Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE AGRONOMÍA
DISEÑOS EXPERIMENTALES
Julio, 2019
Diseños Experimentales. Emilio Olivares Sáenz
CONTENIDO
Página
1 Comparación de medias de dos poblaciones normales con muestras 3
independientes
2 Comparación de medias con grupos apareados 13
3 Diseño completamente al azar 20
4 Diseño bloques al azar 27
5 Comparaciones multiples de medias 33
5.1 Diferencia mínima significativia (DMS) 34
5.2 Duncan 36
5.3 Tukey 38
5.4 Student-Newman-Keuls (S-N-K) 40
5.5 t de Dunnett 42
5.6 Scheffe 43
6 Contrastes ortogonales 47
7 Polinomios ortogonales 53
8 Cuadro latino 59
9 Cuadros latinos en serie 66
10 Diseño cruzado (Cross over) 73
2
11 Experimentos factoriales 2 79
3
12 Experimentos factoriales 2 90
2
13 Experimentos factoriales 3 102
14 Arreglo en parcelas divididas 109
15 Arreglo en bloques divididos (arreglo en franjas) 122
16 Análisis de covarianza 131
2
Diseños Experimentales. Emilio Olivares Sáenz
1.1 Introducción
Población 1 Población 2
Parámetro Estimador Parámetro Estimador
Media µ1 X1 µ2 X2
Varianza σ1
2 S21 σ2
2 S2 2
n1 n2
X 1i X 21
X1 i 1
X2 i 1
n1 n2
n1 n2
( X 1i X 1 ) 2 (X 2i X 2 )2
S12 i 1
S 22 i 1
n1 1 n2 1
3
Diseños Experimentales. Emilio Olivares Sáenz
n1 n2 2
Ho: μ1 = μ2 vs Ha: μ1 ≠ μ2
X 1i se distribuye N ( 1 , 2 )
X 2i se distribuye N ( 2 , 2 )
2
X 1 se distribuye N 1 ,
n1
2
X 2 se distribuye N 2 ,
n2
( X 1 X 2 ) ( 1 2 )
Entonces z se distribuye N(0,1)
1 1
2
n1 n2
(n n 2) S 2
Además, 1 2 2 se distribuye como χ2 con n1 + n2 -2 grados de libertad
Una variable aleatoria normal con media cero y varianza uno dividida entre
la raíz cuadrada de una χ2 entre sus grados de libertad se distribuye como una t de
Student, entonces:
4
Diseños Experimentales. Emilio Olivares Sáenz
( X 1 X 2 ) ( 1 2 )
t
1 1
S 2
n1 n2
( X1 X 2 )
tc
1 1
S 2
n1 n2
1. 3. Ejemplo
5
Diseños Experimentales. Emilio Olivares Sáenz
n1
X 1i
X 1. 9.6
X1 i 1
1.2
n1 n1 8
n2
X 2i
X 2. 11.8
X2 i 1
1.311111
n2 n2 9
2
n1
Xi
i 1
n1 n1
( X 1i X 1 ) 2 X
i 1
2
1i
n1
S12 i 1
n1 1 n1 1
(9.6) 2
11.56
8 0.005714
7
2
n2
Xi
i 1
n2 n2
( X 2i X 2 ) 2 X 2
2i
n2
S 22 i 1
i 1
n2 1 n2 1
(11.8) 2
15.52
9 0.006111
8
6
Diseños Experimentales. Emilio Olivares Sáenz
X1 X 2 1.2 1.311111
tc 2.97
1 1 1 1
S 2 0.005926
n n 8 9
1 2
7
Diseños Experimentales. Emilio Olivares Sáenz
La Prueba de Hipótesis
Ho: μ1 = μ2 vs Ha: μ1 ≠ μ2
La hipótesis nula (Ho: μ1 = μ2) puede ser cierta o falsa y se puede aceptar o
rechazar de acuerdo a las siguientes opciones:
1. Los tratamientos son diferentes pero el error experimental es muy alto (S2).
En el análisis de varianza, la varianza debida al error experimental se
estima con el cuadrado medio del error (CME).
2. Los tratamientos no difieren significativamente.
8
Diseños Experimentales. Emilio Olivares Sáenz
S2 CME
CV
Y .. Y ..
9
Diseños Experimentales. Emilio Olivares Sáenz
Yij = µ + i + eij
i = 1,2,...,t ; j = 1,2,...,ni
donde:
Se supone que:
Yi.2 Y..2
2
Y12. Y22. Y..2
SC (Trata)
i 1 ni n. n1 n2 n.
10
Diseños Experimentales. Emilio Olivares Sáenz
2
Y..2
ni
Y..2
SC(Total) Y 2
ij Y11 Y12 ... Y2 n 2
i 1 j 1 n. n.
(21.4) 2
1.32 ... 1.4 2 0.141176
17
FV GL SC CM Fc 0.05 0.01
Trata. t-1 = 1 0.052288 0.052288 8.82** 4.54 8.68
Error n. – t =15 0.088888 0.005926
Total n. – 1 =16 0.141175
* Diferencia altamente significativa
11
Diseños Experimentales. Emilio Olivares Sáenz
2. Se selecciona:
Analyze
Compare means
Independent Sample t test
En la casilla superior se asignan la o las variables dependientes (en
el ejemplo sería la variable de aumentos de peso)
En la casilla inferior se asigna la variable tratamiento.
En el botón de “define groups” se incluye el número específico de
los tratamientos. En el ejemplo sería 1 y 2.
Para finalizar se oprime el botón “OK”.
