre tomadas en el mismo animal.. cada combinación de los distintos niveles de proteína y energía constituyen un tratamiento y se tendrían seis tratamientos.

religión. b) tamaño de la unidad experimental adecuada. grado de educación. Por ejemplo. entonces se podrían tomar las muestras en pares y hacer todas las comparaciones posibles utilizando prueba de t. Sin embargo.. Bloque. esto no es aceptable: 1) Porque se obtendrían respuestas aparentemente significativas cuando no las hay: El número de errores tipo I está muy relacionado con el número de pruebas . si una corraleta con tres animales es la unidad experimental. y d) utilizar el número óptimo de repeticiones por tratamiento. Entre las modalidades para reducir el error experimental están: a) utilizar unidades experimentales tan uniformes (homogéneas) como sea posible. pero se puede reducir su efecto. Sujeto o tratamiento de comparación.ANALISIS DE VARIANZA Quizás el análisis de varianza (ANOVA) es la técnica estadística más usada por el investigador. entonces las diferencias entre los tres animales son las que contribuyen al error de submuestreo. los tratamientos se pueden referir a edad. Es la variación debida a diferencias entre unidades experimentales tratadas en forma similar. etc. Se aplica a situaciones donde existen varios grupos o tratamientos y se prueba la diferencia entre ellos. debido al diseño experimental se consideran por separado para asignarles los tratamientos que les correspondan.4 sicológicos. Error de submuestreo. Es el error debido a variaciones o diferencias entre muestras dentro de unidades experimentales. Por ejemplo. El error experimental no puede eliminarse. sexo. c) distribución aleatoria de los tratamientos. Si se tiene un número de muestras y se quiere probar la diferencia entre ellas. El testigo debe considerarse como otro tratamiento más. Al realizar un experimento se debe incluir un testigo para medir el resultado de un experimento o el avance de un programa. Testigo. el testigo será aquel tratamiento que no incluya fertilizante (o el nivel de fertilizante de uso más común en la región). II. Conjunto de unidades experimentales que. si se van a usar tratamientos con fertilizantes. Error Experimental.

implica mucho trabajo. También. d) La media y la varianza de los grupos son independientes. Un método sencillo para probar esto consiste en calcular la desviación estándar (DE) de cada nivel (es decir la raíz cuadrada de las varianzas dentro de cada grupo) y se traza contra las medias de las muestras. Su uso ha significado una gran expansión para el diseño experimental. incluyendo la variación que no se ha podido medir (proveniente de la variación inherente al material experimental o de la falta de homogeneidad del ambiente en el que se realizó el experimento). como se verá más adelante cada diseño tiene su propio ANOVA. Es decir. 2) Hacer todas las comparaciones con pruebas de t. con 5 tratamientos se tendrían que hacer 10 pruebas y con 8 tratamientos 28 pruebas. la prueba de t es inapropiada cuando se comparan más de dos tratamientos.e tratamientos) son iguales. La prueba de Barlett es otro procedimiento para la prueba de homogeneidad de varianzas (Snedecor y Cochran 1980 sección 10. la SCtrat + SCError debe ser igual a la SCtotal. es muy probable que la diferencia entre la media mayor y la menor mostrara significancia en una prueba de t. El ANOVA es en esencia un procedimiento aritmético que consiste en descomponer una suma de cuadrados total (variación total) en fuentes de variación reconocidas. También se utiliza para datos no distribuidos normalmente pero que a través de transformaciones (p. Por ejemplo. es decir cuando las observaciones se hallan en forma de números (son medibles). debida al azar. normal e independientemente distribuido con media cero y varianza común.21).e. c) Las varianzas dentro de grupos (p. Un método más objetivo de la prueba de normalidad de los datos y desigualdad de varianzas es el de la prueba KolmogorovSmirnov.. Por ello.5 (comparaciones) que se llevan a cabo. logaritmos o raíz cuadrada) pueden aproximarse a la normalidad. El ANOVA se utiliza en todos los campos de investigación. . Si se observa alguna asociación entre las medias y DE entonces el ANOVA no es apropiado. cuando los datos son medidos cuantitativamente. fuente de variación conocida como residuo o error experimental. a) Los efectos de tratamiento y los efectos ambientales son aditivos. b) El error experimental constituye un elemento aleatorio. Las suposiciones básicas para que el ANOVA tenga validez son.

B A C C . Esto podría conducir a conclusiones incorrectas. se rechaza la hipótesis nula en caso contrario se acepta.. Si el valor de F calculado es mayor que el valor de F tabulado. III. utilizando para ello tablas de números aleatorios o papeles escritos con los tratamientos o claves de éstos (Figura 1). alejamientos mayores de las suposiciones invalidan el método.DISEÑO COMPLETAMENTE AL AZAR.1. En el ANOVA para obtener el valor de F calculada (que denota la significación entre tratamientos) se divide el cuadrado medio de tratamientos entre el cuadrado medio del error. Consecuentemente es una preocupación prudente para verificar las suposiciones básicas del ANOVA. que aunque el ANOVA no es muy sensible a las violaciones de las suposiciones (especialmente cuando se usan iguales números de observaciones por subclase.6 Cabe mencionar. Es el diseño más simple y se usa cuando las unidades experimentales son homogéneas o cuando la variación entre ellas es muy pequeña. tal es el caso de experimentos de laboratorio. 3. El valor de F calculado se halla en la tabla de F con el nivel de significancia (1 o 5%) y con los grados de libertad de tratamientos en el numerador y con los grados de libertad del error experimental en el denominador. El paso siguiente del ANOVA es la comparación de las medias de tratamientos para conocer cual es el mejor.. Esta es una prueba con un solo criterio de clasificación (tratamientos). La distribución de los tratamientos se hace aleatoriamente entre todas las unidades experimentales. A continuación se discuten los diseños experimentales de uso más frecuente en las ciencias biológicas.DISEÑOS EXPERIMENTALES CLÁSICOS. en donde las condiciones ambientales son controladas. invernadero etc. Al comparar el valor de F calculado con el de F tabulado podemos establecer si existe o no existe diferencia estadísticamente significativa entre tratamientos.

Algunas ventajas de este diseño son. Algunas desventajas son. a) Su facilidad de planeación. el error experimental incluye toda la variación excepto aquella debida a tratamientos. d) Por no tener muchas restricciones aumenta el número de grados de libertad para el error.7 B C A C A D B D C B A B A D D D Figura 1. α i es el efecto del iesimo tratamiento. µ= es la media general. b) Puesto que no existen restricciones en la aleatorización de los tratamientos. Distribución aleatoria de los tratamientos en un diseño completamente al azar con cuatro tratamientos y cinco repeticiones por tratamiento. El modelo estadístico para este diseño es Yij= µ + α i + eij donde: Yij= es la j-esima repetición correspondiente al i-esimo tratamiento. y eij es el error aleatorio normal e . b) Es flexible en cuanto al número de tratamientos y repeticiones.1. c) No hay necesidad de estimar parcelas perdidas. a) No es eficiente con material experimental heterogéneo.1 Modelo estadístico y Análisis de varianza. ya que no es necesario que el número de tratamientos y repeticiones sea igual. 3.

σ²).2. La distribución de los tratamientos y animales a las jaulas (unidades experimentales) se hizo aleatoriamente.1. (NID) con media cero y CUADRO 1 ANALISIS DE VARIANZA PARA UN DISEÑO COMPLETAMENT AL AZAR.2.B.Ejemplos de Diseños Completamente al azar.8 independientemente distribuído varianza común (0. FV GL SC CM Fc Tratamiento t-1 ∑Y r 2 i − FC SCtrat t −1 SCerror t ( r − 1) CM trat CM error Error t(r-1) SCtotal-SCtrat Total tr-1 ΣΣYij² .C y D) con siete cerdos (unidad experimental) por ración. 3. Se analizó un experimento en el que se probaron cuatro raciones (A.. t=número de tratamientos.1. repeticiones. Las hipótesis a probar fueron: Ho: No existe diferencia entre tratamientos.FC FC= (ΣΣYij)²/rt. Ejemplo de un Diseño Completamente al Azar con desigual número de repeticiones por tratamiento. . r=número de 3. Ha: Existe diferencia entre los tratamientos más allá de lo que puede atribuirse al azar.1.

