ASIGNATURA:

ESTADISTICA.

TEMA:

PARCELAS DIVIDIDAS

INTEGRANTES:

 GUERRERO GARCIA NATALY JULIETTE.

 MOREIRA SABANDO CRISTIAN ANDRES.
.
DOCENTE:

ING. EDISON GRECO LAVAYEN DELGADO.

CURSO:

3ero. SEMESTRE “B”

PERIODO ACADEMICO:

2018 (1).

1
05-2623-740 ext 181 / 05-2613-453
Av. Circunvalación Vía a San Mateo
www.uleam.edu.ec

2
 TEMA:

PARCELAS DIVIDIDAS

3
 I. INDICE

CONTENIDO
I. INDICE................................................................................................................................ 4

II. ANTECEDENTES ............................................................................................................. 5

III. OBJETIVOS .................................................................................................................... 7

3.1 OBJETIVO GENERAL .................................................................................................... 7

3.2 OBJETIVOS ESPECÍFICOS ............................................................................................ 7

IV. INTRODUCCION ......................................................................................................... 8

V. MARCO TEORICO........................................................................................................... 9

5.1 PRINCIPIOS BASICOS DE LAS PARCELAS DIVIDAS ............................................ 9

5.2 CUANDO SE PUEDE USAR EL DISEÑO EN PARCELAS DIVIDIDAS. ............. 13

5.3 ALEATORIZACIÓN ..................................................................................................... 15

5.4 MODELO ADITIVO LINEAL ..................................................................................... 15

5.5 ANÁLISIS ESTADÍSTICO............................................................................................ 17

5.6 DISEÑOS DE BLOQUES DIVIDIDOS........................................................................ 19

5.7 CARACTERÍSTICAS DEL DISEÑO ........................................................................... 20

5.8 RANDOMIZACIÓN ................................................................................................ 20

5.9 ERROR(A) Y ERROR(B) ............................................................................................... 21

5.10 APLICACIONES ......................................................................................................... 21

VI. METODOLOGIA ........................................................................................................ 22

VII. DISCUSION ................................................................................................................. 29

VIII. CONCLUSIONES ....................................................................................................... 30

IX. RECOMENDACIÓN .................................................................................................. 31

X. BIBLIOGRAFIA .............................................................................................................. 32

XI. ANEXOS ....................................................................................................................... 35

4
 II. ANTECEDENTES

El diseño de parcelas divididas (split-plot) tiene su origen en aplicaciones en

Agricultura, donde las parcelas grandes generalmente eran grandes áreas y las
parcelas pequeñas áreas pequeñas dentro de las grandes, y a cada una de los
dos tamaños de parcela le corresponde un tratamiento. Por ejemplo, ciertas
variedades de cultivo se podían sembrar en áreas diferentes (parcelas grandes),
una variedad en cada parcela. Luego cada área se divide en k parcelas
pequeñas y cada una de estas puede ser tratada con un tipo de fertilizante
diferente. La variedad del cultivo es el tratamiento de la parcela grande y el
fertilizante el de la parcela pequeña (Canavos, G.C., 1996).

En general, el diseño de parcelas divididas se utiliza cuando algunos factores

requieren u.e. grandes, mientras que otros factores las requieren más pequeñas.
Alternativamente, algunas veces encontramos que la aleatorización completa no
es factible porque es más difícil cambiar los niveles de algunos factores, por lo
que los factores difíciles van a las parcelas grandes, mientras que los fáciles van
a las pequeñas. Ejemplo de hornos y recetas de pastel (Cochran, W.G., Cox,
G.M. , 1998).

La clave para construir los modelos de los diseños de parcelas divididas es

identificar los diferentes tamaños de las unidades experimentales e identificar
sus correspondientes estructuras de diseño y de tratamientos. Las suposiciones
de los modelos de parcelas divididas son las usuales, en el sentido de que los
términos de error para cada una de los tamaños de ue se distribuyen
independientemente como normales con media cero y una varianza propia (
Dyke, G, 1997. ).

La estructura de la obra se ha basado en los más de 25 años de impartición de

una asignatura en los cursos de doctorado, y actualmente en los másteres, en la
Escuela Técnica Superior de Ingenieros Agrónomos y de Ingenieros de Montes
de la Universidad de Córdoba, que en los últimos años se ha denominado
“Métodos Experimentales en Agronomía” (Federer, W.T., 2001). A lo largo de
estos años se ha ido diseñando el perfil de esta materia y ajustándola a las

5
necesidades reales de los alumnos, hasta llegar a la estructura que se recoge
en esta publicación. En este momento, es justo mencionar la labor pionera del
Profesor Luis Rallo Romero, que inició la impartición de esta asignatura con el
afán altruista de ofrecer a sus alumnos una formación básica, de la que carecían,
para la realización de sus trabajos experimentales (Federer, W.T. and
Ragavarao, D.,, 2012). La perseverancia en el mantenimiento de la asignatura,
acompañada por la buena aceptación por parte del alumnado y el consiguiente
éxito en la matriculación, hizo que otros profesores nos integrásemos en las
enseñanzas y mantuviéramos vigente el objetivo con el que el Profesor Rallo la
concibió ( Fleckinger, J, 2003).

En la actualidad existen magníficos libros sobre diseños de experimentos y

análisis de datos, pero no suelen despejar las dificultades aludidas al principio,
al menos en la experiencia que tienen los autores de esta publicación tras
muchos años de dedicación a la docencia, a la investigación y a la formación de
personal (Gates, C.E., 2010). A ello hay que añadir que esos libros, por lo
general, solo tratan de aspectos estadísticos, fundamentales para el diseño de
los experimentos y el análisis de datos, pero hay aspectos de la experimentación
agrícola que escapan del ámbito matemático, como la definición de los objetivos,
la selección de los tratamientos, la toma de datos o la interpretación y
presentación de los resultados. Estos aspectos han sido incluidos en este texto
como complemento al componente estadístico (SANTACRU D, 2007).