12
Diseños Experimentales. Emilio Olivares Sáenz
2.1. Introducción
Ho: δ = 0 vs Ha: δ ≠ 0
Parámetro Estimador
Media δ d
Varianza d2 S d2
En donde:
13
Diseños Experimentales. Emilio Olivares Sáenz
2
n
di
d i2 i 1
n n
di n
d i 1
S d2 i 1
n n 1
di se distribuye N(δ, d2 )
2
d se distribuye N , d
n
d
z se distribuye N(0,1)
d2
n
(n 1) S d2
se distribuye (2n1)
2
N (0,1)
t se distribuye como una t de Student.
gl2
gl
d
d2
n d
Entonces, t se distribuye como una t de Student
(n 1) S d
2
S d2
d2 n
n 1
1
d
Por lo tanto, bajo la hipótesis: Ho: (μ1= μ2) = 0, el estadístico de prueba se
2
S d
n
distribuye como una t de Student
14
Diseños Experimentales. Emilio Olivares Sáenz
2.3. Ejemplo
Ho: μ1 = μ2 vs Ha: μ1 ≠ μ2
Ho: δ = 0 vs Ha: δ ≠ 0
di 11
d i 1
1.222222
n 9
2
n
di
d i2 i 1 (11) 2
n
n
31
9
S d2 i 1 2.194444
n 1 8
15
Diseños Experimentales. Emilio Olivares Sáenz
d 1.22222
tc 2.475
S d2 2.194444
n 9
En el ejemplo, se tiene:
2.475 2.306
Por lo tanto, se rechaza la hipótesis nula (Ho: μ1 = μ2) y se concluye que los
tratamientos difieren significativamente.
16
Diseños Experimentales. Emilio Olivares Sáenz
Xij = µ + i + j + ij
i = 1,2,...,t
j = 1,2,...,r
donde:
2
X i2. X ..2 X 12. X 22. X ..2
SC (Trata)
i 1 r rt r rt
17
Diseños Experimentales. Emilio Olivares Sáenz
2
X ..2
r
X ..2
SC(Total) X 2
ij X 112 X 122 ... X 22r
i 1 j 1 rt rt
(739) 2
402 ... 442 68.94444
18
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 8 53.4444 6.68055 6.09** 3.44 6.03
Trata. t-1= 1 6.7222 6.72222 6.13* 5.32 11.26
Error (t-1)(r-1)=8 8.7777 1.09722
Total tr-1=17 68.9444
** Diferencia altamente significativa
* Diferencia significativa
En el ejemplo se encontró:
1. Los datos se capturan en dos columnas, en la primera van los datos del
tratamiemto1 en la segunda los datos del tratamiento 2.
2. Se selecciona:
Analyze
Compare means
Paired- Samples T Test
En las casillas presentadas en la derecha de la pantalla se asignan los
dos grupos.
Para finalizar se oprime el botón “OK”.
19
Diseños Experimentales. Emilio Olivares Sáenz
3.1. Introducción
20
Diseños Experimentales. Emilio Olivares Sáenz
3.3. El modelo
Yij = µ + i + eij
i = 1,2,...,t ;
j = 1,2,...,ni
donde:
3.4. Ejemplo
1 2 3 4 5
t3 t2 t1 t3 t4
6 7 8 9 10
t4 t1 t3 t4 t2
11 12 13 14 15
t2 t3 t4 t2 t1
16 17 18 19 20
t4 t2 t1 t4 t3
21
t1
21
Diseños Experimentales. Emilio Olivares Sáenz
Uno de los animales en el tratamiento 1 se enfermó, por lo que tuvo que ser
removido del experimento. Para evaluar los tratamientos se utilizó como variable
dependiente a los aumentos de peso. Los datos son:
T1 T2 T3 T4
45 46 45 38
47 48 43 39
42 51 47 40
44 52 44 37
50 45 38
40
178 247 224 232 881
T1 T2 T3 T4
Y11 Y21 Y31 Y41
Y12 Y22 Y32 Y42
Y13 Y23 Y33 Y43
Y14 Y24 Y34 Y44
Y25 Y35 Y45
Y46
Y1 . Y2 . Y3 . Y4 . Y..
ANALISIS DE VARIANZA
Esta hipótesis se prueba con una tabla de análisis de varianza. Las sumas de
cuadrados son:
22
Diseños Experimentales. Emilio Olivares Sáenz
t
Y2 Y2
SC (Trata.) i. ..
i 1 ni n.
Y12. Y2 Y2
... t. ..
n1 nt n.
2
t
Y..2
ni
Y..
SC(Total) Y Y11 Y12 ... Ytnt
2 2 2 2
ij
i 1 j 1 n. n.
(881) 2
45 ... 40
2 2
372.95
20
FV GL SC CM Fc 0.05 0.01
Trata. t-1 = 3 320.6166 106.8722 32.67** 3.24 5.29
Error n. – t =16 52.3333 3.2708
Total n. – 1 =19 372.9500
** Diferencia altamente significativa
sabe cuales tratamientos son iguales o diferentes, por lo que es necesario hacer una
comparación de medias.
Tratamiento ni Media
2 5 49.40
3 5 44.80
1 4 44.50
4 6 38.67
1 1
DMS t ( / 2, gle) CME
n n
i j
En donde:
1 1
DMS 2.12 3.27083 2.42
5 5
24
Diseños Experimentales. Emilio Olivares Sáenz
1 1
DMS 2.12 3.27083 2.57
5 4
44.80 - 44.50 = 0.3 < 2.57 medias iguales
1 1
DMS 2.12 3.27083 2.32
5 6
1 1
DMS 2.12 3.27083 2.47
4 6
Tratamiento Ni Media
2 5 49.40 a
3 5 44.80 b
1 4 44.50 b
4 6 38.67 c
25
Diseños Experimentales. Emilio Olivares Sáenz
b)Procedimiento 2
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asigna la variable de los
tratamientos
Para finalizar se oprime “OK”
26
Diseños Experimentales. Emilio Olivares Sáenz
4.1. Introducción
Ventajas:
- Es más preciso que el diseño completamente al azar cuando hay un factor que
causa variación en las unidades experimentales.
Desventajas:
4.3. El modelo
Yij = µ + i + j + ij
i = 1,2,...,t
j = 1,2,...,r
donde:
4.4. Ejemplo
28
Diseños Experimentales. Emilio Olivares Sáenz
La parcela útil consistió de los tres surcos centrales, eliminando 0.5 m en los
extremos.
I t5 t2 t1 t3 t6 t4
II t4 t1 t3 t5 t2 t6
III t6 t3 t4 t2 t5 t1
IV t2 t5 t6 t1 t4 t3
Trata.
