Universidad Nacional de Trujillo

Procesamiento de datos proveniente de investigacin

experimental

Aplicaciones bsicas para el anlisis estadstico de datos experimentales

en el programa INFOSTAT

Infostat es un software estadstico desarrollado por el Grupo Infostat, un

equipo de trabajo conformado por profesionales de la Estadstica aplicada con
sede en la Facultad de Ciencias Agropecuarias de la Universidad Nacional de
Crdoba. Por la Ctedra de Estadstica y Biometra participaron en la
elaboracin de Infostat los profesores. Julio A. Di Rienzo, Mnica G.
Balzarini, Fernando Casanoves, Laura A. Gonzlez, Elena M. Tablada y por
la Ctedra de Diseos de Experimentos particip el Prof. Carlos W. Robledo.
Infostat, como proyecto de investigacin y desarrollo representa una sntesis
de la experiencia acumulada desde 1982 en la Unidad de procesamiento
Electrnico de datos y en la Ctedra de Estadstica y de Diseo de
Experimentos. Labor enriquecida por la tarea docente de grado y postgrado, la
consultora estadstica y la formacin de recursos humanos en estadstica
aplicada realizada por los miembros del equipo de desarrollo. (Balzarini M.G.; et
al. 2008)

1
 Ejercicios en INFOSTAT

1. Anlisis de Varianza para un Diseo Completamente al Azar

En este diseo, los tratamientos en estudio se distribuyen al azar en
todas las unidades experimentales; siendo el nmero de repeticiones por
tratamiento igual diferente.
Este diseo se emplea cuando la variabilidad en todo el material
experimental es relativamente pequeo y uniformemente distribuido
Ventaja:
Fcil de planear y analizar; adems es flexible en el empleo del nmero
de tratamientos y repeticiones. Finalmente, permite tener dentro del
anlisis de varianza el mximo nmero de grados de libertad para la
suma de cuadrados del error.

Desventaja:
La principal desventaja que presenta este diseo est relacionado a la
homogeneidad del material experimental; el cual es difcil de encontrar
en experimentos de campo, por lo que su uso se restringe con mucha
frecuencia a experimentos de laboratorio, o donde se pueda tener
control de los efectos no considerados en el estudio (ambiente,
temperatura, luz, etc.)

Recomendaciones:
1. Como la homogeneidad es un supuesto importante para la eficiencia de
este diseo, se debe tener mucho cuidado en la seleccin del material
experimental.
2. Debe seleccionarse cuidadosamente los tratamientos a estudiar y
planear ante mano las comparaciones o contrastes de inters

2
3. Es preferible trabajar con un grupo selecto de tratamientos con el
mayor nmero de repeticiones que trabajar con muchos tratamientos
y pocas repeticiones.

HIPOTESIS ESTADISTICA

Ho: i = 0 (Todos los tratamientos tienen el mismo efecto sobre la

variable en estudio)
1= 2== K
H1: i 0 (No todos los tratamientos tienen el mismo efecto sobre la
variable en estudio)
Al menos un i es diferente

3
Para realizar un anlisis de varianza en INFOSTAT se debe crear primero un
archivo en el programa Excel. A continuacin se realizar un ejercicio con los
siguientes datos:

Animales
(repeticiones) R1 R2 R3

1 28 18 22

2 27 17 18

3 25 19 19

4 21 16 22

5 23 22 17

Totales 124 92 98

Se tienen los datos de tres raciones y se quiere saber si se debe aceptar que
los promedios de ellas en la poblacin no difieren entre s. Los rendimientos en
kilogramos observados de cinco animales de cada variedad son iguales:
Con base a estos datos creamos un archivo en el programa Excel el cual
quedar de la siguiente forma:

Raciones Rendimiento
1 28
1 27
1 21
1 21
1 23
2 18
2 17
2 19
2 16
2 22
3 22
3 18
3 19
3 22
3 17

Posterior a esto seleccionamos toda la tabla y elegimos la opcin copiar. Una

vez abierto el programa INFOSTAT vamos a Archivo, Nueva tabla y este

4
desplegar una tabla en blanco. Damos un Click derecho sobre esta tabla y
seleccionamos la opcin Pegar incluyendo nombre de las columnas. El
programa pegara la tabla que creamos en Excel considerando la primera fila
como los nombres de la columna.