El diseño recibe el nombre de parcelas divididas (DPD) ya que generalmente se

asocia uno de los factores a unidades experimentales de mayor tamaño (parcela
principal) y dentro de cada parcela principal se identifican “subparcelas” o
parcelas de menor tamaño sobre las cuales se asigna al azar el segundo factor.
Las parcelas pueden ser dispuestas en cualquier tipo de delineamiento, así entre
otros, se puede tener un diseño de parcelas divididas con estructura de parcelas
completamente aleatorizadas o un diseño de parcelas divididas con estructura
de parcelas en bloques al azar, o en cuadrado latino (Gilligan, C.A.,, 2011)

6
 III. OBJETIVOS

3.1 OBJETIVO GENERAL

Conocer mediante información precisa y concisa acerca las parcelas divididas.

3.2 OBJETIVOS ESPECÍFICOS

 Obtener información de fuentes recientes acerca de estudios estadísticos

y matemáticos.
 Reconocer las principales formulas a utilizar en las parcelas divididas.
 Practicar y realizar ejercicios como base de conocimientos matemáticos
basándose en la teoría.

7
 IV. INTRODUCCION
El tema de diseño de parcelas dividas suele constituirse en un requisito
académico dentro de los programas de estudios universitarios a nivel de
pregrado y, en algunas oportunidades, de postgrado, en profesiones
relacionadas con áreas agropecuarias, forestales o ambientales. Sin embargo,
la estrategia utilizada para resaltar su valoración e importancia en la formación
profesional integral de las personas dedicadas al estudio de estas temáticas,
generalmente carece de elementos motivacionales y aclaratorios suficientes
para que estas personas (estudiantes) puedan entender su concepto, conocer
sus modelos y aplicar sus fundamentos, de tal manera que su alcance trascienda
el marco puramente curricular.

Lo anterior ha conducido a que el diseño experimental se entienda como una

temática de dominio casi exclusivo de especialistas, a quienes se considera es
necesario y obligatorio recurrir cuando se enfrenten situaciones que exijan la
utilización mecánica de ciertos métodos de trabajo en experimentación de campo
o laboratorio. Esta posición puntual se encuentra en contraposición con la
naturaleza y el propósito del diseño de experimentos, en razón a que, si bien
para su comprensión, aplicación e interpretación se requiere del manejo de
ciertas técnicas y conceptos de carácter estadístico, esto no necesariamente se
debe localizar fuera del dominio individual y colectivo de profesionales
pertenecientes a la órbita de utilización de esta temática de trabajo.

La cercanía conceptual y operativa con la teoría fundamental de diseño

experimental es esencial para incorporar, de manera creciente, a estudiantes,
profesores, investigadores y grupos de investigadores y de académicos, en el
estudio y utilización eficiente de este tema, de tal manera que se logre una
consolidación y unificación de sus bases conceptuales, de las posibilidades u
opciones de diseño para cada situación específica, y de las diferentes maneras
posibles de analizar e interpretar los resultados obtenidos, así como de los
requerimientos en aspectos de estadística para abordar su aplicación. Por lo
tanto, se considera que previo al inicio del tema de diseño experimental, es
conveniente recalcar y unificar algunos conceptos básicos de estadística.

8
 V. MARCO TEORICO

5.1 PRINCIPIOS BASICOS DE LAS PARCELAS DIVIDAS

La estadística tiene como propósito fundamental generar modelos matemáticos
para este tipo de experimentos, donde el azar y la probabilidad están presentes.
Con base en los modelos matemáticos, el investigador puede realizar la
inferencia sobre el experimento aleatorio efectuado. Los experimentos se dividen
en tres categorías: básicos, críticos y demostrativos (Badii, M.H., J. Castillo, K.
Cortez & H. Quiroz. , 2007). En los experimentos básicos, también conocidos
como exploratorios, se prueba un gran número de tratamientos como base para
futuros trabajos de investigación; estos experimentos además son utilizados para
obtener nuevos conocimientos, a partir de los cuales se desarrolla la
investigación aplicada. En los experimentos críticos, basados en experimentos
básicos o exploratorios, se compara la respuesta de diferentes tratamientos
utilizando un mayor número de repeticiones bajo condiciones controladas. Se
utilizan para generar nuevos insumos, bienes o servicios, lo que permite la
incorporación de tecnologías y de prácticas adecuadas en diferentes sistemas
de producción (H. Badii & J. Castillo (eds.). , 2001). Como este tipo de
experimentos se deben realizar bajo condiciones controladas, es recomendable
que se ejecuten en los centros de investigación y no en predios de productores,
debido a que bajo estas condiciones (predios de productores) el seguimiento y
manejo de los mismos resulta más complicado (Gilligan, C.A.,, 2011).

Los experimentos demostrativos están más orientados a la fase de ajuste de los

tratamientos a condiciones locales y a la realización de actividades de
transferencia de resultados. Buscan comparar o mostrar el comportamiento de
uno o más tratamientos nuevos, contra un patrón que, generalmente, representa
las prácticas locales o regionales (testigo) ( J. Castillo, J. Rositas & G. Alarcón.,
2009). Estos experimentos se desarrollan con agentes de extensión o con los
mismos productores. En ellos se compara lo obtenido mediante experimentos
críticos realizados en los centros de investigación, con un estándar regional de
amplio uso. Este tipo de experimentos permite adecuar la tecnología generada

9
mediante la experimentación crítica, a los sistemas de producción local
(Rodríguez E, 1989).

Este es un diseño experimental combinado que resulta útil cuando al estudiar

simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados
sobre unidades experimentales relativamente grandes, pudiéndose aplicar el
otro o los otros en unidades experimentales menores, dentro de las unidades
mayores. El caso más sencillo es aquél en el que se tienen sólo dos factores,
asignando los niveles de uno de ellos a las unidades mayores y los niveles del
otro a las subunidades (Kepner, J.L. & D. H. Robinson, 1, 2008). A las unidades
experimentales mayores suele llamárseles parcelas grandes o parcelas
principales y a las unidades experimentales menores se le llamadas subparcelas
o subunidades. Se debe notar que además de que los niveles de los diferentes
factores son asignados a unidades experimentales de diferentes tamaños, está
implícito también un número diferente de repeticiones. El número de
repeticiones para el factor asignado a las subunidades es r*a, siendo r el número
de repeticiones del factor asignado a las unidades principales y a su número de
niveles (Gilligan, C.A.,, 2011).

