UNIVERSIDAD NACIONAL DE UCAYALI

FACULTAD DE CIENCIAS AGROPECUARIAS Y AGROINDUSTRIAL

DEPARTAMENTO ACADEMICO DE CIENCIAS PECUARIAS

MANUAL DE ESTADÍSTICA Y DISEÑOS

EXPERIMENTALES PARA INVESTIGACION AGRARIA

ING. ZOOTECNISTA JORGE WASHINTON VELA ALVARADOMSc. Dr.

Pucallpa Perú 2016

1
 CONTENIDO
I Parte Estadística General…………………………………………………………3

Capítulo I. Conceptos Básicos……………….……………………………………4

Capítulo II. Probabilidad y Distribuciones teóricas……………………………………….22

Capítulo III. Introducción a la Experimentación……………………………..……46

II Parte Diseños experimentales…………………………………………………….. .57

Capítulo IV Formulación de Proyectos de Investigación………………………...58

Capítulo V Diseños Experimentales…………………………………..……….… 74

Capítulo VI. Diseño completo al Azar

Capítulo VIIComparaciones múltiples…………………………………………...107

Capítulo VIII. Diseño de Bloques completos al azar

Capitulo IX. DiseñoCuadrado latino

Capítulo X. Arreglos Factoriales…………………………………..……………..111

Capítulo XI.Diseño de Parcelas Divididas……………………………………….132

Capítulo XII. Análisis de Experimentos Repetidos…………………………...139

Capítulo XII Regresión y Correlación Lineal Simple…………………………..147

Capítulo XIII. Pruebas no paramétricos. La Prueba de CHI Cuadrado.

Capítulo XIV. Principales tablas estadísticas

Bibliografía………………………………………………………155

2
 I PARTE
ESTADÍSTICA GENERAL

3
 CAPITULO 1

CONCEPTOS BÁSICOS

1.1 POBLACIÓN, MUESTRA, DEFINICIÓN DE ESTADÍSTICA.

Población y Muestra. Como ingeniero zootecnista especialista en crianza de

ganado lechero, asesor de una empresa ganadera α, debo decidir entre dos razas
de vacas lecheras que se encuentran disponibles en el mercado para su adquisición.
Los precios por vaca de ambas razas son iguales, de modo que la decisión a cuál de
las razas elegir para la compra debe basarse en alguna medida de productividad.
Existiendo varias medidas de productividad y habiendo elegido el rendimiento de
leche/vaca/día de ambas razas, decido comprar la raza de mayor productividad de
leche por vaca/día.

Para tomar esta decisión decido visitar 10 fundos y revisar los registros de ambas
razas, los resultados me indican que la raza Holstein Friesian HF tiene un
rendimiento de 10 litro/vaca/día, mientras que la raza Brown Swiss BS tiene un
rendimiento de 8 litros/vaca/día; finalmente concluyendo que la raza HF tiene una
mayor productividad de leche decido comprar la raza HF.

Ahora nos preguntamos ¿se puede estar completamente seguro que la raza HF
tiene mayor productividad que la raza BS?, la repuesta es no; existe la posibilidad
que la raza HF sea superior a la BS, sin embargo también hay la posibilidad de que
ambas razas fueran de igual productividad, incluso existe la posibilidad de que la
raza BS tenga una mayor productividad que la raza HF, aunque esta última
posibilidad es más remota. Para que nuestra conclusión fuera absolutamente
correcta se debería haber medido los registros de todas las vacas existentes en
todos fundos de la región y no solo los 10 fundos que se midió inicialmente. Medir
todos los registros existentes de la raza HF y BS es una tarea difícil y muchas veces
imposible.

Si se mide el rendimiento de todas las vacas de la raza HF aunque esto es

imposible, obtenemos la llamada población estadística de la raza HF; por lo tanto la
población estadística de la raza HF consta de muchos miles de números, cada una
de las cuales mide el rendimiento de leche de cada vaca; por lo que una población
estadística da información completa y si se dispone de ella, el rendimiento promedio
litros/vaca/día de la raza HF se puede determinar con absoluta certeza.

4
Así mismo la población estadística de la raza BS consta también de una gran
cantidad de números cada uno de los cuales mide el rendimiento de leche/vaca/día.

Las poblaciones estadísticas de ambas razas pueden ser consideradas finitas o

infinitas, si es infinita o finita pero de una población muy grande, resulta imposible
obtener la información completa; por lo que el rendimiento de leche para cada uno
de las razas debe obtenerse a partir de un determinado número de vacas, digamos
50, estas 50 vacas representan una parte o muestra de la población completa, por lo
tanto una muestra es entonces una parte de la población.

Finalmente al comparar los rendimientos de leche/vaca/día de las dos razas la

conclusión deberá basarse solo en la información proporcionada por muestras de
cada raza. Aunque se corre el riesgo que las conclusiones basadas en muestra
siempre tienen una probabilidad de errar, debido a que la muestra puede no ser
representativa de la población de donde se extrajo.

El riesgo de conclusiones incorrectas siempre estará presente a menos que

tengamos la información sobre la población completa; aunque las conclusiones
basadas en muestras se pueden obtener mediante la utilización de métodos y
técnicas estadísticos apropiados. Los conocimientos de estadísticas nos permite
obtener cierta confianza en las conclusiones para los cuales se utiliza ciertas
técnicas como decir por ejemplo que hay una confianza de 0.95 o 0.99 de que la
raza HF tenga una mayor productividad que la raza BS.

Población y muestra. Es importante dejar muy claro con respecto a la distinción

entre una muestra y una población. Una población estadística está constituida por un
conjunto de datos con características medidas o descritas de ciertos objetos o
individuos a los cuales se les considera como las unidades elementales de la
población. Un conjunto de datos es una población si las decisiones y conclusiones
basadas en ella pueden hacerse con mucha seguridad y certeza; además si se
dispone de toda la información de la población completa el riesgo de cometer errores
es imposible. En tanto una muestra es una parte de la población y las conclusiones
basadas en ella siempre tienen una probabilidad de errar.

Definición de estadística. Basado en lo expuesto líneas arriba podemos definir

estadística como la ciencia pura y aplicada que permite al investigador deducir y
evaluar conclusiones a cerca de una población a partir de la información
proporcionada por una muestra; además la estadística trata de teoremas
herramientas, métodos y técnicas para recolectar, seleccionar y clasificar datos;
interpretar y analizar datos, así como la deducción y evaluación de conclusiones y de
su confiabilidad con base a datos muéstrales.

5
1.2 VARIABLES

Las observaciones o mediciones sobre la población constituyen la materia prima con

la cual se trabaja en investigación.

Toda característica medible u observable que posee variabilidad se le conoce como

variable, así por ejemplo, el rendimiento de un cultivo, el rendimiento de leche de
una raza bobina, la altura de un grupo de planta, el color de la piel de un animal. En
resumen una variable es una característica o atributo con respecto a la cual los
elementos de una población difieren de alguna forma.

A las variables se les denomina por las últimas letras mayúsculas del abecedario: X,
Y, Z y con la misma letra minúscula se hacen referencia a un valor en particular
observable en un elemento de la población, el que se suele llamar dato. Así por
ejemplo si X mayúscula representa una variedad de un determinado cultivo, x
minúscula representará los kilogramos cosechados en un campo, siendo
representado por un sub índice para hacer referencia a un valor en particular. Si
tenemos cinco campos de maíz y medimos el rendimiento de cada uno de ellos, el
rendimiento del campo número 5 se representaría por x5, lo que representa a los
kilogramos cosechados en ese campo. Esta anotación se suele generalizar
utilizando como sub índice letras minúsculas como i, j, k en adelante y luego
indicando los posibles valores que puede adoptar el sub índice para establecer
cuantos datos de considera en el problema.

Ejemplo: en la cuenca lechera de Pucallpa durante el año 2015 se registraron el

rendimiento de la producción de leche de 10 vacas de un fundo cualquiera, en donde
X mayúscula hace referencia al rendimiento de la producción de leche diaria en el
año 2015 y xi representa al rendimiento registrado para cada vaca, en este caso i
minúscula es igual a 1,…,10. En particular x3 denotara el valor del rendimiento de la
producción de leche diaria de la vaca número 3 en el año 2015, si el rendimiento fue
de 5 litros x3 se representara como x3 = 5. De esta manera se indica el rendimiento
de leche de cualquier vaca en particular. Por lo general para denotar un conjunto de
n observaciones, se puede utilizar x1, x2,…, xn: donde xn representa al último término
de la serie de datos; en el caso del ejemplo del rendimiento de la producción de
leche n=10.

Las variables además tienen una unidad de medida a las cuales se les conoce como
dominio de la variable; en este caso la variable rendimiento de leche, su unidad de
medida sería “litros de leche /vaca/día”

Variable X = Rendimiento de leche de 10 vacas

x1 = 10 l/vaca/día
x2 = 8 l/vaca/día
x3 = 5 l/vaca/día

6
x4 = 7 l/vaca/día
x5 = 8 l/vaca/día
x6 = 10 l/vaca/día
x7 = 9 l/vaca/día
x8 = 8 l/vaca/día
X9 = 9 l/vaca/día
X10 = 10 l/vaca/día

1.2.1 Tipos de variables Corregido al 27032017

Las variables se clasifican como: Variables Cualitativas y Variables Cuantitativas; las
variables cuantitativas se sub dividen en Variables Continuas y Variables Discretas:

Variables Cualitativas. Son aquellas variables para las cuales no es posible hacer
mediciones numéricas, por lo que solamente se pueden clasificar o enumerar, se les
conoce también como atributos, siendo la diferencia entre ellas de clase. Así por
ejemplo la raza de una especie animal, la variedad de un cultivo, el color de piel de
una vaca, el color de ojos de una persona. Esta variable se hace una observación
cuando se le asigna a un individuo una o varias categorías mutuamente excluyentes,
así por ejemplo al lanzar una moneda al aire, el posible resultado cara o sello lo
podemos asignar un valor a cara=1 y a sello=0; o en el caso de hacer la prueba de
degustación de una alimento con la variable X=sabor los resultados posibles de
agradable, no agradable, indiferente, se puede asignar los valores 1,2 y 3.

Las variables cualitativas se dividen en Nominales cuando adoptan valores que no

se pueden ordenar como el color de ojos que pueden ser “negros”, “pardos”,
“celestes”; y Ordinales cuando adquieren valores que se pueden ordenar de acuerdo
a una escala como la presencia de una plaga puede ser “alta”, “moderada”, “sin
presencia”

Variables Cuantitativas. Son aquellas para las cuales las observaciones resultantes
se pueden medirse o cuantificarse porque poseen un orden o rango natural, su
diferencia es de grado, como por ejemplo el peso de un animal, la altura de una
planta, el rendimiento de un cultivo, distancia recorrido por un carro de un lugar a
otro, tiempo que demora en llegar un avión de un lugar a otro, número de sellos que
aparecen cuando se lanzan 5 monedas, número de animales en un potrero, número
de plantas de una determinada especie en un bosque, número de peces en un
estanque. Además este tipo de variable se pueden sub dividirse en dos grupos:
Continuas y Discretas

Variables Cuantitativas Continuas, son aquellas variables que se pueden asignar

cualquier valor dentro de cierto intervalo, por ejemplo el peso de un animal, la altura
de una planta, el rendimiento de un cultivo. La altura de la planta puede medirse con
una aproximación de 1cm hasta 20 o 30m, siendo la única limitación el tipo de
instrumento de medida utilizado para obtener los valores de esta variable; en otras

7
 palabras existe una cantidad infinita de posibles valores para los resultados de la
variable.

Variables Cuantitativas Discretas, son aquellas variables para lo cual los valores
posibles no se pueden observar en una escala continua, debido a la existencia de
espacio entre estos posibles valores. En muchos casos las observaciones discretas
son enteros porque provienen de conteos, por ejemplo el número de semillas
germinadas en una bandeja en una prueba de germinación, el número de frutos de
una árbol o el número de colonias de microorganismos de plantas enfermas, el
número de insectos atrapados en una red, o el número de familias residentes en una
manzana de una ciudad.

Variables Categóricas, se llaman variables categóricas aquellas cuya escala de

medida es un conjunto de categorías. Se pueden distinguir: categorías nominales
como el caso de sexo, color de la piel, la orientación de los vientos este, oeste, norte
y sur.

Categorías ordinales, como el grado de ataque de una enfermedad que puede ser
“alto, medio o bajo”.

Es importante indicar que las variables continuas se pueden “discretizar”, así por
ejemplo tomando intervalos y de esta manera ser tratada como discretas o cuando
una variable discreta asume una gran variedad de valores, como puede ser el caso
de contar el número de hormigas en un hormiguero o el número de caras o sellos al
lanzar una moneda mil veces.

1.3 MUESTREO AL AZAR

Muestreo al azar o muestreo aleatorio simple, es el método de seleccionar un

conjunto de elementos de una población conocida como muestra de término n de
una población de tamaño N de tal forma que cada uno de los elementos tenga la
misma oportunidad de ser elegida. Para tomar una muestra aleatoria es necesario
utilizar un proceso mecánico (en la literatura existe tablas de números aleatorios o
también se puede elaborar una tabla semejante utilizando un programa de
computación), en todos los casos para obtener una muestra aleatoria es necesario
enumerar las unidades de la población de 1 hasta N, y posteriormente se extrae de
una muestra una serie de n números aleatorios seleccionados entre 1 y N. Las
unidades cuya numeración coinciden con la serie de números seleccionados
conformar la muestra aleatoria.

En la práctica se puede utilizar procedimientos aleatorios equivalentes al uso de una

tabla de números aleatorios como lo muestra Stell / Torrie, tabla a.1.(1985); o
también algunos métodos mecánicos como el siguiente caso: Supongamos que

8
 quisiéramos seleccionar una muestra aleatoria de 10 observaciones de una
población de 100 vacas con su respectivo rendimiento de producción de leche, en
este caso se enumera a cada una de las vacas del 1 hasta 100, luego cada uno de
estos números se escribe en una balota, utilizando una bolsa se introduce las 100
balotas y se pueden realizar el muestreo de dos maneras: la primera con reemplazo
en donde las balotas extraídas regresan nuevamente a las bolsas y sin reemplazo
cuando las balotas extraídas no se introducen nuevamente en las bolsas, de esta
manera las 10 balotas extraídas con el numero respectivo de cada vaca conformaran
la muestra aleatoria de n=10.

1.4 MEDIDAS de TENDENCIA CENTRAL Y DISPERSIÓN

1.4.1 Medidas de Tendencia Central.

Las principales medidas de tendencia central son las siguientes:

 La Media, o Promedio Aritmético Simple.

 La Media, o Promedio Aritmético Ponderado.
 El Promedio Geométrico.
 El Promedio Armónico.
 La Mediana.
 La Moda.
 Cuartiles, Deciles, percentiles.

Los cuatro primeros promedios son promedios matemáticos debido a que son
susceptibles de operaciones algebraicas, mientras que las últimas: la mediana, la
moda, cuartiles, deciles y percentiles son promedios no matemáticos.

 La Media o Promedio Aritmético Simple.

Se obtiene dividiendo la suma de todas las variantes en la población entre número

de ellos, es el número más representativo de la serie y podemos indicar que es el
punto de equilibrio ó el centro de gravedad de la población.

La media de la población se representa con la letra µ; generalmente la media

poblacional no es posible calcularlo, salvo que se tenga todos los datos de la
población y se calcula utilizando la siguiente fórmula:
𝐧
∑𝐗 𝐢 𝐗 𝟏 + 𝐗 𝟐 + 𝐗 𝟑 + ⋯ + 𝐗 𝐍
𝛍 = = 𝐝𝐨𝐧𝐝𝐞 𝐗 𝐢 = 𝟏 … . . 𝐧
𝑵 𝐍

La media de la muestra se representa por 𝑥̅ y se calcula utilizando la siguiente

fórmula:
9
 𝐧 𝐗𝟏 + 𝐗𝟐 + 𝐗𝟑 + ⋯ + 𝐗𝐍
𝛍 = ∑𝐗 𝐢 = 𝐝𝐨𝐧𝐝𝐞 𝐗 𝐢 = 𝟏 … . . 𝐧
𝟏 𝐍

Ejemplo: se ha evaluado la altura de 10 árboles de caoba encontrándose los

siguientes valores. Calcular la media aritmética simple.
X1 = 25 m
X2 = 20 m
X3 = 26m
X4 = 28m
X5 = 23m
X6 = 26m
X7 = 27m
X8 = 25m
X9 = 24m
X10 = 25m

10 25 + 20 + 26 + 28 + 23 + 26 + 27 + 25 + 24 + 25 249
μ = ∑Xi = = = 24.9 i = 1 … n
10 10
1

Respuesta: el promedio de la altura de los árboles es de 24.9 m.

 La Media o Promedio Aritmético Ponderado.

Se utiliza este promedio cuando existen cantidades que no se pueden promediar sin
considerar su relación con la cantidad de otra variable, con la cual está relacionada.
El ejemplo más común es el promedio ponderado de las notas en una Universidad
en donde cada calificativo de un estudiante está relacionado con el número de
créditos que cada curso tiene; ejemplo si el curso de matemáticas tiene 4 créditos, el
curso de estadística tiene 3 créditos o el curso de redacción técnica 2 créditos, no es
posible utilizar la media aritmética simple porque el calificativo está relacionado con
la otra variable que es el número de créditos asignado a cada curso. La fórmula
utilizada para el cálculo del promedio ponderado es la siguiente:

𝐏𝟏 𝐗 𝟏 + 𝐏𝟐 𝐗 𝟐 + 𝐏𝟑 𝐗 𝟑 +. . . 𝐏𝐧 𝐗 𝐧
̅𝐏 =
𝐗
𝐏𝟏 + 𝐏𝟐 + 𝐏𝟑 +. . . +𝐏𝐧

Ejemplo: un agricultor lleva al mercado 100 racimos de plátano, los primeros 40

racimos los vende a S/.10.00, los siguientes 25 racimos los vende a S/.8.00, los
siguientes 15 racimos a S/. 7.00 y finalmente debido a que se venía la noche los
últimos 20 racimos los remata a S/. 5.00; se desea conocer ¿cuál es el precio
promedio por racimo que vendió el agricultor?.

Si utilizamos el promedio simple el precio promedio por racimo sería S/ 7.50. Si

utilizamos el promedio ponderado el resultado sería el siguiente:

10
 𝟒𝟎(𝟏𝟎) + 𝟐𝟓(𝟖) + 𝟏𝟓(𝟕) + 𝟐𝟎(𝟓)
̅𝐏 =
𝐗 = 𝟖. 𝟎𝟓
𝟒𝟎 + 𝟐𝟓 + 𝟏𝟓 + 𝟐𝟎

El resultado nos indica que el promedio aritmético simple es diferente y menor al

promedio aritmético ponderado, en este caso este promedio sería el más
representativo para esta población.

 El Promedio Geométrico

El promedio geométrico es la raíz enésima del producto de los valores de una serie.
Este promedio es utilizado cuando contamos con datos en la que haya una razón
constante o casi constante entre cada par de datos consecutivos, formando una
progresión geométrica. También es utilizado para promediar razones o proporciones;
así como a valores que adquiere una cantidad de dinero que se incrementa de
acuerdo a un interés compuesto. Para calcular el promedio geométrico se utiliza la
fórmula (1). En algunos casos para simplificar los cálculos se aplica logaritmos de
acuerdo a la fórmula (2). Recuérdese que con logaritmos la multiplicación se
transforma en suma y la raíz cuadrada en división.

̅𝐠 = 𝐧√(𝐗 𝟏 )(𝐗 𝟐 )(𝐗 𝟑 ) … (𝐗 𝐧 )

(𝟏) 𝐗

𝒏
𝐥𝐨𝐠 𝑿𝟏 + 𝐥𝐨𝐠 𝑿𝟐 + ⋯ + 𝐥𝐨𝐠 𝑿𝒏
̅=
(𝟐) 𝐋𝐨𝐠 𝑿 = ∑ 𝒍𝒐𝒈𝑿𝒊
𝒏
𝒊=𝟏

Ejemplo: del año 2010 al 2012 el aumento de venta de madera fue de 15000 a
30000 pies, del 2012 al 2014 la cantidad de venta de madera se incrementó de
30,000 a 124,000, ¿cuál es el incremento promedio de la venta de madera cada dos
años?.

Si utilizamos el promedio aritmético el promedio de la razones de aumento es de

2+8/2=5; según esto cada dos años el incremento de venta de madera se
quintuplicaría, pero esto no es cierto porque si multiplicamos 5 x 15,000 =
75,000pies y 5 x 75,000 = 375,000; por lo tanto estos valores son muy altos, por lo
̅ 𝒈 = 𝟐√𝟐 𝒙 𝟖 = 𝟒.
que el verdadero calculo debería utilizar el promedio geométrico 𝑿
En atención a este promedio tenemos que 4 x 15,000 = 60,000 y 4 x 60,000 =
240,000; por lo tanto como se puede observar este promedio se utiliza cuando se
desea promediar razones o proporciones.

 Promedio Armónico

11
Este promedio es importante para promediar velocidades y otras magnitudes
análogas y es aplicable cuando los datos de la seria siguen una progresión
armónica. Muchas veces también se utiliza cuando cantidades de variables de
mercaderías se ofrecen por la misma cantidad de dinero o viceversa.

Se define como el recíproco del promedio aritmético de los recíprocos de los valores
de la seria. La fórmula para calcular este promedio es la siguiente:
𝒏
̅𝐚 =
𝐗 𝟏 𝟏 𝟏
+ + ⋯+
𝑿𝟏 𝑿𝟐 𝑿𝒏

Ejemplo: se ha comprado 1,200 racimos de plátano a S/ 4.00 el racimo. Se ha

comprado 1,200 racimos de plátano a S/. 8.00 el racimo. De acuerdo a esto el precio
promedio por racimo es de S/ 6.00, sin embargo en la primera compra se han
adquirido 300 racimos y en la segunda compra solamente 150 racimos. Por lo tanto
el promedio por racimo es de 2,400 / 450 = 5.33. Esto sería igual si aplicaríamos el
promedio armónico de acuerdo a la siguiente fórmula:

𝟐 𝟐
̅𝒂=
𝑿 = = 𝟓. 𝟑𝟑
𝟏 𝟏 𝟏𝟐
+
𝟒 𝟖 𝟑𝟐

 La Mediana

Al igual que la media aritmética la mediana se utiliza para describir el promedio de

una variable de la población y es el valor que divide o el valor central de la serie
ordenada de datos en forma ascendente en dos grupos de igual número de valores.
La mediana es el valor central si n es central; y si n es par resulta de dividir los dos
valores centrales; al igual que la media aritmética la mediana no se ve afectado por
valores extremadamente altos o bajos de la población.

Ejemplo: tenemos la serie de rendimiento de 10 campos de maíz toneladas métricas

por hectárea.
3.0, 3.5, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.0, 6.0;
en este caso la mediana sería 4.0+ 4.5/2 = 4.25

 La Moda

Es el valor que aparece con mayor frecuencia en la serie o en la población. Existen

población unimodal, bimodales, trimodales, etc, si la población tiene 1, 2 o 3 modas
respectivamente. Un ejemplo típico de una distribución bimodal es la precipitación
debido a que tiene dos picos elevados de precipitación durante un año calendario.

12
En la serie de datos que presentamos en el ejemplo de la mediana la serie tendría
una distribución unimodal, siendo la moda 6 toneladas.
Veamos el siguiente ejemplo que nos permita aclarar el uso de cada uno de estas
medidas de posición o centralidad.
10 profesores de la Universidad tienen las siguientes características:
Edad (años): 50, 55, 57, 58, 58, 62, 62, 63, 67, 70.
Ingreso anual (soles): 2,000, 3,200, 4,500, 4,500, 5,000, 5,000, 7,000, 10,000,
10,000,10, 000.
Talla de camisa: 30, 30, 32, 32, 32, 32, 32, 34, 34, 36.

La pregunta sería ¿cuál es la edad, ingreso anual y medida de camisa para este
grupo?: la edad promedio queda bien representada por la media aritmética que es
igual a 60.2, esta medida es más utilizado por la mayoría de las personas a
diferencia de la mediana o la moda, además en este caso podemos ver que la moda
sería 58 y 62 y la mediana 60, los valores de las tres medidas son casi iguales.

En el caso de los ingresos mensuales vemos que tres profesores tienen ingresos
mensuales altos lo cual afecta mucho más a la media que a la mediana: la media
sería 6, 120.00, y la mediana 5,000. Siendo la mediana un valor que representa más
a la serie, sería la medida más apropiada para esta seria; por lo tanto la mediana da
el mejor ejemplo en caso de ingresos.

En cuanto al número de camisa ni el promedio ni la mediana nos dan resultados que

en cierto modo carecen de sentido: mediana = 32 y media = 32.4; sin embargo la
moda representa un número efectivo de la camisa de 05 profesores, por la cual es
un promedio mejor para este caso de poblaciones. En otras palabras a una empresa
le interesaría conocer cuál es el número más comprado para que se abastezca de
esta talla de camisa porque es la que más vende.

 Cuartiles, deciles y percentiles

Los cuartiles son tres valores que dividen a la serie ordenada en forma creciente en
cuatro grupos de igual número de términos. El primer valor se denomina primer
cuartil y así sucesivamente.
El número de orden del primer cuartil es igual al número de términos de la serie más
uno dividido entre cuatro y la fórmula es la siguiente:

Primer cuartil Q1 = (1+ n) / 4

Segundo cuartil Q2 = (n+ 1) / 2
Tercer cuartil Q3 = 3(n+1) / 4

Ejemplo: calcular los números que dividen en cuartiles a la siguiente serie:

Altura de plantas: 3, 4, 7, 9, 12, 15, 17, 25, 28, 32, 33, 40
Primer cuartil, número del primer cuartil sería (1+ 12) / 4 = 3º

13
 Segundo cuartil, es (12+1) / 2 = 6º
Tercer cuartil, es 3(12 + 1) / 4= 9º

Los deciles son nueve valores que dividen la población, en forma creciente en 10
grupos de igual número de términos.

Los percentiles son 99 valores que dividen la población ordenada en forma

ascendente en 100 grupos de igual número de términos.
Al igual que los cuartiles, decintiles y percentiles, existen también los quintiles que
son 4 valores que dividen a una serie en 5 grupos de igual número de términos. Esta
medida de centralidad es muy utilizada para medir los niveles de la pobreza en el
índice del desarrollo humano; así por ejemplo el primer quintil de la pobreza es el
grupo de pobladores en extrema pobreza, el segundo quintil son pobladores pobres,
el tercer quintil pobladores de clase media y el cuarto quintil pobladores de riqueza
media y el quinto quintil pobladores de altos ingresos.

1.5 Medidas de dispersión o de variabilidad.

Las medidas de dispersión miden la variabilidad de las variables que componen la
población, entre las principales y más utilizadas son las siguientes:

 La Amplitud, Rango, o Recorrido

 La Variancia o Varianza
 La Desviación Estándar.
 El Coeficiente de Variabilidad.
 La Desviación Estándar de los Promedios o Error Estándar.
 La Desviación Estándar de la Diferencia de Promedios.

A continuación se describen cada uno de ellos:

 La Amplitud, Rango, o Recorrido

Se representa por la letra A mayúscula y/o R mayúscula y se calcula restando la

variante máxima menos la variante mínima. Así por ejemplo en la presente serie que
representa al peso de 10 toretes en kg/animal: 200, 220, 230, 238, 240, 242, 250,
255, 260, 262, el rango o amplitud es: R = 262 – 200 = 62.
El recorrido como medida de dispersión es deficiente ya que considera solo los
valores extremos y no toma en cuenta a los demás valores; puede suceder que dos
poblaciones teniendo igual recorrido una puede ser homogénea y la otra
heterogénea.

 La Variancia

14
Una de las propiedades más importantes de la media aritmética es que la suma de
las desviaciones de cada observación con respecto a media es igual a cero, razón
por la cual es difícil calcular la desviación media o típica de la serie. Para poder
calcular este valor fue necesario elevar al cuadrado la suma de estas desviaciones,
el cual nos da un valor conocido como variancia. Por tal razón la variancia es la
suma de las desviaciones de cada Xi con respecto a la media poblacional o de la
serie, elevado al cuadrado y dividido entre los grados de libertad.

Para calcular el valor de la variancia existen dos fórmulas:

La fórmula de definición

̅ )𝟐
𝚺(𝑿𝒊 − µ
𝝈𝟐 = Variancia de la población.
𝑵

̅ )𝟐
𝚺(𝑿𝒊 − 𝒙
𝒔𝟐 = Variancia de la muestra.
𝒏−𝟏

Fórmula de Trabajo

(𝚺𝒙𝒊 )𝟐
𝚺 𝒙𝒊 𝟐 −
𝝈𝟐 = 𝑵
Variancia de la población
𝑵

(𝚺 𝒙𝒊 )𝟐
𝚺 𝒙𝒊 𝟐 −
𝑺𝟐 = 𝒏
Variancia de la muestra.
𝒏−𝟏

Ejemplo: Se ha medido el grado de acidez (pH) de cinco diferentes suelos,

habiéndose encontrado los siguientes resultados.

Muestra de suelo pH
S1 3.5
S2 4.5
S3 4.0
S4 5.5
S5 5.0

Calculo de la variancia utilizando la fórmula de la definición

Xi (Xi - 𝑥̅ ) (Xi - 𝑥̅ )2
3.5 4.5 – 3.5 = 1.0 1.00
4.5 4.5 – 4.5 = 0.0 0.00

15
 4.0 4.5 – 4.0 = 0.5 0.25
5.5 4.5 – 5.5 = -1.0 1.00
5.0 4.5 – 5.0 = -0.5 0.25
𝑥̅ = 4.5 Σ(Xi - 𝑥̅ ) = 0 Σ(Xi - 𝑥̅ ) = 2.50

𝟐. 𝟓𝟎
𝝈𝟐 = = 𝟎. 𝟔𝟐𝟓
𝟓−𝟏

Calculo de la variancia utilizando la fórmula de trabajo

Xi X2
3.5 12.25
4.5 20.25
4.0 16.00
5.5 30.25
5.0 25.00
Σ x = 22.5 Σ x = 103.75
2

𝑥̅ = 4.5

(𝚺 𝒙𝒊 )𝟐 (𝟐𝟐.𝟓)𝟐
𝚺 𝒙𝒊 𝟐 − 𝟏𝟎𝟑. 𝟕𝟓 − 𝟐. 𝟓
𝒏 𝟓
𝑺𝟐 = = 𝑺𝟐 = = = 𝟎. 𝟔𝟐𝟓
𝒏−𝟏 𝟓−𝟏 𝟒

 La Desviación Estándar

La desviación estándar es una de las medidas de variabilidad más importante de las

variables de la población (muestra), por ser la base de muchos análisis estadísticos;
y se calcula sacando la raíz cuadrada de la variancia por las razones explicadas
líneas arriba. Por lo tanto la fórmula queda definida de la siguiente manera:

𝟐 (𝚺𝒙𝒊 )𝟐

𝝈𝟐 = √𝚺 𝒙𝒊 − 𝑵
𝑵

(𝚺 𝒙𝒊 )𝟐
√𝚺 𝒙𝒊 𝟐 −
𝒏
𝑺𝟐 =
𝒏−𝟏

16
Ejemplo: utilizando los datos del grado de acidez (pH) de cinco diferentes suelos, se
puede calcular la desviación estándar de la siguiente manera:

(𝟐𝟐.𝟓)𝟐
√𝟏𝟎𝟑. 𝟕𝟓 − 𝟓 𝟐. 𝟓
𝑺𝟐 = =√ = √𝟎. 𝟔𝟐𝟓 = 𝟎. 𝟕𝟗
𝟓−𝟏 𝟒

La desviación estándar presenta características muy importantes para el análisis de

la población o muestras, siendo las más importantes las siguientes:

1. La desviación estándar siempre es un valor positivo.

2. Es influenciada por todos los valores de la muestra, diferenciándose del rango
que solo es influenciado por los valores extremos.
3. a). En una curva de distribución normal si levantamos una ordenada a uno y otro
lado de µ a una distancia de + - una desviación estándar (µ ± 1𝜎), el 68.26 % de
los valores de Xi quedan incluidos dentro de estos límites.
b).En una curva de distribución normal si levantamos una ordenada a uno y otro
lado de µ a una distancia de + - dos desviaciones estándar (µ ± 2𝜎), el 95.46 %
de los valores de Xi quedan incluidos dentro de estos límites.
c).En una curva de distribución normal si levantamos una ordenada a uno y otro
lado de µ a una distancia de + - tres desviaciones estándar (µ ± 3𝜎), el 99.73 %
de los valores de Xi quedan incluidos dentro de estos límites.

17
4. Como (µ ± 3𝜎) incluye al 99.7 % de la población en el caso de una distribución
normal resulta que desviación estándar es igual a 1/6 del rango
aproximadamente.
5. Debido a que todos los valores son elevados al cuadrado en el cómputo de la
desviación estándar mayor influencia ejercen los valores extremos que los que
están próximos al promedio.

 El Coeficiente de Variabilidad.

El Coeficiente de Variabilidad es una medida de calidad de los datos colectados en

un estudio, y nos indica en qué medida los valores de xi se alejan del promedio. Por
ejemplo, en un estudio de ganancia de peso de pollos parrilleros utilizando diferentes
raciones en pollos parrilleros se espera que la ganancia de peso al mercado a los 35
días se promedió a los 2kg, el coeficiente de variabilidad no es mayor de 5, ya que
se espera que todos los pollos estén bordeando los 2kg; si algunos individuos
estarían alejados de ± de 2 kg., esto incrementaría el valor de coeficiente de
variabilidad, lo que nos estaría indicado algún problema en la toma de datos o en el
desarrollo del experimento.

Este valor es expresado en término de porcentaje y es independiente de la unidad

de medida en que están expresados los datos, razón por la cual se utiliza para
comparar variabilidades de muestras o poblaciones, cuyo valores están expresados
en diferentes unidades de medidas, por lo que estos valores no son directamente
comparables. La fórmula para calcular el coeficiente de variabilidad es la siguiente.
𝛔
𝑪𝑽 = 𝐱 𝟏𝟎𝟎 (𝐩𝐨𝐛𝐥𝐚𝐜𝐢ó𝐧)
𝛍

𝐬
𝐂𝐕 = 𝐱𝟏𝟎𝟎 (𝐌𝐮𝐞𝐬𝐭𝐫𝐚)
𝐱̅

18
Ejemplo, el coeficiente de variabilidad del grado de acidez del suelo cuyo ejemplo
del caculo de la media y la desviación estándar que se desarrolló líneas arriba sería
el siguiente.

𝟎. 𝟕𝟗
𝑪𝑽 = 𝒙𝟏𝟎𝟎 = 𝟏𝟕. 𝟓𝟓 %
𝟒. 𝟓

De acuerdo a este resultado de cv=17.55, se puede determinar que los valores del
grado de acidez están muy dispersos con respecto al promedio. Generalmente los
cultivos o crianzas que estén manejadas, están en mejoramiento genético, el
coeficiente de variabilidad debe ser menor de 10%, ejemplo pollos parrilleros, maíz
híbrido, razas de ganado como holstein y Brown swiss; de igual manera los cultivos
o crianzas recién incorporadas a la economía que no tienen un manejo agronómico
o mejoramiento genético, las variables de productividad animal o rendimiento del
cultivo, como es el caso de especies silvestres en cautiverio, especies maderables,
especies no maderables, los coeficientes de variabilidad son muy altos.

 La Desviación Estándar de los Promedios o Error Estándar.

De una población finita o infinita es posible sacar millones de muestras diferentes de

tamaños iguales y a cada una con su correspondiente promedio. Los millones de
promedios calculados de las muestras obtenidas de esta población, forman una
distribución de promedios que formarían una curva normal. La curva normal de
distribución de promedios es más homogénea que la curva normal de la población
de donde provienen las muestras, aunque en términos generales los promedios de
las muestras de una población normal se distribuyen de acuerdo a la curva normal.

A la desviación estándar de la distribución de promedios de las muestras de una

población se le denomina desviación estándar de los promedios o simplemente error
estándar y se le representa por el símbolo 𝝈𝒙̅ para la población y 𝒔𝒙̅ para las
muestras.

La población de promedios tiene como promedio el mismo promedio de la población

muestreada; por lo tanto si al promedio de la población de promedios se le
representa por 𝝁𝒙̅ entonces esta es: 𝝁𝒙̅ = µ.

Para calcular la desviación estándar de los promedios se utiliza la siguiente fórmula:

𝝈𝟐 𝑵 − 𝒏 𝝈
𝝈𝒙̅ = √ √ = 𝝈𝒙̅ =
𝒏 𝑵−𝟏 √𝒏

19
Donde sigma es la desviación estándar de la población original; N= al tamaño de la
𝑵−𝒏
población original y n = al tamaño de la muestra; el término √ se denomina
𝑵−𝟏
fracción de muestreo y solo tiene importancia cuando el valor de la muestra es
relativamente grande; por lo tanto y en los casos prácticos de poblaciones grandes y
muestras pequeñas este factor prácticamente se convierte en uno; por lo que
generalmente para calcular 𝝈𝒙̅ , este término no se utiliza, quedando la fórmula:

𝝈
𝝈𝒙̅ =
√𝒏
Como en la práctica 𝝈𝒙̅ no se calcula sino que se estima a través de 𝒔𝒙̅ , la fórmula
para calcular el error estándar de la muestra es:
𝐬
𝐬𝐱̅ =
√𝐧

Ejemplo: si de una población de tamaño N = 100 con µ = 20 y 𝜎 = 2, se extraen diez

muestras de tamaño N = 3, y si a cada una de las muestras le calculamos la media y
la desviación estándar, estas van a conforman una distribución de promedios con su
respectiva media de promedios y su desviación estándar de promedios:

N1 N2 N3 N4 N5 N6 N7 N8 N9 N10

18,22,25 17, 23, 24 18,21,22 19,21,24 25,17,22 19,20,21 18,23,22 19,25,24 18,22,24 19,20,21

21.67 21.33 20.33 21.33 21.3 20.00 21.00 22.67 21.33 20.00

𝛍𝐱̅ = 𝟐𝟏. 𝟏
𝝈 𝟐 𝟐
𝝈𝒙̅ = = 𝝈𝒙̅ = = = 𝟎. 𝟔𝟑
√𝒏 √𝟏𝟎 𝟑. 𝟏𝟔𝟐

 La Desviación Estándar de la Diferencia de Promedios.

La desviación estándar de la diferencia de promedios representada por 𝑺𝒅 ̅ , se

explica de la siguiente manera:
Si partimos de dos poblaciones A y B normalmente distribuidas y a cada uno se
extrae todas las posibles muestras de un tamaño dado y a estas muestras se calcula
su promedio, tendremos dos poblaciones adicionales generadas a partir de la
distribución normal de promedios de las poblaciones A y B. Si a partir de ahí se toma

20
todos los posibles pares de medias y le restamos a ambos tanto de la población A
como de la población B tendremos una quinta población de diferencia de promedios.
La media de las diferencias de los promedios de las poblaciones A y B es igual a la
diferencia entre la media de la población A y la población B, como se demuestra en
la siguiente expresión:

𝛍𝐝̅ = 𝛍𝐱̅ 𝐀 − 𝐱̅ 𝐁 = 𝛍𝐱̅ 𝐀 − 𝛍𝐱̅ 𝐁 ⇒ 𝐒𝐢 𝛍𝐱 𝐀 = 𝛍𝐱 𝐁 𝐞𝐧𝐭𝐨𝐧𝐜𝐞𝐬 𝛍𝐝̅ = 𝟎

La desviación estándar de la diferencia de promedios es muy utilizada para prueba

de hipótesis, en la prueba de t para significación estadística, o en la prueba de
hipótesis para promedio de dos poblaciones utilizando para esto la prueba de F.
Para el cálculo de la desviación estándar de la diferencia de promedios, cualquiera
sea la prueba a utilizar, se presentan cuatro casos.

1. Cuando el tamaño de las muestras son iguales y las variancias son homogéneas

𝒏𝟏 = 𝒏𝟐 𝒚𝒔𝟏 𝟐 = 𝒔𝟐 𝟐

(𝒔𝟐 𝒄𝒐𝒎𝒖𝒏)
𝒔𝒅̅ = √𝟐
𝒏

𝟐
𝒔 𝟏 𝟏 + 𝒔𝟐 𝟐
𝒔 𝒄𝒐𝒎𝒖𝒏 =
𝒏

𝒏𝟏 = 𝒏𝟐 = 𝒏

2. Cuando el tamaño de las muestras son iguales y las variancias son

heterogéneas.

𝒏𝟏 = 𝒏𝟐 𝒚 𝒔𝟏 𝟐 ≠ 𝒔𝟐 𝟐

𝐬𝟏 𝟐 + 𝐬𝟐 𝟐
𝐬𝐝 ̅ = √
𝐧

21
3. Cuando el tamaño de las muestras son diferentes y las variancias son
homogéneas.

𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 = 𝐬𝟐 𝟐

𝐬 𝟐 (𝐜𝐨𝐦𝐮𝐧) 𝐬 𝟐 (𝐜𝐨𝐦𝐮𝐧)
𝐬𝐝 ̅ = √ +
𝐧𝟏 𝐧𝟐

𝟐
𝐬𝟏 𝟐 (𝐧𝟏 ) + 𝐬𝟐 𝟐 (𝐧𝟐 )
𝐬 𝐜𝐨𝐦𝐮𝐧 =
𝐧𝟏 + 𝐧𝟐

4. Cuando el tamaño de las muestras son iguales y la variancia son heterogéneas.

𝒏𝟏 ≠ 𝒏𝟐 𝒚 𝒔 𝟏 𝟐 ≠ 𝒔𝟐 𝟐

𝒔𝟏 𝟐 𝒔 𝟐 𝟐
𝒔𝒅̅ = √ +
𝒏𝟏 𝒏𝟐

22
 CAPITULO 2

PROBABILIDAD Y DISTRIBUCIONES TEÓRICAS

2.1 PROBABILIDAD
La probabilidad es una de las herramientas que utiliza la estadística, tal vez la más
importante, incluso puede decirse que la estadística moderna es una aplicación de la
teoría de la probabilidad.

Un experimento en estadística tiene un sentido mucho más amplio que en física,

química, biología, así por ejemplo el lanzamiento de una moneda, la selección de un
producto, la aprobación de un proyecto, la elección de un candidato o el lanzamiento
de un satélite a marte, todos estos podrían considerarse experimentos estadísticos.

Los experimentos antes mencionados parecen bastante diferentes, sin embargo

todos tienen dos propiedades en común. La primera es que cada experimento tiene
varios resultados posibles que se pueden especificar de ante mano y la segunda en
que estamos inciertos o no conocemos el resultado de cada uno de estos
experimentos. Así por ejemplo al lanzar el satélite a marte sabemos los posibles
resultados que podría definirse por éxito o fracaso, aquí por ejemplo conocemos los
posibles resultados que puede tener éxito si llega a marte y un fracaso si es que no
llega, pero además estamos inciertos de lo que pueda suceder.

2.1.1 Espacio Muestral y Punto Muestral

El espacio muestral viene a ser el conjunto de todos los resultados posibles de un

experimento y es designado por la letra griega Omega Ω. A cada uno de los
elementos del espacio muestral se le conoce como punto muestral, así por ejemplo
si lanzamos una moneda al aire el espacio muestral sería: Ω = {C, S}, y los puntos
muestrales serían Cara y Sello; nótese que el espacio muestral está comprendido
entre dos llaves y los puntos muestrales están separados por una coma.
Análogamente si lanzamos un dado el espacio muestral sería: Ω = {1, 2, 3, 4, 5, 6}, y
los elementos 1, 2, 3, 4, 5, 6 son puntos muestrales.

Otros ejemplos de espacio muestral son los siguientes:

23
a. El lanzamiento de dos dados simultáneamente. En este experimento el espacio
muestral está constituido por 36 elementos, siendo 3,4 el punto muestral que al
lanzar los dos dados simultáneamente resultaría en cada cara los números 3 y 4.

D1/D2 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,7

Ω ={1,1, 1,2, 1,3, 1,4, 1,5, 1,6, 2,1, 2,2, 2,3, 2,4, 2,5, 2,6, 3,1, 3,2, 3,3, 3,4, 3,5, 3,6,
4,1, 4,2, 4,3, 4,4, 4,5, 4,6, 5,1, 5,2, 5,3, 5,4, 5,5, 5,6, 6,1, 6,2, 6,3, 6,4, 6,5, 6,6}

b. La aprobación de un proyecto en la Municipalidad en donde botan cuatro

regidores el espacio muestral se podría representar por el siguiente diagrama de
árbol, donde A significa aprobado y D desaprobado.

R1 R2 R3 R4

El espacio muestral queda de la siguiente manera

Ω= {AAAA,AAAD,AADA,AADD, ADAA,ADAD,ADDA,ADDD,
DAAA,DAAD,DADA,DADD, DDAA,DDAD,DDDA,DDDD}

24
2.1.2 Suceso.

Como hemos visto el espacio muestral del experimento de la aprobación o

desaprobación de un proyecto es el siguiente:

Ω= {AAAA, AAAD, AADA, AADD, ADAA, ADAD, ADDA, ADDD, DAAA, DAAD,
DADA, DADD, DDAA, DDAD, DDDA, DDDD}

Supongamos que estamos interesados en los resultados en la cual exactamente tres

regidores aprueben el proyecto; estos resultados forman el subconjunto:

A = {AAAD, AADA, ADAA, DAAA}

Ahora si estaríamos interesados en conocer si los cuatros regidores desaprueban el

proyecto, estos resultados forman el subconjunto:

D = {DDDD}
En conclusión a un sub conjunto de un espacio muestral se le denomina suceso, así
el sub conjunto A = {AAAD, AADA, ADAA, DAAA}, es el suceso en la cual
exactamente tres regidores aprueben el proyecto y el subconjunto D = {DDDD} es el
suceso que corresponde a que exactamente cuatro regidores desaprueben el
proyecto.

2.1.3 Definición de Probabilidad.

Probabilidad se puede definir en base a lo siguiente:

Si a cada uno de los puntos muestrales como resultado de un experimento, se le

asigna un valor que mide su verosimilitud de su ocurrencia, a esto se denomina
probabilidad del punto muestral.

Para asignar el valor de la probabilidad de un punto muestral se tiene dos reglas:

a. La probabilidad de cada punto muestral debe estar entre 0 y 1.

b. La suma de las probabilidades de todos los puntos muestrales es igual a 1.

Una probabilidad cercana a 1 corresponde a una alta probabilidad de ocurrencia,

mientras que una probabilidad cercana a 0 corresponde a una baja probabilidad de
ocurrencia.

Veamos el caso del experimento de la aprobación o desaprobación del proyecto, los

elementos del espacio muestral son 16; a cada elemento del espacio muestral se le

25
asignará igual probabilidad, en este caso de 1/16, y la suma de todas las
probabilidades de los elementos nos debe dar a 1; análogamente si lanzamos un
dado se asigna una probabilidad de 1/6 a cada uno de los elementos del espacio
muestral.

2.1.4 Probabilidad de un suceso.

La probabilidad de un suceso A designado por P(A) es la suma de las probabilidades

de todos los puntos muestrales de A.

Ejemplo 1: la probabilidad de que al menos tres regidores aprueben el proyecto

presentado sería el siguiente:

El suceso de que al menos tres regidores aprueben en proyecto es el siguiente:

A = {AAAA, AAAD, AADA, ADAA, DAAA}

La probabilidad de este suceso es:

𝟏 𝟏 𝟏 𝟏 𝟏 𝟓
𝐏(𝐀) = + + + + =
𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔

La respuesta es que la probabilidad de que al menos tres regidores aprueben el

proyecto es de 5/16.

Ejemplo 2: ¿cuál es la probabilidad de que la suma sea 10 al lanzar dos dados

simultáneamente?

El suceso que representa a esta pregunta es la siguiente:

A= {6,4, 5,5, 4,6}

La probabilidad de A es:

𝟏 𝟏 𝟏 𝟑 𝟏
𝑷(𝑨) = + + = = = 𝟎. 𝟑𝟑
𝟔 𝟔 𝟔 𝟔 𝟑

De acuerdo a las dos reglas de la probabilidad que el valor del punto muestral es de
0 a 1 y que la suma de todos los puntos muestrales es igual a 1 se concluye lo
siguiente:

26
𝐏(𝛀) = 𝟏. Debido a que el espacio muestral es el suceso que contiene a todos los
puntos muestrales.

𝐏(∅) = 𝟎. Debido a que el conjunto vacío es el suceso que no contiene a ningún

punto muestral.

𝐏(𝐀´) = 𝟏 − 𝑷(𝑨) . Designamos A’ (complemento de A) como la probabilidad que

el suceso A no ocurra es igual a 1 menos la probabilidad de
que A ocurra.

