Diseños Exp Tabla de F

UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL

Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN
GENERALIDADES
El Diseño de Experimentos (Métodos Estadísticos para la Investigación) tuvo su inicio
teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del
Diseño Experimental y que a la fecha se encuentra bastante desarrollada y ampliada.
Actualmente las aplicaciones son múltiples, especialmente en la investigación de las
ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias
sociales.
La experimentación proporciona los datos experimentales, en contraste con los datos
de la observación; los datos de la observación se representan como su nombre indica
por observaciones de las unidades elementales de una población o de una muestra,
y no deben ser cambiados ni modificados por ningún intento de parte de un
investigador en el curso de la observación.
ORIENTACIONES GENERALES EN LA EXPERIMENTACIÓN AGROINDUSTRIAL

En la planificación agrícola, agroindustrial o biológica y en el desarrollo de una
investigación en particular, son de interés los siguientes aspectos:
a. Especificar los problemas, con el fin de probar hipótesis o encontrar respuestas.
Es necesario considerar que los experimentos sean:
a.1. Experimentos simples, cuando se estudia un solo factor de variación; por ejemplo,
probar cinco tipos de levadura en la fermentación, estudiar cinco dosis de una fuente
proteica, etc.
a.2. Experimentos factoriales, cuando se estudian simultáneamente dos o más fac-
tores que influyen en el rendimiento, calidad; por ejemplo, estudiar tres raciones
alimenticias, cada una con tres dosis correspondientes.
b. Ubicar el lugar adecuado para la realización de los experimentos, para lo cual se
debe elegir una localidad accesible y representativa de áreas agrícolas, laboratorios,
centros de acopio, plantas, bodegas, con unidades experimentales lo más uniforme
posible, y escoger el material adecuado para experimentos, de manera que pueda
estratificarse (agruparse unidades experimentales con características homogéneas)
el área de investigación correctamente para formar grupos uniformes y de fácil
1
manejo.
c. Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la selección de datos,
muestreo, etc., el personal responsable esté constituido por técnicos o personas con
entrenamiento.
Mantener constante los diversos factores que pueden afectar a la producción o a la
calidad del producto, de manera que los únicos factores de variación sean los
tratamientos objeto de estudio.
Extremar precauciones y ser cautos en los resultados experimentales, considerando
que un experimento es una observación de una muestra en una población de
experimentos.
Repetir experimentos uniformes en diferentes localidades, espacios y años.
Tener conocimiento de las tecnologías vigentes y saber cuáles son los problemas del
consumidor.
En la planeación o diseño de un experimento, es necesario aplicar un conjunto de
disciplinas y conocimientos biológicos con el fin de encontrar una respuesta correcta
a un problema específico. Por ejemplo, si se comparan diversos tipos de bacterias,
todos los factores de la producción que influyen en el comportamiento de las bacterias
deben permanecer constantes y las únicas fuentes de variación o diferencias serán
presentadas por el tipo de bacterias, si tales fuentes existen.
Pasos al planear un experimento:

El método científico sugiere que en el planeamiento de la experimentación se debe
tener presente las siguientes etapas:
Definir el problema: En esta etapa se debe determinar los antecedentes, importancia,
objetivos, hipótesis a probar y revisión de la bibliografía.
Planeamiento y diseño del experimento: En esta etapa se debe tener en cuenta:
Lugar de ejecución del experimento, tamaño de la parcela o unidad experimental,
número de repeticiones por tratamiento, equipos e instrumentos a utilizar y métodos
de evaluación de los resultados
Ejecución del experimento.
Recolección de datos del experimento.
2
Ordenamiento de la información experimental.

Discusión de los resultados obtenidos.
Análisis económico de los tratamientos que se probaron y utilidad práctica.
Conclusión final y recomendación.
DISEÑO DEL EXPERIMENTO

Este término se utiliza para planear un experimento de manera que se pueda obtener
la información pertinente a un determinado problema que se investiga y así tomar
decisiones correctas.
El diseño adecuado del experimento es una etapa fundamental de la experimentación,

que permite el suministro correcto de datos a posteriori, los que a su vez conducirán
a un análisis objetivo y con deducciones válidas del problema.
PROPOSITO DE UN DISEÑO EXPERIMENTAL

El propósito de un diseño experimental es proporcionar métodos que permitan obtener
la mayor cantidad de información válida acerca de una investigación, teniendo en
cuenta el factor costo y el uso adecuado del material disponible mediante métodos
que permitan disminuir el error experimental.
TRATAMIENTO
Los tratamientos vienen a constituir los diferentes procedimientos, procesos, factores
o materiales y cuyos efectos van a ser medidos y comparados.
El tratamiento establece un conjunto de condiciones experimentales que deben
imponerse a una unidad experimental dentro de los confines del diseño seleccionado.
Ejemplos:
Dosis de proteína, ración alimenticia, temperatura, tiempo.
TESTIGO
El testigo es el tratamiento de comparación adicional, que no debe faltar en un
experimento; por ejemplo, si se usan cinco tratamientos con una fuente proteica, el
3
testigo puede ser aquel tratamiento que no incluye la fuente proteica (testigo natural)
o puede ser aquel que se utiliza en mayor o mayores proporciones (testigo comercial).
La elección del tratamiento testigo es de gran importancia en cualquier investigación,
este se constituye como referencial del experimento y sirve para la comparación de
los tratamientos en prueba.
UNIDAD EXPERIMENTAL
La unidad experimental, es el objeto o espacio al cual se aplica el tratamiento y donde
se mide y analiza la variable que se investiga. En los experimentos pecuarios la unidad
experimental por lo general está conformada por un animal (cuye, cerdo, pato, etc.),
en los experimentos microbiológicos la unidad experimental está conformado por un
tubo de ensayo; en un estudio de variedades de uva, la unidad experimental será el
espacio donde se estudiará o evaluará cada una de las variedades de uva.
ANÁLISIS DE LA VARIANCIA (ANVA)

Es una técnica estadística que sirve para analizar la variación total de los resultados
experimentales de un diseño en particular, descomponiéndolo en fuentes de variación
independientes atribuibles a cada uno de los efectos en que constituye el diseño
experimental.
Esta técnica tiene como objetivo identificar la importancia de los diferentes factores o
tratamientos en estudio y determinar cómo interactúan entre sí.
HIPÓTESIS ESTADÍSTICA
Es el supuesto que se hace sobre el valor de un parámetro (constante que caracteriza
a una población) el cual puede ser validado mediante una prueba estadística.
En la investigación agroindustrial al realizar un análisis estadístico utilizando el ANVA
de un diseño experimental, la hipótesis a probar es si los tratamientos tienen el mismo
efecto sobre la variable que se estudia, es así como se tienen las hipótesis nula o
planteada (Ho) e hipótesis alterna u opuesta (Ha):
Ho: τi = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio)
4
Ha: τi ≠ 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio)
Al probar la hipótesis estadística el investigador está propenso a cometer los
siguientes tipos de errores:
Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error es fijado por el investigador y constituye el
“nivel de significación de la prueba”; usualmente los valores usados como nivel de
significación son 0,05 ó 0,01.
Error tipo II: Se comete cuando se acepta la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error no se puede fijar, pero si es posible minimizar
utilizando un tamaño adecuado de muestra.
PRINCIPIOS BÁSICOS DEL DISEÑO EXPERIMENTAL