Bloques 1 2 3 4 5 6
I 8 7 6 7 8 9 45
II 8 8 7 8 8 10 49
III 9 9 7 7 9 11 52
IV 9 10 7 8 10 11 55
34 34 27 30 35 41 201
Tratamientos
Bloques T1 T2 T3 T4 T5 T6
I Y11 Y21 Y31 Y41 Y51 Y61 Y.1
II Y12 Y22 Y32 Y42 Y52 Y62 Y.2
III Y13 Y23 Y33 Y43 Y53 Y63 Y.3
IV Y14 Y24 Y34 Y44 Y54 Y64 Y.4
Y1 . Y2 . Y3 . Y4 . Y5 . Y6 . Y..
29
Diseños Experimentales. Emilio Olivares Sáenz
Estas hipótesis se prueban con una tabla de análisis de varianza. Las sumas
de cuadrados son:
Yi.2 Y..2
t
Y12. ... Yt.2 Y..2
SC(Trata.)
i 1 r rt r rt
t r
Y..2 Y..2
SC(Total) Y Y22
11
ij Y 2
12 ... Y 2
tr
i j rt rt
( 201) 2
82 82 ... 112 41. 625
24
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 3 9.125 3.041667 11.06** 3.29 5.42
Trata. t-1= 5 28.375 5.675003 20.64** 2.90 4.56
Error (t-1)(r-1)=15 4.125 0.275000
Total tr-1=23 41.625
** Diferencia altamente significativa
30
Diseños Experimentales. Emilio Olivares Sáenz
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan las variables de los
tratamientos y bloques
31
Diseños Experimentales. Emilio Olivares Sáenz
32
Diseños Experimentales. Emilio Olivares Sáenz
5.1. Introducción
Tratamientos cuantitativos.
33
Diseños Experimentales. Emilio Olivares Sáenz
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
1 1
EE CME
ni nj
2CME
EE
r
34
Diseños Experimentales. Emilio Olivares Sáenz
En el ejemplo, el EE es:
2(0.275)
EE 0.3708
4
d) Se calcula el DMS:
Tratamientos Media
6 10.25 a
5 8.75 b
1 8.50 b
2 8.50 b
4 7.50 c
3 6.75 c
35
Diseños Experimentales. Emilio Olivares Sáenz
El procedimiento es el siguiente:
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
CME 0.275
EE 0.2622
r 4
c) Se obtiene de tablas (Tabla A-7, Steel and Torrie, (1960)) los valores de rangos
estudentizados (RE), con:
= nivel de significancia,
p = número de medias en el rango de prueba y
gle = grados de libertad del error.
2 3 4 5 6
RE 3.01 3.16 3.25 3.31 3.36
36
Diseños Experimentales. Emilio Olivares Sáenz
2 3 4 5 6
RE 3.01 3.16 3.25 3.31 3.36
RME 0.79 0.83 0.85 0.87 0.88
Tratamientos Media
6 10.25 a
5 8.75 b
1 8.50 b
2 8.50 b
4 7.50 c
3 6.75 c
37
Diseños Experimentales. Emilio Olivares Sáenz
El procedimiento es el siguiente:
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
CME 0.275
EE 0.2622
r 4
c) Se obtiene de tablas (Tabla A-8 Steel and Torrie, (1960)) el valor del rango
estudentizado (RE), con = nivel de significancia, p = número de tratamientos y
gle = grados de libertad del error.
38
Diseños Experimentales. Emilio Olivares Sáenz
Tratamientos Media
6 10.25 a
5 8.75 b
1 8.50 bc
2 8.50 bc
4 7.50 cd
3 6.75 d
39
Diseños Experimentales. Emilio Olivares Sáenz
Esta prueba es similar a la prueba de Duncan, pero con las tablas de Tukey. El
procedimiento es el siguiente:
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
CME 0,275
EE 0.2622
r 4
c) Se obtiene de tablas (Tabla A-8 Steel and Torrie, (1960)) los valores de los
rangos estudentizados (RE), con:
= nivel de significancia,
p = 2,3, ..., t
gle = grados de libertad del error.
2 3 4 5 6
RE 3.01 3.67 4.08 4.37 4.60
40
Diseños Experimentales. Emilio Olivares Sáenz
2 3 4 5 6
RE 3.01 3.67 4.08 4.37 4.60
RME 0.79 0.96 1.07 1.15 1.21
Tratamientos Media
6 10.25 a
5 8.75 b
1 8.50 b
2 8.50 b
4 7.50 c
3 6.75 c
41
Diseños Experimentales. Emilio Olivares Sáenz
El procedimiento es el siguiente:
2CME 2(0.275)
EE 0.3708
r 4
= nivel de significancia,
p = t-1
gle = grados de libertad del error.
t Dunnett(0.05,5,15) = 2.73
42
Diseños Experimentales. Emilio Olivares Sáenz
t t
Ho : i 0 VS Ha : i 0
i 1 i 1
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
b) Se calcula:
1 1
Scheffé (t 1) F ( , t 1, gle ) CME
ni nj
2CME
Scheffé (t 1) F ( , t 1, gle)
r
En donde:
43
Diseños Experimentales. Emilio Olivares Sáenz
F(,t-1,gle) = Valor tabulado de F con t-1 y gle grados de libertad del error
con un nivel de significancia .
CME = Cuadrado medio del error
ni = Número de repeticiones de la media i
nj = Número de repeticiones de la media j
2(0.275)
Scheffé (5)(2.90) = 1.41
4
Tratamientos Media
6 10.25 a
5 8.75 b
1 8.50 b
2 8.50 b
4 7.50 bc
3 6.75 c
44
Diseños Experimentales. Emilio Olivares Sáenz
DMS
Duncan
S-N-K
Tukey
Scheffé
45
Diseños Experimentales. Emilio Olivares Sáenz
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan las variables de los
factores fijos
En las opciones de la derecha del cuadro se selecciona “Post-Hoc”,
posteriormente se asigna el factor que contiene las medias que se
desean comparar y se selecciona el método en la parte de abajo,
posteriormente se oprime “continue”.