+ 412 -FC = 31.968.74 .0 205 34. Se presentó una enfermedad durante el experimento muriéndose ocho cerdos.31.0 102 34. CUADRO 2 Ganancia de peso de cerdos en una prueba para comparar cuatro tratamientos.45 = 484.00 .0 A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANOVA.00 ..2 N (45 + 46 + 49 + 44 + 35 + .30. 41)2 FC= 30.452. FC = X .487.34 .30.45 20 SCtrat 1842 1022 2052 2962 = + + + − FC 4 3 6 7 = 31.74 = 34.3 787 184 46.SCtrat = 31.29 (787)2 = 20 = SCtotal= 452 + 462 + 492 + 442 + 352 + . R A C I O N E S B C 35 33 34 34 34 35 36 33 33 Repeticiones I II III IV V VI VII Total Media A 45 46 49 44 D 41 41 44 43 42 44 41 296 42.968.55 SCerror = SCtotal ..968.9 Los resultados se presentan en el Cuadro 2....45 = 518.452.487.

FV Tratamiento Error Total GL 3 16 19 SC 484. Ha: Existe diferencia entre algunos tratamientos. En un ensayo se aplicaron cinco tratamientos a parcelas de pasto estrella y se tomaron cuatro parcelas por tratamiento. de los B 51 ++++ ++ ++ A 101 ++++ ++ C 83 C 68 B 61 C 72 E 29 D 67 .2.55 CM 161. Un ejemplo hipotético de la distribución tratamientos se presenta en la Figura 2. 3. Las hipótesis que se probaron fueron: Ho: No existe diferencia entre tratamientos.01).26 518.4 Ft 3.29 34.10 CUADRO 3 Análisis de varianza para un diseño completamente al azar con cuatro tratamientos y desigual número de repeticiones.14 Fc 75.2.43 2. Ejemplo de un diseño completamente al azar con igual número de repeticiones por tratamiento.24 ** Efecto de tratamiento altamente significativo al 1% (P<0.1.

Parcela 1 2 3 4 Total Media A 101 93 93 96 T R A T A M I E N T O B C D 51 61 59 58 83 68 72 75 67 40 46 52 E 29 45 51 42 Total 383 229 95. + 522 + 422) . como piedras o árboles.FC . Distribución aleatoria de tratamientos en un DCA Los rendimientos de materia seca (MS) en kilogramos se presentan a continuación.50 51.75 1282 (1282)² FC = 20 = 82176..75 57. 383² + 229² + 298² + 205² + 167² SCtrat = 20 = 89462 . . Figura 2. SCtotal = (1012 + 512 + 832 + .11 A 93 D 40 B 59 ++++ ++++ B 58 C 75 E 51 ++ ++++ ++ A 93 E 45 A 96 D 46 E 42 D 52 + Obstáculos.82176 = 8168.25 41.7286 = 882.SCtrat = 8168 .82176 = 7286..25 298 205 167 74.FC = 90344 . SCerror = SCtotal .

8 G. v grados de libertad . Realicemos una práctica con los resultados del ejemplo 2. Para el desarrollo de la prueba se necesitan los datos siguientes: Cuadrado medio del error(CMerror) 58..8 Fc 30.. del error(v) 15 Número de tratamientos(t) 5 Número de repeticiones(r) 4 Nivel de significancia (α) 0.1. no indica cual de ellos es el mejor y como difieren unos de otros.01 GL 4 15 19 SC 7286 882 8168 CM 1821.Comparación de medias Diseño Completamente al Azar.3 58.05 Los valores proporcionados se aplican a la siguiente ecuación: DMS= qd*EE donde qd es el valor tabular de la tabla de Duncan (Apéndice A-1) con t tratamientos.Prueba de Rango Múltiple de Duncan.L. 3. de tratamientos para un El valor significativo de F en un ANOVA implica que los tratamientos no pertenecen a poblaciones con medias comunes y que los tratamientos difieren en forma significativa.98 Ft 4. FV Tratamiento Error Total ** P<0.1.3.09** 3. se utilizan las pruebas de comparación de medias. Para saberlo.12 CUADRO 4 Análisis de varianza para un diseño completamente al azar con cuatro repeticiones.1. Tres de las pruebas de uso más común para la comparación de tratamientos o combinaciones lineales de ellos se describen a continuación. Sin embargo.3. es una prueba que permite comparar todas las medias entre sí. La ventaja de esta prueba consiste en el hecho de que no necesita que el valor de F sea significativo para poder usarla.

de otro modo no son significativas.68 Como ejemplo.53 3 3.53 ( 6.50) 11.25 12.45 (44.53 (17.53 se obtiene multiplicando el valor de la tabla de Duncan para la comparación de 2 medias con el valor de EE = 3.83.10 (15.16 12. las diferencias de la media del tratamiento A con las medias de los otros tratamientos son mayores que sus respectivos valores de DMS por lo tanto la media de A es diferente estadísticamente de las demás. EE es el error estándar de las medias el cual se obtiene dividiendo el CMerror entre el número de repeticiones (r) y obteniendo la raíz cuadrada. La comparación de los valores de las DMS con las diferencias entre medias es más fácil usando la siguiente tabulación: A 95. el valor de 11.45 (32. i. No. la diferencia de la media del tratamiento B con la media del tratamiento D es menor que ..e.75) 12.25 11. para compararlas contra los valores de las DMS de cada comparación de medias.75 12.53 (21.25 74.0 C 74.83 = 12.00) 0.25 12.25) 0.10 (38.0 Si las diferencias de medias son mayores que el valor de DMS (entre paréntesis) las medias de los tratamientos en cuestión son diferentes estadísticamente.01 11. i. p.13 del error y el α deseado (1 o 5%).00) 12.50) 12.25 x 3.83= 11. 3.45.50) 0.75 E D B C A 41.10 (23.25 57.. de medias a comparar Valor de la tabla Duncan DMS=qd EE 2 3.50 12.01*3. El DMS para la comparación de 4 medias se obtiene multiplicando 3.50 95.50) 11.0 B 57.0 D 51.0 E 41.68 (54.25) 11.75 51. Por otro lado.25) 0.10 4 3..31 12.75 0.e.e.53. EE = CM error r Ahora es necesario hallar todas las diferencias entre las medias. etc.53 ( 9.45 5 3.

Para el caso de desigual número de repeticiones por tratamiento se utiliza la fórmula de abajo para cada par de medias a comparar. EE = CM error 2  1 1  +  r r   i j donde: i ≠ j. Veamos el desarrollo con los datos del ejemplo 2. Esta prueba al igual que la de Duncan se usa para hacer todas las comparaciones múltiples que son posibles con t tratamientos.2.1. como se presenta a continuación.25c D 51. d) A 95. El método es hallar todas las comparaciones posibles con t tratamientos que son t(t-1)/2 poniendo las medias en orden creciente o decreciente y restando de la media mayor todas las demás medias.75a C 74. qt es el valor que se encuentra en las tablas de Tukey con el número de tratamientos.14 su respectivo DMS por lo tanto no son diferentes estadísticamente. El procedimiento es calcular el valor de DMS de acuerdo a la ecuación siguiente: DMS= qt EE donde.75d Las medias de tratamientos subrayadas estadísticamente entre sí (α=0. en caso contrario no son significativas o diferentes estadísticamente.Prueba de Tukey. Conclusión: el tratamiento A es el mejor. 1) ordenamos las medias de mayor a menor .25c E 41. si estas diferencias de medias superan a la DMS se dice que las medias son significativas.50b B 57. no difieren Desigual número de repeticiones por tratamiento. 3. después a la siguiente mayor le restamos las demás medias y así sucesivamente hasta que se terminen.05). Una forma más sencilla de expresar la relación entre las medias de los tratamientos es subrayando aquellas que son estadísticamente iguales. los grados de libertad del error y el nivel de significancia deseado (Apéndice A-2).3.