Así por ejemplo la probabilidad de que no ocurra un cuatro al lanzar un dado al aire
es igual a la probabilidad de:

𝟏 𝟓
𝐏(𝐀´) = 𝟏 − =
𝟔 𝟔

2.1.5 Reglas de la Probabilidad.

Existen tres reglas importantes que son: la regla de la adición, la regla de

multiplicación y el teorema de Bayes.

 Regla de la Adición

Esta regla expresa que la probabilidad de que ocurran A o B es la probabilidad de A

más la probabilidad de B menos la probabilidad de que ocurran ambos. En base a
esto la regla de la adición es definida de la siguiente manera:

𝐏(𝚨 ∪ 𝚩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝚩)

Ejemplo 1: se cuenta con una baraja de 52 cartas ¿cuál es la probabilidad de elegir

una dama o una carta roja?.

Para solucionar un problema de probabilidad hay que tener las siguientes

consideraciones:
a. Conocer a profundidad la población en estudio. En este caso la baraja (casino)
de 52 cartas tiene dos colores rojo y negro, 4 formas: espada, corazón, trébol y
oro, tiene diez números del 1 al 10 y tiene cuatro figuras: as, rey, reyna y dama.
b. Conocer cuántos elementos y/o puntos muestrales contiene el espacio muestral.
Las 52 cartas son los puntos muestrales que contiene el espacio muestral.
c. Conocer cuál es el valor de cada punto muestral. A cada uno se le asigna un
valor de su verosimilitud de 1/52.

27
Respuesta: Existen cuatro damas que tienen una probabilidad de 1/52 cada uno;
además hay 26 cartas rojas en la que están incluidos 2 damas, por lo tanto es
necesario descontar a estas ya que estaríamos duplicando su valor.

𝟒 𝟐𝟔 𝟐 𝟐𝟖 𝟕
𝐏(𝚨 ∪ 𝚩) = 𝐏(𝐀) + 𝐏(𝐁) − 𝐏(𝐀 ∩ 𝚩) ⇒ 𝐏(𝐃 + 𝐑) = + − = =
𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟏𝟑

Ejemplo 2: La probabilidad de que un estudiante desayune es de 0.7, la

probabilidad de que un estudiante almuerce es de 0.5, y la probabilidad de que
desayune y almuerce es de 0.30, ¿Cuál es la probabilidad de que el estudiante
desayune; almuerce o ambos?:

Respuesta: la probabilidad de que el estudiante desayune, almuerce o ambos es de

0.9.

𝐏(𝐃 ∪ 𝐀) = 𝐏(𝐃) + 𝐏(𝐀) − 𝐏(𝐃 ∩ 𝐀) = 𝟎. 𝟕 + 𝟎. 𝟓 − 𝟎. 𝟑 = 𝟎. 𝟗

Regla de la Adición para Sucesos Mutuamente Excluyentes.

Dos sucesos A y B son mutuamente excluyentes si la ocurrencia de ambos es igual

a 0.

𝚸(𝐀 ∩ 𝐁) = 𝑷(∅) = 𝟎 . En consecuencia la fórmula queda definida de la siguiente

manera:

𝐏(𝚨 ∪ 𝚩) = 𝐏(𝐀) + 𝐏(𝐁)

Ejemplo: Al extraer la carta de una baraja esta no puede ser al mismo tiempo un 2 y
un 3, así el suceso A: 2 y el suceso B: 3, son mutuamente excluyente. En
consecuencia la probabilidad de que al extraer una baraja ésta sea un 2 o un 3.

𝟒 𝟒 𝟖 𝟐
𝐏(𝟐 ∪ 𝟑) = 𝑷(𝟐) + 𝑷(𝟑) = + = =
𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟏𝟑

 Regla de la Multiplicación.

Si partimos de la probabilidad condicional, y si los sucesos A y B pertenecen al

mismo espacio muestral y si la probabilidad de A es diferente a 0 entonces la
probabilidad condicional de B respecto A, designado por P(B/A) queda definida de la
siguiente manera:
28
 𝚸(𝚨 ∩ 𝐁)
𝐏(𝐁/𝐀) =
𝚸(𝚨)

Cada uno de los términos de esta fórmula tiene la siguiente definición:

𝐏(𝐀) = Probabilidad Marginal o la probabilidad que ocurra un evento cualquiera.

𝐏(𝚨 ∩ 𝚩)=Probabilidad conjunta o probabilidad que ocurra A y B y ambos.

𝐏(𝐁/𝐀) = Probabilidad condicional. La probabilidad de que ocurra B dado a que A

haya ocurrido.

𝚸(𝚨∩𝑩)
Partiendo de la probabilidad condicional𝑷 (𝑩/𝑨) = y multiplicamos a todos
𝚸(𝚨)
los miembros por la probabilidad de A entonces la regla de multiplicación se puede
expresar en la siguiente fórmula:

𝚸(𝐀 ∩ 𝐁) = 𝐏(𝐀). 𝐏(𝐁/𝐀)

En consecuencia esta regla expresa que la probabilidad de que ocurra A y B es igual

a la probabilidad de A, multiplicada por la probabilidad que ocurra B dado que A ha
ocurrido.

𝚸(𝐀 ∩ 𝐁) = 𝐏(𝐀). 𝐏 (𝐁/𝐀)

Ejemplo 1: En una caja se encuentran 20 pelotas de las cuales 15 son rojas y 05

son azules. Se sacan 2 pelotas sucesivamente y sin restitución.

a) ¿Cuál es la probabilidad que las dos pelotas sean azules?

b) ¿Cuál es la probabilidad que la primera pelota sea roja y la segunda azul?
c) ¿Cuál es la probabilidad que la primera pelota sea azul y la segunda sea roja?

Respuesta a)

𝟓 𝟒 𝟐𝟎 𝟏
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟏𝟗

Respuesta b)

29
 𝟏𝟓 𝟓 𝟕𝟓 𝟏𝟓
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟕𝟔

Respuesta c)

𝟒 𝟏𝟓 𝟔𝟎 𝟑
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟏𝟗

Ejemplo 2: Un agricultor tiene dos canastas con naranjas, en ambas canastas hay
50 unidades: en la primera canasta existen 20 naranjas maduras y 30 verdes, en la
segunda canasta existen 15 naranjas maduras y 35 verdes. Se extraen una naranja
de cada canasta.

a) ¿Cuál es la probabilidad de que ambas naranjas sean del mismo estado

fisiológico (verdes o maduras)?

Respuesta:
Probabilidad de que ambos sean verdes o que ambos sean maduros

𝚸(𝐕𝟏 ∩ 𝐕𝟐 ) + 𝐏(𝐌𝟏 ∩ 𝐌𝟐 ) =

𝐕𝟐 𝐌𝟐
𝐏(𝐕𝟏 ). 𝐏 ( ) + 𝐏(𝐌𝟏 ). 𝐏 ( ) =
𝐕𝟏 𝐌𝟏

𝟑𝟎 𝟐𝟎 𝟏𝟓 𝟑𝟓 𝟔𝟎𝟎 𝟓𝟐𝟓 𝟏𝟏𝟐𝟓 𝟒𝟓

𝒙 + 𝒙 = + = =
𝟓𝟎 𝟒𝟗 𝟓𝟎 𝟒𝟗 𝟐𝟒𝟓𝟎 𝟐𝟒𝟓𝟎 𝟐𝟒𝟓𝟎 𝟗𝟖

Regla de la Multiplicación para Sucesos Independientes.

Los sucesos A y B se consideran independientes cuando la ocurrencia de uno no
influye sobre la probabilidad de ocurrencia del otro, por lo que la regla de la
multiplicación queda definida de la siguiente manera:

𝚸(𝐀 ∩ 𝐁) = 𝐏(𝐀). 𝐏(𝐁)

Ejemplo 1: ¿Cuál es la probabilidad de obtener un 1 y un 4 al lanzar un dado dos

veces?

𝟏 𝟏 𝟏
𝚸(𝐀 ∩ 𝐁) = 𝐏(𝐀). 𝐏(𝐁) entonces 𝚸(𝟏 ∩ 𝟒) = 𝐏 𝐱 =
𝟔 𝟔 𝟑𝟔

30
  Teorema de Bayes

Sean los sucesos A1, A2,…, AK, sucesos mutuamente excluyentes que ocupan todo
el espacio muestral. Si cada uno de estos procesos tiene probabilidad no nula y uno
de ellos debe ocurrir, entonces el teorema de Bayes expresa lo siguiente:

𝐏(𝐀𝐤 ). 𝐏(𝐁/𝐀𝐤 )
𝐏(𝐀𝐊 /𝐁) =
𝐏(𝐀𝟏 ). 𝐏(𝐁/𝐀𝟏 ) + 𝐏(𝐀𝟐 ). 𝐏(𝐁/𝐀𝟐 ) + ⋯ + 𝐏(𝐀𝐤 ). 𝐏(𝐁/𝐀𝐤 )

Ejemplo: La empresa Cervecería San Juan está pensando comercializar un lote de

camu camu en Europa. De acuerdo con una investigación hecha en el mercado la
probabilidad de que el camu camu sea vendido es de 0.75 si otra empresa
competidora no introduce otro lote similar en el mercado Europeo; en tanto que la
probabilidad de venderse es de 0.40, si la empresa competidora comercializa el
producto que está ofertando. Además la empresa cervecería San Juan estima que
hay una probabilidad de 0.30 que la empresa competidora comercialice el producto.
Dado que el camu camu de la cervecería San Juan fue vendido ¿Cuál es la
probabilidad que la empresa competidora también haya vendido su producto?

P(E/C)=0.40 P(C ∩ 𝐸)= P(C).P(E/C) = 0.30 x 0.40 =0.12

P(E/C’)=0.75 P(C’∩ 𝐸) = P(C’).P(E/C’) = 0.70 x 0.75 =0.53

De acuerdo al teorema de Bayes la probabilidad de que la empresa competidora

haya comercializado su producto es la siguiente:

𝐏(𝐂). 𝐏(𝐄/𝐂) 𝟎. 𝟑𝟎 𝐱 𝟎. 𝟒𝟎
𝑷(𝐂/𝐄) = =
𝐏(𝐂). 𝐏(𝐄/𝐂) + 𝐏(𝐂′). 𝐏(𝐄/𝐂′) 𝟎. 𝟑𝟎 𝐱 𝟎. 𝟒𝟎 + 𝟎. 𝟕𝟎 𝐱 𝟎. 𝟕𝟓
𝟎. 𝟏𝟐 𝟎. 𝟏𝟐
= = = 𝟎. 𝟏𝟖𝟓
𝟎. 𝟏𝟐 + 𝟎. 𝟓𝟑 𝟎. 𝟔𝟓

2.2DISTRIBUCIONES

Los valores de una variable sirven para describir o clasificar individuos o distinguir
entre ellos. La mayoría de los investigadores hacen más que simplemente describir o
31
distinguir porque tienen ideas respecto a las frecuencias relativas al valor de una
variable, así por ejemplo en Pucallpa el rendimiento de una vaca de 5 litros por día
es un valor frecuente, muchos ganaderos no creerían en el rendimiento de 25 litros
por día de una vaca o no es frecuente ver una persona rubia en Pucallpa o tampoco
es frecuente ver el peso de un bebe al nacimiento con 6 k. la mayoría asociamos
una medida con el valor de una variable, una medida de lo corriente que es o no, a
la probabilidad de ocurrencia de un valor semejante. En estadística se conoce que la
variable tiene una función de probabilidad, o una función de densidad de
probabilidad o simplemente una función de densidad. Así por ejemplo al lanzar un
dado equilibrado la probabilidad de que caiga 1,2,3,4,5,6 es la misma para cada uno,
es decir un sexto o la probabilidad de que sea hembra o macho al nacer un bebe es
de ½ para cada uno; esta es una afirmación con respecto a la función de
probabilidad de una variable discreta o por ejemplo si tenemos los porcentajes de
cada uno del rendimiento de varios campos de cultivo se podría decir que
corresponde a una función de distribución de una variable continua; por lo que las
expresiones al azar y variable aleatoria se usan particularmente para variables que
poseen funciones de densidad de probabilidad; aunque ambos se pueden
reemplazar con el termino distribución.

Las principales distribuciones a describir en el presente manual es la distribución

Binomial, la distribución de poison, la distribución normal, la distribución de Z, la
distribución de T, la distribución de F.

2.2.1 Distribución Binomial

La distribución binomial es la que mejor se ajusta a la distribución de las variables
discretas. Supongamos que una moneda se lanza 3 veces, en estos 3 lanzamientos
el número de sellos obtenidos puede ser 0,1, 2 o 3. La fórmula binomial se utiliza
para obtener la probabilidad de cada uno de estos posibles resultados. Veamos la
siguiente tabla:

x(número de sello) P(X=x) Probabilidad

0 3! 1/8
(1/2)0 (1/2)3
3!0!
1 3! 3/8
(1/2)1 (1/2)2
2!1!
2 3! 3/8
(1/2)2 (1/2)1
1!2!
3 3! 1/8
(1/2)3 (1/2)0
0!

Esto también se podría representar de la siguiente manera:

Monedas Resultado Probabilidad

M1M2M3 CCC 1/8

32
 M1M2M3 CCS 1/8
M1M2M3 CSC 1/8
M1M2M3 CSS 1/8
M1M2M3 SCC 1/8
M1M2M3 SCS 1/8
M1M2M3 SSC 1/8
M1M2M3 SSS 1/8

Ahora representamos a p con la probabilidad que salga cara y q con la probabilidad

que salga sello, siendo la probabilidad de cara o sello igual a 1/2, por lo tanto la
probabilidad que aparezcan 0 sellos es igual a qxqxq o igual a 1/2x1/2x1/2 que es
igual a 1/8; siguiendo con el ejemplo tenemos que:

- La probabilidad de que salgan 3 sellos al lanzar las 3 monedas es igual a q3=1/8.

- La probabilidad de que salgan 2 sellos y una cara es igual a q2xp.
- La probabilidad de que salgan 1 sello es igual a qxp3.
- La probabilidad de que salgan 0 sellos es igual a p3.

Si p y q representan la probabilidad de presencia y ausencia de un acontecimiento la

expansión binomial (p+q)n podría utilizarse para el cálculo de probabilidades de la
distribución de frecuencia de las variables discretas. En el caso de nuestro ejemplo
se aplicaría la siguiente formula:

(1/2 +1/2)3= p3+3p2q+3pq2+q3=1/8+3/8+3/8+1/8.

La determinación de probabilidades en poblaciones que se ajustan a una distribución

binomial, puede calcularse también a partir de la formula binomial como ya se
describió líneas anteriores.

A través de un ejemplo discutiremos la solución a estos problemas.

Ejemplo 1: la probabilidad de éxito en un cierto experimento es de un ¼, ¿Cuál es la

probabilidad de obtener exactamente dos éxitos en 5 experimentos consecutivos?,
este ejemplo se puede resolver utilizando la formula binomial que es la siguiente:

𝐧!
𝐏(𝐗 = 𝐱) = 𝐩𝐱 (𝟏 − 𝐩)𝐧−𝐱
𝐱! (𝐧 − 𝐱)

P = Es la probabilidad de ocurrencia.
p = Es la probabilidad de éxito en un experimento.
(1-p) = Es la probabilidad de fracaso en un experimento
n = Número de experimentos.
x = Número de éxitos.

33
(n-x) = Número de fracasos.

Reemplazando los datos del ejemplo, la aplicación de la fórmula es la siguiente:

𝟓! 𝟐𝟕𝟎
𝐏(𝐗 = 𝟐) = 𝟏/𝟒𝟐 (𝟑/𝟒)𝟑 = 𝟏𝟎 𝐱 𝟏/𝟒𝟐 𝐱 𝟑/𝟒𝟑 =
𝟐! (𝟓 − 𝟐) 𝟏𝟎𝟐𝟒

Por lo tanto la probabilidad de obtener exactamente dos éxitos en 5 ensayos es igual

a 270/1024.

Similarmente la probabilidad de obtener dos éxitos en 5 experimentos, también se

puede calcular utilizando la expansión binomial, el cual se calcularía de la siguiente
manera:

𝐏(𝐗 = 𝐱) = (𝐩 + 𝐪)𝐧

Reemplazando

(1/4+3/4)5= (1/4)5+5(1/4)4(3/4)+10(1/4)3(3/4)2+10(1/4)2(3/3)3+5(1/4)(3/4)4+(3/4)5

Cada uno de los términos de esta ecuación indican la frecuencia de x, siendo x el

número de éxitos en cada experimento, en el ejemplo el número de éxitos igual a 2
en 5 experimentos estaría expresado por el termino 10(1/4) 2(3/3)3 =270/1024.
Nótese que en la formula binomial los coeficientes se puede recordar si se utiliza el
triángulo de Pascal, como se muestra en la figura X, teniendo en consideración que
las potencias deben sumar igual al número de experimentos, en este caso 5.

Características de la Distribución Binomial:

34
 ̅ = 𝐧𝐩
𝐏𝐫𝐨𝐦𝐞𝐝𝐢𝐨 = 𝛍 = 𝐩

Varianza, σ²= σ²p = npq

Desviación estándar, σ = σp = √npq

Ejemplo: en 100 lanzamientos de una moneda el número promedio de sellos que
̅ = 𝐧𝐩 igual a 100 x1/2=50.
esperamos tener es 𝛍 = 𝐩

La desviación estándar seria:

𝛔 = 𝛔𝐩 = √𝐧𝐩𝐪 = √𝟏𝟎𝟎𝐱𝟏/𝟐𝐱𝟏/𝟐 = 𝟓

2.2.2 La Distribución de Poisson

La distribución de Poison se utiliza como un modelo para describir distribuciones de
probabilidad de sucesos que son raros; en la distribución binomial si n es un valor
muy grande y p es un valor muy pequeño, esto da lugar a lo que se llama
acontecimiento raro, como así por ejemplo al tirar 10 monedas al aire, tengamos 10
tiros con 10 sellos o 10 caras, o la llegada de aviones a un aeropuerto, o la llegada
de clientes a un restaurant, o la llegada de vehículos a una estación de vehículos.

En la práctica decimos que un acontecimiento es raro, cuando n es ≥ a 50 y np<5,

pues la probabilidad de que con 10 monedas salgan 10 caras es un (1/2)10 =
1/1994.

Para resolver problemas de probabilidades de variables que se ajustan a una

distribución de Poison, se utiliza la siguiente formula:

Probabilidad (X=x) = mX e-m/x!

m = np = media

x = 0,1,2,3,…

e = 2.71828 base de los logaritmos naturales.

Ejemplo: el número promedio de demandas presentado en una comisaria es igual a

3 por día. ¿Cuál es la probabilidad que en un día cualquiera:

a. Se presente exactamente dos demandas.

m = 3. Promedio de demanda por día.

x = 2. Número de demandas presentada.

P(X = 2) = 32 x 2.71828-3/2! = 9/2.718283 = 9/20.085 = 0.45

35
b. No se presente ninguna demanda.

P(X=0) = 30 x 2.71828-3/0! = 1/ 1.718283 = 1 / 20.085 = 0.05

c. Se presente exactamente una demanda.

P(X=1) = 31 x 2.71828-3/1! = 3 / 1.718283= 3/ 20.085 = 0.15.

Características de la Distribución de Poison.

̅=𝐦
𝐏𝐫𝐨𝐦𝐞𝐝𝐢𝐨 = 𝛍 = 𝐩

𝐕𝐚𝐜𝐢𝐚𝐧𝐜𝐢𝐚 = 𝛔𝟐 𝐩 = 𝐦

𝐃𝐞𝐬𝐯𝐢𝐚𝐜𝐢ó𝐧 𝐞𝐬𝐭á𝐧𝐝𝐚𝐫 = 𝛔𝐩 = √𝐦

2.2.3. Distribución Normal.

La distribución normal, es aquella que se ajusta a la distribución de variables
cuantitativas continuas. Esta distribución es una de las más importantes, porque en
ella se basa la teoría estadística actual.

Consideremos las siguientes variables:

Rendimiento de un cultivo, peso de los animales, altura de una planta, temperatura

en cierto momento del día. Cada uno de estas variables puede tomar un número
infinito de valores en una escala de medida, así por ejemplo el rendimiento de un
cultivo puede ser de 1000 k, 1200 k, 1350.5 k…, igualmente el peso de una animal
puede ser 30 k, 35 k, 40 k, 110.5; en consecuencia estos son variables continuas.

En el caso de la distribución Binomial y la distribución de Poison, solo se puede

representar la distribución de probabilidad de la variable discreta, en este caso las
variables que acabamos de mencionar, su distribución de probabilidad pueden
describirse mediante una distribución continua muy común llamada distribución
normal, conocida como la curva de Gauss la cual queda definida por la siguiente
formula:

𝐍 −(𝐱−𝟒)𝟐
𝐘= 𝛔 𝐞 /𝟐𝛔𝟐
√𝟐𝛑

Y = Frecuencia con la cual cualquier x ocurre.

N = tamaño de la población

µ = promedio de la población

36
x-µ = es la desviación entre un el valor x dado y el promedio de la población

σ = es la desviación estándar de la población

e = base de los logaritmos naturales: 71828 y π=3.14159.

El área de la curva normal tiene un valor de 1 y conociendo la media y la desviación

estándar, se puede calcular la altura de la curva en cualquier punto dado x de la
línea horizontal.

Para explicar la distribución normal, se presente el siguiente ejemplo. Un ganadero

lechero recibe un lote de 200 vacas. Las vacas tiene un rendimiento promedio de 10
litros de leche por día, con una desviación Stándar de 3 litros (µ =10; σ = 3). La
producción de leche está distribuido normalmente por lo que se espera que la
mayoría de las vacas tengan un rendimiento de leche por día alrededor de 10 litros
por día; por otro lado habrá tantas vacas que produzcan más de 13 litros diarios, así
como habrá también vacas que produzcan menos de 10 litros diarios, así como
también habrá vacas que produzcan más de 16 litros por día, así como habrá
también vacas que produzcan menos de 4 litros diarios. Como se puede observar en
las figuras xx.

Figura 1: Curva Normal Standar

37
 Figura 2: Rendimiento de leche de 200 vacas
lecheras L/vaca/dia (µ =10; σ = 3)

Como podemos observar la distribución normal queda determinada por su media y

desviación Estándar; por lo tanto si conocemos la media y la desviación estándar del
rendimiento de la leche de las vacas, podemos conocer todo acerca de ellas: por
ejemplo podemos determinar el porcentaje de vacas que producen más de 12 litros o
entre 12 o 15 litros o menos de 8 litros.

Así por ejemplo se tiene que el 34 % del área bajo la curva normal esta entre la
media µ y µ +1 σ = 10 y 10+3, esto significa que el 34% de las vacas se encuentran
entre 10 y 13 litros; también podemos decir que hay una probabilidad de 0.34 de que
una vaca produzca entre 10 y 13 litros por día.

Los datos referente al área bajo la curva normal, se puede obtener de la tabla x la
que da el área incluido entra la media y un valor cualquiera de X y está definida por
la siguiente formula: Z = X - µ /σ.

La letra Z que encabeza la primera columna de tabla, indica cuantas unidades de

desviación estándar dista de la media.

Para el cálculo de probabilidades de bajo de la curva normal estándar, se utiliza los

valores que hay en la tabla de Z el cual es dado utilizando la formula antes indicada.

Ejemplo: siguiendo con el lote de 200 vacas cuya media de producción de

rendimiento por vaca es de 10 litros y la desviación estándar es de 3 litros, se
pueden responder las siguientes preguntas:

a.- ¿Cuál es el porcentaje de vacas cuyo rendimiento están entre 10 y 13 litros?

Utilizando la fórmula de Z se puede hacer el siguiente cálculo: Z = 13 – 10 / 3 = 1.

Hay que aclarar que la tabla x te da el valor del área de bajo de la curva normal
estándar entre el valor de Z y la media 0; en donde Z es igual a 1. Con el valor de 1
nos vamos a la tabla x en donde encontramos para Z un valor para el área bajo la
curva normal de 0.3413; por lo tanto el porcentaje de vacas que producen entre 10 y
13 litros es de 34.13 %. Figura x

38
b.- ¿Cuántas vacas producen más de 13 litros?

Utilizando la fórmula se calcula el valor de Z = 13 – 10 / 3 = 1. Como se indicó líneas

arriba, el área debajo de la línea normal estándar para un valor de Z en este caso
igual a 1, cuya área es de 0.3413, nos da desde el punto x hacia la media; también
se ha indicado líneas arriba que el área total de la curva normal estándar tiene un
valor de 1, por lo tanto de la media hacia la derecha vale 0.5 y de la media hacia la
izquierda también el valor es de 0.5, por lo tanto en este problema estamos pidiendo
cuantas vacas producen más de 13 litros por lo que se debe restar el valor del área
para Z = 1 del 50% del valor de la curva normal estándar, siendo el resultado el
siguiente:

Z = X-µ/ σ=13-10/3=1;

Z = 1 = Área de la curva normal estándar (tabla de Z) = 0.3413.

Por lo tanto el resultado es igual a 0.50000-0.3413 = 0.1587

Siendo la pregunta cuantas vacas rinden más de 13 litros, y si expresamos en

porcentaje el área encontrada que es de 15.87 %, y siendo el lote de vacas en total
200.

La respuesta a esta pregunta sería que el número de vacas que producen más de 13
litros es de 32 vacas. Figura x:

c.- ¿Qué porcentaje de vacas producen entre 9 y 15 litros?

Para contestar a esta pregunta hay que encontrar dos valores de Z, y luego sumar
ambos:

39
Z1 = X - µ/σ = 9 – 10/3 = -1/3 = - 0.33 = 0.1293 (el valor de Z negativo indica la
posición de este en la curva normal, en este caso se encuentra a la izquierda; un
valor positivo nos indica que está a la derecha).

Z2 = X - µ/σ = 15 – 10/3 = 5/3 = 1.67 = 0.4525

Z1 + Z2 = 0.1293 + 0.4525 = 0.5818 = 58.18%

El porcentaje de vacas que producen entre 9 y 15 litros es de 58.18%.

d.- ¿Qué porcentaje de vacas no producen más de 5 litros?

De acuerdo la pregunta debemos de encontrar que porcentajes de vacas producen

menos de 5 litros; como ya se explicó, el valor del área de bajo de la curva normal
estándar en la tabla nos da el valor de x hacia la media, por lo tanto lo que estamos
calculando es el valor Z, entre 5 y el promedio y lo que nos solicitan es calcular el
valor menor a 5; por lo que el resultado sería el siguiente:

Z1 = X - µ/σ = 5 – 10/3 = - 5/3 = - 1.67 = 0.4525

La respuesta seria 0.0005 – 0.4525 = 0.0475 = 4.75% (porcentaje de vacas que

producen menos de 5 litros)

40
e.- ¿Qué porcentaje de vacas producen más de 5 litros?

Z1 = X - µ/σ = 5 – 10/3 = - 5/3 = - 1.67

Z1 = - 1.67 = 0.4525 = 0.0005 + 0.45.25 = 0.9525 = 95.25% de vacas que producen

más de 5 litros.

f.- ¿Qué porcentaje de vacas producen entre 12 y 16 litros?

Para responder a esta pregunta hay que encontrar también dos valores de Z, y luego
restar ambos, debido a que el valor para Z1 se sobrepone sobre el área de Z2.

Z1 = X - µ/σ = 16 – 10/3 = 6/3 = 2 = 0.4772.

Z2 = X - µ/σ = 12 – 10/3 = 2/3 = 0.67 = 0.2486.

Z1 – Z2 = 0.4772 – 0.2486 = 0.2286 = 22.86%. Porcentaje de vacas que producen

entre 12 y 16 litros de leche.

41
g.- ¿Cuántas vacas producen más de 17 litros de leche por día?

Z1 = X - µ/σ = 17 – 10/3 = 7/3 = 2.33 = 0.4901.

0.5000 – 0.4901 = 0.0099 = 0.99% = 2. El número de vacas que producen más de

17 litros son 2

h.- La altura promedio de plantas de bolaina es de 3.5m, el 20% de estas plantas

miden más de 4m. Asumiendo que la altura de estas plantas se distribuyen
normalmente ¿Cuál es la distribución estándar?.

Rspta.: dado que el 20% de las plantas miden más de 4m, el 30% (0.2995) de las
plantas se encuentran entre 3.5m y 4m. De acuerdo con la tabla de Z
aproximadamente el 30% tiene un valor de Z = 0.84. Luego se despeja de la fórmula
de Z.

𝐙 = 𝐗 − 𝛍/𝛔 ⇒ 𝛍 + 𝐙𝛔 = 𝟒 ⇒ 𝟑. 𝟓 + 𝟎. 𝟖𝟒𝛔 = 𝟒 ⇒ 𝛔 = 𝟒 − 𝟑. 𝟓/𝟎. 𝟖𝟒 ⇒ 𝛔 = 𝟎. 𝟓𝟗

30% 20%

µ = 3.5 4

42
2.2.4. Distribución de t
Cuando las muestras son de tamaño pequeño (n ≤ 30) la desviación estándar
basada en n no es un buen estimador de σ de la población de donde proviene, por
lo general este valor es menor. Por esta razón la desviación estándar basado en (n-1
grados de libertad) el resultado es un buen estimador de σ, aunque difícilmente es
igual.

Por lo tanto para el cálculo de s (desviación estándar de la muestra) se calcula con

la siguiente fórmula:

∑(𝐱 𝐢 − 𝐱̅)𝟐
𝐬=√
𝐧−𝟏

En la práctica los parámetros no se pueden calcular debido a que no tenemos todos

los valores de la población, por lo que estos son estimados a partir de valores
muéstrales, como se muestra en la siguiente figura:

s ~ σ (s estimador insesgado de σ )

̅ ~ µ (𝑥̅ estimador insesgado de µ)

𝒙

̅ ~ 𝝈𝒙̅ (s𝑑̅ estimador insesgado de 𝜎𝑥̅ )

s𝒅

Con frecuencia en muchos estudios de estadísticas se deben realizar

comparaciones entre parámetros, por lo que es necesario recurrir a las pruebas de
significación estadística y en otras oportunidades se necesita establecer los límites
de confianza, con la seguridad de que se encuentre el parámetro que nos interesa.
Para ambos casos tanto como en pruebas de significación estadística como en los
límites de confianza del parámetro, se utiliza la distribución de T; aunque también se
pueden utilizar otras distribuciones como la de F y de Chi cuadrado.

Como hemos visto para calcular probabilidades de bajo de la curva normal estándar
se utiliza la distribución de Z cuya fórmula es conocida Z = X - µ/ σ; de igual manera
las poblaciones formadas por promedios para el cálculo de probabilidades utilizan la
siguiente formula: Z = 𝑥̅ - µ/𝜎𝑥̅ .

Por lo general la desviación estándar de los promedios de la población no se

conocen, el cual tiene que ser estimado por la desviación estándar de promedio de
la muestra, por lo que en tales casos se debe determinar qué efecto tiene el usar la
desviación estándar de promedio de la muestra ( 𝑠𝑥̅ ) en vez de la desviación
estándar de promedios de la población en la fórmula de Z = 𝑥̅ - µ/𝜎𝑥̅ .

43
Por lo que la distribución de Z se identifica con la curva normal y está basada en la
formula Z = 𝑥̅ - µ / 𝜎𝑥̅ , mientras que la distribución de t está basada en la fórmula: t =
𝑥̅ - µ/𝑠𝑥̅ . La distribución de T es utilizada principalmente cuando se trabaja con
muestras pequeñas y la curva de distribución, es diferente a la distribución de la
curva de Z; ya que esta es más achatada y explayada, aunque cuando el tamaño de
la muestra se incremente n>30 la curva de T se va aproximando la curva normal
estándar.

Para cada grado de libertad se tiene una curva de t y esta alcanza su máxima altura
cuando t=0; todas las curvas son simétricas con respecto a línea trazada en t=0
perpendicular al eje horizontal; por lo tanto los valores de t son positivos a la derecha
y negativos a la izquierda. Figura X.

Para determinar las probabilidades de bajo de distribución de la curva de t hay que

encontrar las áreas apropiadas bajo las curvas dadas por la formula t = 𝑥̅ - µ/𝑠𝑥̅ ; la
cual puede obtenerse mediante la tabla de distribución de t que da para cada grado
de libertad (la primera columna) los valores de t correspondientes. Veamos un
ejemplo:

Tenemos una población original de tamaño n=1000 y de la cual se considera una

distribución formada por promedios, todas ellas de tamaño n=16 con 15 grados de
libertad. Si de cada una de esta se calculara su media y desviación estándar de
promedios y conociendo el promedio de la población original se aplicara a todas las
muestras la formula t = 𝑥̅ - µ/𝑠𝑥̅ , los valores que resultaran serían los de t, los que
graficados por frecuencia nos daría la curva de t correspondiente a 15 grados de
libertad, como se muestra en la figura x.

Las áreas de las curvas de t se encuentran en la tabla de distribución de t con un

alfa determinado que podría ser α = 0.05 y α = 0.01. Así por ejemplo para la muestra
de tamaño 16 con n-1 = 15 grados de libertad, encontramos en la tabla que el valor
de t correspondiente a la línea 15 y columna 0.05 es 1.753 significa que entre -
1.753 y + 1.753 se encuentran el 95% de las t de esta curva y que 2.5% son

44
menores de -1.753 y 2.5% son mayores de + 1.753. Si el α sería igual 0.01
encontramos en la tabla que el valor correspondiente a la línea 15 y columna 0.01 es
2.602; lo que significa que entre –2.602 y +2.602 se encuentra el 99% de las t de la
curva correspondiente a 15 grados de libertad y que el 0.05% son menores que -
2.602 y 0.05% son mayores de + 2.602.

En la siguiente grafica podemos ver el uso de esta distribución para n = 16 con 15

grados de libertad y un α = 0.05; en donde se muestra la zona de aceptación entre t
= -1.753 y t = +1.753 y la zona de rechazo en donde muestra que valores mayores a
t = - 1.753 y valores de t mayores a + 1.753. Cuando se realiza la prueba de
hipótesis utilizando esta distribución, si un valor calculado de t se encuentra entre –
1.753 y + 1.753, se acepta la hipótesis nula ya que este valor está cayendo en la
zona de aceptación y ; si el valor calculado de t es mayor a + 1.753 y menor a –
1.753 se recha la hipótesis nula ya que este valor se encuentra fuera de la zona de
aceptación, para el caso de nuestro ejemplo se dice que se rechaza la hipótesis nula
a un nivel de aceptación de α = 0.05.

La distribución de t también es utilizada para encontrar los límites de confianza en

las cuales se encuentra la media poblacional, con un determinado grado de
seguridad. Por lo general de una población original, en la práctica solamente
podemos obtener una muestra y corremos el riesgo de que su promedio 𝑥̅ sea
bastante diferente de µ, por no corresponder a la parte central de la población de
promedio, existiendo la duda de la aproximación de la media muestral a la media
población. Por esta razón existe la necesidad de encontrar límites dentro de los
cuales se puede tener confianza de encontrar la media poblacional con solo un
pequeño porcentaje de probabilidad de que esté fuera de estos límites.

Para calcular los límites de confianza de µ se utiliza un racionamiento deductivo

partiendo de la muestra hacia la población, lo que representa dar un intervalo con la
media muestral como centro del intervalo, que nos permita decir que en el intervalo
esta la media de población con una grado alto de confianza.

45
Para el cálculo del límite de confianza se puede partir del ejemplo del valor de t para
15 grados de libertad y α = 0.05 los cuales fueron entre – 1.753 y + 1.753, lo que
quiere decir que la probabilidad de obtener una t de una muestra de 15 grados de
libertad que esta fuera de estos límites, es de 0.05 x 1, lo que simbólicamente se
expresa de la siguiente manera:

P [1.753 <t<1.753] = 0.95

Si a esta ecuación le sustituimos t por su fórmula dada, entonces obtenemos la

siguiente ecuación:

̅ - µ/s 𝒙
P [- 1.753 <𝒙 ̅ t < 1.753] = 0.95

Despejando la fórmula resulta la siguiente ecuación:

̅ + 1.753 (s𝒙
P [𝒙 ̅) > µ >𝒙
̅ - 1.753(s𝒙
̅)] = 0.95

Finalmente la fórmula general para encontrar los límites de confianza de la media

poblacional partiendo de la muestra con un alfa determinado que puede ser α = 0.05
o 95% de confianza o α = 0.01 con 99% de confianza, es la siguiente:

̅ + tα(s𝒙
P [𝒙 ̅) > µ >𝒙
̅ - tα(s𝒙
̅)] = 0.95

2.2.5. Distribución de X2 - Ji Cuadrado.

Esta distribución es muy utilizada en el caso de más de dos acontecimientos, k
puedan ocurrir, por lo que es necesario probar si hay diferencias significativas entre
las frecuencias observadas o1, o2, o3, …, ok y las frecuencias esperadas e1, e2, e3,
…, ek, para encontrar las discrepancias entre estas frecuencias se utiliza la siguiente
fórmula:
𝑘
2
(𝑜𝑖 − 𝑒1 )2
𝑋 =∑
𝑒𝑖
𝑖=1

La distribución de X2 depende del número de desviaciones independientes, es decir

de los grados de libertad; para cada número de grado de libertad hay una
distribución X2 cuya característica principal es que no cuenta con valores negativos
ya que es una suma de números al cuadrado. Mientras la altura máxima se desfasa
hacia la izquierda de los grados de libertad las curvas tienden a ser más simétricas
al aumentar los grados de libertad. La media y la variancia de una distribución de X 2
son los grados de libertad y dos veces los grados de libertad respectivamente.

46
La tabla de distribución de X2 nos muestra las probabilidades en la parte superior de
la tabla, los grados de libertad en la columna de la izquierda y los valores de X 2 en el
cuerpo de la tabla para las combinaciones entre la probabilidad y los grados de
libertad. Así por ejemplo si encontramos en valor de X2 con 8 grados de libertad y
con una probabilidad de α = 0.05 el valor encontrado en la tabla es igual a 15.5, la
que se puede expresar de la siguiente manera:

P (X2 ≥ Xi2)= 0.05

X2 = 15.5 P (X2 ≥ 15.5) = 0.05

Si de una población normal cualquiera conociéramos σ2 y si extraemos un gran

número de muestras de tamaño (n-1=10) y si para cada uno se deduce su suma de
cuadrados podríamos encontrar los valores de X2 que le corresponde y podríamos
graficar la distribución de X2 para 10 grados de libertad. En el grafico x se puede
observar una curva de distribución de X2 para 2 grados de libertad y otra de 10
grados de libertad, obsérvese que cuando más pequeña son los grados de libertad
las curvas son más elevadas y menos extendidas a la derecha.

En la gráfica x podemos observar la gráfica de la distribución de X2 para 10 grados

de libertad, en donde se observa que el 95 % de los valores de X2 son mayores de
3.94 (este valor se encuentra en la tabla x y la intersección de la línea 10 y la
columna 0.95) y 5 % serían mayores que 18.3 (columna 0.05 y línea 10) y 90 %
estarían entre 3.94 y 18.3.

f(x2)

90 %

X 2 0.95 (n-1) X 2 0.05 (n-1)

3.94 18.3

47
2.2.6 Distribución de F
Es una distribución muy importante porque es muy usada en pruebas de hipótesis
relacionadas con variancias. Se utiliza para probar si las variancias de dos
poblaciones de donde proceden las muestras pueden considerarse iguales u
homogéneas.

Esta distribución está basada en variancias de muestras extraídas de una misma

población, las cuales pueden ser de igual o diferente tamaño; así por ejemplo si a
cada uno de estas muestras al azar las determinamos, las variancias despectivas y
si a la variancia de mayor valor lo representamos por s 12 y la dividimos entre la
variancia de menor valor representada por s22 habremos obtenido un valor de la
distribución de F correspondiente a (n1-1) y (n2-1) grados de libertad; si repitiésemos
muchas veces la operación de extraer muchas pares de muestras de la misma
población de tamaño n1 y n2, siempre dividiendo la variancia mayor y la variancia
menor, tendríamos un número muy elevado de F´, las que formarían la distribución
de F que corresponden (n1-1) y (n2-1) grados de libertad. Como se puede observar
en la figura x.

La fórmula de F se representa de la siguiente manera:

𝑺𝟏 𝟐
𝐅=
𝑺𝟐 𝟐
Las características más importantes de esta distribución es que para cada par de
grados de libertad hay una curva de probabilidad; esta distribución no tiene valores
negativos siendo el valor mínimo 0, todas la curvas son asimétricas, y a medida que
aumenta los grados de libertad las curvas son más elevadas y más extendida a la
derecha.

Para encontrar un valor de F de (n1-1) y (n2-1) grados de libertad como observamos

en la figura x para (8,8) grados de libertad, en la tabla de distribución de F ubicamos
la fila 8 para grados de libertad del denominador y en la columna 8 para grados de
libertad del numerador, y en la columna que indica la probabilidad de un valor más
alto (α=0.05), en la intersección podemos encontrar el valor de 3.44. Este valor de
F(8,8) = 3.44 nos indica que existe un 5% de valores a derecha de esta conocida
como la zona de rechazo de la hipótesis nula y a la izquierda existe el 95% de
valores conocido como la zona de aceptación de la hipótesis nula. Figura x.

48
 (F)
1.0
F(3,3)

F(8,8)
0.5

95% α=0.05

0 1 2 3 4 F

F=3.44

49
 CAPITULO 3

INTRODUCCIÓN A LA EXPERIMENTACIÓN

3.1 PRUEBA DE HIPÓTESIS

Una prueba de hipótesis es una suposición que se hacen a cerca del parámetro de
la población. Las hipótesis pueden clasificarse en dos grupos.

Hipótesis planteadas o nulas

La hipótesis planteada es la suposición que se hace acerca de los parámetros de la

población antes de iniciar el estudio de ellas y se representa por Hp, ó, Ho.

Ejemplo 1: Si queremos comparar los promedios de dos poblaciones partimos del

supuesto de que ambos son iguales. Para efecto de este manual la hipótesis nula
será representada por el símbolo Ho

Ho: µ1 = µ2
Ejemplo 2: Conocemos que el rendimiento promedio del maíz de la variedad
“Marginal 28” en Ucayali es de 3 toneladas métricas. La hipótesis nula se plantea de
la siguiente manera:

Ho: µ = 3.0 TM

Ejemplo 3: Comparamos los pesos promedio de cerdos de dos lugares, la hipótesis

podría ser que los pesos promedios de los cerdos de la granja 1 es superior que el
peso promedio de los cerdos de la granja 2 en 50 kilos, estas dos hipótesis se
pueden plantear de la siguiente manera:

Hp : µ1 › µ2 = 50

Para variancias también funcionan igual 𝛔𝟐 𝟏 = 𝛔𝟐 𝟐

50
Hipótesis alternativas

La hipótesis alternativa es aquella que es planteada antes de iniciar el estudio y se

considera como una alternativa a la hipótesis nula, se representa por H A. Se pueden
considerar 1 o 2 hipótesis alternantes. Para el primer ejemplo la hipótesis alternativa
sería HA: µ1 ≠ µ2. Para el segundo ejemplo la hipótesis alternativa sería: HA:µ> 3 tm
ó HA : µ< 3 tm. Para el tercer ejemplo sería: HA :µ1<µ250.

Hipótesis de una y dos colas.

Existen pruebas de significación de 1 y 2 colas. La prueba de significación de una

cola se utiliza cuando al comenzar un estudio se incluye una sola hipótesis
alternativa; así por ejemplo al estudiar el promedio de una característica se conoce
por antecedentes que una de las hipótesis alternativas se puede descartar. En este
caso la hipótesis que se plantea es:

HP : µ = µ0

HA : µ > µ0 , H A : µ < µ0

Por ejemplo si nosotros sabemos que el peso promedio de toretes es mayor que 200
k y que estos no puede ser menor, entonces aquí tenemos una hipótesis en donde
se plantearía de la siguiente manera, la HP µ = 13 y HA µ > 13.

Ejemplo: estamos interesados en conocer si el promedio de peso de un lote de 30

toretes del fundo A es mayor a 200. Para desarrollar esta prueba de significación se
plantea la siguiente hipótesis:

HP : µ = 200

HA : µ > 200.

Para someter a prueba la hipótesis alternativa se saca una muestra representativa

de los pesos de los toretes y se deducen los siguientes valores: 𝐱̅ , 𝐬, 𝐬𝐱̅ 𝐲𝐭. En el
𝐱̅−𝟐𝟎𝟎
caso de t se calcula según la siguiente fórmula: 𝐭 =
𝐬𝐱̅

𝐱̅ = 𝟐𝟏𝟎

𝐬 = 𝟏𝟎

𝐬 𝟏𝟎 𝟏𝟎
𝐬𝐱̅ = = = = 𝟏. 𝟖𝟐
√𝐧 √𝟑𝟎 𝟓. 𝟒𝟖

𝟐𝟏𝟎 − 𝟐𝟎𝟎
𝐭𝐜 = = 𝟓. 𝟒𝟗
𝟏. 𝟖𝟐
𝐭 𝐭 = 𝐭 𝟐 𝛂𝐲𝐧 − 𝟏𝐠𝐥 = 𝟏. 𝟔𝟗

51
tc > tt entonces aceptamos la HA que los pesos de los toretes es mayor a 200k.

Ver figura x.

La Prueba de Significación de dos Colas es cuando al comenzar un estudio se

incluye dos HA. Esto significa que al estudiar el promedio de una característica o
tratamiento se desea saber si dicho promedio es mayor o menor que una cantidad
dada, en este caso las hipótesis planteadas y alternativa quedan de la siguiente
manera:

HP: µ = µ0

H A : µ > µ0 y µ < µ 0

Por ejemplo se desea saber si el promedio de los rendimientos de varios campos de

maíz es mayor o menor a 5 tm, las hipótesis quedan de la siguiente manera:

HP: µ = 5 t

HA: µ > 5 t y µ<5t

Para someter a prueba esta HA se extrae una muestra representativa de todos los
campos de producción y se procede a calcular los valores de 𝐱̅ , 𝐬, 𝐬𝐱̅ 𝐲𝐭.

𝐱̅ − 𝟓
𝒕=
𝐱̅
Las hipótesis alternativas pueden ser positivas o negativas; si es positivo se
compara tα de la tabla de t. El valor de tα es buscado en la tabla de t con n-1 gl.

52
Como solo hay ½α de probabilidad de encontrar un valor de t superior a t α
igualmente un ½ 𝛼 probabilidades de encontrar un valor de t inferior a -tα, por
consiguiente hay α probabilidades de encontrar un valor que este fuera de estos
límites. Ver gráfica x.

En toda prueba de significación estadística se debe seguir los siguientes pasos:

1. Escoger la hipótesis nula

2. Escoger la hipótesis alternativas que pueden ser de una o dos colas.
3. Escoger el nivel alfa de significación con la cual se aceptará o rechazará la
H0.
4. Extraer muestra o muestras al azar de una población normalmente distribuida.
5. Comparar la t calculada con tαó t2α, para aceptar o rechazar la H0.
6. Deducir las conclusiones.

Introducción a la experimentación

Pruebas de Hipótesis acerca del Promedio de una Población.

Tenemos el siguiente ejemplo 1: se realizó un estudio donde se determinó que el

rendimiento promedio de la variedad de maíz marginal-28 es de 3.0 TM, sin embargo
una nueva variedad que se viene estudiando tiene un rendimiento promedio
diferente a 3.0TM. Se toma una muestra al azar de 10 campos experimentales de
esta nueva variedad y arroja un rendimiento promedio de 3.5 TM. con un error
estándar 𝑠𝑥̅ =0.5.

Se plantea las siguientes hipótesis:

H0 : µ = 3.0

HA : µ >3.0

53
 µ <3.0

Se utilizará la prueba de t para lo cual se determina la t calculada.

𝐱 − 𝛍𝟎 𝟑. 𝟓 − 𝟑. 𝟎
𝐭𝐜 = = =𝟏
𝐬𝐱̅ 𝟎. 𝟓
Para la prueba de significación se utilizará α = 0.05, con la cual buscamos el valor de
t en la tabla de distribución de t para 0.05 y 9gl cuyo valor es 2.262.

Habiendo quedado t calculada igual a 1 dentro de los límites de -2.262 y +2.262, se

acepta la hipótesis nula de que el promedio de rendimiento de la nueva variedad de
maíz es igual a 3t y se concluye indicando que no hay suficiente testimonio
estadístico que el rendimiento de la nueva variedad de maíz sea diferente a 3t.

En toda prueba de hipótesis nula acerca del promedio de una población se extrae al
azar una muestra de la población en estudio, y en ella se determina 𝑥̅ y 𝑠𝑥̅ con las
cuales se aplica la ecuación de la distribución de t, obteniéndose la t calculada, la
cual se comprara con la t tabular para n-1 gl y el nivel de significación que se haya
fijado. Si t calculada es menor o igual que - tα o mayor que +tα se rechaza la
hipótesis nula, por el contrario si se encuentra entre los límites de –tα y + tα se
acepta la hipótesis nula o planteada; por tal razón a esta prueba se le conoce como
prueba de dos colas, debido a que se considera para este fin las dos mitades de la
curva normal estándar, porque hay doble posibilidad de que µ > ó < µ 0.