Los principios básicos del diseño experimental son: repetición, aleatorización, y
control local.
Repetición: Viene a ser la reproducción o réplica del experimento básico (asignación
de un tratamiento a una unidad experimental). Las principales razones por las cuales
es deseable la repetición son: Primero por que proporciona una estimación del error
experimental, siendo tal estimación confiable a medida que aumenta el número de
repeticiones, y segundo permite estimaciones más precisas del tratamiento en
estudio.
Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio a las

unidades experimentales con el propósito de asegurar que un determinado
tratamiento no presente sesgo. Por otro lado la aleatorización hace válidos los
procesos de inferencia y las pruebas estadísticas.
Control Local (Control del error Experimental): Consiste en tomar medidas dentro del
diseño experimental para hacerlo más eficiente, de tal manera que pueda permitir la
reducción del error experimental y así hacerla más sensible a cualquier prueba de
5
significación.
SUPUESTOS ACERCA DEL MODELO ESTADÍSTICO
Los supuestos necesarios del modelo estadístico son:
Aditividad: Los factores o componentes del modelo estadístico son aditivos, es
decir la variable respuesta es la suma de los efectos del modelo estadístico.
Linealidad: La relación existente entre los factores o componentes del modelo
estadístico es del tipo lineal.
Normalidad: Los valores resultado del experimento provienen de una distribución de
2
probabilidad «Normal» con media µ y variancia σ .
Independencia: Los resultados observados de un experimento son independientes
entre sí.
Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones generadas
por la aplicación de dos o más tratamientos tienen variancias homogéneas (variancia
común).
TIPOS DE MODELOS ESTADÍSTICOS

De acuerdo a la selección de los tratamientos y otros factores se tiene la siguiente
clasificación:
Modelo I (Efectos Fijos):
Se presenta cuando los tratamientos y demás factores que intervienen en un
experimento son fijados por el investigador; es decir, no se efectúa una elección
aleatoria. En estos casos las conclusiones del análisis de variancia solamente son
válidas para los tratamientos y otros factores usados en el experimento. En el presente
trabajo se ha considerado únicamente el caso de modelo de efectos fijos, por ser el
que se presenta con mayor frecuencia en la experimentación agroindustrial.
Modelo II (Efectos aleatorios):

Se presenta cuando los tratamientos y demás factores que intervienen en un
experimento son elegidos al azar de una población. En estos casos las conclusiones
del análisis de variancia son válidos, tanto para los tratamientos y demás factores
usados, así como para todas las poblaciones de tratamientos y factores.
6
Modelo III (Modelo Mixto): Este modelo es la combinación de los dos anteriores y se
presenta cuando algunos factores son fijados y otros son elegidos al azar. En estos
casos las conclusiones del análisis de variancia serán válidas para toda la población
de factores cuando estos son elegidos al azar, y solamente para los factores usados
cuando estos son fijados.
PRUEBAS DE COMPARACIÓN DE MEDIAS
Es propósito de todo investigador que realiza un análisis de variancia de un

experimento en particular, realizar la prueba sobre el efecto de los tratamientos en
estudio, para ello hace uso de la prueba F el cual indicará si los efectos de todos los
tratamientos son iguales o diferentes; en caso de aceptar la hipótesis de que todos los
tratamientos no tienen el mismo efecto, entonces es necesario realizar pruebas de
comparación de promedios a fin de saber entre que tratamientos hay diferencias, y
para esto es necesario realizar pruebas de comparación múltiple como las siguientes:
Diferencia Significativa Mínima (DLS):
Es una prueba para comparar dos medias y su uso en comparaciones simultáneas

se justifica sólo en las siguientes condiciones:
La prueba F resulta significativa.

Las comparaciones fueron planeadas antes de ejecutar el experimento.
Prueba de Rangos Múltiples de Duncan:

Este procedimiento es utilizado para realizar comparaciones múltiples de medias; para
realizar esta prueba no es necesario realizar previamente la prueba F y que ésta
resulte significativa; sin embargo, es recomendable efectuar esta prueba después que
la prueba F haya resultado significativa, a fin de evitar contradicciones entre ambas
pruebas.
Prueba de Rangos Múltiples de Tukey:

Este procedimiento es llamado también «Diferencia Significativa Honesta», se utiliza
7
para realizar comparaciones múltiples de medias; esta prueba es similar a la prueba

de Duncan en cuanto a su procedimiento y además es más exigente.
Prueba de Comparación de Dunnet:

Esta prueba es útil cuando el experimentador está interesado en determinar que
tratamiento es diferente de un testigo, control o tratamiento estándar, y no en hacer
todas las comparaciones posibles (que pasarían a una segunda prioridad); es decir,
cuando se quiere comparar el testigo con cada uno de los tratamientos en estudio.
TRANSFORMACIÓN DE DATOS
La razón principal de la transformación de datos es que de llevarse a cabo un análisis
estadístico con resultados que no cumplan con los supuestos acerca del modelo
estadístico, se puede llegar a una conclusión equivocada.
Un cambio de escala puede variar la media y la variancia de la variable así como su

relación con respecto a otras variables. La forma de la distribución de una variable
cambia con la escala. Mediante una transformación adecuada puede conseguirse que
un variable que no se distribuye normalmente pase a tener una distribución casi
normal. Las poblaciones con variancias desiguales pueden convertirse en
homocedásticas (variancias homogéneas) mediante una transformación apropiada.
Las transformaciones más usadas son:
a. Transformación logarítmica El modelo lineal (por ejemplo Y = µ + τ + β + e) indica

que el efecto del bloque, el efecto del tratamiento y el error experimental, son todos
ellos aditivos. Si los bloques y los tratamientos aumentan o disminuyen las mediciones
en un determinado porcentaje en lugar de una determinada cantidad, entonces se dice
que los efectos son multiplicativos y no aditivos. En estos casos, una transformación
logarítmica transformará en aditiva la relación multiplicativa y en consecuencia el
modelo lineal podrá ser aplicado a los nuevos datos.
Para ciertos tipos de análisis, el investigador prefiere la escala que elimina las
interacciones mientras que para otras puede preferir la escala que restituye los efectos
8
lineales. Lo que hay que recordar es que la relación entre las variables está muy
influenciada por las escalas con las que se miden dichas variables. Las
interpretaciones de los datos sólo son válidas en relación con la escala particular
adoptada en un caso determinado.
b. Transformación de la raíz cuadrada

Cuando los datos están dados por números enteros procedentes del conteo de
objetos, como por ejemplo el número de manchas en una hoja o el número de
bacterias en una placa, los números observados tienden a presentar una distribución
de Poisson más que una distribución normal. Las consideraciones teóricas conducen
a la transformación de la raíz cuadrada de los números observados. Normalmente
esta transformación determina que las variancias de los grupos sean más iguales.
También es aplicable a las distribuciones sesgadas puesto que acorta la cola larga.
Si y es el número observado, para el análisis estadístico y la prueba de significación

1/2
utilizaremos y . Cuando los números observados son pequeños (de 2 a 10), se
1/2
prefiere la transformación (y+0.5) , en especial cuando algunos de los números
observados son cero.
COEFICIENTE DE VARIABILIDAD
Es una medida de variabilidad relativa (sin unidades de medida) cuyo uso es para
cuantificar en términos porcentuales la variabilidad de las unidades experimentales
frente a la aplicación de un determinado tratamiento. En experimentación no
controlada (condiciones de campo) se considera que un coeficiente de variabilidad
mayor a 35% es elevado por lo que se debe tener especial cuidado en las
interpretaciones y ó conclusiones; en condiciones controladas (laboratorio) se consi-
dera un coeficiente de variabilidad mayor como elevado. La expresión estimada del
coeficiente variabilidad es:
9
DISEÑO COMPLETAMENTE AL AZAR (DCA)

