Sunteți pe pagina 1din 120

Diseño

experimental
en el desarrollo del conocimiento
científico de las ciencias agropecuarias

Luis A. Condo Plaza


José M. Pazmiño Guadalupe

Tomo 4

ESPOCH
2015
Diseño experimental
Diseño experimental

en el desarrollo del conocimiento científico


de las ciencias agropecuarias

TOMO 4

Luis A. Condo Plaza

José M. Pazmiño Guadalupe


Diseño experimental en el desarrollo
del conocimiento científico de las ciencias agropecuarias
© 2015 Luis A. Condo Plaza y José M. Pazmiño Guadalupe
© 2015 Escuela Superior Politécnica de Chimborazo
Panamericana Sur, kilómetro 1 ½
Instituto de Investigaciones
Riobamba, Ecuador
Teléfono: (593 3) 2998-200
Código Postal: EC060155

Aval ESPOCH

Resolución.115-CD.FCP.10-03-2009 Resol.024.CA-21-07-2009
Resol.221.CP.21-07-2009

CERTIFICACIÓN IEPI No. 037856 Trámite No. 000110

Informe favorable de pares evaluadores externos según Oficio


Nº. 00227.VIP.2015, emitido por el Director de Publicaciones
Científicas. Ing. PhD. Eduardo Fidel Héctor Ardisana. ES-
POCH. Marzo 3 de 2015.

Corrección, diseño y diagramación:


La Caracola Editores

Impreso en Ecuador

Prohibida la reproducción de este libro, por cualquier medio, sin la previa


autorización por escrito de los propietarios del copyright.

CDU: 519.2+631
Diseño experimental en el desarrollo del conocimiento cientí-
fico de las ciencias agropecuarias. Tomo 4.
Riobamba: Escuela Superior Politécnica de Chimborazo.
Instituto de Investigaciones; 2015
118 p. vol: 17 x 24 cm
ISBN: 978-9942-21-569-7
1. Estadística
2. Diseño experimental
3. Ciencias agropecuarias
CONTENIDO TOMO 4

CAPÍTULO VI...................................................................................... 9
EXPERIMENTOS FACTORIALES COMPLEJOS.............. 11
Diseño completamente al azar..................................................... 11
Diseño de bloques completamente al azar.................................... 28
Experimento factorial bajo un DBCA con arreglo
en parcelas divididas y testigos satelitales..................................... 43
Experimento factorial bajo un DBCA
con arreglo en parcelas subdivididas y testigos satelitales............. 58

CAPÍTULO VII................................................................................... 75
ANÁLISIS DE CORRELACIÓN Y REGRESIÓN................ 77
Coeficiente de correlación (R)...................................................... 79
Propiedades del coeficiente de correlación.................................... 80
Correlación y determinación simples........................................... 82
Coeficiente de correlación múltiple.............................................. 83
Regresión..................................................................................... 85
Ecuación de la línea recta............................................................. 88
Ecuación de regresión curvilineal................................................. 91
Coeficientes de regresión.............................................................. 93
Valores ajustados........................................................................ 100
Desviación y límites de confianza............................................... 102
Ecuación de regresión múltiple.................................................. 115

7
CAPÍTULO VI
EXPERIMENTOS FACTORIALES
COMPLEJOS

Las puertas de la sabiduría,


nunca están cerradas
(Benjamín Franklin)
Diseño completamente al azar

El experimento factorial en cualquier diseño es analizado con la fi-


nalidad de observar el comportamiento de varios factores en una investi-
gación, como por ejemplo, de qué manera influyen diferentes dosis de un
promotor de crecimiento en aves de diferentes líneas genéticas frente a la
crianza tradicional de aves, ya sea con principio empírico o técnico.
Con este ejemplo podemos realizar diferentes análisis e incluso in-
teractuar o combinar los factores y finalmente comparar frente a testigos,
sean estos absolutos o relativos.
El experimento factorial complejo bajo un diseño completamente al
azar se caracteriza por incluir uno o más testigos absolutos y relativos, en
un medio completamente controlado.
En este experimento, se debe poner más énfasis en los tratamientos al-
ternativos, pero con igual número de repeticiones para los controles o testigos.
El presente modelo se caracteriza por proporcionar las siguientes
ventajas:

• Únicamente se puede utilizar lo necesario de unidades experi-


mentales para los tratamientos controles, sean estos absolutos
o relativos en un experimento factorial.
• Se da la posibilidad de incluir un mayor número de tratamien-
tos alternativos que solucionen problemas.
• Se puede incluir en la nueva investigación experimentos elabo-
rados anteriormente como testigo relativo.
• Las experiencias de los agricultores o ganaderos se puede utili-
zar como testigos absolutos.
• Propicia comparaciones con otras investigaciones ya realizadas
en un nuevo medio.
• Valida de mejor manera las investigaciones elaboradas ante-
riormente propiciando una discusión acertada entre resultados
de diferentes autores.
• Propicia diferencias significativas al realizar un análisis ortogo-
nal de los testigos versus los alternativos.

11
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Dentro de las desventajas, tendríamos las siguientes:

• Este tipo de experimentos son de proceso complejo.


• Se corre el riesgo de que las investigaciones anteriores se recha-
cen o queden en duda.
• Se necesita mayor tiempo en procesar los datos.
• Propicia discusión entre biometristas y autores de diferentes
investigaciones.
• Se utiliza únicamente en experimentos factoriales.

Las fuentes de variación son las siguientes:

• Total
• Tratamientos totales
• Factores en forma independiente
• Interacción
• La ortogonalidad de los controles versus los tratamientos alter-
nativos
• Error

La finalidad de tomar en consideración el total como fuente de va-


riación es para determinar el error por diferencia al igual que en los experi-
mentos factoriales o simples.
En cuanto a los tratamientos, se considera al total incluidos los tes-
tigos.

Factor de corrección 1.- Este valor se calcula elevando al cuadrado la


suma de los datos obtenidos en la investigación dividida para el número de
unidades experimentales; en este caso, consideramos a todas las parcelas sin
excepción, sean estas tratamientos controles o alternativos del factor A o B.

(∑x)
FC1 =
rt

12
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Suma de cuadrados totales.- La suma de cuadrados para el total se


toma al igual que en todos los diseños, elevando al cuadrado cada uno de
los valores obtenidos en el campo experimental y restamos del factor de
corrección 1.

SCTotal = ∑x2 - FC1

SCTotal = ∑(X - x)2

Suma cuadrado de los tratamientos totales.- Elevamos al cuadrado


la suma que corresponde a los tratamientos como si fuese un diseño com-
pletamente al azar en un experimento simple, determinando la suma de
cuadrados totales de los tratamientos.

(∑xTratamientos)2
SCTratamientos = - FC1
r

∑(∑xTrat. Tot - ∑xTrat.Tot)2


SCTratamientos. Tot =
r

SCTratamientos(totales) = SCA + SCB + SCAB + SCTa(vs)Resto + SCTr(vs)Resto

Suma de cuadrados de los factores.- Para este cálculo, realizamos


un cuadro de apoyo en el cual únicamente tomamos en consideración los
tratamientos alternos, excluyendo a los testigos, y determinamos un nuevo
factor de corrección, y calculamos la suma de cuadrado de los tratamientos,
pero sin considerar a los testigos.

(∑xTratamientos)2
SCTratamientos = - FC2
r

13
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

∑(∑xTrat(parcial) - ∑xTrat.(parcial))2
SCTratamientos(parciales) =
r

SCTratamientos(totales) = SCA + SCB + SCAB

Factor de corrección 2.- Es un valor que corrige la suma de cua-


drados de cada uno de los factores; para el caso de ADEVA, se determina
utilizando los tratamientos alternativos sin considerar el testigo, ya sea ab-
soluto, relativo o los dos si la investigación así esta propuesta.

(∑x)
FC2 =
rt

Para este cálculo, tomamos en consideración la suma total de los va-


lores obtenidos en el campo, lo elevamos al cuadrado y dividimos para n
unidades experimentales.

Suma de cuadrados del factor A.- Se calcula elaborando un cua-


dro de apoyo adicional para los factores A y B. En este caso, se toma las
sumas del factor A, se eleva al cuadrado y se divide para el producto entre
el número de repeticiones y el número de tratamientos del factor B; luego
restamos el factor de corrección 2.

∑(∑∑xA)2
SCA = - FC2
rb

∑(∑ ∑ xA - ∑∑ xA)2
SCA =
rb

Suma de Cuadrados del Factor B.- Es igual a elevar al cuadrado la


sumatoria de cada uno de los tratamientos del factor B; luego se divide para

14
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

el producto entre el número repeticiones y el número de tratamientos del


factor A; finalmente restamos el factor de corrección 2.

∑(∑∑xB)2
SCB = - FC2
ra

∑(∑ ∑ xB - ∑∑ xB)2
SCB = - FC2
ra

Suma de cuadrado de la interacción AB.- La suma de cuadrados de


la interacción AB se obtiene de la diferencia de la suma de cuadrados de los
tratamientos parciales o alternativos, menos la suma de cuadrado del factor
A, y menos la suma de cuadrado del factor B.

SCAB = SCTrat( parciales) - SCA - SCB

Suma de cuadrado del error.- Este valor, para el DCA, se puede


calcular por diferencia de la suma de cuadrados totales menos la suma de
cuadrado de los tratamientos totales, o, a su vez, del desdoblamiento de la
suma de cuadrados de los tratamientos totales como se muestra a conti-
nuación.

SCError = SCTotal - SCTrat(tot)

SCError = SCTotal - SCA - SCB - SCAB - SCTa(vs)Resto - SCTr(vs)Resto

Si consideramos que los testigos son dos, el absoluto conocido como


Ta y el relativo como Tr, determinamos una teoría de la siguiente manera:
Colocamos los tratamientos de forma horizontal con sus respectivas
sumatorias y, en primera instancia, utilizamos la regla de la igualdad de
ecuaciones en la cual la comparación ortogonal debe ser igual a cero; dicho
de otra manera, si comparamos en testigo absoluto con el testigo relativo y
los tratamientos alternos factor A y B, la respuesta debe ser igual a cero. De

15
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

la misma manera para el siguientes testigo que no fue tomado en cuenta en


el ADEVA factorial; para el testigo relativo se utiliza la misma teoría con la
única diferencia de que se debe asignar el valor de cero para el testigo que
ya fue tomado en consideración.
Ta vs. Tr + T1 + ....... + Tn = 0; representado numéricamente -n +1 +....
+1 = 0 en la cual: -n corresponde al testigo absoluto y los +1 a cada trata-
miento alternativo sujeto de comparación más el testigo relativo.
En el segundo caso, el Ta automáticamente se hace cero, o ya no se
toma en consideración porque ya se consideró para la suma de cuadrados
del Ta vs. resto, mientras que el otro testigo relativo, Tr, se debe considerar
para la siguiente suma de cuadrados de la siguiente manera:
Tr vs. T1 + ....... + Tn = 0, representando numéricamente de la siguiente
manera: -n +1 +1 +1 +1 = 0 en la cual el -n corresponde al testigo relativo
(número de tratamientos alternativos) y los +1 a cada tratamiento alternativo.
Una vez determinada la ortogonalidad, estos valores se multiplican
con los valores correspondientes a las sumas de los tratamientos, para luego
sacar una sumatoria para obtener de esta manera N o el numerador de una
ecuación, valor que se eleva al cuadrado para obtener el numerador (N),
mientras que el denominador (D) se obtiene sumando los valores orto-
gonales asignados elevados al cuadrado que al final son multiplicados por
el número de repeticiones; al realizar la operación final, Numerador sobre
Denominador, se obtiene la suma de cuadrados del Ta versus el resto; de la
misma manera se puede realizar del Tr versus el resto.

∑(c∑x)2
SCContraste =
∑c2r

Con estas sumas de cuadrados en las fuentes de variación, prácti-


camente completamos la suma de cuadrados de los tratamientos totales y
podemos determinar el cuadrado medio y finalmente someter al cálculo del
Fisher, el mismo que nos permite aceptar o rechazar la hipótesis planteada
al inicio de la investigación, determinando si existen diferencias significati-
vas al comparar con los valores tabulares.

16
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuando al DCA se aplica a los experimentos factoriales con los


diferentes arreglos, estos tienden a ser complejos, más aún cuando se
utiliza testigos satelitales como es el caso de La utilización de diferentes
niveles de bicarbonato en pollos (López, 2004) en dos ensayos consecu-
tivos. En el primer ensayo se incluye un testigo y el segundo omite el
tratamiento control; desde este punto de vista, cuando tenemos que
procesar la información, necesitamos aplicar en este experimento fac-
torial un diseño completamente al azar, pero interfiere el testigo que
se aplica en el primer ensayo, que en muchas ocasiones procesa inde-
pendientemente por ensayo o se elimina el tratamiento control en los
dos ensayos.
Una forma de procesar los datos es mediante la aplicación de mo-
delos que encierren en un solo análisis esta información y completando
la suma de cuadrados utilizando la ortogonalidad de los tratamientos.

Cuadro 34. Peso a los 28 días de los pollos de ceba bajo


la aplicación de diferentes niveles de bicarbonato,
frente a un testigo absoluto en dos ensayos consecutivos

Tratamientos Repeticiones
Suma Media
Bicarbonato Ensayo I II III IV
1 1,03 0,99 1,00 1,05 4,07 1,02
0,20%
2 1,03 0,99 1,00 1,05 4,07 1,02
1 0,93 1,02 0,95 0,99 3,90 0,97
0,30%
2 0,93 1,02 0,95 0,99 3,90 0,97
1 1,01 1,02 0,96 1,01 4,01 1,00
0,40%
2 1,01 1,02 0,96 1,01 4,01 1,00
1 0,99 1,04 0,98 1,02 4,03 1,01
0,50%
2 0,99 1,04 0,98 1,02 4,03 1,01
Testigo absoluto 0,98 0,95 1,00 1,04 3,97 0,99
Suma de bloques 8,9 9,09 8,78 9,18 35,99 0,999
Fuente: López, 2004

17
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Cuadro 34.1. Interacción bicarbonato por ensayo

Ensayo 1 Ensayo 2 Suma bicarbonato


0,20% bicarbonato 4,07 4,07 8,14
0,30% bicarbonato 3,90 3,90 7,80
0,40% bicarbonato 4,01 4,01 8,02
0,50% bicarbonato 4,03 4,03 8,06
Suma ensayos 15,20 15,20 32,02

Como se puede observar, el tratamiento control únicamente se uti-


liza en el primer ensayo y, en el segundo, se omite, lo que significa que el
número de unidades experimentales no es igual al número de tratamien-
tos del factor A, por número de tratamientos del factor B y por el número
de repeticiones.
En tal razón n = (ab + ts)r, en donde n es el número de unidades
experimentales, a el número de niveles de bicarbonato, b el número de
ensayos y r las repeticiones, pero queda ts que significa el testigo satelital o
absoluto como fuente de comparación de los tratamientos alternativos.
Así tenemos que (4*2 +1) es igual a 9 por 4 repeticiones es igual a 36
unidades experimentales que constan en el cuadro de resultados.
Al procesar la información, queda de la siguiente manera:

SCTotal = ∑(x - x)2

SCTotal = (0,98 - 0,99)2 + .... + (1,02 - 0,99)2 = 0,037

∑(∑xTrat(alt) - ∑xTrat.(alt))2
SCTratamientos(alt) =
r

(4,07 - 4,003)2 + .... + (4,03 - 4,003)2


SCTratamientos(alt) = = 0,0079
4

18
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑ ∑ xA - ∑∑ xA)2
SCA =
rb

(8,14 - 8,005)2 + .... + (8,06 - 8,005)2


SCA = = 0,0079
4*2

∑(∑ ∑ xB - ∑∑ xB)2
SCB = - FC2
ra

(16,01 - 16,01)2 + (16,01 - 16,01)2


SCA = = 0,0000
4*4

Cuadro 34.2. ADEVA para experimento factorial bajo


un DCA con testigos satelital

Suma de Cuadrado Fisher


Fuente de variación g.l.
cuadrados medio Cal 5% 1%
Total 35 0,037
Trat - Total 8 0,0082 0,0010 ns 0,969 2,305 3,256
Trat - Atl 7 0,0079 0,0011 ns 1,076 2,373 3,388
Niveles de bicarbonato 3 0,0079 0,0026 ns 2,501 2,960 4,601
Ensayos 1 0,0000 0,0000 ns 0,000 4,210 7,677
Interacciones A x B 3 0,0002 0,0000 ns 0,000 2,960 4,601
Ta vs. Resto 1 0,0002 ns 0,223 4,210 7,677
Error 27 0,0011

SCAB = SCTrat(alt) - SCA - SCB

SCAB = 0,0079 - 0,0079 - 0,0000 = 0,0000

19
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

(-n* ∑t1 + .... + n* ∑tn)2


SCTa(vs)resto =
((-n) + .... + (+1))r

(-8*3,97 + .... + 1*4,03)2


SCTa(vs)resto =
((-8) + .... + (+1))4

Para demostrar la aplicación informática mediante la utilización del


paquete estadístico SAS, se utiliza el experimento de Cahuana (2006), el
cual expone el peso de los pollitos a los 28 días bajo el efecto de resultados
de la Utilización de fitasa microbiana (Allzyme s. d. Phytase) en la cría y engorde
de pollos.
En caso de los experimentos factoriales que utilizan uno o más testi-
gos conocidos satelitales, para la aplicación informática, se utiliza dos tipos
de ADEVA: el uno como si tratara de un experimento simple incluyendo el
testigo y el segundo únicamente considerando los tratamientos alternativos,
lo que significa que es necesario dejar a un lado momentáneamente a los
testigos satelitales fuente de comparación.
En la dieta de pollos Broiler, en dos ensayos consecutivos, en el prime-
ro, utilizó el tratamiento control (0% bicarbonato) y, en la réplica, se aplicó los
niveles propuestos, obteniendo los resultados de la siguiente manera (López,
2004):
A estos resultados hay que reordenar de la siguiente manera:

data jhon;
input t res;
cards;
1 0.98
1 0.95
1 1.00
1 1.04
2 1.03
2 0.99

20
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

2 1.00
2 1.05
3 1.03
3 0.99
3 1.00
3 1.05
4 0.93
4 1.02
4 0.95
4 0.99
5 0.93
5 1.02
5 0.95
5 0.99
6 1.01
6 1.02
6 0.96
6 1.01
7 1.01
7 1.02
7 0.96
7 1.01
8 0.99
8 1.04
8 0.98
8 1.02
9 0.99
9 1.04
9 0.98
9 1.02
proc glm;
class t;
model res = t;
contrast ‘t1 vs resto’ t -8 +1 +1 +1 +1 +1 +1 +1 +1;

21
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

means t/tukey;
run;

T he S A S S y s t em 12:3 7 F r i da y , M a y 23 , 2003
1
T he G L M Pr o cedu r e
C l a s s L ev el I n fo r m a t i o n
C l as s L ev el s V a l u es
t 9 1 2 3 4 5 6 7 8 9

N u m ber o f o bs er v a t i o n s 36
T he S A S S y s t em 12:3 7 F r i da y , M a y 23 , 2007
2
T he G L M Pr o cedu r e

D ep en den t V a r i a bl e: r es
Su m o f
S o u r ce D F S q u a r es M ea n S q u a r e F V a l u e Pr > F
M o del 8 0.00910556 0.00113 819 1.12 0.3 83 5
C T o t a l 3 5 0.03 6 6 3 056
t 8 0.00910556 0.00113 819 1.12 0.3 83 5
t 1 v s r 1 0.00016 806 0.00016 806 0.16 0.6 879
Er r o r 27 0.02752500 0.00101944

R - S q u ar e C o eff V a r Ro o t M SE r es M ea n
0.248578 3 .1973 15 0.03 1929 0.9986 11

T he S A S S y s t em 12:3 7 F r i da y , M a y 23 , 2007 3

T he G L M Pr o cedu r e
T u k ey ’s S t u den t i z ed R a n ge (H S D ) T es t fo r r es

N O T E :T hi s t es t co n t r o l s t he T y p e I ex p er i m en t w i s e
er r o r r a t e, bu t i t gen er a l l y ha s a hi gher

22
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Typ e I I er r o r r a t e t ha n R E G W Q

A l p ha 0.05
E r r o r D egr ees o f F r eedo m 27
E r r o r M ea n S q u a r e 0.001019
C r i t i ca l V a l u e o f S t u den t i z ed R a n ge 4.75841
M i n i m u m S i gn i fi ca n t D i ffer en ce 0.076

M ea n s w i t h t he s a m e l et t er a r e n o t s i gn i fi ca n t l y
di ffer en t .