Ejemplo 2: En una prueba de mejoramiento genético de algodón se acaba de crear

un híbrido y se desea recomendar su cultivo si es que se llega a probar que el largo
de fibra del algodón es superior a un tamaño dado, que puede ser el largo normal de
las variedades que se cultivan en dicha zona. Al extraer la muestra al azar se tiene
los siguientes resultados:

µ0 = 50 mml
n = 30
̅
𝒙 =65
𝒔𝒙̅ =6
La hipótesis queda definida de la siguiente manera: Prueba de una cola.

H0 : µ = 50
HA : µ > 50

El valor de t calculada es el siguiente:

𝟔𝟓 − 𝟓𝟎
𝐭𝐜 = = 𝟐. 𝟓
𝟔
La t tabular se encuentra en la tabla de distribución de t con 29 gl y α = 2 (0.05) =
0.1, el cual nos da un valor de 1.699. Como el valor de t calculada 2.5 es mayor que
t tabular 1.699 se rechaza la hipótesis nula, por lo que aceptamos que la nueva

54
variedad de algodón tiene un largo de fibra superior a 50 mml con 5% de
probabilidades que ocurra esto.

Como hemos podido observar en esta prueba se considera t(2α) porque la H A solo
admite que µ sea superior a µ0,razón por la que se utiliza la prueba de una cola;
siendo α las probabilidades de hacer un rechazo indebido pese haberse tomado
t(2α), debido a que cada cola de la curva le toca α.

Prueba de Hipótesis acerca de los Promedios de dos Poblaciones.

En el análisis estadístico de la prueba de promedio de dos poblaciones se puede

presentar cuatro casos:

a) Que el tamaño de las muestras sean iguales y las variancias sean

homogéneas.
𝐧𝟏 = 𝐧𝟐 𝐲𝐬𝟏 𝟐 = 𝐬𝟐 𝟐

b) Que el tamaño de las muestras sean iguales y las variancias sean

heterogéneas.
𝐧𝟏 = 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐

c) Que el tamaño de las muestras sean diferentes y las variancias sean

homogéneas
𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 = 𝐬𝟐 𝟐

d) Que el tamaño de las muestras sean diferentes y las variancias heterogéneas.

𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐

En todos los casos la prueba de hipótesis acerca de los promedios de dos

poblaciones se sigue los siguientes pasos:

1. Determinar 𝐱̅ 𝟏 y 𝐬𝟐 𝟏 de una muestra y 𝐱̅ 𝟐 𝐲𝐬𝟐 𝟐 de la otra muestra.

2. Realizar la Prueba de homogeneidad de variancias utilizando la Prueba de F,
para lo cual se plantea la siguiente hipótesis:

𝑯𝟎 = 𝒔𝟏 𝟐 = 𝒔𝟐 𝟐
𝐇𝐀 = 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐

La Prueba de F consiste en encontrar un valor que se conoce como F calculada

utilizando las variancias calculadas para cada muestra, a través de la siguiente
fórmula:

55
 𝐒𝟏 𝟐 (𝐯𝐚𝐫𝐢𝐚𝐧𝐜𝐢𝐚𝐦𝐚𝐲𝐨𝐫)
𝐅𝐂 =
𝐒𝟐 𝟐 (𝐯𝐚𝐫𝐢𝐚𝐧𝐜𝐢𝐚𝐦𝐞𝐧𝐨𝐫)

Luego se encuentra la F tabular en la tabla de distribución de F con n 1 -1 y n2 – 1 gl y

α = 0.05 ó, α = 0.01 de nivel de significación. Si Fc< Ft se acepta la H 0 que existe
homogeneidad entre las variancias a un nivel de α de 0.05. Si la Fc> Ft a un nivel de
significación de 0.05, indica que existe heterogeneidad entre las variancias. A
continuación se presenta ejemplos para los cuatro casos.

a) Ejemplo de tamaños de muestras iguales y variancias homogéneas.

𝐧𝟏 = 𝐧𝟐 𝐲𝐬𝟏 𝟐 = 𝐬𝟐 𝟐

Se desea conocer cuál de dos variedades de yuca tiene un mayor rendimiento, para
esto se sembraron 10 campos de la variedad A y 10 campos de la variedad B; a
continuación se dan los rendimientos de los 10 campos en toneladas métricas por
hectárea.
Variedad Pucallpa: 26, 25, 20, 16, 12, 25, 8, 18, 11, 21
Variedad Chanchamayo: 15, 16, 24, 14, 25, 16, 24, 22, 23, 29

1. Calculo de la media y la variancia de ambas muestras por el método conocido:

𝐱̅ 𝟏 = 𝟏𝟖. 𝟐 𝐲𝐬𝟏 𝟐 = 𝟒𝟎. 𝟒

𝐱̅ 𝟏 = 𝟐𝟎. 𝟖 𝐲𝐬𝟏 𝟐 = 𝟐𝟔. 𝟒

2. Realizar la Prueba de Homogeneidad de Variancia.

𝐒𝟏 𝟐 𝟒𝟎. 𝟒
𝐅𝐂 = = = 𝟏. 𝟓𝟑
𝐒𝟐 𝟐 𝟐𝟔. 𝟒

Ft = 9 y 9 gl y α 0.05 = 3.18

Como la Fc es menor que la F de la tabla se acepta la hipótesis nula de que las

dos variancias son homogéneas.

3. Calcular la tc. La hipótesis se prueba utilizando la prueba de t de Student.

𝐱̅ 𝟏 − 𝐱̅ 𝟐 𝟏𝟖. 𝟐 + 𝟐𝟎. 𝟖
𝐭𝐜 = = = 𝟏. 𝟎𝟏
𝐒𝐝̅ 𝟐. 𝟓𝟖𝟓

56
 𝟐 (𝐒𝟐 𝐜𝐨𝐦𝐮𝐧) 𝟐(𝟑𝟑. 𝟒)
𝐒𝐝̅ = √ = √ = √𝟔. 𝟔𝟖 = 𝟐. 𝟓𝟖𝟓
𝐧 𝟏𝟎

𝟐 𝐒𝟏 𝟐 + 𝐒𝟐 𝟐 𝟒𝟎. 𝟒 + 𝟐𝟔. 𝟒
𝐒𝟏 𝐜𝐨𝐦𝐮𝐧 = = = 𝟑𝟑. 𝟒
𝟐 𝟐

𝐧𝟏 = 𝐧𝟐 = 𝐧 = 𝟏𝟎 = 𝟏𝟎 = 𝟏𝟎

4. Cálculo de la t tabular. Se encuentra en la tabla de distribución de t con los

siguientes datos:

𝐭 𝐭 = 𝐧𝟏 − 𝟏 + 𝐧𝟐 − 𝟏𝐠𝐥𝐲𝛂 = 𝟎. 𝟎𝟓 = 𝟏𝟖𝐠𝐥𝐲𝛂 = 𝟎. 𝟎𝟓 = 𝟐. 𝟏𝟎𝟏

5. Comparar tc Vs tt: 1.01 < 2.101. Se acepta la Hipótesis nula, que ambas medias
no difieren significativamente.

b) Ejemplo de tamaño de muestras iguales y variancias heterogéneas.

𝐧𝟏 = 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐

Dos grupos de toretes de la raza Gyr fueron sometidos a un engorde con dos
raciones diferentes, una ración A control y ración B con hormonas para
crecimiento. A continuación se presenta la ganancia de peso Kg/Animal luego de
120 días de engorde.

Ración A: 63, 113, 59, 92, 76, 80, 50, 47.

Ración B: 152, 69, 180, 149, 139, 76, 66, 135.

1. Calcular la media y la variancia para ambas muestras por el método conocido.

𝐱̅ 𝟏 = 𝟕𝟐. 𝟓𝟎
𝐱̅ 𝟐 = 𝟏𝟐𝟎. 𝟕𝟓
𝐬𝟏 𝟐 = 𝟏𝟗𝟐𝟖. 𝟎𝟎
𝐬𝟐 𝟐 = 𝟓𝟎𝟑. 𝟎𝟎

2. Prueba de homogeneidad de variancia.

57
 𝟏𝟗𝟐𝟖
𝐅𝐜 = = 𝟑. 𝟖𝟑
𝟓𝟎𝟑

3. Ft = 7 y 7 gl, α 0.05 = 3.79. como Fc mayor que la Ft se acepta la hipótesis

alternante ya que las variancias son heterogéneas.

̅
4. Calcular 𝑺𝒅

𝐬𝟏 𝟐 𝐬𝟐 𝟐 𝟏𝟗𝟐𝟖 𝟓𝟎𝟑
𝐒𝐝̅ = √ + = √ + = 𝟏𝟕. 𝟒𝟑
𝐧𝟏 𝐧𝟐 𝟖 𝟖

5. Calcular la tc

𝟕𝟐. 𝟓 − 𝟏𝟐𝟎. 𝟕𝟓
𝐭𝐜 = = 𝟐. 𝟕𝟕
𝟏𝟕. 𝟒𝟑
6. Calcular la tt.

Con 7 gl y α = 0.05 = 2.37.

7. Como la tc>tt, se acepta la hipótesis alternante, y se concluye que la ración en

donde se incluye una hormona de crecimiento mejora la ganancia de peso de
los toretes comparada con el control.

C) Ejemplo tamaño de las muestras diferentes y variancias homogéneas.

𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 = 𝐬𝟐 𝟐

Se ha aprobado dos profundidades de labranzas A=20cm y B=40cm, en el

rendimiento del cultivo de la yuca variedad señorita.
Para lo cual se sembraron 20 campos con sistema de labranza de 20cm de
profundidad y 10 campos con 40 cm de profundidad. Los resultados del
rendimiento en TM/ha se dan a continuación.

SL 20cm = 36, 43, 43, 38, 36, 41, 39, 42, 40, 42, 40, 35, 37, 37, 34, 37, 40, 37,
36, 35.

SL 40cm =37, 34, 40, 37, 40, 37, 35, 37, 35, 42

𝐱̅ 𝟏 = 𝟑𝟖. 𝟓𝟎
58
 𝐱̅ 𝟐 = 𝟑𝟕. 𝟒
𝐬𝟏 𝟐 = 𝟕. 𝟔𝟎
𝐬𝟐 𝟐 = 𝟔. 𝟓𝟎

𝟕. 𝟔
𝐅𝐜 = = 𝟏. 𝟏𝟕
𝟔. 𝟓

Ft = 19 y 9gl, α 0.05 = 2.93. Como Fc< Ft se acepta la hipótesis nula de que las
variancias son homogéneas.

Como las muestras tienen variancias homogéneas se calcula la variancia común.

𝟐
𝐧𝟏 (𝐒𝟏 𝟐 ) + 𝐧𝟐 (𝐒𝟐 𝟐 ) 𝟐𝟎(𝟕. 𝟔) + 𝟏𝟎(𝟔. 𝟓)
𝐒 𝐜𝐨𝐦𝐮𝐧 = = = 𝟕. 𝟐𝟓
𝐧𝟏 + 𝐧𝟐 𝟐𝟎 + 𝟏𝟎

̅
Calcular 𝑺𝒅

𝟕. 𝟐𝟓 𝟕. 𝟐𝟓
𝐒𝐝̅ = √ + = 𝟏. 𝟎𝟓
𝟐𝟎 𝟏𝟎

Calcular la tc

𝟑𝟖. 𝟓 − 𝟑𝟕. 𝟒
𝐭𝐜 = = 𝟏. 𝟎𝟓𝟐
𝟏. 𝟎𝟓

Calcular la tt.

tt para 19 + 9= 28 gl y α = 0.05 = 2.05

Como la tc<tt, se acepta la hipótesis nula, y se concluye que las dos

profundidades de labranzas no influyen en el rendimiento de la yuca variedad
señorita.

c) Ejemplo tamaño de muestras diferentes y variancias heterogéneas.

𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐
Con la finalidad de estudiar la macrofauna del suelo en dos pasturas, la pastura 1
una pastura naturalizada altamente compactada y la pastura 2 de Brachiaria
59
decumbens también con alta compactación, se muestrearon 20 marcos de ½
metro cuadrado en la pastura nativa y 10 marcos de ½ metro cuadrado en el
pasto braquiaria. Como indicador se contó el número de lombrices existentes,
encontrándose los siguientes resultados.

Pastura braquiaria = 43, 36, 43, 38, 41, 38, 42, 37, 35, 34, 40, 37, 37, 36, 42, 40,
39, 37, 40, 35.
Pastura nativa= 28, 30, 32, 30, 16, 45, 35, 33, 28, 32

𝐱̅ 𝟏 = 𝟑𝟖. 𝟓
𝐱̅ 𝟐 = 𝟑𝟎. 𝟗
𝐬𝟏 𝟐 = 𝟕. 𝟔𝟎
𝐬𝟐 𝟐 = 𝟓𝟏. 𝟒𝟎
𝟓𝟏. 𝟒
𝐅𝐜 = = 𝟔. 𝟕𝟔
𝟕. 𝟔

Ft = 9 y 19 gl, α 0.05 = 2.43. Como Fc > Ft se acepta la hipótesis alternante de

que no existe homogeneidad de variancia ó las variancias son heterogéneas.

̅
Calcular 𝑺𝒅

𝟕. 𝟔𝟎 𝟓𝟏. 𝟒𝟎
𝐒𝐝̅ = √ + = 𝟐. 𝟑𝟓
𝟐𝟎 𝟏𝟎

Calcular la tc

𝟑𝟖. 𝟓 − 𝟑𝟎. 𝟗
𝐭𝐜 = = 𝟑. 𝟐𝟒
𝟐. 𝟑𝟓

Calcular la tt.

𝐖𝟏 (𝐭 𝟏 ) + 𝐖𝟐 (𝐭 𝟐 ) 𝐒𝟏 𝟐 𝟕. 𝟔 𝐒𝟐 𝟐 𝟓𝟏. 𝟒
𝐭𝐭 = ∶ 𝐝𝐨𝐧𝐝𝐞 𝐖𝟏 = = = 𝟎. 𝟑𝟕; 𝐲 𝐖𝟐 = = = 𝟓. 𝟏𝟒
𝐖𝟏 + 𝐖𝟐 𝐧𝟏 𝟐𝟎 𝐧𝟐 𝟏𝟎

t1 para 19 gl y α 0.05 = 2.09 y t2 para 9 gl y α 0.05 = 2.26

Entonces la tt =

60
 𝐖𝟏 (𝐭 𝟏 ) + 𝐖𝟐 (𝐭 𝟐 ) 𝟎𝟑𝟕(𝟐. 𝟎𝟗) + 𝟓. 𝟏𝟒(𝟐. 𝟐𝟔)
𝐭𝐭 = = 𝐭𝐭 = = 𝟐. 𝟐𝟓
𝐖𝟏 + 𝐖𝟐 𝟎. 𝟑𝟕 + 𝟓. 𝟏𝟒

Como la tc ˃ tt, se acepta la hipótesis alternante y se concluye que la pastura

braquiaria tiene un mayor número de lombrices.

II PARTE

DISEÑOS EXPERIMENTALES

61
 Capítulo4

Formulación de proyectos de
Investigación

4.1 INTRODUCCIÓN

La elaboración de un proyecto de investigación La presente separata ha sido

preparada con la finalidad de proporcionar una guía práctica a los estudiantes del
curso de Métodos Estadísticos de la Universidad Nacional de Ucayali. El objetivo
principal es el servir de referencia en la formulación de proyectos de investigación
considerando que el planeamiento de una buena hipótesis y los objetivos bien
definidos nos permitirá el fácil análisis e interpretación de nuestros resultados.

1. Consideraciones básicas

Antes de elaborar un proyecto es necesario tomar en cuenta el rol que debe

desempeñar el profesional del campo de las Ciencias Agropecuarias y Forestales,
sus responsabilidades sociales y su compromiso con la Universidad, con los
productores y con la ciencia.

El principal objetivo del profesional en estas áreas, es contribuir el incremento de la

producción y la productividad agropecuaria con énfasis en aquellos productos de
mayor significación para la alimentación de la población y la de mantener el equilibrio
ecológico mediante el uso sostenible de los bosques.

Un proyecto es un documento esencial para el buen desarrollo y seguimiento de la

investigación para los profesionales. En un documento técnico científico, a través del
cual los investigadores y otros ejecutores de proyectos formalizan un compromiso de
usar su inteligencia y talento en la búsqueda de soluciones técnicos científicos para
los problemas de productores Agropecuarios y Forestales.

A través de un proyecto se puede identificar las cualidades del profesional

responsable del mismo, tales como: Sensibilidad, creatividad, formación,

62
experiencia, comportamiento científico, objetividad, honestidad, humildad,
organización y celo profesional.

“La formulación de un proyecto es la actividad de más alta responsabilidad y

requiere de una atención especial por cada uno de los investigadores”.

La planificación y ejecución de los proyectos son realizadas siguiendo un modelo

circular, “Todo proyecto empieza con el beneficiario y termina cuando los resultados
son adoptados por beneficiario”. Este modelo implica la realización de diferentes
acciones para la generación de tecnología, cuyo flujo se representa en la figura 1
que prácticamente comprende 2 tipos de acciones, definiciones y actividades o toma
de decisiones. A continuación trataremos en detalle sobre ellas.

2. Marco de beneficiarios.
Hemos dicho que todo proyecto, empieza con el BENEFICIARIO y termina cuando
sus beneficios son adoptados por el BENEFICARIO. Entonces es natural que
primeramente identifiquemos a que productores está dirigido directamente nuestro
trabajo de acuerdo a nuestras responsabilidades institucionales. (Quienes son
nuestros clientes). Esto es identificar el marco de productores beneficiarios de la
tecnología y servicios que generamos y préstamos, que generalmente se encuentran
situados en una Región definida por la predominancia de sistemas de producción y
características agroecológicos y socio-económicos. Esta Región puede referirse a
una zona geográfica o varias zonas geográficas del país bajo las mismas
condiciones. Por ejemplo, productores de arroz en barreal, ganaderos lecheros de la
carretera Federico Basadre, productores de maíz de la carretera a Tournavista o
Palmicultores de la zona de Shambillo, etc. Este marco corresponde a los
denominados también conjuntos Productivos, complejos ambientales, zonas
agroclimáticas, áreas ecológicamente homogéneas, módulos de operación
agropecuaria, zonas homogéneas de producción a dominios de responsabilidad.
Algunas veces por ejemplo, cuando se quiere ampliar la frontera agrícola el marco
solamente será referenciado a los agricultores potenciales para la región de
ampliación. Al identificar el marco de productores, es necesario determinarlo dentro
de un ámbito con cierta homogeneidad en aquellos factores inmodificables que
condicionan la aplicación de la tecnología generada a fin de reducir la variabilidad de
las recomendaciones técnicas que se ofrecen como alternativas para los usuarios
del conocimiento o tecnología.

PRODUCTORES DEFINICIÓN MARCO PRODUCTORES

63
 EVALUACIÓN DE LA DIAGNOSIS DEL
ADOPCIÓN PROCESO
PRODUCTOR PRODUCTIVO DEL
PRODUCTOR
BANCO DE
INFORMACIÓN EN

DEFINICIÓN
PROBLEMAS
PRIORIZADOS INVESTIGACIÓN
BÁSICA

NO
REVISIÓN DE
DIFUSIÓN GENERAL Y LITERATURA
APOYO

¿EXISTE ¿HAY
NO INFORMACIÓN
SOLUCIÓN?
PRIMARIA

DEMOSTRACIÓN Y
SI
CAPACITACIÓN
SI SI

COMPROBADA INVESTIGACIÓN
APLICADA

NO

EVALUACIÓN CON SI ¿CON ÉXITO? NO

REPRODUCTOR

SI

Figura 1: Acciones para la Generación y Transferencia de Tecnología.

3. Diagnosis del proceso productivo

“Para resolver un problema debemos conocerlo primero”, por esta razón el proyecto, debe
nacer de la identificación y priorización de los problemas que afronta el productor para
incrementar su productividad y mejorar su nivel de vida.

64
Esta identificación debe ser una consecuencia de una diagnosis del proceso
productivo, fruto del análisis situacional realizado conjuntamente por investigadores,
extensionistas y los mismos productores, con la asistencia de Agroeconomistas y
otros científicos y técnicos de varias disciplinas. Esta diagnosis, debe ser una
continua caracterización de los sistemas de producción preponderantes que nos
permite establecer los límites y potenciales físico-biológicos, económicos, sociales,
culturales e institucionales que condicionan el nivel del marco de productores
definido.

4. Identificación del problema

Cuando hablamos de los problemas, no solamente nos referimos a las limitaciones o

dificultades que confronta el productor Agropecuario, sino también al potencial físico
biológico, económico, social, etc. Todavía no utilizado para incrementar su
productividad y mejorar su nivel de vida. La definición del problema debe ser hecho
de modo preciso, sencillo, claro y conciso.

El hecho de que sea difícil expresar satisfactoriamente un problema en determinado

momento, no debe ser excusa para no expresarlo.

Al finalizar los problemas del productor no siempre es posible llegar a formularlo en

términos sencillos, claros y en su totalidad, por esto no debe sorprendernos que lo
que aparentemente creímos que era solo un problema, termine siendo un conjunto
de problemas.

Al identificar el problema debemos expresarlo desde el ámbito de los recursos del

productor, cuáles son las consecuencias económicas y/o sociales derivadas del
problema, esta identificación también debe ser un trabajo conjunto de investigadores
y extensionistas con la participación de Agricultores.

5. Revisión de literatura

La solución de los problemas del productor, implica la formulación de nuevos

modelos de producción, que influyen diferentes alternativas de solución, para que el
productor pueda hacer frente a las variaciones de climas de mercado y de otros
factores de acuerdo a su realidad socioeconómica.

Estos modelos de producción a veces son llamados “Paquetes Tecnológicos”,

porque se trata de relacionar tecnologías (ofertas tecnológicas) que puedan ser
biológicas (variedad), mecánicas (máquinas), químicos (fertilizantes), económico
(político) e intelectuales (prácticas), para mejorar el sistema de producción del
agricultor.

65
Una revisión de literatura o de la información disponible relacionada con el problema
que confronta el agricultor, nos ayudará no sólo a conocer la existencia de modelos
de producción ya desarrollados que pueden ser aplicados por los agricultores con la
asistencia de extensionistas, sino también a especificar el problema con una
precisión y conocer resultados de intentos anteriores por resolver situaciones
similares en parte a toda la problemática bajo estudio.

No se trata de hacer un inventario bibliográfico sobre el problema, sino de aportar

información estrechamente relacionada con la problemática del marco de
productores.

No solo se debe considerar la tecnología desarrollado en los centros de

investigación del ámbito incluido el marco, sino también la exportación de aquellas
desarrolladas en otras regiones y/o países de similares características al marco en
que se desempeña nuestro productor beneficiario.

Así mismo, es deseable tomar en cuenta la tecnología ancestral y la que viene

desarrollando agricultores progresistas en el ámbito determinado.

En resumen, la revisión y análisis de la investigación disponible nos dará una de las

siguientes respuestas a la pregunta: ¿existe un nuevo modelo de producción para
solucionar el problema del productor beneficiario?. (Figura 1).

a. Existen modelos de producción comprobada en el ámbito del marco definido o en

otros ámbitos socio-ecológicos similares que son factibles de ser promocionados,
entonces se tratará de una acción de promisión de estos modelos y nos llevará a
formular un proyecto de extensión. Los resultados serán evaluados en función a su
adecuación por los agricultores y servirán para retroalimentar el diagnóstico del
proceso productivo.

b. Existen modelos de producción que requieren ser comprobados en el ámbito del

marco definido. Entonces se tratará de una acción de investigación ejecutada con
participación plana de investigación ejecutada con participación plena de
extensionistas, en campos de los productores, con la estrecha colaboración de
estos. Esto implica la formulación de un proyecto de evaluación de la investigación
a nivel de agricultores, los resultados serán debidamente para el uso de
agricultores, investigadores y extensionistas.

c. No existen modelos de producción, pero existen conocimientos científicos e

información primaria con los cuales el investigador, puede planear modelos de
producción hipotéticos susceptibles de ser probados experimentalmente. Entonces
se tratará de una acción de investigación aplicada para generar la tecnología
necesaria. Implica la formulación de un proyecto de investigación aplicada. Los
resultados deben ser debidamente documentadas para uso de investigadores y
extensionistas.

66
d. No existen modelos de producción, ni información científica básica o primaria que
permita postular planeamientos hipotéticos. Entonces se trata de una acción de
investigación básica para generar información primaria. Los resultados serán
debidamente documentados para incrementar el banco de información. Implica la
formulación un proyecto de investigación básica.

6. Formulación del proyecto de investigación.

La iniciación de un proyecto de investigación, (cualquiera de los tres casos b, c, y a

que se indican en la figura 1), empieza con su formulación mediante formularios
estándar para ser sometidos a su aprobación y priorización respectiva.

Pero antes de utilizar el formulario respectivo, el investigador debe hacer un análisis

de la problemática del agricultor beneficiario, contestando a las preguntas indicada
en la tabla 1.

Tabla 1. Preguntas que se debe hacer el investigador antes de formular el

proyecto.

Pregunta Resultado
1. ¿Para quién trabajo? Marco de productores, beneficiario,
caracterización socio-económicos y ecológica de
sus sistemas de producción.

2. ¿Qué problema Diagnosis del proceso productivo, limitantes y

tiene? potenciales del productor, identificación de
problemas.

Análisis de problemas, revisión de literatura,

3. ¿Tiene solución? decisión si es extensión e investigación.
Antecedentes.

Identificación de los problemas de investigación.

4. ¿Qué problema de Relaciones entre dos o más variables por conocer
investigación es? o comprobar.

Hipótesis. Proposición conjuntural sobre la

5. ¿Qué propongo? relación entre dos o más variables. Debe iniciar.
Teoría o base científica, predicción sobre la
relación entre dos o más variables. Factibilidad de
ser verificado.

Objetivo: Actividad por realizar, producto que se

6. ¿Qué voy hacer? va a obtener. Propósito del trabajo.

Metodología, plan de trabajo.

7. ¿Dónde, cuándo y

67
 cómo lo haré?
Requerimiento de Recursos humanos, físicos y
8. ¿con qué? financieros.

Título, síntesis del objetivo general.

9. ¿cómo llamare mi
proyecto?
Palabras claves.
10. ¿cómo lo clasificaría?

Así de esta manera podrá formular las siguientes fases que por lo menos debe
contener todo proyecto de investigación:

1. Identificación del problema.

2. Revisión de literatura, antecedentes.
3. Hipótesis.
4. Objetivos.
5. Metas.
6. Metodología, plan de trabajo.
7. Recursos.
8. Título.
9. Palabras claves.
Para llevar el formulario de proyecto, no necesariamente tenemos que seguir el
orden específico en el formulario respectivo, ya que este sigue un orden de
aplicación gerencial o informática o simplemente de presentación. Es preferible
seguir la secuencia de estas fases y de las preguntas de la tabla 1, esto nos
facilitará la planificación, ejecución y evaluación del trabajo de investigación.

Ya hemos tratado sobre resultados de las tres primeras preguntas de la tabla 1:

Marco de productores, la Diagnosis del proceso productivo, identificación del
problema, revisión de literatura. Son preguntas generales que deben ser
contestadas por investigadores, extensionistas y otros ejecutores de proyectos de
desarrollo.

Con los resultados de las primeras preguntas obtendremos la formulación de la

identificación del problema prioritario del productor sobre el cual estará enfocado el
proyecto. Y con los resultados de la tercera pregunta obtendremos información
suficiente para formular los antecedentes del proyecto.

Si después de la tercera pregunta, hemos encontrado que necesitamos realizar un

proyecto de investigación, entonces respondiendo a las siguientes preguntas del 4 al
11. (tabla 1). Obtendremos los siguientes resultados.

1. Identificación del problema de investigación.

68
Una vez identificado y priorizado los problemas o las dificultades que confrontan al
productor, y haber encontrado que se necesita investigar, entonces nos
encontraremos frente a la necesidad de definir claramente cuál es el problema de
investigación relacionado con la finalidad del productor.

La definición del problema de investigación generalmente involucra una oración

interrogativa que precisa “QUE RELACIONES EXISTEN ENTRE DOS O MAS
VARIABLES” o que implica que estas variables deban ser mesurables o
potencialmente mesurables, para tener la posibilidad de comprobar la relación entre
ellas.
A pesar de que el problema de investigación es incluido implícitamente en la
hipótesis y los objetivos, es muy importante saber definirla, porque sin ella no
podemos establecer la hipótesis ni mucho menos los objetivos.

2. Hipótesis.

Una hipótesis es una proposición conjetural, es la relación causal entre dos o más
variables expresada casi siempre en forma de oración afirmativa. La hipótesis
especifica cómo se relacionan las variables que se supone son mesurables o
potencialmente mesurables.

Básicamente debe contener: la teoría o base científica, la predicción y las

condiciones de ser verificado.

Al plantearse la hipótesis, prácticamente usamos implícita o explícitamente una

proposición condicional de la forma…SI (teoría o base científica),
ENTONCES…(predicción), CUANDO HACEMOS…(condición de verificación), lo
que en síntesis implica decir “SI A, entonces B”, esto es una conjunción condicional
de una o más variables independientes, es una o más variables dependientes B.

La hipótesis debe ser consecuencia de una aplicación, por ejemplo, la hipótesis: Si

aplicando el insecticida A, entonces obtendré “buena” cosecha que podrá ser
verificada ya que “buena” es un término cuantitativo.

Una hipótesis claramente planteada ayudará y determinará el diseño de un ensayo y

ayudará a identificar los controles apropiados.
Algunas reglas simples son:
 Las hipótesis se deben formular en un modo que claramente las relaciona con el
problema que necesita ser investigado.
 Las hipótesis deberán plantear un modo que sugiera una solución al problema.
 Ellas se deben plantear de un modo que proporcione una dirección para la
investigación.

69
 Ellas deben ser planteadas en una forma tan simple como sea posible.
 Ellas deben ser capaces de verificación o rechazo.

Las hipótesis son importantes en la investigación científica por qué:

a. Son instrumentos de trabajo de la teoría.
b. Pueden ser demostradas y pueden ser probablemente ciertas o probablemente
falsas.
c. Aunque la hipótesis no sea conformada, siempre es un poderoso instrumento
para el progreso de los conocimientos.
Los hallazgos negativos son a veces tan importantes como los positivos, porque
reducen el universo de total ignorancia y en ocasiones dan lugar a otras hipótesis y
líneas de investigación fructíferas. El investigador debe tener presente que no puede
distinguir lo positivo de los negativo que use hipótesis.

El uso de la hipótesis es similar a un juego de azar, no puede echarse primero el

dado y luego se escoge un dato y se llega a una conclusión basándose en él, se han
vigilado las reglas del juego científico.

Cuando el problema está bien identificado y/o convenientemente descrito, es

siempre posible formular una HIPÓTESIS sobre la relación de las variables
involucradas. Cuando esto no sucede (a) el problema no está convenientemente
identificado o descrito, o (b), el investigador no está convenientemente preparado
para investigarlo.

3. Objetivos

Los objetivos deben estar dentro de un marco, definir los problemas a resolver, las
hipótesis a verificar, la metodología a seguir, los recursos disponibles, así como con
la política y mecanismo institucionales de planificación y ejecución.

En su contexto deben quedar claramente definidos que actividad (es) se va (n) a

llevar a cabo, el producto que se espera obtener, para que propósito y que finalidad.

La actividad que se llevará a cabo: si se trata d ejecutar experimentos de

comparación de variedades, ensayos en campos de agricultores, hibridaciones,
encuestas, muestreos, ensayos de laboratorio, etc. Debe ser indicado en forma clara
y precisa de tal modo, que de una idea global de lo que se va hacer para conseguir
el producto deseado.

El producto generado por el proyecto de investigación aplicada, generalmente

promueve nueva tecnología que debe tener las siguientes características.

a. Su cobertura o alcance debe ser dirigida al marco de productores definido.

70
b. La nueva tecnología debe generar una mayor producción, que la obtendrá con la
tecnología existente.
c. La variabilidad en la producción y en los ingresos netos con la nueva tecnología
no debe ser mayor a la obtenida con la tecnología existente.
d. La nueva tecnología con los nuevos recursos que dispone el productor
agropecuario del marco definido debe producir un mayor ingreso que lo obtenido
con la tecnología existente.
e. La nueva tecnología debe ser viable y de fácil adopción por el agricultor, para
mejorar sus condiciones de desarrollo.
El propósito es la razón por la que queremos generar la nueva tecnología: los
efectos que se buscan en cuanto al ingreso: mantenerlo con nuevos costo, ampliar
la frontera agrícola, mejorar la calidad, etc. Referida al marco de productores, este
propósito del proyecto de investigación será el producto a obtenerse por el proyecto
de extensión correspondiente. La finalidad se refiere a los objetivos generales de la
institución.

4. Metas

Los indicadores de éxito, señala resumidamente en cuanto y cuando esperamos

alcanzar el producto del proyecto, las metas deber ser coherentes con el marco de
productores, los problemas por resolver, la hipótesis y los objetivos, y también deben
ser verificables. Un proyecto sin metas verdaderas no es evaluable.

5. Metodología

La metodología es una consecuencia de la hipótesis establecida, debe por lo tanto

ser apropiada para proveer al investigador la información necesaria para tener
suficientes evidencias para aceptar o rechazar la hipótesis formulada. Para la
apreciación correcta de la metodología, de cómo se hará la verificación de la
hipótesis, y de su valor científico, es importante describir objetivamente lo siguiente:

a) Tratamientos

 Son todos los tratamientos una consecuencia de los objetivos?

 Es cada tratamiento necesario para alcanzar los objetivos?
 Ha incluido Ud. Controles apropiados en la lista de tratamientos?
 Están los tratamientos definidos lo suficientemente bien para ser aplicados
en el campo?

b) Diseño Experimental.

71
  Se ha evaluado topográficamente el lugar para identificar áreas
homogéneas que puedan constituir bloque?
 Es el tamaño de estos bloques lo suficientemente grandes para contener al
menos una parcela de cada tratamiento y el control?
 Si es así, usará Ud. Un diseño de bloques completos al azar?
 Si los bloques no son lo suficientemente grandes para contener al menos
una parcela de cada tratamiento y los controles, sabe Ud. Cómo diseñar el
experimento de modo que las comparaciones más importantes sean
estimadas con la mayor precisión?
 Están presentes uno o más patrones regulares a través del lugar
experimental o del material? Si es así, son estos patrones en una o en
ambas direcciones?
 Ha considerado Ub. el uso de diseños de fila y columna para remover los
efectos de patrones en una dirección o en dos?
 Es posible la existencia de alguna ventaja cuando se usa el diseño de
parcelas divididas?
 Si es así, son los tratamientos aplicados a las sub parcelas aquellos para
los cuales se requiere la precisión mayor?
 Mejorará la eficiencia del diseño a través del confundido de efectos
principales o interacciones de los factores de tratamientos con las
diferencias entre los bloques?
 Ha planificado Ud. el uso de bloques en el experimento para controlar tanto
como sea posible la variación externa en la ejecución y conducción del
experimento?
 Es posible que las parcelas puedan perderse a consecuencia de
accidentes o desastres?
 Si es así, permite la elección de la disposición experimental y una
interpretación significativa de los resultados?
 Se han asignado los tratamientos y controles a las parcelas del
experimento mediante un proceso de aleatorización explícito?
 Se llevó a cabo una aleatorización separada para cada bloque o hilera del
experimento?
 Se aplicaron correctamente las restricciones en la aleatorización?
 Estuvo Ud. tentado de re-aleatorizar cualquier parte del asignamiento de
los tratamientos y controles debido a aparentes coincidencias
desafortunadas?
 Si es así, como Ud. algún conocimiento de la variación en el lugar o
material del experimental que nos ha sido incluida en el diseño del
experimento?
 Existe un plan mostrando el asignamiento de los tratamientos y controles a
las parcelas individuales?

c) Número de repeticiones

72
  Tiene Ud. algún estimado preliminar de la precisión que es más probable
de ser alcanzada por el experimento (expresado como un porcentaje de
variación, por ejemplo)?
 Es posible concluir un experimento piloto para determinar el coeficiente de
variación más probable de ser encontrado y para probar los procedimientos
experimentales?
 Ha determinado Ud. el tamaño de las diferencias entre las medias de los
tratamientos que Ud. consideraría de importancia práctica, si tal diferencia
existiera?
 Ha calculado Ud. el número de repeticiones que sería necesario para lograr
que el tamaño de la diferencia más probable de ser detectada como
significativa sea similar al tamaño de la diferencia que considera Ud. de
importancia práctica?
 Valdría la pena ejecutar el experimento después de todo, si no hay
suficiente terreno o material experimental para el numero de repeticiones
requerido para alcanzar diferencias significativas de importancia práctica?
 Necesitan los controles ser replicados más o menos frecuentemente que
los otros tratamientos para enfatizar ciertas comparaciones en particular?

d) Tamaño de parcela

Permitirá el tamaño de la parcela propuesto que muestras de tamaño adecuado

se tomen para que la precisión deseada sea alcanzada?
Es el tamaño de la parcela propuesto suficiente para que todos los tratamientos
de apliquen adecuadamente?

e) Método de análisis

Sabe Ud. cómo analizará todos los datos?

Ha completado Ud. un esquema de análisis de varianza que muestre los
grados de libertad?

Los componentes o factores en estudio, a decir que factores serán sujetos de control
a modificación para medir sus efectos de acuerdo a la hipótesis formulada.

Se indicara los niveles en forma absoluta como en unidades de uso práctico, al

sistema métrico decimal. Cuando se estudia un solo factor cada nivel viene a ser un
tratamiento y cuando se estudia varios factores a la vez, cada una de las
combinaciones de los niveles de cada factor viene a constituir un tratamiento.
Cuando la investigación es de naturaleza exploratoria o descriptiva, se indicaran las
fases, modalidades de sus integrantes referenciales correspondientes.

Relación de variables que serán observadas y registradas para probar la hipótesis

formulada.

Diseño de generación de información, citar el diseño del experimento, encuesta o

muestreo y las condiciones bajo las cuales el material, objeto de estudio, será
73
dispuesto o manipulado para verificar la hipótesis planteado, debe asegurar la
obtención de información que da precisión necesaria para obtener las metas
programadas.

Metodología de aplicación de los componentes de estudio. Describir en forma breve

y secuencialmente las operaciones especiales necesarias (fuera de rutina) para
controlar en forma homogéneo u otros factores que no están en estudio.

6. Plan de trabajo

Constituye el cronograma de las diferentes acciones o procedimientos que se tratan

de ejecutar. Es el elemento indispensable para el sistema de seguimiento y
evaluación de la ejecución de los proyectos a nivel institucional.
Debe incluir los ejecutores, lugares de ejecución, fecha de inicio y término de cada
uno de los experimentos, encuestas, muestreos, ensayos, etc. Que generalmente
deberán ser repeticiones en espacio y tiempo de un mismo procedimiento; aunque a
veces pueden ser etapas secuenciales de trabajo o procedimientos específicos que
deben ejecutarse para alcanzar las metas propuestas en el periodo estimado.

El plan de trabajo de un ensayo o experimento debe coincidir con el año calendario y

estar más en concordancias con los periodos de proceso productivo del agricultor.
Debe incluir el tiempo necesario para obtener toda información necesaria, evaluar
eficientemente la hipótesis planteada y alcanzar las metas propuestas.

Para cada una de las etapas secuénciales de trabajo (o procedimientos específicos)

que comprenden el proyecto en formularios aparte, debe especificarse
cronológicamente en actividades como instalación, siembra, abonamiento, riegos,
principales labores culturales y de protección, cosecha, tabulación y análisis,
informes, etc. Esta información ayudara a planificar la distribución de recursos y la
actualización de los abastecimientos de los Centros de Investigación.

7. Recursos

La disponibilidad de recursos es fundamental para la ejecución del proyecto,

principalmente comprende:

Humanos, la amplitud cada vez mayor del conocimiento científico, hace que la
ejecución de un proyecto sea de naturaleza interdisciplinaria, de otro modo, será
difícil que solo investigador pueda planificar y ejecutar un proyecto en forma integral.
Los investigadores deberán ser especialistas en los temas o las áreas a investigarse.

74
Muchas veces, proyectos prioritarios han dejado de realizarse o han sido ejecutados
deficientemente o han quedado inconcluso por que fueron formulados solamente
considerando el personal de la unidad ejecutiva, desconociendo la disponibilidad de
otros investigadores de otras unidades de la misma institución de otras relacionadas
con los problemas por resolver.

Físico, incluyen tanto los recursos físicos técnicos como los no técnicos necesarios
para llevar a cabo el proyecto, requerimiento en materiales, insumos, servicios,
equipo, áreas de terreno e instalaciones.

Generalmente se debe requerir y evaluar los recursos con que no cuenta la unidad
ejecutora. Estos requerimientos deben ser presentados por trimestres de acuerdo al
cronograma planteado.

Financieros, es el medio para conseguir los recursos faltantes. Con la finalidad de

asegurar que las asignaciones financieras sean oportunas en el tiempo y espacio, el
presupuesto debe hacerse por los menos trimestralmente cubriendo toda la duración
del proyecto, y de acuerdo a los cronogramas planteados, tanto a nivel general como
a nivel de cada uno de los procesos específicos del proyecto.
El presupuesto anual de la institución debe ser estructurado en base a los
presupuestos de los proyectos aprobados y priorizados. Si hubiera limitaciones de
presupuestos esto implicaría dejar de realizar proyectos de menor prioridad, pero no
el de disminuir el presupuesto a todos los proyectos por realizar. Ejecutar un
proyecto con recursos a medias, significa “querer hacer algo pero no querer,
conseguir una mejora para el agricultor beneficiario”.

Otros recursos importantes que es necesario tener en cuenta y que muchas veces
se le obvia, son:

Informativos, que influyen directamente en la planificación eficiente y en la calidad y

cantidad de la investigación.
Se acostumbra a dividir la información no generada bajo control de investigador y la
segunda se refiere a la información generada por el investigador.

Tiempo, está muy relacionado con la eficiencia en la generación del producto del
proyecto. Es necesario considerar el tiempo disponible no sólo para la ejecución en
el campo o laboratorio, sino también para realizar los informes de avance y final.

Por ello debemos elegir una fecha de inicio realista, que nos permita obtener los
materiales e insumos que requerimos, preparar el lugar, etc. y fecha de término
realista por la cual los objetivos se debe haber cumplido.

75
8. Título

El título por sí solo, debe dar una idea completa y sin ambigüedad de objetivos del
proyecto. Debe expresar en forma sintética al principal objetivo del proyecto. A pesar
de todo el título es lo primero que se lee en el formulario del proyecto, debe ser la
última información que se debe llenar en el formulario, ya que sin problema por
resolver, sin hipótesis que verificar y sin objetivo claros, no se puede pensar en un
título.
Luego de formulado el título, nos preguntamos ¿Es el título correcto?, ¿Es el título
descriptivo?, ¿Sirve para diferenciar este ensayo de otros en este lugar?

9. Palabras claves

Tiene por función identificar el proyecto por características técnico – científicos no

consideradas en el resto del formulario, o que si lo están, son muy generales y no
reflejan claramente las características o factores del proyecto.

Permiten posteriores clasificaciones y recuperación de la información almacenada

para uso gerencial de la comunidad científica y el sector agropecuario en general.

76
 Capítulo 5
Diseños experimentales

5.1 INTRODUCCIÓN
La observación y la experimentación son la base en que se apoya el investigador
para el estudio de fenómenos de su interés, presentes en la naturaleza. Mediante la
observación describe el fenómeno con todas las circunstancias que lo rodean, no
pudiendo atribuir sus efectos a una causa específica. Con la ayuda de la
experimentación estudia dichos fenómenos en forma más controlada, aislando
aquellos factores que pudieran enmascarar el efecto que ocasiona la causa de su
interés sobre dicho fenómeno.

En el estudio experimental de un fenómeno se plantea una hipótesis, para cuya

prueba diseña un procedimiento de ejecución, que se denomina diseño del
experimento. Esta hipótesis, al ser probada requiere generalizarla a un aspecto más
amplio que el de su experimento, asociándole a una medida de probabilidad o
confiabilidad. Este es el caso de los diseños experimentales, cuya metodología es
ampliamente usada en la investigación agropecuaria para la comparación de efectos
de diferentes factores o tratamientos.

Un diseño experimental debe adecuarse al material experimental con que se cuenta

y a la clase de preguntas que desea contestarse el investigador. Sus resultados se
resumen en un cuadro de Análisis de Varianza y en una tabla de comparación de
medias de tratamientos que indica las diferencias entre dichas medidas. El análisis
de varianza proporciona la variación de la variable de interés en fuentes explicables
por algunos factores o tratamientos y en aquella para la cual el investigador no tiene
control, no puede medir y no le es posible explicar o atribuir a algún factor en
particular, constituyendo el error experimental. Por ejemplo: si se realiza un
experimento en el cual se estudie el uso de los aminoácidos en raciones para pollos
en crecimiento y se mide la ganancia de peso, la variación de dicha ganancia puede
descomponerse en fuentes de variación conocidas, atribuibles al distinto nivel de
aminoácidos usando las raciones y las fuentes de variación desconocidas o error.
Esta partición de la varianza se hace al través de la suma de cuadrados asociados a
sus respectivos grados de libertad (número de comparaciones linealmente
independientes). La realización de un análisis de la varianza presupone la aditividad
de los errores, la homogeneidad de varianza de las poblaciones de tratamientos y la
independencia y distribución normal de los errores.

77
5.2 Diseños experimentales en la formulación de
proyectos de investigación

La solución de un problema por investigar involucra el planteamiento de una

hipótesis y su verificación. La hipótesis es una proposición conjetural de la relación
causa efecto, entre dos o más variables. La ejecución de un experimento demanda
tiempo, disponibilidad de material, equipo y presupuesto; por esto requiere un
cuidadoso planeamiento, es decir una selección adecuada del diseño experimental.

Selección del diseño experimental

a. La identificación de la población sobre las que se harán las inferencias.

b. El planteamiento claro y preciso de la HIPOTESIS que se desea verificar y los

OBJETIVOS que se persiguen.

c. Un conocimiento amplio del material experimental a utilizarse, de acuerdo a la

población identificada.

d. Disponibilidad del material experimental representativo de la población.

e. De acuerdo a la hipótesis y los objetivos propuestos la identificación de:

i. Las variables independientes o factores que deben ser incluidos en el

experimento y serán modificados por el experimentador.

ii. Las variables dependientes o respuestas que deben ser observadas.

f. Magnitud de la precisión de las estimaciones de las respuestas de acuerdo a las

metas del proyecto.

g. Los tratamientos seleccionados de acuerdo a las modificaciones (en que dosis o

niveles) que deben hacerse sobre los factores o variables independientes con la
finalidad de controlar su efecto de acuerdo a la hipótesis y los objetivos
propuestos.

h. El grado de confiabilidad con que se debe verificar la hipótesis y obtener los

estimados.

Con esta información y teniendo en cuenta los principios de:

- Repeticiones
- Control local
- Aleatorización
- Arreglo factorial.

No solo conseguiremos una apropiada selección del diseño experimental requerido,

sino también un apropiado planeamiento de este diseño.

78
Elementos estructurales del diseño experimental
Tratamiento

Un tratamiento es determinado condición experimental especial, que se impone a

una parte del material disponible. Esta condición experimental está dada por la
modificación que el Investigador hace sobre el FACTOR O VARIABLE
INDEPENDIENTE, cuyos efectos desea controlar, a fin de verificar la hipótesis
planteada, los objetivos y metas propuestas.

Unidad Experimental

Es la Unidad de Material Experimental que recibe la aplicación de un tratamiento.

Se ha hecho costumbre llamar por "PARCELA" a la Unidad Experimental, aun
cuando se trate de experimentos no agronómicos. Ejemplo: una maceta, una
determinada área de terreno.

Respuesta

Por respuesta llamamos a la reacción del material experimental como consecuencia

de la aplicación del ó los tratamientos bajo control experimental.

Error Experimental

La característica de todo material experimental es su variabilidad. El término

ERROR EXPERIMENTAL, describe la diferencia en la respuesta de dos Unidades
Experimentales que recibieron el mismo tratamiento. Y es medida por la variancia
del error por observación.

Este error experimental puede deberse a:

a. Variabilidad del material experimental

b. Efecto combinado de factores extraños que no fueron, o no pudieron ser
controlados o medidos por el Investigador.
c. Errores de medición u observación
d. Errores en la conducción del experimento

La magnitud del error puede ser reducido mediante:

a. Selección del material experimental, lo más homogéneo posible, sin menoscabar

la representatividad de la población.
b. Toda la información disponible sobre otros factores no incluidos en el estudio que
pueden ser controladas en cierto modo mediante un análisis de covariancia.
c. Selección del diseño experimental más apropiado con suficiente control de las
influencias ambientales, es decir un eficiente diseño experimental.