Una vez creada la tabla en el programa decidimos hacer un anlisis de varianza

y damos clic en la opcin Estadsticas y seleccionamos la opcin Anlisis de
varianza. Posterior a esto se despliega un cuadro donde nos pide definir la
variable dependiente o variable de respuesta, para este ejemplo vamos a
seleccionar Rendimiento y para la variable de clasificacin vamos a seleccionar
Raciones para que el programa pueda hacer el anlisis en base a estas
especificaciones.

5
Damos aceptar y se despliega una ventana donde Comparaciones. En este
cuadro debemos seleccionar el tipo de prueba de comparacin de medias que
deseamos que se haga en el anlisis, el nivel de significancia y el orden de los
grupos de medias que desea que aparezca en la tabla de resultados , para este
caso debemos seleccionar Duncan, con un nivel de 0.05 y en orden de lista
descendente. Seleccionamos aceptar y se desplegar una ventana con los
resultados del anlisis con los datos siguientes:

6
Como podemos observar en los resultados el valor de p para el modelo es
0.0153 igual que el valor de p para la racin lo que significa que esta es la nica
fuente de variacin para el modelo usado. El valor de p = 0.001532 para la
racin indica que hay diferencia significativa con un nivel de confianza de 95%.
El valor de R2 = 0.50 indica que el 50% de los datos se ajustan al modelo. El CV
(Coeficiente de Variacin) es de 12.98. Recuerde que coeficientes mayores de
30 indican que existe problema con el modelo que se est aplicando a los datos
o en algunos casos la muestra tomada es muy pequea.

La prueba de Duncan a las medias indica los grupos formados de acuerdo a la

separacin de medias. La N indica el nmero de datos tomados para realizar la
media. En este caso las raciones 2 y 3 no son diferentes estadsticamente y
ambas difieren estadsticamente con la racin 1.

Algo importante que se debe tomar en cuenta que en la mayora de pruebas de

comparacin de medias se requiere que los tratamientos tenga un mismo
nmero de observaciones. Cuando se trata de tratamientos con efecto
aleatorio o cuantitativo es preferible ajustar modelos de regresin a los datos

2. Anlisis de varianza para Diseos de Bloque Completo al Azar (BCA)

En muchos problemas de experimentos, es necesario hacer un diseo de tal

manera que la variabilidad proveniente de fuentes conocidas pueda ser
sistemticamente controlada. El diseo con bloques completos aleatorizados
pretende reducir el efecto de la variabilidad proveniente de causas propias del
experimento pero independiente del efecto que se desea estudiar
El Diseo en Bloque Completo al Azar es un plan en el cual las unidades
experimentales se asignan a grupos homogneos, llamados bloques, y los
tratamientos son, luego, asignados al azar dentro de los bloques.
Objetivo del agrupamiento: lograr que las unidades dentro de un bloque sean lo
ms uniformes posible con respecto a la variable dependiente, de modo que las
diferencias observadas se deban realmente a los tratamientos.
Al controlar la variacin dentro de los bloques reducimos la variabilidad del
error experimental. Completo: todos los tratamientos estn incluidos en
cada bloque.
Se divide el material experimental en tantos bloques como nmeros de
replicaciones a utilizar. Cada bloque es luego dividido en tantas UE como

7
tratamientos haya en estudio. Como el DBCA especifica que todos los
tratamientos deben aparecer una vez en cada replicacin, la aleatorizacin se
hace separadamente en cada bloque.
Ventajas
Puede proveer resultados ms precisos que un DCA del mismo tamao si
los agrupamientos son efectivos.
Sirve para cualquier n de tratamientos y replicaciones.
Los tratamientos no necesitan tener tamaos de muestras iguales.
(Bloque Incompleto)
El anlisis no se complica si se debe descartar, por alguna causa, un
tratamiento o algn bloque.
Se puede introducir, deliberadamente, variabilidad en las unidades
experimentales para ampliar el rango de validez de los resultados sin
sacrificar la precisin de los resultados.
Desventajas
Las observaciones faltantes dentro de un bloque requiere clculos ms
complejos.
Los grados de libertad para el error experimental no son tantos como en
el DCA.
Se requieran ms presunciones para el modelo: no interaccin entre
tratamientos y bloques, varianza constante de bloque a bloque.

Para crear el archivo en INFOSTAT procederemos de la misma manera que el

DCA visto anteriormente. Utilicemos los datos del siguiente experimento.
Para el ensamble de una ordeadora se considera comparar 4 mquinas
diferentes. Como la operacin de las mquinas requiere cierta destreza se
anticipa que habr una diferencia entre los operarios en cuanto a la velocidad
con la cual operen la maquinaria. Se decide que se requerirn 6 operarios
diferentes en un experimento de bloques aleatorizado para comparar las
mquinas
Entonces, el factor de inters es uno slo, pero se crea otro factor para
controlar la variabilidad extraa y excluirla as del error experimental.