T u k ey G r o u p i n g M ea n N t
A 1.01750 4 3
A 1.01750 4 2
A 1.00750 4 9
A 1.00750 4 8
A 1.00000 4 7
A 1.00000 4 6
A 0.99250 4 1
A 0.97250 4 4
A 0.97250 4 5

data jhon;
input A B res;
cards;

0.2 1 1.03
0.2 1 0.99
0.2 1 1.00
0.2 1 1.05
0.2 2 1.03
0.2 2 0.99
0.2 2 1.00
0.2 2 1.05

23
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

0.3 1 0.93
0.3 1 1.02
0.3 1 0.95
0.3 1 0.99
0.3 2 0.93
0.3 2 1.02
0.3 2 0.95
0.3 2 0.99
0.4 1 1.01
0.4 1 1.02
0.4 1 0.96
0.4 1 1.01
0.4 2 1.01
0.4 2 1.02
0.4 2 0.96
0.4 2 1.01
0.5 1 0.99
0.5 1 1.04
0.5 1 0.98
0.5 1 1.02
0.5 2 0.99
0.5 2 1.04
0.5 2 0.98
0.5 2 1.02
proc glm;
class A B;
model res = A B A*B;
contrast ‘t1 vs resto’ t -8 +1 +1 +1 +1 +1 +1 +1 +1;
means A/tukey;
means B/tukey;
means A*B/tukey;
run;

24
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

T he S A S S y s t em 12:44 F r i da y , M a y 23 , 2007 1
T he G L M Pr o cedu r e
C l a s s L ev el I n fo r m a t i o n
C l a s s L ev el s V a l u es
A 4 0.2 0.3 0.4 0.5
B 2 1 2

N u m ber o f o bs er v a t i o n s 32
T he S A S S y s t em 12:44 F r i da y , M a y 23 , 2007 2
T he G L M Pr o cedu r e

D ep en den t V a r i a bl e: r es
Su m o f
S o u r ce D F S q u a r es M ea n S q u a r e F V a l u e Pr > F
M o del 7 0.00893 750 0.001276 79 1.3 2 0.2847
C T o t a l 3 1 0.03 218750
A 3 0.00893 750 0.00297917 3 .08 0.046 8
B 1 0.00000000 0.00000000 0.00 1.0000
A *B 3 0.00000000 0.00000000 0.00 1.0000
Er r o r 24 0.023 25000 0.00096 875

R - S q u ar e C o eff V a r Ro o t M SE r es M ea n
0.2776 70 3 .114421 0.03 1125 0.9993 75

T he S A S S y s t em 12:44F r i day , M ay 23, 2007

T he G L M Pr o cedu r e

T u k ey ’s S t u den t i z ed R a n ge (H S D ) T es t fo r r es

N O T E :T hi s t es t co n t r o l s t he T y p e I ex p er i m en t w i s e
er r o r r a t e, bu t i t gen er a l l y ha s a hi gher
T y p e I I er r o r r a t e t ha n R E G W Q

25
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

A l p ha 0.05
E r r o r D egr ees o f F r eedo m 24
E r r o r M ea n S q u a r e 0.00096 9
C r i t i ca l V a l u e o f S t u den t i z ed R a n ge 3 .90126
M i n i m u m S i gn i fi ca n t D i ffer en ce 0.0429

M ea n s w i t h t he s a m e l et t er a r e n o t s i gn i fi ca n t l y
di ffer en t .

T u k ey G r o u p i n g M ea n N A
A 1.01750 8 0.2
BA 1.00750 8 0.5
BA 1.00000 8 0.4
B 0.97250 8 0.3

T he S A S S y s t em 12:44 F r i da y , M a y 23 , 2007 4
T he G L M Pr o cedu r e
T u k ey ’s S t u den t i z ed R a n ge (H S D ) T es t fo r r es

N O T E :T hi s t es t co n t r o l s t he T y p e I ex p er i m en t w i s e
er r o r r a t e, bu t i t gen er a l l y ha s a hi gher
T y p e I I er r o r r a t e t ha n R E G W Q

A l p ha 0.05
E r r o r D egr ees o f F r eedo m 24
E r r o r M ea n S q u a r e 0.00096 9
C r i t i ca l V a l u e o f S t u den t i z ed R a n ge 2.91880
M i n i m u m S i gn i fi ca n t D i ffer en ce 0.0227

M ea n s w i t h t he s a m e l et t er a r e n o t s i gn i fi ca n t l y
di ffer en t .
T u k ey G r o u p i n g M ea n N B
A 0.9993 8 16 1
A 0.9993 8 16 2

26
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

T he S A S S y s t em 12:44 F r i da y , M a y 23 , 2007 5
T he G L M Pr o cedu r e
L ev el o f L ev el o f - - - - - - - - - - - - - r es - - - - - -
A B N M ea n S t d D ev
0.2 1 4 1.01750000 0.02753 785
0.2 2 4 1.01750000 0.02753 785
0.3 1 4 0.97250000 0.0403 1129
0.3 2 4 0.97250000 0.0403 1129
0.4 1 4 1.00000000 0.02708013
0.4 2 4 1.00000000 0.02708013
0.5 1 4 1.00750000 0.02753 785
0.5 2 4 1.00750000 0.02753 785

La combinación de estos dos análisis de varianza simple con con-


trastes o comparaciones ortogonales y el ADEVA factorial nos permite
desdoblar los grados de libertad de los tratamientos totales.

D ep en den t V a r i a bl e: r es
Su m o f
S o u r ce D F S q u a r es M ea n S q u a r e F V a l u e Pr > F
M o del 8 0.00910556 0.00113 819 1.12 0.3 83 5
C T o t a l 3 5 0.03 6 6 3 056
t 8 0.00910556 0.00113 819 1.12 0.3 83 5
A 3 0.00893 750 0.00297917 3 .08 0.046 8
B 1 0.00000000 0.00000000 0.00 1.0000
A *B 3 0.00000000 0.00000000 0.00 1.0000
t 1 v s r 1 0.00016 806 0.00016 806 0.16 0.6 879
Er r o r 27 0.02752500 0.00101944

R - S q u ar e C o eff V a r Ro o t M SE r es M ea n
0.248578 3 .1973 15 0.03 1929 0.9986 11

27
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Si se analiza los grados de libertad de los tratamientos (8) y se suma


los grados de libertad de A + B + A*B y del contraste t1 vs. resto es igual
a 8, de la misma manera la suma de cuadrados los tratamientos totales
(0,0091) y comparamos con la suma de cuadrados del factor A, B, interac-
ción y contrastes tenemos un valor similar, demostrando de esta manera su
equivalencia y el principio de la igualdad de ecuaciones.
De la misma manera se puede desarrollar con los experimentos facto-
riales bajo diseños de bloques en arreglo combinatorio o parcelas divididas.

Diseño de bloques completamente al azar

Si una investigación se ha realizado en el campo abierto, necesaria-


mente se aplica el diseño de bloques completamente al azar, en el cual, a
diferencia del DCA, hay que únicamente tomar en consideración los blo-
ques o repeticiones como fuente de variación. Esta consideración ayuda a
reducir el error y determinar con mayor exactitud la influencia de los fac-
tores utilizados en la investigación con la finalidad de aceptar o rechazar la
hipótesis planteada como alternativa.
El número de unidades experimentales en experimentos factoriales
está representada por la siguiente ecuación:

n = (ab + ts)r

Donde:
n: número de unidades experimentales
a: primer factor de estudio
b: segundo factor de estudio
ts: testigos satelitales, estos pueden ser 1, 2, ...
r: número de repeticiones

Desde este punto de vista, el ADEVA que se plantea para el experi-


mento factorial ortogonal en diseño de bloques completamente al azar es
el siguiente:

28
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 35. Esquema del ADEVA para un experimento


factorial ortogonal en DBCA

Fuente de variación Grados de libertad


Total [(1 * b + ts)r] - 1
Repeticiones r-1
Tratamientos totales (a x b +ts) - 1
Tratamientos alternativos (a * b) - 1
Factor A a-1
Factor B b-1
Interacción A x B (a - 1)(b - 1)
Ta vs. Resto 2-1
Tr vs. Resto 2-1
Error experimental Diferencia total - bloques - Trat. totales
Error factorial Total parcial - tratamiento - bloques

La utilización de fosfonatos y promotores de crecimiento y su apli-


cación en diferentes épocas, en la papa variedad Chaucha en la comunidad
Chimborazo (Caguana, 2005), se analizó bajo un diseño de bloques
completamente al azar con arreglo combinatorio y la inclusión de tes-
tigos satelitales.

Cuadro 36. Días a la floración de papa variedad Chaucha sometida


a diferentes fosfonatos y diferentes frecuencias de aplicación

Tratamientos Repeticiones
Suma Media
Fosfatos Frecuencia I II III IV
Saeta 30 días 82,00 83,00 82,00 85,00 332,00 83,00
Saeta 40 días 82,00 81,00 82,00 83,00 328,00 82,00
Saeta 50 días 82,00 83,00 84,00 82,00 331,00 82,75
Aliett 30 días 85,00 82,00 83,00 84,00 334,00 83,50
Aliett 40 días 81,00 82,00 81,00 83,00 327,00 81,75

29
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Aliett 50 días 85,00 82,00 83,00 82,00 332,00 83,00


Best 30 días 82,00 82,00 83,00 83,00 330,00 82,50
Best 40 días 83,00 82,00 84,00 82,00 331,00 82,75
Best 50 días 82,00 81,00 83,00 85,00 331,00 82,75
Testigo relativo 85,00 83,00 82,00 84,00 334,00 83,50
Testigo absoluto 88,00 87,00 89,00 88,00 352,00 88,00
Fuente: Caguana, 2005

Cuadro 36.1. Interacción fosfonatos x frecuencia de aplicación

Frecuencia
Fosfonatos Suma fosfatos
30 días 40 días 50 días
Saeta 332 328 331 991
Aliett 334 327 332 993
Best 330 331 331 992
Suma Frec 996 986 994 2976

Como se puede observar, a más de los tratamientos alternativos, se


incluyen dos testigos, el agricultor (sin la aplicación de fosfonatos ni pro-
motores de crecimiento) y el testigo agronómico, al cual únicamente se
aplica promotores de crecimiento.
Este experimento factorial se procesa mediante la aplicación de un
diseño de bloques completos al azar con arreglo combinatorio y para com-
pletar los tratamientos alternativos, se utiliza las comparaciones ortogona-
les, para los testigos satelitales.
De igual manera que para todos los diseños simples, se utiliza las
fórmulas iniciales:

SCTotal = ∑(x - x)2

SCTotal = (82 - 83,23)2 + .... + (88 - 83,23)2 = 155,73

30
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑xTrat - ∑xTrat)2
SCTratamientos =
r

(332,00 - 323,91)2 + .... + (352,00 + 323,91)2


SCTratamientos = = 111,727
4

∑(∑xRep - ∑xRep)2
SCRepeticiones =
t

(917,00 - 915,50)2 + .... + (921,00 + 3915,50)2


SCRepeticiones = = 7,41
4x3

SCError = SCTotal - SCTrat - SCRepet

SCError = 155,73 - 111,27 - 7,41 = 36,59

Una vez desarrollado la suma de cuadrados totales, de los tratamien-


tos, bloques y error experimental, procedemos a analizar cada uno de los
factores (diferentes fosfonatos a diferentes frecuencias de aplicación) frente
a dos testigos (agricultor y agronómico).

∑(∑∑xA)2
SCA = - FC2
br

∑(∑ ∑ xA - ∑∑ xA)2
SCA =
br

(991 - 992)2 + (993 - 992)2 + (992 - 992)2


SCA = = 0,166
3x4

31
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

∑(∑∑xB)2
SCB = - FC2
ar

∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar

(996 - 992)2 + (986 - 992)2 + (994 - 992)2


SCB = = 4,666
3x4

∑(∑xTrat(alt) - ∑xTrat.(alt))2
SCTratamientos(alt) =
r

(332 - 330,67)2 + .... + (331 - 330,67)2


SCTratamientos(alt) = =9
4

SCAB = SCTrat-Alt - SCA - SCB

SCAB = 9,00 - 0,166 - 4,66 = 4,166

Como no se ajusta a la suma de cuadrados de los tratamientos totales,


entonces calculamos la suma de cuadrados de los testigos satelitales, para lo
cual utilizamos las ecuaciones de la suma de cuadrados de las comparacio-
nes ortogonales como sigue a continuación:

(-n* ∑t1 + .... + n* ∑tn)2


SCTa(vs)resto =
((-n) + .... + (+1))r

(-10*352 + .... + 1*332)2


SCTa(vs)resto = = 100,227
((-10) + .... + (+1))4

32
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

(-n* ∑t1 + .... + n* ∑tn)2


SCTa(vs)resto =
((-n) + .... + (+1))r

(-9*334 + .... + 1*332)2


SCTa(vs)resto = = 2.50
((-9) + .... + (+1))4

Cuadro 36.2. ADEVA para un experimento factorial complejo


con testigos satelitales

Suma de Cuadrado Fisher


Fuente de variación g.l.
cuadrados medio Cal 5% 1%
Total 43 155,73
Bloques 3 7,41 2,47 ns 2,04 2,922 4,510
Trat - Total 10 111,72 11,17 ** 9,23 2,165 2,979
Trat - Atl 8 9,00 1,12 ns 0,92 2,266 3,173
Fosfanatos 2 0,16 0,08 ns 0,06 3,316 5,390
Frecuencia 2 4,66 2,33 ns 11.92 3,316 5,390
Interacciones A x B 4 4,16 2,08 ns 1,71 2,960 5,390
Tr vs. Resto 1 100,22 100,22 ** 82,82 4,171 5,562
Tr vs. Resto 1 2,50 2,50 ns 2,06 4,171 5,562
Error 30 36,59 1,21

Como se puede apreciar en el cuadro del ADEVA, existen diferencias


altamente significativas para los tratamientos incluyendo los testigos, mien-
tras que, para los tratamientos alternativos, no existe significancia. Cuando
analizamos cada uno de los tratamientos (fosfonatos y frecuencia de apli-
cación), incluso la interacción, no existen diferencias significativas entre los
tratamientos alternativos, mientras que si difieren estadísticamente cuando
realizamos las comparaciones ortogonales con el testigo absoluto.
A pesar de existir diferencias significativas en la comparación orto-
gonal, tan solo con ese dato, no podemos mencionar cuál de los tratamien-

33
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

tos es mejor; es necesario acudir a la base de datos y observar cuál tiene el


mejor de los resultados. De acuerdo a estos, el testigo absoluto es aquel que
se tarda mayor tiempo en florar que difiere significativamente del resto de
tratamientos, lo que significa que, al aplicar fosfonatos y promotores de
crecimiento, estos estimulan la presencia de flores a un tiempo más tem-
prano con respecto al tratamiento control.
Otro de los ejemplos que se toma en consideración para demostrar
metodológicamente el experimento factorial bajo un diseño de bloques
completamente al azar con arreglo combinatorio es la utilización de dife-
rentes clones de papas en dos sectores (Licto y Pungalá) frente a dos varie-
dades capiro y fripapa; para complementar el análisis, se propone realizar
comparaciones ortogonales (Shuad, 2004).