79
Exactitud y Precisión.

La información que provee un Diseño Experimental debe tener suficiente "exactitud",

es decir que cada valor estimado se encuentre lo más cercano al valor verdadero del
parámetro por estimar. Este término es generalmente confundido con "precisión" el
cual se refiere al grado de aproximación de los valores obtenidos en varias
mediciones al valor promedio verdadero.

Principios generales del diseño experimental.

Repeticiones

Este principio se refiere a la repetición del experimento básico constituido por el

conjunto de tratamientos por estudio.

Las ventajas de repetir un experimento son:

i. Provee un estimado del error experimental
ii. A mayor número de repeticiones más preciso será el estimado del efecto de los
factores en estudio.

El número óptimo de repeticiones depende de:

i. El grado de precisión requerida del estimado del efecto de los factores en estudio.
ii. La magnitud del error experimental permisible
iii. Nivel de significación asumido.
iv. Disponibilidad de presupuesto

Aleatorización

La Aleatorización en los diseños experimentales, consiste en el proceso de asignar

al azar los tratamientos a las unidades experimentales, dando a cada Unidad
Experimental, igual oportunidad de poder recibir cualesquiera de los tratamientos
bajo estudio.

Control Local

Este principio se refiere a la reducción del error experimental mediante el control de

las influencias ambientales que afectan la variabilidad del material experimental, por
medio de un agrupamiento, estratificación y/o balanceamiento de las parcelas
experimentales, tratando de aplicar un diseño experimental eficiente.

Arreglo Factorial

Generalmente, las variables respuesta son afectadas simultáneamente por dos o

más factores y es necesario estudiar cómo interactúan estos factores; de allí la
importancia de que el experimental incluya arreglos factoriales.

El término Arreglo Factorial, se refiere cuando los tratamientos consisten en cada

una de las posibles combinaciones que puedan formarse con los niveles (diferentes
dosis o cantidades) seleccionados de cada factor.

80
Número Óptimo de Repeticiones

Existen varios métodos para estimar el número óptimo de repeticiones de acuerdo a

los diferentes métodos de prueba de significación de las diferencias entre las medias
de tratamientos, todos ellos basados en la magnitud de la precisión requerida y la
del error experimental.

Entre los principales métodos tenemos el de Cochran y Cox y Tukey, los que son
ampliamente descritos por Cochran y Cox, y Federer respectivamente.

Teniendo en cuenta que:

a. Generalmente el dato más a la mano es el coeficiente de variabilidad.

b. El número de repeticiones está muy ligado al tamaño de la parcela.

Los principales diseños experimentales que a continuación se describen son los

siguientes:

Diseño Completo al Azar. DCR

Diseño de Bloques Completos al Azar - BCR
Diseño Cuadrado Latino - DCL
Arreglo de parcelas divididas.
Arreglos Factoriales

81
 Capítulo vi
DISEÑO COMPLETAMENTE AL AZAR,
DCR, clasificación de una vía
Este diseño es conocido por varios nombres y abreviaturas como: Diseño
Completamente Aleatorizado, Diseño Completamente al Azar, Diseño
completamente Randomizado; DCR, y según Stell and Torrie (19…) como
Clasificación de una Vía. Este diseño es el más sencillo, flexible, útil y versátil; y
consiste en asignar en forma irrestrictamente al azar un grupo de tratamientos a las
unidades experimentales previamente determinado. Ejemplo: individuos, grupos de
individuos, parcelas, jaulas, animales, insectos, macetas, etc., por lo tanto cada una
de las unidades experimentales de un experimento tienen la misma probabilidad de
recibir cualquiera de los tratamientos en estudio.

Este diseño se utiliza solamente cuando las unidades experimentales o material

experimental son completamente homogéneas; en muchos casos se requiere
realizar una prueba de homogeneidad de varianza de las unidades experimentales
antes de asignarles los tratamientos, esta es la razón por lo que no es muy utilizado
en experimentos de campo donde el suelo es el material experimental que tiene
mucha heterogeneidad, siendo esta su principal desventaja.

Este diseño es muy utilizado en experimentos con animales como vacunos, cerdos,
aves, en donde es fácil homogenizar las unidades experimentales por ejemplo se
puede contar con animales de la misma raza, sexo, edad, peso, manejo, animales
de la misma camada como el caso de cerdos, de la misma granja, estado fisiológico,
etc. También se puede utilizar en invernaderos, por ejemplo si utilizamos “macetas”
como unidades experimentales para ciertos tipos de experimentos donde se puede
homogenizar el tamaño, la tierra para el llenado de éstas, la cantidad de agua de
riego para cada una, la intensidad de luz, etc. Igualmente se puede utilizar en
laboratorios utilizando placas Petri o tubos de ensayo como unidades
experimentales. En viveros donde también se puede controlar el suelo, la luz, el
agua, etc. Se puede extender su uso en experimentos de otras disciplinas como
ciencias sociales, médicas, teniendo en consideración el principio de homogeneidad
del material experimental.

Existen muchas extensiones de este tipo de diseño como: El DCR con desigual
número de unidades por tratamiento, el DCR con sub muestras, igual o el DCR con
desigual número de sub muestras conocidos también como Diseño Anidado o
Diseño Jerárquico muy utilizado con animales y plantas, o para su uso e genética
para el cálculo del índice de heredabilidad.

82
Aleatorización

Para distribuir aleatoriamente los tratamientos a las unidades experimentales se

pueden utilizar varias formas; en los libros de bioestadística se pueden encontrar
muchas tablas aleatorias. (Cochran y Cox 1999; Stell/Torrie 1985), los que se
pueden utilizar para la aleatorización de los tratamientos a las unidades
experimentales. Ejemplo, 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 caja 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.

Consideraciones para aplicar el DCR

 Aplicable solo cuando las unidades experimentales son homogéneas (Verificar si

existe o no tal homogeneidad antes de aplicar los tratamientos).

 Los tratamientos pueden tener igual o diferente número de unidades

experimentales.

 La distribución de los tratamientos a las unidades experimentales se hace

irrestrictamente al azar.

 El número de tratamientos en estudio después del número de unidades

experimentales homogéneas que se disponga.

 Es preferible estudiar con el mayor número de repeticiones (unidades

experimentales) con un grupo selecto de tratamientos que muchos tratamientos
con pocas repeticiones.

 Debe seleccionarse cuidadosamente los tratamientos por estudiar y plantear las

comparaciones (hipótesis) de interés. El tipo de comparaciones determina la
prueba estadística.

 Es el diseño experimental más sencillo y más útil.

Modelo matemático del DCR

Yij = µ + ti +eij
Dónde:

Yij = Cualquier observación en estudio. También se describe como la variable

respuesta de la j-ésima repetición en el i-ésimo tratamiento en estudio.
µ = Media general que es igual a cero
ti = Efecto del i-esimo tratamiento en estudio.

83
eij = Error o residual: Normal e Independientemente Distribuido con media cero y
variancia 1 o variancia común. Generalmente se abrevia: NID (µ =0, σ² =1)

i = 1, 2, 3,..., n
j = 1, 2, 3,..., n

Prueba de hipótesis

En un DCR se prueba solamente una hipótesis el cual es probar la igualdad o

diferencia significativa de los promedios de los tratamientos estudiados.

Hipótesis para tratamientos en estudio

𝐇𝐨 ⇒ μ1 = μ2 = ⋯ = μn

𝐇𝑨 ⇒ μ1 ≠ μ2 ≠ ⋯ ≠ μn

Cuadro del Análisis de Variancia

En el presente cuadro se resume el análisis que se realiza para el cálculo de la F

calculada en donde en la primera columna se puede observar las Fuentes de
Variabilidad (FV) que intervienen en el modelo; en la segunda columna los Grados
de Libertad (GL) para cada fuente de variabilidad; en la tercera columna la formulas
para calcular la Suma de Cuadrados (SC); en la cuarta columna como se calcula el
Cuadrado Medio (CM) y finalmente en la última columna la fórmula para calcular la F
calculada (Fc).

ANVA

FV GL SC CM Fc
2
∑𝑥𝑖 (∑𝑥𝑖 )2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 −
𝑟 𝑡𝑥𝑟 𝑔𝑙𝑡 𝐶𝑀𝑒
𝑆𝐶𝑒
Error ≠ (por diferencia ≠ 𝑔𝑙𝑒
Total – Tratamiento)
Total (t x r)-1 (∑ 𝑥𝑖 )2
∑𝑥𝑖 2 −
𝑡𝑟
t = Número de tratamientos; r = Número de repeticiones

Encontrar el valor de la F de la tabla, conocida como F tabular = Ft

Para encontrar el valor de F de la tabla ir a la Tabla de F que se encuentra publicada

en cualquier libro de estadística y que se reproduce al final de este Manual. El valor
de F se encuentra con los siguientes datos:

Ft (Valores de F) = Grados de libertad de tratamientos (gl del numerador) ubicados

en la parte superior horizontal de la Tabla, y los Grados de libertad del error (gl del

84
denominador) que se ubica en la parte izquierda vertical de la Tabla, además de la
probabilidad deseada (α = probabilidad de un valor más alto de F) que se ubica en la
parte izquierda vertical de la Tabla.

Ejemplo del uso del Diseño Completo al Azar

Se realizó un experimento para estudiar el efecto de 4 raciones en el engorde de

cerdos en crecimiento; cada ración representa a un tratamiento en estudio, entre los
cuatro tratamientos se encuentra incluido el tratamiento control (alimento comercial).
Se emplearon porcinos de la misma raza, edad, sexo, estado sanitario y se
distribuyeron al azar cuatro cerdos por tipo de ración. Los animales se pesaron al
inicio del experimento y a los 100 días para establecer la ganancia de peso (peso
final – peso inicial).

El propósito concreto de la investigación fue comparar

a) La Ración A vs. La Ración B

b) La Ración C vs. La Ración D
c) La Ración A (tratamiento control) vs. Las demás Raciones (B, C, D)
Última revisión 24/marzo 2017

Cuadro x Incremento de Peso (kg) de cerdos en crecimiento alimentados con

diferentes raciones
Tratamiento Repeticiones Total Promedio
Ración A (control) 47 42 45 42 176 44.0
Ración B 50 54 67 57 228 57.0
Ración C 57 53 69 57 236 59.0
Ración D 74 85 94 79 332 83.0
Gran total 972 60.8

Cálculos

1. Término de corrección- TC

(∑𝐱 𝐢 )𝟐 𝟗𝟕𝟐²
𝐓𝐂 = = = 𝟓𝟗𝟎𝟒𝟗
𝐭𝐱𝐫 𝟏𝟔

2. Suma de Cuadrados de Tratamientos.

176² +228² +236²+ 332²

SCt = = 59049
4

SCt = 62220 – 59049 = 3171

85
SCt = 3171

3. Suma de Cuadrados de Total.

SCT = 47² + 50² + … + 57² + 79² - TC = 62762 – 59049 = 3713

SCTo = 3113

4. Suma de Cuadrados del Error Experimental.

SCe = SCTo – SCt = 3713 – 3171= 542

SCe = 542

5. Cuadro del análisis de la variancia.

ANVA

Fuente de variabilidad GL SC CM FC
Tratamientos: Raciones 3 3171 1057 23.4
Error 12 542 45.167 |
Total 15 3713

6. Encontrar el valor de F tabular en la Tabla de Distribución de F, con un alfa

determinado: α = 0.05, ó α = 0.01, y con los grados de libertad de tratamientos y
los grados de libertad de error:

Ft con α = 0.05, con 3 y 12 gl = 3.49

Ft con α = 0.01, con 3 y 12 gl = 5.95

7. Significación estadística.

Como la Fc es mayor que la Ft se acepta la hipótesis alternante y se concluye que

existe diferencias altamente significativas entre los promedios de los tratamientos
estudiados

8. Cálculo del coeficiente de variabilidad

√𝟒𝟓. 𝟏𝟔𝟕
𝐂𝐕 = 𝑿𝟏𝟎𝟎 = 𝟏𝟏. 𝟎𝟔%
𝟔𝟎. 𝟕𝟓
Conclusiones preliminares

 Existen diferencias altamente significativas entre las raciones estudiadas.

86
 El coeficiente de variabilidad nos está informando que las unidades
experimentales (cerdos) fueron bastante homogéneas.
 Se recomienda hacer la prueba de promedios propuesto en el enunciado del
proyecto para conocer cuál de las raciones estudiadas es la que tiene un mayor
efecto en el engorde de los cerdos.

El propósito concreto de la investigación fue comparar:

a) La Ración A vs. Ración B.

b) La Ración C vs. Ración D.
c) Las raciones con el Testigo.
Respuesta: en los dos primeros casos a y b se utiliza la prueba de promedios para
dos tratamientos: Prueba de Diferencia Significativa Mínima – DSM; y en el caso c
se utiliza la prueba de Dunnett que es una prueba para comparar el tratamiento
testigo con los demás tratamientos

Prueba de promedios DSM

Datos

𝑥̅𝐴 = 44
𝑥̅𝐵 = 57
𝑥̅𝑐 = 59
𝑥̅𝐷 = 83
a) Ración A vs. Ración B

𝐇𝐨 ∶ 𝜇𝐴 = 𝜇𝐵
𝐇𝐚 ∶ 𝜇𝐴 ≠ 𝜇𝐵
𝛂 = 0.05

Conclusión

Los resultados experimentales, no concuerdan con la hipótesis planteada de que las

raciones producen igual ganancia de peso.

El experimento ha sido conducido bajo estricto control y cuidado de modo que las
posibilidades de encontrar muestras extremas (siendo cierta la hipótesis planteada)
es muy pequeña por lo cual se concluye que la hipótesis planteada no es aceptada a
la luz de los resultados que dicen que la ganancia de peso con la ración B es supe-
rior a la ganancia de peso con la ración A.

87
Diferencia límite de significación (D.L.S)

Es una forma particular de realizar la prueba de t

Por definición

𝐂𝐌 (𝐞) 𝐂𝐌 (𝐞) 𝟐𝑪𝑴(𝒆)

𝐃. 𝐋. 𝐒. = 𝐭 𝜶 . √ + = 𝒕𝜶 . √ =
𝐫𝟏 𝐫𝟐 𝒓

𝟐 (𝟒𝟓. 𝟏𝟔𝟕)
𝟐. 𝟏𝟕𝟗 𝐱 √ = 𝟏𝟎. 𝟑𝟓
𝟒

D.L.S. = 10.35

D.L.S. es la diferencia mínima requerida para declarar que dos tratamientos son
diferentes consistentemente.

Así

𝐝̅ = 𝐱̅ 𝐁 − 𝐱̅ 𝐁 = 𝟏𝟑 𝐲 𝐝̅ > 𝐷. 𝐿. 𝑆.

13 > 10.35 luego se obtiene que la ración B es superior a la Ración A.

Ejemplo de un diseño completamente al azar con diferentes números de

unidades experimentales por tratamiento Pérdida de unidades experimentales

Suponga que durante el experimento por causas ajenas a este se pierden algunas
unidades experimentales. En otros casos desde el inicio de la experimentación y por
falta de material experimental se diseña los tratamientos con diferente número de
unidades experimentales. En estos casos es posible realizar el análisis de variancia
que se conoce como el diseño completamente al azar con diferente numero
unidades experimentales por tratamiento.

El siguiente ejemplo nos presente el análisis con el mismo experimento arriba

desarrollado en donde se pierden cerdos y donde quedan solo las siguientes
unidades experimentales:

Cuadro x. aumento de peso (kg) de cerdos alimentado con diferentes raciones.

Tratamiento Repeticiones Total Media

A(control) 47 42 45 134 44.7
B 50 54 67 57 228 57.0
C 57 53 69 179 55.0
D 74 85 94 79 332 83.0

88
 Gran total 873

Cálculos

1. Término de Corrección
𝟖𝟕𝟑²
𝐂=
𝟏𝟑

𝐂 = 𝟓, 𝟖𝟕𝟔𝟑. 𝟑𝟏

2. Suma de Cuadrados de Tratamientos

𝟏𝟑𝟒𝟐 𝟐𝟐𝟖𝟐 𝟏𝟏𝟎𝟐 𝟑𝟑𝟐𝟐

𝐒𝐂(𝐓𝐫) = + + + −𝐜
𝟑 𝟒 𝟐 𝟒
𝐒𝐂(𝐓𝐫) = 𝟓𝟐𝟓𝟖𝟕. 𝟑𝟑 − 𝟒𝟐𝟕𝟐𝟒. 𝟑𝟏

𝐒𝐂(𝐓𝐫) = 𝟐𝟖𝟔𝟑. 𝟎𝟐

3. Suma de Cuadrados Total.

𝐒𝐂(𝐓𝐨 ) = 𝟓𝟐, 𝟗𝟖𝟖 − 𝟒𝟗𝟕𝟐𝟒. 𝟑𝟏

𝐒𝐂(𝐓𝐨 ) = 𝟑𝟐𝟔𝟑. 𝟔𝟗𝟎

4. Suma de Cuadrados del Error

𝐒𝐂(𝐄) = 𝐒𝐂(𝐓𝐨 ) − 𝐒𝐂(𝐓𝐫)

𝐒𝐂(𝐄) = 𝟑𝟐𝟔𝟑. 𝟔𝟗 − 𝟐𝟖𝟔𝟑. 𝟎𝟐

𝐒𝐂(𝐄) = 𝟒𝟎𝟎. 𝟔𝟕

ANALISIS DE VARIANCIA

Fuentes GL. SC. CM FC Sig.

Tratamientos(raciones) 3 2863.02 954.34 21.44 **
Error 9 400.67 44.52
Total 12 3263.69
Ft = con 3 y 9 gl y α 0.01 = 6.99

89
 √𝟒𝟒. 𝟓𝟐
𝐂𝐕 = = 𝟏𝟎. 𝟕𝟗%
𝟔𝟏. 𝟖𝟓

Comparación de promedios utilizando la prueba de D.L.S.

a) Pastizal A vs. Pastizal B

𝐱𝐀 − 𝐱𝐁 = 𝐝 ⇒ 𝟒𝟒. 𝟕 − 𝟓𝟕 = 𝟏𝟐. 𝟑

𝟒𝟒. 𝟓𝟐 𝟒𝟒. 𝟓𝟐
𝐃. 𝐋. 𝐒 = 𝟐. 𝟐𝟔√ +
𝟑 𝟒

𝐃. 𝐋. 𝐒 = 𝟏𝟏. 𝟓𝟑
Como la diferencia de los promedios 12.3 y D.LS. 11.53 se acepta la hipótesis
alternante lo que nos muestra que existen diferencias significativas entre los dos
tratamientos.

Conclusión.

Los resultados experimentales nos conducen a concluir que la ración B produce

mayor aumento de peso que la ración testigo.

c. Ejemplo de un Diseño completo al Azar con sub muestras

Se realizó un experimento en la Estación Experimental del IVITA Pucallpa con la

finalidad de evaluar la cantidad de forraje producido MV (kg/m 2) de 3 gramíneas:
Brachiaria decumbens Bd, Brachiaria Brizantha Bb y Brachiaria humidicola Bh en
monocultivo y en asociación íntima con una leguminosa forrajera Stylosanthes
guianensis Sg, haciendo un total de 6 tratamientos. El experimento se realizó
utilizando el diseño completo alzar y debido a que no se pudo evaluar toda la parcela
solamente se evaluó cuatro cuadrantes de 1m2 , por lo que el análisis de variancia se
relizó en DCR con sub muestras

90
 Cuadro x.

Pasturas en monocultivo Pasturas asociadas

m2 Bd Bb Bh Bd + Sg Bb + Sg Bh + Sg
R1 R2 R3 R1 R2 R3 R1 R2 R3 R1 R2 R3 R1 R2 R3 R1 R2 R3
1 3.5 2.5 3.0 5.0 3.5 4.5 5.0 5.5 5.5 8.5 6.5 7.0 6.0 6.0 6.5 7.0 6.0 11.0
2 4.0 4.5 3.0 5.5 3.5 4.0 4.5 6.0 4.5 6.0 7.0 7.0 5.5 8.5 6.5 9.0 7.0 7.0
3 3.0 5.5 2.5 4.0 3.0 4.0 5.0 5.0 6.5 9.0 8.0 7.0 3.5 4.5 8.5 8.5 7.0 9.0
4 4.5 5.0 3.0 3.5 4.0 5.0 4.5 5.0 5.5 8.5 6.5 7.0 7.0 7.5 7.5 8.5 7.0 8.0
∑= Xij. 15.0 17.5 11.5 18.0 14.0 17.5 19.0 21.5 22.0 32.0 28.0 28.0 22.0 26.5 29.0 33.0 27.0 35.0

∑ = Xi.. 44.0 49.5 62.5 88.0 77.5 95.0

𝑋̅= 𝑋̅𝑖.. 3.7 4.1 5.2 7.3 6.5 7.9

2
∑ 𝑋𝑖𝑗𝑘 = 𝑋𝑖𝑗. 𝑦 ∑ 𝑋𝑖𝑗𝑘
𝑘 𝑘

𝑦 2 … (416.5)2
𝐶= = = 2,409.34
𝑠𝑟𝑡 4(3)6

2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑋𝑖𝑗𝑘 −𝐶
𝑖,𝑗,𝑘

(3.5)2 + (4.0)2 + ⋯ + (8.0)2 − 𝐶 = 255.91 𝑐𝑜𝑛 71 𝑔𝑙

2
∑𝑖,𝑗 𝑋𝑖𝑗.
𝑆𝐶𝑀𝑎𝑡𝑒𝑟𝑎𝑠 = −𝐶
𝑠
(15.0)2 + ⋯ + (35.0)2
= − 𝐶 = 205.47 𝑐𝑜𝑛 17 𝑔𝑙
4

𝑆𝐶𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑎𝑠 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑚𝑎𝑡𝑒𝑟𝑎𝑠

= 255.91 − 205.47

= 50.44 𝑐𝑜𝑛 71 − 17 = 54 𝑔𝑙

91
 ∑𝑖 𝑋𝑖..2
𝑆𝐶 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = −𝐶
𝑠𝑟
(44.0)2 + ⋯ + (95.0)2
= − 𝐶 = 179.64 𝑐𝑜𝑛 5𝑔𝑙
4(3)

FV GL SC CM FC Sig.
Entre materas 17 205.47
Tratamientos 5 179.64 35.93
Entre materas dentro de 12 25.83 2.15
tratamiento = error experimental
Entre plantas dentro de materas 54 50.44 0.93
= error de muestreo
Total 71 255.91
2.15 − 0.93 ∑ 𝑡𝑖2 35.93 − 2.15
𝑆 2 = 0.93, 𝑆𝜀2 = = 0.30, = = 2.82 (𝑜 = 𝑠𝑡2 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑀𝑜𝑑𝑒𝑙𝑜 𝐼𝐼)
4 5 12

𝑑𝑜𝑛𝑑𝑒 𝑡𝑖 𝑒𝑠 𝑢𝑛𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑖

𝑆𝐶 𝑚𝑎𝑡𝑒𝑟𝑎𝑠 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 = 𝑆𝐶𝑚𝑎𝑡𝑒𝑟𝑎𝑠 − 𝑆𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠

= 205.47 − 179.64 = 25.83 𝑐𝑜𝑛 17 − 5 = 12 𝑔𝑙.

(15.0)2
𝑆𝐶𝑝𝑙𝑎𝑛𝑡𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑎 1, 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 1 = (3.5)2 + ⋯ + (4.5)2 −
4
= 1.25 𝑐𝑜𝑛 3 𝑔𝑙.

𝑆𝐶 𝑒𝑛𝑡𝑟𝑒 𝑝𝑙𝑎𝑛𝑡𝑎𝑠 𝑡𝑟𝑎𝑡𝑎𝑑𝑎𝑠 𝑎𝑛á𝑙𝑜𝑔𝑎𝑚𝑒𝑛𝑡𝑒 = 1.25 + ⋯ + 8.75

= 50.45 𝑐𝑜𝑛 18(3) = 54 𝑔𝑙.

𝑆𝐶 𝑚𝑎𝑡𝑒𝑟𝑎𝑠 𝑐𝑜𝑛 𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 1

(15.0)2 + (17.5)2 + (11.5)2 − (15.0 + 17.5 + 11.5)2 /3

=
4

92
 = 4.54 𝑐𝑜𝑛 2 𝑔𝑙.

𝑆𝐶 𝑚𝑎𝑡𝑒𝑟𝑎𝑠 𝑡𝑟𝑎𝑡𝑎𝑑𝑎𝑠 𝑎𝑛á𝑙𝑜𝑔𝑎𝑚𝑒𝑛𝑡𝑒 = 4.54 + ⋯ + 8.67

= 25.83 𝑐𝑜𝑛 6(2) = 12 𝑔𝑙

35.93
𝐹= = 16.7 ∗∗ 𝑐𝑜𝑛 5 𝑦 12 𝑔𝑙
2.15

2.15
𝐹= = 2.3 ∗ 𝑐𝑜𝑛 12 𝑦 54 𝑔𝑙.
0.93

Capítulo 6

COMPARACIONES MÚLTIPLES
O PRUEBAS DE PROMEDIOS

6.1 INTRODUCCIÓN

Luego de realizado el análisis de variancia y de existir diferencias significativas entre

los tratamientos estudiados se debe de realizar las comparaciones múltiples o
también llamadas pruebas de promedios con la finalidad de poder encontrar las
diferencias existentes entre cada par e tratamientos estudiados.

Existen diferentes pruebas de promedios los cuales pueden ser utilizados

dependiendo de la hipótesis planteada, pero también es importante identificar el tipo
de factor estudiado: Los que pueden ser factores discretos o factores continuos:

Pruebas de promedios para factores discretos.- Se hacen comparaciones

propiamente dichas que pueden ser:Pruebas o comparaciones entre dos promedios;
Pruebas o comparaciones de todos contra todos llamadas también pruebas
múltiples; y pruebas de promedios entre grupos de tratamientos. Las más
importantes son las siguientes:

Pruebas para comparar dos promedios.

 Prueba de DSM o prueba de Diferencias Significativas Mínimas.

93
  Prueba de Dunnett

Pruebas Múltiples propiamente dicha

 Prueba de Duncan
 Prueba de Tukey
 Prueba de SNK, o prueba de StudentNewmamKeul.

Pruebas para comparar grupos de promedios.

 Prueba de contrastes ortogonales.

Pruebas para Factores continuos. Cuando los factores en estudio son continuos
generalmente se desea conocer la naturaleza de la curva de respuesta, la cual
puede realizarse mediante las llamadas comparaciones de tendencia, para lo cual se
cuenta con dos pruebas las que depende de que si los tratamientos son ortogonales
o no, siendo estos los siguientes:
 Polinomios Ortogonales.
 Regresión lineal

 Prueba de Diferencia Significativa Mínima- DSM.

Es simplemente una prueba de t de Student, y se utiliza cuando en el proyecto se ha

pre planeado realizar determinadas comparaciones. El número de comparaciones
debe ser igual a los grados de libertad del tratamiento.

La prueba consiste en los siguientes pasos:

1. Encontrar un valor comparativo conocido como DSM a través de la siguiente

formula:

𝐃𝐒𝐌 = 𝐭𝛂 . 𝐒𝐝̅

DSM = Valor Comparativo

tα = Se busca en la tabla de t de Student con probabilidad de 0.05 ó 0.01 y Grados

de libertad (GL) del error.

2(CMe)
𝐒𝒅̅ = √
r

2. Calcular la diferencia de los promedios a comparar

a) ̅𝑋1 − 𝑋̅2

𝑏) 𝑋̅3 − 𝑋̅4

3. Comparar la diferencia de los promedios con el valor comparativo DSM y

determinar si existen diferencias significativas, aplicando el siguiente principio:

 Si DSM es mayor que la diferencia de los promedios se acepta la hipótesis

94
 nula y se dice que no existe diferencias significativas entre los promedio de
los tratamientos en comparación.Esto se puede representar poniendo NS al
final de fila de las comparaciones.
 Si DSM es menor que la diferencia de los promedios con α = 0.05 se acepta
la hipótesis alternante y se dice que existe diferencias significativas. Esto se
puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.
 Si DSM es menor que la diferencia de los promedios con α = 0.01 se acepta
la hipótesis alternante y se dice que existe diferencias altamente
significativas. Esto se puede representar poniendo dos asteriscos (**) al final
de fila de las comparaciones.

 Prueba de Dunnett.

En muchos experimentos el paquete de tratamientos cuenta con un tratamiento

testigo o también llamado tratamiento control, el cual generalmente es la
tecnología que se desea mejorar; así por ejemplo en experimentos donde se
utiliza dosis de fertilizantes se considera tratamiento testigo al tratamiento con
dosis cero.

La prueba de Dunnett es una prueba similar a la de DSM con la diferencia de

que se utiliza para comparar al tratamiento testigo versus los demás
tratamientos. Esta prueba tiene su propia tabla conocida como la tabla de
Dunnet.

La prueba consiste en los siguientes pasos:

1. Encontrar un valor comparativo conocido como 𝑑̅ de Dunnet a través de la

siguiente formula:

̅ = 𝐪𝛂 (𝐏, 𝐆𝐋) . 𝐒𝐝̅

𝒅
̅ = Valor Comparativo
𝒅

qα=Se busca en la tabla de Dunnett con P = número de promedios de

tratamientos , sin incluir el control y grados de libertad del error, con el α
respectivo que puede ser 0.05 ó 0.01.

2(CMe)
𝐒𝒅̅ = √
r

2. Calcular las diferencias de los promedios a comparar

𝑎) ̅𝑋𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅2

b) 𝑋̅𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅3

95
 c) 𝑋̅𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅4

3. Comparar la diferencia de los promedios con el valor comparativo 𝒅 ̅ y

determinar si existen diferencias significativas, aplicando el siguiente
principio:

 ̅ es mayor que la diferencia de los promedios se acepta la hipótesis nula

Si 𝒅
y se dice que no existe diferencias significativas entre los promedio de los
tratamientos en comparación. Esto se puede representar poniendo NS al
final de fila de las comparaciones.
 ̅ es menor que la diferencia de los promedios con α = 0.05 se acepta la
Si 𝒅
hipótesis alternante y se dice que existe diferencias significativas. Esto se
puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.
 ̅ es menor que la diferencia de los promedios con α = 0.01 se acepta la
Si 𝒅
hipótesis alternante y se dice que existe diferencias altamente significativas.
Esto se puede representar poniendo dos asteriscos (**) al final de fila de las
comparaciones.

Prueba de Duncan.

La prueba de Duncan conocida también como prueba múltiple, consiste en

comparar a todos los tratamientos contra todos; esta prueba es considerada
poco exigente, debido a que tiene varios valores comparativos, razón por la
cual muchos investigadores no recomiendan utilizar esta prueba.

La prueba consiste en los siguientes pasos:

1. Ordenar los promedios de los tratamientos de mayor a menor o viceversa

2. Calcular en valor de Error Stándar de los promedios - 𝑆𝑥̅ utilizando la
siguiente fórmula.

𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟

3. Calcular los valores comparativos de Duncan conocidos como Rango

Significativo Mínimo –RSM, a través de la siguiente fórmula:

𝐑𝐒𝐌 = ASS(D) . Sx̅

RSM= Rango Significativo Mínimo

ASS = Amplitud Significativa Studiantizada de Duncan. Estos valores se

encuentran en la tabla de Duncan con P= número de promedios del

96
 ordenamiento que se está probando y N = número de grados de libertad del
error, con α = 0.05 ó 0.01 correspondiente.

4. Calcular las diferencias de los promedios de todos contra todos. Ejemplo:

Si tenemos cuatro tratamientos en estudio se ordenan los promedios de los
tratamientos de mayor a menor o viceversa utilizando números romanos, I, II, III,
IV. Las comparaciones de los promedios se representan de la siguiente manera:
I – IV
I – III
I – II
II – IV
II – III
III – IV

5. Comparar la diferencia de los promedios con los valores comparativos RSM;

siendo varios valores comparativos estos se colocan de derecha a izquierda,
comparando al primer grupo con todos los valores, al segundo grupo eliminando
al primer valor comparativo y al tercer grupo con un valor comparativo. Para
determinar si existen diferencias significativas, se utiliza el siguiente principio:

 Si RSM es mayor que la diferencia de los promedios se acepta la hipótesis

nula y se dice que no existe diferencias significativas entre los promedio de los
tratamientos en comparación. Esto se puede representar poniendo NS al final
de fila de las comparaciones.

 Si RSM es menor que la diferencia de los promedios con α = 0.05 se acepta la

hipótesis alternante y se dice que existe diferencias significativas. Esto se
puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.

 Si RSM es menor que la diferencia de los promedios con α = 0.01 se acepta la

hipótesis alternante y se dice que existe diferencias altamente significativas.
Esto se puede representar poniendo dos asteriscos (**) al final de fila de las
comparaciones

 Prueba de Tukey.
La prueba de Duncan conocida también como prueba múltiple, consiste en
comparar a todos los tratamientos contra todos; esta prueba es considerada
muy exigente, debido a que tiene un solo valor comparativo, razón por la cual
muchos investigadores recomiendan utilizar esta prueba. La prueba de Tukey
no tiene una tabla sino que utiliza la tabla de SNK.

La forma de operar es similar a la de Duncan y consiste en los siguientes

pasos:

1. Ordenar los promedios de los tratamientos de mayor a menor o viceversa

2. Calcular en valor de Error Stándar de los promedios - 𝑆𝑥̅ utilizando la

97
 siguiente fórmula.

𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟

3. Calcular el valor comparativo de Tukey - W, a través de la siguiente fórmula:

𝐖 = qα (P1 𝑁2 ) . Sx̅

W= Valor comparativo de Tukey.

qα (P1 N2) = Este valor se encuentran en la tabla de NSK con P= número de

promedio de tratamientos que se está probando y N = número de grados de
libertad del error, con α = 0.05 ó 0.01 correspondiente.

6. Calcular la diferencia de los promedios de todos contra todos. Ejemplo:

Si tenemos cuatro tratamientos en estudio se ordenan los promedios de los
tratamientos de mayor a menor o viceversa utilizando números romanos, I, II, III,
IV. Las comparaciones de los promedios se representan de la siguiente manera:
I – IV
I – III
I – II
II – IV
II – III
III – IV

7. Comparar la diferencia de los promedios con el valor comparativo W. Para

determinar si existen diferencias significativas, se utiliza el siguiente principio:

 Si W es mayor que la diferencia de los promedios se acepta la hipótesis nula y

se dice que no existe diferencias significativas entre los promedio de los
tratamientos en comparación. Esto se puede representar poniendo NS al final
de fila de las comparaciones.

 Si W es menor que la diferencia de los promedios con α = 0.05 se acepta la

hipótesis alternante y se dice que existe diferencias significativas. Esto se
puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.

 Si W es menor que la diferencia de los promedios con α = 0.01 se acepta la

hipótesis alternante y se dice que existe diferencias altamente significativas.
Esto se puede representar poniendo dos asteriscos (**) al final de fila de las
comparaciones

 Prueba de Student Newman Keuls.

La prueba de NSK es conocida también como prueba múltiple, consiste en

98
 comparar a todos los tratamientos contra todos; esta prueba es una
combinación entre la prueba de Duncan y la prueba de Tukey debido a que
tiene varios valores comparativos como Duncan y utiliza la misma tabla que
Tukey, por esta razón es considerada medianamente exigente.

La prueba consiste en los siguientes pasos:

1. Ordenar los promedios de los tratamientos de mayor a menor o viceversa

2. Calcular el valor de Error Stándar de los promedios - 𝑆𝑥̅ utilizando la siguiente
fórmula.

𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟

3. Calcular los valores comparativos de Wp, a través de la siguiente fórmula:

𝐖𝐩 = qα (P1 𝑁2 ) . Sx̅
Wp= Valor comparativo de Tukey.

qα (P1, N2) = Este valor se encuentran en la tabla de NSK con P= número de

promedio de tratamientos que se está probando y N = número de grados de
libertad del error, con α = 0.05 ó 0.01 correspondiente.
|
Sx̅ = Error Estándar.

8. Calcular las diferencias de los promedios de todos contra todos. Ejemplo:

Si tenemos cuatro tratamientos en estudio se ordenan los promedios de los
tratamientos de mayor a menor o viceversa utilizando números romanos, I, II, III,
IV. Las comparaciones de los promedios se representan de la siguiente manera:
I – IV
I – III
I – II
II – IV
II – III
III – IV

9. Comparar la diferencia de los promedios con los valores comparativos Wp;

siendo varios valores comparativos estos se colocan de derecha a izquierda,
comparando al primer grupo con todos los valores, al segundo grupo eliminando
al primer valor comparativo y al tercer grupo con un valor comparativo. Para
determinar si existen diferencias significativas, se utiliza el siguiente principio:
 Si Wp es mayor que la diferencia de los promedios se acepta la hipótesis nula
y se dice que no existe diferencias significativas entre los promedio de los
tratamientos en comparación.

 Si Wp es menor que la diferencia de los promedios con α = 0.05 se acepta la

hipótesis alternante y se dice que existe diferencias significativas. Esto se

99
 puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.

 SiWp es menor que la diferencia de los promedios con α = 0.01 se acepta la

hipótesis alternante y se dice que existe diferencias altamente significativas.
Esto se puede representar poniendo dos asteriscos (**) al final de fila de las
comparaciones

 Prueba de Contrastes Ortogonales

La prueba de contrastes ortogonales es una prueba que permite la comparación
de grupos de promedios de tratamientos, siempre y cuando al momento de
elaborar el Proyecto de Investigación en los objetivos de indiquen claramente
que los tratamientos pueden contrastarse atendiendo alguna característica en
particular: ejemplo en un experimento donde de estudia un paquete de
tratamientos como la aplicación de diferentes tipos de acción de herbicidas, así
tenemos herbicidas de contacto, herbicidas sistémicos y herbicidas de
penetración.

El número de comparaciones que se pueden hacer es igual al número de grados

de libertad de tratamientos. La prueba consiste en separar la suma de cuadrados
de tratamientos en tantos grados de libertad tenga esta cada uno asociado a un
grado de libertad.

La prueba consiste en los siguientes pasos:

1. Primero se estructura una tabla de doble entrada en donde en la parte

superior se colocan la suma de todos los tratamientos en estudio y en la parte
vertical izquierda se indica las comparaciones a realizar, como se muestra en
la siguiente tabla.

Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4
1 Vs 234
2 Vs 34
3 Vs 4

2. Asignar los coeficientes a las respectivas comparaciones con la única

condición de que las suman de estas sea igual a cero.
∑Ci = 0. Como se muestra en el siguiente tabla.

Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4
1 Vs 234 -3 +1 +1 +1
2 Vs 34 0 -2 +1 +1
3 Vs 4 0 0 -1 +1

3. Calcular las cantidades Qi=∑Citj. El valor Qi es la sumatoria del producto del

coeficiente por la suma del tratamiento y es el numerador para calcular la
suma de cuadrados de contrastes.
100
4. Calcular los divisores utilizando la siguiente fórmula r ∑ C2ij. Esta fórmula se
lee r veces la sumatoria de los coeficientes al cuadrado.
5. Calcular la suma de los cuadrados de los coeficientes que consiste en elevar
al cuadrado el valor Qi y dividir entre r veces la sumatoria de los coeficientes
al cuadrado, como se muestra en la siguiente fórmula:
𝑄𝑖 2
SCC =
𝑟Σ𝐶𝑖𝑖 2

6. Una vez calculado estos valores se estructura nuevamente una tabla como se
muestra a continuación, la cual debe ser llenada con los valores calculados
respectivamente.

Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4 Qi r ∑ C2ij SCCi
1 Vs 234
2 Vs 34
3 Vs 4

7. Finalmente se estructura un cuadro del análisis de variancia para calcular la F

calculada y determinar si existen diferencias significativas en las
comparaciones de contrastes respectivas.

FV GL SC CM Fc
1 Vs 234 1 SCC1 SCC1 /1 CMc1 / CMe
2 Vs 34 1 SCC2 SCC2 /1 CMc2 / CMe
3 Vs 4 1 SCC3 SCC3 /1 CMc3 / CMe
Error ≠ SCe SCe /GLe
Total txr SCT

8. Finalmente encontrar los valores de F tabular con 1 grado de libertad de los

contrastes y los grados de libertad del error y establecer si existen diferencias
significativas en los contrastes estudiados.

NOTA: Una forma de comprobar si los valores calculados de la suma de

cuadrados de los contrastes, es sumando estos valores la cual tiene que ser
igual a la suma de cuadrados de tratamiento del análisis de variancia del
experimento.

 Polinomios ortogonales en el análisis funcional de la

variancia.
Cuando se trata de factores continuos, estamos interesados en conocer la
naturaleza de la curva de respuesta al factor en estudio, la cual es una
función matemática de los niveles del factor. Generalmente está función
matemática no es conocida, pero puede estar representada aproximadamente
por el siguiente modelo.

Yi = Bo + B1Xj + B2Xj² + ... + B(k-1)Xj(K-1) + ej

101
Donde:

j = 1, 2, ...n
k = niveles del factor

B0= Es el valor donde el parámetro se intersecta en el eje de la Y.

Yi = Es la variable respuesta, o variable dependiente.
Xi = La variable Independiente, que puede ser cantidad, dosis, nivel j del valor
cuantitativo.
Bj = Es el parámetros no conocido, llamado coeficiente de regresión.
ej = Error aleatorio.

El estudio de la respuesta implica un análisis de regresión: sin embargo

cuando los niveles son espaciados a intervalos iguales estudiados y con igual
número de repeticiones, este análisis puede hacerse en forma más
simplificada y con ciertas ventajas, mediante los polinomios ortogonales.

La forma de operar es parecida a la prueba de contrastes ortogonales con la

diferencia de que en esta prueba existe una tabla de los valores de los
coeficientes o polinomios ortogonales Pij y sus respectivos constantes.

Se presenta un ejemplo de un experimento en donde se probó diferentes

niveles de nitrógeno: N1 = 0, N2 = 80, N3 = 169 y N4 = 240 kg de N/ha. El
experimento fue conducido en un diseño de BCR, encontrándose diferencias
altamente significativas en los tratamientos.

En la siguiente tabla se muestra los coeficientes tomados de una tabla que se

encuentra en cualquier libro de estadística.

Valores de Pij para k=4

Componente I Pi1 Pi2 Pi3 Pi4

Lineal l 1 -3 -1 +1 +3
Cuadrático q 2 +1 -1 -1 +1
Cúbico c 3 -1 +3 -3 +1

Descomposición de la SC de N mediante los polinomios ortogonales

Tratamientos N1 N2 N3 N4 Qi rΣc²ij SCCj

119.9 162.3 160.1 155.3
Tendencias
Lineal -3 -1 +1 +3 104.0 12 (20) 45.1
Cuadrático +1 -1 -1 +1 -47.2 12(4) 46.4
Cúbico -1 +3 -3 +1 42.00 12(20) 7.4
Total: 98.83

102
103
5.4 DISEÑO DE BLOQUES COMPLETOS AL
AZAR, BCR, Diseño de doble vía

Definición.
El Diseño de Bloques Completos al Azar es un modelo estadístico en el cual se
deben efectuar dos actividades: la primera consiste en reunir entre sí las unidades
experimentales semejantes para formar un grupo homogéneo al cual se le llama
BLOQUE; la segunda actividad consiste en asignar los tratamientos en forma
aleatoria sobre las unidades experimentales (o vice versa) dentro de cada bloque.

El número de unidades experimentales en cada grupo o bloque debe ser igual al

número de tratamientos que se desea estudiar, por lo tanto cada bloque constituye
una sola prueba o repetición del experimento básico.

1. Requerimientos para su aplicación.

Cuando en el material experimental se advierte heterogeneidad de tal manera que el
investigador tenga en cuenta, de acuerdo a su criterio, que la causa de esta
heterogeneidad se debe a la presencia de un factor o fuente de variabilidad principal
la misma que tiene niveles o categorías que corresponderán a los bloques.

En general, cuando el tamaño muestral(o número de repeticiones) por cada

tratamiento es igual:

i. Se cuenta con n = 𝛴𝑛j = 𝛴𝑟=rt unidades experimentales disponibles o requeridas.

ii. Se desea investigar los efectos de t tratamientos
iii. Se advierte la presencia de una fuente de variabilidad cuyo número de niveles se
toma igual a r, constituyendo cada nivel un bloque o repetición, se debe utilizar el
diseño de bloques completos aleatorizados.

2. Casos ilustrativos
CASO 1

Se establece un experimento con el objeto de comparar el rendimiento de tres

variedades de tomateT1 , T2, T3 en una nueva zona. Se dispone de una extensión de
terreno cuya gradientes de fertilidad es un tanto notoria que lo podríamos
representar tal come lo muestra la figura N° 1. Si planeamos colocar las variedades
o tratamientos tal como lo muestra esta figura, al comparar los rendimientos
promedios las discrepancias o diferencias entre ellos, no solo se podrán atribuir al
efecto de las variedades en sí sino también a la calidad de las parcelas,

104
enmascarando de esta manera el verdadero efecto debido únicamente como es
deseable, al de los tratamientos o variedades. Ilustrando lo mencionado.

𝐑𝐞𝐧𝐝𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐝𝐞 𝐑𝐞𝐧𝐝𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐝𝐞 𝐃𝐞𝐛𝐢𝐝𝐨 𝐚 𝐓

[ ][ ] = 𝐃𝐢𝐟𝐞𝐫𝐞𝐧𝐜𝐢𝐚 { +
𝐓𝟑 𝐞𝐧 𝐁𝟐 𝐓𝟑 𝐞𝐧𝐁𝟐
𝐃𝐞𝐛𝐢𝐝𝐨 𝐚 𝐁

T2 T1 T3 Figura No. 1. Distribución

incorrecta de tratamientos en
T2 T1 T3 el material experimental
heterogéneo
T2 T1 T3

Entonces debemos tratar de aislar o eliminar el efecto de parcelas, para lo cual se

debe distribuir aleatoriamente los tratamientos dentro de cada tipo de suelo tal como
lo muestra la figura 2, en donde cada calidad de terreno constituye un bloque o
réplica del experimento. En estas circunstancias podemos escribir, por ejemplo:

Rendimiento

𝐑𝐞𝐧𝐝𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐝𝐞 𝐑𝐞𝐧𝐝𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐝𝐞 𝐃𝐞𝐛𝐢𝐝𝐨 𝐬𝐨𝐥𝐨

[ ][ ] = 𝐃𝐢𝐟𝐞𝐫𝐞𝐧𝐜𝐢𝐚 { 𝐚
𝐓𝟑 𝐞𝐧 𝐁𝟏 𝐓𝟐 𝐞𝐧𝐁𝟏
𝐓𝐫𝐚𝐭𝐚𝐦𝐢𝐞𝐧𝐭𝐨𝐬

Figura No. 2. Distribución

T1 T2 T3 correcta de tratamientos
en el material experimental
T3 T3 T3 heterogéneo

T2 T1 T1

CASO 2

Consideremos un estudio referido al efecto de cuatro nuevos tipos de publicaciones

periodísticas en el volumen de sus ventas. Se considera una ciudad como unidad
experimental y 20 ciudades se tienen en cuenta para el presente trabajo.

El tamaño de la ciudad tiene que ver con el volumen de venta por lo que se decide
formar grupos (o bloques) de cinco ciudades cada uno, donde el criterio principal
105
para formar estos grupos es el tamaño de la población, así las cuatro ciudades más
grandes constituirán un bloque, luego se distribuirán al azar los cuatro tipos de
publicación uno para cada ciudad; las siguientes cuatro ciudades que le siguen en
tamaño se agruparán en otro bloque y se asignarán aleatoriamente los cuatro
tratamientos uno en cada ciudad y así hasta completar con todas las ciudades en el
estudio.

CASO 3

Un industrial está interesado en determinar los efectos de cuatro niveles de

temperatura T1 , T2, T3 y T4 en el almacenamiento para la conservación de cerezas. La
variable que se estudia, es el número de cerezas que resulten malogradas después
de un determinado tiempo de almacenamiento. Decide utilizar cuatro lotes de
cerezas como bloques del material experimental, teniendo en cuenta para ello el
tamaño de cerezas. Asigna 160 cerezas para cada lote, las divide en cuatro partes
iguales y asigna al azar los tratamientos.

Gráficamente tendríamos por ejemplo la siguiente presentación

Bloque I T2, T1 T3 T4

Bloque II T1 T3 T4 T2,

Bloque III T2, T4 T1 T2,

Bloque IV T4 T2, T3 T1

Figura 3. Disposición aleatoria de 4 tratamientos dentro de cada bloque

3. Características
Entre otras, las más saltantes podemos mencionar:

 Al utilizar este diseño el objetivo es mantener homogeneidad entre unidades

experimentales dentro de un bloque tan pequeña como sea posible y maximizar
las diferencias entre bloques. Si no hay diferencia significativa entre bloques la
aplicación de este diseño no contribuirá en forma probada a la precisión para
detectar las diferencias de tratamientos.