El factor correspondiente a las parcelas principales puede asignarse a éstas

utilizando cualquiera de los esquemas de aleatorización básicos:
Completamente al Azar, en Bloques alzar o en Cuadro Latino. El factor
correspondiente a las subparcelas se asigna al azar dentro de cada parcela
principal; en tal sentido (Steel, R.; Torrie, J, 1985), las parcelas principales son
análogas a bloques, solo que por asignarse a éstas los niveles de un efecto fijo
y por existir repeticiones de las mismas, es posible evaluar tanto los efectos
principales del factor asignado a las mismas como su posible interacción con en
el otro factor (Keppel, G., 2007).

En adelante nos concentraremos en el caso más sencillo de un Diseño Parcelas

Divididas, es decir aquél con sólo dos factores. Todos los resultados obtenidos
son generalizables a casos más complejos en los que los tratamientos asignados
a las unidades principales, a las subunidades o a ambas estén conformados a
su vez por las combinaciones de los niveles de dos o más factores (Kirk, R. E. ,

10
1995). Supóngase que se quiere realizar un experimento que involucre dos
factores: el primero con tres niveles y el segundo con dos, así:

Se muestran a continuación posibles esquemas de aleatorización considerando

los diseños más comunes (Parcelas Divididas y otros), suponiendo que ambos
factores tienen igual importancia relativa y que se desean evaluar tanto sus
efectos principales como su posible interacción, es decir, descartando la opción
de tomar alguno de éstos como factor de bloqueo. Para facilitar la ilustración de
los posibles esquemas de aleatorización, se considerarán sólo dos repeticiones,
excepto donde el diseño exige tantas repeticiones como tratamientos (Lance,
2014).

Este tipo de diseños se utiliza frecuentemente en experimentos factoriales

cuando uno de los factores necesita, para ser evaluado, parcelas o unidades
experimentales grandes y el otro factor se puede evaluar sobre unidades más
pequeñas y donde existen restricciones de aleatorización que impiden la
asignación aleatoria de los tratamientos (combinación de factores) a las
unidades experimentales (O’Brien, R. G., & M. Kaiser, , 1997).

Este es un diseño experimental combinado que resulta útil cuando al estudiar

simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados
sobre unidades experimentales relativamente grandes, pudiéndose aplicar el
otro o los otros en unidades experimentales menores, dentro de las unidades
mayores. El caso más sencillo es aquél en el que se tienen sólo dos factores,
asignando los niveles de uno de ellos a las unidades mayores y los niveles del
otro a las subunidades (Maxwell, S. E., 2009).

11
A las unidades experimentales mayores suele llamárseles parcelas grandes o
parcelas principales y a las unidades experimentales menores se le llama
subparcelas o subunidades. Se debe notar que además de que los niveles de
los diferentes factores son asignados a unidades experimentales de diferentes
tamaños, está implícito también un número diferente de repeticiones. El número
de repeticiones para el factor asignado a las subunidades es (ab), siendo a el
número de repeticiones del factor asignado a las unidades principales y a su
número de niveles (Pompa, J., L. Mucina, O. Van Tongeren & E. Van der Maarel.
, 2007). El factor correspondiente a las parcelas principales puede asignarse a
éstas utilizando cualquiera de los esquemas de aleatorización básicos:
Completamente al Azar, en Bloques al Azar o en Cuadro Latino. El factor
correspondiente a las subparcelas se asigna al azar dentro de cada parcela
principal; en tal sentido, las parcelas principales son análogas a bloques, solo
que por asignarse a éstas los niveles de un efecto jo y por existir repeticiones de
las mismas, es posible evaluar tanto los efectos principales del factor asignado
a las mismas como su posible interacción con el otro factor (Ostle, B., , 2009).

En adelante nos concentraremos en el caso más sencillo de un Diseño en

Parcelas Divididas, es decir aquel con sólo dos factores. Todos los resultados
obtenidos son generalizables a casos más complejos en los que los tratamientos
asignados a las unidades principales, a las subunidades o a ambas estén
conformados a su vez por las combinaciones de los niveles de dos o más
factores (Pompa, J., L. Mucina, O. Van Tongeren & E. Van der Maarel. , 2001).
Supóngase que se quiere realizar un experimento que involucre dos factores: el
primero con tres niveles y el segundo con dos, así: El factor B con 3 niveles b1,
b2, b3 y el factor C con 2 niveles c1, c2 respectivamente. Se muestran a
continuación posibles esquemas de aleatorización considerando los diseños
más comunes (Completamente Aleatorizado, Bloques Completamente
Aleatorizados y Cuadrados Latinos), suponiendo que ambos factores tienen igual
importancia relativa y que se desean evaluar tanto sus efectos principales como
su posible interacción, es decir, descartando la opción de tomar alguno de éstos
como factor de bloqueo. Para facilitar la ilustración de los posibles esquemas de
aleatorización, se considerarán sólo dos repeticiones, excepto donde el diseño
exige tantas repeticiones como tratamientos.

12
Es importante aclarar que la igual importancia relativa entre los dos factores a la
que se hace referencia anteriormente tiene que ver básicamente con el hecho
de que ninguno de éstos se tome como factor de bloqueo. Hay que anotar, sin
embargo, que sólo bajo los tres primeros esquemas de aleatorización, los
factores son tratados de la misma manera, es decir que son asignados a
unidades del mismo tamaño y cuentan con el mismo número de repeticiones.
Esta situación es diferente en el Diseño en Parcelas Divididas, pues dado que el
factor asignado a las subparcelas cuenta con mayor número de repeticiones, sus
efectos son estimados con mayor precisión (Ratliff, R. D. & R. D. Pieper. , 2008).

5.2 CUANDO SE PUEDE USAR EL DISEÑO EN PARCELAS

DIVIDIDAS.
Se recomienda el uso del diseño en los siguientes casos:

1. Cuando uno de los factores, por su naturaleza, exige parcelas

relativamente grandes, por ejemplo, sistemas de labranza, de irrigación,

13
 distancias entre surcos, niveles de luz o de temperatura; mientras que el
otro factor permite su aplicación sobre unidades experimentales más
pequeñas como variedades, distancia entre plantas, dosis de fertilizantes,
etc.