Este diseño consiste en la asignación de los tratamientos en forma completamente
aleatoria a las unidades experimentales (individuos, grupos, parcelas, jaulas,
animales, insectos, tubos de ensayo, etc.). Debido a su aleatorización irrestricta, es
conveniente que se utilicen unidades experimentales de lo más homogéneas posibles:
animales de la misma edad, del mismo peso, similar estado fisiológico; parcelas de
igual tamaño, etc., de manera de disminuir la magnitud del error experimental,
ocasionado por la variación intrínseca de las unidades experimentales. Este diseño
es apropiado para experimentos de laboratorio, invernadero, animales de bioterio,
aves, conejos, cerdos, etc., es decir, situaciones experimentales como de las
condiciones ambientales que rodean el experimento.
Este diseño es el más utilizado en la experimentación en laboratorio, viveros, con

animales, asociándole la técnica del análisis de covarianza y arreglos de tratamiento
de tipo factorial.
Aleatorización
Para ejemplificar el proceso de aleatorización irrestricta de los tratamientos a las

unidades experimentales, considérese la prueba de cuatro tratamientos, cada uno de
ellos con cinco repeticiones. El proceso mencionado podría realizarse formando
cuatro grupos de tarjetas, representando cada uno de ellos a un tratamiento en
particular, digamos T1, repetido cinco veces, y así T2, T3 y T4. Posteriormente
mézclense las tarjetas en una urna y extraiga una tarjeta al azar, asignando el
tratamiento correspondiente a un animal, terreno, maceta, jaula o grupo de animales
en que consista cada unidad experimental. Repítase el procedimiento sin reemplazo
hasta terminar su asignación.
10
Modelo estadístico asociado al diseño:

Yij     i   ij
i = 1,2,3,..., t
j = 1,2,3,..., r
donde:
Yij
 == Variable respuesta en la j-ésima repetición del i-ésimo tratamiento
Media general
 i ij==Efecto 
dondei. ij  N 0,
del tratamiento
Error aleatorio, 
2
HIPÓTESIS
Yij     i   ij
Análisis de la Varianza para el modelo
Ho: 1   2     t
Ha: al menos un efecto de un tratamiento es diferente de los demás.
11
- DISEÑO COMPLETAMENTE AL AZAR: BALANCEADO
T T T
1 2 3
X X X
11 12 13
X X X
21 22 23
X X X
31 32 33
X X X
41 42 43
X X X
51 52 53
X.1 X.2 X.3
El ANALISIS DE VARIANCIA (ANVA O ANOVA)
Ejemplo.- Una empresa del sector de alimentación infantil sospecha que los lotes de
materia prima recibidos de un proveedor difieren significativamente de su contenido
de vitamina C. Para analizar la sospecha elige al azar 5 lotes diferentes y un químico
de la empresa hace las cinco determinaciones del contenido en vitamina C de cada
lote. Los resultados obtenidos han sido los siguientes:
- Plantee la hipótesis en función al problema
- El MAL
- El ANVA y CV e interprete
- La Prueba de comparación de medías que corresponda e interprete
- Cual fue es su conclusión
12
Lotes
1 2 3 4 5
23,46 23,59 23,51 23,28 23,29
23,48 23,46 23,64 23,40 23,46
23,56 23,42 23,46 23,37 23,37

23,39 23,49 23,52 23,46 23,32
ANVA
F. de variación G.L. S.C. CM FC Sig.
Tratamientos (Lotes) 4 0,089 0,022 4,091 *
Error exp. 15 0,081 0,005
Total 19 0,170
C.V.: 0,3 % * Significativo al nivel de 0,05
PRUEBA DE COMPARACIÓN DE MEDIAS

PRUEBA DE TUKEY
Amplitud Límite Significativa de Tukey:

ALS(T) = AES(T) x S
d
Donde:
AES(T) es la amplitud estudiantizada significativa de Tukey, obtenida desde la tabla
de Tukey con α=nivel de significación, p=número de tratamientos del experimento y
los grados de libertad del error experimental.
Es la desviación estándar de la diferencia de las

medidas muéstrales de dos tratamientos para la
prueba de Tukey cuando los tratamientos tienen el
mismo número de repeticiones.
Si los tratamientos no están igualmente repetidos, entonces la desviación estándar

puede calcularse por:
PRUEBA DE COMPARACIÓN DE MEDIAS DE DUNCAN
13
Amplitud Límite Significativa de Duncan:

ALS(D) = AES(D) x S
d
Donde:
AES(D) es la amplitud estudiantizada significativa de Duncan, obtenida desde la tabla
de Duncan con α=nivel de significación, p=número de tratamientos del experimento y
los grados de libertad del error experimental.
Es la desviación estándar de la diferencia de las

medidas muéstrales de dos tratamientos para la
prueba de Duncan cuando los tratamientos tienen el
mismo número de repeticiones.
Si los tratamientos no están igualmente repetidos, entonces la desviación estándar

puede calcularse por:
Cuadro: Prueba de significación de Duncan (α = 0.05)
N° Tratam. Promedio Sig. Mérito

1. L3 23,53 a 1°
2. L2 23,49 a
3. L1 23,47 ab 2°
4. L4 23,38 bc 3°
5. L5 23,36 c
Cuadro: Prueba de significación de Tukey (α = 0.05)

N° Tratam. Promedio Sig. Mérito
1. L3 23,53 a 1°
2. L2 23,49 a
3. L1 23,47 a
4. L4 23,38 ab 2°
5. L5 23,36 b
14
- DISEÑO COMPLETAMENTE AL AZAR: DESBALANCEADO
T T T
1 2 3
X X X
11 12 13
X X X
21 22 23
X X X
31 32 33
X X
42 43
X
52
X.1 X.2 X.3

Ejercicio: En una forja se utilizan varios hornos para calentar el alimento. Se supone
que todos los hornos operan a la misma temperatura, aunque se sospecha que esta
hipótesis puede no ser cierta. Se seleccionan aleatoriamente 4 hornos y se anotan
15
sus temperaturas en distintos momentos. Los datos que se obtienen son los
siguientes. Se pide:
- El MAL
- Cual fue es su conclusión
ANVA
F. de Variación G.L. SC CM FC FT Sig
Tratamientos 781,219 260,406 8,625 *
E. Experimental 422,681 30,191
Total 1203,900
Significativo al 0,05
Cuadro N° : Prueba de significación de Tukey (α = 0.05)

N° Tratamiento Promedio Sig Mérito
1 1 494,9600 a 1°
2 2 482,6000 b 2°
3 3 481,0917 b
4 4 477,4167 b
Cuadro N° : Prueba de significación de Duncan (α = 0.05)

1 1 494,9600 a 1°
2 2 482,6000 b 2°
3 3 481,0917 b
4 4 477,4167 b
16
DISEÑO COMPLETAMENTE ALEATORIO, CON IGUAL NÚMERO DE

SUBUNIDADES POR UNIDAD
Por ejemplo, en un experimento de variedades de caña de azúcar en que se estudian

rendimientos, hay generalmente interés de conocer el porcentaje de sacarosa de las
variedades, en este caso puede sacarse al azar 4 muestras de caña por parcela
(unidad experimental) y analizarlas separadamente en lugar de tomar una sola
muestra, ya que hay variación en el contenido de una muestra a otra, y por
consiguiente una muestra resultaría insuficiente para representar a la parcela.
Las subunidades que forman la muestra de cada parcela (unidad experimental) no

debe tratarse de localizar previo examen de la parcela con la esperanza de obtener
un mejor muestreo. El muestreo debe hacerse al azar o bien con una regularidad
anticipadamente establecida.
En el muestreo de las parcelas de los experimentos, surgen las siguientes preguntas:

¿Cuántas subunidades por muestra deben tomarse de cada unidad experimental?; ¿
Conviene más aumentar el número de subunidades por unidad, o aumentar el número
de unidades y disminuir el de subunidades?, a fin de reducir el error experimental.
Ejercicio: Un experimento tuvo por objeto evaluar los componentes de la variancia de

la variabilidad en la concentración de ácido ascórbico (mgs en 100 grs) en el nabo,
para la cual se tomaron 2 hojas centrales de 6 plantas, haciéndose la determinación
en cada hoja. Esta operación se realizó durante 4 días, tomándose cada día nuevas
plantas al azar. En esta forma se tuvieron los siguientes resultados:
Días Hojas Plantas
1 2 3 4 5 6 s=2
1 A 11 11 10 13 8 10 r=4 17
B 12 13 12 15 7 9 t=6
2 A 9 7 7 11 8 11
B 7 9 9 10 11 8
3 A 13 9 11 9 9 10
B 14 11 13 10 10 10
4 A 6 8 7 9 8 7
B 10 9 11 10 9 11
18
ANVA
Fuentes de variación SC GL CM FC
Total Entre unidades
Tratamientos
Entre Sub. Unid.