 Generalmente el número de bloques recomendados debe ser por lo menos de

cuatro y el número de tratamientos por bloque al menos dos. Al utilizar mayor
número de tratamientos deberá tenerse presente que los bloques no sean
demasiado grandes, ya que ello implicaría una tendencia a la heterogeneidad
dentro de cada bloque.

106
 Usualmente cada tratamiento es asignado a una unidad experimental dentro de
cada bloque; sin embargo, ciertos tratamientos puede ser aplicados a dos o más
unidades experimentales.

 Luego de haberse terminado el experimento si un tratamiento o bloque fuera

dejado de lado por algún motivo, el análisis sigue siendo sencillo. Si él resultado
de una o más unidades experimentales no se llegaría a registrar, existen técnicas
estadísticas para poder estimar tales resultados.

4. Muestreo aleatorio.
Luego de que las unidades experimentales han sido agrupadas en los bloques,
dentro de cada bloque se usa una permutación aleatoria de tratamientos para
asignar a las Unidades experimentales. Permutaciones independientes son
efectuadas para los bloques.

5. Modelo estadístico.

Teniendo en cuenta "t" niveles de un factor en estudio y "r" bloques, la variableYIJ (i=1
r; j=1 a t) se considera como la observación de una unidad experimental (muestra
unitarial) perteneciente a una población cuya media es µij . Entonces se tendrá rt
poblaciones las cuales se distribuirán normalmente con variancia única c2 y con
media:

𝐫 𝐭
𝟏
𝝁 = ∑ ∑ μ𝐈𝐉
𝐫𝐭 𝟏 𝐣

Ejemplo del uso del Diseño de Bloque Completo al Azar.

Con la finalidad de controlar malezas en el cultivo de cítricos en un campo
experimental en Pucallpa –Perú se utilizaron 7 herbicidas de acción sistémica y de
contacto y un tratamiento de deshierbo manual como tratamiento control. Debido a la
pendiente del terreno se utilizó el diseño de bloques completamente al azar con
cuatro bloques por tratamiento. La variable respuesta fue kg de malezas por
parcelas, medida a 30 días después de aplicado los tratamientos.

La prueba estadística incluyó además comparar el efecto de los diferentes tipos de

herbicidas, para lo cual se utilizó la prueba de contrastes ortogonales. A
continuación se presentan los tratamientos estudiados y las comparaciones
realizadas.

Los tratamientos estudiados fueron:

T1 = Herbicida de contacto de la compañía 1 (CC1)

T2 = Herbicida sistémico de la compañía 1 (SC1)
T3 = Herbicida de contacto de la compañía 2 (CC2)
T4 = Herbicida sistémico de la compañía 2 (SC2)
107
T5 = Herbicida de contacto de la compañía 3 (CC3)
T6 = Herbicida sistémico de la compañía 3 (SC3)
T7 = Herbicida sistémico comercial (SC)
T8 = Deshierbo manual (DM)

Las siguientes fueron las comparaciones estudiadas en atención a la prueba de

contrastes ortogonales.

1. Control de malezas manual vs control con herbicidas

Testigo (T8) vs. T1 T2 T3 T4 T5 T6 T7

2. Control de malezas con herbicidas de contacto Vs herbicidas sistémicos.

T1 T3 T5 vs. T2 T4 T6 T7

3. Control de malezas con herbicida de contacto de la compañía 1 vs Herbicidas de

contacto de las compañías 2 y 3.

T1 vs. T3 T5

4. Control de herbicida de contacto de la compañía 2 vs herbicida de contacto de la

compañías 3.

T3 vs. T5

5. Control de malezas con herbicida sistémico comercial vs control de malezas con

herbicidas sistémicos de la compañía 1, 2 y 3.

T7 vs. T2 T4 T6

6. Control de malezas con el herbicida sistémico de la compañía 1 Vs control de

malezas con herbicidas de la compañía 2 y 3.

T2 vs. T4 T6

7. Control de malezas con el herbicida sistémico de la compañía 2 vs. control de

malezas con herbicidas de la compañía 3.

T4 vs. T6

1. Modelo Estadístico

YIJ = µ + βi +τj +∈ij

i = 1 á 4 bloques

j = 1 á 8 tratamientos o Insecticidas

108
DondeYIJ variable respuesta o número de larvas vivas dela parcela en el i-ésimo
bloque que recibe el j-ésimo tratamiento o insecticida.

µ: constante general para todas las observaciones.

βi : Efecto del i-ésimo bloque o repetición.

τj : Efecto del j-ésimo tratamiento o Insecticida

∈ij ∶ Término de error, se considera variable aleatoria

∈ij ~ DNI (o,𝜎²).

ANVA

Hipótesis por tratamiento

𝐻𝑜 ⇒ 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑛

𝐻𝐴 ⇒ 𝜇1 ≠ 𝜇2 ≠ ⋯ ≠ 𝜇𝑛

Hipótesis por bloques

𝐻𝑜 ⇒ 𝐵1 = 𝐵2 = ⋯ = 𝐵𝑛

𝐻𝐴 ⇒ 𝐵1 ≠ 𝐵2 ≠ ⋯ ≠ 𝐵𝑛

ANVA

FV GL SC CM Fc
2 2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 ∑𝑥𝑖𝑗𝑘 (∑𝑥𝑖𝑗𝑘 )
− 𝑔𝑙𝑡 𝐶𝑀𝑒
𝑏 𝑡𝑥𝐵

Bloques b-1 ∑𝑥.𝑗. 2 (∑𝑥𝑖𝑗𝑘 )2 𝑆𝐶𝑏 𝐶𝑀𝑏

−
𝑡 𝑡𝑥𝐵 𝑔𝑙𝑏 𝐶𝑀𝑒

𝑆𝐶𝑒
Error ≠ ≠ 𝑔𝑙𝑒

Total (txb)-1 2
(∑𝑥𝑖𝑗𝑘 )𝟐
∑𝑥𝑖 −
𝑡𝑥𝐵

109
Cuadro X. Kg de maleza por parcela 30 días después de aplicado diferentes tipos de herbicidas para el
control de malezas.

BLOCK TOTAL PROMEDIO

I II III IV TRATAMIENTO
Trata-
mientos

4 2 3 4 13 3.25
1 (2.23) (1.73) (2.00) (2.23) (8.19 ) (2.04)

0 1 1 0 2 0.50
2 (1.00) (1.41) (1.41) (1.00) (4.82) (1.20)

2 3 4 5 14 3.50
3 (1.73) (2.00) (2.23) (2.44) (8.40) (2.10)
5
4 6 6 21 5.25
4 (2.23) (2.44) (2.64) (2.64) (9.95) (2.48)

0 1 0 0 1 0.25
5 (1.00) (1.41) (1.00) (1.00) (4.41) (1.10)

6 5 5 6 22 5.50
6 (2.64) (2.44) (2.44) (2.64) (10.16) (2.54)

0 0 2 3 5 1.25
7 (1.00) (1.00) (1.73) (2.00) (5.73) (1.43)

14 11 17 12 54 13.50
8 (3.87) (3.46) (4.24) (3.60) (15.17) (.379)

TOTAL 30 28 38 36 132
BLOCKS (15.70) (15.89) (17.69) (17.55) (66.33)

Los números encerrados entre paréntesis han sido transform ados a v ̅̅̅̅̅̅̅̅
x+ 1

Cuadro N°2. Análisis de variancia del Cuadro N°1

Fuentes G.L. S.C. C.M. F0.05

Entre tratamientos 7 21.79 3.110 29.5*

Bloques 3 0.42 0.140 1.3 n.s.

Error 21 2.22 0.105

110
 Total 31 24.43 --------

‘* = significativo

C.V. = 15.3%

Pruebas de comparaciones múltiples de Duncan

S𝑥̅ = 0.17

Valores “p”

AES 2.940 3.090 3.175 3.245 3.925 3.330 3.355

(D)

ALS 0.499 0.525 0.539 0.551 0.560 0.566 0.570

(D)

Tratamientos 𝒙̅ Sig.
5 1.10 a
2 1.20 a
7 1.43 a
1 2.04 b
3 2.10 b
4 2.48 b
6 2.54 b
8 3.79 c

2. Hipótesis

i.i Respecto a tratamientos

Todos los insecticidas en experimentación tienen el mismo efecto o producen la

misma respuesta en cuento al número de larvas vivas por parcela.

i.ii Respecto a Bloques

Existen bloques homogéneos entre sí.

3. Nivel de significación:∝ = 0.05

4. Prueba Estadística: F, obtenida mediante el análisis de variancia en donde:

111
 Término de corrección: T.C.

(66.83)²
TC = =
32

Suma de cuadrados entre Bloques: S.C.(B.)

1
S.C.(B.) = 8(15.70² + 15.89² + 17.69² + 17.55²) – TC

S.C.(B.) = 0.42

Suma de cuadrados entre tratamientos : s.c..(Tr)

1
SC(Tr) = 4 (8.19² + …. + 15.17²) –TC

CS(Tr) = 21.79

Suma de cuadrados Total : Sc (To)

SC (To) = 2.33³ + 1.73² + …. 4.24² + 3.60² - TC

SC(To) = 23.43

Suma de Cuadrados del Error : S.C. (E )

S.C( E ) = S.C.(To) – SC(B) – SC (Tr)

S.C€ = 2.22

5. Conclusiones

Del cuadrado del ANVA decidimos rechazar la hipótesis nula o planteada a un ∝ =

0.05y aceptar la hipótesis alternadamente esto es el efecto medio de los tratamientos
o insecticidas son diferentes en forma significativa.

Con respecto a bloques al obtener resultados no significativos optamos por aceptar

la hipótesis planteada esto es hay homogeneidad entre bloques a un ∝= 0.05.

Luego de efectuar la prueba de comparaciones múltiples de Duncan, los

tratamientos 𝑇1 , 𝑇2 ,𝑇3 tienen similar efecto pero difieren con respecto al resto de
tratamientos a los cuales lo supera en forma significativa en cuanto al número de
larvas vivas encontradas en los brotes.

Se recomienda por lo tanto, usar los insecticidas 𝑇1 ó𝑇2 ó 𝑇3 y en este orden de

prioridades

112
Diseño de bloques completamente al azar con Sub muestreo.

Este diseño es similar al DCRCompleto al azar con muestreo o con subunidades

excepto que ahora tendremos una fuente de variabilidad más que es la debida a
Bloques. Aparece esta fuente de variación cuando el material experimental acusa
variabilidad que para efectos de controlar el error experimental el experimentador
deberá considerarlo en el análisis estadístico de resultados.

Se utilizará entonces cuando el experimentador cuenta con unidades experimentales

grandes quedando la posibilidad de poder subdividirlas en observaciones parecidas
o subunidades las mismas que serán muestreadas para efectos de llevar acabo el
experimento.

Ejemplo del diseño BCR con sub muestreo.

Con la finalidad de estudiar el efecto de 5 raciones en el engorde de ovinos de pelo

en crecimiento en cierta granja se agruparon 15 ovinos en 20 corrales; debido a que
los corrales fueron acondicionados de diferente forma por razones de disponibilidad
de terreno espacio con el que se contaba la granja se utilizó el diseño de bloques
completos al azar agrupando corrales similares en 4 grupos.

Por razones de logística no se pudieron medir el peso de los 300 ovinos por lo que
se decidió obtener las muestras de incremento de peso de 3 ovinos por cada corral.
Luego de alimentar el primer mes se evaluó el incremento de peso: peso inicial
menos peso final, cuyos resultados se presentan en el cuadro x.

Cuadro X. Incremento de peso: peso final-peso inicial en kg, de

60 ovinos de pelo como efecto de la alimentación con 5 diferentes raciones.

Unidades Sub-Unidades 𝑅1 𝑅2 𝑅3 𝑅4 𝑅5 Total

(corrales) (ovinos) de Bloques
1 1 3.5 2.1 2.3 3.5 4.5
2 4.2 2.9 2.5 3.8 4.6
3 4.1 3.5 2.6 4.2 4.5
11.8 8.5 7.4 11.5 13.6 52.8
2 1 4.1 2.9 2.6 3.5 3.9
2 4.0 2.6 2.6 3.4 4.3
3 4.3 2.8 2.4 3.6 4.4 51.4
12.4 8.3 7.6 10.5 12.6
3 1 4.0 2.6 2.3 3.9 4.5
2 4.2 2.8 2.8 3.7 4.8 53.2
3 4.1 2.5 2.7 3.8 4.5
12.3 7.9 7.8 11.4 13.8
4 1 4.6 3.1 3.1 4.8 5.1
2 4.5 3.5 3,0 4.9 5.3
3 4.8 3.6 3.2 4.6 5.4 63.5
13.9 10.2 9.3 14.3 5.8
Total tratamientos Y…..k 50.4 34.9 32.1 47.7 55.8 Total General=220.9

Sumas de cuadrados

220.9²
C= = 813.2802
60

113
 1
S.C. Bloques = 15 = (52.8² + … + 63.5²) – C = 6.2058

1
S.C. Tratamientos = 12 = (50.4² + … + 55.8²) – C = 34.8456

1
S.C. Total - Unidades = 3 = (11.8² + … + 15.8²) – C = 41.9498

S.C. Error Experimental = 0.8984

F.V. G.L. S.C. C.M. 𝐹𝑐
= Bloques 3 6.2058 2.0686 27.692** S.C. Total – Unidad. –
S.C. Tratamientos. –
Tratamientos 4 34.8456 8.7114 116.618**
S.C. Bloques
Error 12 0.8984 0.0747 -
Experimental 40 2.4400 0.0610 - S.C. Total –
Error Subunidades = 3.5²+ …
+ 5.4² - C = 44.3898
Muestreo
Total Sub 59 64.3898 - - S.C. Error Muestreo =
Unidad 2.44 = S.C. Total – (S.C.
Bloques + S.C.
Tratamientos + S.C. Error Experimental).

Cuadro 4. Análisis de variancia de incrementos de peso de Peces ornamentales.

Conclusiones

i. Respecto a bloques: se ha logrado controlar el error experimental al establecer

bloques en el presente experimento.

ii. Respecto a tratamientos: los promedios de incrementos de peso de las cinco

vitaminas en estudio en peces ornamentales son diferentes en forma altamente
significativas, pues se ha rechazado la Hp :µ₁ = µ2 = … = µ5, a un ∝ = 0.01.

Se pueden efectuar comparaciones más específicas; por ejemplo entre pares de

tratamientos utilizando la prueba de Duncan en forma usual.

DISEÑOS DE BLOQUES COMPLETOS AL AZAR

Caso Ilustrativo del Diseño Bloque Completo al Azar

En Pucallpa en el ganado vacuno de la raza cebú, se realizó un experimento con el

objetivo de controlar garrapatas (Boophilusmicroplus). Se probaron 7 antiparasitarios
externos de contacto, de penetración y de acción sistémica, además de un
tratamiento comercial (testigo). Se utilizaron vacunos machos de 4 diferentes edades
con los cuales se conformaron 4 bloques o repeticiones.

114
Se utilizó el Diseño de Bloques Completos al Azar con 4 repeticiones y la variable
respuesta fue el número de garrapatas vivas encontradas en los animales 48 horas
después de aplicado los tratamientos. Los resultados se presentan en el Cuadro x.

Cuadro x. Número de garrapatas vivas encontradas en los animales 48 horas después de aplicada
los antiparasitarios.

Block
I II III IV
Tratamientos
4 2 3 4
1 (2.23) (1.73) (2.00) (2.23)

0 1 1 0
2 (1.00) (1.41) (1.41) (1.00)

2 3 4 5
3 (1.73) (2.00) (2.23) (2.44)
5
4 6 6
4 (2.23) (2.44) (2.64) (2.64)

0 1 0 0
5 (1.00) (1.41) (1.00) (1.00)

6 5 5 6
6 (2.64) (2.44) (2.44) (2.64)

0 0 2 3
7 (1.00) (1.00) (1.73) (2.00)

14 11 17 12
8 (3.87) (3.46) (4.24) (3.60)

Los números encerrados entre paréntesis han sido transformados a v ̅̅̅̅̅̅̅̅

x+ 1

Prueba de Duncan

DATA DBCA;
TITLE'ANTIPARASITARIOS CON TRANSFORMACION';
OPTIONS LINESIZE=80 PAGESIZE=64 NODATE NONUMBER;
INPUT TRATAM BLOQUES $ Y;
X = SQRT (Y+1);
CARDS;
1 I 4
1 II 2
1 III 3
1 IV 4
2 I 0
2 II 1
2 III 1
2 IV 0
3 I 2

115
3 II 3
3 III 4
3 IV 5
4 I 4
4 II 0
4 III 6
4 IV 6
5 I 0
5 II 1
5 III 0
5 IV 0
6 I 6
6 II 5
6 III 5
6 IV 6
7 I 0
7 II 0
7 III 2
7 IV 3
8 I 14
8 II 11
8 III 17
8 IV 12
;
PROCPRINT;
RUN;
PROCGLM;
CLASS TRATAM BLOQUES;
MODEL X = TRATAM BLOQUES;
MEANS TRATAM / T;
MEANS TRATAM / DUNCANALPHA = 0.05;
RUN;

ANTIPARASITARIOS CON TRANSFORMACION

Obs TRATAM BLOQUES Y X

1 1 I 4 2.23607
2 1 II 2 1.73205
3 1 III 3 2.00000
4 1 IV 4 2.23607
5 2 I 0 1.00000
6 2 II 1 1.41421
7 2 III 1 1.41421
8 2 IV 0 1.00000
9 3 I 2 1.73205
10 3 II 3 2.00000
11 3 III 4 2.23607
12 3 IV 5 2.44949
13 4 I 4 2.23607
14 4 II 0 1.00000
15 4 III 6 2.64575
16 4 IV 6 2.64575
17 5 I 0 1.00000
18 5 II 1 1.41421
19 5 III 0 1.00000
20 5 IV 0 1.00000
21 6 I 6 2.64575
22 6 II 5 2.44949
23 6 III 5 2.44949
24 6 IV 6 2.64575
25 7 I 0 1.00000
26 7 II 0 1.00000
27 7 III 2 1.73205
28 7 IV 3 2.00000
29 8 I 14 3.87298

116
 30 8 II 11 3.46410
31 8 III 17 4.24264
32 8 IV 12 3.60555

ANTIPARASITARIOS CON TRANSFORMACION

The GLM Procedure

Class Level Information

Class Levels Values

TRATAM 8 1 2 3 4 5 6 7 8

BLOQUES 4 I II III IV

Number of observations 32

ANTIPARASITARIOS CON TRANSFORMACION

The GLM Procedure

Dependent Variable: X

Sum of
Source DF Squares Mean Square F Value Pr> F

Model 10 22.08833071 2.20883307 16.32 <.0001

Error 21 2.84210833 0.13533849

Corrected Total 31 24.93043904

R-Square CoeffVar Root MSE X Mean

0.885998 17.97300 0.367884 2.046869

Source DF Type I SS Mean Square F Value Pr> F

TRATAM 7 21.17499686 3.02499955 22.35 <.0001

BLOQUES 3 0.91333385 0.30444462 2.25 0.1123

Source DF Type III SS Mean Square F Value Pr> F

TRATAM 7 21.17499686 3.02499955 22.35 <.0001

BLOQUES 3 0.91333385 0.30444462 2.25 0.1123

ANTIPARASITARIOS CON TRANSFORMACION

The GLM Procedure

t Tests (LSD) for X

NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 21
Error Mean Square 0.135338
Critical Value of t 2.07961
Least Significant Difference 0.541

Means with the same letter are not significantly different.

t Grouping Mean N TRATAM

117
 A 3.7963 4 8

B 2.5476 4 6
B
B 2.1319 4 4
B
B 2.1044 4 3
B
B 2.0510 4 1

C 1.4330 4 7
C
C 1.2071 4 2
C
C 1.1036 4 5

ANTIPARASITARIOS CON TRANSFORMACION

The GLM Procedure

Duncan's Multiple Range Test for X

NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 21
Error Mean Square 0.135338

Number of Means 2 3 4 5 6 7 8
Critical Range .5410 .5679 .5851 .5972 .6061 .6129 .6183

Means with the same letter are not significantly different.

Duncan Grouping Mean N TRATAM

A 3.7963 4 8

B 2.5476 4 6
B
B 2.1319 4 4
B
B 2.1044 4 3
B
B 2.0510 4 1

C 1.4330 4 7
C
C 1.2071 4 2
C
C 1.1036 4 5

5.4 DISEÑO CUADRADO LATINO

INTRODUCCION

Este diseño es una extensión del diseño bloque completo al azar. Se aplica cuando
las unidades experimentales a las cuales se van a aplicar los tratamientos, pueden
agruparse de acuerdo a dos fuentes (de variabilidad) llamadas bloques y columnas
respectivamente.

118
CARACTERISTICAS

1. Dentro de bloques y dentro de columnas debe existir homogeneidad entre las

unidades experimentales, y entre bloques y entre columnas debe existir alta
heterogeneidad.

2. El número de unidades experimentales en cada bloque y en cada columna debe

ser igual al número de tratamientos en estudio.

3. Cada tratamiento debe aparecer una vez y distribuido al azar en cada bloque y en
cada columna

4. El número de tratamientos depende del número de bloques y columnas y por

consiguiente del número de unidades experimentales.

5. Este diseño se recomienda cuando el número de tratamientos oscila entre 3 y 10,

para mayor número no es práctico debido a la características anterior

6. Si durante el experimento se produce una pérdida de una o más unidades

experimentales por razones ajenas al experimento, existen métodos para asignar
a esa unidad experimental un valor.

7. Para realizar las pruebas de promedios DSM, Dunnett, Duncan, Tukey, SNK y
pruebas de contrastes, el procedimiento es el mismo que para los diseños DCR y
NCR. La desviación estándar de la diferencia de promedios y la desviación
estándar del promedio, están en función del cuadrado medio del error
experimental.

8. Este diseño inicialmente se aplicó primero en experimentos agronómicos. Se

Puede emplearse también cuando solo existe en las unidades experimentales una
sola fuente de variabilidad, pero para esto es necesario que estas puedan
colocarse en forma continuada y creciente en una misma dirección. Ejemplo

.
A D C B E D C B E A C B E A D B E A D C E A D C B

Modelo Matemático

𝒴𝑖𝑗𝑘 = 𝜇 + 𝑡𝑖 + 𝐵𝑗 + 𝐶𝑘 + 𝑒𝑖𝑗𝑘

Hipótesis Columna

Η𝜊 ⇒ 𝜇𝒸1 = 𝜇𝒸2 = ⋯ = 𝜇𝑐𝑛

Η𝐴 ⇒ 𝜇𝒸1 ≠ 𝜇𝒸2 ≠ ⋯ ≠ 𝜇𝑐𝑛

119
Hipótesis de Bloques (Filas)

Η𝜊 ⇒ 𝜇𝐵1 = 𝜇𝐵2 = ⋯ = 𝜇𝐵𝑛

Η𝐴 ⇒ 𝜇𝐵1 ≠ 𝜇𝐵2 ≠ ⋯ ≠ 𝜇𝐵𝑛

Hipótesis Tratamiento

Η𝜊 ⇒ 𝜇𝑡1 = 𝜇𝑡2 = ⋯ = 𝜇𝑡𝑛

Η𝐴 ⇒ 𝜇𝑡1 ≠ 𝜇𝑡2 ≠ ⋯ ≠ 𝜇𝑡𝑛

ANVA

FV GL SC CME FC
∑𝑥.𝑗. 2 (∑𝑥𝑖𝑗𝑘 )2 𝑆𝐶𝑏 𝐶𝑀𝑏
Bloques b-1 −
𝑐 𝑏𝑥𝑐 𝐺𝑙𝑏 𝐶𝑀𝑒
∑𝑥..𝑘 2 (∑𝑥𝑖𝑗𝑘 )2 𝑆𝐶𝑐 𝐶𝑀𝑐
Columnas c-1 −
𝑏 𝐵𝑥𝑐 𝐺𝑙𝑐 𝐶𝑀𝑒
∑𝑥𝑖... 2 (∑𝑥𝑖𝑗𝑘) 2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 − 𝐺𝑙𝑡 𝐶𝑀𝑒
𝑐 𝐵𝑥𝑐

Error Por Por diferencia 𝑆𝐶𝑒

diferencia SCTotal – SCb-SCc 𝐺𝑙𝑒
- SCt
(∑𝑥𝑖𝑗𝑘 )2
Total (bxc)-1 ∑𝑥𝑖𝑗𝑘 2 −
𝐵𝑥𝑐

Ejemplo de un Diseño Cuadrado latino

En la región Ucayali, se desarrolló un trabajo de investigación con la finalidad de

evaluar el rendimiento de 5 ecotipos de cocona procedentes de Tingo María y
debido a dos condiciones de variabilidad del suelo: tanto en pendiente con 5
gradiente (0%, 5%, 10%, 15% y 20%) y gradientes de humedad (seco,
moderadamente húmedo, húmedo, muy húmedo y muy mal drenado) se utilizó el
diseño cuadrado latino ubicándose la gradiente de pendiente en Columnas y la
gradiente de humedad en bloques, es decir se dispuso de 5 bloques (Filas), 5
columnas y 25 unidades experimentales (parcelas). A continuación se muestra el
croquis de la distribución de los tratamientos, bloques y columnas en las unidades
experimentales, así como los rendimientos obtenidos al término del experimento.

Cuadro X. Rendimiento de cinco ecotipos de cocona en t/ha

COLUMNAS Total
Bloques
1 2 3 4 5

120
 I A D C B E
18 38 29 35 24 144
B
L II D C B E A
37 30 34 25 22 148
O
Q III B E A D C
U 35 23 19 37 29 143
E
S IV C B E A D
28 34 24 17 39 142
V E A D C B
26 18 40 29 35 148

Total
Columnas 144 143 146 143 149 Gran Total
725

Totales y Promedios de Tratamientos

Tratamientos A B C D E
Total 94.0 173.0 145.0 191.0 122.0
Promedio 18.8 34.6 29.6 38.2 24.4
Gran total 725

Cálculos

1. Término de Corrección

725²
TC = = 21025
25

2. Suma de Cuadrados de Tratamientos

94²+ 173² + 145²+191² + 122²

SCt = - 21025
5
= 22231 – 21025

SCt =1206.0
1212120640.0

3. Suma de Cuadrados de Bloques

144² +148²+143² + 142² + 148²

SCb = - 21025
5
= 21031.4 – 21025

SCb =6.4
121
4. Suma de cuadrados de Columnas

144² +143² + 146² + 143²+ 149²

SCc = - 21025
5
= 21030.2 – 21025

SCc = 5.2

5. Suma de Cuadrados Total

SCTo = 18² + 38² + 29² + 35² + 24²+ … + 29² + 35² - 21025

= 22261–21025 = 1236

SCTo = 1236.0
=10.5

6. Suma de cuadrados del Error Experimental

SCe = SCTo – SCt – SCb – SCc

= 1236.0 – 1206.0 – 6.4 – 5.2

SCe = 18.4

Análisis de variancia

Fuentes de variabilidad GL SC CM FC Sig

Bloques 4 6.4 1.6 1.05 NS
Columna 4 5.2 1.3 0.85 NS
Tratamientos(ecotipos de cocona) 4 1206.0 301.5 197.06 **
Error 12 18.4 1.53
Total 24 1236.0

Ft = Con 4 Gl para Cuadrado Medio Mayor y 12 Gl para Cuadrado Medio del

Error y con σ 0.05 y 0.01= a 5.91 y 14.37.

122
 √1.53
CV = 𝑥 100 = 4.27%
29

Conclusiones

1) El análisis de variancia muestra que la variabilidad debido a tratamientos

(ecotipos de cocona) es mayor que la variabilidad de las unidades
experimentales (error experimental). Esto determina la existencia de
diferencias altamente significativas en el rendimiento de los ecotipos de cocona
estudiadas. FC ≥ a Ft a niveles de α 0.05 y 0.01.

2) El valor del Coeficiente de Variabilidad de 4.27%está indicando que la

homogeneidad del material experimental usado es aceptable, y por tanto los
datos son confiables.

PRUEBA DE PROMEDIOS

En la etapa de formulación del proyecto se propuso que de existir diferencias

significativas en los tratamientos estudiados se desearía probar la hipótesis de
comparar todos los promedios contra todos por lo que se sugiere utilizar la prueba
de promedios de Duncan o Tukey.

Prueba de promedio de Duncan

Hipótesis

Ho: µ𝐴 = µ𝐵 = µ𝐶 = µ𝐷 = µ𝐸

Hp: µ𝐴 ≠ µ𝐵 ≠ µ𝐶 ≠ µ𝐷 ≠ µ𝐸

∝ = 0.05

 Ordenar los promedios de los tiramientos de mayor a menor o viceversa,

utilizando números romanos:
I = 38.2
II =34.6
III = 29.6
IV = 24.4
V = 18.8

 Encontrar las diferencias de todo contra todo:

I– V= 38.2 – 18.8 = 20.2
I – IV= 38.2 – 24.4 = 13.8
I – III = 38.2 – 29.6 = 8.6
I – II = 38.2 - 34.6 = 3.6
II – V= 34.6 – 18.8 = 15.8
II – IV = 34.6 – 24.4 = 10.2
II – III= 34.6 – 29.6 = 5.0
III – V = 29.6 – 18.8 = 10.8

123
 III – IV= 29.6 – 24.4 = 5.2
IV – V = 24.4 – 18.8 = 5.6

Conclusión

Los resultados del experimento nos indican a través de prueba t que los
rendimientos promedios de la variedad A y B no son iguales.

Perdida de una unidad experimental

Si durante el experimento se pierde una unidad experimental por razones ajenas a

él, por ejemplo, suponga perdida la unidad experimental correspondiente al cuarto
bloque, tercera columna y al que se le aplicó el tratamiento E; el procedimiento que
permite asignar un valor a esta unidad es:

r (T+B+C)−2G
Y=
(𝑟−1)(𝑟−2)

Donde:

Y = valor que se asignará a la unidad experimental perdida

r = número de tratamientos
T = Total de las unidades que quedan en el tratamiento
B = Total de las unidades que quedan en el bloque
C = Total de las unidades que quedan en la columna
G = Total de las unidades que quedan en el experimento

Es decir

5 (98 + 118 + 122) − 2(701)

𝑌= = 24
(4)(3)

Luego se procede a hacer cálculos de las sumas de cuadrados como si este valor
existiera realmente. El análisis de variancia se va a ver afectado ya que los GL del
total disminuyen en una unidad y por ende también los del error.

Nota: Si el tratamiento aplicado ocasiona la pérdida de la unidad experimental no

se procede a asignar ningún valor ya que este es cero.

124
125
 CAPÍTULO 7
EXPERIMENTOS FACTORIALES

7.1 DEFINICION DE FACTOR

En los diseños Completamente al Azar, Bloque Completo al Azar, Cuadrado Latino,
se trabajó con experimentos que esencialmente involucraban un solo factor. Por
ejemplo, al estudiar diferentes ecotipos de cocona, se indicó que se estaba
estudiando la adaptación de estos ecotipos a los suelos de Pucallpa; pero estos
tratamientos son ecotipos diferentes del llamado factor variedad de cocona

Sin embargo, existen situaciones donde, en un experimento se desea involucrar

varios factores, digamos: Ecotipos de cocona; época de siembra; Densidad de
siembra, niveles de fertilización, Fuentes de fertilización. En estos casos, es
necesario realizar el experimento con más de un factor que pueden ser dos o tres en
cualquiera de los diseños experimentales que se considera adecuado. A estos
experimentos se le conoce como Experimento Factorial, debido a que se analizarán
varios factores y sus interacciones.

Por lo que la definición de factor es “Una clase de tratamiento que interviene en un

experimento, como: ecotipos de cocona, época de siembra, densidad de siembra,
etc.

A los factores se les simbolizan por las primeras letras mayúsculas del alfabeto (A,
B, C).

Niveles de un factor. Son los diversos tratamientos que pertenecen a un factor y se

simboliza un nivel i por la letra que representa al factor y el valor del respectivo
subíndice. Así por ejemplo, el factor cocona que se simboliza por A tiene 5 niveles
que son los 5 ecotipos en el experimento:

a1 = Ecotipo 1,
a2 = Ecotipo 2
a3 = Ecotipo 3
a4 = Ecotipo 4
a5 = Ecotipo 5

126
 Tipo de Factores

Factores cuantitativos

Son aquellos cuyos niveles son cantidades numéricas. Dosis e fertilizante, Densidad
de siembra., etc.

Factores Cualitativos

Son aquellos cuyos niveles son procedimientos o cualidades. Por ejemplo, ecotipos
de cocona, fuentes de fertilizantes, etc.

Ejemplo fuentes de fertilizante nitrogenado puede tener los niveles: Urea, Nitrato de
Amonio, Nitrato de Calcio, Sulfato de Amonio.

Tipos de experimentos factoriales

Los experimentos factoriales para un determinado diseño, se diferencian entre sí por

el número de factores y cantidades de niveles de estos factores que intervienen.

Un experimento factorial en el cual participan dos factores, cada uno con tres
niveles, se simboliza como 3Ax3B ó3x3ó 32. El número de combinaciones de
tratamientos que involucra esta factorial es el producto de las cantidades de los
niveles de los factores en estudio; siendo esto 9.

Un experimento factorial en la cual intervienen los factores A, B, y C, donde el factor

A tiene cuatro niveles, el factor B tres niveles y el factor C dos niveles; se simboliza
como 4A3B2C ó4x3x2. El número de combinaciones de tratamientos es de 24.

7.2 experimento factorial de 2 factores con dos

niveles de cada factor

Los experimentos factoriales pueden ser conducidos en cualquier diseño, en el

siguiente ejemplo de un experimento factorial que involucra 4 combinaciones de
tratamientos conducido en un diseño completamente al azar, las cuatros
combinaciones deben ser asignados aleatoriamente sin ninguna restricción a las
unidades experimentales. Por ejemplo:

Nivel 𝑎1 ∶ Super fosfato simple

Factor A =Fuentes de fosforo{
Nivel a2 ∶ Roca fosfórica

Nivel b1 ∶ Superficialmente.
Factor B= Forma de aplicación{
Nivel b2 ∶ Incorporado con una rastra.

127
Las combinaciones de tratamientos son: a₁b₁, a₁b2, a2b1, a2b2. Supongamos que
cada una de las combinaciones de tratamientos se aplica a 4 parcelas homogéneas,
para el cultivo de Chiclayo u ojo negro. Los datos obtenidos (TM/ha) se dan a
continuación.

a₁b₁ a₁b2 a2b₁ a2b2

SFS - S SFS - IR RF - S RF - IR
Y111 = 4.5 Y121 = 5.1 Y211 = 7.0 Y221 = 9.4
Y112 = 6.0 Y122 = 4.4 Y212 = 7.4 Y222 = 8.3
Y113 = 3.8 Y123 = 5.3 Y213 = 8.3 Y223 = 7.4
Y114 = 4.9 Y124 = 5.6 Y214 = 6.9 Y221 = 9.3
Total para a₁b₁ Total para a₁b2 Total para a2b2 Total para a2b2
Y11 = 19.2 Y12 = 20.4 Y21 = 29.6 Y22 = 34.4
Promedio para Promedio para Promedio para Promedio para
a₁b₁ a₁b2 a2b₁ a2b2
̅11 = 4.8
Y ̅12 = 5.1
Y ̅21 = 7.4
Y ̅22 = 8.6
Y
Total para A₁ Total para A2
Y1.. = 39.6 Y2.. = 64
Promedio para A₁ Promedio para A2
̅1.. = 4.95
Y ̅2.. = 8
Y
Total para B₁ Total para B2
Y.1. = 48.8 Y.2. = 54.8
Promedio para B₁ Promedio para B2
̅.1. = 6.1
Y ̅.2. = 6.85
Y
Total general Total general
Y... = 103.6 Y... = 6.475

Estudio de efectos simple, efectos principales y efectos de interacción en un

experimento factorial.

En un experimento factorial por lo general nuestro interés es estudiar el efecto de

interacción, sin embargo también estamos interesados en estudiar los efectos simple
y principales de los factores en estudio.

Efectos simples de un factor.

Los efectos simples de un factor en un nivel determinado del otro factor se puede
expresar de la siguiente manera:

̅21. - ̅Y11. = 7.4 – 4.8 = 2.6

E. simple de A en b₁ = Y

̅22. - ̅Y12. = 8.6 – 5.1 = 3.5

E. simple de A en b2 = Y

128
 ̅12. - ̅Y11. = 5.1 – 4.8 = 0.3
E. simple de B en a₁ = Y

E. simple de B en a2 = ̅
Y22. - ̅Y21. = 8.6 – 7.4 = 1.2

Los efectos simples son medidas de cómo cambian los promedios de los
rendimientos de los niveles de un factor para un determinado nivel del otro factor.

Así el efecto simple de A (fuentes de Nitrógeno) en b₁ (forma de aplicación) nos

muestra que el promedio de rendimiento del Chiclayo ojo negro cambia en 2.6 TM/ha
al pasar de la aplicación superficial a la incorporación con rastra.

Efectos principales de los factores.

El efecto principal de un factor es el cambio en el rendimiento producido por el

cambio en el nivel de ese factor, promediando sobre los niveles del otro factor. Así
se tiene:

(𝑌̅21 ,−𝑌̅11 ,)+(𝑌̅22 ,−𝑌̅12 )

 Efecto principal de A → EPA = = 3.05
2
(𝑌12 ,−𝑌11 ,)+(𝑌̅22 ,−𝑌̅21 )
̅ ̅
 Efecto principal de B → EPB = = 8.75
2

Efecto de Interacción

Es la diferencia promedio del efecto simple de A en el más alto nivel de B (b2) y el

efecto simple de A en el más bajo nivel de B (b1).
1.2−0.3
Int. BA = = 0.45
2

El estudio de la interacción entre factores es de suma importancia. En nuestro

ejemplo si supuestamente el efecto de interacción hubiera sido cero, entonces, esto
implicaría independencia de los factores y que los efectos simples de fuentes de
Nitrógeno en cada uno de los niveles de formas de aplicación son iguales y también
igual al respectivo efecto principal. Algo similar sucedería con los efectos simples de
forma de aplicación en cada uno de los niveles de fuentes de nitrógeno.

A continuación se muestra una gráfica de interacción cero donde se puede observar

dos rectas paralelas.

129
Existen situaciones donde el efecto de interacción no es nulo, y esto se puede
producir por un cambio de magnitud (signo positivo) en los rendimient0s al estudiar
el Efecto Simple de A en B1 (B en A) con respecto al efecto simple de A en B2, o
también por un cambio de dirección (signo negativo) al estudiar los antes
mencionados efectos simples. La significación o no significación de esta interacción
se probará con la respectiva prueba estadística.

130
Para nuestro ejemplo el gráfico correspondiente es:

Rdto.

de

Modelo Matemático

𝒴ijk = μ + t i(𝑎 +b + eij

𝑖 𝑗 +𝑎𝑖 b𝑖 )

𝒴ijk = 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑠𝑡𝑢𝑑𝑖𝑜

μ = media general

a𝑖 = el efecto del i − esimo factor a en estudio

b𝑗 = el efecto de j − esimo factor b en estudio

𝑎𝑖 b𝑖 = 𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑖 − 𝑒𝑠𝑖𝑚𝑜 𝑓𝑎𝑐𝑡𝑜𝑟 𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑖 − 𝑒𝑠𝑖𝑚𝑜 𝑓𝑎𝑐𝑡𝑜𝑟 𝑏 .

eij = 𝑒𝑟𝑟𝑜𝑟 𝑜 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

Hipótesis a probar:

 Hipótesis para el factor A.

Η𝜊 ⇒ 𝜇𝑎1 = 𝜇𝑎2

Η𝐴 ⇒ 𝜇𝑎1 ≠ 𝜇𝑎2

 Hipótesis para el factor B.

Η𝜊 ⇒ 𝜇𝑏1 = 𝜇𝑏2

131
 Η𝐴 ⇒ 𝜇𝑏1 ≠ 𝜇𝑏2

 Hipótesis para la interacción AB.

Η𝜊 ⇒ 𝜇𝑎 b = 𝜇𝑎 b = 𝜇𝑎 b = 𝜇𝑎 b
1 1 1 2 2 1 2 2

Η𝐴 ⇒ 𝜇𝑎 b ≠ 𝜇𝑎 b ≠ 𝜇𝑎 b ≠ 𝜇𝑎 b
1 1 1 2 2 1 2 2

Cuadro del Análisis de Variancia.

ANVA

FV GL SC CME FC
∑𝑎𝑖2 (∑𝑥𝑖𝑗 )2 𝑆𝐶𝐴 𝐶𝑀𝐴
Factor A a-1 −
𝑏𝑟 𝑎𝑥𝑏𝑥𝑟 𝐺𝑙𝐴 𝐶𝑀𝑒
∑𝑏𝑗 2 (∑𝑥𝑖𝑗 )2 𝑆𝐶𝐵 𝐶𝑀𝐵
Factor B b-1 − 𝐺𝑙𝐵 𝐶𝑀𝑒
𝑎𝑟 𝑎𝑥𝑏𝑥𝑟
∑𝑎𝑖 𝑏𝑗 2 (∑𝑥𝑖𝑗) 2 𝑆𝐶𝐴𝐵 𝐶𝑀𝐴𝐵
Interacción (a-1)(b-1) − 𝐺𝑙𝐴𝐵 𝐶𝑀𝑒
𝑟 𝑎𝑥𝑏𝑥𝑟
AB
Por Por diferencia 𝑆𝐶𝑒
Error diferencia SCTotal – SCA- 𝐺𝑙𝑒
SCB - SCAB
(∑𝑥𝑖𝑗 )2
Total (axbxr)-1 ∑𝑥𝑖𝑗 2 −
𝑎𝑥𝑏𝑥𝑟

Cálculos
𝑎1 𝑏1 𝑎1 𝑏2 𝑎2 𝑏1 𝑎2 𝑏2
4.5 5.1 7.0 9.4
6.0 4.4 7.4 8.3
3.8 5.3 8.3 7.4
4.9 5.6 6.9 9.3
∑𝑎𝑖 𝑏𝑗 19.2 20.4 29.6 34.4 Total
general=
103.6
x̅ai 𝑏j 4.8 5.1 7.4 8.6
∑𝑎𝑖 A1= 39.6 A2= 64
x̅ai A1= 4.95 A2 = 8
∑𝑏𝑗 B1 = 48.8 B2 = 54.8
x̅𝑏j B1 = 6.1 B2 = 6.85

132
Término de Corrección.

103.6²
TC = = 670.81
16
Suma de Cuadrados del factor A.

39.62 + 642
SCA = − 670.81
8
= 708.02 − 670.81 = 37.21

SCA = 37.21
1212120640.0

7. Suma de Cuadrados del factor B.

48.8² + 54.8²
SCB = − 670.81
8
= 673.6 – 670.81= 2.25

SCB = 2.25

8. Suma de cuadrados de la interacción AB.

19.2² + 29.6² + 20.4² + 34.4²

SCAB = − 670.81
4
= 711.08 – 670.81 = 40.27

Suma Combinada de AB = 40.27

Para calcular el valor de la interacción hay que restar a la suma de cuadrados

combinados menos la suma de cuadrado de A más la suma de cuadrado de B.

Luego la Suma de Cuadrados de AB=

40.27 - 37.21 - 2.25 = 0.81

9. Suma de Cuadrados Total

SCTo = 4.5² + 6.0² +3.8² + 5.1² + 4.4² + … + 7.4² + 9.3² - 670.81

= 718.28 – 670.81 = 47.47

133
 SCTo = 47.47
=10.5

10. Suma de cuadrados del Error.

SCe = SCTo – (SCA+ SCB+ SCAB)

= 47.47 – (37.21+2.25+0.81)

SCe = 7.2

Análisis de variancia

Fuentes de variabilidad GL SC CM FC Sig

Factor A 1 37.21 37.21 62.2 **
Factor B 1 2.25 2.25 3.75 NS
Interacción AB 1 0.81 0.81 1.35 NS
Error 12 7.20 0.6
Total 15 47.47

Ft = Con 1Gl para Cuadrado Medio Mayory 12 Gl para Cuadrado Medio del
Error y con α = 0.05 y α = 0.01con valores de 4.75 y 9.33
respectivamente.

√0.6
CV = x 100 = 11.95%
6.48
Conclusiones

1. Debido a que no existe diferencias significativas en la interacción se concluye

que los factores son independientes, debiéndose continuar con los análisis de
los efectos principales; en este caso par el factor A.
2. Se encontró diferencias significativas en los niveles del factor A y debido a
que este estudio tiene solamente dos niveles en este factor se concluye que
hay diferencias significativas en los rendimiento de Chiclayo ojo negro entre
las dos fuentes de nitrógeno aplicados.

134
7.3 EJEMPLO DE UN experimento factorial de 2
factores con TRES niveles de CADA FACTOR.
Se realizó un experimento en el marco de convenio INIA, IVITA, CIA, para ver el
efecto de dos factores: A = Forma de siembra de arroz más pasto. B = tres dosis de
fertilización nitrogenada. Con tres niveles para cada factor conducido en un diseño
de bloques completos al azar: Se utilizaron cuatro bloques o repeticiones. Los
resultados en términos de rendimiento del arroz en TM/ha se presentan a
continuación:

𝐚𝟏 𝐚𝟐 𝐚𝟑
Arroz solo Arroz + pasto en línea. Arroz + pasto siembra
Bloques alboleo.
𝐛𝟏 𝐛𝟐 𝐛𝟑 𝐛𝟏 𝐛𝟐 𝐛𝟑 𝐛𝟏 𝐛𝟐 𝐛𝟑 Total
N= 50 N= 100 N= 150 N= 50 N= 100 N= 150 N= 50 N= 100 N= 150
Kg/ha Kg/ha Kg/ha Kg/ha Kg/ha Kgha Kg/ha Kg/ha Kg/ha
I 0.5 1 1.5 3 2 1 2.0 2 4 17.0
II 1.0 1.5 2 2.5 1 1 2 3 3 17.0
III 1.0 1 1.5 1.5 1.5 1.5 1 2.5 2 13.0
IV 0.5 0.5 1.4 2 3 1.4 1.5 2 4 16.8
∑𝐱𝐢 3 4 6.4 9 7.5 4.9 6.5 9.5 13 GT= 63.8
x̅ai 𝑏j 0.75 1 1.6 2.25 1.88 1.23 1.63 2.38 3.25 1.78
∑𝑎𝑖 A1= 13.4 A2= 21.4 A3 = 29 Prom.
x̅ai A1 = 1.12 A2 = 1.78 A3 = 2.42 Gral.
∑𝑏𝑗 B1 = 18.5 B2 = 21 B3 = 24.3
x̅𝑏j B1 = 1.54 B2 = 1.75 B3 = 2.03 1.77

Graficar los resultados.

135
Grafico X. Rendimiento de arroz solo y asociado con pastos como efecto de tres
formas de siembra y tres niveles de fertilización.

Cálculos

Término de Corrección.

63.8²
TC = = 113.07
36
Suma de Cuadrados del factor A.

13.42 + +21.42 + 292

SCA = − 113.07
12

= 123.21 − 113.07

SCA = 10.14
1212120640.0

Suma de Cuadrados del factor B.

18.52 +212 +24.32

SCB = − 113.07
12

136
= 114.48 – 113.07 = 1.41

SCB = 1.41

Suma de cuadrados de la interacción AB.

32 + 42 + 6.42 + 92 + 7.52 + 4.92 + 6.52 + 9.52 + 132

SCAB =
4
− 113.07
= 132.18– 113.07 = 19.11

Suma Combinada de AB = 19.11

Para calcular el valor de la interacción hay que restar a la suma de cuadrados

combinados menos la suma de cuadrado de A más la suma de cuadrado de B.

Luego la Suma de Cuadrados de AB=

19.11 - 10.14–1.41 = 7.56

Suma de Cuadrados de bloques.

172 + 172 + 132 + 16.82

SCb = − 113.07
9

SCb = 114.36 - 113.07 = 1.29

SCb = 1.29

Suma de Cuadrados Total

SCTo = 0.5² + 1.0² +1.5² + 3.0² + 2.0² + 1.02+ 2.02+2.02+4.02+… + 2.0² + 4.0² -
113.07

= 140.92 – 113.07 = 27.85

SCTo = 27.85
=10.5

Suma de cuadrados del Error.