Para finalizar se oprime “OK”
46
Diseños Experimentales. Emilio Olivares Sáenz
6. CONTRASTES ORTOGONALES
6.1. Introducción
Ho: 1 + 2 - 3 - 4 = 0 vs Ha: 1 + 2 - 3 - 4 0
t
A la combinación lineal de tratamientos : ii se le llama contraste,
i 1
47
Diseños Experimentales. Emilio Olivares Sáenz
C1 =31 - 2 - 3 - 4
C2 = 22 - 3 - 4
C3 = 3 - 4
T1 T2 T3 T4
C1 3 -1 -1 -1
C2 0 2 -1 -1
C3 0 0 1 -1
i i
i 1
1 2 1112 21 22 31 32 41 42
i i
i 1
1 3 11 13 21 23 31 33 41 43
i i
i 1
2 3 12 13 22 23 32 33 42 43
48
Diseños Experimentales. Emilio Olivares Sáenz
6.2. Ejemplo
t1 t2 t3 t4
I 6 5 7 8 26
II 7 6 7 9 29
III 7 7 8 8 30
IV 8 8 9 10 35
V 7 8 9 9 33
35 34 40 44 153
FV GL SC CM Fc 0.05 0.01
Bloques r-1=4 12.30 3.0750 11.18** 3.26 5.41
Trata. t-1=3 12.95 4.3166 15.70** 3.49 5.95
Error (t-1)(r-1)=12 3.30 0.2750
Total tr-1=19 28.55
** Diferencia altamente significativa
Ho: 1 + 2 - 3 - 4 = 0 vs Ha: 1 + 2 - 3 - 4 0
Ho: 1 - 2 = 0 vs Ha: 1 - 2 0
Ho: 3 - 4 = 0 vs Ha: 3 - 4 0
49
Diseños Experimentales. Emilio Olivares Sáenz
T1 T2 T3 T4
C1 1 1 -1 -1
C2 1 -1 0 0
C3 0 0 1 -1
C 2j
SC (Contraste j ) t
r cij2
i 1
En donde:
t
Cj c
i 1
ij Ti
C12 T1 T2 T3 T4 2
SC(Contraste 1)
t
r c 2
r c112 c122 c132 c142
1i
i 1
(35 34 40 44) 2
11.25
5 (1) 2 (1) 2 (1) 2 (1) 2
50
Diseños Experimentales. Emilio Olivares Sáenz
SC(Contraste 2)
C 22
T1 T2 2
t
r c 2 2
r c 21 c 22
2
c 23
2
c 24
2
2i
i 1
(35 34) 2
0.1
5 (1) (1) 2 (0) 2 (0) 2
2
C32 T3 T4 2
SC(Contraste 3)
r c
t
2 2
r c31 c32
2
c33
2
c34
2
3i
i 1
(40 44) 2
1.6
5 (0) (0) 2 (1) 2 (1) 2
2
FV GL SC CM Fc 0.05 0.01
Bloques r-1=4 12.30 3.0750 11.18** 3.26 5.41
Trata. t-1=3 12.95 4.3166 15.70** 3.49 5.95
C1 1 11.25 11.2500 40.90** 4.75 9.33
C2 1 0.10 0.1000 0.36 ns 4.75 9.33
C3 1 1.60 1.6000 5.82 * 4.75 9.33
Error (t-1)(r-1)=12 3.30 0.2750
Total tr-1=19 28.55
** Diferencia altamente significativa
* Diferencia significativa
ns Difernecia no significativa
Ho: 1 + 2 - 3 - 4 = 0 vs Ha: 1 + 2 - 3 - 4 0
Ho: 1 - 2 + 3 - 4 = 0 vs Ha: 1 - 2 + 3 - 4 0
Ho: 1 - 2 - 3 + 4 = 0 vs Ha: 1 - 2 - 3 + 4 0
51
Diseños Experimentales. Emilio Olivares Sáenz
52
Diseños Experimentales. Emilio Olivares Sáenz
7. POLINOMIOS ORTOGONALES
7.1. Introducción
Efecto T1 T2 T3
Lineal -1 0 1
Cuadrático 1 -2 1
Efecto T1 T2 T3 T4
Lineal -3 -1 1 3
Cuadrático 1 -1 -1 1
Cúbico -1 3 -3 1
Efecto T1 T2 T3 T4 T5
Lineal -2 -1 0 1 2
Cuadrático 2 -1 -2 -1 2
Cúbico -1 2 0 -2 1
Cuártico 1 -4 6 -4 1
53
Diseños Experimentales. Emilio Olivares Sáenz
Efecto T1 T2 T3 T4 T5 T6
Lineal -5 -3 -1 1 3 5
Cuadrático 5 -1 -4 -4 -1 5
Cúbico -5 7 4 -4 -7 5
Cuártico 1 -3 2 2 -3 1
Quinto -1 5 -10 10 -5 1
7.2. Ejemplo
I T1 T5 T2 T3 T4
II T4 T1 T3 T5 T2
III T5 T3 T4 T2 T1
IV T3 T2 T1 T5 T4
V T2 T4 T5 T1 T3
Bloques 1 2 3 4 5
I 5 7 8 8 9 37
II 6 8 7 9 9 39
III 6 8 9 10 8 41
IV 7 9 9 9 10 44
V 6 9 9 10 11 45
Σ 30 41 42 46 47 206
Y 6.0 8.2 8.4 9.2 9.4
54
Diseños Experimentales. Emilio Olivares Sáenz
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 4 8.90 2.24 5.09** 3.01 4.77
Trata. t-1= 4 36.56 9.14 20.77** 2.01 4.77
Error (t-1)(r-1)=16 7.04 0.44
Total tr-1=24 52.56
** Diferencia altamente significativa
Efecto T1 T2 T3 T4 T5
Lineal -2 -1 0 1 2
Cuadrático 2 -1 -2 -1 2
Cúbico -1 2 0 -2 1
Cuártico 1 -4 6 -4 1
55
Diseños Experimentales. Emilio Olivares Sáenz
C 2j
SC (Contraste j ) t
r cij2
i 1
En donde:
t
Cj c
i 1
ij Ti
SC( Lineal)
C12
2T1 T2 0T3 T4 2T5 2