Dentro de unidades=s:
UT Error de muestreo
Entre Unidad. Dentro
de Trats.= U:T= Error
experimental
Total (Entre Sub-

Unids.)
DISEÑO COMPLETAMENTE ALEATORIO, CON DESIGUAL NÚMERO DE

UNIDADES Y SUBUNIDADES
En algunos estudios ocurre con frecuencia que no es posible obtener número de
unidades por muestra y de subunidades por unidad; en estos casos el análisis se
aparta ligeramente del análisis básico, pero sin que cambie el procedimiento para
calcular la SC.
Ejercicio: En un estudio de fermentación para convertir el azúcar en ácido láctico se

escogieron dos microorganismos para llevar a cabo el proceso, y se preparó una
cantidad de material azucarado. Este material se dividió en dos partes desiguales, una
parte se subdividió en 4 porciones o unidades experimentales y la otra parte en 3
porciones, todas las porciones fueron de 100 ml. Las porciones de la primera parte
fueron inoculadas con el microorganismo Nº 1 y las porciones de la segunda parte
fueron inoculadas con el microorganismo Nº 2. la fermentación duró 24 horas, al final
de las cuales se examinó cada porción para estudiar qué cantidad de azúcar quedaba
a fin de deducir el cambio originado por los dos microorganismos. Para esto se
19
hicieron diferente número de determinaciones (subunidades) en cada porción,

expresando los resultados en mgs. por cc. Los resultados se dan a continuación:
20
Fuentes de variación SC GL CM FC
Total Entre unidades
Tratamientos
Entre Sub. Unid.

Dentro de unidades=s:
UT Error de muestreo
Entre Unidad. Dentro
de Trats.= U:T= Error
experimental
Total (Entre Sub-

Unids.)
21
ANVA
Diseño En Bloques Completos Aleatorizados (Randomizados).

Diseño Bloques Completos al Azar. DBCA
En este diseño, los tratamientos se asignan aleatoriamente a un grupo de unidades

experimentales denominado bloque o repetición.
En muchas ocasiones se conoce de antemano que algunas parcelas experimentales,
aunque lleven el mismo tratamiento, tendrán un comportamiento diferente, como
ocurre en campos experimentales con marcado desnivel o próximos a una fuente
acuífera, entre otros.
Bajo estas condiciones, dos parcelas contiguas serán mucho más consistentes que
dos parcelas alejadas. El diseño de bloques al azar se usa por tanto, donde las
unidades experimentales pueden agruparse en bloque relativamente homogéneos, de
manera tal que las diferencias observadas entre unidades sean primordialmente
debidas a los tratamientos.
HOMOGENEIDAD ENTRE LAS UNIDADES EXPERIMENTALES: las parcelas de

terreno son de la misma calidad e igual superficie.
¥ El error experimental reflejará esta variabilidad entre las parcelas de terreno.
¥ El error experimental sea lo más pequeño posible. Se debe sustraer del error
experimental la variabilidad producida por las parcelas de terreno.
Para ello, el experimentador puede:
1) Considerar parcelas de terreno muy homogéneas.
2) O bien, formar bloques de terreno de manera que el terreno de cada bloque sea lo
más homogéneo posible y los bloques entre sí sean heterogéneos.
RECORDEMOS:
1) En el diseño completamente aleatorizado asignábamos los tratamientos al azar a
las parcelas sin restricción alguna.
2) En el diseño en bloques aleatorizados primero agrupamos las parcelas en bloques
y a continuación asignamos los tratamientos a las parcelas en cada bloque.
3) Considerar parcelas de terreno muy homogéneas.
22
4) O bien, formar bloques de terreno de manera que el terreno de cada bloque sea lo más
homogéneo posible y los bloques entre sí sean heterogéneos.
DOS FACTORES
1) Factor tratamiento → factor principal
2) Factor bloque → factor secundario
Interés fundamentalmente está centrado en el primero y el factor bloque se introduce
en el modelo para eliminar su influencia en la variable respuesta.
Se divide el material experimental en tantos bloques como números de replicaciones
a utilizar.
Cada bloque es luego dividido en tantas UE como tratamientos haya en estudio.
Como el DBCA especifica que todos los tratamientos deben aparecer una vez en cada
replicación, la aleatorización se hace separadamente en cada bloque.
La aleatorización es similar al DCA para cada bloque.
Ventajas
Es fácil de analizar, extrae del error experimental la variación debida a los bloques
además de la variación debida a tratamientos.
Desventajas
Menor número de grados de libertad para el error experimental. Si el número de
tratamientos es muy elevado (como 25), se hace muy difícil conseguir un buen
agrupamiento de las parcelas experimentales.
Restricciones
Cada bloque debe contener los tratamientos asignados al azar.
MODELO ESTADÍSTICO
Yij = μ + Ti + βj + eij i = 1, 2, · · · , t ; j = 1, 2, · · · , r
Yij : Es el valor o (variable respuesta: rdto, etc) observado en el i-ésimo tratamiento, j-
ésima repetición (bloque).
23
μ : es un efecto constante. Media global.

Ti : El efecto del i-ésimo del factor principal (tratamiento).
βj : El efecto producido por el nivel j-ésimo del factor secundario o factor de bloque.
eij : Es el efecto del error experimental en el i-ésimo tratamiento, j-ésimo bloque.
t es el efecto de tratamientos
r es el efecto de bloques o repeticiones.
HIPÓTESIS
ANÁLISIS DE VARIANCIA (ANVA)
Fuentes de SC GL CM FC
variación
2
Tratamientos ∑Y i/r-FC t-1 SCT/GLT CMT/CME
2
Bloques ∑Y j/t-FC r-1 SCB/GLB CMB/CME
2 2
Error ∑Y ij-∑Y j/t- (r-1)(t-1) SCE/GLE

2
∑Y i/r+FC
2
Total ∑Y ij/-FC tr-1
24
Esquema de un ANOVA con 3 tratamientos y 5 bloques
T T T TOTAL
1 2 3
B X11 X12 X13 X1•