SCe = SCTo – (SCA+ SCB+ SCAB+ SCb)

= 27.85 – (10.14+1.41+7.56 + 1.29)

137
 SCe = 7.45

Análisis de variancia

Fuentes de variabilidad GL SC CM FC Sig

Bloques 3 1.29 0.43 1.39 NS
Factor A 2 10.14 5.07 16.35 **
Factor B 2 1.41 0.71 2.29 NS
Interacción AB 4 7.56 1.89 6.1
**
Error 24 7.45 0.31
Total 35 27.47
F de la tabla para bloques.
Ft con 3 gl para cuadrado de medio mayor y 24 gl para el error, con α = 0.05 y α =
0.1 igual a 3.01 y 4.72 respectivamente.

F de la tabla para los factores A y B.

Ft con 2 gl para cuadrado de medio mayor y 24 gl para el error, con α = 0.05 y α =
0.1 igual a 3.40 y 5.61 respectivamente.

F de la tabla para la interacción AB.

Ft con 4 gl para cuadrado de medio mayor y 24 gl para el error, con α = 0.05 y α =
0.1 igual a 2.78 y 4.22 respectivamente.

ANALISIS DE LA INTERACCIÓN

Como se observa en el cuadro del análisis de la varianza existen diferencias

altamente significativas en la interacción es decir que las diferentes formas de
siembra de arroz se comportan diferente en los niveles de fertilización nitrogenada,
la siembra de arroz en monocultivo y la siembra de arroz más pasto en línea
aumentan el rendimiento del arroz al incrementarse los niveles de fertilización, sin
embargo la siembra de arroz en pasto al boleo disminuye la producción al
aumentar la fertilización nitrogenada, por lo tanto los niveles de fertilización
dependen de la forma como se siembra el arroz más pasto.

Por lo anterior es necesario realizar en análisis de la varianza de los efectos simple

de las tres formas de siembra de arroz más pasto y efectos simples de la
fertilización nitrogenada.

ANALISIS DE VARIANZIA DE EFECTOS SIMPLES PARA LAS TRES FORMAS

DE SIEMBRA DE ARROZ.

Efectos simples de siembra de arroz en monocultivo.

138
 2 2
ΣX X 3.02 + 4.02 + 6.42 13.42
1𝑗. 1. .
𝐒𝐂𝐀𝟏 = − = − = 1.527
r br 4 (3)( 4)

GL = q - 1 = 2

Efectos simples de siembra de arroz más pasto en línea.

2
ΣX2𝑗. X 2 9.02 + 7.52 + 4.92 21.42
𝐒𝐂𝐀 𝟐 = − 1. . = − = 2.152
r br 4 (3)( 4)

GL = 2

Efectos simples de siembra de arroz más pasto al boleo.

2
ΣX3𝑗. X 2 6.52 + 9.52 + 13.02 29.02
𝐒𝐂𝐀 𝟑 = − 3. . = − = 5.292
r br 4 (3)( 4)

GL = 2

FV GL SC CM FC Sign
Arroz en mono cultivo 2 1.527 0.764 4.72 *
Arroz + pasto en línea 2 2.152 1.076 6.64 **
Arroz + pasto al boleo 2 5.292 2.646 16.33 **
Error 24 3.88 0.162

Prueba de duncan

√0.162
𝑠𝑥̅ = =0.20
4

P 2 3
AES(D) 2.92 3.07
𝑠𝑥̅ 0.20 0.20
ALS(D) 0.544 0.614

Arroz en mono cultivo

Niveles de fertilización nitrogenada (kg/ha) 50 100 150
𝑋̅ 0.75 1.00 1.60
Arroz + pasto en línea
Niveles de fertilización nitrogenada (kg/ha) 50 100 150
139
 𝑋̅ 2.25 1.88 1.23
Arroz + pasto al boleo
Niveles de fertilización nitrogenada (kg/ha) 50 100 150
𝑋̅ 0.63 2.38 3.25
Todos son diferentes

7.5 experimento factorial de 3 factores con TRES

NIVELES POR CADA FACTOR
Se presenta un experimento de control de malezas en el establecimiento de
pastizales en Pucallpa.

El experimento consta de tres factores con tres niveles de cada factor, y con tres
repeticiones, conducido en un diseño completamente al azar. Haciendo un total de
27 tratamientos combinaciones y 81 unidades experimentales.

El experimento fue controlar malezas con tres diferentes herbicidas con tres dosis y
aplicadas en 3 épocas, una seca (agosto) y dos lluvias (noviembre y febrero). Se
midió la respuesta en términos de peso fresco de malezas en las parcelas. Los
factores en estudio fueron los siguientes:

Factor A: tres tipos de herbicidas:

a1= herbicida de contacto.
a2= herbicida de penetración
a3= herbicida sistémico.

Factor B: tres dosis de aplicación:

b1= 0.5 lt/ha.
b2= 1 lt/ha
b3= 1.5 lt/ha.

Factor C:tres épocas de aplicación:

c1= seca (agosto).
c2= lluvia 1 (noviembre)
c3= lluvia 2 (febrero).

Modelo Matemático del experimento factorial de 3x3x3, ó, 33, conducido en

DCR.
Yijk = μ + τi + eijk
(ai +bj +ck +ai bj +ai ck +bj ck +ai bj ck )

Yijk = Cualquier observación en estudio.

μ = La media general
ai = Efecto del i − esimo factor A en estudio
bj = Efecto del j − esimo factor B en estudio
ck = Efecto del k − esimo factor C en estudio
140
 ai bj = Efecto de la interacción del i − esimo factor A por el j − esimo factor B en estudio.
ai ck = Efecto de la interacción del i − esimo factor A por el k
− esimo factor C en estudio.
bj ck = Efecto de la interacción del j − esimo factor B por el k
− esimo factor C en estudio.
ai bj ck = Efecto de la interacción triple del i − esimo factor A, por el j
− esimo factor B, por el k − esimo factor C en estudio.
eijk = Error o desigual.

i = de 1 a 3 niveles de factor A.
j = de 1 a 3 niveles de factor B.
k= de 1 a 3 niveles de factor C.
r = número de repeticiones igual a 3.

Hipótesis a probar.

Hipótesis para factores principales:

 Hipótesis para el factor A.

Η𝜊 ⇒ 𝜇𝑎1 = 𝜇𝑎2 = 𝜇𝑎3

Η𝐴 ⇒ 𝜇𝑎1 ≠ 𝜇𝑎2 = 𝜇𝑎3

 Hipótesis para el factor B.

Η𝜊 ⇒ 𝜇𝑏1 = 𝜇𝑏2 = 𝜇𝑏3

Η𝐴 ⇒ 𝜇𝑏1 ≠ 𝜇𝑏2 = 𝜇𝑏3

 Hipótesis para el factor C.

Η𝜊 ⇒ 𝜇𝑐1 = 𝜇𝑐2 = 𝜇𝑐3

Η𝐴 ⇒ 𝜇𝑐1 ≠ 𝜇𝑐2 = 𝜇𝑐3

 Hipótesis para la interacción doble.

Interacción AB

Η𝜊 ⇒ 𝜇𝑎1 b1 = 𝜇𝑎1 b2 = 𝜇𝑎1 b3 = 𝜇𝑎2 b1 = 𝜇𝑎2 b2 = 𝜇𝑎2 b3 = 𝜇𝑎3 b1 = 𝜇𝑎3 b2 = 𝜇𝑎3 b3

Η𝐴 ⇒ 𝜇𝑎1 b1 ≠ 𝜇𝑎1 b2 ≠ 𝜇𝑎1 b3 ≠ 𝜇𝑎2 b1 ≠ 𝜇𝑎2 b2 ≠ 𝜇𝑎2 b3 ≠ 𝜇𝑎3 b1 ≠ 𝜇𝑎3 b2 ≠ 𝜇𝑎3 b3

Interacción BC

Η𝜊 ⇒ 𝜇𝑏1 𝑐1 = 𝜇𝑏1 c2 = 𝜇𝑏1c3 = 𝜇𝑏2 c1 = 𝜇𝑏2𝑐2 = 𝜇𝑏2 c3 = 𝜇𝑏3 c1 = 𝜇𝑏3 c2 = 𝜇𝑏3 𝑐3

Η𝐴 ⇒ 𝜇𝑏1 𝑐1 ≠ 𝜇𝑏1 c2 ≠ 𝜇𝑏1 c3 ≠ 𝜇𝑏2 c1 ≠ 𝜇𝑏2 c2 ≠ 𝜇𝑏2 c3 ≠ 𝜇𝑏3 c1 ≠ 𝜇𝑏3 c2 ≠ 𝜇𝑏3 c3

141
 Interacción AC

Η𝜊 ⇒ 𝜇𝑎1 𝑐1 = 𝜇𝑎1 c2 = 𝜇𝑎1 c3 = 𝜇𝑎2 c1 = 𝜇𝑎2 𝑐2 = 𝜇𝑎2 c3 = 𝜇𝑎3 c1 = 𝜇𝑎3 c2 = 𝜇𝑎3 𝑐3

Η𝐴 ⇒ 𝜇𝑎1 𝑐1 ≠ 𝜇𝑎1 c2 ≠ 𝜇𝑎1 c3 ≠ 𝜇𝑎2 c1 ≠ 𝜇𝑎2 c2 ≠ 𝜇𝑎2 c3 ≠ 𝜇𝑎3 c1 ≠ 𝜇𝑎3 c2 ≠ 𝜇𝑎3 c3

 Hipótesis para la interacción triple.

Η𝜊 ⇒ 𝜇𝑎1 𝑏1 𝑐1 = 𝜇𝑎1𝑏1 c2 = 𝜇𝑎1 𝑏1 c3 = 𝜇𝑎1 𝑏2 𝑐1 = 𝜇𝑎1𝑏2 c2 = 𝜇𝑎1 𝑏2 c3 = 𝜇𝑎1 𝑏3 𝑐1 = 𝜇𝑎1𝑏3 c2

= 𝜇𝑎1 𝑏3 c3 = 𝜇𝑎2 𝑏1𝑐1 = 𝜇𝑎2𝑏1 c2 = 𝜇𝑎2 𝑏1 c3 = 𝜇𝑎2 𝑏2 𝑐1 = 𝜇𝑎2𝑏2 c2 = 𝜇𝑎2 𝑏2 c3
= 𝜇𝑎2 𝑏3 𝑐1 = 𝜇𝑎2𝑏3 c2 = 𝜇𝑎1 𝑏3 c3 = 𝜇𝑎3 𝑏1 𝑐1 = 𝜇𝑎3𝑏1 c2 = 𝜇𝑎3 𝑏1 c3 = 𝜇𝑎3 𝑏2 𝑐1
= 𝜇𝑎3𝑏2 c2 = 𝜇𝑎3 𝑏2 c3 = 𝜇𝑎3 𝑏3 𝑐1 = 𝜇𝑎3𝑏3 c2 = 𝜇𝑎3 𝑏3 c3

Η𝐴 ⇒ 𝜇𝑎1 𝑏1 𝑐1 ≠ 𝜇𝑎1𝑏1 c2 ≠ 𝜇𝑎1 𝑏1c3 ≠ 𝜇𝑎1 𝑏2 𝑐1 ≠ 𝜇𝑎1𝑏2 c2 ≠ 𝜇𝑎1 𝑏2 c3 ≠ 𝜇𝑎1 𝑏3 𝑐1 ≠ 𝜇𝑎1𝑏3 c2

≠ 𝜇𝑎1 𝑏3 c3 ≠ 𝜇𝑎2 𝑏1𝑐1 ≠ 𝜇𝑎2𝑏1 c2 ≠ 𝜇𝑎2 𝑏1 c3 ≠ 𝜇𝑎2 𝑏2 𝑐1 ≠ 𝜇𝑎2𝑏2 c2 ≠ 𝜇𝑎2 𝑏2 c3
≠ 𝜇𝑎2 𝑏3 𝑐1 ≠ 𝜇𝑎2𝑏3 c2 ≠ 𝜇𝑎1 𝑏3 c3 ≠ 𝜇𝑎3 𝑏1 𝑐1 ≠ 𝜇𝑎3𝑏1 c2 ≠ 𝜇𝑎3 𝑏1 c3 ≠ 𝜇𝑎3 𝑏2 𝑐1
≠ 𝜇𝑎3𝑏2 c2 ≠ 𝜇𝑎3 𝑏2 c3 ≠ 𝜇𝑎3 𝑏3 𝑐1 ≠ 𝜇𝑎3𝑏3 c2 ≠ 𝜇𝑎3 𝑏3 c3

Cuadro del análisis de la Variancia

Fuentes de Grados de Suma de Cuadrados Cuadrado F Calculada

variabilidad Libertad SC Medio FC
FV GL CM
Factor A a-1 ∑ai.. 2 (∑xijk )2 SCA CMA
− GLA CME
rbc abcr
Factor B b-1 ∑b.j. 2
(∑xijk )2 SCB CMB
− GLB CME
rac abcr
Factor C c-1 ∑c. .k 2 (∑xijk )2 SCC CMC
− GLC CME
rab abc
Int. AB (a-1)(b-1) ∑ai bj 2
(∑xijk )2 SCAB CMAB
− − {SCA + SCB} GLAB CME
rc abcr
Int. AC (a-1)(c-1) ∑ai CK 2
(∑xijk )2 SCAC CMAC
− − {SCA + SCC} GLAC CME
rb abcr
Int. BC (b-1)(c-1) ∑bj ck 2
(∑xijk )2 SCBC CMBC
− − {SCB + SCC} GLBC CME
rb abc
Int. ABC (a-1)(b-1)(c-1) ∑ai bj ck 2 (∑xijk )2 SCABC CMABC
− − GLABC CME
r abcr
{SCA + SCB + SCC + SCAB + SCAC + SCBC}

Error Por diferencia Por diferencia SCE

GLE
Total (axbxc) -1 2 (∑xijk )2
∑xijk −
abcr

142
Cuadro X. Peso fresco de malezas(Kg/parcela) luego de la aplicación de tres tipos de
herbicidas con tres dosis de aplicación en tres épocas del año, en un pastizal de Pucallpa.

Factor Factor Factor Repeticiones ∑aibjck 𝑿̅ ∑ai. ̅ ai.

𝑿 ∑.bj ̅. bj
𝐗 ∑.ck ̅. ck
𝐗
A B C I II III aibjck
c1 2 1 0 3 1.0 A1= A1=
b1 c2 4 5 1 10 3.3 117 4.3
c3 6 2 8 16 5.3
c1 0 1 2 3 1.0 B1= B1=
A1 b2 c2 4 3 1 8 2.6 168 6.2
c3 6 10 12 28 9.3
c1 4 2 1 7 2.3 C1= C1=
b3 c2 4 3 2 9 3.0 40 1.15
c3 12 10 11 33 11
c1 3 2 1 6 2.0 A2= A2=
b1 c2 15 20 25 60 20 252 9.3
c3 10 12 13 35 11.7
c1 4 1 0 5 1.6 B2= B2=
A2 b2 c2 14 18 20 52 17.3 158 5.8
c3 11 9 4 24 8.0
c1 2 3 2 7 2.3 C2= C2=
b3 c2 18 13 15 46 15.3 221 8.2
c3 8 7 2 17 5.7
c1 1 1 2 4 1.3 A3= A3=
b1 c2 6 5 4 15 5.0 114 4.2
c3 7 6 6 19 6.3
c1 0 0 1 1 0.3 B3= B3=
A3 b2 c2 4 5 2 11 3.7 157 5.8
c3 8 9 9 26 8.7
c1 1 2 1 4 1.3 C3= C3=
b3 c2 3 2 5 10 3.3 222 8.2
c3 7 8 9 24 8.0
Total General = ∑xijk 483 5.9

Suma y Promedio de las Interacciones

Interacción AB Promedios AB

A1 A2 A3 ∑b.j. A1 A2 A3 ∑b.j.
B1 29 101 38 168 B1 3.22 11.22 4.22 6.22
B2 39 81 38 158 B2 4.33 9.00 4.22 5.85
B3 49 70 38 157 B3 5.44 7.78 4.22 5.81
∑ai.. 117 252 114 ∑ai.. 4.33 9.33 4.22

Interacción AC Promedios AC

A1 A2 A3 ∑c..k A1 A2 A3 ∑c..k
C1 13 18 9 40 C1 1.44 2.00 1.00 4.44
C2 27 158 36 221 C2 3.00 17.56 4.00 24.56
C3 77 76 69 222 C3 8.56 8.44 7.67 24.67
∑ai.. 117 252 114 ∑ai.. 4.33 9.33 4.22

143
Interacción BC Promedios BC

B1 B2 B3 ∑c..k B1 B2 B3 ∑c..k
C1 13 9 18 40 C1 1.44 1.00 2.00 4.44
C2 85 71 85 221 C2 9.45 7.89 7.22 24.56
C3 70 78 74 222 C3 7.78 8.67 8.22 24.67
∑b.j. 168 158 157 ∑b.j. 6.59 5.85 5.81

Calculo de la Suma de Cuadrados

Término de Corrección.

∑(Xijk )2 (483)2
𝐓𝐂 = = = 2880.11
abcr 81

Suma de Cuadrados

∑ai.. 2 (∑xijk )2 1172 + 2522 + 1142

𝐒𝐂𝐀 = − = − 2880.11 = 460.22
rbc abcr 27

∑b.j. 2 (∑xijk )2 1682 + 1582 + 1572

𝐒𝐂𝐁 = − = − 2880.11 = 2.74
rac abcr 27

∑c. .k 2 (∑xijk )2 402 + 2212 + 2222

𝐒𝐂𝐂 = − = = 2880.11 = 813.41
rab abc 27

∑ai bj 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐁 = rc
− abcr
− {SCA + SCB} =

292 +392 +492 +1012 +812 +702 +382 +382 +382

− 2880.11 − (460.22 + 2.74) = 74.37
9

∑ai CK 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐂 = − − {SCA + SCC} =
rb abcr

144
132 +272 +772 +182 +1582 +762 +92 +362 +692
− 2880.11 − (460.22 + 813.41) = 738.37
9

∑bj ck 2 (∑xijk )2
𝐈𝐧𝐭. 𝐁𝐂 = − − {SCB + SCC}
rb abc

132 +852 +702 +92 +712 +782 +1182 +652 +742

− 2880.11 − (2.74 + 813.41) = 28.74
9

∑ai bj ck 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐁𝐂 = − − {SCA + SCB + SCC + SCAB + SCAC + SCBC}
r abcr

32 +102 +162 +32 +82 +282 +72 +92 +332 +. . . + 42 + 152 + 192 + 12 + 112 + 262 + 42 + 102 + 242
3

−2880.11 − (460.22 + 274 + 813.41 + 74.37 + 738.37 + 28.74) = 53.04

Suma de Cuadrado Total.

2
(∑xijk )2
𝐒𝐂𝐓𝐨𝐭𝐚𝐥 = ∑xijk − =
abcr

22 +12 +02 +02 +12 +22 +42 +22 +12 +. . . + 72 + 62 + 62 + 82 + 92 + 92 + 72 + 82 + 92 − 2880.11 =

𝐒𝐂𝐓 = 𝟐𝟑𝟗𝟒. 𝟖𝟗

Suma de Cuadrados del Error.

𝐒𝐂𝐄 = SCT − (SCA + SCB + SCC + SCAB + SCAC + SCBC + SCABC)

𝑺𝑪𝑬 = 2394.89 − (460.22 + 2.74 + 813.41 + 74.37 + 738.37 + 28.74 + 53.04) = 224.00

ANVA

FV GL SC CM FC Sig.
Factor A 2 460.22 230.11 55.45 **
Factor B 2 2.74 1.37 0.33 NS
Factor C 2 813.41 406.71 98.00 **
Int. AB 4 74.37 18.65 4.49 **
Int. AC 4 738.37 184.59 44.48 **
Int. BC 4 28.74 7.18 1.73 NS
Int. ABC 8 53.04 6.63 1.60 NS
Error 54 224.00 4.15
Total 80 2394.89

145
- F de la tabla para Factores principales: 2 gl. para A, B, C y 54 gl. del Error.

α : 0.05 = 3.15
α : 0.01 = 4.98

- F de la tabla para las interacciones: 4 gl. para AB, AC y BC, y 54 gl. del Error.

α : 0.05 = 2.53
α : 0.01 = 3.65

- F de la tabla para la interacción triple: 8 gl para ABC y 54 gl del Error.

α : 0.05 = 2.10
α : 0.01 = 2.82

Conclusiones preliminares

- En el cuadro del análisis de variancia se encontraron diferencias altamente

significativas para los factores A y C mientras para que el factor B no se encontró
diferencias significativas.
- Debido a que existen diferencias altamente significativas en la interacción AB y
AC se dice que no existe independencia de factores, por lo tanto no se hace los
análisis de prueba de promedios para los factores principales.
- Por lo tanto debido a que existen diferencias altamente significativas en las
interacciones AB y AC se tiene que analizar los efectos simples.
- En análisis de efectos simples se hará del factor A en Bj teniendo como constante
C y de A en Ck teniendo como constante a B:

Efectos Simples A en Bj (constante C).

292 + 1012 + 382 (168)2

𝐒𝐂𝐀(𝐁𝟏 ) = − = 342.00
9 27

392 + 812 + 382 (158)2

𝐒𝐂𝐀(𝐁𝟐 ) = − = 133.85
9 27

492 + 702 + 382 (157)2

𝐒𝐂𝐀(𝐁𝟑 ) = − = 58.74
9 27

Efectos Simples B en Ai (constante C).

292 + 392 + 492 (117)2

𝐒𝐂𝐁(𝐀𝟏 ) = − = 22.22
9 27

146
 1012 + 812 + 702 (252)2
𝐒𝐂𝐁(𝐀𝟐 ) = − = 54.89
9 27
382 + 382 + 382 (114)2
𝐒𝐂𝐁(𝐀𝟑 ) = − = 0.00
9 27

Efectos Simples A en Ck (constante B).

132 + 182 + 92 (40)2

𝐒𝐂𝐀(𝐂𝟏 ) = − = 4.52
9 27
272 + 1582 + 362 (221)2
𝐒𝐂𝐀(𝐂𝟐 ) = − = 1189.85
9 27
772 + 762 + 692 (222)2
𝐒𝐂𝐀(𝐂𝟑 ) = − = 4.22
9 27

Efectos Simples C en Ai (constante B).

132 + 272 + 772 (117)2

𝐒𝐂𝐂(𝐀𝟏 ) = − = 251.56
9 27
182 + 1582 + 762 (252)2
𝐒𝐂𝐂(𝐀𝟐 ) = − = 1099.56
9 27
92 + 362 + 692 (114)2
𝐒𝐂𝐂(𝐀𝟑 ) = − = 200.67
9 27

147
Cuadro del análisis de variancia de efectos simples de A en Bj (constante C) y
A en Ck (constante B).

FV GL SC CM F cal Sign
A(b1 ) 2 342.00 171.00 41.20 **
A(b2 ) 2 133.85 66.93 16.13 **
A(b3 ) 2 58.74 29.37 7.08 *
B(a1 ) 2 22.22 11.11 2.68
B(a2 ) 2 54.89 27.45 6.61 **
B(a3 ) 2 0.00 0.00 0.00
A(c1 ) 2 4.52 2.26 0.54
A(c2 ) 2 1189.85 594.93 143.36 **
A(c3 ) 2 4.22 2.11 0.51
C(a1 ) 2 251.56 125.78 30.31 **
C(a2 ) 2 1099.56 549.78 132.48 **
C(a3 ) 2 200.67 100.33 24.18 **

Error 54 224.00 4.15

Conclusión final.

- Luego de realizado el análisis de efectos simple observando el cuadro del análisis

de variancia se puede observar que el factor A presenta diferencias en cualquier
nivel de B más no así bajo la presencia de C1 ó C3.
- El factor B presenta diferencia altamente significativa en el nivel de A 2 mientras
que el factor C los efectos de cada nivel presentan diferencias altamente
significativas, bajo cualquier nivel de A.
- Los efectos principales y efectos simples se determinan en función de los
promedios.

Efecto principal de A Efecto principal de B Efecto principal de C

4.3 – 5.9 = -1.8 6.2 – 5.9 = 0.3 1.5 – 5.9 = -4.4
9.3 – 5.p = +3.4 5.8 – 5. 9 = -0.1 8.2 – 5.9 = 2.3
4.2 – 5.9 = -1.7 5.8 – 5.9 = -0.1 8.2 – 5.9 = 2.3

Efecto simples A en Efecto simples B en Efecto simples C en

B1 (constante C) A2 (constante C) A1B1
11.2 – 3.2 = 8 11.2 – 9.0 = 2.2 5.3 – 3.3 = 2.0

148
11.2 – 4.2 = 7 11.2 – 7.8 = 3.4 5.3 – 1.0 = 4.3
4.2 – 3.2 = 1 9.0 – 7.8 = 1.2 3.3 – 1.0 = 2.3

149
 Capítulo 8
Diseño de Parcelas divididas

8.1 DISEÑO de PARCELAS DIVIDIDAS

El diseño de parcelas divididas llamados también bloques incompletos es un diseño

que se utiliza frecuentemente en experimentos factoriales ya que nos interesa probar
varios factores simultáneamente así como la interacción entre estos factores. Se
denominan parcelas divididas debido a que las parcelas completas o unidades
completas a las cuales se le aplican uno o más factores se dividen en sub parcelas o
sub unidades a las cuales se les aplica niveles de uno o más factores adicionales;
debido a la cual cada unidad completa se convierte en un bloque para los
tratamientos de sub unidades.

Este diseño se emplea principalmente para resolver problemas en agricultura sin

embargo se puede utilizar en cualquier campo de actividad si existe el interés de
probar varios factores a la vez y sus interacciones.

Cuando se estudian dos factores a la vez se le denomina “Diseño de parcelas sub

divididas” y cuando se estudian tres factores a la vez se le denomina “Diseño de
parcelas sub sub divididas”.

A continuación se muestran la forma como queda en el campo después de la

aleatorización el diseño de parcelas sub divididas y diseño de parcelas sub sub
divididas:

Diagrama de distribución de parcelas sub divididas:

Factor A: Parcela principal 3 labores culturales en la siembra de pasturas

Factor B: Sub parcela 2 Especies de gramíneas forrajeras.

BI B II B III
A2 A1 A3 A2 A3 A1 A1 A2 A3
b2 b1 b2 b1 b2 b1 b2 b1 b 1 b2 b2 b1 b2 b1 b2 b1 b1 b2

Diagrama de distribución de parcelas sub sub divididas:

150
Factor A: Parcela principal: 3 leguminosas: Pueraria phaseoloides CIAT 900 – kudzú;
Desmodium ovalifolium CIAT 350 – Desmodium; Stylosanthes guianensis – Stylo.

Factor B: Sub parcela: 3 laboreos del suelo: 0 – 20 y 100 % de preparación del área.

Factor C: Sub sub parcela: 2 fuentes de fertilización fosforada: 50 y 100 (kg/ha de

P2O5).

BLOQUE I

A2 A1 A3
b2 b1 b3 b3 b2 b1 b1 b3 b2
c1 c2 c2 c1 c1 c2 c2 c1 c1 c2 c2 c1 c2 c1 c2 c1 c1 c2

BLOQUE II

A2 A1 A3
b2 b1 b3 b1 b2 b3 b3 b1 b2
c2 c1 c1 c2 c2 c1 c2 c1 c1 c2 c1 c2 c1 c1 c2 C1 c1 c2

BLOQUE III

A2 A1 A3
b2 b1 b3 b3 b1 b2 b1 b3 b2
c1 c2 c2 c1 c1 c2 c2 c1 c1 c2 c2 c1 c2 c1 c2 c1 c1 c2

Existen diferentes situaciones en las que hay de decidir que factor debe estar
ubicado en parcela principal, sub parcelas ó sub sub parcelas. Para esto hay que
considerar lo siguiente:

1. La precisión con la que se quiere probar cada factor: veamos un ejemplo.

Estamos interesados en estudiar tres factores que son los siguientes: Tipo de
ración; forma de aplicación y niveles de proteínas. En este caso los niveles de
proteína es el factor que requiere mayor precisión debido al costo que implica la
adición de proteína, por lo tanto este factor debe ir como sub sub parcela. La
forma de aplicación si bien es cierto también requiere una alta precisión debido a
que si es adicionado de forma ad- libitum o en forma controlada va tener un
efecto en la cantidad que consumen los animales, sin embargo se puede
diferenciar con la cantidad de proteína por lo que este factor podría estar probado
en la sub parcela y con respecto al tipo de ración que puede estar elaborado con
diferentes insumos requeriría una menor precisión por lo que podría probar como
parcela principal.

Así por ejemplo si estaríamos interesados en probar:

Factor A: Parcela principal 3 tipos de raciones: ración 1, ración 2 y ración 3.
Factor B: Sub Parcela 2 Formas de aplicación: Controlado y ad-libitum
Factor C: Sub sub parcela 3 niveles de proteína: 14 %, 16% y 18%

151
El diagrama de distribución quedaría de la siguiente manera:

BLOQUE I

Ración 1 Ración 3 Ración 2

Ad- libitum controlado controlado Ad-libitum Ad-libitum controlado
14 16 18 16 18 14 18 14 16 16 18 14 16 18 14 14 18 16

BLOQUE II
Ración 2 Ración 3 Ración 1
controlado Ad- libitum Ad- libitum controlado Ad-libitum controlado
18 16 14 16 18 14 18 16 14 18 16 14 16 14 18 14 16 18

BLOQUE III
Ración 3 Ración 2 Ración 1
Ad- libitum controlado Ad- libitum controlado Ad-libitum controlado
16 14 18 18 16 14 14 18 16 14 18 16 16 18 14 16 14 18

Como se puede observar en la gráfica la comparación entre los niveles de proteína

se hace dentro de cada forma de aplicación o sea seis veces dentro de cada ración
es decir, un total de nueve veces. La comparación entre formas de aplicación se
hacen solo tres veces por cada ración y la comparación entre raciones se hace solo
una vez.

2. La facilidad de ejecución de los tratamientos: veamos un ejemplo.

Estamos interesados en estudiar tres factores: Sistema de preparación de terreno,

variedades de un cultivo y fertilización N. En este caso es fácil entender que el
orden de los factores deben probarse como siguen: como parcela principal el
sistema de preparación de terreno, como sub parcela las variedades y como sub
sub parcela la fertilización N. En este caso podemos observar que es un poco
difícil cambiar el orden de los factores debido a que los niveles de fertilización no
se podrían colocar como parcelas principales y dentro de estos realizar el sistema
de preparación de terreno.

Ejemplo de un experimento conducido en parcelas sub divididas.

En el programa de pastos tropicales que desarrollaba el INIA – Pucallpa, el

suscrito realizó un experimento con la finalidad de recuperar pasturas degradadas
con el uso de cuatro labores culturales y pasturas mejoradas, el experimento fue
conducido en un diseño de parcelas sub divididas con cuatro labores culturales
como parcela principal: A1 = arado total, A2 = arado en franjas, A3 = herbicida total
y A4 = Herbicida en franjas y tres especies como sub parcelas B1= Brachiaria
decumbens y B2 = Desmodium ovalifolium, B3 = Brachiaria decumbens +

152
 Desmodium ovalifolium. Se midió el rendimiento de forraje Materia Seca
(kg/parcela). Los resultados se presentan a continuación:

Tratamientos Repeticiones Total Tratamiento

I II III
Dos pasadas de rastra en todo el área (PP = A1)
Brachiaria decumbens (SP = b1) 6.1 8.3 7.8 22.2
Desmodium ovalifolium (SP = b2) 3.7 7.4 6.0 17.1
B. decumbens + D. ovalifolium (SP = b3) 3.0 3.1 4.4 10.5

Total parcela principal 12.8 18.8 18.2 49.8

Dos pasadas de rastra en franjas (PP = A2)

Brachiaria decumbens (SP = b1) 6.0 7.4 6.1 19.5
Desmodium ovalifolium (SP = b2) 4.1 6.2 4.4 14.7
B. decumbens + D. ovalifolium (SP = b3) 3.0 4.6 4.1 11.7

Total parcela principal 13.1 18.2 14.6 45.9

Aplicación de Herbicida en todo el área (PP = A3)

Brachiaria decumbens(SP = b1) 5.0 8.3 6.2 19.5
Desmodium ovalifolium(SP = b2) 5.8 7.2 7.7 20.7
B. decumbens + D. ovalifolium(SP = b3) 3.0 5.0 4.5 13.5

Total parcela principal 14.8 20.5 18.4 53.7

Aplicación de Herbicida en franjas (PP = A4)

Brachiaria decumbens (SP = b1) 4.8 7.2 6.3 18.3
Desmodium ovalifolium (SP = b2) 5.3 6.1 6.9 18.3
B. decumbens + D. ovalifolium (SP = b3) 3.6 4.4 4.0 12.0

Total parcela principal 13.7 17.7 17.2 48.6

Total repeticiones 54.4 75.2 68.4 Total Gral. 198.0

Total de Sub Parcelas (especies de pasturas mejoradas).

Brachiaria decumbens = 79.5

Desmodium ovalifolium = 70.8
B. decumbens + D. ovalifolium = 47.7

Modelo Matemático del diseño de parcelas sub divididas.

𝐘𝐢𝐣𝐤 = μ + R i + PPj + R i PPj (error a) + SPk + PPj SPk + eijk

𝐘𝐢𝐣𝐤 = cualquier observación en estudio

𝛍 = media general
𝐑 𝐢 = efectos de i − esema repetición en estudio
𝐏𝐏𝐣 = efecto de la j − esima repetición en estudio

153
𝐑 𝐢 𝐏𝐏𝐣 (𝐞𝐫𝐫𝐨𝐫 𝐚) = interacción de la repetición por la parcela principal
𝐒𝐏𝐤 = efecto de la k − esima parcela en estudio
𝐏𝐏𝐣 𝐒𝐏𝐤 = efecto de la interacción de la j − esima parcela principal por la k
− esima sub parcela
𝐞𝐢𝐣𝐤 = error o residual

Hipótesis a probar.

Hipótesis para repeticiones.

Ηο ⇒ μR1 = μR 2 = ⋯ = μR n

ΗA ⇒ μR1 ≠ μR 2 ≠ ⋯ ≠ μR n

Hipótesis para parcela principal.

Ηο ⇒ μPP1 = μPP2 = ⋯ = μPPn

ΗA ⇒ μPP1 ≠ μPP2 ≠ ⋯ ≠ μPPn

Hipótesis para sub parcelas.

Ηο ⇒ μSP1 = μSP2 = ⋯ = μSPn

ΗA ⇒ μSP1 ≠ μSP2 ≠ ⋯ ≠ μSPn

Hipótesis para la interacción.

Ηο ⇒ μPPxSP1 = μPPxSP2 = ⋯ = μPPxSPn

ΗA ⇒ μPPxSP1 ≠ μPPxSP2 ≠ ⋯ ≠ μPPxSPn

Cuadro del Análisis de la Variancia.

FV GL SC CM FC
Repeticiones -R R-1 ∑R i2
(∑X ijk )2 𝑆𝐶𝑅 𝐶𝑀𝑅
− 𝐺𝐿𝑅 𝐶𝑀𝐸(𝑎)
ab abr
Parcela principal -PP PP -1 ∑PPj 2 (∑X ijk )2 𝑆𝐶𝑃𝑃 𝐶𝑀𝑃𝑃
− 𝐺𝐿𝑃𝑃 𝐶𝑀𝐸(𝑎)
br abr
Error (a) (R-1)(PP-1) Por diferencia del 𝑆𝐶𝐸
total de parcelas 𝐺𝐿𝐸(𝑎)
Total de parcelas R x PP-1 ∑R i xPPj 2 (∑X ijk )2
−
b abr

154
 Sub parcela -SP SP-1 ∑SPk 2 (∑X ijk )2 𝑆𝐶𝑆𝑃 𝐶𝑀𝑆𝑃
− 𝐺𝐿𝑆𝑃 𝐶𝑀𝐸(𝑏)
ar abr
Int. Parcela principal (PP-1)(SP-1) ∑PPj SPk 2
(∑X ijk )
2 𝑆𝐶𝑃𝑃𝑥𝑆𝑃 𝐶𝑀𝑃𝑃𝑥𝑆𝑃
x Sub parcela − 𝐺𝐿𝑃𝑃𝑥𝑆𝑃 𝐶𝑀𝐸(𝑏)
r abr
− (SCPPj + SCSPk )
Error PP(SP-1)(R-1) Por diferencia del 𝑆𝐶𝐸
total 𝐺𝐿𝐸(𝑏)
Total (RxPPxSP)-1 (∑X ijk )2
∑𝑋𝑖𝑗𝑘 2 −
abr

CALCULO DE LA SUMA DE CUADRADOS

Termino de corrección.

(∑Xijk )2 1382
𝐓𝐂 = = = 1089
abr 36

Suma de Cuadrados de repeticiones - bloques.

2
∑R i 2 (∑Xijk ) 54.42 + 75.22 + 68.42
𝐒𝐂𝐑 = − = − 1089 = 19
ab abr 4𝑥3

Suma de cuadrados de Parcela Principal (labores culturales).

2
∑PPj 2 (∑Xijk ) 49.82 + 45.92 + 53.72 + 48.62
𝐒𝐂𝐏𝐏 = − = − 1089 = 3
br abr 3x3

Suma de cuadrados del Total de Parcelas.

2
∑R i xPPj 2 (∑Xijk )
𝐒𝐂𝐓𝐏 = −
b abr
12.82 + 18.82 + 18.22 + 13.12 + 18.22 + 14.62 + 14.82 + 20.52 + 18.42 + 13.72 + 17.72 + 17.22
=
3

𝐒𝐂𝐓𝐏 = 1113 − 1089 = 24

Suma de cuadrados del Error (a).

155
 𝐒𝐂𝐄(𝐚) = SCTP − SCPP − SCR = 24 − 19 − 3 = 2

Suma de cuadrados de Sub Parcela (pasturas mejoradas).

2
∑SPk 2 (∑Xijk ) 79.52 + 70.82 + 47.72
𝐒𝐂𝐒𝐏 = − = − 1089 = 45
ar abr 4x3

Suma de cuadrados de la Interacción de Parcela Principal por Sub Parcela.

2
∑PPj SPk 2 (∑Xijk )
𝐒𝐂𝐏𝐏𝐱𝐒𝐏 = − − (SCPPj + SCSPk )
r abr
22.22 + 17.12 + 10.52 + 19.52 + 14.72 + 11.72 + 19.52 + 20.72 + 13.52 + 18.32 + 18.32 + 122
3

𝐒𝐂𝐏𝐏𝐱𝐒𝐏 = 1145 − 1089 = 56 − (3 + 45) = 8

Suma de cuadrados Total.

2
2 (∑Xijk )
𝐒𝐂𝐓 = ∑𝑋𝑖𝑗𝑘 − =
abr
6.12 + 8.32 + 7.82 + 3.72 + ⋯ + 3.62 + 4.42 + 4.02
𝐒𝐂𝐓 = − 1089 = 84
3

Suma de cuadrados del Error(b).

𝐒𝐂𝐄(𝐛) = SCT − (SCTP + SCSP + SCPPxSP) = 84 − (24 − 45 − 8) = 7

Cuadro del Análisis de la Variancia.

FV GL SC CM FC Sig.
Repeticiones – R 2 19 9.5 28.79 **
Parcela principal –PP (labores culturales) 3 3 1 3.03 NS
Error (a) 6 2 0.33
Total de parcelas 11 24
Sub parcela –SP (especies de pasturas) 2 45 22.5 51.1 **
Int. Parcela principal x Sub parcela 6 8 1.33 3.02 *
Error(b) 16 7 0.44
Total 35 84

156
 Valores de F de la tabla para la prueba de hipótesis.

F de la tabla GL. Para GL. Para Para α=0.05 Para α=0.01

para: cuadrado el Error
medio
mayor
Repeticiones
Parcela principal
Sub parcela
Int. PPxSP
Sub subparcela
Int. PPxSSP
Int. SPxSSP
Int. PPxSPxSSP

- F de la tabla para Repeticiones: 2 gl. para R y 6 gl. del Error.

α : 0.05 = 5.14
α : 0.01 = 10.92

- F de la tabla para la Parcela Principal: 3 gl. para PP, y 6 gl. del Error.

α : 0.05 = 4.76
α : 0.01 = 9.78

- F de la tabla para la Sub Parcela: 2 gl para SP y 16 gl del Error.

α : 0.05 = 3.63
α : 0.01 = 6.23

- F de la tabla para la Interacción de la Parcela Principal por la Sub Parcela: 6 gl

para PPxSP y 16 gl del Error.

α : 0.05 = 2.74
α : 0.01 = 4.20

Calculo del Coeficiente de Variabilidad.

En este diseño se calculan dos coeficientes de variabilidad. Un coeficiente de
variabilidad para Parcela Principal y un coeficiente de variabilidad para Sub
Parcela; para lo cual se debe utilizar la siguiente formula:

Coeficiente de variabilidad para Parcela Principal.

√CME(a) √0.33
𝐂𝐕𝐏𝐏 = x 100 = x 100 = 10.44%
x̅ general 5.5
Coeficiente de variabilidad para Sub Parcela.

157
 √CME(b) √0.44
𝐂𝐕𝐒𝐏 = x 100 = x 100 = 12.06%
x̅ general 5.5
CONCLUSIONES:

1. Las diferencias altamente significativas encontradas en la fuente de variabilidad

bloques o repeticiones nos demuestra que el diseño ha sido eficiente en controlar
el error experimental.
2. No se encontró diferencias significativas entre las labores culturales aceptándose
la hipótesis de que todas las especies de pasturas se establecen igual en las
cuatro labores culturales.
3. Debido a que se encontró diferencias significativas en la interacción se concluye
de que estos factores no son independientes, por lo que se considera importante
probar cada uno de las especies de pasturas en cada uno de los niveles de
labores culturales.
4. El coeficiente de variabilidad de parcelas principales nos muestra que los datos
están dentro encontrados con confiables; aunque el coeficiente de variabilidad de
sub parcelas está un poco elevado.
5. Para comparar los promedios es necesario calcular el error estándar de los
promedios Sx̅ . El cálculo del error estándar es distinto para comparar los
promedios en las parcelas principales y los promedios en las sub parcelas.

Las fórmulas para calcular estos son las siguientes:

Error Estándar Error Estándar para
Comparación Promedios de: para las pruebas DSM y Dunnett.
de Tukey, Duncan
y SNK
Promedios de la A1 – A2
𝐂𝐌(𝐄𝐚) 𝟐𝐂𝐌(𝐄𝐚)
Parcela Principal. 𝐒𝐗̅ = √ 𝐒𝐗̅ = √
𝐫𝐛𝐜 𝐫𝐛𝐜
Promedios de la Sub B1 – B2
𝐂𝐌(𝐄𝐛) 𝟐𝐂𝐌(𝐄𝐛)
Parcela. 𝐒𝐗̅ = √ 𝐒𝐗̅ = √
𝐫𝐚𝐜 𝐫𝐚𝐜
Interacciones
Dos medias de la Sub A1B1 - A1B2
𝐂𝐌(𝐄𝐛) 𝟐𝐂𝐌(𝐄𝐛)
parcelas en el mismo 𝐒𝐗̅ = √ 𝐒𝐗̅ = √
nivel de la Parcela. 𝐫 𝐫

Dos medias de la A1B1 – A2B1 (𝐛 − 𝟏)𝐄𝐛 + 𝐄𝐚 𝟐(𝐛 − 𝟏)𝐄𝐛 + 𝐄𝐚

Parcela Principal al 𝐒𝐗̅ = √ 𝐒𝐗̅ = √
𝐫𝐛 𝐫𝐛
mismo nivel de la Sub ó
parcela ó diferentes
niveles de la sub A1B2 - A2B1
parcela.

r = Número de repeticiones
a = número de niveles de Parcela Principal.
b= Número de niveles de la Sub Parcela.

Análisis de los promedios.

158
 a1 a2 a3 a4
b1 7.4 6.5 6.5 6.1 6.63
b2 5.7 4.9 6.9 6.1 5.9
b3 3.5 3.9 4.5 4.0 3.98
5.53 5.1 5.97 5.4

Ejemplo de un experimento conducido en Parcelas Sub Subdivididas.

En el programa de pastos tropicales que se condujo en el INIA en la década de los

80 se realizó un experimento para evaluar la ganancia de peso de toretes al
pastoreo en donde se utilizó en diseño de parcelas sub subdivididas: las parcelas
principales fueron tres especies de Brachiaria, dispuestos en bloques aleatorios
completos. Las sub parcelas fueron las cargas animal y las sub - subparcelas fueron
tres sistemas de pastoreo.

Las ganancias de pesos en los tres primeros meses del experimento de muestran en
la tabla x.

Los tratamientos y la disposición experimental fue la siguiente:

Factor A: Parcela Principal con tres niveles. Tres especies de Braquiaria

P1 = Brachiaria decumbens
P2 = Brachiaria humidicola
P3 = Brachiaria brizantha.

Factor B: Sub Parcela con dos niveles. Dos cargas animal.

SP1 = 2 U.A
SP2 = 3 U.A

Factor C: Sub subparcelas con 3 Sistemas de Pastoreo.

SSP1 = Pastoreo continuo.
SSP2 = Pastoreo alterno
SSP3 = Pastoreo rotacional.

159
Distribución de los tratamientos por bloques.

BLOQUE I

B. decumbens B.brizantha B. humidicola

3 U.A 2 U.A 2 U.A 3 U.A 3 U.A 2 U.A
PC PA PR PR PA PC PC PR PA PA PC PR PC PA PR PR PA PC

BLOQUE II

B. decumbens B. humidicola B. brizantha

2 U.A 3 U.A 2 U.A 3 U.A 2 U.A 3 U.A
PC PR PA PA PR PC PR PC PA PC PA PR PR PA PC PA PR PC
BLOQUE III

B. decumbens B.brizantha B. humidicola

3 U.A 2 U.A 2 U.A 3 U.A 3 U.A 2 U.A
PC PA PR PR PA PC PC PR PA PA PC PR PC PA PR PR PA PC

BLOQUE IV

B. brizantha B. decumbens B. humidicola

2U.A 3 U.A 3 U.A 2 U.A 3 U.A 2 U.A
PR PC PR PA PR PC PR PC PA PC PR PA PA PC PR PC PA PR

Cuadro x. Ganancia de peso de toretes (kg/animal) evaluados bajo tres especies de

Brachiaria con dos cargas animal y tres sistemas de pastoreo en un diseño de
parcelas sub subdivididas organizados por tratamientos y bloques.

Tratamientos Bloques Total Promedios

Parcela Sub Sub I II III IV Tratamientos
Principal Parcela subparcela
SP1 25.7 25.4 23.8 22.0 96.9 24.2
SP1 SP2 31.8 29.5 28.7 26.4 116.4 29.1
SP3 34.6 37.2 29.1 23.7 124.6 31.2
PP1 Total SP 92.1 92.1 81.6 72.1 337.9 28.2
SP1 27.7 30.3 30.2 33.2 121.4 30.4
SP2 38 40.6 34.6 31 144.2 36.0
SP2 SP3 42.1 43.6 44.6 42.7 173 43.2
Total SP 107.8 114.5 109.4 106.9 438.6 36.6
Total PP 199.9 206.6 191.0 179.0 776.5
SP1 28.9 24.7 27.8 23.4 104.8 26.2
SP1 SP2 37.5 31.5 31.0 27.8 127.8 32.0
SP3 38.4 32.5 31.2 29.8 131.9 33
Total SP 104.8 88.7 90.0 81.0 364.5 30.4
PP2 SP1 38.0 31.0 29.5 30.7 129.2 32.3
SP2 36.9 31.9 31.5 35.9 136.2 34.0
SP2 SP3 44.2 41.6 38.9 37.6 162.3 40.5
Total SP 119.1 104.5 99.9 104.2 427.7 35.6

160
 Total PP 223.9 193.2 189.9 185.2 792.2
SP1 23.4 24.2 21.2 20.9 89.7 22.4
SP1 SP2 25.3 27.7 23.7 24.3 101.0 25.2
SP3 29.8 29.9 24.3 23.8 107.8 27.0
Total SP 78.5 81.8 69.2 69.0 298.5 24.9
PP3 SP1 20.8 23.0 25.2 23.1 92.1 23.0
SP2 29.0 32.0 26.5 31.2 118.7 29.7
SP2 SP3 36.6 37.8 34.8 40.2 149.4 37.4
Total SP 86.4 92.8 86.5 94.5 360.2 30.0
Total PP 164.9 174.6 155.7 163.5 658.7
Total Bloques 588.7 574.4 536.6 527.7 ∑𝑿𝒊𝒋𝒌 = 2227.4

Total de Sub Parcelas (especies de pasturas mejoradas).

Brachiaria decumbens = 776.6

Brachiaria Humidicola = 792.2
Brachiaria Brizantha = 658.7

Modelo Matemático del diseño de parcelas sub divididas.