t
r c 2
r c112 c122 c132 c142 c152
1i
i 1
2(30) 41 46 2(47)2
5 (2) 2 (1) 2 (1) 2 (2) 2 30.42
SC(Cuadrático)
C 22
2T1 T2 2T3 T4 2T5 2
rc
t
2 2
r c21 c22
2
c23
2
c24
2
c25
2
2i
i 1
2(30) 41 2(42) 46 2(47)2
5 (2) 2 (1) 2 (2) 2 (1) 2 (2) 2 4.128571
SC(Cúbico)
C32
T1 2T2 0T3 2T4 T5 2
t
r c32i
2
r c31 c32
2
c33
2
c34
2
c35
2
i 1
(30) 2(41) 0(42) 2(46) (47)2 0.98
5 (1) 2 (2) 2 (0) 2 (2) 2 (1) 2
56
Diseños Experimentales. Emilio Olivares Sáenz
SC(Cuártico)
C 42
T1 4T2 6T3 4T4 T5 2
t
r c42i
2
r c41 c42
2
c43
2
c44
2
c45
2
i 1
30 4(41) 6(42) 4(46) 472
5 (1) 2 (4) 2 (6) 2 (4) 2 (1) 2 1.031429
La tabla de análisis de varianza es:
FV GL SC CM Fc 0.05 0.01
Bloques 4 8.90 2.24 5.09** 3.01 4.77
Trata. 4 36.56 9.14 20.77** 2.01 4.77
Lineal 1 30.42 30.42 69.14** 4.49 8.53
Cuadrático 1 4.13 4.13 9.38** 4.49 8.53
Cúbico 1 0.98 0.98 2.23 4.49 8.53
Cuártico 1 1.03 1.03 2.34 4.49 8.53
Error 16 7.04 0.44
Total 24 52.56
** Diferencia altamente significativa
El análisis de varianza muestra que los efectos lineal y cuadrático son altamente
significativos, por lo que los datos se pueden ajustar al siguiente modelo de
regresión:
Donde:
57
Diseños Experimentales. Emilio Olivares Sáenz
58
Diseños Experimentales. Emilio Olivares Sáenz
8. CUADRO LATINO
8.1. Introducción
El diseño cuadro latino se utiliza cuando hay dos factores que afectan
sistemáticamente a las unidades experimentales. Para evitar que el efecto de los
factores se acumule en el error experimental se hace un doble bloqueo. Por
ejemplo, en un experimento se quiere evaluar diferentes tratamientos para
suministrar hierro a cerdos recién nacidos. Los cerdos son de diferentes camadas y
los cerdos de cada camada tienen diferentes pesos al nacer. En este caso es
conveniente bloquear respecto a los pesos iniciales y las camadas. Si los
tratamientos que se desean evaluar son cuatro, entonces el croquis del experimento
es de la siguiente forma:
Camadas
Pesos I II III IV
Iniciales I T2 T1 T3 T4
II T1 T3 T4 T2
III T3 T4 T2 T1
IV T4 T2 T1 T3
En cuanto a los grados de libertad del error del diseño cuadro latino,
comparado con los diseños completamente al azar y bloques al azar, son:
59
Diseños Experimentales. Emilio Olivares Sáenz
8.2. El modelo
Yijk = µ + i + Hj + Ck + ijk
i = 1,2,...,t
j = 1,2,...,t
k = 1,2,...,t
donde:
Se supone que:
8.3. Ejemplo
60
Diseños Experimentales. Emilio Olivares Sáenz
Efecto de pendiente
I II III IV V
Efecto de I T3 T5 T2 T4 T1
Salinidad II T5 T2 T4 T1 T3
III T2 T4 T1 T3 T5
IV T1 T3 T5 T2 T4
V T4 T1 T3 T5 T2
El croquis se construye de la siguiente forma:
Efecto de pendiente
I II III IV V ∑
T3 T5 T2 T4 T1
Efecto de I 10 8 14 13 17 62
Salinidad II T5 T2 T4 T1 T3
7 12 12 17 16 64
III T2 T4 T1 T3 T5
13 12 16 15 11 67
IV T1 T3 T5 T2 T4
14 13 10 16 16 69
V T4 T1 T3 T5 T2
14 16 15 12 18 75
∑ 58 61 67 73 78 337
Totales de tratamientos:
T1 = 14 + 16 + 16 + 17 + 17 = 80
T2 = 13 + 12 + 14 + 16 + 18 = 73
T3 = 10 + 13 + 15 + 15 + 16 = 69
T4 = 14 + 12 + 12 + 13 + 16 = 67
T5 = 7 + 8 + 10 + 12 + 11 = 48
61
Diseños Experimentales. Emilio Olivares Sáenz
I II III IV V
I T3 T5 T2 T4 T1
Y311 Y512 Y213 Y414 Y115 Y.1.
II T5 T2 T4 T1 T3
Y521 Y222 Y423 Y124 Y325 Y.2.
III T2 T4 T1 T3 T5
Y231 Y432 Y133 Y334 Y535 Y.3.
IV T1 T3 T5 T2 T4
Y141 Y342 Y543 Y244 Y445 Y.4.
V T4 T1 T3 T5 T2
Y451 Y152 Y353 Y554 Y255 Y.5.
Y..1 Y..2 Y..3 Y..4 Y..5 Y...