8
 El

archivo en Excel quedara de la siguiente manera (este sera el que se va a

pegar en la tabla nueva del INFOSTAT, incluyendo el nombre de las columnas).

Maquina Operario Tiempo

1 1 42.5
1 2 39.3
1 3 39.6

9
 1 4 39.9
1 5 42.9
1 6 43.6
2 1 39.8
2 2 40.1
2 3 40.5
2 4 42.3
2 5 42.5
2 6 43.1
3 1 40.2
3 2 40.5
3 3 41.3
3 4 43.4
3 5 44.9
3 6 45.1
4 1 42.3
4 2 43.2
4 3 44.5
4 4 45.2
4 5 46.9
4 6 43.3

Se procede de igual manera que se hizo para el DCA a diferencia que en este
anlisis para BCA se incluye como variable de clasificacin a Bloque y
Tratamiento. La ventana de resultados muestra los siguientes datos.

10
Como se puede observar en la tabla de anlisis de varianza existe diferencia
entre los bloques (operario) lo que indica que el bloqueo hizo efecto en el
modelo (era necesario bloquear). Adems se puede observar que existe
diferencia entre los tratamientos (maquinas).

La prueba de separacin de medias de Tukey indica que la media del

tratamiento (maquina) 1, 2 y 3 no difieren estadsticamente pero la media del
tratamiento (maquina) 1 y 2 difieren estadsticamente significativo con el
tratamiento (mquina) 4. En la parte inferior se muestra que el operario 2
tiene una mejor velocidad de ensamblaje de las ordeadoras, pero no difiere
estadsticamente con el operario 1, 3, y 4, mientras que el operario 1 es
superior que el operario 5, y entre los operarios 3, 4, 5, y 6 no difieren
estadsticamente.

3. Diseo de Cuadrado Latino

Este diseo es una extensin del bloque completo al azar puesto que en l se
impone la misma restriccin en la distribucin al azar de los tratamientos para
formar los bloques de este diseo, ms otra retribucin igual para hileras. Este

11
diseo es recomendable cuando las unidades experimentales pueden agruparse
de acuerdo a los niveles de dos fuentes de variabilidad. En el cuadrado latino
cada tratamiento est una vez y al azar en bloque y en cada hilera.

USOS:
Es ms usado en el campo agrcola
Es ms difcil su uso en el campo pecuario, por que demanda la existencia
y 2 fuentes de variabilidad
Igualmente puede aplicarse este diseo en experimentos con animales
cuando hay restricciones como: edad y peso de los animales, raza de los
animales y establos, produccin de leche y nmero de partos.
El cuadrado latino se puede emplear siempre que haya homogeneidad
dentro de bloques e hileras, pero alta heterogeneidad entre bloques y
entre hileras.
VENTAJAS:
Controla la FV en dos direcciones, hileras y bloques; es decir extrae del
error experimental la variacin debido a tratamientos, hileras y bloques.
DESVENTAJAS:
Se pierde GL en el error experimental, sacrificando, nmeros limitados
de tratamientos, porque el nmero de hileras y bloque deben ser igual al
de tratamientos
RESTRICCIONES:
Un tratamiento debe de estar solamente una vez en la columna o bloque.

12
Debemos recordar que el cuadrado latino se usa para bloquear en dos sentidos
por tanto se debe formar bloques en dos direcciones. El uso de CL aumenta la
precisin en los experimentos
Para crear un archivo de un diseo de cuadrado latino en Excel procederemos
de igual manera que lo hicimos anteriormente. Supongamos que tenemos un
diseo de CL que tiene cinco tratamientos (las letras indican las variedades y el
valor indica los rendimientos de maz por parcela).
Ejemplo:
Se prob 4 nuevas raciones para evaluar la produccin de leche durante el
primer mes de lactacin en vacas de 1, 2, 3 y 4 parto, se emplearon 16 vacas
de 4 razas distintas: 4 Holstein, 4 Brown Swiss, 4 Jersey y 4 Gyr. Se desea
probar el efecto de las cuatro raciones.