1
B X21 X22 X23 X2•

2
B X31 X32 X33 X3•

3
B X41 X42 X43 X4•

4
B X51 X52 X53 X5•

5
TOTAL X•1 X•2 X•3 X••
EFICIENCIA DEL BLOQUE COMPLETO RANDOMIZADO CON RESPECTO AL

COMPLETAMENTE RANDOMIZADO
Algunas veces el investigador desea estimar la eficiencia que ha tenido con el Bloque
Randomizado, en relación al resultado que hubiere tenido si hubiera usado el diseño
Completamente Randomizado.
ER = Eficiencia relativa
r = Nº de repeticiones de DBCA
t = Nº de tratamientos de DBCA
B = CM de Bloques de DBCA
E = CM de EE de DBCA
Ejemplo: tenemos una ER = 1,03, este resultado indica que con el DBCA se ha
conseguido 3% de eficiencia que si se hubiera llevado el experimento con el DCA.
El factor de eficiencia relativa multiplicado por el número de repeticiones del Bloque
Randomizado, da el número de repeticiones que se hubiera necesitado tener en el
25
diseño Completamente Randomizado para tener igual precisión que el que se ha

tenido con el Bloque Randomizado.
Por ejemplo tenemos una ER = 1,03, con un DBCA con r = 4.
Entonces 1,03 x (4) = 4,12 repeticiones
Ejemplo 1: Tres diferentes soluciones están siendo estudiadas para evaluar su

efectividad en el retardo del crecimiento de bacterias en contenedores de leche de 5
galones. Los análisis son hechos en un laboratorio y solo tres ensayos pueden
efectuarse en un día dado.
Debido a que los días pueden ser una fuente de variabilidad, el investigador decide
utilizar un diseño de bloques completos al azar. Las observaciones fueron tomadas en
cuatro días y los datos (en UFC) se muestran en la siguiente tabla.
Solución Días
1 2 3 4
1 13 22 18 39
2 16 24 17 44
3 5 4 1 22
Determine:
- El Modelo Aditivo Lineal
- El Análisis de variancia y su interpretación
- El CV y su interpretación
- Realice la prueba de comparación de medias que estime por conveniente y
su interpretación
26
27
H0: Las tres soluciones son igualmente efectivas en el retardo del crecimiento de
bacterias en contenedores de leche.
Ha: Al menos una de las soluciones tienen una efectividad diferente en el retardo
del crecimiento de bacterias en contenedores de leche.
Fuentes de gl SC CM FC Fα (0,05- Sig

Variación 0,01)
Tratamientos 2 703,5 351,75 40,72 5,14 - 10,92 **
Bloques 3 1106,92 368,97 42,71 4,76 - 9,78 **
Error Experimental 6 51,83 8,64
Total 11 1862,25
CV:
28
Cuadro N° : Prueba de significación de Tukey (α = 0.05)

1 Sol.3 8,00 a 1°
2 Sol.1 23,00 b 2°
3 Sol. 2 25,25 b
Cuadro N° : Prueba de significación de Duncan (α = 0.05)

1 Sol.3 8,00 a 1°
2 Sol.1 23,00 b 2°
3 Sol. 2 25,25 b
Ejemplo 2: Se desea comparar la calidad de 4 marcas de vino. Para ello, se le pide a

8 jueces que prueben (en orden aleatorio) cada una de las 4 muestras y las califiquen
en una escala del 0 al 10. Los resultados se presentan a continuación:
Juez
Vino
1 2 3 4 5 6 7 8
A 9 7 8 6 5 8 6 4
B 8 5 8 2 4 4 3 2
C 9 6 7 6 4 7 5 3
D 5 5 3 5 4 5 6 4
¿Existen diferencias significativas entre las calidades de vino?

Determine:
- El Modelo Aditivo Lineal
- El Análisis de variancia y su interpretación
- El CV y su interpretación
- Realice la prueba de comparación de medias que estime por conveniente y su
interpretación
29
DISEÑO CUADRADO LATINO (DCL)

En el capítulo anterior se estudió el Diseño de Bloques Completos al Azar, en el cual
se controlaba una fuente de variación adicional a los tratamientos que constituía los
bloques: El diseño en el cual las unidades experimentales son clasificadas de acuerdo
a dos criterios de bloqueo se conoce como el Diseño Cuadrado, Latino (DCL).
Al igual que en el DBCA los bloques formados en el DCL en sus dos criterios de
clasificación, a los que se llamará bloques por filas y bloques puede ser aún mayor
que en el DCL.
Así tenemos por ejemplo el Diseño Greco-Latino (3) criterios de bloques) y el., Diseño
Hiper Greco-Latino (4 criterios de bloques).
El DCL es usado en muchos campos de investigación donde hay dos fuentes
principales variación en la realización del experimento. En experimentos sobre el
terreno, la disposición ser sobre un área rectangular, permitiendo así la eliminación de
la variación proveniente de diferencias en el suelo en dos direcciones.
El DCL ha sido utilizado también en la industria, laboratorio y en las ciencias sociales.
La principal desventaja: de este diseño es, que el número de tratamientos, filas y
columnas debe ser el mismo. Los cuadrados más comunes van de 5x5 a 8x8;
cuadrados muy pequeños, dejan muy pocos grados de libertad para la estimación del
error, experimental y cuadrados muy grandes implican la utilización de muchas
unidades experimentales además de que al tener bloques grandes el error
experimental aumenta.
30
Ventajas
La existencia real de dos fuentes de variabilidad entre las unidades experimentales y
su separación en el análisis de variancia permite incrementar la precisión del
experimento.
La pérdida de una o más unidades experimentales no influye esencialmente en el
análisis de variancia, siendo posible estimar los resultados de las unidades,
experimentales pérdidas.
Desventajas:
El número de tratamientos, filas y columnas debe ser el mismo: Por esta razón, no es
recomendable para un número elevado de tratamientos ya que ser requerirá de un
2
número elevado de unidades experimentales (el número de u.e. es igual a t ).
Si existe interacción entre los bloques y tratamientos; ésta va incluida en el error
experimental. En, este caso se tiene la interacción filas por, columnas, filas por.
tratamientos, columnas por tratamientos y filas por columnas por tratamientos.
Restricciones
• Un tratamiento cualquiera debe estar solamente una vez en una columna
• Un tratamiento cualquiera debe estar solamente una vez en una fila
Aleatorización y Croquis Experimental

En este diseño se tienen dos restricciones de aleatoriedad para la asignación de los
tratamientos a las u. e. (filas y columnas) por lo que cada tratamiento debe aparecer
una vez en cada fila, y en cada columna. La aleatorización en este diseño consiste
elegir un cuadrado al azar de entre todos los cuadrados latinos posibles. Por ejemplo,
para un DCL con 3 tratamientos, todos los cuadrados posibles serían.
31
T1 T2 T3 T1 T2 T3 T1 T3 T2 T1 T3 T2
T2 T3 T1 T3 T1 T2 T2 T1 T3 T3 T2 T1
T3 T1 T2 T2 T3 T1 T3 T2 T1 T2 T1 T3
T2 T1 T3 T2 T1 T3 T2 T3 T1 T2 T3 T1
T1 T3 T2 T3 T2 T1 T1 T2 T3 T3 T1 T2
T3 T2 T1 T1 T3 T2 T3 T1 T2 T1 T2 T3
T3 T1 T2 T3 T1 T2 T3 T2 T1 T3 T2 T1
T1 T2 T3 T2 T3 T1 T1 T3 T2 T2 T1 T3
T2 T3 T1 T1 T2 T3 T2 T1 T3 T1 T3 T2
Diseño en cuadro latino.
Son bloques en dos variables.
El número de niveles de una variable es igual al de la otra y al número de

tratamientos. (Es un cuadro)
Éste es un cuadro latino:
1 2 3 4 5
I A B C D E
II B C D E A
III C D E A B
IV D E A B C
V E A B C D
• Todos los tratamientos en cada columna.
• Todos los tratamientos en cada bloque.
• Se puede aleatorizar:
• Los bloques.
• Las columnas.
• Se aleatoriza la asignación de tratamientos
32
Modelo Aditivo Lineal
El modelo aditivo lineal para un Diseño Cuadrado Latino es el siguiente:
Y i  jk     i    j  Y k   i  jk
i, j, k = 1,2,… t
33
El análisis de varianza
El diseño permite partir la variación total en 4 componentes:
Hileras Error experimental

Columnas Tratamientos
En este modelo la variabilidad total se descompone en cuatro fuentes de variación, la

explicada por los tratamientos, por los bloques filas, por los bloques columnas y por el
error. Por lo tanto, el modelo de descomposición de la variancia será el siguiente:
Variabilidad (Total) = Var (Trat) + Var (Bloq Fila) + Var (Bloq Columna) + Var (Error)
La variabilidad total es cuantificada por la suma de cuadrados total:
SC(Total) = SC(Y)= M
34
  Y  Y 
t t
i jk