2. Cuando los niveles de un factor requieren de gran cantidad de material

experimental por U.E. frente a otros factores. Como ejemplo podemos tener las
siguientes situaciones: uso de riego, métodos de aplicación de fertilizantes, etc.,
serían más factibles usarlos como parcela principal que como subparcela.

3. Cuando se desea incorporar algún factor adicional, y así el alcance de la

investigación sería mayor, como ejemplo de esta situación, si se desea
incorporar ciertos fungicidas, para incrementar el alcance de la investigación se
puede proponer variedades que presenten diversos tipos de resistencia a las
enfermedades. En este caso el uso de variedades como parcela principal daría
más proyección al experimento.

4. Tiene gran utilidad cuando se desea que ciertos factores sean medidos con
mayor precisión que otros, en este caso se elige como subparcelas los factores
que se desea estudiar con mayor precisión.

14
5.3 ALEATORIZACIÓN
La aleatorización se realizará en dos etapas: primero se aleatorizan los niveles
del factor que se asignó a las parcelas principales, luego se aleatorizan los
niveles del factor que se asignó a las subparcelas de cada parcela principal. Es
decir que una vez diseñadas las parcelas se asigna en forma aleatorizada los
niveles del factor que se va a aplicar a las mismas. Luego se divide a cada
parcelas de forma tal de dar cabida a los niveles del segundo factor, los cuales
se aleatorizan en las subparcelas de cada parcela.

5.4 MODELO ADITIVO LINEAL

Yijk  ...  ..k   i  ( )   j  ( )ij  (  )

I = 1,2,…,a j = 1,2,…,b k = 1,2,…,r

Dónde:

Yijk = Valor en el k bloque en la parcela i y la subparcela j.

... = Valor constante similar a la media de la población.

i = efecto del i-ésimo nivel del factor “A”.

 ( ) = Error experimental de parcelas grandes.

i = Efecto del j - ésimo nivel del factor “B”

( )ij = Efecto de la interacción del i- ésimo nivel del factor A con el bloque j-esimo nivel del

factor B.

 (  ) = Error experimental de sub parcelas.

Hipótesis H o : i  0 H o : i  0 H o : ( )ij  0

H a : i  0 H a : i  0 H a : ( )ij  0
1) Diseño Completamente al Azar.

15
 a2b2 a2b1 a1b1 a2b1

a1b1 a1b2 a3b1 a1b2

a3b1 a3b2 a2b2 a3b2

CUADRO DE ANÁLISIS DE VARIANCIA PARA UN DISEÑO DE PARCELAS

DIVIDIDAS CONDUCIDO COMO DISEÑO BLOQUE COMPLETAMENTE AL AZAR

F. de V. Grados Suma de Cuadrados Cuadrados Prueba

de Medios de F
Libertad

A a-1 a SC A CM A
Y 2
i ..
Y 2
CM A  ( a 1)
CM EE ( A)
SC A  i 1
 ...

br abr

E.E(A) (a-1) a n n n
SC( EEA )
 Yi.2k  Y..2k Y 2
..k
Y 2 CM ( EEA )  a ( r 1)
SCEE ( A)  i 1 k 1
 i 1
 i 1
 ...

br ab br abr

B (b-1) b
SCB CM B
Y 2
. j.
Y 2 CM B  ( b 1)
CM EE ( B )
SCB  i 1
 ...

ar abr

(AB) (a-1)(b-1) a b a a
SC CM AB
 Yij2.  Yi..2 Y 2
i ..
Y 2 CM AB  AB
( a 1)( b 1)
CM EE ( B )
SC( AB )  i 1 k 1
 i 1
 i 1
 ...

r br ar abr

E.E(A) a(b-1)(r- SC( EEB )

CM ( EEB )  a ( b 1)( r 1)
1)
SCEE( B )  SCTOTAL  SCPARCELA  SCB  SCAB

16
Total abr-1 a b r
Y...2
SCTOTAL   Yijk2 
i 1 j 1 k 1 abr

Bloques: (r  1)  2

Parcelas Grandes A: ( a  1)  2

(a * r )  1 = Error a: (r  1)( a  1)  4

Nótese que numéricamente el error de la parcela corresponde a la interacción

bloque tratamiento de la parcela, y que el error de la subparcela es la interacción
bloque tratamiento de la subparcela más la interacción triple (bloque x Trat.
parcela x Trat. Subparcela). Algunos autores consideran que el error de la
subparcela solo debe estar formado por la interacción triple, eso se daría si los
bloques interactuarán con los tratamientos de la subparcela, en nuestro caso
consideraremos que dicha interacción no es significativa.

5.5 ANÁLISIS ESTADÍSTICO

Si observamos los cuadros de análisis de varianza (ANOVA) tanto para un DPD

con estructura de parcelas completamente al azar como con estructura de
parcelas en bloques al azar, podemos ver que ambos constan de dos partes, la
primera parte es para el estudio del factor que va en las parcelas y la segunda
para el factor que va en las subparcelas y para la interacción Tratamiento parcela
x Tratamiento subparcela. Como vemos tenemos dos Errores distintos: el Error
referente a las parcelas [E(a)], y el Error correspondiente a las subparcelas
dentro de las parcelas [E(b)] (O’Brien, R. G., & M. Kaiser, , 1997). En general
ocurre que el CME(a) es mayor que el CME(b), por ello los efectos de los
tratamientos testeados en las subparcelas son determinados con mayor
precisión que los efectos de los tratamientos testeados en las parcelas. Nótese
también que el valor de F del tratamiento de la parcela se deduce en base al
E(a), mientras que el valor de F del tratamiento de la subparcela y el de la
interacción se deducen en base al E(b), si es que los factores en estudio son
factores fijos (Díaz, 2002). (Cuadro 1)