SCTotal = ∑(x - x)2

SCTotal(28,00 - 29,23)2 + .... + (11,78 - 38,22)2 = 11955,83

Cuadro 37. Rendimiento por ha de diferentes clones


de papa frente a dos variedades (fripapa y capiro)
en dos sectores (Licto y Pungalá) de la provincia de Chimborazo

Tratamientos Repeticiones
Suma Media
Localidades Clones I II III
15 28,00 26,33 16,22 70,56 23,52
16 36,78 36,56 32,44 105,78 35,26
19 40,78 54,56 48,00 143,33 47,78
21 37,89 46,78 34,67 119,33 39,78
22 35,67 53,22 37,00 125,89 41,96
Licto
99-27-40 18,67 31,44 13,78 63,89 21,30
98-14-80 27,89 29,56 29,44 86,89 28,96
99-30-40 29,89 25,00 24,33 79,22 26,41
99-38-12 22,67 16,89 27,89 67,44 22,48
99-66-60 16,44 11,33 23,44 51,22 17,07

34
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

15 29,22 28,00 19,78 77,00 25,67


16 26,33 31,44 20,44 78,22 26,07
19 46,89 45,50 44,11 136,50 45,50
21 50,11 63,44 39,44 153,00 51,00
22 60,33 57,44 52,56 170,33 56,78
Pungalá
99-27-40 22,44 24,33 27,89 74,67 24,89
98-14-80 32,56 38,44 29,78 100,78 33,59
99-30-40 22,89 18,67 22,11 63,67 21,22
99-38-12 24,22 26,33 15,22 65,78 21,93
99-66-60 31,89 36,11 17,11 85,11 28,37
Fripapa Licto 18,33 23,00 16,44 57,78 19,26
Fripapa Pungalá 22,44 22,22 11,00 55,67 18,56
Capiro Licto 9,56 14,33 10,67 34,56 11,52
Capiro Pungalá 15,00 11,44 11,78 38,22 12,74
Fuente: Shuad, 2004

∑(∑xBloq - ∑xBloq))2
SCBloq =
t

(706,89 - 701,61)2 + .... + (625,56 - 701,61)2


SCBloq = = 450,908
24

Cuadro 37.1. Interacción localidades por clones de papa

Clones Licto Pungalá Suma clon


15 70,56 77,00 147,56
16 105,78 78,22 184,00
19 143,33 136,50 279,83
21 119,33 153,00 272,33
22 125,89 170,33 296,22
99-27-40 63,89 74,67 138,56

35
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

98-14-80 86,89 100,78 187,67


99-30-40 79,22 63,67 142,89
99-38-12 67,44 65,78 133,22
99-66-60 51,22 85,11 136,33
S. Localidad 913,55 1005,06

∑(∑xTrat - ∑xTrat)2
SCTratamientos =
r

(70,56 - 87,70)2 + .... + (38,22 + 87,70)2


SCTratamientos = = 10277,67
3

∑(∑xTrat(alt) - ∑xTrat(alt))2
SCTratamientos(alt) =
r

(70,56 - 95,93)2 + .... + (170,73 - 95,93)2


SCTratamientos(alt) = = 7428,113
3

∑(∑ ∑ xA - ∑∑ xA)2
SCA =
rb

(913,56 - 959,31)2 + (1005,06 - 959,31)2


SCA = = 139,53
3x10

∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ra

(70,56 - 87,70)2 +.... + (38,22 - 87,70)2


SCB = = 6485,02
3*2

SCAB = SCTrat(alt) - SCA - SCB

36
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

SCAB = 7428,113 - 139,53 - 6485,02 = 803,556

SCError = SCTotal - SCTrat - SCBloq

SCError = 71195,833 - 10277,679 - 450,908 = 1227,246

Como se observa, la suma de cuadrados de los tratamientos alter-


nativos es igual a la suma de cuadrados de los factores más la interacción,
quedando un valor por calcularse, el mismo que se obtienen a través del
proceso de la ortogonalidad para los testigos satelitales como se demuestra
a continuación:

(-n* ∑t1 + .... + n* ∑tn)2


SCFP(vs)Resto =
((-n) + .... + (+1))r

(-23*38,22 + .... + 1*70,56)2


SCCP(vs)Resto = = 851,54
((-23) + .... + (+1))3

(-22*34,56 + .... + 1*70,56)2


SCCL(vs)Resto = = 1065,586
((-22) + .... + (+1))3

(-21*55,57 + .... + 1*70,56)2


SCFP(vs)Resto = = 470,33
((-22) + .... + (+1))3

(-20*57,78 + .... + 1*70,56)2


SCFL(vs)Resto = = 462,106
((-20) + .... + (+1))3

37
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

De esta manera se realiza la suma de cuadrados de los testigos sateli-


tales, los cuales, al incluir la suma de cuadrados de los factores e interacción,
nos dará el valor exacto a la suma de cuadrados de los tratamientos totales
incluidos los testigos.
En muchas ocasiones se compara las medias, exista o no diferencias
significativas, mediante las comparaciones ortogonales. Por tal motivo se
calcula la suma de cuadrados para cada factor y se determina el nivel de
significancia mediante Fisher para mencionar cuál es el valor más efi-
ciente.

Para una mayor comprensión, se expone el cuadro de apoyo:

Como se observa, al sumar los cuadrados medios de las compa-


raciones ortogonales del factor B, nos damos cuenta de que es exacta-
mente la suma de cuadrados del factor B, pero, en este caso, para ana-
lizar estos valores, tenemos que hacer relación a las medias y expresar
correctamente.
Observando el ADEVA para el presente caso, parecería una com-
plejidad; sin embargo, es necesario recordar que es tan simple como un
diseño sencillo, ya que su principio se basa en ellos, por lo tanto se re-
comienda iniciar como si fuese un diseño de bloques completamente al
azar, para luego separar o realizar como si fuese un factorial y finalmente
desdoblar los factores en comparaciones. Esto tiene como finalidad com-
parar un tratamiento con respecto a otro y finalmente comprobar que la
suma de cuadrados de las comparaciones ortogonales sea igual a la calcu-
lada con el diseño simple.
Al comparar los valores B2, B6, B8 y B9 frente al resto de tratamientos
no existe diferencia significativa, pero si comparamos B1 con el resto de
tratamientos, difiere significativamente (P 0,01).

38
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 37.2. ADEVA para un experimento factorial bajo


un diseño de bloques completamente al azar,
arreglo combinatorio y cuatro testigos satelitales

Suma de Cuadrado Fisher


Fuente de variación g.l.
Cuadrados Medio Cal 5% 1%
Total 71 11955,833 168,392* 6,312 1,57 1,91
Bloques 2 450,908 225,454** 8,451 3,20 5,09
Tratamientos total 23 10277,679 446,856** 16,749 1,76 2,23
Trat. alternativos 19 7428,113 390,953** 14,654 1,81 2,32
Lugares A 1 139,538 139,538* 5,230 4,05 7,22
A1 vs. A2 1 139,538 139,538* 5,230 4,05 7,22
Clones (B) 9 6485,020 720,558** 27,008 2,09 2,82
B1 vs.
1 363,515 363,515** 13,625 4,05 7,22
B2B3B4B5B6B7B8B9B10
B2 vs.
1 30,643 30,643 ns 1,149 4,05 7,22
B3B4B5B6B7B8B9B10
B3 vs. B4B5B6B7B8B9B10 1 1263,682 1263,682** 47,366 4,05 7,22
B4 vs. B5B6B7B8B9B10 1 1424,342 1424,342** 53,388 4,05 7,22
B5 vs. B6B7B8B9B10 1 3062,354 3062,354** 114,784 4,05 7,22
B6 vs. B7B8B9B10 1 17,548 17,548 ns 0,658 4,05 7,22
B7 vs. B8B9B10 1 314,819 314,819** 11,800 4,05 7,22
B8 vs. B9B10 1 7,310 7,310 ns 0,274 4,05 7,22
B9 vs.B10 1 0,807 0,807 ns 0,030 4,05 7,22
Interacción A x B 9 803,556 89,284* 3,347 2,09 2,82
Fripapa Licto vs. Resto 1 462,106 462,106** 17,321 4,05 7,22
Fripapa Pungalá vs .Resto 1 470,330 470,330** 17,629 4,05 7,22
Capiro Licto vs. Resto 1 1065,586 1065,586** 39,941 4,05 7,22
Capiro Pungalá vs.
1 851,544 851,544** 31,918 4,05 7,22
Resto
Error total 46 1227,246 26,679
Media 29,22
CV 17,677%

39
40
Cuadro 37.3. Apoyo para las comparaciones ortogonales del factor B
Trat A Trat B Suma B1 vs. Res B2 vs. Res B3 vs. Res B4 vs. Res B5 vs. Res B6 vs. Res B7 vs. Res B8 vs. Res B9 vs. Res
15 70,56 -9 -653,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
16 10,78 1 105,78 -8 -846,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
19 14,33 1 143,33 1 143,33 -7 -1003,33 0,00 0,00 0,00 0,00 0,00 0,00
Diseño experimental

21 11,33 1 119,33 1 119,33 1 119,33 -6 -716,00 0,00 0,00 0,00 0,00 0,00
22 12,89 1 125,89 1 125,89 1 125,89 1 125,89 -5 -629,44 0,00 0,00 0,00 0,00
Licto
99-27-40 63,89 1 63,89 1 63,89 1 63,89 1 63,89 1 63,89 -4 -255,56 0,00 0,00 0,00
98-14-80 86,89 1 86,89 1 86,89 1 86,89 1 86,89 1 86,89 1 86,89 -3 -260,67 0,00 0,00
99-30-40 79,22 1 79,22 1 79,22 1 79,22 1 79,22 1 79,22 1 79,22 1 79,22 -2 -158,44 0,00
99-38-12 67,44 1 67,44 1 67,44 1 67,44 1 67,44 1 67,44 1 67,44 1 67,44 1 67,44 -1 -67,44
99-66-60 51,22 1 51,22 1 51,22 1 51,22 1 51,22 1 51,22 1 51,22 1 51,22 1 51,22 1 51,22
15 77,00 -9 -693,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
16 78,22 1 78,22 -8 -625,78 0,00 0,00 0,00 0,00 0,00 0,00 0,00
19 136,50 1 136,50 1 136,50 -7 -625,78 0,00 0,00 0,00 0,00 0,00 0,00
21 153,00 1 153,00 1 153,00 1 153,00 -6 -918,00 0,00 0,00 0,00 0,00 0,00
22 170,33 1 170,33 1 170,33 1 170,33 1 170,33 -5 -851,67 0,00 0,00 0,00 0,00
Pungalá
99-27-40 74,67 1 74,67 1 74,67 1 74,67 1 74,67 1 74,67 -4 -298,67 0,00 0,00 0,00
98-14-80 100,78 1 100,78 1 100,78 1 100,78 1 100,78 1 100,78 1 100,78 -3 -302,33 0,00 0,00
99-30-40 63,67 1 63,67 1 63,67 1 63,67 1 63,67 1 63,67 1 63,67 1 63,67 -2 127,33 0,00
en el desarrollo del conocimiento científico de las ciencias agropecuarias

99-38-12 65,78 1 65,78 1 65,78 1 65,78 1 65,78 1 65,78 1 65,78 1 65,78 1 65,78 -1 -65,78
99-66-60 85,11 1 85,11 1 85,11 1 85,11 1 85,11 1 85,11 1 85,11 1 85,11 1 85,11 1 85,11
Fripapa Licto 57,78 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00
Fripapa Pungalá 55,67 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00
Capiro Licto 34,56 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00
Capiro Pungalá 38,22 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0 0,00
Suma 180 443 144 115 112 -652 84 -599 60 -7,42 40 46 24 -151 12 -16 4 3
Cuadrados 540 196298 432 13238 336 424597 252 358934 180 551224 120 2106 72 22667 36 263 12 10
SC 363,5 30,6 1263,7 1424,3 3062,4 17,5 314,8 7,3 0,8
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Altura de la planta a los 120 días de la papa variedad Chaucha como


efecto de diferentes fosfonatos y promotor de crecimiento según frecuen-
cias de aplicación (DBCA).

Repeticiones
Tratamientos Total Media
I II III IV
A1E1 60,02 59,89 60,16 60,15 240,22 60,06
A2E1 61,37 60,73 60,56 60,95 243,61 60,90
A3E1 59,71 59,59 59,29 59,08 237,67 59,42
A1E1 60,14 59,86 60,60 60,32 240,92 60,23
A2E1 59,83 59,98 59,08 59,35 238,24 59,56
A3E1 59,43 58,83 59,99 60,03 238,28 59,57
A1E1 59,31 60,06 59,67 59,72 238,76 59,69
A2E1 59,91 59,72 59,12 60,19 238,94 59,74
A3E1 59,35 60,31 59,80 58,67 238,13 59,53
T. agricultor 50,35 50,12 50,36 50,42 201,25 50,31
T. absoluto 0 0 0 0 0 0,00
TOTAL 589,42 589,09 588,63 588,88 2356,02 53,55
Fuente: Caguana, 2005

41
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Días de floración de la papa variedad Chaucha como efecto de dife-


rentes fosfonatos y promotor de crecimiento en diferentes frecuencias de
aplicación (DBCA).

Repeticiones
Tratamientos Total Media
I II III IV
A1E1 82 83 82 85 332 83,00
A2E1 85 82 84 84 334 83,50
A3E1 82 82 83 83 330 82,50
A1E1 82 81 83 83 328 82,00
A2E1 81 82 83 83 327 81,75
A3E1 83 82 82 82 331 82,75
A1E1 82 83 82 82 331 82,75
A2E1 85 82 82 82 332 83,00
A3E1 82 81 85 85 331 82,75
T. agricultor 85 83 84 84 334 83,50
T. absoluto 88 87 88 88 352 88,00
TOTAL 917 908 921 921 3662 83,23
Fuente: Caguana, 2005

Peso del repollo por parcela neta de la col a la aplicación de diferentes


niveles de Bokashi y Biol (DBCA).

Tratamientos Repeticiones
Suma Media
A B I II III
Bokashi 50 g Biol 25% 99,64 99,96 93,54 293,14 97,71
Bokashi 50 g Biol 25% 110,25 104,46 87,75 302,46 100,82
Bokashi 100 g Biol 25% 113,46 99,96 106,71 320,14 106,71
Bokashi 100 g Biol 25% 111,54 112,82 119,89 344,25 114,75
Bokashi 150 g Biol 25% 87,75 82,61 85,50 255,86 85,29
Bokashi 150 g Biol 25% 99,64 91,93 94,50 286,07 95,36
Testigo 102,21 84,54 96,43 283,18 94,39
Fuente: Caguana, 2005

42
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Prendimiento de la lechuga como resultado de la utilización de dife-


rentes abonos orgánicos y un sistema agroforestal.

Repeticiones
Abonos Dosis Suma Media
I II III
D1 98,77 99,18 99,18 297,12 99,04
A1 D2 99,59 99,18 99,18 297,94 99,31
D3 99,59 99,18 99,59 298,35 99,45
D1 98,35 99,18 99,59 297,12 99,04
A2 D2 99,18 99,59 99,18 297,94 99,31
D3 99,59 98,77 99,18 297,53 99,18
D1 99,18 99,59 99,18 297,94 99,31
A3 D2 99,18 99,18 99,59 297,94 99,31
D3 99,59 99,59 99,18 298,35 99,45
D1 98,77 99,59 99,18 297,53 99,18
A4 D2 99,18 99,18 99,59 297,94 99,31
D3 99,18 99,59 99,59 298,35 99,45
Ts 97,94 97,53 98,35 293,83 97,94
Fuente: Yaucen, 2005

Experimento factorial bajo un DBCA con arreglo


en parcelas divididas y testigos satelitales

Al planificar investigación con arreglo en parcelas divididas, en el


mayor número de veces se integran tratamientos controles, en agronomía
se conocen como testigo agricultor e incluso testigo absoluto en el cual no
se aplica tratamiento alguno, y el arreglo que aplica para resolver este dise-
ño es en parcelas divididas; aparentemente parece un modelo que confunde
o demasiado difícil, pero cuando se analiza detenidamente no es complejo;
además permite obtener una información desglosada para comparar el tes-
tigo con el resto de tratamientos alternativos, que es suficiente y se descar-
ta antes de someter a comparaciones múltiples. Para el desarrollo de este
modelo, tenemos que evaluar dos factores y la naturaleza de la serie de tra-

43
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

tamientos de un factor que requiere de unidades experimentales grandes.


Cuando se necesita evaluar con mejor precisión los niveles de cualquiera
de los factores, es muy eficaz el arreglo en parcelas divididas; por ejemplo:

• Grupo genético de una especie forrajera (factor A)


• Niveles de o dosis de un determinado fertilizante (factor B)
• Como testigo agricultor, tendríamos la variedad mejorada y
a diferentes recomendaciones de las casa comerciales o de un
técnico en producción
• Como testigo absoluto, en cambio, se consideraría una varie-
dad nativa de un pasto, sin aplicación de fertilizantes

La variación de parcelas divididas atribuye restricciones en cuanto al tér-


mino de error independiente por cada factor, e incluso en estas particularidades
cuando se puede analizar considerar un error total y manejarse para probar los
efectos del tratamiento y la inclusión de los testigos. Es elemental asignar facto-
res, en tal forma que logremos la mayor precisión al confrontar las interacciones
y los efectos promedios de los tratamientos en los cuales estamos interesados
además de la contrastación de los testigos, ya sean agricultores o absolutos.
En general, para el arreglo de parcelas divididas, la distribución de la
parcela grande se hace en bloques al azar o en cuadrado latino, y la distri-
bución de las parcelas chicas, dentro de la parcela grande, se hace comple-
tamente aleatorizado y el o los tratamientos controles o testigos se desarro-
llan dentro del área de investigación.
Considerando los factores A, B y el testigo, cada uno de los niveles:
después de randomizar los tratamientos, una repetición se representaría de
la siguiente manera:

Cuadro 38. Aleatorización de los factores

a1 a2 a3
a1b3 a3b1 a2b2
Rep. I B a1b1 a3b2 a2b3
a1b2 a3b3 a2b1
Ts r1 Ts r3 T2 r2

44
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Podemos decir que a1 es un bloque incompleto en confundido. Ran-


domizamos el nivel A en todas las parcelas principales y luego los de B
dentro de la parcela principal. Cada parcela principal (factor A) puede ser
considerada como un bloque respecto a los niveles de B, pero solo como
bloque incompleto con relación al grupo completo de tratamientos A. Por
esta razón se llama a las parcelas divididas diseño de bloques incompletos
o experimentos factoriales con los efectos principales confundidos, además
se puede notar que dentro de este bloque puede incluirse el testigo, ya sea
agricultor, absoluto o los dos simultáneamente.
A diferencia del arreglo combinatorio, las parcelas divididas toman
en consideración los bloques y el error independiente de cada factor, tanto
del factor A como del B.

Modelo lineal aditivo

Yijk = µ + ρi + αj + Ci + βk + (αβ)jk + Cjk + ts +Cijk

Donde:

Yijk : valor estimado de la variable


µ : media general
ρi : efecto de los bloques
Ci : efecto del error A
αj : efecto del factor A
βk : efecto del factor B
(αβ)jk : efecto de la interacción A*B
Cjk : efecto del error B
ts : efecto del o los tratamientos controles o testigos
Cijk : efecto del error total
i : iésimo bloque
j : jotaésimo factor A
k: kaésimo factor B

45
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

En este tipo de experimentos factoriales bajo un diseño de bloques


completamente al azar con arreglo en parcelas divididas incluidos los tes-
tigos denominados satelitales, la suma de cuadrados para cada una de las
fuentes de variación se calcula de la siguiente manera:
Tomando en consideración las unidades experimentales del testigo/s
satelital/es, a la suma de cuadrados se denomina gran total, para lo cual
se integra un factor de corrección 1 y un factor de corrección 2 cuando se
excluye a los testigos satelitales.