2  
t t
Y(
2 Y
i) j k
2

2
j1 k 1 j1 k 1 t

Ejemplo 1. Para comparar el rendimiento de un proceso químico en cinco tiempos de

reposo. A, B, C, D y E. Se consideran cinco lotes de materia prima que reaccionan
con cinco concentraciones de ácido distintas, de manera que cada lote de materia
prima con cada concentración de ácido se somete a un tiempo de reposo. Tanto la
35
asignación de los tiempos a los lotes de materia prima, como la concentración de

ácido, se hizo en forma aleatoria. Los datos que se recogen corresponden al
rendimiento del proceso químico.
Concentración de ácido
Lote 1 2 3 4 5
1 26 A 16 B 19 C 16 D 13 E
2 18 B 21 C 18 D 11 E 21 A
3 20 C 12 D 16 E 25 A 13 B
4 15 D 15 E 22 A 14 B 17 C
5 10 E 24 A 17 B 17 C 14 D
Se pide:
- El MAL
- La Eficiencia Relativa del diseño
- Cuál es su conclusión
- ¿Qué tratamiento recomienda?
Bloque Bloque (Columna)

(Fila) 1 2 3 4 5 ∑X.j.
1 26 16 19 16 13
2 18 21 18 11 21
3 20 12 16 25 13
4 15 15 22 14 17
5 10 24 17 17 14
∑X..K
36
Tratamientos
A B C D E
26 18 20 15 10
24 16 21 12 15
22 17 19 18 16
25 14 17 16 11
21 13 17 14 13 X…
∑Xi..
ANVA
F. de Variación G.L. SC CM FC FT Sig
Tratamientos 4 342,80 85,70 17,490 *
Filas 4 10,00 2,50 0,51 NS
Columnas 4 24,40 6,10 1,25 NS
E. Experimental 12 58,80 4,90
Total 24 436,00
* Significativo al 0,05 NS: No significativo
Cuadro: Prueba de significación de Tukey (α = 0.05)

1 E 13,00 a 1°
2 B 15,00 a
3 D 15,60 ab 2°
4 C 18,80 b
5 A 23,60 c 3°
Cuadro: Prueba de significación de Duncan (α = 0.05)

1 E 13,00 a 1°
2 B 15,00 a
3 D 15,60 a
4 C 18,80 b 2°
5 A 23,60 c 3°
37
Ejercicio: Para comparar el consumo de petróleo en cuatro máquinas, A, B, C y D, cuatro

conductores, Juan, Santiago, Emilio y Pepe, efectúan un recorrido prefijado en cuatro
días distintos, de manera que cada conductor utiliza un coche diferente cada día. Tanto
la asignación de las máquinas a sus conductores como el orden de los días se hizo de
forma aleatoria. Disponemos de los siguientes datos correspondientes a los litros
consumidos cada 10 km.
¿Cuál es su conclusión?
Lunes:
- Juan conduce la máquina A: 10 litros
- Santiago conduce la máquina B: 8 litros
- Emilio conduce la máquina C: 7 litros
- Pepe conduce la máquina D: 6 litros
Martes:
- Juan conduce la máquina B: 9,5 litros
- Santiago conduce la máquina A: 10 litros
- Emilio conduce la máquina D: 6,5 litros
- Pepe conduce la máquina C: 5 litros
Miércoles:
- Juan conduce la máquina D: 7 litros
- Santiago conduce la máquina C: 6 litros
- Emilio conduce la máquina A: 7 litros
- Pepe conduce la máquina B: 8,5 litros
Jueves:
- Juan conduce la máquina C: 7 litros
- Santiago conduce la máquina D: 9 litros
- Emilio conduce la máquina B: 8 litros
- Pepe conduce la máquina A: 9 litros
EFICIENCIA DEL DCL CON RESPECTO AL DISEÑO DE BLOQUES

COMPLETAMENTE RANDOMIZADO
Algunas veces el investigador desea estimar la eficiencia que ha tenido con el DCL,
en relación al resultado que hubiere tenido si hubiera usado el diseño de Bloques
Completamente Randomizado (DBCA).
38
EXPERIMENTOS FACTORIALES
En capítulos anteriores se estudiaron los diseños Completamente al Azar, de Bloques

Completos al Azar y Cuadrado Latino, en los cuales se analizó un solo factor de
tratamientos.
Un experimento factorial es aquel en el que se estudian simultáneamente varios
factores, de modo que los tratamientos se forman por todas las posibles
combinaciones de los niveles de los factores.
Un experimento factorial no constituye un nuevo diseño experimental, sino un diseño
para la formación de los tratamientos.
Los experimentos factoriales pueden ser conducidos bajo los lineamientos de
cualquier diseño experimental como el DCA, DBCA o DCL.
Los experimentos factoriales son ampliamente utilizados y son de gran valor en el

trabajo exploratorio cuando se sabe poco sobre los niveles óptimos de los factores o
ni siquiera qué factores son importantes.
Estos experimentos son útiles también en campos de estudio más complejos en los,
que se sabe que un factor no actúa independientemente sino en estrecha relación con
otros factores.
39
En este capítulo se tratarán los experimentos factoriales con dos factores conducidos
bajo los lineamientos de un DCA y DBCA.
VENTAJAS Y DESVENTAJAS
Ventajas
- Permite obtener más información que en un experimento, de un solo factor, ya

que se estudian los efectos principales, los efectos simples, los efectos
cruzados y de interacción entre los factores.
- Todas las unidades intervienen en la estimación de los efectos principales y de

interacción, por lo que el número de repeticiones es elevado para estos casos.
Desventajas:
• Se requiere un mayor número de unidades experimentales que en los
experimentos con un solo factor.
• Dado que todos los niveles de un factor se combinan con todos los niveles de
los otros, Por requerimientos del análisis estadístico, se tendrá que algunas
combinaciones que no son de interés para el investigador, serán también
incluidas en el experimento.
• El análisis estadístico y la interpretación de los resultados son más
complicados que en los experimentos con un solo factor, y la dificultad aumenta
considerablemente conforme más factores son incluidos.
NOTACIÓN Y DEFINICIONES
Factor
Los factores son designados por letras mayúsculas. Por ejemplo en un experimento
en el que se evalúan temperaturas con 4 temperaturas cada una y 2 tiempos con dos
determinadas cepas de levaduras. El factor temperaturas se puede denotar por A, el
factor tiempo por B y el factor cepas de levaduras por C.
40
Niveles de un Factor
Los niveles de un factor son denotados por letras minúsculas con subíndices. Por
ejemplo, las 3 cantidades de levaduras podrían ser denotadas por a , a y a , las 4
l 2 3
dosis de proteína por b , b , b y b , y las 2 variedades de arroz por c , y c .