Los tratamientos estn dados por las letras A, B, C y D

Razas Lactaciones Tratamiento Rendimiento

Jersey 1 C 630
Jersey 2 B 680
Jersey 3 C 750
Jersey 4 D 810
Brown Swiss 1 D 890
Brown Swiss 2 A 750
Brown Swiss 3 B 790
Brown Swiss 4 C 840
Gyr 1 C 750
Gyr 2 D 800
Gyr 3 A 600
Gyr 4 B 620
Holstein 1 B 940
Holstein 2 C 990
Holstein 3 D 1050
Holstein 4 A 800

13
Copiamos este archivo y lo pegamos, incluyendo el nombre de las columnas, en
una nueva tabla de INFOSTAT. Posterior hacemos el anlisis de varianza
considerando razas, lactaciones y tratamientos como variables de clasificacin
y rendimiento como variable como variable dependiente (variable de
respuesta); lo dems procedemos de igual manera que en los ejercicios
anteriores. La ventana de los resultados nos muestra los siguientes datos:

Anlisis de la varianza

Variable N R R Aj CV
Rendimiento 16 0.95 0.87 5.78

Cuadro de Anlisis de la Varianza (SC tipo I)

F.V. SC gl CM F p-valor
Modelo. 237947.92 9 26438.66 12.59 0.0030
Razas 158018.75 3 52672.92 25.09 0.0009
Lactaciones 3618.75 3 1206.25 0.57 0.6524
Tratamiento 76310.42 3 25436.81 12.12 0.0059
Error 12595.83 6 2099.31
Total 250543.75 15

Test: Tukey Alfa=0.05 DMS=112.15372

Error: 2099.3056 gl: 6
Razas Medias n E.E.
Gyr 692.50 4 22.91 A
Jersey 717.50 4 22.91 A B
Brown Swiss 817.50 4 22.91 B
Holstein 945.00 4 22.91 C
Medias con una letra comn no son significativamente diferentes (p > 0.05)

Test: Tukey Alfa=0.05 DMS=112.15372

Error: 2099.3056 gl: 6
Lactaciones Medias n E.E.
4.00 767.50 4 22.91 A
3.00 797.50 4 22.91 A
1.00 802.50 4 22.91 A
2.00 805.00 4 22.91 A
Medias con una letra comn no son significativamente diferentes (p > 0.05)

Test: Tukey Alfa=0.05 DMS=114.00763

Error: 2099.3056 gl: 6
Tratamiento Medias n E.E.
A 716.67 3 26.45 A
B 757.50 4 22.91 A
C 792.00 5 20.49 A B
D 887.50 4 22.91 B
Medias con una letra comn no son significativamente diferentes (p > 0.05)

14
De los resultados de la prueba de Tukey se observa que las medias de los
tratamientos A, B y C no difieren estadsticamente entre s, pero A y B son
diferentes a la media de D, La media de C y D no difieren estadsticamente.

4. Arreglos factoriales

Los arreglos factoriales no son propiamente diseos experimentales sino una

posibilidad adecuar un diseo BCA o DCA cuando queremos estudiar ms de un
factor. En otras palabras permiten estudiar ms de un factor con poco trabajo
adicional, aumenta la cobertura y utilidad de los resultados al proveer
informacin sobre las interacciones de los factores en prueba.

Para este ejemplo consideremos un arreglo factorial tres variedades de caa

de azcar (V) y tres niveles de Nitrgeno, conducido utilizando un diseo BCA
con dos repeticiones (bloques).
Cuando se analizan los resultados del experimento se pueden hacer las
siguientes comparaciones:

a) Comparaciones entre variedades

b) Comparaciones entre niveles de Nitrgeno
c) la interaccin de variedad y Nitrgeno

Las dos primeras comparaciones son entre efectos principales. La presencia

ausencia de efectos principales no dice nada acerca de la presencia o ausencia
de interacciones y viceversa, por lo tanto se deben considerar separadamente.

Si el anlisis presenta interaccin significativa implica que los efectos de los

factores no son independientes entre s. Por lo tanto no se puede concluir que
el mejor tratamiento corresponde a la combinacin de la variedad con el mayor
promedio y el nivel de nitrgeno con el promedio ms alto. Es necesario
estudiar ms a fondo como se comporta cada variedad con los diferentes
niveles de fertilizacin, o los niveles de fertilizacin con cada variedad.
Podemos realizar el anlisis con los siguientes datos.