Totales de tratamientos:
Estas hipótesis se prueban con una tabla de análisis de varianza. Las sumas de
cuadrados son:
62
Diseños Experimentales. Emilio Olivares Sáenz
Y..2k Y..2 Y..21 ... Y..2t Y..2 582 ... 782 3372
t
SC(Columnas) 2 2 54.64
j 1 t t t t 5 25
2 2
t t
Y2 Y .. 102 ... 182 (337) 194.24
SC(Total) Yijk2 ... Y 2
11 Y 2
12 ... Y 2
tt
j k t2 t2 25
FV GL SC CM Fc F tabulada
0.05 0.01
Hileras t-1= 4 20.24 5.06 11.0** 3.26 5.41
Columnas t-1= 4 54.64 13.66 29.7** 3.26 5.41
Trata. t-1= 4 113.84 28.46 61.8** 3.26 5.41
Error (t-1)(t-2)=12 5.52 0.46
Total t2-1=24 194.24
** Diferencia altamente significativa
63
Diseños Experimentales. Emilio Olivares Sáenz
cme
RME q( , p , gle)
r
0.46
RME 4.51 1.37
5
64
Diseños Experimentales. Emilio Olivares Sáenz
8.6. Análisis del diseño Cuadro Latino con el paquete SPSS (v17)
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan las variables de los
tratamientos, hileras y columnas
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los tratamientos y bloques al cuadro de la derecha
En el cuadro “Build Term(s) “ se selecciona “Main effects”
Posteriormente se oprime “Continue” en la parte de abajo
Para finalizar se oprime “OK”
65
Diseños Experimentales. Emilio Olivares Sáenz
9.1. Introducción
9.2 El modelo
donde:
Se supone que:
66
Diseños Experimentales. Emilio Olivares Sáenz
9.3 Ejemplo
Camadas
I II III IV
Pesos I T3 T4 T1 T2
Iniciales II T1 T2 T3 T4 Cuadro 1
III T2 T3 T4 T1
IV T4 T1 T2 T3
Camadas
I II III IV
Pesos I T1 T3 T2 T4
Iniciales II T3 T1 T4 T2 Cuadro 2
III T4 T2 T1 T3
IV T2 T4 T3 T1
Para evaluar los tratamientos se utilizó como variable principal a los aumentos de
peso, los datos obtenidos son:
67
Diseños Experimentales. Emilio Olivares Sáenz
Camadas
I II III IV Σ
Pesos I T3 T4 T1 T2
19 17 19 17 72
Iniciales II T1 T2 T3 T4 Cuadro 1
20 19 22 19 80
III T2 T3 T4 T1
18 20 21 23 82
IV T4 T1 T2 T3
20 22 20 25 87
Σ 77 78 82 84 321
Camadas
I II III IV Σ
Pesos I T1 T3 T2 T4
16 17 17 14 64
Iniciales II T3 T1 T4 T2 Cuadro 2
18 17 14 19 68
III T4 T2 T1 T3
12 18 18 20 68
IV T2 T4 T3 T1
18 15 19 19 71
Σ 64 67 68 72 271
Totales de tratamientos:
T1 = 20 + 22 + 19 + 23 + 16 + 17 + 18 + 19 = 154
T2 = 18 + 19 + 20 + 17 + 18 + 18 + 17 + 19 = 146
T3 = 19 + 20 + 22 + 25 + 18 + 17 + 19 + 20 = 160
T4 = 20 + 17 + 21 + 19 + 12 + 15 + 14 + 14 = 132
68
Diseños Experimentales. Emilio Olivares Sáenz
Camadas
I II III IV
I T3 T4 T1 T2
Pesos Y1311 Y1412 Y1113 Y1214 Y1.1.
Iniciales II T1 T2 T3 T4 Cuadro 1
Y1121 Y1222 Y1323 Y1424 Y1.2.
III T2 T3 T4 T1
Y1231 Y1332 Y1433 Y1134 Y1.3.
IV T4 T1 T2 T3
Y1441 Y1142 Y1243 Y1344 Y1.4.
Y1..1 Y1..2 Y1..3 Y1..4 Y1...
Camadas
I II III IV
I T1 T3 T2 T4
Pesos Y2111 Y2312 Y2213 Y2414 Y2.1.
Iniciales II T3 T1 T4 T2 Cuadro 2
Y2321 Y212 Y2423 Y2224 Y2.2.
III T4 T2 T1 T3
Y2431 Y2232 Y2133 Y2334 Y2.3.
IV T2 T4 T3 T1
Y2241 Y2442 Y2343 Y2144 Y2.4.
Y2..1 Y2..2 Y2..3 Y2..4 Y2...
69
Diseños Experimentales. Emilio Olivares Sáenz
Y.2j.. Y....
t 2
Y.21.. ... Y.t2.. Y....
2
SC(Trata.) 2 2
i 1 ct ct ct ct
c
Yi.2k. Y....
t 2
SC( H | C ) 2 SC(Cuadros)
i 1 k 1 t ct
Y ... Yc.t. Y....
2 2 2
1.1. 2 SC(Cuadros)
t ct
2
Y.... Y....
c t t 2
SC(Total) Yijkl
2
Y 2
1211 ... Y 2
2144
i k l ct 2 ct 2
70
Diseños Experimentales. Emilio Olivares Sáenz
(592) 2
192 ... 192 220.0
32
FV GL SC CM Fc 0.05 0.01
Cuadros c - 1=1 78.125 78.123 33.36** 4.54 8.68
Tratamientos t - 1=3 55.000 18.333 7.828** 3.29 5.42
H. dent. de Cu c(t-1)=6 35.375 5.896 2.52 2.70 4.32
C. dent. de Cu c(t-1)=6 16.375 2.73 1.16 NS 2.70 4.32
Error (t-1)(ct-c-1)=15 35.125 2.342
Total ct2 - 1=31 220.000
* Diferencia significativa
** Diferencia altamente significativa
71
Diseños Experimentales. Emilio Olivares Sáenz
8.6. Análisis del diseño cuadros latinos en serie con el paquete SPSS
(v17)
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan las variables de los
cuadros, tratamientos, hileras y columnas
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los cuadros, tratamientos hileras y columnas al cuadro de
la derecha
En el cuadro “Build Term(s) “ se selecciona “Main effects”
Posteriormente se oprime “Continue” en la parte de abajo
Para finalizar se oprime “OK”
72
Diseños Experimentales. Emilio Olivares Sáenz
10.1. Introducción
El diseño cruzado se utiliza cuando se tienen dos factores que afectan a las
unidades experimentales y se desea evaluar pocos tratamientos, como en el caso
del diseño cuadros latinos en serie, pero en este caso el efecto de hileras es igual
para todos los cuadros.