∑x
SCG.Total = ∑ -
(ab +1)1

SCTotal = ∑(X - x)2

En el caso de la suma de cuadrados del total únicamente de los trata-


mientos alternativos, excluye a las unidades experimentales de los testigos,
quedando la fórmula de la siguiente manera:

∑x
SCTotal = ∑x -
(ab)r

El cálculo de la suma de cuadrados de los bloques es de suma im-


portancia en un arreglo en parcelas divididas. En caso de experimentos
complejos, se toma en consideración los bloques en los cuales se integran
los testigos con la finalidad de evitar que la variación de los bloques se
acumule al error; sin embargo, en este tipo de diseño, es necesario calcular
la suma de cuadrados de las repeticiones sin considerar los testigos, puesto
que esta interviene en el error A. Por consiguiente el cálculo de la suma de
cuadrados será de la siguiente manera:

∑(∑xRep)2
SCBloquesTotales = - FC1
t

46
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑xRep)2
SCBloquesParciales = - FC2
t

Este segundo cálculo de suma de cuadrados lo utilizaremos para de-


terminar el error A.
La suma de cuadrados de los tratamientos, al estar desdoblado en
los factores e interacción, por lo general no es indispensable como fuente
de variación; sin embargo, al incluir testigos como fuente de comparación,
es necesario tomarla en consideración como método de comprobación en
donde se mencione que la suma de cuadrados totales es igual a la suma de
cuadrados de los tratamientos parciales más los contrastes de los testigos
satelitales.

∑(∑xTrat)2
SCTratamientos.Totales = - FC1
r

La suma de cuadrados de los tratamientos parciales, en cambio, se


vuelve interesante para calcular la suma de cuadrados de la interacción por
diferencia, para lo cual se considera el factor de corrección 2.

∑(∑xTrat)2
SCTratamientos.Parciales = - FC2
r

En el presente modelo, aunque la suma de cuadrados de las parcelas


grandes es un paso obligatorio, se considera únicamente el factor de co-
rrección 2

∑(∑xPG)2
SCParcelas Grandes = - FC2
b

∑(∑xPG - ∑xPG)2
SCParcelas Grandes =
b

47
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

El cálculo de la suma de cuadrados de los A y B es necesario para


determinar la variación estadística o numérica de cada factor de estudio.
Para el presente caso se utiliza el factor de corrección 2.

∑(∑xA)2
SCA = - FC
br

∑(∑xA - ∑xA)2
SCA =
br

∑(∑xB)2
SCB = - FC
ar

∑(∑xB - ∑xB)2
SCB =
ar

El cálculo de la suma de cuadrados para el error A se toma en con-


sideración en la relación con la suma de cuadrados de las parcelas grandes,
factor A y de los bloques parciales o que no se hayan integrado los trata-
mientos o testigos satelitales.

SCError.A = SCPG - SCA - SCBloques.P

SCAB = SCTrat.Parcial - SCA - SCB

48
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 39. ADEVA para un DBCA con arreglo


en parcelas divididas

Fuente de variación Grados de libertad


Gran total (ab + ts)r - 1
Total parcial (abr) - 1
Repeticiones totales (incluido testigos satelitales) (r - 1)
Repeticiones parciales (sin incluir testigos satelitales) (r - 1)
Tratamientos totales (incluido testigos satelitales) (ab + ts) - 1
Tratamientos parciales (sin incluir testigos satelitales) (ab) - 1
Factor A a-1
Error A (a - 1)(r - 1)
Parcela grande ar - 1
Factor B b-1
Interacción (A x B) (a - 1)(b - 1)
Error B a(b - 1)(r - 1)
Ts vs. Resto 2-1
Error total Diferencia

SCError.B = SCTotal.Parcial = SCPG -CB - SCAB

La suma de cuadrados de los contrastes se calcula de la siguiente


manera:

∑(∑xTrat)2
SCts.vs.Trat. Alt =
∑c2r

Una de las formas más prácticas de demostrar un experimento facto-


rial bajo un diseño de bloque completamente al azar con arreglo en parcelas
divididas y un testigo satelital es a través la respuesta del cultivo de col
(Brassica oleracea) a la aplicación de fertilizantes orgánicos en la comunidad

49
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Pisicaz, parroquia San Juan, cantón Riobamba, provincia de Chimborazo


(Cutiupala, 2005).
En la presente investigación, se utilizó abonos orgánicos (tres niveles
de Bokashi y dos dosis de Biol en una variedad de col.

Factor A consideró diferentes niveles de Bokashi:


Nivel 1= 50 g/planta
Nivel 2 = 100 g/planta
Nivel 3 = 150 g/planta

Y el fertilizante foliar como segundo factor de estudio:


Dosis 1 = 25% de Biol en la bomba (5 litros)
Dosis 2 = 50% de Biol en la bomba (10 litros)
Al testigo, no se le aplica ningún tratamiento.

Cuadro 40. Cobertura basal de la col sometida a tres niveles de


Bokashi y dos proporciones de Biol frente a un testigo absoluto

Propor- Repeticiones
Niveles de
ción n de Xi Media
Bokashi I II III
Biol
Bokashi 50 g Biol 25% 16,43 14,14 14,14 44,71 14,90
Bokashi 50 g Biol 50% 15,29 14,14 11,14 40,57 13,57
Parcela grande 1 31,72 28,28 25,28
Bokashi 100 g Biol 25% 14,29 12,43 7,43 34,14 11,38
Bokashi 100 g Biol 50% 10,86 12,86 6,86 30,57 10,59
Parcela grande 2 25,15 25,29 14,29
Bokashi 100 g Biol 25% 8,43 11,14 5,86 25,43 8,46
Bokashi 100 g Biol 50% 10,00 7,71 6,71 24,43 8,14
Parcela grande 3 18,43 18,85 12,75
Testigo 9,86 9,71 8,29 27,86 9,26
85,14 82,14 60,43 10,84
Fuente: Cutiupala, 2005

50
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Para facilitar los cálculos del presente experimento, nos permitimos


realizar el siguiente cuadro de apoyo.

Cuadro 40.1. Interacción niveles de Bokashi por dosis de Biol

Proporción Biol 25% + Biol 25% + Suma niveles


Niveles 75% agua 75% agua de Bokashi
Bokashi 50 g 44,71 40,14 84,85
Bokashi 100 g 34,14 30,57 64,71
Bokashi 150 g 25,43 24,43 49,86
Suma de proporción
104,28 95,14 199,42
de Biol

SCTotal = ∑(x - x)2

SCTotal = (16,43 - 10,84)2 + .... + (8,29 - 10,84)2 = 201,13

∑(∑xTrat - ∑xTrat)2
SCTrat(Total) =
r

(44,71 - 32,53)2 + .... + (27,86 - 32,53)2


SCTrat(Total) = = 119,14
3

El cálculo de los factores en este tipo de diseño es poco común, por


lo que es necesario considerar únicamente los valores del factor niveles de
Bokashi, excluyendo al testigo absoluto que es fuente de comparación del
resto de tratamientos alternativos.

( ( - FC
t
∑ ∑xPG
1
SCPG =
r

51
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

∑(∑xPG - ∑xPG))2
SCPG =
r

(31,72 - 22,21)2 + .... + (12,57 - 22,21)2


SCPG = = 168,04
2x3

∑(∑xRep - ∑xRep))2
SCRepeticiones =
t

(85,14 - 75,91)2 + (82,14 - 75,91)2 + (60,43 - 75,90)2


SCRepeticiones = = 51,98
7

En este tipo de diseño, se calcula la suma de cuadrados de bloques


totales y parciales. La situación es que la suma de bloques totales única-
mente sirve para determinar la variación total de los bloques. En este caso
están incluidos los testigos satelitales; sin embargo de ello, cuando se trata
de estos experimentos, hay que excluir estos valores y calcular con certeza
el error de tipo A o de la parcela grande.

(75,30 - 66,62)2 + (72,42 - 66,62)2 + (52,14 - 66,62)2


SCRep. Parciales = = 53,11
6

∑(∑∑xA)2
SCA = - FC
br

∑(∑ ∑ xA - ∑∑ xA)2
SCA =
br

(85,28 - 66,62)2 + (64,73 - 66,62)2 + (49,85 - 66,62)2


SCA = = 105,50
2x3

52
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

SCError(A) = SCPG - SCBloques -SCA

SCError(A) = 168,04 - 53,11 -105,50 = 9,43

∑(∑∑xB)2
SCB = - FC
ar

∑(∑ ∑ xB - ∑∑ xB)2
SCB =
ar

(104,29 - 99,93)2 + (95,57 - 99,93)2


SCA = = 4,22
3x3

∑(∑xTrat(Alt) - ∑xTrat(Alt))2
SCTratamientos(Alternativos) =
r

(44,71 - 33,31)2 + .... + (24,43 - 33,31)2


SCTratamientos(Alternativos) = = 110,65
3

SCAB = SCTrat(Alt) - SCA -SCB

SCAB = 110,65 - 105,50 - 4,22 = 0,93

SCErrorB = SCTotal - SCPG - SCB - SCAB

SCErrorB = 181,79 - 168,04 - 4,22 - 0,93 = 8,60

53
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Cuadro 40.2. ADEVA para un experimento factorial


con testigo satelital y arreglo en parcelas divididas

Suma de Cuadrado Fisher


Fuente de variación g.l.
cuadrados medio Cal 5% 1%
Total 201,13 20
Total parcial 181,79 17
Tratamientos totales 119,14 6 19,86 ** 12,41 3,58 6,37
Trat. alternativos 110,65 5 22,13 ** 24,05 3,69 6,63
Repeticiones totales 51,98 2 25,99 ** 16,24 4,46 8,65
Repeticiones parciales 53,11 2 26,55 ** 10,09 4,46 8,65
Nivel Bokashi (A) 105,50 2 52,75** 20,05 4,46 8,65
Error A 9,43 4 2,36
Parcelas grandes 168,04 8 21,00
Nivel de Biol (B) 4,22 1 4,22 ns 1,48 5,32 11,26
Interacción AB 0,93 2 0,46 ns 0,16 4,46 8,65
Error B 8,60 6 1,43
Ts vs. Resto 8,49 1 8,49 ns 3,97 5,32 11,26
Error total 30,01 12 2,50
Error parcial 18,03 10 1,80

Al analizar la suma de cuadrados de los tratamientos alternativos


(suma de cuadrado del factor niveles de Bokashi, suma de cuadrados del
factor proporción de Biol más la interacción), se tiene como resultado
110,65; que no se ajusta a la suma de cuadrados de los tratamientos totales.
Para cumplir con esta condición, se realiza el cálculo de comparaciones or-
togonales testigo absoluto vs. el resto de tratamientos: como demostramos
a continuación:

(-n* ∑t1 + .... + n* ∑tn)2


SCTa(vs)Resto =
((-n) + .... + (+1))r

54
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

(-1*44,71 + .... + (-6)*27,86)2


SCTa(vs)Resto = = 851,54
((1) + .... + (-6))3

Para determinar la variabilidad de la información obtenida en el


campo, se calcula el coeficiente de variación.

CMError(total)
CV =
x

2,50
CV = = 14,58%
10,84

Este resultado permite conocer que la información está dentro del


límite permitido en la recopilación de información en el campo experi-
mental.
Por encontrarse diferencias significativas para el total de tratamien-
tos (factor A), entre tratamientos alternativos es necesario realizar separa-
ciones de medias y determinar el mejor nivel de Bokashi, aunque no existe
diferencias significativas según el ADEVA; para el factor B y la interacción
además de la comparación ortogonal testigo absoluto versus los tratamien-
tos alternativos es necesario realizar comparaciones de medias.
Para el presente caso, se separa las medias según Tukey (P < 0,05) y
se determina el mejor tratamiento.

CMError
Sx =
r

2,50
Sx = = 0,91
3

55
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Los valores tabulares de Tukey al 5% los obtenemos del apéndice 5, y


14 gl que corresponde el error experimental.
Para determinar el mejor tratamiento según Tukey al 5%, realizamos
las siguientes operaciones:
14,90 – 4,504 = 10,396, agrupa a los tratamientos Bokashi 50 g +
Biol 25% y 50%, a este grupo de medias se asigna la letra a, la cobertura
basal de los tratamientos son más altos que difieren significativamente del
resto de tratamientos.
Cuando se toma la siguiente media, 13,52 y restamos de 4,322, en-
contramos un límite inferior de 9,198, esto significa que se ha integrado
otro grupo de medias al cual asignamos la letra b.
Continuando con el proceso, se resta 11,38 de 4,104, y encontramos
un límite inferior a 7,276, el mismo que abarca todas las medias formando
un tercer grupo denominado c.

Cuadro 40.3. Distribución de medias según rango de Tukey al 5%

Niveles de Bokashi Dosis de Biol Media Q RSQ LIS Grupo


Bokashi 50 g Biol 25% 14,90 4,95 4,504 10,396 a
Bokashi 50 g Biol 50% 13,52 4,75 4,322 9,198 ab
Bokashi 100 g Biol 25% 11,38 4,51 4,104 7,276 bc
Bokashi 100 g Biol 50% 10,19 4,20 3,822 6,368 c
Testigo 9,29 3,77 3,430 5,860 c
Bokashi 150 g Biol 25% 8,48 3,08 2,802 5,678 c
Bokashi 150 g Biol 50% 8,14 - - - c

Al encontrase, en el total de tratamientos alternativos, diferencias


altamente significativas, de la misma manera se toma en consideración la
prueba de separación de medias, en este caso de Tukey al 5%, y determina-
mos lo siguiente con el error parcial.

CMError
Sx =
r

56
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

1,80
Sx = = 0,774
3

Cuadro 40.4. Distribución de medias y agrupamiento


en rangos según Tukey 5%

Niveles de Bokashi Dosis de Biol Media Q RSQ LIS Grupo


Biol 25% 14,90 5,63 4,357 10,543 a
Bokashi 50 g
Biol 50% 13,52 5,31 4,109 9,411 ab
Biol 25% 11,38 4,90 3,792 7,588 abc
Bokashi 100 g
Biol 50% 10,19 4,34 3,359 6,831 bc
Bokashi 150 g Biol 25% 8,48 3,46 2,678 5,802 c
Biol 50% 8,14 - - - c

Como se puede observar, en los tratamientos alternativos, conside-


rando el error parcial, se puede manifestar que existe la formación de tres
grupos, la cual asocia tratamientos como Bokashi en dosis de 50 y 100
g/planta, independientemente de la dosis de Biol como fertilizante foliar,
que difiere significativamente del Bokashi 150 g/planta, ya que esta dosis
permite menor cobertura basal.
Para el factor niveles de Bokashi, mediante el ADEVA, encontra-
mos diferencias altamente significativas, motivo importante para realizar
separación de medias según Tukey al 5%, considerando el error A y los
grados de libertad del mismo error.

CMError
Sx =
r

9,43
Sx = = 1,253
3x2

57
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Cuadro 40.5. Distribución de medias según rango de Tukey 5%

Factor A Media Q RSQ LIS Grupo


Bokashi 50 g 14,21 4,60 4,560 9,650 a
Bokashi 100 g 10,79 3,64 5,763 5,027 ab
Bokashi 150 g 8,94 - - - b

En el presente cálculo, se puede afirmar que al aplicar dosis de 50 y


100 gramos de Bokashi en la col, la cobertura basal no difiere significativa-
mente de acuerdo a Tukey 5%, mientras que, al aplicar una dosis de 150 g,
se alcanza una cobertura basal de 8,94% que difiere significativamente del
resto de tratamientos, ya que alcanza la menor cobertura.

Experimento factorial bajo un DBCA con arreglo


en parcelas subdivididas y testigos satelitales

Al igual que en el experimento trifactorial, bajo un diseño de bloques


completamente al azar y arreglo en parcelas divididas, el arreglo en parcelas
sub-subdivididas integra un tratamiento testigo que puede ser absoluto o
relativo, más conocido como satelitales, por lo que se integra en la fuente
de variación nuevos alternativas que medir gracias a la facilidad que nos
permite las comparaciones ortogonales, para desdoblar la varianza como el
investigador lo requiera.

Factor de corrección

En los experimentos complejos, en donde se incluyen los testigos


como fuente de variación automáticamente, intervienen dos factores de
corrección, en que el primer factor incluye a los testigos, mientras que en
factor de corrección 2 (FC2) lo excluye, el mismo que hace relación a los
valores de la variable medida al cuadrado sobre el total de unidades expe-
rimentales.

58
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 41. Fuentes de variación y grados de libertad

Fuente de variación Grados de libertad


Gran total (abc + ts)r - 1
Total (abcr) - 1
Repeticiones totales (r - 1)
Repeticiones parciales (r - 1)
Tratamientos totales (abc + ts) - 1
Tratamientos parciales (abc) - 1
Factor A (a - 1)
Error A glPG - glFA - glRep
Parcelas grandes (ar - 1)
Factor B (b - 1)
Interacción AB (a -1)(b - 1)
Error B glPM - glPG - glFA - glAB
Parcelas medianas (abr - 1)
Factor C (c - 1)
Interacción AC (a - 1)(c - 1)
Interacción BC (b - 1)(c - 1)
Interacción ABC (a - 1) (b - 1) (c - 1)
Ts vs. resto 2-1
Error C glT - glPM - glFC - glAC - glBC - gl ABC

(∑x)
FC1 =
(abc + ts)r

(∑x)
FC2 =
abcr

59
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Suma de cuadrados

(∑x)2
SCG.Total = ∑x2 -
(abc + ts)r

(∑x)2
SCTotal. Parcial = ∑x2 -
abcr

∑(∑xRep)2 (∑x)2
SCRepeticiones. Totales = -
(abc + ts) (abc + ts)r

∑(∑xRep)2 (∑x)2
SCRepeticiones.Parciales = -
(abc) (abc)r

∑(∑xPG)2 (∑x)2
SCPG = -
r abcr

SCError(A) = SCPG - SCA - SCRep

∑(∑∑∑xA)2 (∑x)2
SCA = -
bcr abcr

∑(∑∑∑xB)2 (∑x)2
SCB = -
acr abcr

∑(∑∑xAB)2 (∑x)2
SCAB = - - SCA - SCB
cr abcr

60
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑xPM)2 (∑x)2
SCPM = -
c abcr

SCError(B) = SCPM - SCPG - SCB - SCAB

∑(∑∑∑xC)2 (∑x)2
SCC = -
abr abcr

∑(∑∑xAC)2 (∑x)2
SCAC = - - SCA - SCC
br abcr

∑(∑∑xBC)2 (∑x)2
SCBC = - - SCB - SCC
ar abcr

∑(∑∑xaBC)2 (∑x)2
SCABC = - - SCA - SCB - SCAB - SCC - SCAC - SCBC- SCABC
r abcr

SCError(C) = SCTotal. Parcial - SCPM - SCC - SCAC - SCBC - SCABC

∑(c∑xTrat)2
SCTs.vs.. Resto =
∑c2r

SCError(T) = SCTotal. Total - SCTrat.Total - SCRep.Total

De la misma manera que en los experimentos simples, el cuadrado


medio es la relación entre la suma de cuadrados y los grados de libertad de
cada fuente de variación.
La particularidad en el cálculo del Fisher en el presente arreglo en
parcelas subdivididas es que, para cada variable, existe un error; por tanto,