37)(3.00 0.25 D 51.75 2) hallamos el valor DMS= qt Sx =(4.50 32.50 6.25 74.25c E 41. .75a C 74.0 D 51.0 E 41.25c D 51.25 15.50 21.50 B 57.75 E D B C A 41.25 0.25 E 41.50b B 57.05) entre los tratamientos B.75 0.75 51.15 A 95.0 B 57.74 4) A 95.25 9.25 17. Para un mejor entendimiento se presenta la siguiente tabulación: A 95.74 3) se buscan las diferencias entre todas las medias.50 95.25 0.83)= 16. Nota: A diferencia con la prueba de Duncan la prueba de Tukey no mostró diferencias significativas (α=0.75 54.D y E. La prueba de Tukey es considerada más estricta que la prueba de Duncan.75 23.75 C 74.00 44.75c Conclusión: el tratamiento A es el mejor.25 57.0 C 74.50 0.50 38.0 DMS=16.

CLASSES TRAT. MODEL MSKG= TRAT. DATA EJEMPLO2. D 1 67 CARDS. CARDS. TITLE "DISEÑO COMPLETAMENTE AL AZAR". replica=3.4. D 2 40 A 101 93 93 96 D 3 46 B 51 61 59 58 D 4 52 C 83 68 72 75 E 1 29 D 67 40 46 52 E 2 45 E 29 45 51 42 E 3 51 PROC ANOVA. C 2 68 MSKG=r2. B 4 58 drop r1 r2 r3 r4.Programa SAS para un Diseño Completamente al Azar. MODEL MSKG= TRAT. replica=1.5. B 2 61 title "diseño completamente al azar. INPUT TRAT $1 REPLICA 3 MSKG 5-7.16 3. output. PROC ANOVA .1. replica=4. replica=2. RUN. MEANS TRAT/DUNCAN TUKEY. 3. existen . C 4 75 MSKG=r4.- Contrastes Ortogonales. RUN.1. Esta prueba es muy útil y más eficiente cuando se tienen comparaciones preplaneadas. output. E 4 42 CLASSES TRAT. A 1 101 A 2 93 A 3 93 A 4 96 La segunda forma es: B 1 51 data ejemplo2. C 3 72 MSKG=r3. output. A continuación se presentan dos formas de captura de la información del ejemplo 2 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS. output. C 1 83 MSKG=r1. Otra prueba de comparación de medias o combinaciones lineales de ellas es la de contrastes ortogonales. B 3 59 input trat $ 1 r1 3-5 r2 7-9 r3 11-13 r4 15-17. El método consiste en descomponer los grados de libertad y la suma de cuadrados para tratamientos. MEANS TRAT/DUNCAN tukey cldiff.

. el tratamiento B y C. en lugar de las medias. c) D y E (entre niveles de urea) y d) comparar B y C vs D y E (gallinaza vs urea). p.13** 3) D vs E 180.C.05 CME= 58.68 Para probar si los contrastes son ortogonales.61** 2) B vs C 595. p.e. la suma de los coeficientes de cada hilera debe ser igual a cero. si se toman el primer y cuarto contraste se tiene: 4(0)+ -1(1) + -1(1) + -1(1) + -1(1)= 0 Si se satisfacen estas dos condiciones para todas las combinaciones posibles entre contrastes entonces se dice que son ortogonales.56** Totales por tratamiento 383 229 298 205 167 L² rc² SC 4 0 0 -1 1 0 -1 -1 0 -1 0 1 -1 0 -1 400689 4761 1444 80 8 8 0 1 1 -1 -1 24025 16 ** P<0.8 El valor de Ft= 8. CUADRO 5 Comparación: 1)Testigo(A) vs otros 5008. En esta prueba se utilizan los totales de los tratamientos. para ahorrar tiempo y evitar problemas por redondeo de cifras. Se podría entonces pensar en comparar a) el tratamiento testigo contra las parcelas fertilizadas.17 t-1 contrastes ortogonales para t número de tratamientos. siendo A el tratamiento testigo (cero abono). b) comparar B y C (entre niveles de gallinaza). Veamos un ejemplo: Supongamos que los tratamientos A. 50 y 100 kg de gallinaza y los tratamientos D y E la aplicación de 40 y 80 kg de urea a la parcela.D y E del ejemplo 2 son en realidad diferentes tipos de abono.B. Otra condición es que el producto de dos filas cualesquiera debe ser también igual a cero. si se toma el cuarto contrastes se observa que: 0 + 1 + 1 -1 -1 =0.e.50ns 4) B y C vs D y E 1501.

4761/8 = 595. = 382 = 1444. En conclusión se observa que 1) hubo diferencia entre el tratamiento testigo y los otros tratamientos. = (-69)2 = 4761. y 4) Si existe diferencia entre la aplicación de gallinaza o urea a la parcela. SC= 400689/80 = 5008.61. 3) No se encontró diferencia en la aplicación de 40 y 80 kg de urea. 2) hubo diferencia significativa entre la aplicación de 50 (B) y 100 kg (C) de gallinaza.50.13. 24025/16 = 1501.18 1) L= 383(4) + 229(-1) + 298(-1) + 205(-1) + 167(-1)= 633. = (155)2 = 24025. 383(0) + 229(0) + 298(0) + 205(1) + 167(-1)= 38. . = 4(4)=16. rc2 = 4(20)=80. 383(0) + 229(1) + 298(1) + 205(-1) + 167(-1)= 155. = 02 + (1)2 + (1)2 + (-1)2 + (-1)2 = 4. L2 = 6332 = 400689. 2) L= L2 c2 rc2 SC= L= L2 c2 rc2 SC= L= L2 c2 rc2 SC= 383(0) + 229(1) + 298(-1) + 205(0) + 167(0)= -69. 1444/8 = 180. = 4(2)=8. 3) 4) Para encontrar la significancia (valor de F calculado) se divide la SC de cada contraste entre la SC del error del Cuadro 4. c2 = 42 + (-1)2 + (-1)2 + (-1)2 + (-1)2 = 20. = 4(2)=8. = 02 + (1)2 + (-1)2 + (0)2 + (0)2 = 2. = (0)2 + (0)2 + (0)2 + (1)2 + (-1)2 = 2.56.

19 .

run. CONTRAST ' Testigo vs Otros' TRAT 4 -1 -1 -1 -1.6.1. *** A B C D E.20 3. CONTRAST ' B vs C ' TRAT 0 1 -1 0 0. CLASSES TRAT. CONTRAST ' B y C vs D y E ' TRAT 0 1 1 -1 -1. MODEL MSKG = TRAT.4 (después de los datos) el siguiente programa. .DCA.1. Programa SAS para contrastes ortogonales en un Para correr la prueba de comparaciones pre-planeadas usando el paquete estadístico SAS. simplemente se reemplaza el programa de la sección 3. PROC GLM. CONTRAST ' D vs E ' TRAT 0 0 0 1 -1.