Este diseño es muy usado en vacas lecheras utilizando una vaca para
evaluar todos los tratamientos. En este caso las hileras son diferentes períodos y
las columnas son las vacas. Observe que al tener una vaca para los dos
tratamientos, comparado con una vaca para cada tratamiento, se elimina del error
experimental a la variabilidad debida al efecto genético, la sanidad y otros
factores.
10.2. Ejemplo
Se desea evaluar dos raciones en vacas lecheras; los dos tratamientos serán
probados en todas las vacas en dos períodos. De esta forma se bloquea por vacas y
por períodos. Para construir el croquis del experimento se identifican las vacas del
1 al 10 y se seleccionan al azar cinco vacas para asignarles la ración A y cinco
vacas para asignarles la ración B en el primer período. La ración en el segundo
73
Diseños Experimentales. Emilio Olivares Sáenz
Per. V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
P1 A B B A A B A B B A
P2 B A A B B A B A A B
10.3. El modelo
donde:
Se supone que:
74
Diseños Experimentales. Emilio Olivares Sáenz
Per. V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
P1 A B B A A B A B B A
25 23 21 21 28 23 30 24 22 20 237
P2 B A A B B A B A A B
24 18 17 20 28 22 27 19 17 19 211
49 41 38 41 56 45 57 43 39 39 448
Totales de tratamientos:
A = 25 + 18 + 17 + 21 + 28 + 22 + 30 + 19 + 17 + 20 = 217
B = 24 + 23 + 21 + 20 + 28 + 23 + 27 + 24 + 22 + 19 = 231
Per. V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
P1 A B B A A B A B B A Y1..
Y111 Y122 Y132 Y141 Y151 Y162 Y171 Y182 Y192 Y1101
P2 B A A B B A B A A B
Y212 Y221 Y231 Y242 Y252 Y261 Y272 Y281 Y291 Y2102 Y2..
Y.1. Y.2. Y.3. Y.4. Y.5. Y.6. Y.7. Y.8. Y.9. Y.10. Y...
Ho: 1 = 2 vs Ha: 1 2
Esta hipótesis se prueba con una tabla de análisis de varianza. Las sumas de
cuadrados son:
t
Y..2k Y...2 Y..21 ...Y..2t Y...2
SC(Trata.)
k 1 v tv v tv
75
Diseños Experimentales. Emilio Olivares Sáenz
Y2 Y2 t 2
...Yt..
2
Y...2
SC( Periodos) i.. ...
Y1..
i 1 v tv v tv
1 ...Y.10.
v Y.2j. Y...2 2
Y.. 2
Y2
SC (Vacas) ...
j 1 t tv t tv
...Ytv2 ...
t v
Y2 2
SC(Total ) Yijk2 ... Y111
2 Y
i j tv tv
(448) 2
25 ... 19
2
270.8
2
20
FV GL SC CM Fc 0.05 0.01
Trata. t-1=1 9.8 9.80 9.33* 5.32 11.26
Períodos t-1=1 33.8 33.80 32.19** 5.32 11.26
Vacas v-1=9 218.8 24.31 23.15** 3.39 5.91
Error (t-1)(v-2)=8 8.4 1.05
Total tv-1=19 270.8
* Diferencia significativa
** Diferencia altamente significativa
76
Diseños Experimentales. Emilio Olivares Sáenz
Analyze
General lineal model
77
Diseños Experimentales. Emilio Olivares Sáenz
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan las variables de los
tratamientos, hileras (períodos) y columnas (series)
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los tratamientos hileras y columnas al cuadro de la
derecha
En el cuadro “Build Term(s) “ se selecciona “Main effects”
Posteriormente se oprime “Continue” en la parte de abajo
Para finalizar se oprime “OK”
78
Diseños Experimentales. Emilio Olivares Sáenz
1. EXPERIMENTOS FACTORIALES 22
11.1. Introducción
Los casos más simples de los experimentos factoriales son los factoriales 2n, en
donde se estudian n factores con dos niveles cada uno. El caso más simple de los
experimentos 2n es el del factorial 22.
Los experimentos factoriales 22 consideran dos factores con dos niveles cada
uno. Por ejemplo, un experimento con dos variedades de sorgo en dos densidades
de siembra. Los tratamientos del experimento se forman con la combinación de los
niveles de los factores, en el ejemplo son:
I T2 T4 T1 T3
II T4 T1 T3 T2
III T1 T2 T4 T3
IV T4 T3 T1 T2
V T3 T1 T2 T4
79
Diseños Experimentales. Emilio Olivares Sáenz
Ho: V1 = V2 vs Ha: V1 ≠ V2
Ho: D1 = D2 vs Ha: D1 ≠ D2
T1 T2 T3 T4
V1D1 V1D2 V2D1 V2D2 Σ
I 5 6 4 8 23
II 6 7 7 9 29
III 6 8 6 9 29
IV 7 8 6 10 31
V 7 8 7 10 32
Σ 31 37 30 46 144
Yij = µ + i + j + eij
i = 1,2,...,t
j = 1,2,...,r
80
Diseños Experimentales. Emilio Olivares Sáenz
t
Y2 Y2 Y 2 ... Yi.2 Y..2
SC(Trata.) i. .. 1.
i r rt r rt
r
Y.2j Y..2 Y.12 ... Y.t2 Y..2
SC( Bloques)
j t rt t rt
t
Y..2
r 2
SC(Total) Y Y22
11
ij Y 2
12 ... Y 2
tr Y ..
i j rt rt
(144) 2
52 62 ... 102 47.2
20
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 4 12.2 3.0500 14.08** 3.26 5.41
Trata. t-1= 3 32.4 10.8000 49.85** 3.49 5.95
Error (t-1)(r-1)=12 2.6 0.2166
Total tr-1=19 47.2
** Diferencia altamente significativa
Ho: 1 + 2 = 3 + 4 vs Ha 1 + 2 3 + 4
Ho: 1 + 3 = 2 + 4 vs Ha 1 + 3 2 + 4
Ho: 1 + 4 = 2 + 3 vs Ha 1 + 4 ² + 3
81
Diseños Experimentales. Emilio Olivares Sáenz
Ho: 1 - 2 = 3 - 4 vs Ha 1 - 2 3 - 4
O sea que prueba si la diferencia entre las densidades es igual en las dos
variedades.