61
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

para las repeticiones y factor A, se considera el error A; para el factor B e


interacción AB, el error B, para el factor C, interacción AC, BC y ABC;
el error C y para el/los contrastes, se toma en consideración el error total.
Al estudiar la respuesta agronómica del cultivo de papa (Solanum
tuberosum) variedad INIAP fripapa con diferentes niveles de fertilización
mineral y orgánica en zonas afectadas por ceniza del volcán Tungurahua,
se planteó un experimento factorial bajo un diseño completamente al azar
con arreglo en parcelas subdivididas y dos testigos satelitales, obteniéndose
los siguientes rendimientos productivos (Arcos, 2009):

Cuadro 42. Rendimiento de la papa variedad fripapa INIAP

Dosis Dosis Nivel Repeticiones


Suma Media
de N de P de MO I II III IV
A1 B1 C1 15,00 12,50 13,75 18,75 60,00 15,00
A1 B1 C2 20,00 16,25 17,50 18,75 72,50 18,13
A1 B2 C1 15,00 15,00 15,00 17,50 62,50 15,63
A1 B2 C2 12,50 13,75 10,00 20,00 56,25 14,06
A2 B1 C1 18,75 16,25 13,75 20,00 68,75 17,19
A2 B1 C2 16,25 17,50 16,25 18,75 68,75 17,19
A2 B2 C1 15,00 17,50 8,75 17,50 58,75 14,69
A2 B2 C2 15,00 15,00 18,75 16,25 65,00 16,25
A3 B1 C1 16,25 16,25 15,00 10,00 57,50 14,38
A3 B1 C2 15,00 15,00 17,50 15,00 62,50 15,63
A3 B2 C1 12,50 17,50 15,00 15,00 60,00 15,00
A3 B2 C2 18,75 11,25 17,50 16,25 63,75 15,94
Testigo agricultor 11,25 10,00 12,50 10,00 43,75 10,94
Testigo absoluto 5,00 5,00 6,25 3,75 20,00 5,00

Cálculo del factor de corrección 1

(∑x)2
FC1 =
(abc + ts)r

62
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

(820,00)2
FC1 = = 12007,14
(3x2x2 + 2)4

Cálculo del factor de corrección 2

(∑x)2
FC2 =
(abc)r

(756,25)2
FC2 = = 11917,87
3x2x2 x4

(∑x)2
SCG.Total = ∑x2 -
(abc + ts)r

SCG.Total = 152 + 12,5 + .... + 6,252 + 3,752 - 12007,14 = 814,73

(∑x)2
SCTotal. Parcial = ∑x -2

(abc)r

SCTotal.Parcial = 15 + 12,5 + .... + 17,502 +16,252 - 11914,87 = 321,06

∑(∑xRep)2 (∑x)2
SCRepeticiones. Totales = -
(abc + ts) (abc + ts)r

206,252 + 198,752 + 197,502 + 217,502)


SCRepeticiones. Totales = - 12007,14 = 18,08
(3x2x2 + 2)

∑(∑xRep)2 (∑x)2
SCRepeticiones.Parciales = -
(abc) (abc)r

63
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

190 + 183,75 + 178,75 + 203,75)


SCRepeticiones. Parciales = - 11914,87 = 29,26
(3x2x2)

∑(∑xTrat)2 (∑x)2
SCTrat.Total = -
r (abc + ts)r

(602 + 72,52 + .... + 43,752 + 202)


SCTrat. Total = - 12007,14 = 554,78
4

∑(∑xTrat)2 (∑x)2
SCTrat.Parcial = -
r (abc)r

(602 + 72,52 + .... + 602 + 63,752)


SCTrat. Parcial = - 11914,87 = 68,33
4

Cuadro 42.1. Interacción dosis de nitrógeno por dosis de fósforo

B1 B2 Suma A
A1 132,50 118,75 251,25
A2 137,50 123,75 261,25
A3 120,00 123,75 243,75
Suma B 390,00 366,25

∑(∑∑∑xA)2 (∑x)2
SCA = -
bcr abcr

(251,252 + 262,252 + 243,752)


SCA = - 11914,87 = 9,64
2x2x4

64
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑∑∑xB)2 (∑x)2
SCB = -
acr abcr

(3902 + 366,252)
SCB = - 11914,87 = 11,75
3x2x4

∑(∑∑∑xC)2 (∑x)2
SCC = -
abr abcr

(365,502 + 388,752)
SCB = - 11914,87 = 11,75
3x2x2

∑(∑∑xAB)2 (∑x)2
SCAB = - - SCA - SCB
cr abcr

(132,52 + ... + 123,752)


SCAB = - 11914,87 - 9,64 - 11,75 = 12,76
2x4

Cuadro 42.2. Interacción dosis de nitrógeno por niveles de MO

C1 C2 Suma A
A1 122,50 128,75 251,25
A2 127,50 133,75 261,25
A3 117,50 126,25 243,75
Suma C 367,50 388,75

∑(∑∑xAC)2 (∑x)2
SCAC = - - SCA - SCC
br abcr

65
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

(122,252 + .... + 126,52)


SCAC = - 11914,87 - 9,64 - 9,41= 0,26
2x4

Cuadro 42.3. Interacción dosis de fósforo por niveles de MO

C1 C2 Suma B
B1 186,25 203,75 390,00
B2 181,25 185,00 366,25
Suma C 367,50 388,75

∑(∑∑xBC)2 (∑x)2
SCBC = - - SCA - SCC
br abcr

(186,252 + .... + 1852)


SCBC = - 11914,87 - 11,75 = 3,94
3x4

∑(∑∑xaBC)2 (∑x)2
SCABC = - - SCA - SCB - SCAB - SCC - SCAC - SCBC- SCABC
r abcr

SCABC = 68,33 - 9,64 - 11,75 - 9,45 - 12,76 - 0,26- 3,94 = 20,57

Cuadro 42.4. Parcelas grandes

Repeticiones
I II III IV
PG1 62,50 57,50 56,25 75,00
PG2 65,00 66,25 57,50 72,50
PG3 62,50 60,00 65,00 56,25

66
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑(∑xPG)2 (∑x)2
SCPG = -
bc abcr

(62,502 + .... + 652)


SCPG = - 11914,87 = 103,48
2x2

Cuadro 42.5. Parcelas medianas

Repeticiones
I II III IV
PM1 35,00 28,75 31,25 37,50
PM2 27,50 28,75 25,00 37,50
PM3 35,00 33,75 30,00 38,75
PM4 30,00 32,50 27,50 33,75
PM5 31,25 31,25 32,50 25,00
PM6 31,25 28,75 32,50 31,25

∑(∑xPM)2 (∑x)2
SCPM = -
c abcr

(352 + .... + 32,52)


SCPM = - 11914,87 = 153,09
2

SCError.A = SCPG - SCRep - SCA

SCError.A = 103,48 - 29,26 -9,64 = 64,58

SCError.B = SCPM - SCPG - SCB - SCAB

SCError.B = 153,09 - 103,48 - 11,75 - 12,76 = 25,10

67
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

SCError.C = SCTotal - SCPM - SCC - SCAC - SCBC - SCABC

SCError.B = 814,73 - 153,09 - 9,41 - 0,26 - 3,94 - 20,57 = 133,79

Cuadro 42.6. Cuadro de apoyo para el cálculo de los contrastes

Dosis Dosis Nivel


Suma C1 C C1X C2 C C2X
de N de P de MO
A1 B1 C1 60,00 1 1 60,00 1 1 60,00
A1 B1 C2 72,50 1 1 72,50 1 1 72,00
A1 B2 C1 62,50 1 1 62,50 1 1 62,50
A1 B2 C2 56,25 1 1 56,25 1 1 56,25
A2 B1 C1 68,75 1 1 68,75 1 1 68,75
A2 B1 C2 68,75 1 1 68,75 1 1 68,75
A2 B2 C1 58,75 1 1 58,75 1 1 58,75
A2 B2 C2 65,00 1 1 65,00 1 1 65,00
A3 B1 C1 57,50 1 1 57,50 1 1 57,50
A3 B1 C2 62,50 1 1 62,50 1 1 62,50
A3 B2 C1 60,00 1 1 60,00 1 1 60,00
A3 B2 C2 63,75 1 1 63,75 1 1 63,75
Testigo agricultor 43,75 1 1 43,75 -12 144 -525,00
Testigo absoluto 20,00 -13 169 -260 0 0,00 0,00
Suma 182 540 156 231
728 291600 624 53477
Suma de cuadrados 400,55 85,70

Nota: una vez elevados al cuadrados los contrastes se suman y se


multiplican por el número de repeticiones para obtener el denominador;
el numerador se calcula sumando el producto de la suma de los trata-
mientos por el contraste para luego elevar al cuadrado y dividir el resulta-
do para el denominador; de esta manera se obtiene la suma de cuadrados
del contraste.

68
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 42.7. ADEVA para el experimento trifactorial bajo un DBCA


con arreglo en parcelas sub-subdivididas y dos testigos satelitales

Suma de Cuadrado Fisher


Fuente de variación g.l.
cuadrados medio Cal 5% 1%
G. total 55 814,73
Total 47 321,06
Rep. total 3 18,08 6,03 0,97 2,85 4,33
Rep. par 3 29,26 9,75 0,91 4,76 9,78
Trat. totales 13 554,58 42,66 6,87 1,98 2,62
Trat. parciales 11 68,33 6,21 0,92 2,09 2,84
Factor A 2 9,64 4,82 0,45 5,14 10,92
Error A 6 64,58 10,76
PG 11 103,48 9,41
Factor B 1 11,75 11,75 4,21 5,12 10,56
Int AB 2 12,76 6,38 2,29 4,26 8,02
Error B 9 25,10 2,79
PM 23 153,09 6,66
Factor C 1 9,41 9,41 1,83 4,23 7,72
Int AC 2 0,26 0,13 0,03 3,37 5,53
Int BC 1 3,94 3,94 0,77 4,23 7,72
Int ABC 2 20,57 10,29 2,00 3,37 5,53
Error C 26 133,79 5,15
Ta vs. resto 1 85,70 85,70 12,66 4,09 7,33
Ts vs. resto 1 400,55 400,55 59,15 4,09 7,33
Error total 9 242,08 6,21
CV A 20,82 Sx A 0,820
CV B 10,60 Sx B 0,341
CV C 14,40 Sx B 0,463
CV total 17,01 Sx Total 1,246
Media fact 15,76
Media G 14,64

69
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Los cuadrados medios se calculan en función de la fórmula general en


donde se relaciona la suma de cuadrados y los grados de libertad, mientras
que el Fisher se calcula considerando su respectivo error, y para los contrastes
se considera el error general o total.

Cuadro 42.8. Separación de medias según Tukey al 0,05


para los niveles de nitrógeno

Factor A Media Grupo M Ord Q RSQ LIS Rango


A1 15,70 a 16,33 4,34 3,56 12,77 a
A2 16,33 a 15,70 3,46 2,84 12,82 a
A3 15,23 a 15,23 a

Cuadro 42.9. Separación de medias según Tukey al 0,05


para los niveles de fósforo

Factor B Media Grupo M Ord Q RSQ LIS Rango


B1 16,25 a 16,25 3,2 1,091 14,83 a
B2 15,26 a 15,26 a

Cuadro 42.10. Separación de medias según Tukey al 0,05


para los niveles de materia orgánica

Factor C Media Grupo M Ord Q RSQ LIS Rango


C1 15,31 a 16,198 2,96 1,371 14,83 a
C2 16,20 a 15,313 a

70
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 42.11. Separación de medias para


la interacción dosis de nitrógeno por dosis de fósforo

INT AB Media Grupo M Ord Q RSQ LIS Rango


A1B1 16,56 ab 17,19 5,02 1,711 15,47 a
A1B2 14,84 c 16,56 4,76 1,623 14,94 ab
A2B1 17,19 a 15,47 4,42 1,507 13,96 abc
A2B2 15,47 abc 15,47 3,95 1,346 14,12 abc
A3B1 15,00 bc 15,00 3,2 1,091 13,91 bc
A3B2 15,47 abc 14,84 c

Cuadro 42.12. Separación de medias para la interacción


dosis de nitrógeno por niveles de MO

Int AC Media Grupo M Ord Q RSQ LIS Rango


A1C1 15,31 ab 16,72 4,37 2,023 14,70 a
A1C2 16,09 ab 16,09 4,17 1,931 14,16 ab
A2C1 15,94 ab 15,94 3,9 1,806 14,13 ab
A2C2 16,72 a 15,78 3,53 1,635 14,15 ab
A3C1 14,69 b 15,31 2,96 1,371 13,94 ab
A3C2 15,78 ab 14,69 b

Cuadro 42.13. Separación de medias para la interacción


dosis de fósforo por niveles de MO

Int BC Media Grupo M Ord Q RSQ LIS Rango


B1C1 15,52 ab 16,98 3,9 1,806 15,17 a
B1C2 16,98 c 15,52 3,53 1,635 13,89 ab
B2C1 15,10 b 15,42 2,96 1,371 14,05 ab
B2C2 15,42 ab 15,10 b

71
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Cuadro 42.14. Separación de medias para la interacción


dosis de fósforo por niveles de MO

INT ABC Media Grupo M Ord Q RSQ LIS Rango


A1B1C1 15,00 a 18,13 5,1 2,362 15,76 a
A1B1C2 18,13 a 17,19 5,01 2,32 14,87 ab
A1B2C1 15,63 a 17,19 4,92 2,278 14,91 ab
A1B2C2 14,06 a 16,25 4,81 2,227 14,02 abc
A2B1C1 17,19 a 15,94 4,68 2,167 13,77 bcd
A2B1C2 17,19 a 15,63 4,54 2,102 13,52 bcd
A2B2C1 14,69 a 15,63 4,37 2,023 13,60 bcd
A2B2C2 16,25 a 15,00 4,17 1,913 13,07 cd
A3B1C1 14,38 a 15,00 3,9 1,806 13,19 cd
A3B1C2 15,63 a 14,69 3,53 1,635 13,05 cd
A3B2C1 15,00 a 14,38 2,96 1,371 13,00 cd
A3B2C2 15,94 a 14,06 d

Cuadro 42.15. Separación de medias para la interacción dosis


de fósforo por niveles de MO incluidos los testigos satelitales

INT ABC Media Grupo M Ord Q RSQ LIS Rango


A1B1C1 15,00 ab 18,13 5,05 6,291 11,83 a
A1B1C2 18,13 a 17,19 4,98 6,204 10,98 a
A1B2C1 15,63 ab 17,19 4,91 6,116 11,07 a
A1B2C2 14,06 ab 16,25 4,82 6,004 10,25 ab
A2B1C1 17,19 a 15,94 4,74 5,905 10,03 ab
A2B1C2 17,19 a 15,63 4,63 5,768 9,857 ab
A2B2C1 14,69 ab 15,63 4,52 5,631 9,994 ab
A2B2C2 16,25 ab 15,00 4,39 5,469 9,531 ab
A3B1C1 14,38 ab 15,00 4,23 5,269 9,731 ab
A3B1C2 15,63 ab 14,69 4,04 5,033 9,655 ab
A3B2C1 15,00 ab 14,38 3,79 4,721 9,654 ab
A3B2C2 15,94 ab 14,06 3,44 4,285 9,777 ab
Ta 10,94 b 10,94 2,86 3,563 7,375 b
Ts 5,00 c 5,00 c

72
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Ejercicios de refuerzo

Altura de la papa (cm) al inicio de la floración en el niveles de abono


químico y orgánico (DBCA).

Factor Factor Factor


Suma Media
A B C II III IV
A1 B1 C1 38,03 39,12 40,71 156,05 39,01
A1 B2 C2 45,08 36,67 32,92 154,75 38,69
A1 B1 C1 28,54 35,72 36,23 140,28 35,07
A1 B2 C2 44,28 31,50 34,08 142,50 35,63
A2 B1 C1 44,83 37,78 37,18 161,42 40,36
A2 B2 C2 53,87 30,91 41,24 168,34 42,09
A2 B1 C1 43,72 27,51 39,59 147,92 36,98
A2 B2 C2 47,63 37,09 34,39 153,71 38,43
A3 B1 C1 42,12 38,69 31,22 153,83 38,46
A3 B2 C2 41,47 31,64 36,93 153,82 38,46
A3 B1 C1 47,83 37,90 32,60 160,95 40,24
A3 B2 C2 37,90 37,62 35,42 154,44 38,61
Testigo agricultor 36,68 27,44 28,60 126,08 31,52
Testigo absoluto 33,05 31,64 26,91 124,63 31,16
Fuente: Arcos, 2009

73
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Rendimiento en tubérculos expresada en t/ha en Calshi, al aplicar


diferentes niveles de abono químico y orgánico (DBCA).

Factor Factor Factor Repeticiones


Suma Media
A B C I II III IV
A1 B1 C1 19,38 19,38 16,88 18,75 74,38 18,59
A1 B2 C2 18,75 18,75 21,25 22,50 81,25 20,31
A1 B1 C1 25,00 20,00 15,00 25,00 85,00 21,35
A1 B2 C2 19,38 19,38 18,75 16,25 73,75 18,44
A2 B1 C1 19,38 21,25 17,50 17,50 75,63 18,91
A2 B2 C2 21,25 20,00 13,75 19,38 74,38 19,59
A2 B1 C1 20,00 20,00 18,75 18,75 77,50 19,38
A2 B2 C2 21,25 18,13 20,00 20,00 82,50 20,63
A3 B1 C1 24,38 22,50 19,38 19,38 88,13 22,03
A3 B2 C2 18,13 22,50 18,75 18,75 75,63 18,91
A3 B1 C1 23,13 20,00 17,50 17,50 80,00 20,00
A3 B2 C2 21,25 22,50 18,75 18,75 81,88 20,47
Testigo agricultor 17,50 18,75 16,25 16,25 73,13 18,28
Testigo absoluto 8,75 8,75 7,50 7,50 35,00 8,75
Fuente: Arcos, 2009

74
CAPÍTULO VII
ANÁLISIS DE CORRELACIÓN
Y REGRESIÓN MÚLTIPLE

Nunca evites los obstáculos.


enfréntalos, y luego ellos
te sirven de peldaños
para alcanzar el éxito.
(Sabiduría popular)
ANÁLISIS DE CORRELACIÓN Y REGRESIÓN

Frecuentemente estamos interesados en la relación entre una variable


dependiente y más de una variable independiente. La ley de la oferta y la de-
manda, por ejemplo, implica una relación entre precio (una variable dependien-
te) y dos variables independientes (oferta y demanda). En ganadería podemos
interesarnos por el aumento de peso en relación con los diversos componentes
de la alimentación. Tratándose de cultivos, podemos desear estudiar el efecto
de los niveles de N, P y K. En el área de salud y nutrición, pueden relacionarse
las variables nivel socioeconómico con ingesta calórico-proteica para medir el
estado nutricional de un grupo de niños; etc. (Pazmiño, 2007).
La regresión desde el punto de vista textual significa regresar o hacer
un análisis desde el punto de vista de la relación entre dos variables o de
dependencia de una variable con respecto a otra.
Partiendo de lo empírico, el desarrollo corporal de un individuo de-
pende de la alimentación, la calidad de alimentación, la disponibilidad de
recursos, entre otros factores; por tanto existe dependencia, pero esta re-
gresión se mide en función de un coeficiente denominado correlación que
tantea el grado de asociación o estrechez entre dos variables.
Escuchar los términos de regresión y correlación puede ser complicado
(Little y Hill, 1976), pero las ideas básicas implicadas en los mismos son tan
sencillas que las utilizan todos en sus conversaciones diarias como suele de-
cirse con frecuencia: cuanto más haya, mejor; así como viene, se va; a mucha
prisa, poca velocidad; los buenos regalos vienen en estuches pequeños.
La idea de correlación no se limita solamente a estas sentencias. Re-
cordemos las relaciones entre dos variables; por citar, la cantidad de alimento
consumido relacionada con la ganancia de peso; la tendencia de dos variables a
estar relacionadas en una forma definida, en realidad la idea puede extenderse
a más de dos variables, como la producción de leche está en relación de la raza,
la alimentación, el estado fisiológico, etc. Estas ideas son bastante complejas y,
por estar inmiscuidas a este ejemplo, únicamente hablaremos de dos variables.
Muchos problemas de investigación tienen interés especial en conocer
el grado de relación que existe entre dos o más variables (González, 1985).