𝐘𝐢𝐣𝐤𝐥 = μ + R i + PPj + Error (a) + SPk + PPj SPk + Error (b) + SSP𝑙 + 𝑃𝑃𝑗 𝑆𝑆𝑃𝑙
+ 𝑆𝑃𝑘 𝑆𝑆𝑃𝑙 + 𝑃𝑃𝑗 𝑆𝑃𝐾 𝑆𝑆𝑃𝑙 + 𝐸𝑟𝑟𝑜𝑟(𝑐)

𝐘𝐢𝐣𝐤𝐥 = Cualquier observación en estudio

𝛍 = Media general
𝐑 𝐢 = Efectos de la i − esima repetición en estudio
𝐏𝐏𝐣 = Efecto de la j − esima parcela principal en estudio
𝐄𝐫𝐫𝐨𝐫 (𝐚) = Interacción de la repetición por la parcela principal
𝐒𝐏𝐤 = Efecto de la k − esima Subparcela en estudio
𝐏𝐏𝐣 𝐒𝐏𝐤 = Efecto de la interacción de la j − esima parcela principal por la k −
esima sub parcela.
𝐄𝐫𝐫𝐨𝐫 (𝐛) = Error (b).
𝐒𝐒𝐏𝐥 = Efecto de la l − esima sub subparcela en estudio
𝐏𝐏𝐣 𝐒𝐒𝐏𝐥 = Efecto de la interacción de la j–ésima parcela principal por la l-ésima Sub
subparcela en estudio.
𝐒𝐏𝐤 𝐒𝐒𝐏𝐥 = Efecto de la interacción de la k-esima sub parcela por la l-ésima sub
subparcela en estudio.
𝐏𝐏𝐣 𝐒𝐏𝐤 𝑺𝑺𝑷𝒍 = Efecto de la interacción de la j-ésima parcela principal, por la k-ésima
Sub parcela, por la l-ésima Sub subparcela en estudio.
𝐄𝐫𝐫𝐨𝐫 (𝐜) = Residual

Hipótesis a probar.

Hipótesis para repeticiones.

Ηο ⇒ μR1 = μR 2 = ⋯ = μR n

161
ΗA ⇒ μR1 ≠ μR 2 ≠ ⋯ ≠ μR n

Hipótesis para Parcela Principal.

Ηο ⇒ μPP1 = μPP2 = ⋯ = μPPn

ΗA ⇒ μPP1 ≠ μPP2 ≠ ⋯ ≠ μPPn

Hipótesis para Sub Parcelas.

Ηο ⇒ μSP1 = μSP2 = ⋯ = μSPn

ΗA ⇒ μSP1 ≠ μSP2 ≠ ⋯ ≠ μSPn

Hipótesis para la interacción de la Parcela Principal por la Sub Parcela.

Ηο ⇒ μPP1 xSP1 = μPP2xSP2 = ⋯ = μPPn xSPn

ΗA ⇒ μPP1xSP1 ≠ μPP2 xSP2 ≠ ⋯ ≠ μPP𝑛 xSPn

Hipótesis para Sub subparcelas.

Ηο ⇒ μSSP1 = μSSP2 = ⋯ = μSSPn

ΗA ⇒ μSSP1 ≠ μSSP2 ≠ ⋯ ≠ μSSPn

Hipótesis para la interacción de la Parcela Principal por la Sub SubParcela.

Ηο ⇒ μPP1 xSSP1 = μPP2 xSSP2 = ⋯ = μPPn xSSPn

ΗA ⇒ μPP1xSSP1 ≠ μPP2 xSSP2 ≠ ⋯ ≠ μPPn xSSPn

Hipótesis para la interacción de la Sub Parcela por la Sub subparcela.

Ηο ⇒ μSP1 xSSP1 = μSP2 xSSP2 = ⋯ = μSPn xSSPn

ΗA ⇒ μSP1 xSSP1 ≠ μSP2 xSSP2 ≠ ⋯ ≠ μSPn xSSPn

Hipótesis para la interacción de la Parcela Principal por la Sub Parcela por la

Sub subparcela.

Ηο ⇒ μPP1 xSP1 xSSP1 = μPP2 xSP2 xSSP2 = ⋯ = μPPn xSPn xSSPn

ΗA ⇒ μPP1xSP1 xSSP1 ≠ μPP2 xSP2 xSSP2 ≠ ⋯ ≠ μPPn xSPn xSSPn

162
 Cuadro del Análisis de la Variancia.

FV GL SC CM FC
Repeticiones –R R-1 ∑𝑅𝑖 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑅 𝐶𝑀𝑅
𝑆𝐶𝑅 = − 𝐺𝐿𝑅 𝐶𝑀𝐸(𝑎)
𝑎𝑏𝑐 𝑟𝑎𝑏𝑐
Parcela principal -PP PP-1 ∑𝑃𝑃𝑗 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃 𝐶𝑀𝑃𝑃
𝑆𝐶𝑃𝑃 = − 𝐺𝐿𝑃𝑃 𝐶𝑀𝐸(𝑎)
𝑟𝑏𝑐 𝑟𝑎𝑏𝑐
Error (a) (R-1)(PP-1) 𝑆𝐶𝐸(𝑎)
𝐺𝐿𝐸(𝑎)
Total de parcelas (R x PP) - 1
Sub parcela –SP SP-1 ∑𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑃 𝐶𝑀𝑆𝑃
𝑆𝐶𝑆𝑃 = − 𝐺𝐿𝑆𝑃 𝐶𝑀𝐸(𝑏)
𝑟𝑎𝑐 𝑟𝑎𝑏𝑐
Int. Parcela principal x (PP-1)(SP-1) ∑𝑃𝑃𝑗 𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑃
Sub parcela 𝑆𝐶𝑃𝑃𝑥𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑃 𝐶𝑀𝐸(𝑏)
𝑟𝑐 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑃)
Error (b) 𝑆𝐶𝐸(𝑏)
𝐺𝐿𝐸(𝑏)
Total de Sub parcelas (R x PP x SP)-
1
Sub subparcela SSP-1 ∑𝑆𝑆𝑃𝑙 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑆𝑃 𝐶𝑀𝑆𝑆𝑃
𝑆𝐶𝑆𝑆𝑃 = − 𝐺𝐿𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑎𝑏 𝑟𝑎𝑏𝑐
Int. Parcela principal x (PP-1)(SSP-1) ∑𝑃𝑃𝑗 𝑆𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑆𝑃
Sub subparcela 𝑆𝐶𝑃𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑏 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑆𝑃)
Int. Sub parcela x Sub (SP-1)(SSP-1) ∑𝑆𝑃𝑗 𝑆𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝑆𝑃𝑆𝑆𝑃
subparcela 𝑆𝐶𝑆𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑎 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑆𝑃 + 𝑆𝐶𝑆𝑆𝑃)
Int. Parcela principal x (PP-1)(SP- ∑𝑃𝑃𝑗 𝑆𝑃𝑘 𝑆𝑆𝑃𝑙 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑃𝑆𝑆𝑃
Sub parcela x Sub 1)(SSP-1) 𝑆𝐶𝑃𝑃𝑥𝑆𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟 𝑟𝑎𝑏𝑐
subparcela. − (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑃 + 𝑆𝐶𝑆𝑆𝑃 + 𝑆𝐶𝑃𝑃𝑥𝑆𝐶𝑆𝑃
+ 𝑆𝐶𝑃𝑃𝑥𝑆𝐶𝑆𝑆𝑃
+ 𝑆𝐶𝑆𝑃𝑥𝑆𝐶𝑆𝑆𝑃)
Error (c) Por diferencia Por diferencia del total 𝑆𝐶𝐸(𝑐)
del total 𝐺𝐿𝐸(𝑐)
Total (PPxSPxSSP) ∑𝑋𝑖𝑗𝑘𝑙 2
-1 ∑𝑋𝑖𝑗𝑘𝑙 2 −
𝑟𝑎𝑏𝑐

r = Número de repeticiones.
a = número de niveles de la Parcela Principal.
b = Número de niveles de la Sub parcela.
c = Número de niveles de la Sub subparcela.

Total para Efectos Principales

Especies de braquiaria Cargas animal Sistemas de pastoreo

B. d B. h B. b 2 U. 3 U. PC PA PR
Total PPi 776.5 792.2 658.7 1000.9 1226.5 634.1 744.3 849.0
Promedio PPi 32.33 33.01 27.45 27.80 34.02 26.42 31.01 35.38

Total para las Interacciones

PP x SP PP x SSP SP x SSP

163
 SP1 SP2 SSP1 SSP2 SSP3 SP1 SP2
P1 337.9 438.6 P1 218.3 260.6 297.6 SSP1 291.4 342.1
P2 364.5 427.7 P2 234.0 264.0 294.2 SSP2 345.2 399.1
P3 298.5 360.2 P3 181.8 219.7 257.2 SSP3 364.3 484.7

CALCULO DE LA SUMA DE CUADRADOS

Termino de corrección.

(∑Xijk )2 2227.42
𝐓𝐂 = = = 68907.09
rabc 72

Suma de Cuadrados de repeticiones - bloques.

2
∑R i 2 (∑Xijk ) 588.72 + 574.42 + 536.62 + 527.72
𝐒𝐂𝐑 = − = − 68907.09 = 143.46
abc rabc 3𝑥2𝑥3

Suma de cuadrados de Parcela Principal (Especies de braquiaria).

2
∑PPj 2 (∑Xijk ) 776.52 + 792.22 + 658.72
𝐒𝐂𝐏𝐏 = − = − 68907.09 = 443.69
rbc rabc 4x2x3

Suma de cuadrados del Total de Parcelas.

2
∑R i xPPj 2 (∑Xijk )
𝐒𝐂𝐓𝐏 = −
bc rabc

199.92 + 206.62 + 1912 + 1792 + 776.52 + ⋯ + 155.72 + 163.52 + 658.72

= − 68907.09
2𝑥3

𝐒𝐂𝐓𝐏 = 698.90

Suma de cuadrados del Error (a).

𝐒𝐂𝐄(𝐚) = SCTP − SCPP − SCR = 698.90 − (443.69 + 143.46) = 111.76

Suma de cuadrados de Sub Parcela (pasturas mejoradas).

2
∑SPk 2 (∑Xijk ) 1000.92 + 1226.52
𝐒𝐂𝐒𝐏 = − = − 68907.09 = 706.88
rac rabc 4x3x3

Suma de cuadrados de la Interacción de Parcela Principal por Sub Parcela.

164
 2
∑PPj SPk 2 (∑Xijk )
𝐒𝐂𝐏𝐏𝐱𝐒𝐏 = − − (SCPPj + SCSPk )
rc rabc

337.92 + 364.52 + 298.52 + 438.62 + 427.72 + 360.22

− 68907.09 − (443.69 + 706.88) = 40.69
4x3

Suma de cuadrados de total de Sub parcela.

2
∑R i PPj SPk 2 (∑Xijk )
𝐒𝐂𝐓𝐒𝐏 = −
c rabc

92.12 + 92.12 + 81.62 + 72.12 + ⋯ + 92.82 + 86.52 + 94.52

− 68907.09 = 1524.81
3

Suma de cuadrados del Error (b).

𝐒𝐂𝐄(𝐛) = SCTSP − (SCTPP + SCSP + SCPPxSP) = 1524.81 − (698.90 + 706.88 + 40.69)

𝐒𝐂𝐄(𝐛) = 78.42

Suma de cuadrados de la Sub subparcela.

2
∑SSPl 2 (∑Xijk ) 634.12 + 744.32 + 8492
𝐒𝐂𝐒𝐒𝐏 = − = − 68907.09 = 962.34
rab rabc 4𝑥3𝑥2

Suma de cuadrados de la interacción PP x SSP.

∑PPj SSPk 2 ∑Xijkl 2

𝐒𝐂𝐏𝐏𝐱𝐒𝐒𝐏 = − − (SCPP + SCSSP)
rb rabc
218.32 + 2342 + 181.82 + 260.62 + 2642 + 219.72 + 297.62 + 294.22 + 257.22
𝐒𝐂𝐏𝐏𝐱𝐒𝐒𝐏 =
4𝑥2

𝐒𝐂𝐏𝐏𝐱𝐒𝐒𝐏 = 70326.23 − 68907.09 − (443.69 + 962.34) = 13.11

Suma de cuadrados de la interacción de SP x SSP.

∑SPj SSPk 2 ∑Xijkl 2

𝐒𝐂𝐒𝐏𝐱𝐒𝐒𝐏 = − − (SCSP + SCSSP)
ra rabc

291.42 + 345.22 + 364.32 + 342.72 + 399.12 + 484.72

𝐒𝐂𝐒𝐏𝐱𝐒𝐒𝐏 = − 68907.09
4𝑥3

𝐒𝐂𝐒𝐏𝐱𝐒𝐒𝐏 = 1797.05 − (706.88 + 962.34) = 127.83

165
Suma de cuadrados de la interacción PP x SP x SSP.

∑PPj SPk SSPl 2 ∑Xijkl 2

𝐒𝐂𝐏𝐏𝐱𝐒𝐏𝐱𝐒𝐒𝐏 = − − (SCPP + SCSP + SCSSP + SCPPxSCSP + SCPPxSCSSP + SCSPxSCSSP)
r rabc

96.92 + 116.42 + 124.62 + ⋯ + 92.12 + 118.72 + 149.42

𝐒𝐂𝐏𝐏𝐱𝐒𝐏𝐱𝐒𝐒𝐏 = − 68907.09
4

𝐒𝐂𝐏𝐏𝐱𝐒𝐏𝐱𝐒𝐒𝐏 = 2338.56 − (443.69 + 706.88 + 962.34 + 40.69 + 13.11 + 127.83) = 44.26

Suma de cuadrados Total.

2
∑Xijkl 2
𝐒𝐂𝐓 = ∑𝑋𝑖𝑗𝑘𝑙 − =
rabc

𝐒𝐂𝐓 = 25.72 + 25.42 + 23.82 + 222 + ⋯ + 37.82 + 34.82 + 40.22 − 68907.09 =

𝐒𝐂𝐓 = 71447.7 − 68907.09 = 2840.61

Suma de cuadrados del Error(c).

𝐒𝐂𝐄(𝐜) = SCT − (SCTP + SCSP + SCPPxSP + SCE(b) + SCSSP + SCPPxSP + SCSPxSSP + SCPPxSPxSSP)

= 2840.61 − (698.90 + 706.88 + 40.69 + 78.34 + 962.34 + 13.11 + 127.83 + 44.02) = 168.5

Cuadro del Análisis de la Variancia.

FV GL SC CM FC Sig.
Repeticiones – R 3 143.46 47.82 2.57 NS
Parcela principal –PP (Especies de 2 443.68 221.84 11.91 **
Brachiaria)
Error (a) 6 111.76 18.63
Total de parcelas 11
Sub parcela –SP (Cargas animal) 1 706.88 706.88 81.21 **
Int. Parcela principal x Sub parcela 2 40.69 20.34 2.34 **
Error(b) 9 78.34 8.7
Total de Sub Parcela 23
Sub subparcela – SSP (Tipo de pastoreo) 2 962.34 481.17 102.8 **
Int. PPxSSP 4 13.11 3.28 0.7 NS
Int. SPxSSP 2 127.83 63.92 13.66 **
Int. PPxSPxSSP 4 44.02 11.01 2.35 NS
Error(c) 36 168.50 4.68
Total 71

Valores de F de la tabla para la prueba de hipótesis.

F de la tabla GL. Para GL. Para Para α=0.05 Para α=0.01

para: cuadrado el Error
medio

166
 mayor
Repeticiones 3 6 4.76 9.78
Parcela principal 2 6 5.14 10.92
Sub parcela 1 9 5.12 10.56
Int. PPxSP 2 9 4.26 8.02
Sub subparcela 2 36 3.26 5.25
Int. PPxSSP 4 36 2.63 3.89
Int. SPxSSP 2 36 3.26 5.25
Int. PPxSPxSSP 4 36 2.63 3.89

Calculo del Coeficiente de Variabilidad.

En este diseño se calculan tres coeficientes de variabilidad. Un coeficiente de
variabilidad para Parcela Principal y un coeficiente de variabilidad para Sub Parcela
y un coeficiente para Sub subparcela; para lo cual se debe utilizar la siguiente
formula:

Coeficiente de variabilidad para Parcela Principal, Sub parcela y Sub

subparcela.

Coeficiente de variabilidad para Parcela Principal

Formula Calculo Valor del CV.
√CME(a) √18.63 13.95%
𝐂𝐕𝐏𝐏 = x 100 x 100
x̅ general 30.94
Coeficiente de variabilidad para Sub Parcela
√CME(b) √8.71
𝐂𝐕𝐒𝐏 = x 100 x 100 9.54%
x̅ general 30.94
Coeficiente de variabilidad para Sub subparcela
√CME(c) √4.68
𝐂𝐕𝐒𝐏 = x 100 x 100 6.99%
x̅ general 30.94

CONCLUSIONES:

1. No se diferencias significativas en la fuente de variabilidad bloques o repeticiones

lo que nos hace dudar de la eficiencia en el control del error experimental. En
muchos casos es importante realizar una prueba de eficiencia relativa entre el
diseño completamente al azar y el diseño de bloques ya que una de las
asunciones para utilizar el diseño de bloques es que hay variabilidad en el
material experimental acomodando en grupos o bloques estas fuentes de
variabilidad; por lo que queda la duda si el diseño utilizado fue el más adecuado.
La prueba de la eficiencia relativa entre el diseño de bloques completos al azar y
el diseño completamente al azar se puede encontrar en el libro de Steel and
Torrie, año 1985.
2. Se encontraron diferencias altamente significativas en la Parcela Principal, Sub
parcelas y Sub subparcelas.
3. Debido a que existen diferencias significativas en la interacción de la Parcela
principal por la Sub parcela y la Sub parcela por la Sub subparcela nos está
indicando que no existe independencia de los factores.

167
 4. Debido a la existencia de diferencias altamente significativas en la interacción de
la carga animal por el sistema de pastoreo, por lo que se considera importante
probar cada uno de las cargas animal en cada uno de los sistemas de pastoreo.
5. El coeficiente de variabilidad de la Parcela principal se presenta relativamente
alta, sin embargo en las Sub parcelas y Sub suparcelas podríamos indicar que los
datos son confiables.
6. Cuando se trata de comparar los promedios de los factores principales o
interacciones es necesario calcular el error estándar de los promedios Sx̅ . El
cálculo del error estándar es distinto para comparar los promedios en las parcelas
principales, sub parcelas, Sub subparcelas e interacciones.

Las fórmulas para calcular estos valores se presenta la siguiente tabla:

Promedios Error Estándar para las pruebas de Tukey, Error Estándar para DSM y Dunnett.
de: Duncan y SNK
C1 – C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
rab rab
A1C1 - A1C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
rb rb

B1C1 – B2C1
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
ra ra

B1C1 – B2C1
(c − 1)CM(Ec) + CM(Eb) 2(c − 1)CM(Ec) + CM(Eb)
ó SX̅ = √ SX̅ = √
B1C1 – B2C2 rac rac
A1C1 – A2C1
(c − 1)CM(Ec) + CM(Ea) 2(c − 1)CM(Ec) + CM(Ea)
ó SX̅ = √ SX̅ = √
A1C1 – A2C2 rbc rbc
A1B1C1-A1B1C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
r r

A1B1C1-A1B2C1
(c − 1)CM(Ec) + CM(Eb) 2(c − 1)CM(Ec) + CM(Eb)
SX̅ = √ SX̅ = √
rc rc
A1B1C1-A2B1C1
b(c − 1)CM(Ec) + (b − 1)CM(Eb) + CM(Ea) 2b(c − 1)CM(Ec) + (b − 1)CM(Eb) + CM(Ea)
SX̅ = √ SX̅ = √
rbc rbc

r = Número de repeticiones
a = número de niveles de Parcela Principal.
b= Número de niveles de la Sub Parcela.
c= Número de niveles de la Sub subparcela.

Pruebas de promedios para Parcelas Sub subdivididas.

Toda separación de promedios emplea el procedimiento basado en los objetivos del

estudio, de la naturaleza de los tratamientos y de los resultados del análisis de
variancia. En el presente ejemplo el análisis nos muestra que los efectos de los
tratamientos de cargas animal y sistema de pastoreo fueron los mismos para todas

168
las especies de pasturas, debido a que no se registran valores de F significativos
para la interacción especies de pasturas por carga animal (PPxSP); especies de
pasturas por sistema de pastoreo (PPxSSP)y la interacción triple especie de
pasturas por carga animal por sistema de pastoreo (PPxSPxSSP), pero las especies
que fueron sometidos a una carga animal para la producción de forraje se
condujeron en forma bastante diferente con respecto al sistema de pastoreo que las
pasturas que no fueron sometidos a los diferentes tipos de sistemas de pastoreo
(valores de F altamente significativos para carga animal por sistema de pastoreo).

Una práctica considerablemente aconsejable en la presentación de los resultados de

un experimento consiste en presentar las medias de la combinación de factores de
mayor orden conjuntamente con las medias de la combinación de factores que
parecen particularmente relevantes para los conclusiones que se van a obtener.

En el cuadro x presentamos los promedios de las especies de pasturas por la carga

animal por el sistema de pastoreo, por promedios de los sistemas de pastoreo y los
promedios para la integración de la más alta significación que es carga animal por
sistema de pastoreo.

Especie de Cargas Sistema de Pastoreo Promedio de

Pasturas Animal Continuo Alterno Rotacional las Especies
------------------------- MS (TM/ha) -------------------------
B. decumbes 2 UA 24.2 29.1 31.2 32.3
3 UA 30.4 36.0 43.2
B. Homidicula 2 UA 26.2 32.0 33.0 33.0
3 UA 32.3 34.0 40.6
B. Brizantha 2 UA 22.4 25.2 27.0 27.4
3 UA 23.0 29.7 37.4
Int. de la Carga animal por el Sistema de pastoreo Sub Parcela por la Sub
subparcela
2 UA 24.3 28.8 30.4
3 UA 28.6 23.3 40.4

169
Figura X. Efecto que ejerce el sistema de pastoreo sobre la ganancia de peso de los
toretes. La presente grafica muestra la interacción entre la carga animal y el sistema
de pastoreo.

170
 Capítulo 9
ANALISIS DE EXPERIMENTOS REPETIDOS

9.1 INTRODUCCIÓN
En experimentos agropecuarios como es el caso de la investigación en pasturas
tropicales, as evaluaciones de hacen por varios años, por lo que existe una
influencia del tiempo y del lugar en que se realizan sobre los efectos de los
tratamientos; en estos casos tanto el suelo como las condiciones climáticas de un
año a otro van a tener una gran influencia en las pasturases así como en los
animales que pastorean dicha pastura.

En estos casos se puede realizar análisis como experimentos repetidos, ya que una
vez obtenido los datos, se agrupan los experimentos según los criterios previamente
adoptados en el área de estudio.

Un aspecto importante a consideran en estos tipos de experimentos, y estos puedan

ser reunidos, es importante considerar el error experimental de los diversos
experimentos. Aunque algunos autores opinan que si todos los experimentos tienen
un mismo número de parcelas, la relación entre el cuadrado medio mayor y el
cuadrado medio menor puede llegar hasta tres veces o cuatro veces sin que esto
cause serios problemas en las conclusiones.

Ejemplo de un análisis de experimento repetido en el tiempo.

El presente estudio fue conducido por el autor en la Estación Experimental de

Trópico del IVITA-Pucallpa. El ensayo fue conocer la productividad animal en la
Asociación Brachiaria dictyoneura CIAT 6133 con Desmodium ovalifolium CIAT 350
en Pucallpa; el objetivo del estudio fue conocer el efecto de la carga animal en la
producción de la carga animal y en el comportamiento de la pastura asociada. La
variable evaluada fue el comportamiento de la leguminosa en el tiempo expresado
en porcentaje. Se realizaron tres evaluaciones la primera en noviembre de 1988, la
segunda en julio de 1989, y la tercera en noviembre de 1989. Los resultados en
términos de porcentajes de leguminosa en cada periodo de evaluación y su
respectivo análisis se presentan a continuación:

Cuadro X. proporción de leguminosa (%) en el forraje disponible de la Asociación B.

dictyoneura + D. ovalifolium bajo pastoreo con diferentes cargas animal y su
respectivo análisis de variancia en la evaluación de noviembre de 1988.

Carga Animal: (AU/ha)

171
Bloques 2 3 4 Total Bloques
Proporción de leguminosa (%)
I 25 27 18 70
II 24 26 19 69
III 23 27 18 68
IV 24 26 19 69
Total Carga 96 106 74 276

(276)2
𝐓𝐂 = = 6348
12

702 + 692 + 682 + 692

𝐒𝐂𝐛 = − 6348 = 0.67
3

962 + 1062 + 742

𝐒𝐂𝐭 = − 6348 = 134
4

𝐒𝐂𝐭𝐨𝐭𝐚𝐥 = 252 + 272 + 182 + ⋯ + 262 + 192 − 6348 = 138

𝐒𝐂𝐞𝐫𝐫𝐨𝐫 = 138 − (0.67 + 134) = 3.33

ANVA

FV GL SC CM FC Sig.
Bloques 3 0.67 0.22 0.39 NS
Carga animal 2 134.00 67.00 119.64 **
Error 6 3.33 0.56
Total 11 138.00
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92

Cuadro X. proporción de leguminosa (%) en el forraje disponible de la Asociación B.

dictyoneura + D. ovalifolium bajo pastoreo con diferentes cargas animal y su
respectivo análisis de variancia en la evaluación de julio de 1989.

Carga Animal: (AU/ha)

Bloques 2 3 4 Total Bloques
Proporción de leguminosa (%)
I 40 55 35 130
II 41 57 36 134
III 40 54 37 131
IV 41 55 36 132
Total Carga 162 221 144 527

(527)2
𝐓𝐂 = = 23144.08
12

172
 1302 + 1342 + 1312 + 1322
𝐒𝐂𝐛 = − 23144.08 = 2.92
3

1622 + 2212 + 1442

𝐒𝐂𝐭 = − 23144.08 = 811.17
4

𝐒𝐂𝐭𝐨𝐭𝐚𝐥 = 402 + 552 + 352 + ⋯ + 542 + 372 − 23144.08 = 818.92

𝐒𝐂𝐞𝐫𝐫𝐨𝐫 = 818.92 − (2.92 + 811.17) = 4.83

ANVA

FV GL SC CM FC Sig.
Bloques 3 2.92 0.97 1.20 NS
Carga animal 2 811.17 405.59 500.71 **
Error 6 4.83 0.81
Total 11 818.92
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92

Cuadro X. Proporción de leguminosa (%) en el forraje disponible de la Asociación B.

dictyoneura + D. ovalifolium bajo pastoreo con diferentes cargas animal y su
respectivo análisis de variancia en la evaluación de noviembre de 1989.

Carga Animal: (AU/ha)

Bloques 2 3 4 Total Bloques
Proporción de leguminosa (%)
I 44 67 49 160
II 44 66 48 158
III 43 65 47 155
IV 44 67 49 160
Total Carga 175 265 193 633

Calculo de la suma de cuadrados.

(633)2
𝐓𝐂 = = 33,390.75
12

1602 + 1582 + 1552 + 1602

𝐒𝐂𝐛 = − 33,390.75 = 5.58
3

1752 + 2652 + 1932

𝐒𝐂𝐭 = − 33,390.75 = 1134
4

𝐒𝐂𝐭𝐨𝐭𝐚𝐥 = 442 + 672 + 492 + ⋯ + 672 + 492 − 33,390.75 = 1140.25

𝐒𝐂𝐞𝐫𝐫𝐨𝐫 = 1140.25 − (5.58 + 1134) = 0.67

173
ANVA

FV GL SC CM FC Sig.
Bloques 3 5.58 1.86 15.50 **
Carga animal 2 1134.00 567.00 4725.00 **
Error 6 0.67 0.12
Total 11 1140.25
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92

Cargas Evaluación en tres periodos de pastoreo Total

(UA/ha) 1er. Evaluación 2do. Evaluación 3er. Evaluación cargas
Noviembre 1988 Julio 1989 Noviembre 1989
------------- Proporción de leguminosa (%) -------------
2 24.0 40.50 43.75 108.25
3 26.5 55.25 66.25 148.00
4 18.5 36.00 48.25 102.75
Total periodos 69.0 131.75 158.25 359.00

Cuadro X. Suma de cuadrados y grados de libertad en las 3 fechas de evaluación

1er. Evaluación 2do. Evaluación 3er. Evaluación
F.V. Noviembre 1988 Julio 1989 Noviembre 1989
S.C. G.L. S.C. G.L. S.C. G.L.
Bloques 0.67 3 2.92 3 5.58 3
Carga animal 134.0 2 811.17 2 1134.00 2
Error Experimental 3.33 6 4.83 6 0.67 6
CME = 0.56 CME = 0.81 CME = 0.12

Para realizar el análisis de variancia combinado es importante que los cuadrados

medios del error sean homogéneos. Según la prueba de Snedecor y Stevens para
homogeneidad de errores experimentales y según el criterio de Box, los cuadrados
medios del error del presente experimento son homogéneos para los tres periodos
de evaluación, por lo que se puede realizar el análisis combinado.
Cuadro X. Totales de tratamientos (carga animal) en cada periodo de evaluación;
proveniente de cuatro bloques o repeticiones.

Análisis de variancia combinado del presente estudio.

Termino de corrección:
(∑𝐓𝐓𝐭 𝐢 )𝟐 3592
𝐓𝐂 = = = 3580.03
𝐫𝐭𝐞 4x3x3

174
Suma de cuadrados de bloques combinados.
𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝐬 = ∑𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟏 + 𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟐 + 𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟑
𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝐬 = 0.67 + 2.92 + 5.58 = 9.17

Suma de cuadrados de tratamientos combinados (SCTc).

∑𝐓𝐭 𝐢 𝟐 108.252 + 1482 + 102.752
𝐒𝐂𝐓𝐜 = − 𝐓𝐂 = − 3580.03 = 101.61
𝐫𝐞 4x3

Suma de cuadrados de Periodos de Evaluación (SCPe).

∑𝐏𝐞𝐢 𝟐 692 + 131.752 + 158.252

𝐒𝐂𝐏𝐞 = − 𝐓𝐂 = − 3580.03 = 350.15
𝐫𝐭 4x3

Suma de cuadrados de la interacción de tratamientos por periodo de

evaluación (SCTcPe).

∑𝐓𝐜𝐢 𝐏𝐞𝐢 𝟐
𝐒𝐂𝐓𝐜𝐏𝐞 = − 𝐓𝐂 − (𝐒𝐂𝐓𝐜 + 𝐒𝐂𝐏𝐞)
𝐫

242 + 40.52 + 43.752 + ⋯ + 18.52 + 362 + 48.252

𝐒𝐂𝐓𝐜𝐏𝐞 = − 3580.03 = 480.10
4

𝐒𝐂𝐓𝐜𝐏𝐞 = 480.10 − (101.61 + 350.15) = 28.34

Suma de cuadrados del Error combinados (SCEc).

𝑺𝑪𝑬𝒄 = ∑𝐒𝐄𝐜𝐩𝐞𝐫𝐢𝐨𝐝𝐨𝟏 + 𝐒𝐂𝐄𝐜𝐩𝐞𝐫𝐢𝐨𝐝𝐨𝟐 + 𝐒𝐂𝐄𝐜𝐩𝐞𝐫𝐢𝐨𝐝𝐨𝟑

𝐒𝐂𝐄𝐜 = 3.33 + 4.83 + 0.67 = 8.83

ANVA del análisis de varianza combinado de los tres periodos de evaluación.

FV GL SC CM FC Sig.
Bloques dentro de periodos de 9 9.17 1.02
evaluación
Tratamientos o Carga animal 2 101.61 50.81 7.17 **
Periodos de evaluación 2 350.15 175.08 33.29 **
Int. de carga animal por 4 28.34 7.09 14.18 **

175
 periodo de evaluación
Error experimental 18 8.83 0.50
Total 35 798.10
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78

𝐂𝐌𝐭 50.81
𝐅𝐜(𝐜𝐚𝐫𝐠𝐚 𝐚𝐧𝐢𝐦𝐚𝐥) = = = 7.17
𝐂𝐌𝐓𝐜𝐏𝐞 7.09

𝐂𝐌𝐭 + 𝐂𝐌𝐩 50.81 + 175.08

𝐅𝐜(𝐩𝐞𝐫𝐢𝐨𝐝𝐨𝐬 𝐝𝐞 𝐞𝐯𝐚𝐥𝐮𝐚𝐜𝐢ó𝐧) = = = 33.29
𝐂𝐌𝐓𝐜𝐏𝐞 7.09
𝐂𝐌𝐓𝐜𝐏𝐞 7.09
𝐅𝐜(𝐩𝐚𝐫𝐚 𝐥𝐚 𝐢𝐧𝐭𝐞𝐫𝐚𝐜𝐜𝐢ó𝐧) = = = 14.18
𝐂𝐌𝐄𝐞 50.81

√0.50
𝐂𝐕 = X 100 = 1.18
39.89

Conclusiones

En atención al análisis de variancia se observa que la interacción es altamente

significativa por lo que es necesario realizar un análisis de efectos simples como se
realizan en los experimentos factoriales esto es efecto simple de carga en cada
periodo de evaluación y viceversa. Luego se puede efectuar comparaciones de
promedios utilizando Tukey, Duncan, etc.

176
 CAPITULO 10
REGRESION Y CORRELACION LINEAL SIMPLE

10.1 INTRODUCCIÓN

En todos los casos que hemos tratado en el presente libro hemos analizado
referente a una sola variable. Pero existen muchos otros casos en donde las
observaciones tienen valores de dos variables como X conocida como variable
independiente y Y conocida como variable dependiente. Cuando tenemos
información acerca de dos variables relacionadas es importante buscar el modo de
expresar la forma de la relación funcional entre estas dos variables. Igualmente es
importante conocer como están relacionados estas dos variables; lo que quiere decir
que no se busca únicamente una función matemática de cómo están relacionadas
estas variables, sino también saber con qué precisión se puede predecir el valor de
una variable si conocemos los valores de la otra variable asociada.

En atención a lo anterior y para lograr estos dos objetivos se utiliza el análisis de

regresión y análisis de correlación. Con la regresión se termina la relación funcional
entre las variables X y Y y con la correlación se mide el grado de asociación entre
dichas variables.

Tanto la regresión como la correlación son herramientas importantes utilizados en

muchos trabajos relacionados en investigaciones agrícolas y ganaderas como por
ejemplo cuando se desea conocer de qué manera una variable X influye en una
variable Y, además la ecuación de regresión puede ser utilizado como una ecuación
de predicción.

En el caso de correlaciones es muy importante su uso en mejoramiento genético

para determinar por ejemplo las correlaciones entre diferentes genes que afectan a
una característica, así por ejemplo la correlación genética entre el peso vivo y el
fenotipo en ganado vacuno o la relación que existe entre el peso vivo y el peso de
vellón en ovinos.

10.2 REGRESION LINEAL SIMPLE

177
La regresión lineal simple, se presenta cuando la correlación funcional entre la
variable aleatoria dependiente (Y) y la variable aleatoria independiente (X) es una
línea recta, definida por la ecuación.

Y= a + bx

Dónde:
Y= Es la variable dependiente
a= Es el valor de la ordenada donde la línea de regresión la intersecta.
b= Es la pendiente de la línea recta, llamada Coeficiente de Regresión de la
Población.
X= Es la variable independiente

Si se dispone de todos los posibles pares de observaciones (X,Y) es factible hallar la

verdadera línea de regresión, que es la Línea de regresión que mejor se ajusta a los
datos donde son hallados por el método de mínimos cuadrados. Ha esta Ŷ se le
conoce como Ŷ estimado.

Ŷ = a + bx

Coeficiente de Regresión

El coeficiente de regresión (𝑏1 ) esta expresado en las mismas unidades de medida

de la variable dependiente.

Como pendiente de la línea de regresión índica el número de unidades que cambia

la variable dependiente cuando la variable independiente cambia en una unidad.

Según que su valor sea una cantidad positiva o negativa, indicará que la pendiente
de la línea de regresión es positiva o negativa.

Si b1 = 0, es decir, si la pendiente de la línea de regresión fuese cero, la línea sería

paralela al eje de las abscisas. Se dice entonces que no existe relación entre las dos
variables y que estas son independientes.

Ejemplo

En el cultivo de la yuca se ha encontrado que el porcentaje de humedad en el suelo

tiene efectos en el rendimiento del cultivo. Con la finalidad de conocer si hay una
relación entre estas dos variables se ubicaron 7 campos de yuca con diferentes
grados de drenaje en el suelo. En estos campos se midieron el porcentaje de
humedad así como el rendimiento de cultivo en t/ha los resultados obtenidos se
presentan en el siguiente cuadro.

Cuadro X. Humedad en el suelo y rendimiento del cultivo de yuca de 7 campos en

producción

178
 Humedad % Rendimiento (TM/ha)
(x) (y)
27 11
43 10
53 8
33 9
43 11
23 12
88 4

1. Gráfico de puntos

Ŷ= 14.397-0.115X

Y
12

11

10

8
23
4 27 53 88 X

Se hace un gráfico de puntos para tener una idea de si la relación entre X e Y tiene
un comportamiento del tipo rectilíneo, de tal manera que se justifique el ajuste de
una regresión lineal.

El gráfico de los puntos del ejemplo muestra una tendencia lineal lo que justifica el
ajuste de la regresión lineal.

2.- Línea de Regresión

X Y X² Y² XY
27 11 729 121 297
43 10 1,849 100 430
53 8 2,809 64 424
33 9 1,089 81 297
43 11 1,849 121 473
23 12 529 144 276
88 4 7.744 16 352
310 65 16,598 647 2,549

179
Cálculos adicionales:

(310)²
SC(X) = 16598 − = 2869.4
7

(65)²
SC(Y) = 647 − 7 =

(310)(65)
SC(XY) = 2549 − =
7

Coeficiente de regresión

SP (XY) 329.6
b= -
SC ( X) S2869.4
b= -0.115

Coeficiente de intersección
65 310
a= 𝑌̅ - b𝑋̅ = – (-0.115) ( )
67 7
a = - 14.379

Línea de regresión

Ŷ= 14.379 – 0.155x

Interpretación

El signo negativo de b está indicando que la pendiente de la línea de regresión es

negativa, es decir la línea es descendente de izquierda a derecha, su valor indica
que si el porcentaje de infección se incrementa en una unidad el rendimiento va
a disminuir en 0.115 Tm/ha y viceversa. La línea de regresión se intercepta con el
eje de coordenadas a una distancia del origen de 14.379 (a).

Si el porcentaje de infección se mantiene en 23 el rendimiento de las parcelas seria

variado pero en promedio se obtendría 11.734 Tm/ha.

3. Análisis de variancia

Es un promedio previo para la prueba de independencia como se presenta en el

punto siguiente:

²
SC (Re = b SC (X) = (-0.115)² (2869.4)
₁

180
SC (Re) = 37.9

SC (To) = SC(Y)

SC (E) = SC (To) – SC (Re)= 43.4 – 37.9

Fuentes GL. SC. CM

Regresión 1 37.9 37.9
Error 5 5.5 1.1.
Total 6 43.4

4. Prueba de Independencia. -

Esta prueba tiene el propósito de establecer si la variable y (rendimiento) es

independiente de la variable X – (% de infección), equivale a plantear la hipótesis
Hp: B1 = y una forma de probarla es mediante la prueba de F.

𝐶𝑀 (𝑅𝑒) 37.9
Fc = = = 34.45
𝐶𝑀 ( 𝐸) 1.1

F (1,5)gl = 6.61 ( 5%)

16.26 (1 %)

Como Fc> Ftse rechaza Hp:B1 = 0, es decir el rendimiento de la papa (Y) depende del
-porcentaje de infección (X).

5. Prueba de Hipótesis del Coeficiente de Regresión

Si el investigador desea probar la hipótesis de que el coeficiente de regresión tiene

un valor específico (Supongamos de -0.5) se siguen los siguientes pasos:

Hp: B1 = -0.5

Ha: B1≠ -0.5

𝑏1−𝐵1 𝑏1−𝐵1 − 0.115−(0.5) 0.385

Tc = 𝑆 = 𝐶𝑀 ( 𝐸 ) = = =19.665
1.1 0.19958
𝑏 𝑆𝐶 ( 𝑋 ) √
2869.4
1

Tt(5 gl Error) ∝ = 0.05 = 2.571

Observamos que la tc es >2.571 por lo tanto, se rechaza la hipótesis planteada,

luego que la pendiente de la línea de regresión no es -0.5.

6. Límites de Confianza del Coeficiente de Regresión

181
En oportunidades a veces es importante conocer entre que valores se encontraría la
pendiente de la regresión de la población con un cierto grado de confianza.
El procedimiento que no permite conocer estos valores es:

LC (B₁) = b₁𝑡∝ 𝑠𝑏1

donde

t∝ = t (n – 2 )gl, ∝

Así

∝C(𝛽1) = -0.115 + 2.571 (0.1958)

= (-0.165, - 0.065)

Esto nos indica que el coeficiente de regresión de la Población se encuentra entre

los valores -0.165 y -0.06 5 con un 95% de confianza.

7. Predicción

Muchas veces el interés reside en saber cuál sería el promedio de una población de
Y, establecida por un nuevo valor de X.

Para el pronóstico se utiliza la regresión lineal hallada donde bo y b₁ mantienen su

valor. Se identifica el nuevo valor de la variable independiente como X p y el
pronóstico de la media de Y por Yp, entonces se tiene:

Ŷp= a + bXp

Suponga que el extensionista está interesado en conocer el rendimiento promedio

de papa por parcela si el porcentaje de infección fuese de 10 ; utilizando el
procedimiento antes indicado tenemos:

Ŷ = 14.379 - 0.115Xp

Como Xp=10, reemplazando en la ecuación obtenemos que:

Ŷp = 13.299 Tm/parcela

182
10.2 CORRELACION LINEAL SIMPLE
El coeficiente de correlación (r) es un número que indica la intensidad de la
asociación entre las dos variables. Su valor varía entre -1 a + 1.

Cuando es -1 indica que la asociación es perfecta, pero inversa, es decir, a valores

altos de una variable le corresponde valores bajos de la otra variable y viceversa (ver
gráfico(a)).

Ŷ = 14.379 - 0.115 Xp

Y YY

(a) X (b) X (c)

X

Cuando es + 1, la asociación es perfecta y directa, es decir, a valores bajos de X le

corresponde valores bajos de Y, y viceversa (ver gráfico (b)).

Cuando no existe asociación entre las dos variables el coeficiente de correlación es

cero (ver gráfico (c)).

Conforme el coeficiente de correlación se aproxima ± 1 indica mayor intensidad de

asociación, conforme se aproxima a 0 indica que no hay asociación, y que las
variables son independientes.

Con los datos del ejemplo, el coeficiente de correlación se calcula de la siguiente

manera:

𝑆𝑃 (𝑋𝑌)
r=
√𝑆𝐶 (𝑋).𝑆𝐶(𝑌)

− 329.6
r=
√(2869.4)(43.4)

R = -0.934

El valor de r hallado nos indica que hay un alto grado de asociación entre las dos
variables: rendimiento (Y) y porcentaje de infección (X), pero de tipo inverso.

183
Coeficiente de Determinación.-

El Coeficiente de Determinación (r²), mide la proporción de la variación de Y

ocasionada por la Variable X. Así, para el ejemplo r² = 0.87, este valor está
indicando que el 87%de la variación de Y se debe a la Variable X.

La expresión (1-r²) es el coeficiente de no determinación y medirá la variación de Y

no atribuible a X.

Los valores de r >|0.7| indican realmente asociaciónentre las variables.

5.3.1 Análisis de variancia del DCR

utilizando el Software SAS
Uso del Software SAS.

El ejemplo es el mismo que se analizó en forma manual; Se desea estudiar 4

raciones para engordar cerdos, uno de los cuales es el control (alimento
balanceado). Se emplearon gorrinos de la misma raza, edad, estado sanitario. Se
distribuyeron al azar cuatro cerdos por tipo de ración. Los animales se pesaron al
inicio del experimento y a los 100 días para establecer la ganancia de peso.

El propósito concreto de la investigación es comparar:

a) La Ración A Vs. La Ración B

b) La Ración C Vs. La Ración D
c) Las Raciones con el Tratamiento Testigo

Cuadro x Aumento de Peso de los cerdos (kg)

Tratamientos Repeticiones
(Raciones)
A(Testigo) 47 42 45 42
B 50 54 67 57
C 57 53 69 57
D 74 85 94 79

Pruebas de promedios

Prueba de DLS

184
 a) Ración A vs. Ración B
b) Ración C vs. Ración D

Prueba de Dunnett

c) El Testigo Vs Las demás Raciones

Prueba Estadística

datadca;
title'diseño completo al azar';
optionspagesize=100linesize=80nodatenonumber;
inputracion $ repetirespu;
cards;
A 1 47
A 2 42
A 3 45
A 4 42
B 1 50
B 2 54
B 3 67
B 4 57
C 1 57
C 2 53
C 3 69
C 4 57
D 1 74
D 2 85
D 3 94
D 4 79
;
procglm;
procprint;
run;
procanova;
classracionrepeti;
modelrespu=racion;
meansracion/ t;
meansracion/ dunnett;
run;

Ventana EDITOR

Data dca; D1
Title ‘diseño completo al azar’ D2
Options pagesize =100 linesize = 80 D3
nodate nonumber; input racion $ D4
repeti respu ;
cards; proc glm;
A1 proc print;
A2 run;
A3 proc anova; 185
A4 class racion repeti;
B1 model respu = racion;
B2 means racion/ t;
 Ventana OUTPUT

Diseño completo al azar

Obs racion repeti respu The ANOVA Procedure

1 A 1 47
2 A 2 42 Class Level Information
3 A 3 45
4 A 4 42 Class Levels Values
5 B 1 50
6 B 2 54 racion 4 ABCD
7 B 3 67 repeti 4 1234
8 B 4 57
9 C 1 57 Number of observations 16
10 C 2 53
11 C 3 59
12 C 4 57
13 D 1 74
14 D 2 85
15 D 3 94
16 D 4 79

ejemplo de diseño completo al azar

Obsracionrepetirespu

1 A 1 47
2 A 2 42
3 A 3 45
4 A 4 42
5 B 1 50
6 B 2 54
7 B 3 67
8 B 4 57
9 C 1 57
10 C 2 53
11 C 3 69
12 C 4 57
13 D 1 74
14 D 2 85
15 D 3 94
16 D 4 79

186
 ejemplo de diseño completo al azar

The ANOVA Procedure

Class Level Information

Class Levels Values

racion 4 A B C D

repeti 4 1 2 3 4

Number of observations 16

ejemplo de diseño completo al azar

The ANOVA Procedure

Dependent Variable: respu

Sum of
Source DF Squares Mean Square F Value Pr> F

Model 3 3171.000000 1057.000000 23.40 <.0001

Error 12 542.000000 45.166667

Corrected Total 15 3713.000000

R-Square CoeffVar Root MSE respu Mean

0.854026 11.06274 6.720615 60.75000

Source DF Anova SS Mean Square F Value Pr> F

racion 3 3171.000000 1057.000000 23.40 <.0001

ejemplo de diseño completo al azar

The ANOVA Procedure

t Tests (LSD) for respu

NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 12
Error Mean Square 45.16667
Critical Value of t 2.17881
Least Significant Difference 10.354

Means with the same letter are not significantly different.

t Grouping Mean N racion

A 83.000 4 D

B 59.000 4 C
B
B 57.000 4 B

C 44.000 4 A

187
 ejemplo de diseño completo al azar

The ANOVA Procedure

Dunnett's t Tests for respu

NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.

Alpha 0.05
Error Degrees of Freedom 12
Error Mean Square 45.16667
Critical Value of Dunnett's t 2.68292
Minimum Significant Difference 12.75

Comparisons significant at the 0.05 level are indicated by ***.

Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits

D - A 39.000 26.250 51.750 ***

C - A 15.000 2.250 27.750 ***
B - A 13.000 0.250 25.750 ***

PERDIDA DE UNIDADES EXPERIMENTALES

Suponga que durante el experimento por causas ajenas se pierden cerdos

quedando solo los siguientes resultados

Tratamiento Repeticiones
A(control) 47 42 45
B 50 54 67 57
C 57 53 69
D 74 85 94 79

Prueba de DLS

a) Ración A vs. Ración B

b) RaciónC Vs. RaciónD

Prueba de Dunnett

La ración Testigo Vs. Las demás raciones

datadca;
title'diseño completo al azar con UE desigual';
optionspagesize=100linesize=80nodatenonumber;
inputracion $ repetirespu;
cards;
A 1 47

188
 A 2 42
A 3 45
B 1 50
B 2 54
B 3 67
B 4 57
C 1 57
C 2 53
C 3 69
D 1 74
D 2 85
D 3 94
D 4 79
;
procglm;
procprint;
run;
procanova;
classracionrepeti;
modelrespu=racion;
meansracion/ t;
meansracion/ dunnett;
run;

diseño completo al azar con UE desigual

Obsracionrepetirespu

1 A 1 47
2 A 2 42
3 A 3 45
4 B 1 50
5 B 2 54
6 B 3 67
7 B 4 57
8 C 1 57
9 C 2 53
10 C 3 69
11 D 1 74
12 D 2 85
13 D 3 94
14 D 4 79

diseño completo al azar con UE desigual

The ANOVA Procedure

Class Level Information

Class Levels Values

racion 4 A B C D

repeti 4 1 2 3 4

Number of observations 14

diseño completo al azar con UE desigual

The ANOVA Procedure

Dependent Variable: respu

Sum of
Source DF Squares Mean Square F Value Pr> F

Model 3 2779.880952 926.626984 17.44 0.0003

189
 Error 10 531.333333 53.133333

Corrected Total 13 3311.214286

R-Square CoeffVar Root MSE respu Mean

0.839535 11.68954 7.289262 62.35714

Source DF Anova SS Mean Square F Value Pr> F

racion 3 2779.880952 926.626984 17.44 0.0003

diseño completo al azar con UE desigual

The ANOVA Procedure

t Tests (LSD) for respu

NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 10
Error Mean Square 53.13333
Critical Value of t 2.22814

Comparisons significant at the 0.05 level are indicated by ***.

Difference
racion Between 95% Confidence
Comparison Means Limits

D - C 23.333 10.929 35.738 ***

D - B 26.000 14.516 37.484 ***
D - A 38.333 25.929 50.738 ***
C - D -23.333 -35.738 -10.929 ***
C - B 2.667 -9.738 15.071
C - A 15.000 1.739 28.261 ***
B - D -26.000 -37.484 -14.516 ***
B - C -2.667 -15.071 9.738
B - A 12.333 -0.071 24.738
A - D -38.333 -50.738 -25.929 ***
A - C -15.000 -28.261 -1.739 ***
A - B -12.333 -24.738 0.071

diseño completo al azar con UE desigual

The ANOVA Procedure

Dunnett's t Tests for respu

NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.

Alpha 0.05
Error Degrees of Freedom 10
Error Mean Square 53.13333
Critical Value of Dunnett'st 2.74378

Comparisons significant at the 0.05 level are indicated by ***.

Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits

190
D - A 38.333 23.058 53.609 ***
C - A 15.000 -1.330 31.330
B - A 12.333 -2.942 27.609
diseño completo al azar con UE desigual

The ANOVA Procedure

Dunnett's t Tests for respu

NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.

Alpha 0.05
Error Degrees of Freedom 8
Error Mean Square 44.75
Critical Value of Dunnett's t 2.87966
Minimum Significant Difference 15.729

Comparisons significant at the 0.05 level are indicated by ***.

Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits

D - A 41.333 25.605 57.062 ***

C - A 15.000 -0.729 30.729
B - A 14.667 -1.062 30.395

191
192
BIBLIOGRAFÍA

193
 DISTRIBUCIÓN NORMAL ESTÁNDAR

∑ .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0236 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0754
0.2 .0793 .0832 .0712 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1239 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1623 .1664 .1700 .1736 .1772 .1808 .1844 .1879

0.5 .1926 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2258 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2464 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2996 .3023 .3051 .3078 .3106 .3133
0.9 31.59 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389

1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3835
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4013
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4176
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4317

194
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4716 .4767

2.0 .4772 .4778 .4783 .4786 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936

2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986

3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
3.1 .4990 .4991 .4991 .4991 .4992 .4992 .4992 .4992 .4993 .4993
3.2 .4993 .4993 .4994 .4994 .4994 .4994 .4994 .4995 .4995 .4995
3.3 .4995 .4995 .4995 .4996 .4996 .4996 .4996 .4996 .4996 .4997
3.4 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4998

3.5 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998
3.6 .4998 .4998 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.7 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.8 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.9 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000
DISTRIBUCIÓN DE “T”

GL 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01 0.001

1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 .816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.598
3 .765 .978 1.250 1.638 2.353 3.182 4.541 5.841 12.941
4 .741 .941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 .727 .920 1.156 1.476 2.015 2.571 3.365 4.032 6.859

6 .718 .906 1.134 1.440 1.943 2.447 3.143 3.707 5.969

7 .711 .896 1.119 1.415 1.895 2.365 2.998 3.499 5.405
8 .706 .889 1.108 1.397 1.860 2.306 2.896 3.555 5.041
9 .703 .883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 .700 .879 1.093 1.372 1.812 2.200 2.764 3.159 4.567

11 .697 .876 1.088 1.363 1.796 2.201 2.718 3.106 4.437

12 .695 .873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 .694 .870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 .692 .868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 .691 .866 1.074 1.341 .1753 2.131 2.602 2.947 4.073

195
 16 .690 .865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 .689 8.63 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 .688 .862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 .688 .861 1.066 1.328 1.729 2.092 2.539 2.861 3.883
20 .87 .860 1.064 1.325 1.725 2.086 2.528 2.845 3.850

21 .686 .859 1.063 1.332 1.721 2.080 2.518 2.831 3.819

22 .686 .858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 .685 .858 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 .685 .857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 .684 .856 1.058 1.316 1.708 2.060 2.485 2.787 3.725

26 .684 .856 1.058 1.315 1.706 2.056 2.479 2.779 3.707

27 .684 .855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 .683 .855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 .683 .854 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 .683 .854 1.055 1.310 1.697 2.042 2.457 2.705 3.646

40 .681 .851 1.050 1.303 1.648 2.021 2.423 2.704 3.551

60 .679 .848 1.046 1.296 1.671 2.000 2.390 2.660 3.460
120 .677 .845 1.041 1.289 1.658 1.980 2.358 2.617 3.373
∞ .674 .842 1.036 1.282 1.645 1.960 2.326 2.517 3.291

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadradros medio mayor)

1 2 3 4 5 6 7 8 9 10 11 12
1 161 200 216 225 230 234 237 239 241 242 243 244
4.052 4.999 5.403 5.625 5.674 5.859 5.928 5.981 6.022 6.056 6.082 6.106

2 18.51 19.00 19.16 19.25 19.30 19.33 19.36 19.37 19.38 19.39 19.40 19.41
98.49 99.00 99.17 99.25 99.30 99.33 99.34 99.36 99.38 99.40 99.41 99.42

3 10.13 9.55 9.28 9.12 9.01 8.94 8.88 8.84 8.81 8.78 8.76 8.74
34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23 27.13 27.05

4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91
21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.34 14.45 14.37

5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68
16.26 13.27 12.06 11.39 10.97 10.67 10.45 10.27 10.15 10.05 9.96 9.89

196
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
13.74 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72

7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57
12.25 9.55 8.45 7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54 6.47

8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28
11.26 8.65 7.59 7.01 6.36 6.37 6.19 6.03 5.91 5.82 5.74 5.67

9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.13 3.10 3.07
10.56 8.02 6.99 6.42 6.06 5.80 5.62 5.47 5.35 3.26 5.18 5.11

10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91
10.04 7.56 6.55 5.99 5.64 5.39 5.25 5.06 4.95 4.85 4.78 4.71

11 4.84 3.98 3.59 3.36 3.20 3.03 3.01 2.95 2.90 2.86 2.82 2.79
9.65 7.20 6.22 5.67 5.32 5.07 4.88 4.74 4.63 4.54 4.46 4.40

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

oo
14 16 20 24 30 40 50 75 100 200 500
1 245 246 248 249 250 251 252 253 253 254 254 254
6.142 6.169 6.208 6.234 6.286 6.258 6.302 6.323 6.334 6.352 6.361 6.366

2 17.42 19.43 19.44 19.45 19.46 19.47 19.47 19.48 19.49 19.49 19.50 19.50
99.43 99.44 99.45 99.46 99.47 99.48 99.48 99.49 99.49 99.49 99.50 99.50

3 8.71 8.69 8.66 8.64 8.62 8.60 8.58 8.57 8.56 8.54 8.54 8.53
26.92 28.83 26.69 26.60 26.50 26.41 26.35 26.27 26.23 26.18 26.14 26.12

4 5.87 5.84 5.80 5.77 5.74 5.71 5.70 5.68 5.66 5.65 5.6413 5.63
14.24 14.15 14.02 13.93 13.83 13.74 13.69 13.61 13.57 13.52 48 13.46

5 4.64 4.60 4.56 4.53 4.50 4.46 4.44 4.42 4.40 4.38 4.37 4.36

197
 9.77 9.68 9.55 9.47 9.38 9.29 9.24 9.17 9.13 9.07 9.04 9.02

6 3.96 3.92 3.87 3.84 3.81 3.77 3.75 3.72 3.71 3.69 3.68 3.67
7.60 7.52 7.39 7.31 7.23 7.14 7.09 7.02 6.99 6.94 6.90 6.88

7 3.62 3.49 3.44 3.41 3.38 3.34 3.32 3.29 3.28 3.25 3.24 3.23
6.35 6.27 6.15 6.07 5.98 5.90 5.85 5.78 5.75 5.70 5.67 5.65

8 3.23 3.20 3.15 3.12 3.08 3.05 3.03 3.00 2.98 2.96 2.94 2.93
5.56 5.48 5.36 5.28 5.20 5.11 5.06 5.00 4.96 4.91 4.68 4.86

9 3.02 2.98 2.93 2.90 2.86 2.82 2.80 2.77 2.76 2.73 2.72 2.71
5.00 4.92 4.80 4.73 4.64 4.56 4.51 4.45 4.41 4.36 4.33 4.31

10 2.86 2.82 2.77 2.74 2.70 2.67 2.64 2.61 2.59 2.56 2.55 2.54
4.60 4.52 4.41 4.33 4.25 4.17 4.12 4.05 4.01 3.96 3.93 3.91

11 2.74 2.70 2.65 2.61 2.57 2.53 2.50 2.47 2.45 2.42 2.41 2.40
4.29 4.21 4.10 4.02 8.94 3.86 3.80 3.74 3.70 3.66 3.62 3.60

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

1 2 3 4 5 6 7 8 9 10 11 12
12 4.75 3.88 3.49 3.26 3.11 3.00 2.92 2.85 2.80 2.76 2.72 2.69
9.33 6.93 5.95 5.41 5.06 4.82 4.65 4.50 4.39 4.30 4.22 4.16

13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60
9.07 6.70 5.74 5.20 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96

14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53
8.86 6.51 5.56 5.03 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80

15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48
8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67

198
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42
8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.61 3.55

17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38
8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.45

18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34
8.28 6.01 5.09 4.58 4.25 4.01 3.85 3.71 3.60 3.51 3.44 3.37

19 3.48 3.52 3.13 2.90 2.74 2.63 2.55 2.48 2.43 2.38 2.34 2.31
8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.42 3.36 3.30

20 4.35 3.49 3.10 2.87 2.71 2.60 2.52 2.45 2.40 2.35 2.31 2.28
8.10 5.85 4.94 4.43 4.10 3.87 3.71 3.56 3.45 3.17 3.30 3.23

21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.28 2.25
8.02 5.78 4.87 4.37 4.04 3.81 3.65 3.51 3.40 3.31 3.24 3.17

22 4.30 3.44 3.05 3.82 2.66 2.55 2.47 2.40 2.35 2.30 2.36 2.23
7.94 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.18 3.12

23 4.28 3.42 3.03 2.80 2.64 2.53 2.25 2.38 2.32 2.28 2.24 2.20
7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

14 16 20 24 30 40 50 75 100 200 500 ∞
12 2.64 2.60 2.54 2.50 2.46 2.42 2.40 2.36 2.35 2.32 2.31 230
4.05 3.98 3.86 3.78 3.70 3.61 3.56 3.49 3.46 3.41 3.38 3.36

13 2.55 2.52 2.46 2.42 2.38 2.34 2.32 2.28 2.26 2.24 2.22 2.21
3.85 3.78 3.67 3.59 3.51 3.42 3.37 3.30 3.27 3.21 3.18 3.16

14 2.48 2.44 2.39 2.35 2.31 2.27 2.24 2.21 2.19 2.16 2.14 2.13
3.70 3.62 3.51 3.43 3.34 3.26 3.21 3.14 3.11 3.06 3.02 3.00

15 2.43 2.39 2.33 2.29 2.25 2.21 2.18 2.15 2.12 2.10 2.08 2.07
3.55 3.48 3.36 3.29 3.20 3.12 3.07 3.00 2.97 2.92 2.89 2.87

199
16 2.37 2.33 2.28 2.24 2.20 2.16 2.13 2.09 2.07 2.04 2.02 2.01
3.45 3.37 3.25 3.18 3.10 3.01 2.96 2.89 2.86 2.80 2.77 2.75

17 2.33 2.99 2.23 2.19 2.15 2.11 2.08 2.04 2.02 1.99 1.97 1.96
3.35 3.27 3.16 3.08 3.00 2.92 2.86 2.79 2.76 2.70 2.67 2.65

18 2.29 2.25 2.19 2.15 2.11 2.07 2.04 2.00 1.98 1.95 1.93 1.92
3.27 3.19 3.07 3.00 2.91 2.83 2.78 2.71 2.68 2.62 2.59 2.57

19 2.26 2.21 2.15 2.11 2.07 2.02 2.00 1.96 1.94 1.91 1.90 1.88
3.19 3.12 3.00 2.92 2.84 2.76 2.70 2.63 2.60 2.54 2.52 2.49

20 2.23 2.18 2.12 2.08 2.04 1.99 1.96 1.92 .190 1.87 1.85 1.84
3.13 3.05 2.94 2.86 2.17 2.69 2.63 2.56 2.53 2.47 2.44 2.42

21 2.20 2.15 2.09 2.05 2.00 1.96 1.93 1.89 1.87 1.84 1.82 1.81
3.07 2.99 2.88 2.80 3.72 2.63 2.58 2.51 2.47 2.42 2.38 2.36

22 2.18 2.13 2.07 2.03 1.98 1.93 1.91 1.87 1.84 1.81 1.80 1.73
3.02 2.94 2.83 2.75 2.67 2.58 2.53 2.46 2.42 2.37 2.33 2.31

23 2.14 2.10 2.04 2.00 1.96 1.91 1.88 1.84 1.82 1.79 1.77 1.76
2.97 2.89 2.78 2.70 2.62 2.53 2.48 2.41 2.37 2.32 2.28 2.26

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

1 2 3 4 5 6 7 8 9 10 11 12
24 4.26 3.40 3.01 2.78 2.62 2.51 2.43 2.36 2.30 2.26 2.22 2.18
7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.25 3.17 3.09 3.03

25 4.24 3.38 2.99 2.76 2.60 2.49 2.41 2.34 2.28 2.24 2.20 2.16
7.77 5.57 4.68 4.18 3.86 3.63 3.46 3.32 3.21 3.13 3.05 2.99

26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15
7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.17 3.09 3.02 2.96

27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.30 2.25 2.20 2.16 2.13
7.68 5.49 4.60 4.11 3.79 3.56 3.39 3.26 3.14 3.06 2.98 2.93

200
28 4.20 3.34 2.95 2.71 2.56 2.44 2.36 2.29 2.24 2.19 2.15 2.12
7.64 5.45 4.57 4.07 3.76 3.53 3.36 3.23 3.11 3.03 2.95 2.90

29 4.18 3.33 2.93 2.70 2.54 2.43 2.35 2.28 2.22 2.18 2.14 2.10
7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.08 3.00 2.92 2.87

30 4.17 3.32 2.92 2.69 2.53 2.42 2.34 2.27 2.21 2.16 2.12 2.09
7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.06 2.98 2.90 2.84

32 4.15 3.30 2.90 2.67 2.51 2.40 2.32 2.25 2.19 2.14 2.10 2.07
7.50 5.34 4.46 2.97 3.66 3.42 3.25 3.12 3.01 2.94 2.86 2.80

34 4.13 3.28 2.88 2.65 2.49 2.38 2.30 2.23 2.17 2.12 2.08 2.05
7.44 5.29 4.42 3.93 3.61 3.38 3.21 3.08 2.97 2.89 2.82 2.76

36 4.11 3.26 2.86 2.63 2.48 2.36 2.28 2.21 2.15 2.10 2.06 2.03
7.39 5.25 4.38 3.89 3.58 3.35 3.18 3.04 2.94 2.86 2.78 2.72

38 4.10 3.25 2.85 2.02 2.46 2.35 2.26 2.19 2.14 2.09 2.05 2.02
7.35 5.21 4.34 3.86 3.54 3.32 3.15 3.02 2.91 2.82 2.82 2.69

40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.07 2.04 2.00
7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.88 2.80 2.73 2.66

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

14 16 20 24 30 40 50 75 100 200 500 ∞
24 2.13 2.09 2.02 1.98 1.94 1.89 1.86 1.82 1.80 1.76 1.74 1.73
2.93 2.85 2.74 2.66 2.58 2.49 2.44 2.36 2.33 2.27 2.23 2.21

25 2.11 2.06 2.00 1.96 1.92 1.87 1.84 1.80 1.77 1.74 1.72 1.71
2.89 2.81 2.70 2.62 2.54 2.45 2.40 2.32 2.29 2.23 2.19 2.17

26 2.10 2.05 1.99 1.95 1.90 1.85 1.82 1.78 1.76 1.72 1.70 1.69
2.86 2.77 2.66 2.58 2.50 2.41 2.36 2.28 2.25 2.19 2.15 2.13

27 2.08 2.03 1.97 1.93 1.88 1.84 1.80 1.76 1.74 1.71 1.68 1.67
2.83 2.74 2.63 2.55 2.47 2.38 2.33 2.25 2.21 2.16 2.12 2.10

201
28 2.06 2.02 1.96 1.91 1.87 1.81 1.78 1.75 1.72 1.69 1.67 1.65
2.80 2.71 2.60 2.52 2.44 2.35 2.30 2.22 2.18 2.13 2.09 2.06

29 2.05 2.00 1.94 1.90 1.85 1.80 1.77 1.73 1.71 1.68 1.65 1.64
2.77 2.68 2.57 2.49 2.41 2.32 2.27 2.19 2.15 2.10 2.06 2.03

30 2.04 1.99 1.93 1.89 1.84 1.79 1.76 1.72 1.69 1.66 1.64 1.62
2.74 2.66 2.55 2.47 2.38 2.29 2.24 2.16 2.13 2.07 2.03 2.01

32 2.02 1.97 1.91 1.86 1.82 1.76 1.74 1.69 1.67 1.64 1.61 1.59
2.70 2.62 2.51 2.42 2.34 2.25 2.20 2.12 2.08 2.02 1.98 1.96

34 2.00 1.95 1.89 1.84 1.80 1.74 1.71 1.67 1.64 1.61 1.59 1.57
2.66 2.58 2.47 2.38 2.30 2.21 2.15 2.08 2.04 1.98 1.94 1.91

36 1.98 1.93 1.87 1.82 1.78 1.72 1.69 1.65 1.62 1.59 1.56 1.55
2.62 2.54 2.43 2.35 2.26 2.17 2.12 2.04 2.00 1.94 1.90 1.87

38 1.96 1.92 1.85 1.80 1.76 1.71 1.67 1.63 1.60 1.57 1.54 1.53
2.59 2.51 2.40 2.32 2.22 2.14 2.08 2.00 1.97 1.90 1.86 1.84

40 1.95 1.90 1.84 1.79 1.74 1.69 1.66 1.61 1.59 1.55 1.53 1.51
2.56 2.49 2.37 2.29 2.20 2.11 2.03 1.97 1.94 1.88 1.84 1.81

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

1 2 3 4 5 6 7 8 9 10 11 12
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06 2.02 1.99
7.27 5.15 4.29 3.80 3.49 3.16 3.10 2.96 2.86 2.77 2.70 2.64

44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05 2.01 1.98
7.24 5.12 4.26 3.78 3.46 3.24 3.07 2.94 2.84 2.75 2.68 2.62

46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.14 2.09 2.04 2.00 1.97
7.21 5.10 4.24 3.76 3.44 3.22 3.05 2.92 2.82 2.73 2.66 2.60

48 4.04 3.19 2.80 2.56 2.41 2.30 2.21 2.14 2.08 2.03 1.93 1.96
7.19 5.08 4.22 3.74 3.42 3.20 3.04 2.90 2.80 2.71 2.64 2.58

202
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.02 1.98 1.95
7.17 5.06 4.20 3.72 3.41 3.18 3.02 2.88 2.78 2.70 2.62 2.56

55 4.02 3.17 2.78 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.97 1.93
7.12 5.01 4.16 3.68 3.37 3.15 2.98 2.85 2.75 2.66 2.59 2.53

60 4.00 3.15 2.76 2.52 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92
7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50

65 3.99 3.14 2.75 2.51 2.36 2.24 2.15 2.08 2.02 1.98 1.94 1.90
7.04 4.95 4.10 3.62 3.31 3.09 2.93 2.79 2.70 2.61 2.54 2.47

70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89
7.01 4.92 2.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45

80 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41

100 3.94 3.09 2.70 2.46 2.30 2.19 2.10 2.03 1.97 1.92 1.88 1.85
6.90 4.82 3.98 3.51 3.20 2.99 2.82 2.69 2.59 2.51 2.43 2.36

125 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

14 16 20 24 30 40 50 75 100 200 500 ∞
42 1.94 1.89 1.82 1.78 1.73 1.68 1.64 1.60 1.57 1.54 1.51 1.49
2.54 2.46 2.35 2.26 2.17 2.08 2.02 1.94 1.91 1.85 1.80 1.78

44 1.92 1.88 1.81 1.76 1.72 1.66 1.63 1.58 1.56 1.52 1.30 1.48
2.52 2.44 2.32 2.24 2.15 2.06 2.00 1.92 1.88 1.82 1.78 1.75

46 1.91 1.87 1.80 1.75 1.71 1.65 1.62 1.57 1.54 1.51 1.48 1.46
2.50 2.42 2.30 2.22 2.13 2.04 1.98 1.90 1.86 1.80 1.76 1.72

48 1.90 1.86 1.79 1.74 1.70 1.64 1.61 1.56 1.53 1.50 1.47 1.45
2.48 2.40 2.28 2.20 2.11 2.02 1.96 1.88 1.84 1.78 1.73 1.70

203
50 1.90 1.85 1.78 1.74 1.69 1.63 1.60 1.55 1.52 1.48 1.46 1.44
2.45 2.39 2.26 2.18 2.10 2.00 1.94 1.86 1.82 1.76 1.71 1.68

55 1.88 1.83 1.76 1.72 1.67 1.61 1.58 1.52 1.50 1.46 1.43 1.41
2.43 2.35 2.23 2.15 2.06 1.96 1.90 1.82 1.78 1.71 1.66 1.64

60 1.86 1.81 1.75 1.70 1.65 1.59 1.66 1.50 1.48 1.44 1.41 1.39
2.40 2.32 2.20 2.12 2.03 1.93 1.87 1.79 1.74 1.68 1.63 1.60

65 1.85 1.80 1.73 1.68 1.63 1.57 1.54 1.49 1.46 1.42 1.39 1.37
2.37 2.30 2.18 2.09 2.00 1.90 1.04 1.76 1.71 1.64 1.60 1.56

70 1.84 1.79 1.72 1.67 1.62 1.56 1.53 1.47 1.45 1.40 1.37 1.35
2.35 2.28 2.15 2.07 1.98 1.88 1.82 1.74 1.69 1.62 1.56 1.53

80 1.82 1.77 1.70 1.69 1.60 1.54 1.51 1.45 1.42 1.38 1.35 1.32
2.32 2.24 2.11 2.03 1.94 1.84 1.78 1.70 1.65 1.57 1.52 1.49

100 1.79 1.75 1.68 1.63 1.57 1.51 1.48 1.42 1.39 1.34 1.30 1.28
2.26 2.19 2.06 1.98 1.89 1.79 1.73 1.64 1.59 1.51 1.46 1.43

125 1.77 1.78 1.65 1.60 1.55 1.49 1.45 1.39 1.36 1.31 1.27 1.25
2.23 2.15 2.03 1.94 1.85 1.75 1.68 1.59 1.54 1.46 1.40 1.37

TABLA DE DISTRIBUCIÓN DE “F”

5 % (Valor superior) 1% (Valor inferior)

F2 F1 Grados de libertad (para cuadrados medio mayor)

1 2 3 4 5 6 7 8 9 10 11 12
150 3.91 3.06 2.67 2.43 2.27 2.16 2.07 2.00 1.94 1.89 1.85 1.82
6.81 4.75 3.91 3.44 3.14 2.92 2.76 2.62 2.53 2.44 2.37 2.30

200 3.89 3.04 2.65 2.41 2.26 2.14 2.05 1.98 1.92 1.87 1.83 1.80
6.76 4.71 3.88 3.41 3.11 2.90 2.73 2.60 2.50 2.41 2.34 2.28

400 3.86 3.02 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.78
6.70 4.66 3.83 3.36 3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23

1000 3.85 3.00 2.61 2.28 2.22 2.10 2.02 1.95 1.89 1.84 1.80 1.76
6.66 4.62 3.80 3.34 3.04 2.82 2.66 2.63 2.43 2.32 2.24 2.18

204
 ∞ 3.84 2.99 2.60 2.37 2.21 2.09 2.01 1.94 1.88 1.83 1.79 1.75
6.64 4.60 3.70 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.24 2.18

F2 F1 Grados de libertad (para cuadrados medio mayor)

14 16 20 24 30 40 50 75 100 200 500 ∞
150 1.76 1.71 1.64 1.59 1.54 1.47 1.44 1.37 1.34 1.29 1.25 1.22
2.20 2.12 2.00 1.91 1.83 1.72 1.66 1.56 1.51 1.43 1.37 1.33

200 1.74 1.69 1.62 1.57 1.52 1.45 1.42 1.35 1.32 1.26 1.22 1.19
2.17 2.09 1.97 1.88 1.79 1.69 1.62 1.53 1.48 1.39 1.33 1.28

400 1.72 1.67 1.60 1.54 1.49 1.42 1.38 1.32 1.28 1.22 1.16 1.13
2.12 2.04 1.92 1.84 1.74 1.64 1.57 1.47 1.42 1.32 1.24 1.19

1000 1.70 1.65 1.58 1.53 1.47 1.41 1.36 1.30 1.26 1.19 1.13 1.08
2.09 2.01 1.89 1.81 1.71 1.61 1.54 1.44 1.38 1.28 1.19 1.11

∞ 1.69 1.64 1.57 1.52 1.46 1.40 1.35 1.28 1.24 1.17 1.11 1.00
2.07 1.99 1.87 1.79 1.69 1.59 1.52 1.41 1.36 1.25 1.15 1.00

PRUEBA DE DUNNETT A NIVEL DE 0.05 (DOS COLAS)

Error p= número de promedios de tratamiento sin incluir el control

GL 1 2 3 4 5 6 7 8 9 10 11 12 15 29
5 2.57 3.03 3.29 3.48 3.62 3.73 3.82 3.90 3.97 4.03 4.09 4.14 4.26 2.42
6 2.45 2.86 3.10 3.26 3.39 3.49 3.57 3.64 3.71 3.76 3.81 3.86 3.97 4.11
7 2.36 2.75 2.97 3.12 2.34 3.33 3.41 3.47 3.53 3.58 3.63 3.67 3.78 3.91
8 2.31 2.67 2.80 3.02 3.13 3.22 3.29 3.35 3.41 3.46 3.50 3.54 3.64 3.76
9 2.26 2.61 2.81 2.95 3.05 3.14 3.20 3.26 3.32 3.36 3.40 3.44 3.53 3.65

10 2.23 2.57 2.76 2.89 2.99 3.07 3.14 3.19 3.24 3.29 3.33 3.36 3.45 3.57
11 2.20 2.53 2.72 2.84 2.94 3.02 3.08 3.14 3.19 3.23 3.27 3.30 3.39 3.50
12 2.18 2.50 2.68 2.81 2.90 2.98 3.04 3.09 3.14 3.18 3.22 3.25 3.34 3.45
13 2.16 2.48 2.65 2.78 2.87 2.94 3.00 3.06 3.10 3.14 3.18 3.21 3.29 3.40
14 2.14 2.46 2.63 2.75 2.84 2.91 2.97 3.02 3.07 3.11 3.14 3.18 3.26 3.36

205
15 2.13 2.44 2.61 2.73 2.82 2.89 2.95 3.00 3.04 3.08 3.12 3.15 3.23 3.33
16 2.12 2.42 2.59 2.71 2.80 2.87 2.92 2.97 3.02 3.06 3.09 3.12 3.20 3.30
17 2.11 2.41 2.58 2.69 2.78 2.85 2.90 2.95 00 3.03 3.07 3.10 3.18 3.27
18 2.10 2.40 2.56 2.68 2.76 2.83 2.89 2.94 2.98 3.01 3.05 3.08 3.16 3.25
19 2.09 2.39 2.55 2.66 2.75 2.81 2.87 2.92 2.96 3.00 3.03 3.06 3.14 3.23

20 2.09 2.38 2.54 2.65 2.73 2.80 2.86 2.90 2.95 2.98 3.02 3.05 3.12 3.22
24 2.06 2.35 2.51 2.61 2.70 2.76 2.81 2.86 2.90 2.94 2.97 3.00 3.07 3.16
30 2.04 2.32 2.47 2.58 2.66 2.72 2.77 2.81 2.86 2.89 2.92 2.95 3.02 3.11
40 2.02 2.29 2.44 2.54 2.62 2.68 2.73 2.77 2.81 2.85 2.87 2.90 2.97 3.06
60 2.00 2.27 2.41 2.51 2.58 2.64 2.69 2.73 2.77 2.80 3.83 2.86 2.92 3.00

120 1.98 2.24 2.38 2.47 2.55 2.60 2.65 2.69 2.73 2.76 2.79 2.81 2.87 2.95
∞ 1.96 2.21 2.35 2.44 2.51 2.57 2.61 2.65 2.69 2.72 2.74 2.77 2.83 2.91

PRUEBA DE DUNNETT AL NIVEL DE 0.01 (DOS COLAS)

Error p= número de promedios de tratamientos, sin incluir el control

GL 1 2 3 4 5 6 7 8 9 10 11 12 15 20
5 4.03 4.63 4.98 5.22 5.41 5.56 5.69 5.80 5.89 5.98 6.05 6.12 6.30 6.52
6 3.71 4.21 4.51 4.71 4.87 5.00 5.10 5.20 2.59 5.35 5.41 5.47 5.62 5.81
7 3.50 3.95 4.21 4.39 4.53 4.64 4.74 4.82 4.89 4.95 5.01 5.06 5.19 5.36
8 3.36 3.77 4.00 4.17 4.29 4.40 4.48 4.56 4.62 4.68 4.73 4.78 4.90 5.05
9 3.25 3.63 3.85 4.01 4.12 4.22 4.30 4.37 4.43 4.48 4.53 4.57 4.68 4.82

10 3.17 3.53 3.74 3.88 3.99 4.08 4.16 4.22 4.28 4.33 4.37 4.42 4.52 4.65
11 3.11 3.45 3.65 3.79 3.89 3.98 4.05 4.11 4.16 4.21 4.25 4.29 4.39 4.52
12 3.05 3.39 3.58 3.71 3.81 3.89 3.96 4.02 4.07 4.12 4.16 4.49 4.29 4.41
13 3.01 3.33 3.52 3.65 3.74 3.82 3.89 3.94 3.99 4.04 4.08 4.11 4.20 4.32
14 2.98 3.29 3.47 3.59 3.69 3.76 3.83 3.88 3.98 3.97 4.01 4.05 4.13 4.24

15 2.95 3.25 3.43 3.55 3.64 3.71 3.78 3.83 3.88 3.92 3.95 3.99 4.07 4.18

206
 16 2.92 3.22 3.39 3.51 3.60 3.67 3.73 3.78 3.83 3.87 3.91 3.94 4.02 4.13
17 2.90 3.19 3.36 3.47 3.56 3.63 3.69 3.74 3.79 3.83 3.86 3.90 3.98 4.08
18 2.88 3.47 3.38 3.44 3.53 3.60 3.66 3.71 3.75 3.79 3.83 3.36 3.94 4.04
19 2.86 3.15 3.31 3.42 3.50 3.57 3.63 3.68 3.72 3.76 3.79 3.83 3.90 4.00

20 2.85 3.13 3.29 3.40 3.48 3.55 3.60 3.65 3.69 3.73 3.77 3.90 3.87 3.97
24 2.80 3.07 3.22 3.32 3.40 3.47 3.52 3.57 3.61 3.64 3.68 3.70 3.78 3.87
30 2.75 3.01 3.15 3.25 3.33 3.39 3.44 3.49 3.52 3.56 3.59 3.62 3.69 3.78
40 2.70 2.95 3.09 3.19 3.26 3.32 3.37 3.41 3.44 3.48 3.51 3.53 3.60 3.68
60 2.66 2.90 3.03 3.12 3.19 3.25 3.29 3.33 3.37 3.40 3.42 3.45 3.51 3.59

120 2.62 2.85 2.97 3.06 3.12 3.18 3.22 3.26 3.29 3.32 3.35 3.37 3.43 3.51
∞ 2.58 2.79 2.92 3.00 3.06 3.11 3.15 3.19 3.22 3.25 3.27 3.29 3.35 3.42

PRUEBA DE DUNCAN

Error Nivel p= número de promedios del ordenamiento que está probando

GL de 2 3 4 5 6 7 8 9 10 12 14 16 18 20
Protec.
1 .05 18.00 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0
.01 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0

2 .05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
.01 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0

3 0.5 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
.01 8.26 8.5 8.6 8.7 8.8 8.9 8.9 8.9 8.9 9.0 9.1 9.2 9.3 9.3

4 .05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
.01 6.51 6.8 6.9 7.0 7.1 7.1 7.2 7.2 7.2 7.3 7.4 7.4 7.5 7.5

207
5 .05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.5 6.6 6.6 6.7 6.7 6.8

6 .05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.1 6.2 6.2 6.3 6.3

7 .05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
.01 4.95 5.22 5.37 5.54 5.53 5.61 5.59 5.73 5.8 5.8 5.9 5.9 6.0 6.0

8 05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
.01 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.5 5.6 5.7 5.7 5.8 5.8

9 .05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.4 5.5 5.5 5.6 5.7 5.7

10 .05 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47
.01 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55

11 .05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 3.46 3.46 3.46 3.46 3.47 3.48
.01 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39

12 .05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
.01 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26

13 .05 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15

14 .05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
.01 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07
15 .05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 .43 3.44 3.45 3.46 3.47 3.47
.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00

16 .05 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.44 3.45 3.46 3.47 3.47
.01 4.13 4.34 4.45 4.54 4.60 4.67 4.71 4.76 4.79 4.84 4.88 4.91 4.93 4.94

17 .05 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.44 3.45 3.46 3.47 3.47
.01 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.72 4.75 4.80 4.83 4.86 4.88 4.89

18 .05 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.43 3.45 3.46 3.47 3.47
.01 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.76 4.79 4.82 4.84 4.85

19 .05 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.43 3.44 3.46 3.47 3.47
.01 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.72 4.76 4.79 4.81 4.82

20 .05 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.43 3.44 3.46 3.46 3.47
.01 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.69 4.73 4.76 4.78 4.79

22 .05 2.93 3.08 3.17 3.24 3.29 3.32 3.35 3.37 3.39 3.42 3.44 3.45 3.46 3.47
.01 3.99 4.17 4.28 4.38 4.42 4.48 4.53 4.57 4.60 4.65 4.68 4.71 4.74 4.75

208
24 .05 2.92 3.07 3.15 3.22 3.28 3.31 3.34 3.37 3.38 3.41 3.44 3.45 3.46 3.47
.01 3.96 4.14 4.24 4.33 4.39 4.44 4.49 4.53 4.57 4.62 4.64 4.67 4.70 4.72

26 .05 2.91 3.06 3.14 3.21 3.27 3.30 3.34 3.36 3.38 3.41 3.43 3.45 3.46 3.47
.01 3.93 4.11 4.21 4.30 4.36 4.41 4.46 4.50 4.53 4.58 4.62 4.65 4.67 4.69

28 .05 2.90 2.04 3.13 3.20 3.26 3.30 3.33 3.35 3.37 3.40 3.43 3.45 3.46 3.47
.01 3.91 4.08 4.18 4.28 4.34 4.39 4.43 4.47 4.51 4.56 4.60 4.62 4.65 4.67

30 .05 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.40 3.43 3.44 3.46 3.47
.01 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.51 4.54 4.58 4.61 4.63 4.65

40 .05 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.39 3.42 3.44 3.46 3.47
.01 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.46 4.51 4.54 4.57 4.59

60 .05 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.37 3.40 3.43 3.45 3.47
.01 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.39 4.44 4.47 4.50 4.53

100 .05 2.77 2.92 3.02 3.09 3.15 3.19 3.23 3.26 3.29 3.34 3.38 3.41 3.44 3.47
.01 3.64 3.80 3.90 3.98 4.04 4.09 4.14 4.17 4.20 4.30 4.31 4.34 4.38 4.41

AMPLITUDES ESTUDIANTIZADAS SIGNIFICATIVAS PARA 0.05 Y 0.01

PRUEBA DE STUDENT – NEWMAN – KEUL (TUKEY)

Error Nivel p= número de promedios de tratamiento

GL De 2 3 4 5 6 7 8 9 10 11
Protec.
5 .05 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99 7.17
.01 5.70 8.97 7.80 8.42 8.91 9.32 9.67 9.97 10.24 10.48

6 .05 3.46 4.34 4.90 5.31 5.63 5.89 6.12 6.32 6.49 6.65
.01 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10 9.30

7 .05 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16 6.30
.01 4.95 5.92 6.54 7.01 7.37 7.68 7.94 8.17 8.37 8.55

8 .05 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05

209
 .01 4.74 5.63 6.20 6.63 6.96 7.24 7.47 7.68 7.87 8.03

9 .05 3.20 3.95 4.42 4.76 5.02 5.24 5.43 5.60 7.74 5.87
.01 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.32 7.49 7.65

10 .05 3.15 3.88 4.33 4.65 4.91 5.12 5.30 3.46 5.60 5.72
.01 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.36

11 .05 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49 5.61
.01 4.39 5.14 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.13

12 .05 3.08 3.77 4.20 4.51 4.57 4.95 5.12 5.27 5.40 5.51
.01 4.32 5.04 5.50 5.84 6.10 6.32 6.51 6.67 6.81 6.94

13 .05 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.43
.01 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67 6.79

14 .05 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36
.01 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66

15 .05 3.02 3.67 4.08 4.37 4.60 4.78 4.94 5.08 5.20 5.31
.01 4.17 4.83 5.25 5.56 5.80 5.99 6.16 6.31 6.44 6.55

16 .05 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15 5.26
.01 4.13 4.78 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46

17 .05 2.98 3.63 4.02 4.30 4.52 4.71 4.86 4.99 5.11 5.21
.01 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.38

18 .05 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.07 5.17
.01 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20 6.31

19 .05 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.14
.01 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14 6.25
20 .05 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01 5.11
.01 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.19

24 .05 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01
.01 3.96 4.54 4.91 5.17 5.37 5.54 5.69 5.81 5.92 6.02

30 .05 2.89 3.49 3.84 4.10 4.30 4.46 4.60 4.72 4.83 4.92
.01 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76 5.85

40 .05 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.74 4.82
.01 3.82 4.37 4.70 4.93 5.11 5.27 5.39 5.50 5.60 5.69

60 .05 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.73
.01 3.76 4.28 4.60 4.82 4.99 5.13 5.25 5.36 5.45 5.53

120 .05 2.80 3.36 3.69 3.92 4.10 4.24 4.36 4.48 4.56 4.64

210
 .01 3.70 4.20 4.50 4.71 4.87 5.01 5.12 5.21 5.30 5.38

∞ .05 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.55
.01 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16 5.23

AMPLITUDES ESTUDIANTIZADAS SIGNIFICATIVAS PARA 0.05 Y 0.01

PRUEBA DE STUDEND – NEWMAN – KEUL (TUKEY)

Error Nivel p= número de promedios de tratamiento

GL De 12 13 14 15 16 17 18 19 20
Protec.
5 .05 7.32 7.47 7.60 7.72 7.83 7.93 8.03 8.12 2.21
.01 10.70 10.89 11.08 11.24 11.40 11.55 11.68 11.81 11.93

6 .05 6.79 6.92 7.03 7.14 7.24 7.34 7.43 7.51 7.59
.01 9.49 9.65 9.81 9.95 10.08 10.21 10.32 10.43 10.54

7 .05 6.43 6.55 6.66 6.76 6.85 6.94 7.02 7.09 7.17
.01 8.71 8.86 9.00 9.12 9.24 9.35 9.46 9.55 9.65

8 .05 6.18 6.29 6.39 6.48 6.57 6.65 6.73 6.80 6.87

211
 .01 8.18 8.31 8.44 8.55 8.66 8.76 8.85 8.94 9.03

9 .05 5.98 6.09 6.19 6.28 6.36 6.44 6.51 6.58 6.64
.01 7.78 7.91 8.03 8.13 8.23 8.32 8.41 8.49 8.57

10 .05 5.83 5.93 6.03 6.11 6.20 6.27 6.34 6.40 6.47
.01 7.48 7.60 7.71 7.81 7.91 7.99 8.07 8.15 8.22

11 .05 5.71 5.81 5.90 5.90 6.06 6.14 6.20 6.26 6.33
.01 7.25 7.36 7.46 7.56 7.65 7.73 7.81 7.88 7.95

12 .05 5.62 5.71 5.80 5.88 5.95 6.03 6.09 6.15 6.21
.01 7.06 7.17 7.26 7.36 7.44 7.52 7.59 7.66 7.73

13 .05 5.53 5.63 5.71 5.79 5.86 5.93 6.00 6.05 6.11
.01 6.90 7.01 7.10 7.19 7.27 7.34 7.42 7.48 7.55

14 .05 5.46 5.55 5.64 5.72 5.79 5.85 5.92 5.97 6.03
.01 6.77 6.87 6.96 7.05 7.12 7.20 7.27 7.33 7.39

15 .05 5.40 5.49 5.58 5.65 5.72 5.79 5.85 5.90 5.96
.01 6.66 6.76 6.84 6.93 7.00 7.07 7.14 7.20 7.26

16 .05 5.35 5.44 5.52 5.59 5.66 5.72 5.79 5.84 5.90
.01 6.56 6.66 6.74 6.82 6.90 6.97 7.03 7.09 7.15

17 .05 5.31 5.39 5.47 5.55 5.61 5.68 5.74 5.79 5.84
.01 6.48 6.57 6.66 6.73 6.80 6.87 6.94 7.00 7.05

18 .05 5.27 5.35 5.43 5.50 5.57 5.63 5.69 5.74 5.79
.01 6.41 6.50 6.58 6.65 6.72 6.79 6.85 6.91 6.96

19 .05 5.23 5.32 5.39 5.46 5.53 5.59 5.65 5.70 5.75
.01 6.34 6.43 6.51 6.58 6.65 6.72 6.78 6.84 6.89
20 .05 5.20 5.28 5.36 5.43 5.49 5.55 5.61 5.66 5.71
.01 6.29 6.37 6.45 6.52 6.59 6.65 6.71 6.76 6.82

24 .05 5.10 5.18 5.25 5.32 5.38 5.44 5.50 5.54 5.59
.01 6.11 6.19 6.26 6.33 3.39 6.45 6.51 6.56 6.61

30 .05 5.00 5.08 5.15 5.21 5.27 5.33 5.38 5.43 5.48
.01 5.93 6.01 6.08 6.14 6.20 6.26 6.31 6.36 6.41

40 .05 4.91 4.98 5.05 5.11 5.16 5.22 5.27 5.31 5.36
.01 5.77 5.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21

60 .05 4.81 4.88 4.94 5.00 5.06 5.11 5.16 5.20 5.24
.01 5.60 5.67 5.73 5.79 5.84 5.89 5.93 5.98 6.02

120 .05 4.72 4.78 7.84 4.90 4.95 5.00 5.05 5.09 5.13

212
 .01 5.44 5.51 5.56 5.61 5.65 5.71 5.75 5.79 5.83

∞ .05 4.62 4.68 4.74 4.80 4.85 4.89 4.93 4.97 5.01
.01 5.29 5.35 5.40 5.45 5.49 5.54 5.57 5.61 5.63

DISTRIBUCIÓN DE X2

Gl 0.001 0.005 0.01 0.02 0.025 0.03 0.04 0.05 0.10 0.15 0.20
1 10.828 7.879 6.635 5.412 5.024 4.709 4.218 3.841 2.706 2.072 1.642
2 13.816 10.597 9.210 7.824 7.378 7.013 6.438 5.991 4.605 3.794 3.219
3 16.266 12.838 11.345 9.837 9.348 8.947 8.311 7.815 6.251 5.317 4.642
4 18.467 14.860 13.277 11.668 11.143 10.712 10.026 9.488 7.779 6.745 5.989
5 20.515 16.750 15.086 13.388 12.833 12.375 11.644 11.070 9.236 8.115 7.289

6 22.458 18.548 16.812 15.033 14.449 13.968 13.198 12.592 10.645 9.446 8.558
7 24.322 20.278 18.475 16.622 16.013 15.509 14.703 14.067 12.017 10.748 9.803
8 26.124 21.955 20.090 18.168 17.535 17.010 16.171 15.507 13.362 12.027 11.030
9 27.877 23.589 21.666 19.679 19.023 18.480 17.608 16.919 14.684 13.288 12.242
10 29.588 25.188 23.209 21.161 20.483 19.922 19.021 18.307 15.987 14.534 13.442

11 31.264 26.757 24.725 22.618 21.920 21.342 20.412 19.675 17.275 15.767 14.631
12 32.909 28.300 26.217 24.054 23.337 22.742 21.785 21.026 18.549 16.989 15.812
13 34.528 29.819 27.688 25.472 24.736 24.125 23.142 22.362 19.812 18.202 16.985

213
14 36.123 31.319 29.141 26.873 26.119 25.493 24.485 23.685 21.064 19.406 18.151
15 37.697 32.801 30.578 28.259 27.488 26.848 25.816 24.996 22.307 20.603 19.311

16 39.252 34.267 32.000 29.633 28.845 28.191 27.136 26.696 23.542 21.793 20.465
17 40.790 35.718 33.409 30.995 30.191 29.523 28.445 27.587 24.769 22.977 31.615
18 42.312 37.156 34.805 32.346 31.526 30.845 29.745 28.869 25.989 24.155 22.760
19 43.820 38.582 36.191 33.687 32.852 32.158 31.037 30.144 27.204 25.329 23.900
20 45.315 39.997 37.566 35.020 34.170 33.462 32.321 31.410 28.412 26.498 25.038

21 46.797 41.401 38.932 36.343 35.479 34.759 33.597 32.671 29.615 27.662 26.171
22 48.268 42.796 40.289 37.659 36.781 36.049 34.867 33.924 30.813 28.822 27.301
23 49.728 44.181 41.638 38.968 38.076 37.332 36.131 35.172 32.007 29.979 28.429
24 51.179 45.559 42.980 40.270 39.364 38.609 37.389 36.415 33.196 31.132 29.553
25 52.620 46.928 44.314 41.566 40.646 39.880 38.642 37.652 34.382 32.282 30.675
26 54.052 48.290 45.642 42.856 41.923 41.146 39.889 38.885 35.563 33.429 31.795
27 55.476 49.645 46.963 44.140 43.195 42.407 41.132 40.113 36.741 34.574 32.912
28 56.892 50.993 48.278 45.419 44.461 43.662 42.370 41.337 37.916 35.715 34.027
29 58.301 52.336 49.588 46.693 45.722 44.913 43.604 42.557 39.087 36.854 35.139
30 59.703 53.672 50.892 47.962 46.979 46.160 44.834 43.773 40.256 37.990 36.250

31 61.098 55.003 52.191 49.226 48.232 47.402 46.059 44.985 41.422 39.124 37.359
32 62.487 56.328 53.486 50.487 49.480 48.641 47.282 46.194 42.585 40.256 38.466
33 63.870 57.648 54.776 51.743 50.725 49.876 48.500 47.400 43.745 41.386 39.572
34 65.247 58.964 56.061 52.995 51.966 51.107 49.716 48.602 44.903 42.514 40.676
35 66.619 60.275 57.342 54.244 53.203 52.335 50.928 49.802 46.059 43.640 41.778

40 73.402 66.766 63.691 60.436 59.342 58.428 56.428 55.758 51.805 49.244 47.269
60 99.607 91.952 88.379 84.580 83.298 82.225 80.482 79.082 74.397 71.341 68.972
80 124.839 116.321 112.329 108.069 106.629 105.422 103.459 101.879 96.578 93.106 90.405
90 137.208 128.299 124.116 119.648 118.136 116.869 114.806 113.145 107.565 103.904 101.054
120 149.449 140.169 135.807 131.142 129.561 128.237 126.079 124.342 118.498 114.659 111.667 1
140 197.451 186.847 181.840 176.471 174.648 173.118 170.624 168.613 161.827 157.352 153.854 1

214