Este diseño se utiliza cuando existe un gradiente de variación (otro que no sea el de tratamiento). exceptuando la aplicación de los tratamientos cuyo efecto se trata de medir. fertilidad del suelo. El objetivo de este diseño es reunir las unidades experimentales a las que se les aplicará los tratamientos en bloques (grupos).2.e. Si no fuera así. en consecuencia.DISEÑO DE BLOQUES AL AZAR. Durante el curso del experimento.21 3. las que enmascarían el efecto de los tratamientos en estudio. tiempo. estaríamos introduciendo fuentes adicionales de variación cuyo efecto sería imposible de medir. en su mayor parte a diferencias entre tratamientos. p. todas las unidades experimentales dentro de cada bloque deben tratarse de igual forma. dentro de cada bloque. posición de corrales. B A C D I B B D A C II L O A C B D III Q U C D A B IV E S C B A D V . La variabilidad entre unidades experimentales de diferentes bloques debe ser mayor que entre las unidades del mismo bloque. las diferencias que se encuentren entre unidades se deberán. La diferencia que no se deba a tratamiento es removida por el diseño y forma parte del error experimental o aleatorio. de tal modo que los tratamientos participen por igual de condiciones tan uniformes como sea posible.. etc.

tratamientos.2. t ∑ Y. FV GL SC CM F Bloque Tratamiento Error b-1 t-1 (b-1)(t-1) ∑Y b 2 i.FC número de bloques. Yij= µ + ßi + α j + eij donde: Yij= es el dato correspondiente al j-esimo tratamiento del i-esimo bloque. ßi= es el efecto del iesimo bloque. Ejemplo de la distribución aleatoria de los tratamientos en un diseño de bloques al azar con cuatro tratamientos y cinco repeticiones..1. El modelo estadístico para un diseño de bloques al azar es. 3. µ= media general.. Se presentan los resultados ded seis variedades de frijol ( rendimiento expresado en kg por parcela) en el que se usaron cuatro repeticiones por tratamiento (variedad).22 Figura 3. . bt-1 b= número ∑ ∑Y de 2 ij . 2j − FC − FC SCbloque b −1 SCtrat t −1 SCtotal-SCbloque CM bloque CM Error CM trat CM Error SCError ( b − 1)( t − 1) -SCtrat Total FC= (ΣΣYij)²/bt. σ2).2. CUADRO 6 Análisis de varianza para un diseño de bloques al azar.Ejemplo de un diseño de bloques al azar.t= 3.2. y eij= error aleatorio NID(0. α j= es el efecto del j-esimo tratamiento.Modelo estadístico y Análisis de varianza.

75 27. B L O Q U E S II III IV 46 38 32 20 42 25 203 38 31 28 26 46 22 191 41 30 26 24 40 26 187 VARIEDADES A B C D E F Ballo Jamapa Mantequilla Testigo Cuyo Chontalpa Total I 42 32 25 18 35 36 188 total 167 131 111 88 163 109 769 media 41. Distribución bloques al azar. B 32 F 36 C 25 A 42 E 35 D 18 B 38 D 20 A 46 C 32 F 25 E 42 E 46 F 22 D 26 B 31 A 38 C 28 C 26 F 26 E 40 B 30 D 24 A 41 Figura 4.75 27.04 A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANVA.75 32.25 32.23 Se desea probar la siguiente hipótesis: Ho: No existe diferencia entre tratamientos.00 40. Ha: existen diferencias entre algunos tratamientos mas allá de lo que puede atribuirse al azar. .75 22. y resultados en un diseño de CUADRO 7 Rendimiento de semilla de frijol por parcela (kg) en un experimento de bloques al azar. La distribución de los tratamientos en campo se presentan en la Figura 4 y los resultados en el Cuadro 7.

3.1.+ 40² + 26²) .20 9.24640= 27 6 167² + 131² + 111² + 88² + 163² + 109² . . 3.2.27 .FC = 24667 .00 19.1251 = 287 CUADRO 8 Análisis de varianza para un diseño de bloques al azar.SCbloque . FV GL SC 1.24 7692 FC = 24 SCtotal= (42² + 32²+.24640 = 1251 SCError= SCtotal .56** NS Tratamiento 5 Bloque 3 Error 15 Total 23 ** P<0.. si nuestro interés es comparar todos los tratamientos entre sí. Si nuestro interés hacer unas cuantas comparaciones de interés y lógicas entonces es mejor y mas eficiente utilizar la prueba de contrastes ortogonales.0 Ft 4.2.FC 4 SCtrat= = 25891 . para lo cual se utiliza la prueba de Duncan o Tukey.3. Para determinar cuales tratamientos son diferentes es necesario comparar las medias. 3.565 CM 250.Comparación de medias.Prueba de Duncan..13 Fc 13.251 27 287 1.01 En conclusión: El valor de Fc > Ft por lo tanto rechazamos la Ho de que los tratamientos son iguales y aceptamos la Ha de que algunos tratamientos son diferentes entre sí..FC =26205 1565 .24640= = 24640 SCbloque= 188² + 203² + 191² + 187² ..SCtrat = 1565 .

05. No.31 7.56 3 3.. etc. v grados de libertad del error y el α deseado (5%).13 = 2.36 7. No. para compararlas contra los valores de las DMS de cada comparación de medias.22 6 3. La comparación de los valores de las DMS con las diferencias entre medias se hace más fácil usando la siguiente tabulación: A D Ballo Testigo E Cuyo B Jamapa C F Manteca Chontal .18= 6.56. de medias a comparar Valor de la tabla Duncan DMS=qd EE 2 3. 3.25* 2. de bloques = 4.09.09 5 3. GLerror = 15. Nivel de significancia = 0.18 = 7.25 7. No.89 4 3.01 6.32 Como ejemplo. Los valores ecuación: DMS= qd*EE donde qd es el valor tabular de la tabla de Duncan (Apéndice A-1) con t tratamientos.e.25 La información necesaria para realizar comparación de medias consiste en: CMerror = 19. el valor de 6.56 se obtiene multiplicando el valor de la tabla de Duncan para la comparación de 2 medias con el valor de EE = 2.18. de Tratamientos(t)= 6. El DMS para la comparación de 4 medias se obtiene multiplicando 3. i.01* 2.18 4 proporcionados se aplican a la siguiente la prueba de Ahora es necesario hallar todas las diferencias entre las medias.16 6. EE es el error estándar el cual se obtiene dividiendo el CMerror entre el número de repeticiones (r) y obteniendo la raíz cuadrada. EE = CM error = r 19.13.

75 22.32) 14.00b Las medias de tratamientos subrayadas estadísticamente entre sí (α=0.2.25 27.50 (6.00 (7.0 18.09) 13. los animales se escaparon y destruyeron una unidad experimental.89) 5. Por otro lado. En tal caso es necesario estimar el valor faltante.C.75 (7.00 (6.75 27.0 10.D y F son estadísticamente iguales.25 D 22.Estimación de parcelas perdidas.75a B 32.0 Si las diferencias de medias son mayores que el valor de DMS (entre paréntesis) las medias de los tratamientos en cuestión son diferentes estadísticamente.75 (6. Cuando usamos el diseño completamente al azar.50 (7.56) 0.00 (6. la perdida de una parcela no afecta el procedimiento de cálculo.00 (6. las medias de los tratamientos B. p. de otro modo no son significativas. d) A 41.50 (6.75 32.00 0..75 27.26 41. D y F. Con el diseño de bloques al azar.09) 9. C.75 (7. no difieren 3.75b E 27.00 (6.56) 0.25 (6.75 41.75b D 27.25b 22..56) 0. como se presenta a continuación.56) 0.22) 14.89) 1.56) 0.4.0 F C B E A 27.50 (7. en un ensayo con animales. la media del tratamiento A es igual a la media de E pero diferente a las medias de los tratamientos B. Una forma más sencilla de expresar la relación entre las medias de los tratamientos es subrayando aquellas que son estadísticamente iguales. antes de .00 (6.e.75 32.89) 0.05).75a C 40.22) 13. uno de ellos haya muerto) se pierda una unidad experimental.0 5.75 40.75 (7.00 40.75 19. puede darse el caso que por alguna razón (ataque de pájaros a una parcela.89) 8.0 5.09) 5. Conclusión: el tratamiento A es el mejor.

sólo que los GL del error y del total se disminuyen en uno. DATA EJEMPLO3.27 aplicar el análisis de varianza. Para ello se utiliza la siguiente ecuación. t= número de tratamientos. El error estándar de la diferencia del tratamiento que contiene el dato perdido y la media de cualquier otro tratamiento es: t 2  EEd = CM error  +   r r ( r − 1)( t − 1)  3.5.Programa SAS para un Diseño de Bloques al Azar. G= total general.2. Dos formas de captura de la información del Ejemplo 3 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS se proporciona a continuación. Ballo 1 42 Jamapa 1 32 Mantequilla 1 25 Testigo 1 18 Cuyo 1 35 Chontalpa 1 36 Ballo 2 46 . se coloca en la unidad experimental faltante y analizamos el experimento normalmente. Esto se debe a que el valor o valores estimados no tienen desviaciones. CARDS. unidad unidad Al estimar este valor.. T= total del tratamiento donde se perdió la experimental. B= total del bloque donde se perdió la experimental. INPUT VARIEDAD $ 1-12 BLOQUE 14 RENDKG 16-17. r(B) + t(T) -G Parcela perdida = (r-1) (t-1) donde: r= número de repeticiones (bloques). TITLE "DISENO BLOQUES AL AZAR".