17
 Si ambos tratamientos (factores) son aleatorios, deben probarse contra la
interacción. Si solo un factor es aleatorio, el factor fijo debe probarse contra la
interacción. ( Dyke, G, 1997. )La diferencia en el ANOVA de un DPD con
estructura de parcelas completamente al azar con otro con estructura de
parcelas en bloques al azar radica en que el error de las parcelas E(a),
numéricamente es el efecto repeticiones dentro de las parcelas principales y
además tenemos una fuente de variación menos, el Bloque. (Cuadro 2)

CUADRO-1 DE ANÁLISIS DE VARIANCIA PARA UN ARREGLO FACTORIAL DE 2

FACTORES, CONDUCIDO COMO DISEÑO BLOQUE COMPLETAMENTE AL AZAR

F. de V. G.L. Suma de Cuadrados C.M F

(Tratamiento (t-1) a b c

)  Y
i 1 j 1 k 1
2
ijk
Y...2
SCTrat  
r abcr

Factor “A” (a-1) a SC A CMA/Cm

 Yi..2 Y...2
CM A  ( a 1) ee
SC A  i 1

bcr abcr

Factor “B” (b-1) b

SCB CMB/Cm
Y
j 1
2
. j.
Y...2
CM B  ( b 1) ee
SCB  
acr abcr
Factor “C” (c-1) c SCC CMC/Cm
Y 2
.k .
Y 2
CM C  ( c 1)
ee
SCC  k 1
 ...

abr abcr

Interacción (a-1)(b-1) a b
CM AB
AB  X
i 1 j 1
2
ik .
Y 2
SC AB   ...
 SC A  SCB
rc abcr

18
Interacción (a-1)(c-1) a c
CM AC
AC  X 2
ik .
Y 2
SC AC  i 1 k 1
 ...
 SC A  SCC
rb abcr
Interacción (b-1)(c-1) b c
CM BC
BC  X
j 1 k 1
2
. jk .
Y 2
SCBC   ...
 SCB  SCC
ra abcr
Interacción (a-1)(b-
SCABC  SCTRAT  SCA  SCB  SCC  SCAB  SCAC  SCBC CMABC/
1)(c-1)
ABC
CM ABC  ( a 1)( b 1)( c 1)
“ABC” Cmee

Residual abc(r-1)
SCRecidual  SCTOTAL  SCTRAT CM RES

Total abcr-1 a b c r
Y...2
SCTOTAL   Yijkl
2
 -
i 1 j 1 k 1 l 1 abcr

Un aspecto relativamente complicado en los DPD es el que se refiere a la

Comparaciones Múltiples de Medias de Tratamientos por los test de Tukey, de
Duncan, etc. Consideraremos cuatro comparaciones que son los más
importantes: (para el test de Tukey)

5.6 DISEÑOS DE BLOQUES DIVIDIDOS

Es una variante del diseño de parcela dividida con estructura de parcelas en

bloques al azar, en donde los tratamientos de las subparcelas no se distribuyen
aleatoriamente, todo lo contrario, son dispuestos de manera de formar franjas o
fajas perpendiculares a las parcelas, de aquí el nombre de diseños en bloques
divididos (DBD) o en Franjas (DF). Es decir que los dos factores en estudio
presentan restricciones de aleatorización (Melo, López, & Melo, 2007). Solo es
aleatoria la distribución de los niveles de ambos factores en las distintas parcelas
o franjas. (Ver esquema 3). Las subparcelas formadas por la intersección de las
franjas pueden dividirse en franjas más angostas para acomodar un tercer factor.
Este esquema es conveniente en experimentos en los que tanto A (tratamiento
de la parcela) como B (Tratamiento de la subparcela) tienen que ser estudiados
en áreas grandes. En este arreglo hay pérdida de precisión para el estudio de
los efectos de A y B, en provecho de la mayor precisión de los efectos de la
Interacción AB. La información que brinda de los efectos de A y B es menor que

19
la que dan un diseño en Bloques completamente aleatorizados y parcela dividida.
Otra desventaja que presenta es la complejidad de su análisis.

5.7 CARACTERÍSTICAS DEL DISEÑO

El diseño parcelas divididas se puede aplicar en diferentes modelos de experimentos,

pero su mayor utilidad es cuando se seleccionan diferentes localidades para realizar el
experimento, y en casa localidad aplicar un conjunto de tratamientos en cierto número
de repeticiones de unidades experimentales, así se puede comprobar si el
comportamiento de la unidad experimental es el mismo en diferente localidad. En
términos generales, a la localidad se le llama “Parcela Grande (PGr)”, “Parcela Mayor
(PM)”, u otros nombres; para efectos de este capítulo se utiliza el término “Localidad”
(Martínez, G. A. , 1988. ). Dentro de cada localidad se aplican “t” tratamientos en “r”
repeticiones. Normalmente a los tratamientos se le llama “Parcelas chicas (PCh)” o
“Parcelas Menores (Pm)”. Debido a que las localidades no se pueden asignar
aleatoriamente, el error experimental se tiene que calcular por separado. Por ejemplo,
si se selecciona una vaca que está en la localidad 2, se le asigna aleatoriamente el
tratamiento 3, no sería práctico hacer un proceso aleatorio para asignarle otra localidad
(Kuehl, R. O., 2001).

5.8 RANDOMIZACIÓN

La función de la aleatorización se fundamenta en asegurarse que obtengamos

un estimativo válido e insesgado de la población y del error experimental, de las
medias de los tratamientos y de las diferencias entre las mismas (Stihll y Torrie,
1988). La azarización es una de las pocas características del diseño
experimental moderno. La aleatorización generalmente supone el empleo de un
dispositivo de azar, tal como el lanzamiento de una moneda o el uso de tablas
de números aleatorios, o la simple utilización de papelitos extraidos al azar en
los que se inscriben los datos que identifiquen a las repeticiones o bloques y a
los tratamientos (Sneath, P. H. A. & R. R. Sokal. , 1973). Las parcelas inmediatas
tienden a ser correlacionadas, por lo que cualquier parcela o unidad experimental
debe recibir al azar cualquier tratamiento. Los diseños sistémicos en los que los
tratamientos son aplicados en forma sistémica; generalmente subestiman el
error experimental. La randomización es equivalente a un seguro (Cochran y

20
Cox, 1957); es una cautela que se toma contra problemas que pueden o no
logran ocurrir y si ocurren pueden o no logran ser serios (Southwood, 20000).