77
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Así podemos citar el grado de asociación entre el tiempo y el desarrollo de


individuos, la dosis de fertilizantes y el rendimiento productivo, la edad y el
coeficiente intelectual de un individuo.
En experimentos agrícolas podemos mencionar que el rendimiento de
un cultivo depende de la altura de la planta, el número de hojas, la resistencia a
enfermedades, porcentaje de floración, etc. En experimentos pecuarios, se puede
señalar que el peso de los animales depende de: la altura del animal, consumo de
alimento, nivel de elementos disponibles en la alimentación, peso al nacimiento,
peso al destete, etc. En agroindustrias, se pueden citar los rendimientos de va-
riables cuantitativas y cualitativas en función de la adición de niveles de materias
primas no tradicionales; o la acción de la temperatura de cocción sobre la calidad
organoléptica del producto; etc., de esta forma hemos citado variables indepen-
dientes y dependientes, que deben analizarse posteriormente.
En sí, la correlación mide el grado de la intensidad de asociación entre
dos variables o el grado en que dos variables cambian una con respecto a la otra.
Los valores de correlación (r) varían de -1 a +1, cuando existe una
relación perfecta negativa y positiva respectivamente, entonces decimos
que existe relación directa o inversamente proporcional. Cuando no existe
relación alguna entre las variables, r = 0; en la práctica, los valores se distri-
buyen entre dos extremos y, más bien debemos dudar de un valor de r = 0,
así como de un valor r = 1,00.
El diagrama de dispersión (Little y Hill, 1976) puede analizar gráfi-
camente el coeficiente de correlación, o dispersograma, dentro de los ejes X,
Y dando una idea del grado de asociación entre las variables. Cada valor de
X, en el eje de las abscisas, corresponde uno de Y, en el eje de las ordenadas,
ubicándose en esta forma el punto, dentro de los ejes de coordenadas.

Diagrama 2. Dispersión de correlación simple

r=0 r=1 r = -1

78
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Como podemos observar, en el primer caso, cuando la correlación es


pequeña, r se aproxima a cero, es decir no existe relación entre las variables.
Al centro se puede ver una relación positiva estrecha que, teóricamente
es cercano a 1 y, en el tercer caso, una relación negativa en la que r = -1 o
cercana a -1. En todo caso, es necesario alertar sobre los registros de valores
de r igual o cercano a 1, ya que puede ser erróneo acusar a una sola variable
el 100% de influencia, dado que todos los fenómenos biológicos tienen la
explicación en varios factores o variables.
A pesar de lo mostrado, puede ser comprometido e inflexible tratar de in-
terpretar visualmente un valor de correlación, puesto que si no se escoge escalas
apropiadas para los ejes de las X y de las Y, la simple expectación puede indicar una
conclusión falsa o esconder una verdadera. El primer caso sería el de un vendedor
que, para impresionar al público, presenta una línea ascendente pronunciada, que
representa el volumen de ventas, la cual no guarda relación con la proporción real.
Para evitar conclusiones falsas, el investigador debe indicar, junto con el diagrama
de dispersión de los tratamientos, el valor de la desviación típica y el valor de r.

Coeficiente de correlación (R)

El coeficiente de correlación, en forma general, mide la relación de


dos variables en alguna forma definida.
Cuando se trata de intuir el grado de relación entre dos variables, se
calcula el coeficiente de determinación (r2 x 100), que determina el por-
centaje de asociación entre las variables. Es decir que el valor revela el por-
centaje de dependencia de Y por efecto de X; el resto de esa variación se
debe atribuir a otros aspectos que no fueron contemplados en el estudio.
Para dos variables (correlación simple), la raíz cuadrada del coeficiente de
determinación es lo que se llama coeficiente de correlación r, el cual está dado por:

(∑x)(∑y)
∑xy -
n
r=

[ ∑x2 -
(∑x)2
n [[ ∑y2 - [
(∑y)2
n

79
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

O sea que r es el coeficiente de dividir la suma de productos XY


[SPXY ), sobre la raíz cuadrada de la suma de cuadrados de X [SCX] por
la suma de cuadrado de Y [SCY ]. Entonces, la fórmula anterior equival-
dría a:

SPXY
r=
SCX . SCY

Propiedades del coeficiente de correlación

• r es independiente del origen de las variables; indica, más bien,


la consistencia del cambio: no importa si comparamos libras
con toneladas, libras con centímetros, etc.
• Es independiente de la escala.
• Es independiente del número de medidas, aún cuando general-
mente se considera que son necesarios por lo menos 20 pares
para tener confianza en un valor de r significativo.
• Las variables deben ser apareadas por alguna razón lógica
• Las muestras deben ser tomadas al azar.
• Correlación espuria es una condición en que las variables no
están casualmente relacionadas entre sí, sino más bien, lo están
en una tercera.
• Se debe tener mucho cuidado al inferir causa y efecto de un
coeficiente de correlación significativo.

Con relación al último criterio, debe añadirse que, de todas las medidas
estadísticas, el coeficiente de correlación es la que está más sujeta a ser mal ex-
plicada. Esto se debe a la suposición frecuentemente errónea de que por cuanto
dos variables tienen relación, el cambio de una de ellas ocasiona un cambio en
la otra. Así, muchas veces podemos usar un coeficiente de correlación significa-
tivo para probar una relación de causa efecto, que puede no existir.
Little y Hill (1976) refiere que se ha demostrado que existe una co-
rrelación negativa entre el hábito de fumar y la obtención de buenas cali-

80
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

ficaciones. Si uno no fuma, podría usar este hecho como evidencia de que
fumar es nocivo, de que fumar causa o se refleja en la obtención de notas
bajas. Esto puede ser cierto, pero lo fumadores podrían argüir que el obte-
ner bajas calificaciones causa tensión nerviosa, lo cual, a su vez, estimula al
estudiante a fumar más. Podría suceder también que fumar y obtener malas
notas no estén directamente relacionadas entre sí, pero se hallan correla-
cionadas porque los dos hechos tiene relación con un tercer factor, tal vez
el grado en que el individuo se dedica a actividades sociales o que no tenga
que ver con el estudio. Esto es justamente lo que se conoce como correla-
ción espuria (González, 1985).
Finalmente hay que anotar que, debido a la variación en las muestras,
podemos obtener una correlación significativa aun cuando las variables no
estén relacionadas; esto puede ser controlado seleccionando el nivel de sig-
nificancia.
Cuando hay significancia, se atribuye que existe relación significativa
entre variables, o sea que existe relación entre la variable dependiente y la
independiente. Es preciso comparar el valor calculado de t-Student, por
ejemplo, con los valores P<0,05 y P<0,01; si el valor calculado es mayor
que estos, se dice que existe relación significativa entre las variables; caso
contrario, no existe relación significativa.
La correlación entre dos variables, pasando por alto cualquiera otra
que puede variar simultáneamente, recibe el nombre de correlación simple
o total.
En la correlación múltiple, cuando una o más variables permanecen
fijas a un nivel constante, se denomina correlación parcial.
La relación combinada entre una variable y dos o más variables que
varía simultáneamente recibe el nombre de correlación múltiple; todas estas
serán parte de nuestro estudio.
Asumamos que tenemos una variable dependiente Y. Para cada valor
de Y, existen valores correspondientes de otras dos variables X1 y X2.
La correlación simple o total entre Y y X1 es el coeficiente de corre-
lación lineal que estudiamos en las lecciones anteriores y ratificamos que su
fórmula de cálculo es:

81
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

SPxy
r=
SCx . SCy

( (
2
SPXY (SPxy)2
r2 = =
SCx * SCy SCx * SCy

Correlación y determinación simples (Pazmiño, 2007)

Para demostrar que esta es la correlación simple de Y en función de


X, es usual incluir subíndices explicativos de modo que escribimos la fór-
mula de la siguiente manera:

(SPx1y)2
r yx =
2
1
SCx1 * SCy

Análogamente para la relación entre Y y X2, será:

(SPx2y)2
r yx =
2
2
SCx2 * SCy

Finalmente, para luego calcular la correlación parcial y múltiple, ne-


cesitamos la tercera correlación simple entre X1 y X2:

(SPx1x2)2
rx x =
2
1 2
SCx1 * SCx2

82
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Los coeficientes de correlación simples los obtendremos extrayendo


la raíz cuadrada de los coeficientes de determinación.
La correlación parcial:

(ryx1 - ryx2 * rx1x2 )2


r2yx x =
1 2
(1- r2yx1 )(1- r2x1x2 )

Análogamente tendremos:

(ryx2 - ryx1 * rx1x2 )2


r yx x =
2
2 1
(1- r2yx1 )(1- r2x1x2 )

Coeficiente de correlación múltiple (Pazmiño, 2007)

El coeficiente de correlación múltiple, denotado por Ry.x1 x2 mide el


grado de asociación o relación entre X1, X2 con Y. Esto se obtiene al extraer
la raíz cuadrada de la expresión:

(r2yx1 + r2yx2 -2ryx1 ryx2 rx1x2 )


r yx x =
2
1 2
1- r2x1x2

Nótese que la adición de solo una variable más, incrementa la compleji-


dad de la correlación. Con dos variables X y Y, solo teníamos un coeficiente de
correlación. Con tres variables X1, X2 y Y, tenemos tres coeficientes de correla-
ción simple, tres de correlación parcial y un coeficiente de correlación múltiple.

Con 2 variables ..................... 1 coeficiente de correlación


Con 3 variables ..................... 7 coeficientes de correlación
Con 4 variables ..................... 25 coeficientes de correlación
Con 5 variables ..................... 81 coeficientes de correlación
Fuente: Little y Hill, 1976

83
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

El problema de visualizar una relación de tres variables es también


mucho más difícil que cuando se tienen dos variables. En el caso de dos
variables, podemos representar las observaciones sobre un gráfico bidimen-
sional. La relación se describe sobre una recta de regresión y con muchas
observaciones, el diagrama de dispersión de los puntos aparece como una
elipse. Cuanto más sea la elipse, mayor será la correlación. Con tres varia-
bles la relación debe describirse como un plano en el espacio tridimensio-
nal. La dispersión de los puntos alrededor de este plano tendrá la forma
de un elipsoide. La proyección del elipsoide sobre el plano X1Y muestra la
correlación simple de X1 y Y. Una sección a través del elipsoide paralelo al
plano X1Y, proyectado sobre el mismo, mostrará la correlación parcial de X1
con X2 fija, denotando ryx1.x2.
En el siguiente gráfico, se muestran diversas situaciones. Nótese que
la correlación simple puede ser baja, pero la correlación parcial puede ser
alta o viceversa. Pueden incluso ser diferentes en signo o tendencia.

Diagrama 3. Diversas combinaciones de correlaciones parcial y total,


considerando tres variables

- x2 - 5
- x2 - 4
- x2 - 5 - x2 - 5
- x2 - 3
- x2 - 4
- x2 - 4
- x2 - 2
- x2 - 3
- x2 - 3
- x2 - 1 - x2 - 2
- x2 - 2
- x2 - 1
- x2 - 1

Parcial positiva alta Parcial positiva baja Parcial negativa media


Total positiva baja Total positiva alta Total positiva media

Fuente: Little y Hill, 1976

84
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

El coeficiente de correlación múltiple (R) muestra cuán estrecha-


mente los puntos de la elipsoide están agrupados alrededor del plano de
regresión. El valor de (R) es siempre positivo, fluctuando entre 0 (cero) y
1 (uno); además, este es siempre cuando menos tan grande como el mayor
de los coeficientes simples y parciales. Este hecho sirve como una buena
comprobación de los cálculos.

Regresión

Los modelos de regresión estudian la relación estocástica cuanti-


tativa entre una variable de interés y un conjunto de variables explicati-
vas. Estos modelos son muy utilizados y su estudio conforma un área de
investigación clásica dentro de la disciplina de la Estadística desde hace
muchos años.
Cuando se estudia la relación entre una variable de interés, variable
respuesta o variable dependiente Y y un conjunto de variables regresoras
(explicativas, independientes) X1, X2, ..., Xk , pueden darse las siguientes
situaciones:
Existe una relación funcional entre ellas, en el sentido de que el co-
nocimiento de las variables regresoras determina completamente el valor
que toma la variable respuesta. Esto es, Y = m(X1, X2, ..., Xk).
Ejemplo: la relación que existe entre el tiempo (Y ) que tarda un mó-
vil en recorrer una distancia (X) a velocidad constante. No existe ninguna
relación entre la variable respuesta y las variables regresoras, en el sentido
de que el conocimiento de estas no proporciona ninguna información sobre
el comportamiento de la otra.
Ejemplo: la relación que existe entre la altura (X) y el dinero (Y ) que
gana una persona adulta.
En el caso intermedio, existe una relación estocástica entre la variable
respuesta y las variables regresoras, en el sentido de que el conocimiento de
estas permite predecir con mayor o menor exactitud el valor de la variable
respuesta. Por tanto, siguen un modelo de la forma, Y = m(X1, X2, ..., Xk) + ε,
siendo m la función de regresión desconocida y ε, una variable aleatoria de
media cero (el error de observación).

85
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Las relaciones estocásticas son las que ocurren en la mayoría de las


situaciones y su estudio corresponde con los denominados modelos de re-
gresión.
El objetivo básico en el estudio de un modelo de regresión es el de
estimar la función de regresión, m, y el modelo probabilístico que sigue el
error aleatorio ε. Esto es estimar la función de distribución Fε de la varia-
ble de error. La estimación de ambas funciones se hace a partir del cono-
cimiento de una muestra de las variables en estudio, {((X1, i, X2, i,..., Xk, i)
,Yi) : i = 1 , 2 , ..., n}
Una vez estimadas estas funciones, se tiene conocimiento de:
La relación funcional de la variable respuesta con las variables regre-
soras, dada por la función de regresión que se define como sigue,

m(x1,...,xk) = E(Y/X1 = x1, ... , xk = xk).

Esto permite tener una idea general del comportamiento de la varia-


ble respuesta en función de las regresoras.
Se puede estimar y predecir el valor de la variable respuesta de un
individuo del que se conocen los valores de las variables regresoras. Esto
es, de un individuo t se sabe que X1 = x1,t , ..., Xk = xk,t , entonces se puede
predecir el valor de Yt y calcular un intervalo de predicción del mismo.
En el campo de la investigación, frecuentemente se encuentra la de-
pendencia entre dos variables. Así decimos que existe relación entre la can-
tidad de fertilizante aplicado y el rendimiento de cultivos, entre la cantidad
de proteína y el rendimiento de los animales, la altitud sobre el nivel del
mar y la incidencia del síndrome ascítico en aves, la altura de un individuo
y su peso, etc.
El coeficiente de correlación determina la intensidad de asociación
entre dos variables, pero nada nos dice sobre la gradiente de la línea de
asociación, ni tiene la capacidad de precisión.
La regresión es el cambio que se da de una variable asociada a un
cambio único de otra variable. Esta opinión es susceptible de crítica; en
nuestro ámbito, el propósito es puntualizar la principal distinción entre
correlación y regresión.

86
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Como es el caso del diagrama de dispersión o dispersograma, y co-


rrelación, estos valores se disponen dentro de los ejes de coordenadas, el
dispersograma puede surgir: si existe una relación lineal.
Rendimiento

Distancia entre surcos

En estadística, no nos contentamos con la apreciación visual del dis-


persograma, sino que tratamos de encontrar ecuaciones que describan di-
chas curvas de respuesta, lo que se llama ajuste de curvas de respuestas.
Pero además de determinar la función matemática que nos diga de
qué manera están relacionadas las variables, o sea que nos dé la mejor re-
lación funcional entre ellas Y = f (x), es de interés saber con qué precisión
se puede predecir el valor de una variable, si se conoce los valores de otra.
Puede tener interés tratar de predecir valores futuros (extrapolación) como
la producción de frutos, accidentes automovilísticos, posibles ingresos de
estudiantes, producción para satisfacer una demanda de un producto, can-
tidad de alimento para mantener un criadero de animales, entre otras, pue-
de ser posible observar el valor X e imposible o poco práctico, observar el
valor correspondiente de Y pronosticado.
Sin embargo, es necesario advertir que simplemente sobre la base de
nuestra hipótesis de que existe dependencia de Y en X, y por haber seguido
el procedimiento mecánico de cálculo, no se debe concluir automáticamen-
te que existe relación causal entre X y Y. Solo el estudioso, con conocimien-
to cabal del material y la forma como se llevó a cabo el experimento, está en
capacidad de tomar esa decisión.
Si bien el término regresión no describe, dentro de la estadística, los
usos que tiene, su empleo es de origen histórico (Galton, 1986). La teo-

87
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

ría explica la relación entre la estatura de los padres y la de los hijos. Sin
embargo, Galton (1886) encontró que la altura promedio de los hijos de
matrimonios altos, no era tan grande como la de estos, ni que los hijos de
parejas de baja estatura eran pequeños como sus padres. Galton (1886)
concluyó que parecía existir una tendencia del carácter altura, al acercarse
a los valores promedios de la población; es decir una regresión hacia los
valores promedios.
Resumiendo, podemos decir que el uso de la regresión en estadística,
puede ser:

• Determinar si la variable dependiente Y está en función de X;


es decir, nos da la medida de la proporción de cambio de Y, por
unidad de cambio en X.
• Conocidos los valores de la variable independiente X, predecir
valores de Y, desconocidos en ese momento.
• Estudiar la forma de la curva de regresión: ¿es lineal?, ¿no lineal
o curvilineal?
• Algunos investigadores pueden estar interesados en determi-
nar el error en Y, dentro de un experimento, después de hacer
los ajustes del efecto que puede tener X en Y.
• Un investigador puede postular su teoría sobre causa y efecto:
para probarla, puede usar varios métodos de regresión.