CARDS. classes VARIEDAD bloque. . Ballo 42 46 38 41 Jamapa 32 38 31 30 Mantequilla 25 32 28 26 Testigo 18 20 26 24 Cuyo 35 42 46 40 Chontalpa 36 25 22 26 Proc print. BLOQUE=1. OUTPUT. OUTPUT. DATA EJEMPLO3. CLASSES VARIEDAD BLOQUE. OUTPUT. run. RENDKG= REP2. RENDKG= REP1. BLOQUE=3. DROP REP1 REP2 REP3 REP4. BLOQUE=4. means VARIEDAD/DUNCAN tukey.28 Jamapa 2 38 Mantequilla 2 32 Testigo 2 20 Cuyo 2 42 Chontalpa 2 25 Ballo 3 38 Jamapa 3 31 Mantequilla 3 28 Testigo 3 26 Cuyo 3 46 Chontalpa 3 22 Ballo 4 41 Jamapa 4 30 Mantequilla 4 26 Testigo 4 24 Cuyo 4 40 Chontalpa 4 26 PROC ANOVA . RENDKG= REP4. TITLE "DISEÑO DE BLOQUES AL AZAR". 3. INPUT VARIEDAD $ 1-12 REP1 14-15 REP2 17-18 REP3 20-21 REP4 23-24. RENDKG= REP3.3. model RENDKG= VARIEDAD bloque. OUTPUT. Proc anova. run. MEANS VARIEDAD/DUNCAN tukey.BLOQUES AL AZAR GENERALIZADOS. RUN. MODEL RENDKG= BLOQUE VARIEDAD.. BLOQUE=2. Otra forma de captura de la información.

e. para ello es necesario que existan igual número de tratamientos. α i= es el efecto del iesimo tratamiento. generalizados. hileras y columnas. dos gradientes de fertilidad. etc. 3. Cuando cada uno de los tratamientos aparece con un número diferente de repeticiones por bloque se denomina bloques al azar con un número no proporcional de subclases. humedad y sombra. Una condición del diseño cuadro latino es que ningún tratamiento se repita por hilera y columna. Para mayor información sobre bloques ver Steel & Torrie 1985. esto es existen dos fuentes de variación. 2a ed.DISEÑO EN CUADRO LATINO. Para cuatro y cinco tratamientos los arreglos podrían ser: A C D B C D B A B A C D D B A C B C D A E D A C E B C E B D A A D E B C E B A C D . y eij= error 2 aleatorio NID(0.29 Cuando existe más de una unidad experimental por tratamiento por bloque. αßij es la interacción bloque tratamiento.. En este diseño.1. 3.3.4. µ= media general. σ ). pag 429).Modelo estadístico y Análisis de varianza. p. ßj= es el efecto del i-esimo bloque. la restricción para controlar la variabilidad está en dos direcciones (hileras y columnas). el experimento es un diseño de bloques al azar generalizado.. En los bloques al azar generalizados la posibilidad de una interacción de bloques por tratamiento debe presentarse como una hipótesis. El modelo estadístico para generalizados es Yijk= µ + α i + ßj + αßij + eijk un diseño de bloques donde: Yij= es el dato correspondiente al j-esimo tratamiento del i-esimo bloque.

El modelo estadístico para este diseño es. . − FC Hilera r-1 ∑Y r 2 i.4.30 3.. FV Tratamiento GL r-1 SC CM SCtrat r −1 SChilera r −1 SCcolumna SCerror CM trat CM error CM hilera CM error CM columna CM error SCerror ( r − 1)( r − 2 ) F ∑Y r 2 t. − FC Columna r-1 ∑Y r 2 .4.. Yij(t)= µ + α i + ßj + Γ(t) + eij(t) CUADRO 9 Análisis de varianza para un diseño Cuadro Latino. así como los resultados se presentan en la Figura 5 y Cuadro 10.1. La distribución de los animales y tratamientos. 3. r= número de tratamientos.Modelo estadístico y Análisis de varianza. Se presentan los resultados de las ganancias de peso de 16 animales de cuatro razas distribuidos en un diseño cuadro latino. Ha: Existen diferencias entre algunas razas. Se desea probar las siguientes hipótesis: Ho: No existe diferencia entre tratamientos.2.Ejemplo de un Diseño Cuadro Latino (DCL). Ha: Existen diferencias entre algunos tratamientos.j − FC Error Total (r-1)(r-2) r2-1 ΣΣYij2-FC DIFERENCIA FC= (ΣΣYij(t))2/r2. Ho: No existe diferencia entre razas.

7 83.2 72. y B 65.1 A 66.31 Figura 5.8 C 85.9 .8 A 73.8 CUADRO 10 Resultados de campo de un experimento cuadrado latino.8 288.3 B 72.5 B C D A 65.0 B 81.7 71.2 72.6 D A B C 83.4 310.4 73.0 IV 323.1 C 81.9 C 85.8 80.4 C 72.7 D 76.3 69.0 C 77.1 76.1 308.4 D 89.1 D 89.2 III 312.6 A 69. R Total Posición 1 2 A 3 Z 4 A I 292.8 A 71.1 D 83.6 322.9 Total 1230.0 II 302.2 B 81.2 A 66.9 81.1 B 83. Distribución hipotética de tratamientos resultados de un experimento cuadrado latino.7 D 80.1 C D A B 77.

6 = 329.1² +.4 + 72.6 = 139. FV GL SC CM Fc Ft .7² + 303.0² + 81. 280.17 Total 75.SCposición = 756.6 = 153.12 FC = 16 SCtotal = (66.1² + 330.3 + 76.94571.8 + 65. SCtrat= SCraza = SCposición= CUADRO 11 Análisis de varianza para un diseño cuadro latino.8 .94571.3² + 316.139..9² .7 = 330.7 + 71.1 + 81.7 tratamiento B= 81.2 + 83.0² + 302..2 .6² + 308.8 .2.1 + 72.153.8 + 77.8² + 85.0² + 323.0 322.6 = 756.4 = 130.94571.3 tratamiento C= 85.329.5.0 + 69.6 . 1230.82 Total 79.FC 4 = 94724.9 = 303.8 + 73.0² .2 .1 = 316.6.1 tratamiento D= 89.4 SCerror = SCtotal .SCtrat -SCraza .32 Media Total 70.0 .2 = 280.6 + 80.2 292.0 .02 Total 82.FC 4 = 94900.2² + 312.94571.50 tratamiento A= 66.1²) -FC = 95327.+ 81.5² + 288.9² -FC 4 = 94711.4 + 83.1² + 310.0 A continuación se presentan los cálculos para obtener la suma de cuadrados del ANVA. = 94571.