Ventajas:
Permiten estudiar los efectos principales, efectos de interaccin de
factores, efectos simples y efectos cruzados y anidados

15
 Todas las unidades experimentales intervienen en la determinacin de
los efectos principales y de los efectos de interaccin de los factores,
por lo que el nmero de repeticiones es elevado para estos casos
Desventajas:
Se requiere un mayor nmero de unidades experimentales que los
experimentos simples y por lo tanto se tendr un mayor costo y trabajo
en la ejecucin del experimento.
Como en los experimentos factoriales cada uno de los niveles de un
factor se combinan con los niveles de los otros factores; a fin de que
exista un balance en el anlisis estadstico se tendr que algunas de las
combinaciones no tiene inters prctico pero deben incluirse para
mantener el balance.

Variedades
Fertilizacin V0 V1 V2
F0 66.52 61.45 68.60
Bloque I F1 68.98 62.55 64.54
F2 75.95 57.90 68.09
F0 56.50 53.45 58.50
Bloque II F1 58.95 51.55 54.54
F2 66.95 47.90 58.19

16
 Bloque Fertilizacin Variedades Rendimiento
I F0 V0 66.25
I F0 V1 61.45
I F0 V3 68.6
I F1 V0 68.98
I F1 V1 62.55
I F1 V3 64.54
I F2 V0 75.95
I F2 V1 57.9
I F2 V3 68.09
II F0 V0 56.5
II F0 V1 53.45
II F0 V3 58.5
II F1 V0 58.95
II F1 V1 51.55
II F1 V3 54.54
II F2 V0 66.95
II F2 V1 47.9
II F2 V3 58.19

Se selecciona esta tabla y se pega en el programa INFOSTAT. Se procede de

igual manera que los anteriores a diferencia que en esta tabla se tomar como
variables de clasificacin a los bloques, fertilizacin y variedades; y como
variable dependiente (variable de respuesta) se tomar el rendimiento.

17
Dentro del cuadro de especificaciones del modelo, al final se deber digitar
(bien escrito) Fertilizacin*Variedades

Luego pinchar mostrar medias segn, prueba de Duncan y aceptar.

18
La salida en la ventana de resultados muestra los siguientes datos:

Anlisis de la varianza

Variable N R R Aj CV
Rendimiento 18 1.00 0.99 0.96

Cuadro de Anlisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor
Modelo 877.95 9 97.55 281.95 <0.0001
Bloque 428.07 1 428.07 1237.25 <0.0001
Fertilizacin 17.24 2 8.62 24.91 0.0004
Variedades 295.52 2 147.76 427.07 <0.0001
Fertilizacin*Variedad 137.12 4 34.28 99.08 <0.0001
Error 2.77 8 0.35
Total 880.72 17

Test: LSD Fisher Alfa:=0.05 DMS:=0.63942

Error: 0.3460 gl: 8
Bloque Medias n
II 56.28 9 A
I 66.03 9 B
Letras distintas indican diferencias significativas (p<= 0.05)

Test: LSD Fisher Alfa:=0.05 DMS:=0.78312

Error: 0.3460 gl: 8
Fertilizacin Medias n
F1 60.19 6 A
F0 60.79 6 A
F2 62.50 6 B
Letras distintas indican diferencias significativas (p<= 0.05)

Test: LSD Fisher Alfa:=0.05 DMS:=0.78312

Error: 0.3460 gl: 8
Variedades Medias n
V1 55.80 6 A
V3 62.08 6 B
V0 65.60 6 C
Letras distintas indican diferencias significativas (p<= 0.05)

Test: LSD Fisher Alfa:=0.05 DMS:=1.35641

Error: 0.3460 gl: 8
Fertilizacin Variedades Medias n
F2 V1 52.90 2 A
F1 V1 57.05 2 B
F0 V1 57.45 2 B
F1 V3 59.54 2 C
F0 V0 61.38 2 D
F2 V3 63.14 2 E
F0 V3 63.55 2 E
F1 V0 63.97 2 E
F2 V0 71.45 2 F
Letras distintas indican diferencias significativas (p<= 0.05)

19
Aunque los efectos principales variedad (0.0001) y fertilizante (0.0004), son
significativos no se le puede estudiar por separado, debido a que la mejor dosis
de fertilizacin depende de la variedad que se est investigando, segn se
deduce que la interaccin Variedad - fertilizante es significativa (0.0001). Lo
ms recomendable en este caso sera hacer un anlisis de la tendencia de la
respuesta de cada variedad a la fertilizacin; para esto se debe calcular los
componentes lineal y cuadrtico para cada variedad.

Si la interaccin no hubiese sido significativa, hubiese sido necesario hacer

comparacin de las medias de las variedades y ajustar curvas de
respuestas para los niveles de fertilizacin del promedio de las
variedades.