5.9 Error(a) y Error(b)

El error en parcelas es el Error(a) y el error en subparcelas es el Error(b). El

CM(error(a)) se representa por Ea y el CM(error(b)) por Eb . Por lo general Esa
es superior a Eb , esto se debe a que las observaciones en las subparcelas de
la misma parcela tienden a correlacionarse positivamente. Esa no puede ser
menor que Eb , excepto por el azar y si esto sucede, se puede consideran como
estimadores de σ² una combinación de los dos errores (Spiegel, 1999), así:

El CM(error(a)) representado por Ea , se utiliza para relacionar los Cuadrados

Medios de las fuentes que están a nivel de parcelas y el CM(error(b))
representado por Eb , para relacionar los cuadrados medios de las fuentes que
están a nivel de subparcelas, sólo para el caso de factores fijo. Si los factores
son fijos y al azar, mezcla de ambos, la relación de los cuadrados medios estarán
sujetas a las reglas de las factoriales cuando los factores son fijos y al azar
(Shearer, 1973).

5.10 APLICACIONES

1. Puede usarse cuando los tratamientos relacionados con los niveles de uno o
más factores necesitan mayores cantidades de material experimental en una
unidad experimental que los tratamientos de otros factores (Samuels, M. L., G.
Casella, & G. P. McCabe Interpreting blocks and random factors., 1991).

2. El diseño puede usarse si va a incorporarse en un experimento un factor

adicional para aumentar su alcance.

3. Se puede determinar las diferencias mayores entre los niveles de ciertos

factores que entre los niveles de otros. En este caso, las combinaciones de los

21
tratamientos para los factores pueden asignarse aleatoriamente a las unidades
completas.

4. El diseño se usa cuando se desea mayor precisión para comparaciones entre

ciertos factores, que para otras.

VI. METODOLOGIA

EJERCICIO 1: La Alimentación de alpacas suri y huacaya, el último tercio de la

gestación 14 días antes del parto sobre el peso cría antes del nacimiento. tendrá que
ver con la ganancia en peso de la cría

22
Para esté experimento se tiene los siguientes factores: la raza, ambiente y la
alimentación

Suri (a1)

Factor A: Raza de alpaca:

Huacaya (a2)

Libre (b1)

Factor B: Ambiente

Cobertizo (b2)

Pasto Natural (c1)

Factor C: Alimentación Concentrado proteico (c2)

Maíz molido más leche (c3)

Datos obtenidos:

A a1 a2

B b1 b2 b1 B

C c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3

23
 R1 8.2 7 8.2 7.2 6.8 8.2 6.2 8.2 7.7 8.0 7.1 7.6

R2 8.5 8.2 7.9 6.3 6.2 6.9 8.1 6.5 7.2 7.8 8.9 6.2

R3 8.3 8.0 7.5 6 7.5 8.2 8.6 6.6 7.3 7.6 8.1 6.5

R4 8.2 8.7 7.6 6.5 8.2 7.2 8.5 7.9 7.4 7.2 8.5 6.6

R5 8.6 8.7 7.2 6.6 8.3 7.3 7.0 7 6.5 7.6 7 7.8

R6 8.7 8.2 8.0 6.7 6.5 7.0 7.9 7.5 6.6 8.0 7.2 8.9

Solución:

Y Y...2
2
i ..
SC A( Raza )  i 1

bcr abcr

SCRaza  0.222

Y j 1
2
. j.
Y...2
SCB ( Ambiente )  
acr abcr

SCAmbiente  2.800

Y 2
.k .
Y...2
SCC ( Alimen )  k 1

abr abcr

SCAlim  0.714

a b

 X
i 1 j 1
2
ik .
Y...2
SC AB ( Raza* Ambi )    SC A  SCB
rc abcr

SCRaza*Ambien  6.722

a c

 X 2
ik .
Y...2
SC AC ( Raza* Alime )  i 1 k 1
  SC A  SCC
rb abcr

24
SCRaza* Alim  1.217

b c

 Xj 1 k 1
2
. jk .
Y...2
SC BC ( Ambie*Alime )    SCB  SCC
ra abcr

SCAmbien*Alim  2.742

SCABC( Raza*Ambie*Alime )  SCTRAT  SCA  SCB  SCC  SCAB  SCAC  SCBC

SCRaza* Ambien* Alim  1.612

SCRecidual  SCTOTAL  SCTRAT

SCError  26.217

a b c r
Y...2
SCTOTAL   Yijkl
2

i 1 j 1 k 1 l 1 abcr

SCTotal  42.246

Análisis de variancia para factorial 2x2x3

F. de V. Grados de Suma de Cuadrados Prueba de F
Libertad Cuadrados Medios

Factor “A” RAZA 1 0.222 0.222 0.51

Factor “B” AMBIENTE 1 2.800 2.801 6.41

Factor “C” 2 0.714 0.356 0.82

ALIMENTACION

Interacción AB 1 6.722 6.722 15.38

RAZA*AMBIENTE

Interacción AC 2 1.217 0.608 1.39

RAZA*ALIMENTACION

Interacción BC 2 2.742 1.371 3.14

AMBIENTE*ALIMENTACION

Interacción “ABC” 2 1.612 0.806 1.84

RAZA*AMBIENT*ALIMENT

25
 Residual 60 26.217 0.437

Total 71 42.246

EJERCISIO 2: Considere un fabricante de papel que está interesado en tres métodos

diferentes para preparar la pulpa y en cuatro diferentes temperaturas de cocción. Desea
estudiar el efecto que estos dos factores tienen sobre la resistencia a la tensión del
papel. Cada réplica del experimento factorial requiere 12 observaciones y el
experimentador a decidido utilizar tres réplicas. Sin embargo, en la planta piloto solo se
puede llevar a cabo 12 ensayos diarios por lo que debe realizar una réplica diaria durante
tres días, y considerar los días o las réplicas como bloques. Los datos aparecen en la
siguiente tabla:

Las hipótesis serán:

a. Para el tratamiento principal o parcela completa: método de preparación (factor B) H0

: βj = 0, para todo j = 1, 3 H1 : βj =
̸ 0, para algún j = 1, 3

b. Para el tratamiento de la subparcela: temperatura (factor C) H0 : γk = 0, para todo k

= 1, 4 H1 : γk =
̸ 0, para algún k = 1, 4

c. Para las interacciones entre el método de preparación y la temperatura BC H0 : (βγ)jk

= 0, para todo j = 1, 3, k = 1, 4 H1 : (βγ)jk =
̸ 0, para algún j = 1, 3, k = 1, 4

26
EJERCISIO 3: El dueño de una fábrica de papel está interesado en estudiar el efecto
de tres métodos diferentes de preparar la pulpa y cuatro diferentes temperaturas de
cocinado (horneado) para la pulpa, en la resistencia del papel. El investigador decide
correr tres repeticiones de este experimento factorial, por lo que necesita (3 x 4 x 3) 36
observaciones. Sin embargo, la planta es capaz de hacer solamente 12 corridas por día,
entonces el investigador decide correr un a repetición del factorial completo en cada uno
de los 3 días necesarios y considerar los días o repeticiones como bloques.

El modelo lineal para este diseño en parcelas divididas es:

yijk = µ+τi +βj +(τβ)ij +γk +(τγ)ik +(βγ)jk +(τβγ)ijk +ǫijk

Dónde:

µ es la media general

τi efecto de método de preparación de la pulpa (i = 1, 2, 3)

27
βj efecto del bloque (j = 1, 2, 3)

(τβ)ij error de parcela grande γk efecto de temperatura (k = 1, 2, 3, 4)

(τγ)ik y (βγ)jk interacciones

(τβγ)ijk error de parcela pequeña ǫijk no estimable

28
 VII. DISCUSION

Según Steel y Torrie (1988), un experimento es una búsqueda planeada para

obtener nuevos conocimientos o para confrontar resultados de experimentos
previos. A través de un experimento se somete el objeto de estudio (unidad
experimental) a diferentes estímulos (tratamientos) seleccionados previamente,
controlando algunas condiciones o factores bajo los cuales se realiza dicho
experimento.

De acuerdo con Martínez (2009), Todo experimento termina con un “resultado

final” que no puede predecirse con seguridad sino hasta que el experimento se
realiza, aunque sí se conocen todos los posibles resultados. Este tipo de
experimento, el cual tiene tres propiedades fundamentales (repetición bajo las
mismas condiciones, desconocimiento del “resultado final” y conocimiento de
todos los posibles resultados antes de realizar el experimento), se conoce como
experimento aleatorio.

Martínez (2009) Define como objetivo fundamental de un experimento

agropecuario “obtener información (datos) que resuelva un limitante tecnológico
en una especie animal o vegetal, o dar solución a un interrogante ya planteado
en investigaciones anteriores.”

29
 VIII. CONCLUSIONES

 En este diseño de parcelas divididas, la distribución aleatoria de los

tratamientos se restringe más ampliamente mediante la agrupación de los
mismos, tanto en columnas como en hileras (bloques). Así resulta posible
eliminar la variabilidad del error experimental asociada con ambos
efectos. Cada tratamiento ocurre el mismo número de veces (usualmente
una vez)

 Una característica común de los experimentos en muchas disciplinas es

cuando se repiten estos experimentos, los resultados de los tratamientos
varían de un ensayo al otro. Obviamente, esta variación genera un grado
de incertidumbre con relación a las conclusiones derivados de estos
resultados.

 Esta variación se denomina el error del experimento o el error

experimental cuyo efecto debe distingue de las variaciones debido a la
influencia de los tratamientos. Precisamente, es por estas razones que se
usan los diseños experimentales, es decir, el uso de los diseños
experimentales se debe a la necesidad del determinar la probable
diferencia estadística entre diferentes tratamiento y aparte, buscar
tendencias o patrones derivados de los resultados.

 Hay diseños experimentales estándares que se han usado durante casi

un siglo en diferentes disciplinas científicas, especialmente en el área de
agricultura, biología, psicología sociología, física, etc.

30
IX. RECOMENDACIÓN

 Reconocer los datos de los tratamientos y efectuar una tabla donde se puedan
identificar los tratamientos y las repeticiones.

 Obtener las medias aritméticas de cada tratamiento, ya que estas si no están bien
elaboradas nos efectuaran cambios en los siguientes pasos a realizar.

 Respetar la ley de signos, realizar las operaciones básicas en cualquier despeje de

fórmulas u necesarios

 Efectuar el cuadro de la Adeva y recordar que al tratamiento y repeticiones se les

va a restar 1 ya que Asi obtendremos un mayor grado de confiabilidad de los datos.

 Realizar comparaciones con la tabla proporcionada por el docente y verficar si es

o no es significativo.

31
X. BIBLIOGRAFIA

DYKE, G. ( 1997. ). “HOW TO AVOID BAD STATISTICS”. BRITISH: FIELD

CROPS RESEARCH, 51:165-187.

FLECKINGER, J. (2003). “OBSERVATIONS RECENTES SUR L’ECOLOGIE DU

POMMIER A CIDRE”. CHIAPAS: ANEXOS Y PUBLICACIONES DE
LABORES DE AGRICULTURA.

J. CASTILLO, J. ROSITAS & G. ALARCÓN. (2009). LOS EXPEMENTOS . SAO

PAULO: USO DE UN MÉTODO DE PRONÓSTICO EN.

BADII, M.H., J. CASTILLO, K. CORTEZ & H. QUIROZ. . (2007). PRINCIPIOS

BASICOS DE LA SPRCELAS DIVIDIDAS. MONTERREY: ANÁLISIS DE
CLUSTERS. PP. 15-36.

CANAVOS, G.C. (1996). PROBABILIDAD Y ESTADÍSTICA. APLICACIONES Y

MÉTODOS. MEXICO D.F: MCGRAW-HILL,.