Ecuación de la línea recta

Partiendo de geometría analítica, la línea recta es el espacio que com-


prende entre dos puntos. Desde este punto de vista, interviene un término
denominado espacio o distancia; si tratamos de definir este término, vere-
mos que cualquier explicación devuelve al punto de partida. Por esto, los
tratados superiores de geometría analítica, construidos sobre bases axio-
máticas, admiten la existencia de la línea recta como un postulado (Leh-
man, 1994). Admite la definición de línea recta basada en el concepto de
pendiente.

88
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Dentro del dispersograma, las observaciones se sitúan alrededor de la


línea recta (respuesta lineal); podemos determinar por geometría analítica,
la ecuación de esa línea recta:

Y - y = b(X - x)

Y - y - bX + bx

Y = y - bx + bX

a = y - bx

Y = a + bX (relación - funcional)

Donde:

Y : (valor predicho o estimada de la variable dependiente)


X : valor de la variable independiente para estimar Y
y : media de Y
x : media de X
b = coeficiente de regresión
a = intercepto

Diagrama 4. Ecuación y trazado de la línea recta

Y = a + bX

bUnid.

1 unid. X
a
X

89
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

De la figura se desprende que, cuando X = 0, Y = a, es decir que es el


punto donde la línea recta corta al eje Y, o sea el intercepto de Y cuando y
= a, x = 0 pasa por el punto de origen (0, a)
El cambio de una unidad en el eje de las X provoca un cambio b en el
eje de las Y, de tal manera que b mide la gradiente de la línea de regresión.
Cuando b es positivo, las dos variables aumentan o disminuyen juntas. Tal
sería el caso cuando X es kg de nitrógeno por ha; Y, toneladas de forraje
por ha. Cuando b es negativo, mientras el valor de una variable aumenta, el
de otra disminuye: si X es distancia entre surcos y Y, rendimiento, a mayor
densidad de siembra el rendimiento de forraje tiende a disminuir o, lo que
se suele decir comúnmente, inversamente proporcional.

El método de los cuadrados mínimos

Se ha anotado antes que la cualidad principal de establecer un valor


de regresión consiste en poder predecir resultados de Y cuando solo se
conoce el de X. Sin embargo, estos parámetros no se pueden determinar
sin error, debido a que los valores observados de la variable dependiente no
siempre coinciden con los valores esperados.
Cuando se traza líneas de regresión, es necesario ser objetivo al tratar
de ajustar una serie de valores a esas líneas de regresión. Para ello se debe
escoger la línea de mejor ajuste de estos datos.
Como se ilustra en la figura anterior, los datos se trazan alrededor del
eje o línea de regresión. Se dice que esta línea de regresión es la que mejor se
ajusta a los datos. Este criterio de mejor se refiere a los cuadrados mínimos,
de acuerdo a los cuales la suma de cuadrados de las desviaciones de los puntos
observados con respecto a la línea de regresión debe ser un mínimo. En otras
palabras, si se trazara otra línea de regresión, la suma de cuadrados de las
desviaciones de los puntos observados tendrá un valor más grande.
Sin embargo, se puede apreciar, desde el punto de vista del coeficien-
te de correlación, cuando la distribución de los valores se acercan más a la
función lineal o de tendencia lineal, el coeficiente de correlación se acerca
a 1, caso contrario se acerca a cero, lo que significa que no se ajusta a la
regresión lineal sino a una curvilineal.

90
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Propiedades o suposiciones de la regresión lineal

El ámbito de la regresión lineal tiene las siguientes propiedades:

• Los puntos x y y , están situados sobre la línea de regresión.


• La suma de las desviaciones de y de la línea de regresión es
igual a cero.
• La suma de los cuadrados de las desviaciones es un mínimo.
Es decir, si reemplazamos la línea de regresión calculada de
cualquier otra línea, la suma de cuadrados del nuevo grupo de
desviaciones será un valor más grande.

En lo posible, las variables independientes (X) deben ser iguales o con-


venientemente espaciadas, a fin de tener mayor eficiencia en la conducción del
experimento y en la explicación de los valores: niveles de utilización, relaciones
energía/proteína, temperatura, distancia entre siembra, dosis de herbicida, etc.
Cuando supone que existe una varianza común, se puede usar el cua-
drado medio del error, para obtener inferencias válidas sobre la media de una
población, sin tomar en cuenta el valor de X. Si las varianzas no son homo-
géneas, es necesario transformar los datos, a fin de homogenizar las varianzas.
Tal sería el caso de contajes de insectos o daños causados por ellos; en las
varianzas, se ajustan a la distribución de Poisson y no a la normal.

Ecuación de regresión curvilineal

Considerando el caso general, se tendrá:

Y = b0 + b1X + b2X2 + b3X3 + ... + bpXp



Donde p representa el grado de la ecuación

Los valores numéricos de los coeficientes de esta ecuación deben ser tales
que la suma de los cuadrados de los desvíos de la regresión ∑(Yi - Y)2 = E un
mínimo; así:

91
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

n
E = ∑ (Yi - b0 -b1X - .... - bpXp)2 (2)
i=1

Para encontrar los valores de b0, B1, ..., bp que satisfacen la condición
impuesta, se calculan las desviaciones parciales de E con respecto a bi y se
las iguala a cero.

δE n
= -2 ∑ (Yi - b0 -b1X - .... - bpXp) = 0
δE0 1

δE 1
= -2 ∑ (Yi - b0 -b1X - .... - bpXp) = 0 (3)
δE1 1

δE 1
= -2 ∑ (Yi - b0 -b1X - .... - bpXp)2 = 0
δE1+1 1

δE 1
= -2 ∑ (Yi - b0 -b1X - .... - bpXp) = 0
δEp 1

Trasponiendo términos se tiene el sistema de ecuaciones con (p + 1)


incógnitas.

b0n + b1∑X + ... + bp∑ Xp = ∑Yi

b0∑X + b1∑X2 + ... + bp∑ Xp+1 = ∑YiX


(4)
b0∑X + b1∑X + ... + bp∑ X
2 3 p+2
= ∑YiX 2

b0∑Xp + b1∑Xp + 1 + ... + bp∑ X2p = ∑YiXp

92
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

En la ecuación:

Y = b0 + b1X + b2x2 (5)

Los valores de los coeficientes b0, b1 y b2 se obtienen resolviendo el


siguiente sistema de ecuaciones:

b0n + b1∑X + b2∑ X2 = ∑Yi

b0∑X + b1∑X2 + b2∑ X3 = ∑YiX2

b0∑X2 + b1∑X3 + b2∑ X4 = ∑YiX3 (6)

Despejando b0, se obtiene:

b0 = Y - b1X1 - b2(∑X)2 / n (7)

Operando con las sumas de los mínimos cuadrados de los desvíos de


las medias resulta:

b1∑(X - X)2 + b2∑(X - X)3 = ∑ (X - X)(Y - Y)

b1∑(X - X)3 + b2∑(X - X)4 = ∑ (X - X)2(Y - Y) (8)

Los valores de b1 y b2 se encuentran resolviendo simultáneamente


este sistema de ecuaciones.

Coeficientes de regresión

Se desea conocer además la naturaleza de las relaciones. ¿Qué cambio


de Y está asociado con cambios unitarios de las variables independientes?
Para conocer esta pregunta, necesitamos una ecuación de la forma:

93
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Y = a + b1X1 + b2X2 + .... + bnXn

Los términos b1 y b2, reciben el nombre de coeficientes de regresión


parcial. La ecuación mejor ajustada de esta forma será aquella que haga
mínima la suma de cuadrados de las desviaciones de las Y observadas y de
las Y estimadas. Para encontrar los valores de a, b1 y b2 que cumplirán este
requerimiento, resolvemos ecuaciones normales muy similares a aquellas
que resolvimos para la regresión curvilineal:

b1SCX + b2SCX1X2 = SPX1Y

b1SCX1X2 + b2SCX2 = SPX2Y

Resolviendo estas ecuaciones para las b, obtenemos una ecuación de


regresión de la forma:

Y = b1X1 + b2X2 + .... + bnXn

Si deseamos una ecuación en términos de las observaciones origina-


les, debemos calcular

a = Y - b1X1 - b2X2 - ... - bnXn ;

Entonces,

Y = a + b1X1 + b2X2 + ... + bnXn

Ejemplo:

La movilidad electroforética de las partículas de una arcilla en un


electrolito (μ/seg/volt/cm) se explica así cuando presenta una alta depen-
dencia del pH del coloide, con un coeficiente de determinación de R2 =
82,27% y su respuesta se identifica significativamente con la función para-

94
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

bólica de la regresión no linear (Romo, 1983, citado por Pazmiño, 2007),


cuya ecuación puede ser un estimador puntual de la movilidad en función
del pH, al nivel P < 0,01.

Cuadro 43. Resultados del rendimiento en función


de la dosis de fertilizante

X Y
Fungicida Rendimiento
2 3
5 7
4 3
7 9
3 5
9 10
30 37

(∑ Xi)2
SC = ∑ Xi2 -
n

(30)2
SC = (2 + .... + 9 )-
2 2
= 34
6

(∑ Yi)2
SC = ∑ Yi2 -
n

(37)2
SC = (3 + .... + 10 )-
2 2
= 45
6

(∑Xi)(∑Yi)
SP(XY) = ∑XY -
n

95
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

(∑Xi)(∑Yi)
SP(XY) = ∑XY -
n

(30)(37)
SP(XY) = [(2x3) + ... + (9x10)]- = 36
6

36
r= = 0.92
34 * 45

La significancia del coeficiente de correlación r depende del número


de pares de observaciones. Aunque no es una regla, se aduce que a mayor
número de pares de observaciones, mayor es el grado de asociación entre
las variables, puesto que el número de grados de libertad se basa en n – 2,
en lugar de n – 1, como en casos y distribuciones anteriores, pero no es del
todo coherente esta aseveración.
El valor de r tabular debe ser sobrepasado por el valor calculado, para
obtener significación. En nuestro ejemplo, los valores tabulares para 6 – 2
= 4 grados de libertad. A los niveles del 5% y 1% son, 0,811 y 0,917, res-
pectivamente; por cuanto el valor calculado en nuestro ejemplo es de 0,92,
podemos rechazar la hipótesis nula aduciendo que no existe relación entre
variables y aceptar la hipótesis alternativa, en la cual existe relación entre
ellas, más de lo que pudiera atribuirse al azar.

El coeficiente de determinación viene dado por:

r (100) = (0,92)2 x 100 = 84,64%

es decir que el 85% del aumento en rendimiento, se puede atribuir a


la aplicación del fungicida. El resto no se puede explicar.

96
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cálculo del coeficiente de regresión


y de las ecuaciones de regresión

Los pesos promedios de cinco camadas de cerdos y el consumo de


balanceado nos sirven para didactizar el análisis de regresión.

Cuadro 43.1. Datos de peso de lechones


y consumo de balanceado

Peso Consumo Desviación Cuadrados Producto


(X) (Y) X Y x y xy
85 720 +7 +31 49 961 217
75 680 -3 -9 9 81 27
80 700 +2 +11 4 121 22
68 630 -10 -59 100 3481 590
82 715 +4 +26 16 676 104
390 3445 0 0 178 5320 960
78 689
Fuente: González, 1985

∑xy
b=
∑x2

960
b= = 5,39
178

De acuerdo al cálculo, el coeficiente de regresión es de 5,39 lb, lo que


significa que se necesita 5,39 libras de balanceado para ganar una libra de
peso corporal.
Este valor de regresión se ha obtenido mediante la aplicación de la
siguiente fórmula:

97
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

∑(X - x)(Y - y)
bx*y =
∑(X - x)2

SP(xy)
bx*y =
SC(x)

Es decir, la suma de productos (xy) divididos para la suma de cuadra-


dos de x o la variable independiente. Aunque usualmente se usa la siguiente
fórmula:

(∑X)(∑Y)
∑XY -
n
bx*y =
(∑ Y)2
∑ X2 -
n

De cualquiera de las dos formas se puede obtener el coeficiente de


regresión; para una demostración práctica, lo describimos a continuación:

(390)(3445)
[85x720) + ... + (82x715)] -
5
bx*y = = 5.39
(390)2
[852 + ... + 822] -
5

De esta manera asumimos que, para conseguir un aumento de 1 libra


de peso en cerdos, es necesario suministrar 5,39 lb de balanceado.
La ecuación de la regresión se escribiría de la siguiente manera:

Y - y = b(X - x)

Y - 689 = 5,39(X - 78)

98
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Y = 689 + 5,39(X -78)

Y = 689 + 5,39X - 420.42

Y = 268 + 5,39X = a + bX

El intercepto en Y,

∑Y - b ∑X
a=
n

a = y -bx

a = 689 - 5,39(78)

a = 689 - 420,42

a = 268,58

La función de predicción puede apreciarse con el siguiente ejemplo:


Queremos determinar la cantidad de balanceado que consumirá un
grupo de cerdos, cuyo peso promedio es de 90 lb. Como puede verse en el
cuadro, no existe el valor de X = 90. Sin embargo, podemos estimar el valor
correspondiente Y, aplicando la ecuación Y = a + bX .

Y(90) = 268,58 + 5,39(90)

Y(90) = 268,58 + 485,10

Y(90) = 735,68 lb de balanceado

99
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Valores ajustados

Son aquellos que se esperaría si todos los valores de Y tuvieran


un valor promedio de X, o algún otro valor fijo. En el siguiente cuadro,
se presenta los valores ajustados de consumo de balanceado, que serían
aquellos que se esperaría si todos los cerdos tuvieran un peso promedio
de 78 libras.

Cuadro 43.2. Valores de regresión y valores ajustados


de consumo para los datos

Peso Consumo Consumo


Consumo Desviación
corporal estimado dy.x ajustado
(Y) dy.x = (Y - Y)
(X) (Y) 689 + dxy
85 720 726,73 -6,73 45,29 682,27
75 680 672,83 +7,17 51,41 696,17
80 700 699,78 +0,22 0,05 689,22
68 630 635,10 -5,10 26,01 683,90
82 715 710,56 +4,44 19,71 693,44
3445 3445,00 0 142,47 3445,00

Y(85) = 268,58 + 5,39(85) = 726,73

Fuentes de variación en regresión

Tal como se indica ampliamente en el análisis de varianza, es un


procedimiento aritmético que consiste en desdoblar la variación presente.
Para el caso de regresión lineal, la variación total puede desdoblarse en las
siguientes fuentes: debido a regresión (X) y desviación de regresión (resi-
dual).

100
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Cuadro 43.3. Análisis de varianza (ADEVA)


para los valores del cuadro de pesos y consumo de alimento

Fuentes de Suma de Suma de Cuadrado


GL gl Fisher
variación cuadrados cuadrados medio
(∑xy)2
Regresión 1 1 5177,53 5177,53 109,02**
∑x2
Residual n-2 Diferencia 3 142,47 47,49
Total n-1 ∑x2
4 5320,00

(∑xy)2
SC(residuales) = ∑ y2 -
∑x2

(960)2
SC(residuales) = 5320,00 - = 142,47
178

(∑xy)2
SC(X), debido - a - regresión =
∑x2

(960)2
SC(X), debido - a - regresión = = 5177,53
178

La primera prueba de Fisher del ADEVA es una prueba de la hipó-


tesis nula de que el coeficiente de regresión poblacional β = 0, o sea de que
la variación en X no contribuye a la variación en Y.
El valor altamente significativo de F para X (debido a regresión) nos
permite rechazar la H0 y testificar que el peso de los cerdos explica fácil-
mente la variabilidad en la cantidad de balanceado consumida.

101
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Desviación y límites de confianza

Un estimado insesgado de la auténtica varianza en regresión está


dado por el cuadrado medio de la desviación de regresión, con n – 2 grados
de libertad.

(∑xy)2
∑y - 2

∑x2
S2y.x =
n-2

(960)2
5320,200 -
178
S2y.x = = 47,50
3

(960)2
5320,200 -
178
Sy.x = = 6,89
3

La desviación típica de Y para X fija es de 6,89, que no es más que la


raíz cuadrada del cuadrado medio o varianza.
La varianza de un valor estimado de Y = Y + bx, de la media de una
población; está dada por la suma de variaciones de Y y bx, es así,

S2y.x [ 1 (X - x)2
n
+
∑x2 [
Esta varianza aumenta conforme X aumenta. Para establecer los
límites de confianza para una media estimada, al nivel del 95%, se ten-
dría:

102
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

1 (X - x)2
LC(Y) = y ± t0,05Sy*x +
n ∑x2

El valor pata t0,05 con n – 2 g de l.; en el ejemplo de los cerdos, los


límites de confianza para X = 90, son:

1 (90 - x78)2
LC(Y) = 689 + 5,39(90 - 78) ± 3,182(6,89) + = 731,76 y 775,60
5 178

A veces, es necesario determinar los límites de confianza para β, el


parámetro estimado por b. Para ello usamos:

S2y.x t0,05Sy.x
S =
b
2
, dentro de la ecuación b ± en el ejemplo,
∑x2 ∑x2

3,182(6,89)
5,39± = 3,775 y 7,03, concluimos que β se encuentra entre 3,75
178

y 7,03 lb de balanceado por libra de peso corporal de los cerdos, con un


95% de seguridad de estar en lo cierto.

103
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Ejercicio de ajuste

Para demostrar el tema, se ejemplifica con el siguiente ejercicio:

Cuadro 44. El peso del maíz está en función de la altura


de la planta (Sotto, 2006)

X Y (X - x) (Y -y) x y xy
247,00 1235,00 4,30 20,70 18,49 428,49 89,01
250,00 1250,00 7,30 35,70 53,29 1274,49 260,61
235,00 1175,00 -7,70 -39,30 59,29 1544,49 302,61
242,00 1210,00 -0,70 -4,30 0,49 18,49 3,01
227,00 1135,00 -15,70 -79,30 246,49 6288,49 1245,01
236,00 1178,00 -6,70 -36,30 44,89 1317,69 243,21
261,00 1316,00 18,30 101,70 334,89 10342,89 1861,11
270,00 1356,00 27,30 141,70 745,29 20078,89 3868,41
234,00 1168,00 -8,70 -46,30 75,69 2143,69 402,81
225,00 1120,00 -17,70 -94,30 313,29 8892,49 1669,11
∑ 1892,10 52330,10 9944,90
X Altura de la planta (cm)
Y Peso de la planta (g)

(247 - 242,7) = 4,30

(247 - 242,7)2 = 18,49

∑x2 = ∑(X - x)2

∑x2 = 18,49 + .... + 313,29 = 1892,10

y = (1235 - 1214,30) = 20,70

y2 = (1235 - 1214,30)2 = 428,49

104
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

∑y2 = ∑(X - y)2

∑y2 = 428,49 + .... + 8892,49 = 5233,10

∑xy = ∑[(247 - 242,7)(1235 - 1235 - 1214,30) + .... + (225 - 242,7)(1120 - 1214,30)]


= 9944,90

∑xy
r=
∑x2 * ∑y2

9944,90
r= = 0,999
1892,10 * 52330,10

Según el coeficiente de regresión, se puede decir que existe un alto


grado de asociación entre las variables altura de la planta y el peso de la
misma; por tanto, corresponde a la regresión ya que además nos indica el
grado de dispersión de los valores en la línea recta que es mínima.