5. Diseos de parcelas divididas

La necesidad de utilizar el diseo de parcelas divididas, surge cuando se aplica

dos o ms tipos de en arreglos factoriales, si los niveles de un factor pueden
aplicarse a parcelas relativamente pequeas mientras que los otros puedan
aplicarse en parcelas ms grandes.

Un ejemplo de este es cuando se prueban diferentes niveles de irrigacin en

parcelas y factores tales como variedades o fertilizantes son aplicados a las
parcelas pequeas. Supngase que se tiene un experimento con dos niveles de
irrigacin (alta y moderada) y cuatro variedades de caa en cuatro bloques. Los
datos del rendimiento de la caa son:

Variedad
Irrigacin
1 2 3 4
Bloque I Alta 123.2 132.3 123.2 128.8
Moderada 118.2 123.2 115.2 116.3
Bloque II Alta 128.2 138.3 128.2 125.8
Moderada 119.2 120.2 117.2 121.3
Bloque III Alta 118.2 122.3 121.2 124.8
Moderada 111.2 117.2 113.2 113.3
Bloque IV Alta 128.2 123.3 128.2 132.8
Moderada 113.2 122.2 114.2 116.3

20
La tabla para realizar el anlisis de varianza que se debe realizar en
INFOSTAT quedar de la siguiente manera:

Bloque Irrigacin Variedad Rendimiento

I Alta 1 123.2
I Alta 2 132.3
I Alta 3 123.2
I Alta 4 128.8
I Moderada 1 118.2
I Moderada 2 123.2
I Moderada 3 115.2
I Moderada 4 116.3
II Alta 1 128.2
II Alta 2 138.3
II Alta 3 128.2
II Alta 4 125.8
II Moderada 1 119.2
II Moderada 2 120.2
II Moderada 3 117.2
II Moderada 4 121.3
III Alta 1 118.2
III Alta 2 122.3
III Alta 3 121.2
III Alta 4 124.8
III Moderada 1 111.2
III Moderada 2 117.2
III Moderada 3 113.2
III Moderada 4 113.3
IV Alta 1 128.2
IV Alta 2 123.3
IV Alta 3 128.2
IV Alta 4 132.8
IV Moderada 1 113.2
IV Moderada 2 122.2
IV Moderada 3 114.2
IV Moderada 4 116.3

Para realizar el anlisis de varianza procedemos de igual manera que en los

anlisis anteriores. En este caso debemos seleccionar las interacciones de las
que nos interesan dos (Bloque*Irrigacin; Irrigacin*Variedad) que se

21
constituyen como nuevas fuentes de variacin en comparacin con los anlisis
de BCA y DCA. Para seleccionar las interacciones debemos dar clic opcin de
Interacciones del anlisis de varianza. Para este caso nos interesa un modelo
que considere las siguientes fuentes de variacin:

Bloque
Irrigacin
Variedad
Bloque*Irrigacin
Irrigacin*Variedad.

La salida de datos en la ventana de resultados es la siguiente:

Anlisis de la varianza

Variable N R R Aj CV
Rendimiento 32 0.85 0.75 2.70

Cuadro de Anlisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor
Modelo 1127.31 13 86.72 8.00 <0.0001
Bloque 214.59 3 71.53 6.60 0.0033
Irrigacin 754.66 1 754.66 69.64 <0.0001
Variedad 129.92 3 43.31 4.00 0.0241
Bloque*Irrigacin 18.09 3 6.03 0.56 0.6504
Irrigacin*Variedad 10.03 3 3.34 0.31 0.8188
Error 195.06 18 10.84
Total 1322.37 31

Test: Duncan Alfa:=0.05

Error: 10.8368 gl: 18
Bloque Medias n
II 124.80 8 A
I 122.55 8 A
IV 122.30 8 A
III 117.68 8 B
Letras distintas indican diferencias significativas (p<= 0.05)

Test: Duncan Alfa:=0.05

Error: 10.8368 gl: 18
Irrigacin Medias n
Alta 126.69 16 A
Moderada 116.98 16 B
Letras distintas indican diferencias significativas (p<= 0.05)

Test: Duncan Alfa:=0.05

Error: 10.8368 gl: 18
Variedad Medias n
2 124.88 8 A
4 122.43 8 A B
3 120.08 8 B

22
1 119.95 8 B
Letras distintas indican diferencias significativas (p<= 0.05)