Para determinar cuales tratamientos son diferentes es necesario comparar las medias.2 139.05 En conclusión: El valor de Fc > Ft por lo tanto rechazamos la Ho de que los tratamientos son iguales y aceptamos la Ha de que algunos tratamientos son diferentes entre sí.90.90 (2.3.44 2) Se hallan las diferencias entre todas las medias.76* ns ns 3.2 109.5 756. El procedimiento para calcular el valor de DMS es de acuerdo a la ecuación siguiente: 1) Encontrar el valor de DMS DMS= qt EE donde.334) = 11. 329.Comparación de medias de tratamientos..14 4. qt es el valor que se encuentra en las tablas de Tukey con el número de tratamientos.1 46.8 5.334 4 qt con 6 GL del error y cuatro tratamientos = 4. Prueba de Tukey.4.7 51.0 153. = 2.04 2.35 2.4 130. DMS= 4. EE = CM error = r 218 .33 Tratamiento 3 Raza 3 Posición 3 Error 6 Total 15 * P<0. Para un mejor entendimiento se presenta la siguiente tabulación: .5 21. para lo cual se utilizan las pruebas de Duncan o Tukey si nuestro interés es comparar todos los tratamientos entre sí. los grados de libertad del error y el nivel de significancia deseado (Apéndice A-2).05) entre razas y posición. No se encontró diferencia significativa (P>0.

4. CLASSES TRAT RAZA POSICION.02 B 75.17 75.6 PROC ANOVA .8 II D 3 76.20 0. MODEL GANANCIA= TRAT RAZA POSICION.50 12.68 3.Programa SAS para un Diseño en Cuadro Latino.0 B 5.82 A 70.65 0.7 II A 4 71.33 6. .50 C 79.8 II C 2 72.85 3.3 IV A 2 69. INPUT POSICION$ 1-3 RAZA$ 5 TRAT$ 7 GANANCIA 9-12. TITLE "DISEÑO CUADRO LATINO".0 I B 2 65.1 I D 4 83.4 IV C 4 81. DATA LATINO. 3.82 79.48 0.8 IV B 3 83.7 III B 4 72.4 III A 3 73.0 C 8. D 82.2 II B 1 81.0 3) Si la diferenia de medias es mayor que el valor de qt=11.17 Conclusión: el tratamiento D es el mejor. Una forma de captura de la información del Ejemplo 4 y la programación necesaria para correr los datos utilizando el paquete estadístico SAS se proporciona a continuación.4.0 A 0. CARDS.34 D A B C D 70.2 I C 3 77.02 82.44 entonces las medias son diferentes..1 IV D 1 89.9 III C 1 85.1 III D 2 80. I A 1 66.

35 MEANS TRAT/DUNCAN tukey. . RUN.

4 2. 4 semanas. animales) en t grupos al azar. 3.3 2. La hipótesis de interés es.5 6. Por ejemplo: 8 borregos. 3.1 8. La distribución de los tratamientos y los resultados se presentan en el Cuadro 12. Ha: Algunos tratamientos son diferentes entre si.2.Ejemplo de un Diseño Crossover.36 3.Dividir las unidades experimentales ( p..5..e.1.5. . Grupo I II III IV Borrego número: 7.. Los resultados del experimento se presentan en el Cuadro 12.5. El modelo estadístico para este diseño es. 4 tratamientos.DISEÑO CRUZADO (CROSSOVER) Este diseño es una extensión del diseño cuadro latino y se usa cuando se hacen aplicaciones secuenciales de los tratamientos a las mismas unidades experimentales.El modelo estadístico para este diseño es similar al modelo para el Diseño Cuadro Latino.. Este tipo de diseño es común es experimentos de nutrición. Yij(t)= µ + α i + ßj + Γ(t) + eij(t) Los pasos en un diseño crossover son los siguientes: 1. Ho: No existe diferencia entre tratamientos...Elegir un diseño cuadro latino balanceado y aplicar una secuencia de tratamientos al azar a cada grupo de unidades experimentales.

D=1480. +700² . 1250² + 1370² + 1620² + 1480² SCtrat= 8 . 1430² + 1430² + 1400² + 1460² .37 CUADRO 12 Ejemplo de los resultados de un diseño cruzado PERIODO II III IV A C B 150 170 C 200 210 D 170 190 B 170 170 200 200 A 150 160 B 160 170 D 180 180 170 190 D 200 190 A 160 160 C 200 190 No.1022450 = 650.+ 190²) . 32 SCtotal= (180² + 190² + 150² +..FC 1034200 .1022450 = 255.1022450 = 11750 700² + 750² +. B=1370... FC = 57202 =1022450.FC 4 = 1023100 . A continuación se presentan los cálculos para obtener las sumas de cuadrados del ANVA.FC 8 = 1022675 . 7 5 6 1 8 3 2 4 TOTAL PERIODO 1430 1430 1400 1460 TOTAL TRATAMIENTO: A=1250. BORREGO I D 180 190 B 180 160 C 220 200 A 140 160 TOTAL BORREGO 700 750 730 720 710 720 690 700 5720 C=1620.FC SCAnimal= SCPeriodo= ..

650 .33 86. FV GL SC 650.255 .10 Ft ns ns 5.0 9325.0 11750. SCerror= SCtotal .9325 = 1550.38 = 1031775 .11 Fc 1.SCtrat = 11750 .01 .0 225.1022450 = 9325. CUADRO 13 Análisis de varianza para un diseño crossover.86 75.SCAnimal -SCPeriodo .0 CM 92.87 36.00 3108.0 1550.09** Animal 7 Periodo 3 Tratamiento 3 Error 18 Total 31 * P<0.08 0.

MODEL GDP= PERIODO TRAT ANIMAL. PROC ANOVA..3. RUN. . utilizando el DATA BORREGO. cards. I d 7 180 I d 5 190 I a 7 150 I a 5 170 I c 7 200 I c 5 200 I b 7 170 I b 5 190 II b 6 180 II b 1 160 II c 6 200 II c 1 210 II a 6 150 II a 1 160 II d 6 200 II d 1 190 III c 8 220 III c 3 200 III d 8 170 III d 3 190 III b 8 160 III b 3 170 III a 8 160 III a 3 160 IV a 2 140 IV a 4 160 IV b 2 170 IV b 4 170 IV d 2 180 IV d 4 180 IV c 2 200 IV c 4 190 TITLE 'DISENO CROSSOVER.5.Programa SAS para el Diseño Crossover. MEANS TRAT/TUKEY. El programa para el análisis estadístico programa SAS se da a continuación. DOS ANIMALES POR TRATAMIENTO'.39 3. INPUT periodo$ 1-3 trat$ 5 animal 7 gdp 9-11. CLASSES PERIODO TRAT ANIMAL.

1.. 4. 4. el divisor apropiado para F es el cuadrado medio del error experimental ya que este incluye la variación proveniente de todas las fuentes que contribuyen a la variabilidad de las medias de los tratamientos exceptuando los tratamientos.. Yijk= µ + α i + eij + δ ijk donde: Yijk= es la ijk-ésima observación µ= es la media general α i= es el efecto del i-ésimo tratamiento eij= es el error experimental δ ijk= es el error de submuestreo es se . Los cuadrados medios de los dos tipos de variación mencionados anteriormente se denominan en general error de muestreo y error experimental.1.40 IV. En este diseño la distribución de tratamientos similar al diseño completamente al azar excepto que toman dos o más medidas por unidad experimental. En este caso. En algunas situaciones se pueden tomar varias observaciones dentro de una misma unidad experimental. Tales observaciones se hacen en submuestras o unidades de muestreo.e. respectivamente. Al probar una hipótesis sobre medias de tratamientos. p. En este tipo de experimentos existen dos fuentes de variación que contribuyen a la varianza aplicable a las comparaciones entre medias de tratamientos: 1) la variación entre submuestras (animales) de una misma unidad experimental (corral) y 2) la variación de las unidades experimentales (corrales) dentro de tratamientos.DISEÑOS EXPERIMENTALES CON SUBMUESTREO.DISEÑO COMPLETAMENTE AL AZAR CON SUBMUESTREO. la unidad experimental es el corral y la unidad de muestreo el animal. El modelo estadístico para este diseño es.. cuatro tratamientos se aplican a tres corrales con dos animales cada corral.1 Modelo estadístico y Análisis de varianza.