1 2 3 4 1 2
Una combinación de letras minúsculas con sus respectivos subíndices es utilizada

para, denotar una combinación de los niveles de los factores.
Por ejemplo la combinación a b c
denotará el tratamiento conformado por la
2 2 1
aplicación de la cantidad a de levadura con la dosis b de proteína y la variedad c el
2 2 1
de arroz.
Factores son características que involucra a dos o más modalidades, variantes

o niveles diferentes y pueden ser:
a) Cualitativos: Son aquellos en los cuales los niveles definen o expresan
una modalidad particular de las características del factor; cada nivel tiene un
interés intrínseco o independiente de los otros niveles. Estos factores
responden a las características de las variables cualitativas.
Ej: Diferentes métodos de secado (natural, tipo tunel, flujo de aire caliente).
Ej: Variedades para elaboración de vino: Negra, Torontel, Italia, Borgoña, etc.
Ej: Razas de una determinada especie incluye R1, R2 y R3
Factor = Razas
Niveles = R1, R2, R3
b) Cuantitativos: Son aquellos cuyos valores corresponden a cantidades
numéricas, es decir valores inherentes a una variable cuantitativa.
Ej: Supongamos que en una experiencia se prueba inocular con diferentes
dosis de una raza de levadura L: 0-10-20-30 gr/l.
Factor = razas de levadura (R)
Niveles = R0, R1, R2, R3 que corresponden a las dosis 0-10-20 y 30
Ej: Dosis creciente de un fertilizante medida en kg del elemento por hectárea
Ej: Diferentes dosis de un producto terapéutico
Ej: Concentración de diferentes drogas o reactivos
Ej: Diferentes Tº de aplicación de tratamientos, etc.
41
Para simbolizar a los factores se ha generalizado el uso de la letra mayúscula

vinculada con el nombre del factor y esa letra (que puede ser mayúscula o minúscula)
con un subíndice numérico para los niveles.
Ej: Raza de levadura con 3 niveles: Factor raza de levadura: R; Niveles: r1, r2, r3.
Si se incluye al control, sin levadura, se acostumbra designarlo con r0.
Si se opta por la letra mayúscula para representar a los niveles del factor:
En un experimento factorial los tratamientos surgen de la combinación de los

niveles de un factor con los niveles de los otros factores. Por ejemplo si se
combinan 3 tipos de levadura con 2 dos tipos de Uva (A y B), los tratamientos
resultantes son 3 x 2 = 6 y se pueden designar como sigue: L1A, L1B, L2A, L2B,
L3A, L3B.
Los experimentos factoriales se pueden aplicar a diferentes diseños: completamente

aleatorizados (DCA), bloques (DBCA), cuadrados latinos (DCL).
Tratamientos en un factorial 2 x 2.
Tratamientos de un factorial 2 x 3.
42
Interacción:
Es el efecto recíproco entre 2 o más factores, o la modificación de efecto de un factor
por la acción de otro u otros. El estudio de la interacción entre los factores es una de
las características importantes en los experimentos factoriales.
La posibilidad de estudios en forma conjunta de dos o más factores con sus
correspondientes niveles, hace a los factoriales muy útiles para investigaciones
exploratorias y como un paso previo para concentrar posteriormente la atención en
los aspectos que puedan ser de mayor interés, de acuerdo a las conclusiones
generales que proporcionan estos experimentos.
Ejemplo: (Experimento Factorial en DBCA):

Se realizó un experimento con un arreglo factorial 2A3B en DBCA en 4 galpones, para
evaluar el efecto en el rendimiento en el peso de conejos obtenido con dos tipos de
alimento (a y a ) y tres tiempos (b =20, b =30 y b =40 días). Los resultados obtenidos
1 2 1 2 3
(en kg/animal) se presentan a continuación:
En el caso de un experimento factorial en DBCA , el modelo aditivo lineal es:

43
Yijk    i j     i j  k   ijk
ANVA
F. de V. G.L. SC CM Fc
Bloques b-1 SC SC /gl
Bloques Bloques Bloq.
A p-1 SC SC /gl CM /CM

(A) (A) (A) (A) (EE)
B q-1 SC SC /gl CM /CM

(B) (B) (B) (B) (EE)
AB (p-1)(q-1) SC SC /gl CM /CM

(AB) (AB) (AB) (AB) EE
EE (pq-1)(b-1) SC SC /gl
EE EE (EE)
Total pqb-1 Total Total

SC SC
La primera hipótesis a evaluar es la correspondiente a la interacción. Que no exista

interacción significa que el efecto de un factor es el mismo en cualquiera de los niveles
del otro, por lo que las conclusiones para los factores se obtendrán a partir de análisis
de sus efectos principales.
Si en cambio existe interacción, el efecto de un factor dependerá de los principales
niveles del otro y el análisis de los efectos principales no será apropiado. En este caso
se deberá efectuar un análisis de los efectos simples de los factores.
44
Ejemplo (Cont.): A continuación se presenta el análisis de variancia y las prueba de

hipótesis correspondiente para el ejemplo pendiente, tratado en esta sección:
Fuentes de Variación gl SC CM Fc Sig
Bloques 3 0,8046 0,2682 0,336

A 1 1,0004 10,004 18,81
B 2 2,9100 14,550 27,35
AB 2 0,5633 0,2817 5,30 **
Error Experimental 15 0,7979 0,0532
Total 23 6,0763
45
Para la interacción el estadístico de prueba es Fc=5.30 y el valor de tabla, con un nivel

de significación del 5% es F(0.95,2,15 )= 3.68.
Dado que el estadístico de prueba resulta mayor que el valor de tabla se rechaza Ho
y se concluye que hay suficiente evidencia estadística para aceptar la existencia de
interacción entre el tipo de abono y la dosis.
Por lo tanto, será necesario analizar los efectos simples de los factores en vez
de sus efectos principales.
El coeficiente de variación para este experimento es:
CM  0. 05  9%
cv  E 32
Y  2. 562
5
46
a1 a2
Galpones b1 b2 b3 b1 b2 b3 ∑∑Y ..k
1 1,90 1,80 2,70 1,80 2,90 3,00 14,10

2 2,30 2,10 2,40 2,20 2,70 3,20 14,90
3 2,00 2,40 2,90 2,00 3,20 2,90 15,40
4 2,10 2,90 2,80 2,40 3,50 3,40 17,10
∑∑Y ij. 8,30 9,20 10,80 8,40 12,30 12,50
∑∑Y i.. 28,30 33,20
∑∑Y .j. 16,70 21,50 23,30
∑∑Y ... 61,50
47
ANVA de los efectos simples
Fuentes de
gl SC CM Fc
Variación
A b1 1 0.00125 0.00125 0.02 NS
A b2 1 1.20125 1.20125 22.58 *
A b3 1 0.36125 0.36125 6.79 *
B a1 2 0.80167 0.40083 7.54 *
B a2 2 2.67167 1.33583, 25.11 *
Error Experimental 15 0.79792 0.05319
Total 23 6.07625
Los efectos simples del factor A son comparados con el valor de tabla F(0.95, 1,15) = 4.54
y los efectos simples del factor B con F(0.95,2,15) = 3.68: Note que solo el efecto simple
de A en b, resulta no significativo.
48
Las conclusiones en este experimento serían las siguientes:

• No existe suficiente evidencia estadística para aceptar que con los dos tipos de
alimento se obtengan resultados diferentes en el rendimiento de peso cuando
se trabaja en el tiempo b, (20 días).
• Existe suficiente evidencia estadística para aceptar que con los dos tipos de
alimento se obtienen resultados diferentes en el rendimiento de peso cuando
se trabaja en el tiempo b (30 días) y b (40 días).
2 3
• Existe suficiente evidencia estadística para aceptar que con al menos uno de
los tiempos se obtienen resultados diferentes en el rendimiento de peso tanto
con el alimento a1 como con el a2.
Pruebas de Comparación de Medias

Pruebas de comparación de medias de efectos principales
Para comparar las medias de los niveles i y j de un factor sobre todos los niveles del
otro utilice las siguientes fórmulas para las desviaciones estándar:
Pruebas de comparación de medias de efectos simples

Para comparar las medias de los niveles k y l de un factor en un nivel del otro utilice
las siguientes fórmulas para las desviaciones estándar.
49
Ejemplo 2 (Cont): En el análisis de variancia de efectos simples se obtuvo resultados

significativos para los efectos simples de A en b2, A en b3, B en al y B en a2. Dado que
el factor A solo tiene dos niveles, no será necesario efectuar pruebas de

comparaciones múltiples. En el factor B en cambio sí se podrían realizar
comparaciones por pares entre sus tres niveles. A continuación se presenta la prueba
de Tukey para B en al.
50
Ejemplo (Experimento Factorial en DCA):