Test: Duncan Alfa:=0.05

Error: 10.8368 gl: 18
Bloque Irrigacin Medias n
II Alta 130.13 4 A
IV Alta 128.13 4 A
I Alta 126.88 4 A
III Alta 121.63 4 B
II Moderada 119.48 4 B
I Moderada 118.23 4 B C
IV Moderada 116.48 4 B C
III Moderada 113.73 4 C
Letras distintas indican diferencias significativas (p<= 0.05)

Test: Duncan Alfa: = 0.05

Error: 10.8368 gl: 18
Irrigacin Variedad Medias n
Alta 2 129.05 4 A
Alta 4 128.05 4 A
Alta 3 125.20 4 A B
Alta 1 124.45 4 A B
Moderada 2 120.70 4 B C
Moderada 4 116.80 4 C D
Moderada 1 115.45 4 D
Moderada 3 114.95 4 D
Letras distintas indican diferencias significativas (p<= 0.05)

En este ejemplo hubo diferencias significativas entre irrigaciones ( <0.0001) y

entre variedades (0.024), y no hubo diferencias en las interacciones, debido a
esto se analizan por separado los componentes principales con una prueba de
Duncan. El resultado que la mejor variedad fue la nmero 2 y la mejor
irrigacin fue la alta, considerando que el rendimiento de las parcelas es
independiente de las interacciones. Ntese que la prueba de Duncan hizo
grupos con las interacciones entre bloque e irrigacin, sin embargo si el
ANVA demostr que no existan diferencias al 5% (p=0.05), entonces la
categorizacin de la prueba es invlida.

6. Curvas de respuesta (regresin y correlacin)

Como se mencion anteriormente existen una serie de datos que no pueden ser
analizados mediante la comparacin de medias como por ejemplo niveles de
fertilidad, dosis de producto, niveles de inclusin de un producto alimenticio,
niveles de urea en la alimentacin del ganado, etc. Las curvas de respuestas o
curvas de regresin son la alternativa ms segura para analizar correctamente
estos datos, las cuales nos reflejarn la respuesta o comportamiento que tiene
un factor de estudio con respecto a los diferentes niveles de un tratamiento.

23
Adems estas permiten representar matemticamente por medio de una
ecuacin la relacin entre las variables. Miremos algunas de las curvas de
respuestas ms usadas.

6.1 Regresin lineal

Podemos ver esto con un ejemplo prctico. Un ganadero est interesado en

determinar el peso de sus toretes a partir del peso de sus padres. Mediante de
un anlisis de regresin si existe una relacin significativa entre las dos
variables y expresar, por medio de una ecuacin, la relacin entre el peso de la
cra y el peso de su padre. Esta ecuacin permitir predecir cul sera el peso
de la cra para determinado peso del padre. A continuacin los datos con las
mediciones.

PESO DEL PADRE PESO DE LA CRIA

(Xi) (Yi)

456.31 433.63
496.68 415.49
461.76 428.19
466.75 469.92
458.58 478.09
455.41 418.67
455.86 425.47
509.84 454.95
435.90 407.78
475.36 426.83
4672.45 4359.02

24
Copiamos esta tabla y la pegamos incluyendo los nombres de las columnas en
una tabla nueva en INFOSTAT. Vamos a Anlisis y seleccionamos regresin
lineal. Asignamos como Variable dependiente a peso de cra y Variable
regresora o independiente a peso del padre. La salida en este anlisis genera
tres ventanas: una sobre anlisis de varianza de la regresin, la segunda un
grafico representado la regresin en un plano x, y, la tercera es una ventana
de herramientas para mejorar la calidad del grfico al gusto del investigador.
Las tres ventanas se muestran en la siguiente imagen.

25
Observando la ventana de anlisis de varianza podemos afirmar que la ecuacin
de regresin lineal explica claramente la relacin entre el peso del padre y el
peso de la cra. El coeficiente de correlacin de Pearson (R) es igual a la raz
cuadrada del coeficiente de determinacin (R= R 2). Por tanto el Coeficiente
de correlacin de Pearson es R= 1, lo que significa que el 100 % de los cambios
del peso de la cra son explicados por un cambio en el peso del padre.
Por otra parte podemos observar el modelo de regresin lineal es significativo
para esta relacin lineal con un nivel de confianza de 95%. La regresin lineal
se define con la ecuacin
y = a + b X.
y = Peso de la cra
a = Intercepto
b = Coeficiente de regresin lineal del volumen
x = Peso del padre

Considerando el valor estimado de los parmetros y su significancia en el

resultado del anlisis de varianza, el modelo de regresin lineal quedara
expresado de la siguiente manera:

Peso de la cra = 0.15 + 0.93 * Peso del padre

7. Grficos en INFOSTAT

Una de las cosas importantes que se debe recordar es la frase trillada pero
muy cierta es que un Un grfico dice ms que mil palabras. Para el diseo de
los grficos, INFOSTAT posee herramientas suficientes y necesarias para
generar grficos de excelente calidad que pueden ayudar a mejorar la calidad
de presentacin de los datos de sus investigaciones.