D y E.B.FC FC= (ΣΣYij)²/rt. SCtrat t −1 -FC-SCtrat SCerror t ( r − 1) CM trat CM error Error Error de muestreo Total tr(s-1) trs-1 t(r-1) s Diferencia ΣΣY²ij . . muestras. − FC 2 ∑ ∑ Yij. Se condujo un experimento con el propósito de determinar si exiten o no diferencias entre cinco variedades de plantas de menta denominadas A.C.41 El análisis de varianza para un diseño completamente al azar con submuestreo se presenta a continuación. t= número de tratamientos. CUADRO 14 Análisis de varianza para un diseño completamente al azar con submuestreo. Los resultados se presentan a continuación.2 Ejemplo de un Diseño Completamente al Azar con Submuestreo. para lo cual se sembró cada variedad en tres macetas y se midieron los crecimientos en una semana de los tallos de cuatro plantas por maceta.1. s=Número de 4. FV GL SC CM F Tratamiento t-1 ∑Y r 2 i.

5 6.0 4.60 = 136.5 19.0 8.15.0 28.5 18.5 4.0 5.0 4.0 3.0 4. 182 + 142 + 17..02 + 3.5 7.FC = 2492.2312.5 28.52 + 88.75 .05 = 15.5 8.0 Gran total 49.0 7.5 9.5 5.0 8.5 8.5 6...0 5..02) .52/60 = 2312.0 22.0 4.05.5 29.5 8.0 3.0 7.52 + 62. No.5 4.52 + 4.0 7.0 6.115.5 3.5 95.0 7.1 62.52 +.52 +.0 5.0 5.0 8.0 17.0 7.65 .0 6.0 8.0 6. 49.0 14.42 CUADRO 15 Resultados de campo obtenidos para un DCA con submuestreo.0 7.0 7.60.5 7.SCvar = = 130.5 6.40 .0 5.35.5 33.0 35.0 4.5 7.52 + 7.5 4.5 32.94.60 = 115.2312.0 7.+ 352 Scunidad experimental = (maceta) .FC .0 7.2312.5 4.0 7.0 6.0 21.0 11.60 = 180.02 + 77.5 22.0 7.2 88.9 372.5 4.FC 4 = 2448.5 7.0 6.0 3. . Media Variedad Maceta Variedad 1 de 2 planta 3 4 Total Total maceta Variedad A B C D E 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 5.0 6.5 5.5 8.5 6.5 9.0 9.02 SCvar = 12 2427.0 27.+ 8.34 SCerror(exp)=SCunidad experimental .5 5.5 FC= 372.3 77.0 5.0 5.0 3.52 + 95. SCtotal= (5.5 26.5 5.5 6.

40 = 49.15 -130.43 SC error de muestreo = SCtotal . .75.SC unidad experimental= = 180.

5 A 2 3.0 5.0 4.0 E 3 11.0 B 3 5.76 1.5 3. planta=3.5 3.5 6.0 8.05 15.0 8. .5 C 1 8.5 6.5 4.0 7.0 D 2 6.15 CM 28.75 180. test H= var E= maceta(var).0 7.24 Fc 28.44 CUADRO 16 ANVA para un diseño completamente al azar con submuestreo.0 9.5 7. run. A 1 5.5 6.5 E 2 6.0 5. output. output.0 7. means var /duncan E=maceta(var).0 8.0 6.0 8.0 5.5 6.5 5.5 8. Creccm= p2. model Creccm= var maceta(var).89** 4.0 7.35 49.5 3.1.0 3.0 9.5 8.5 4. Data DCAsub. planta=2.5 4.0 7.0 A 3 4. FV Variedad Error(exp) Error de muestreo Total GL 4 10 45 59 SC 115.20 Ft 4.0 9. planta=1.54 1.5 C 3 7.0 5.0 D 1 6.0 5.0 7. Drop p1-p4. Creccm= p3.0 B 1 5.0 4.5 E 1 7. classes var maceta.5 4.0 Proc Anova. Input Var$ 1 Maceta 3 p1 5-8 p2 10-13 p3 15-18 p4 20-23.5 7. output. planta=4.5 B 2 5.0 8. Creccm= p1.5 5. output.3 Programa SAS para un Diseño Completamente al Azar con Submuestreo.5 D 3 6. Cards.5 C 2 6. Creccm= p4.0 4.5 7.0 7.5 7.0 4.

Yijk= µ + α i + ßj + eij + δ ijk donde: Yijk= es la ijk-ésima observación µ= es la media general α i= es el efecto del i-ésimo tratamiento ßj= es el efecto del j-ésimo bloque eij= es el error experimental δ ijk= es el error de submuestreo El análisis de varianza para un diseño de bloques al azar con submuestreo se presenta a continuación.DISEÑO DE BLOQUES AL AZAR CON SUBMUESTREO 4..1.45 4. El modelo estadístico para un diseño de bloques al azar con submuestreo es el siguiente.j. FV GL SC CM F Tratamiento t-1 ∑Y bs 2 i . s (b-1)(t-1) -SCtrt-SCbloque Error de muestreo Total ΣΣΣY²ijk ΣΣΣY²ijk ΣΣY²ij. − FC Error Experimental (b-1)(t-1) ΣΣY²ij.2. Modelo estadístico y Análisis de varianza. CUADRO 17 Análisis de varianza para un diseño de bloques al azar con submuestreo. − FC SCtrat t −1 SCbloque b −1 SCerror(exp) .2..FC SCerror(m) tb(s-1) tb(s-1) tbs-1 . s .FC CM trat CM error (exp) CM bloque CM error (exp) Bloque b-1 ∑Y ts 2 .

1 74.5 55. de b= número de bloques.7 109.5 107.4 109.8 51.5 520.8 124.2 54.7 52. A I II IV 63.3 52.2 120. Se midió la ganancia de peso durante la prueba para cada cabrito.0 64.7 429.9 --------------------------------------------------76.8 127. s= experimental.8 52.8 418.0 59. Se utilizaron 32 cabritos en 16 corraletas ( dos cabritos por corraleta) distribuyéndose los tratamientos en bloques.9 56. Ha: Algunos tratamientos son diferentes entre sí.7 62.3 --------------------------------------------------103.8 65.2 54.2.3 35.7 54.8 --------------------------------------------------B 51.1 --------------------------------------------------125.9 33.5 35.9 --------------------------------------------------C 47.5 70. La hipótesis a probar fue: Ho: No existe diferencia entre los tratamientos.9 32.9 69.3 62.4 68.9 .2 109.2 34. Los resultados se presentan a continuación.8 287.5 427.1 --------------------------------------------------D 38.5 1684. BLOQUE III Total Media Tratamiento TRAT.46 FC= (ΣΣΣYijk)²/tbs.1 68.1 57.0 72.6 458.3 --------------------------------------------------92.9 54.2 41.7 ==================================================== 397. 4.5 142.2 Ejemplo Submuestreo.2 430.2 60. CUADRO 18 Resultados de un DBA con submuestreo.9 32.9 37.7 56.7 124.3 44.t= número de número de mediciones por unidad un Diseño de Bloques al Azar con Se desea determinar el efecto de cuatro dietas sobre la ganancia de peso posdestete de cabritos durante una prueba de 200 días.8 63. tratamientos.0 62.