∑xy
b=
∑x2

9944,90
b= = 5,256
1892,10

De acuerdo al coeficiente de regresión, se puede deducir que por cada


unidad de incremento en X, se incrementa 5,256 unidades en Y; de otra
manera, por cada cm de altura de la planta de maíz se espera un incremento
de 5,256 gramos de peso en las plantas.

a = y - bx

a = 1214,30 - 5,256 * 242,7 = -61,33

105
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

De acuerdo a lo mencionado en la teoría, el punto -61,33 se encuen-


tra en el eje de las Y cuando X = 0; también se puede mencionar que la
pendiente corta bajo el punto de intersección de los ejes X y Y o cuando
estos ejes tienen valores de (0, 0)
Una vez obtenidos los índices calculados como el intercepto y coefi-
ciente de regresión, podemos graficar la línea de tendencia lineal ajustando
el primero y último valor de la variable independiente, como sigue a con-
tinuación:

y=a+bx

y = -61,33 + 5,256 * 225 = 1121,27

y = -61,33 + 5,256 * 270 = 1367,79

Diagrama 5. Peso de la planta (g) en función de la altura (m)

1600,00
1400,00
Peso de la planta (Y)

1200,00
1000,00
y = 5,256x - 61,334
800,00
R2 = 0,9989
600,00
400,00
200,00
0,00
220,00 230,00 240,00 250,00 260,00 270,00 280,00

Altura de la planta (cm)

Analizando el coeficiente de regresión en el gráfico, podemos men-


cionar: de acuerdo a los valores recogidos en el campo, cuando ajustamos el
primer valor (225 cm) tenemos 1121,266 g en el peso de la planta; al ajus-
tar con el siguiente valor independiente (226 cm), tenemos un pronóstico

106
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

de y = 1168,57 que es el punto en donde cruza la pendiente cuando X es


226 cm, y si realizamos la diferencia de 1126,522 – 1121,27, la respuesta es
5,256 cm, por tanto podemos decir con mayor conocimiento de causa, que,
por cada cm que incrementa de altura de la planta, su producción aumenta
en 5,256 g de peso.
Es necesario realizar ejercicios de refuerzo; para ello se propone de-
sarrollar el siguiente ejemplo:
Se realizó una investigación en un galpón de gallinas, del cual se
registró información de 50 aves tanto del consumo de alimento como del
peso corporal.

Cuadro 45. Consumo y peso corporal de gallinas

X Y x-x y-y x2 y2 xy
8,78 4,15 -0,035 -0,466 0,001 0,217 0,016
9,32 4,76 0,505 0,144 0,255 0,021 0,073
9,80 5,23 0,985 0,614 0,970 0,377 0,605
8,98 4,75 0,165 0,134 0,027 0,018 0,022
9,40 5,13 0,585 0,514 0,342 0,264 0,301
8,30 4,24 -0,515 -0,376 0,265 0,141 0,194
8,83 4,76 0,015 0,144 0,000 0,021 0,002
8,24 4,41 -0,575 -0,206 0,331 0,042 0,118
8,48 4,50 -0,335 -0,116 0,112 0,013 0,039
8,02 4,23 -0,795 -0,386 0,632 0,149 0,307
x -y ∑(x - x) ∑(y - y) ∑x2 ∑y2 ∑xy
8,82 4,62 0,000 0,000 2,936 1,264 1,677

∑xy
r=
∑x2 * ∑y2

107
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

1,677
r= = 0,870
2,936 * 1,264

Según el coeficiente de correlación, se puede decir que existe un alto


grado de asociación entre las variables consumo de alimento y peso corpo-
ral de las aves, por tanto corresponde a la regresión lineal, ya que además
nos indica la dispersión de los valores en la línea recta que es aceptable.

∑xy
b=
∑x2

1,677
b= = 0,571
2,936

De acuerdo al coeficiente de regresión, decimos que, por cada unidad


de incremento en X, incrementa 0,571 unidades en Y; de otra manera por
cada g alimento consumido, se espera un incremento de 0,571 gramos de
peso en las aves.

a = y - bx

a = 4,62 - 0,571 * 8,82 = -0,417

De acuerdo a lo mencionado en la teoría, el punto -0,417 se encuen-


tra en el eje de las Y cuando X = 0, también se puede mencionar que la
pendiente corta bajo el punto de intersección de los ejes X y Y o cuando
estos ejes tienen valores de (0, -0,417).
Una vez obtenidos los índices calculados como el intercepto coefi-
ciente de regresión, podemos graficar la línea de tendencia lineal ajustando
el primero y último valor de la variable independiente, como sigue a con-
tinuación:

108
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

y=a+bx

y = -0,417 + 0,571 * 8,02 = 4,563

y = -0,417 + 0,571 * 9,98 = 5,576

Diagrama 6. Peso de las aves en función del consumo de alimento

6,00

5,00
Peso de las aves

4,00
y = 0,571x - 0,4174
3,00
R2 = 0,7574
2,00

1,00

0,00
8,00 8,50 9,00 9,50 10,00

Consumo de alimento

Por el coeficiente de regresión en el gráfico, podemos mencionar que,


cuando estimamos el peso de las aves sobre la base del consumo de 8,02
gramos se define un peso de 4,563 gramos.
Ejemplo de regresión curvilineal:
Con el objeto de determinar la relación de la movilidad electroforé-
tica de las partículas de arcilla dispersadas en un electrolito con el pH de la
suspensión, se tomaron las siguientes mediciones (Romo, 1983):

TABULACIÓN:

∑X: 94,200
∑Y: 68,900
n: 20
∑X2: 566,640

109
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

∑X3: 3872,016
∑X4: 28326,181
∑XY: 314,25
∑X2Y: 1827,721
∑Y: 2239,79
X: 4,710
Y: 3,445

Los valores de b1 y b2 se encuentran reemplazando en la ecuación (8)


los correspondientes valores numéricos y resolviendo simultáneamente el
sistema de ecuaciones resultantes:


{ 192,958 b1 + 1203,142 b2 = - 10,269
1203,142 b1 + 12272,140 b2 = - 124,135 {
De esta manera se tiene:

Cuadro 46. Efecto del pH (X) de la dispersión de una arcilla


en un electrolito en la movilidad electroforética
(μ/SEG/VOLT/CM) (Y) de las partículas

Yi Xi X2 X3 X4 XY X2Y Y2
3,3 1,0 1,000 1,000 1,000 3,30 3,300 10,89
3,3 2,3 5,290 12,167 27,984 7,59 17,457 10,89
3,8 4,0 16,000 64,000 256,000 15,20 60,800 14,44
3,7 1,7 2,890 4,913 8,352 6,29 10,693 13,69
3,9 3,0 9,000 27,000 81,000 11,70 35,100 15,21
3,4 2,0 4,000 8,000 16,000 6,80 13,600 11,56
3,7 4,2 17,640 74,088 311,170 15,54 65,268 13,69
3,9 4,6 21,160 97,336 447,746 17,94 82,524 15,21
3,6 5,2 27,040 140,608 731,162 18,72 97,344 12,96
3,7 6,0 36,000 216,000 1296,000 22,20 133,200 13,69
3,4 6,3 39,690 250,047 1575,296 21,42 134,946 15,21

110
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

3,5 1,4 1,960 2,744 3,842 4,90 6,860 12,96


3,7 2,4 5,760 13,178 33,178 8,88 21,312 13,69
2,7 8,2 67,240 551,368 4521,218 22,14 181,548 7,29
2,7 9,0 81,000 729,000 6561,000 24,30 218,700 7,29
3,2 8,0 64,000 512,000 4096,000 25,60 204,800 10,24
2,9 7,8 60,840 474,552 3701,506 22,62 176,436 8,41
3,5 6,8 46,240 314,432 2138,138 23,80 161,840 12,25
3,3 7,0 49,000 343,000 2401,000 23,10 161,700 10,89
3,7 3,3 10,890 35,937 118,592 12,21 40,293 13,69

b1 = 0,3842
b2 = 0,0478

Y de acuerdo a la ecuación (7):


b0 = 2,9897

Por lo tanto, la ecuación de regresión parabólica (2º grado) será:


Y = 2,9897 + 0,3842X - 0,0478X2

La curva correspondiente se da en la siguiente ilustración:

Diagrama 7. Dispersión y curva de regresión cuadrática

Dispersión de la movilidad Línea de regresión


5,00
Movilidad electroforética = 0,04782 + 0,3842x + 2,9897
µ / Seg / vol / cm

R2 = 0,8227 (P < ,01)


4,00

3,00

2,00
0,00 2,00 4,00 6,00 8,00 10,00

pH del coloide

111
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Interpretación: la movilidad electroforética de las partículas de una


arcilla en un electrolito (μ/SEG/VOLT/CM) depende del pH del coloide
en un 82,27% y su respuesta se identifica significativamente con la regre-
sión parabólica de segundo grado, cuya ecuación puede ser un estimador
puntual de la movilidad en función del pH, al nivel P < 0,01; así, por cada
unidad de pH que se identifique en el coloide, se espera que la movilidad
electroforética de las partículas de arcilla se incremente en 0,2842 μ/SEG/
VOLT/CM hasta aproximadamente cuatro unidades de pH, mientras que
en forma simultánea, habrá que estimar una tendencia a descenso en esta
capacidad, de 0,0478 μ/SEG/VOLT/CM por cada unidad de pH cuando
el pH aumente de 4.

Ejemplo de análisis de correlación y regresión múltiple


con tres variables

Se utilizarán algunos datos sobre la gravedad específica de papas (Y),


el contenido de nitrógeno (X1), y el contenido de fósforo (X2). Se codifi-
carán las observaciones a fin de simplificar los cálculos en el experimento
Resultados experimentales de la gravedad específica, contenidos de nitrógeno y
fósforo de 20 muestras de papas (Little y Hill, 1976).

Cuadro 47. Resultados experimentales

Y X1 X2
(Grav. espec. -1,07)104 (Nitrógeno -1)*100 (Fósforo)*100
2 96 40
14 82 36
15 121 30
15 88 42
16 100 28
24 114 26
48 71 33
54 94 26

112
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

58 74 15
68 36 35
82 36 25
83 73 15
91 58 26
97 31 25
98 38 24
101 56 11
128 24 22
140 37 11
163 10 24
179 14 10
∑y 1479 ∑X1 = 1253 ∑X2 = 504
Y = 73,95 X1 = 62,65 X2 = 25,20
∑Y = 160545,00
2
∑X12 = 99741,00 ∑X22 = 14364,00
(∑Y)2 (∑X1)2 (∑X2)2
= 109372,05 = 78500,45 = 12700,80
20 20 20
SCy = 51172,95 SCX1 = 21240,55 SCX2 = 1663,20

∑YX1 = 63441,00 ∑YX2 = 30659,00 ∑X1∑X2 = 34160,00


∑Y∑X1 ∑Y∑X2 ∑X1∑X2
= 92659,35 = 37270,80 = 31575,60
20 20 20
SCYX1 = -29218,35 SCYX2 = -6611,80 SCX1X2 = 258,40

Coeficiente de correlación simples

(SCYX1)2
r YX1 =
2 = 0,7854
SCY SCX1

r YX1 = -0,8862

113
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

(SCYX2)2
r2YX2 = = 0,5136
SCY SCX2

r YX2 = -0,7167

(SCX1X2)2
r2X1X2 = = 0,1891
SCX1 SCX2

r X1X2 = 0,4348

Coeficiente de correlación parcial

(rYX1 - rYX2rX1X2)2
r2YX1X2 = = 0,8371
(1 - r2YX2)(1 - r2X1X2)

r YX1X2 = 0,9149

(rYX2 - rYX1rX1X2)2
r2YX2X1 = = 0,6310
(1 - r2YX1)(1 - r2X1X2)

r YX2X1 = 0,7944

Coeficiente de correlación múltiple

(r2yx2 + r2yx1 - 2ryx1ryx1x2)


R2yx1x2 =
(1 - r2x1x2)

R2yx1x2 = 0,9208

Ryx1x2 = 0,9596

114
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Ecuación de regresión

a = Y - b1X1 - b2X2...

Sistema de ecuaciones

b1SCX + b2SCX1X2 = SCX1Y


b1SCX1X2 + b2SCX2 = SCX2Y

1): 21240,55b1 + 2584,40b2 = - 29218,35


(2): 2584,40b1 + 1663,20b2 = -6661,80
b2 = - 2,266
b1 = - 1,100

Cálculo del intercepto

a = Y - b1X1 - b2X2...
a = 73,95 – (-1,10)(62,65) – (-2,266)(25,20)
a = 199,968

Ecuación de regresión múltiple

GE = 199,968 − 1,100(nitrógeno) − 2,266(fósforo)

ADEVA de la Regresión (Y)

- SCTotal = SCY = 51172,95 (Tabulación inicial)


- SCRegresiónX1 = r2yx1(SCY) = 0,7854 x 51172,95 = 40191,23
- SC.Desv.regr.simple = (1-r2yx1)(SCY) = SCTOT – SCREGR.X1 = 10981,72
- SCRegr.Adic.X2 = (r2yx2.x1)(1-r2yx1)(SCY) = 6929,47
- SCDesv.regr.multiple = (1-R2y.x1x2)(SCY) =
SC.Desv.reg.simple – SCReg.Adic.X2 = 4052,90

115
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Cuadro 47.1. Resumen del ADEVA (Y)

Fuente de Suma de Cuadrado Fisher Fisher


gl
variación cuadrados medio calculado (0,01)
Total 51172,95 19
Regresión por x1 40194,23 1 40191,23 65,88** 8,28
Desv Regr Simple 10981,72 18 610,10
Regr Adic por x2 6929,47 1 6929,47 29,07** 8,16
Desv por reg múltiple 4052,90 17 238,41

Conclusiones:

Se acepta la H1 para la regresión simple, parcial y múltiple (99% cer-


teza y 1% error)
Las correlaciones simples de cada contenido de N o P por separado
con la gravedad específica de la papa no son muy grandes, pero cuando las
dos variables se consideran simultáneamente, la relación con esta gravedad
es muy estrecha.
Expresado en cifras porcentuales, el nitrógeno por sí solo solo explica
el 78,54% de variabilidad de la condición de gravedad de la papa. El fósfo-
ro, por su parte, explica el 51,36%, mientras que simultáneamente el N y P
explican el 92,08% de la gravedad específica de la papa.

116
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Ejercicios de aplicación

Utilizar la dócima del signo para analizar el aumento significativo en


los valores obtenidos del tratamiento B sobre los producidos por el trata-
miento A, en el conjunto de datos que se reportan a continuación:

N Tratamiento A Tratamiento B
1 46 52
2 41 43
3 37 37
4 32 32
5 28 31
6 43 39
7 42 44
8 51 53
9 28 26
10 27 31
Fuente: Santillán, 1999

Determine si existe asociación mediante la prueba de correlación de


rangos entre el contenido de hemoglobina (g/100 ml) de la madre con el
contenido de hemoglobina del recién nacido en los siguientes datos:

N Hb Madre (X) Hb Recién Nacido (Y)


1 12,3 14,1
2 12,5 14,9
3 12,7 13,9
4 12,9 15,6
5 13,3 14,5
6 13,4 15,4
7 13,5 15,6
8 14,7 13,8
9 14,8 15,2
10 14,9 14,8
11 14,9 15,2
12 15,2 15,9

117
Diseño experimental
en el desarrollo del conocimiento científico de las ciencias agropecuarias

Se realizó un experimento para determinar si existían diferencias es-


tadísticamente significativas entre los pesos de panes elaborados con dis-
tintas calidades de harinas. Además se busca determinar la mejor harina en
función de los pesos de los panes.

N A B C
1 56,1 53,2 49,3
2 55,6 53,0 47,8
3 55,5 54,4 48,5
4 54,8 52,5 48,0
5 54,7 50,9 49,5
6 54,6 53,6 48,9
7 53,8 50,9 49,2
8 53,5 50,7 48,1
9 53,2 52,9 47,8
10 54,6 59,8 47,2

118
Diseño experimental en el desarrollo del conocimiento científico en

José M. Pazmiño Guadalupe


las ciencias agropecuarias corresponde a la obra matemático-esta-
dística de la que todo estudiante, y profesional o investigador debe
disponer en su biblioteca, y principalmente en su acervo de conoci-

Luis A. Condo Plaza


mientos, para facilitar los procesos de indagación y auscultamien-
to que ameriten la formulación y dócima de hipótesis en el susten-
to de nuevos conocimientos o nuevas ideas, de una manera senci-
lla y práctica.

Luis Alfonso Condo Plaza, nacido en Chillanes, provincia de Bolívar


(Ecuador), el 15 noviembre de 1968, es un apasionado de las
ciencias exactas, particularmente del Diseño Experimental. Su
inspiración se fundamenta en la formación de Ingeniero Zootecnis-
ta, magíster en Proyectos Productivos y Sociales, especialista en
Economía y Administración Agrícola, y la formación en el Doctora-
do en Ciencia Animal , y la demanda de esta herramienta en

Diseño experimental en el desarrollo del conocimiento científico de las ciencas agropecuarias


distintas universidades del país. El interés por desarrollar y publicar
este libro se basa en el dominio absoluto y el desdoblamiento de la
varianza en los experimentos no tradicionales; particularidad que
compartió a través de cursos y conferencias y que fue acogida por
José María Pazmiño Guadalupe, quien apoyó con sus conocimien-
tos y experiencias para el progreso de nuestros pueblos.

José María Pazmiño Guadalupe, oriundo de Riobamba, provincia


de Chimborazo (Ecuador), el 11 de enero de 1954 , Ingeniero
Zootecnista y Maestro en Ciencia Animal, se formó en la Politécni-
ca de Chimborazo, y con una Especialización en la FLACSO. Parti-
cipó en diferentes universidades extranjeras en: Colombia, Esta-
dos Unidos, Cuba y Perú. Su trayectoria profesional data desde
1984 en calidad de investigador analista, docente, biometrista de
tesis de pre y posgrado en varias universidades del país y de la FCP
de la ESPOCH. La idea propuesta por Luis Alfonso Condo Plaza de
elaborar y publicar fue acogida con responsabilidad y sinceridad,
para que la generación del conocimiento sea fructífera en benefi-
cio de la sociedad.