A continuacin generaremos un grfico en base a datos facilitados por

estudiantes. La investigacin est basada en estudio del efecto de diferentes
proporciones de Nitrgeno Azufre, sobre la ganancia de peso de novillos en
kg/animal. Podemos observar la tabla de datos a continuacin:

Rep. Tratamiento 3D 6D 9D 12D 15D 18D 21D 24D 27D 30D

1 Nit/Azu10:1 11 11.4 11 11.5 11.1 10.8 11.2 11.3 11.1 11.6

26
 2 Nit/Azu10:1 10 10.7 11.1 11.7 10.9 11.5 11.3 11.5 11.4 11.3
3 Nit/Azu10:1 10.5 10.8 11 11.3 11.1 11.4 11.1 11.3 11.6 11.2
4 Nit/Azu10:1 11.2 11.4 11.3 11.1 11.5 11.5 11.2 11.6 11.3 11.4
1 Nit/Azu15:1 12.8 13 12.8 12.6 12.8 13.1 13 13.1 13 12.9
2 Nit/Azu15:1 13 12.6 12.6 12.9 13 13.1 13.2 13 12.8 13.1
3 Nit/Azu15:1 12.8 12.9 12.9 13.2 13.1 13.2 12.9 13 12.7 12.9
4 Nit/Azu15:1 12.7 13.1 13 13.1 12.9 13 12.8 13.2 12.9 12.7
1 Nit/Azu20:1 12 12.8 12.1 12.4 12.3 12.8 12.8 12.5 12.4 12.2
2 Nit/Azu20:1 12.6 12.3 12.9 12.4 12.1 12.9 12.7 12.9 11.9 12.1
3 Nit/Azu20:1 12.1 12.7 12.8 12 12.5 12.3 12.4 12.8 12.3 12.1
4 Nit/Azu20:1 12.3 12.5 12.7 12.9 12.4 12 12.7 12.3 12.1 11.9
1 Mel/urea 11 11.2 9.9 10.3 10.3 10.7 11.1 11.2 11.3 11.6
2 Mel/urea 11.5 11.4 10.6 10.8 11 11.2 12.1 11.8 11.4 11
3 Mel/urea 11.2 10.5 11.2 11.4 11.1 11 11.7 11.4 11.7 11.3
4 Mel/urea 11.1 11 10.7 11 10.9 11.3 11.6 11.3 11.4 11.9
1 Test/pasto 12 11.8 11.4 11.2 11 11.3 12 11.3 11.1 11.5
2 Test/pasto 11.1 11 11.3 10.8 10.9 11.5 11.2 11.4 11.2 11.7
3 Test/pasto 11.4 11.7 11.1 11 10.7 11.6 11 11.5 11.3 11.6
4 Test/pasto 11.7 11.9 11.4 11.3 11 11 11.7 11.7 11.9 11.5

A continuacin seleccionamos la tabla generada en Excel y la pegamos

incluyendo nombre de las columnas en una tabla nueva en INFOSTAT.
Posteriormente seleccionamos de la barra de herramientas la opcin Grficos;
y damos clic en el tipo de grfico llamado Diagrama de perfiles multivariados.
Se desplegar una ventana donde nos pregunta el tipo de variable a graficar y
los perfiles u opciones de clasificacin de las variables a graficar. Para este
caso seleccionamos todas las columnas que representan los periodos que se
tomo los datos como Variables y seleccionamos a tratamiento como los Perfiles
que queremos clasificar los datos a como se muestra en la siguiente figura.

27
Con estas indicaciones el grfico generado ser el siguiente:

28
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
n Estudiantil Versin Estudiantil Versin Estudiantil TtuloEstudiantil
Versin Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
13.11
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
12.47
E s c a la c o m n

n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil

Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
11.83
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
11.19
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
n Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
10.55
n Estudiantil Versin Estudiantil 3D
Versin
6D Estudiantil
9D 12D 15DVersin
18D Estudiantil
21D 24D Versin
27D Estudiantil
30D
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil

Una vez obtenido el grfico, es importante darle mayor calidad a estos y se

puede hacer con el uso de las Herramientas grficas que ofrece el programa
INFOSTAT.

29
30