5² +.+ 33.82 +. cálculos para la FC = Y2..SCbloque = 4022.13/2 .2² + 430. 520.63/8 .15 .95 = 277.88715. SCtotal= (63.3652.25..82) .5² SCbloque = 4(2) = 710465.21.0/32 = 88715.7² + 429. SC error de muestreo = SCtotal ..57 .FC 397. . SCunidad experimental de la = ΣΣYij2.FC.31 = 185.SCunidad experimental = 4207.8² + 458.95.31. 125..88715.FC = 92922.92.31 .25 = 3652.47 ==================================================== A continuación se presentan los obtensión de las sumas de cuadrados.7² + 124.FC Para obtener la SCerror(exp) se necesita la SC unidades experimentales la cual se obtiene como.7² = 2 = 185475.32.23/8 . FC SCerror(exp) = SCunidad experimental .1² + 418.8² + 127.02 + 62.15.+ 68./tbs = 1684. .7² + 287.3² SCtrat = 4(2) = 738939.25 = 92.25 = 4022.SCtrat .01.88715.25 = 4207.32 .5² + 427..92/4(4)2 = 2838888.88715.. ./s .4022.72 + 62.

sin embargo.10 A 65. FV GL SC 3652.19 12.32 CM 1217.91 C 52. EE = CM error (exp) = b 30.v)EE.95 277.39 16.01 4207.77) = 12.76 7.26 A 65. A continuación se comparan las medias de los tratamientos utilizando la prueba de Tukey.56 Fc 39. no así para el efecto de bloque el cual no fué significativo (P>0. cual tratamiento es mejor. donde: DMS= valor crítico de Tukey.91 D 35.48 CUADRO 19 Análisis de varianza para un diseño de bloques al azar con submuestreo. Media Trat.92 C 52.84 B 57. DMS= qt(t.10 . D C B A 35.80 =2.91 52.50 29.35 4. La significancia entre tratamientos no muestra.00 Ft 6.26 65. Prueba de Tukey. α= 0.05.24. qt= valor de la tabla para t=4 y GL=9.34 57.21 185.52 1. por lo que es necesario realizar una prueba de comparación de medias.80 11.98 30.26 21.38 30.34 B 57.05).15 92.42** NS Tratamiento 3 Bloque 3 Error(exp) 9 Error de muestreo 16 Total 31 ** P<0.01 Como la Fc es mayor que la Ft se rechaza la hipótesis nula de que no hay diferencia entre los tratamientos.42(2.43 D 35.77 4 DMS= 4.

49 El mejor tratamiento es la dieta A ya que B no es diferente de la dieta C. .

5 54. cards. cabrito=1. bloque=1.3 54. cabrito=2.2 51. gdp = m4.9 33. . gdp = m6.9 44.2 35.9 34. test H= trat bloque E= trat*bloque. means trat /tukey E=trat*bloque. gdp = m8. drop m1-m8.8 56. gdp = m3.7 69. Data DBAsub. output. output. bloque=2. gdp = m1. classes trat bloque.2. gdp = m2. bloque=3.3 72.9 59.8 56. gdp = m7. cabrito=2. output. cabrito=2.0 62. cabrito=1. bloque=4. model gdp= trat bloque trat*bloque.9 41. bloque=3. output. output.3 Programa SAS para un Diseño de Bloques al Azar con Submuestreo. run.8 D 38. bloque=4.7 52.50 4.9 37.5 64.9 54.6 C 47.0 70. output.2 32.2 54.0 60.8 62. bloque=2. cabrito=1.5 32. gdp = m5. output.8 proc anova. cabrito=1.2 52.7 62. A 63.5 B 51. cabrito=2. bloque=1. output. Input Trat$ m1 m2 m3 m4 m5 m6 m7 m8.3 55.0 63.

Debido a que existen dos grados de libertada (GL) para la interacción grasa-nivel de chaya. Se utilizaron niveles de inclusión de 0. Es deseable usar una serie aritmética para los niveles de un factor. niveles de proteína en la dieta. En estos casos. fechas de corte o cosecha. incrementos de un fertilizante. . El análisis mostró interacción significativa. Muchas veces se desea estudiar el efecto de un factor a varios niveles. También se puede examinar las medias de los tratamientos para ver si existe una tendencia lineal significativa en la ganancia de peso. niveles de inclusión de un forraje en una dieta basada en melaza. debido al aumento en el nivel de Chaya para los dos niveles de grasa. es decir. en la ganancia de peso. etc. más que a las diferencias entre niveles. Ejemplo. El objetivo de un experimento fue determinar la forma de la respuesta a los niveles de inclusión de chaya con y sin grasa en la dieta. que una serie donde los intervalos entre niveles sucesivos no son iguales. los niveles de insecticida y la interacción de estos dos factores. animales) a los varios niveles de un tratamiento. Estas podrían ser: ¿Existe diferencia significativa en la respuesta lineal a la chaya para G0 y G1? y ¿Existe diferencia significativa en alguna respuesta no lineal? Para simplificar los cálculos de las SC el primer paso es derivar los coeficientes de la comparación (Cuadro 20).51 SUPERFICIES DE RESPUESTA. En adición hay ventajas en el cálculo de las sumas de cuadrados y de las ecuaciones de regresión. 10 y 20%. se pueden plantear dos preguntas independientes. por ejemplo. El primer paso en el análisis es determinar el efecto de los tratamientos (con y sin grasa). ya que. intervalos espaciados igualmente para los niveles de un tratamiento estiman las respuestas para todo el rango de los niveles escogidos y se provee una mejor base para trazar una curva. la respuesta a la inclusión de chaya depende de la presencia o no de grasa en la dieta. el investigador tiene interés en la respuesta de las unidades experimentales (parcelas.

entonces se pueden calcular las SC: (∑ c Y ) SC = ∑c i i 2 i 2 donde c es el coeficiente y Y el total. por ejemplo: (-341 -290 -244 +446 +459 +460) = 8003. Comparación G0C0 341 Tratamientos y totales G0C1 G0C2 G1C0 G1C1 G1C2 290 244 446 459 460 Grasa +1 Chaya lineal Chaya no lineal G x CL G x CNL -1 +1 +1 -1 -1 0 +2 0 -1 -1 -2 +1 -1 -1 +1 +1 +1 +1 +1 0 +1 0 -2 -1 -2 -1 +1 +1 +1 La comparación "Grasa" compara la media de todas las parcelas de G0 con la media de todas las parcelas de G1.33 5(6) SCGrasa= Para checar las operaciones matemáticas. Note que los coeficientes de G x CL y G x CNL se obtienen por multiplicación de los coeficientes para grasa con aquellos para chaya lineal o no lineal. Los coeficientes de "chaya lineal" y "chaya no lineal" se derivan del Cuadro xx (Ver apéndice). un coeficiente -1 es asignado a los componentes de un grupo y +1 a los componentes del otro. Es una comparación sencilla de clases y dado que ambos grupos son de tamaño igual.52 CUADRO 20 Coeficientes de comparación para determinar las funciones de respuesta a los nivels de chaya con y sin grasa en la dieta. Cada comparación tiene un GL. . la SC de los tratamientos debe ser igual a las SC para cada una de las comparaciones puesto que estas son independientes.

67 10140.44 48. CUADRO 22 Análisis de varianza de la ganancia de peso.82 F 163. GL SC 8003. F.45 0.67 1793.62* 0.V. Por lo que este método es un estimulo . GL SC CM F Tratamiento Grasa Chaya G x C Residual Total 5 1 2 2 24 29 8969. En general.33 172. las pruebas de F planeadas ofrecen un procedimiento más preciso de comparación de medias.94** 3.64 310.05 0.00 12. Las comparaciones deberán planearse antes de realizar el experimento.82 48.87 1171.82 163.33 344. F.53 CUADRO 21 Análisis de varianza de la ganancia de peso.82 616.33 345.47 8003.10 Grasa (G) 1 Chaya lineal (CL) 1 Chaya nolineal(CNL) 1 G x CL 1 G x CNL 1 Residual 24 Este es un método alterno para determinar la diferencia entre las medias de los tratamientos.89 8003.94** 7.27 620.V.05 4.36 Los valores de F para G x CL y G x CNL muestran una interacción significativa para la ganancia de peso lineal y no interacción a una respuesta que no es lineal (Cuadro 22).53 6.

.54 importante para la definición clara de los objetivos del experimento.

Sign up to vote on this title
UsefulNot useful