COCHRAN, W.G., COX, G.M. . (1998). LA HISTORIA DE LAS PARCELAS

DIVIDAS. SAO PAULO: EDITORIAL TRILLAS, MÉXICO, 661 PP.

DÍAZ, M. L. (2002). 2002. ESTADÍSTICA MULTIVARIADA: INFERENCIA Y

MÉTODOS. FACULTAD. ESTADÍSTICA MULTIVARIADA: INFERENCIA
Y MÉTODOS. FACULTAD: ESTADÍSTICA MULTIVARIADA:
INFERENCIA Y MÉTODOS. FACULTAD.

FEDERER, W.T. (2001). DEFINICION DE LAS PARCELAS DIVIDAS. LIMA:

“AUGMENTED DESIGN WITH ONE WAY ELIMINATION OF
HETEROGENEITY”. BIOMETRICS,.

FEDERER, W.T. AND RAGAVARAO, D.,. (2012). DEFINICION DEL DISELO

EXPERIMENTAL. FRANCE: FRUIT.

GATES, C.E. (2010). ANTEDENTES DEL MAJAR. MONTERRY: LNSD.

GILLIGAN, C.A.,. (2011). ANTEDECENTES DEL TOMATE COMO MATERIA

PRIMA. JIPIJAPA: UBESUM.

32
H. BADII & J. CASTILLO (EDS.). . (2001). PRINCIPIOS BASICOS DE LAS
PARCELAS DIVIDAS. TIJUANA: TÉCNICAS CUANTITATIVAS EN LA
INVESTIGACIÓN. UANL,.

KEPNER, J.L. & D. H. ROBINSON, 1. (2008). NONPARAMETRIC METHODS

FOR DETECTING TREATMENT EFFECTS. CARACAS: LEOPOLDO
S.A.

KEPPEL, G. (2007). PRODUCCION DE PROCESOS AGROINDUTRIALES.

CARACAS: DESIGN AND ANALYSIS: A RESEARCHER’S HANDBOOK
3RD ED.

KIRK, R. E. . (1995). EXPERIMENTAL DESIGN: . SEVILLA-ESPAÑA:

PROCEDURES FOR THEBEHAVIORAL SCIENCES. 2ND ED.

KUEHL, R. O. (2001). KUEHL, R. O. 2001. DISEÑO DE EXPERIMENTOS.

PRINCIPIOS ESTADÍSTICOS DE DISEÑO. LIMA: DISEÑO DE
EXPERIMENTOS. PRINCIPIOS ESTADÍSTICOS DE DISEÑO.

LANCE, G. N. (2014). A GENRAL THEORY FOR CLASSIFICATORY SORTING

STRATEGIES. 1. SANTIAGO DE CHILE: A GENRAL THEORY FOR
CLASSIFICATORY SORTING STRATEGIES. 1.

MARTÍNEZ, G. A. . (1988. ). DISEÑOS EXPERIMENTALES. MÉTODOS Y

ELEMENTOS DE. QUITO: ECUADOR ES DIGITAL.

MAXWELL, S. E. (2009). PAIRWISE MULTIPLE COMPARISONS IN

REPEATED MEASURES DESIGNS. DISEÑO EXPERIMETAL, 44-45.

MELO, M. O., LÓPEZ, P. L., & MELO, M. S. (2007). DISEÑS DIVIDOS.

MOTEVIDEO: SAN JORGEUE.

O’BRIEN, R. G., & M. KAISER, . (1997). MANOVA METED FOR ANALYZING

REPEATED MEASURES. LA PALTA: THE MECABIZMO.

OSTLE, B., . (2009). DATOS COMPLETAMENTE AL ZAR. QUITO:

ESTADÍSTICA APLICADA, PRIMERA EDICIÓN,.

33
POMPA, J., L. MUCINA, O. VAN TONGEREN & E. VAN DER MAAREL. . (2001).
LAS ESTADISTICAS APLICADAS. MEXICO D.F: SAN LORENZO S.A.

POMPA, J., L. MUCINA, O. VAN TONGEREN & E. VAN DER MAAREL. . (2007).
ON THE DETERMINATION OF. MONTEVIDEO:
PHYTOSOCIOLOGICAL CLASSIFICATIONS. VEGETARIO, 52: 65-75.

RATLIFF, R. D. & R. D. PIEPER. . (2008). ROHLF, F. G. . MEXICO D.F: J., M.H.

BADII, J. CASTILLO & R. FOROUGHBAKHCH. .

RODRÍGUEZ E. (1989). PARCELAS DIVIDAS. PANAMA: A NOTE ON

STRILING’S EXPANSION FOR FACTORIAL N. STATIST. PROB. LETT.
7: 21-22. .

SAMUELS, M. L., G. CASELLA, & G. P. MCCABE INTERPRETING BLOCKS

AND RANDOM FACTORS. (1991). APLICACIONES DE LAS
PARCELAS. MCCABE : ESTADISTICAS ON LINE.

SANTACRU D. (2007). LA DEFINICION DE LAS PARCELAS DIVIDAS. QUITO:

APRENDIJE.

SHEARER, P. R. (1973). FORMULA DEL ERROR. URUGUAY: MISSING DATA

IN QUANTITATIVE DESIGNS. J. ROYAL STATIST. SOC. SER. C.

SNEATH, P. H. A. & R. R. SOKAL. . (1973). NUMERICAL TAXONOMY.

FREEMAN, SAN FRANCISCO. . IBARRAS: ELMUNDO DE LAS
ESTADISTICAS.

SOUTHWOOD, T. R. (20000). SOUTHWOOD, T. R. E. . PORTOVIEJO: THIRD

EDITION. BLACKWELL.

SPIEGEL, M. R. (1999). PROBABILIDAD Y ESTADÍSTICA SERIE SCHAUM, .

CUENCA EL CAJAS: PROBABILIDAD Y ESTADÍSTICA SERIE
SCHAUM, PRIMERA EDICIÓN, EDITORIAL.

STEEL, R.; TORRIE, J. ( 1985). . BIOESTADÍSTICA. PRINCIPIOS Y

PROCEDIMIENTOS. MEXICOD.F: EL MUNDO DE LAS MATEMATICAS.

34
XI. ANEXOS

35
36
37