Ejemplo 3 (Experimento factorial en DCA): Los siguientes datos muestran los
aumentos de peso en gramos de ratas machos bajo 6 tratamientos de alimentación
en un experimento conducido en un DCA. Los factores en estudio y los resultados del
experimento son:
A: Fuente de proteína (a =Res, a =Cereal, a =Cerdo)
l 2 3
B: Dosis de proteína (b = Baja, B = Alta).
1 2
al a2 a3
b1 b2 b1 b2 b1 b2
88 83 91 107 64 93
74 102 81 95 83 78
90 108 75 97 74 95
83 104 101 80 73 97
335 397 348 379 294 363
al a2 a3
b1 b2 b1 b2 b1 b2
88 83 91 107 64 93
74 102 81 95 83 78
90 108 75 97 74 95
83 104 101 80 73 97 ∑∑Y ...
∑∑Y ij. 335 397 348 379 294 363 2116
∑∑Y i.. 732 727 657
∑∑Y .j. 977 1139
51
52
Fuentes de
Variación
gl SC CM Fc Sig
A 2 219.79 2.34 *
B 1 1093.50 1093.50 11.62 **
AB 2 102.25 51.13 0.54 NS
Error
Experimental 18 1694.00 94.11
Total 23 3329.33
53
Para la interacción el estadístico de prueba es Fc = 0.54 y el valor de tabla, con un

nivel de significación del 5% es F
menor que el valor de tabla no se rechaza Ho, Como
= 3.55. y se concluye que no
el estadístico de hay suficiente
prueba resulta
(0.95,2,18)
evidencia estadística para aceptar la existencia de interacción entre la fuente de
proteína y la dosis.
Dado que la interacción resulta no significativa, las conclusiones para un factor
serán independientes del otro; por lo tanto, se procede al análisis de' los efectos
principales.
Para el factor A se obtiene un Fe de 2.34 menor que el valor de tabla F = 3.55,

(0.95,2,18)
por lo que no se rechaza Ho, y se concluye que no existe suficiente evidencia

estadística para aceptar que con al menos una de las fuentes de proteína se obtenga
una ganancia de peso diferente en las ratas.
Para el factor B en cambio, se obtiene un Fc de 11.62 mayor que el valor de tabla
F
=4.41, por lo que se rechaza lío, y se concluye que sí existe suficiente
(0.95,1,18)
evidencia estadística para aceptar que la ganancia de peso de las ratas es diferente
en las dos dosis de proteína
El coeficiente de variación para este experimento es:
cv  CME  94.11  11%

Y  88.17
BIBLIOGRAFÍA
1. BEDOYA, E. 2011. Diseños Experimentales. Guía de estudio. Universidad José
Carlos Mariátegui. Moquegua - Perú. 93 pág.
2. CALZADA, J. 1981. Métodos Estadísticos para la Investigación. Ed. Milagros.
Lima – Perú.
3. COCHRAN, W.G. y COX, G.M. 1978. Diseños Experimentales. Ed. Trillas.
México.
4. DE LA LOMA, J.L. 1980. Experimentación Agrícola. Ed. UTHEA. México.
5. LE CLERG. et. al. 1968. Fiel Plot Techinique. Burgess Publishing Company.
Minnesota.
6. LITLE, M. y HILLS, F.J. 1979. Métodos Estadísticos para la Investigación en la
Agricultura. Ed. Trillas. México.
7. OSTLE, B. 1977. Estadística Aplicada. Ed. Limusa. México.
54
8. SNEDECOR, G.W. y COCHRAN, W.G. 1971. Métodos Estadísticos. Ed.

CECSA. México.
9. STEEL, D.G.R. and TORRIE, H.J. 1960. Principles and Procedures of Atadistics.
Mc Graw-Hill. Book Company Inc. New York.
10. VÁSQUEZ ARCE, V. 1990. Experimentación Agrícola. CONCYTEC. Lima –
Perú.
Moquegua, abril del 2014
55
TABLAS ESTADÍSTICAS
56
57
58
59
60
61
62
63
64

Diseños Exp Tabla de F

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Diseños Exp Tabla de F

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI

FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL

MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN

ORIENTACIONES GENERALES EN LA EXPERIMENTACIÓN AGROINDUSTRIAL

Pasos al planear un experimento:

Ordenamiento de la información experimental.

DISEÑO DEL EXPERIMENTO

El diseño adecuado del experimento es una etapa fundamental de la experimentación,

PROPOSITO DE UN DISEÑO EXPERIMENTAL

ANÁLISIS DE LA VARIANCIA (ANVA)

PRINCIPIOS BÁSICOS DEL DISEÑO EXPERIMENTAL

Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio a las

TIPOS DE MODELOS ESTADÍSTICOS

Modelo II (Efectos aleatorios):

PRUEBAS DE COMPARACIÓN DE MEDIAS

Es propósito de todo investigador que realiza un análisis de variancia de un

Diferencia Significativa Mínima (DLS):

Es una prueba para comparar dos medias y su uso en comparaciones simultáneas

La prueba F resulta significativa.

Prueba de Rangos Múltiples de Duncan:

Prueba de Rangos Múltiples de Tukey:

para realizar comparaciones múltiples de medias; esta prueba es similar a la prueba

Prueba de Comparación de Dunnet:

Un cambio de escala puede variar la media y la variancia de la variable así como su

a. Transformación logarítmica El modelo lineal (por ejemplo Y = µ + τ + β + e) indica

b. Transformación de la raíz cuadrada

Si y es el número observado, para el análisis estadístico y la prueba de significación

DISEÑO COMPLETAMENTE AL AZAR (DCA)

Este diseño es el más utilizado en la experimentación en laboratorio, viveros, con

Para ejemplificar el proceso de aleatorización irrestricta de los tratamientos a las

Modelo estadístico asociado al diseño:

- DISEÑO COMPLETAMENTE AL AZAR: BALANCEADO

X.1 X.2 X.3

El ANALISIS DE VARIANCIA (ANVA O ANOVA)

23,56 23,42 23,46 23,37 23,37

PRUEBA DE COMPARACIÓN DE MEDIAS

Amplitud Límite Significativa de Tukey:

Es la desviación estándar de la diferencia de las

Si los tratamientos no están igualmente repetidos, entonces la desviación estándar

PRUEBA DE COMPARACIÓN DE MEDIAS DE DUNCAN

Amplitud Límite Significativa de Duncan:

Es la desviación estándar de la diferencia de las

Si los tratamientos no están igualmente repetidos, entonces la desviación estándar

Cuadro: Prueba de significación de Duncan (α = 0.05)

N° Tratam. Promedio Sig. Mérito

Cuadro: Prueba de significación de Tukey (α = 0.05)

- DISEÑO COMPLETAMENTE AL AZAR: DESBALANCEADO

X.1 X.2 X.3

Cuadro N° : Prueba de significación de Tukey (α = 0.05)

Cuadro N° : Prueba de significación de Duncan (α = 0.05)

DISEÑO COMPLETAMENTE ALEATORIO, CON IGUAL NÚMERO DE

Por ejemplo, en un experimento de variedades de caña de azúcar en que se estudian

Las subunidades que forman la muestra de cada parcela (unidad experimental) no

En el muestreo de las parcelas de los experimentos, surgen las siguientes preguntas:

Ejercicio: Un experimento tuvo por objeto evaluar los componentes de la variancia de

Total Entre unidades

Entre Sub. Unid.

Total (Entre Sub-

DISEÑO COMPLETAMENTE ALEATORIO, CON DESIGUAL NÚMERO DE

Ejercicio: En un estudio de fermentación para convertir el azúcar en ácido láctico se

hicieron diferente número de determinaciones (subunidades) en cada porción,

Total Entre unidades

Entre Sub. Unid.