Ho: 1 - 3= 2 - 4 vs Ha 1 - 3 2 - 4
En este caso se prueba si la diferencia entre las variedades es igual en las dos
densidades.
La tabla de los coeficientes de los contrastes para probar las hipótesis es:
T1 T2 T3 T4
V1D1 V1D2 V2D1 V2D2
V 1 1 -1 -1
D 1 -1 1 -1
VxD 1 -1 -1 1
2
t
cijTi
C 2j
SC(Contraste j ) t
i 1
t
r cij2 r cij2
i 1 i 1
SC(V )
C12
T1 T2 T3 T4 2
t
r ci21
r c112 c21
2
c31
2
c41
2
i 1
(31 37 30 46) 2
3.2
5 (1) 2 (1) 2 (1) 2 (1) 2
SC( D)
C22
T1 T2 T3 T4 2
t
r ci22
r c122 c22
2
c32
2
c42
2
i 1
(31 37 30 46) 2
24.2
5 (1) 2 (1) 2 (1) 2 (1) 2
SC(VxD)
C32
T1 T2 T3 T4 2
rc
t
2 2
r c31 c32
2
c33
2
c34
2
3i
i 1
(31 37 30 46) 2
5.0
5 (1) 2 (1) 2 (1) 2 (1) 2
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 4 12.2 3.0500 14.08** 3.26 5.41
Trata. t-1= 3 32.4 10.8000 49.85** 3.49 5.95
Var. 1 3.2 3.2000 14.77** 4.75 9.33
Den. 1 24.2 24.2000 111.69** 4.75 9.33
VxD 1 5.0 5.0000 23.08** 4.75 9.33
Error (t-1)(r-1)=12 2.6 0.2166
Total tr-1=19 47.2
** Diferencia altamente significativa
83
Diseños Experimentales. Emilio Olivares Sáenz
2CME
r
2CME
Para comparar medias del factor A:
rb
2CME
Para comparar medias del factor B:
ra
D1 D2
V1 6.2 a 7.4 b 6.8
V2 6.0 a 9.2 a 7.6
6.1 8.3 7.2
a, b: letras diferentes en la misma columna indican que hay
diferencia significativa entre las medias de las variedades
84
Diseños Experimentales. Emilio Olivares Sáenz
2CME
DMS t / 2, gl 2
r
En donde:
t(α/2,gle)= t de Student, se busca en tablas con los grados de libertad del error
(gle)
y un nivel de significancia
r = número de repeticiones con las que se calculó las medias que se van a
comparar.
2 ( 0. 2166)
DMS 2.179 0. 64
5
Si la diferencia de las medias es mayor que .64 entonces las medias son diferentes
y se les asigna diferente letra en la tabla de medias. Los resultados muestran que
no hay diferencia significativa entre las variedades cuando se siembran en la
densidad 1. Sin embargo, cuando se siembran en la densidad 2 la mejor variedad
es la 2.
La interacción entre los factores también se puede estudiar por medio de una
gráfica de la siguiente forma:
10
9
8
7
6
V1
5
4 V2
3
2
1
0
D1 D2
85
Diseños Experimentales. Emilio Olivares Sáenz
En general, en este tipo de gráficas, cuando las líneas tienden a ser paralelas no
hay interacción entre las variables. En la gráfica se observa que la mejor densidad
es la 2 en ambas variedades, sin embargo, la respuesta es mayor en la variedad 2,
lo que indica que si hay interacción. Cuando se comparan las variedades, se
observa que no hay diferencia entre variedades en la densidad 1, pero en la
densidad 2 la mejor variedad es la 2.
i = 1, 2, … , r j = 1, 2, … , a k = 1, 2, … , b
T1 T2 T3 T4
V1 D1 V1 D2 V2 D1 V2 D2 Σ
I Y111 Y112 Y121 Y122 Y1..
II Y211 Y212 Y221 Y222 Y2..
III Y311 Y312 Y321 Y322 Y3..
IV Y411 Y412 Y421 Y422 Y4..
V Y511 Y512 Y521 Y522 Y5..
Σ Y.11 Y.12 Y.21 Y.22 Y...
r
Y2 Y2 Y 2 Y 2 ... Yr2.. Y...2
SC( Bloques) i.. ... 1.. 2..
i 1 ab rab ab rab
86
Diseños Experimentales. Emilio Olivares Sáenz
b
Y..2k Y...2 Y..21 Y..22 Y...2
SC( D)
k 1 ra rab ra rab
a b Y.2jk Y...2
SC(VxD) SC(V ) SC( D)
j 1 k 1 r rab
Y 2 ... Y.22
2
Y2
.11 ... SC(V ) SC( D)
r rab
r a b
Y2 Y2
SC(Total) Yijk2 ... Y111
2
... Yrab
2
...
i 1 j 1 k 1 rab rab
(144) 2
(5) 2 ... (10) 2 47.2
20
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 4 12.2 3.0500 14.08** 3.26 5.41
Variedad a-1=1 3.2 3.20 14.77** 4.75 9.33
Densidad b-1=1 24.2 24.20 111.69** 4.75 9.33
VxD (a-1)(b-1)=1 5.0 5.00 23.08** 4.75 9.33
Error (ab-1)(r-1)=12 2.6 0.2166
Total abr-1=19 47.2
** Diferencia altamente significativa
87
Diseños Experimentales. Emilio Olivares Sáenz
1. En la hoja de captura de datos, cada factor tiene una columna, así como
el número de repeticiones y otra columna para las observaciones. En el
menú principal (arriba) se selecciona:
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna a la variable que se va a
analizar
Para obtener las medias de los niveles de los factores se selecciona
“Options” en el menú de la derecha y se asignan a la casilla los
factores y la interacción.
88
Diseños Experimentales. Emilio Olivares Sáenz
2. En la hoja de captura de datos, cada factor tiene una columna, así como
el número de repeticiones y otra columna para las observaciones. En el
menú principal (arriba) se selecciona:
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan los factores
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los bloques al cuadro de la derecha, los factores y la
interacción entre ellos; para la interacción seleccione ambos factores
y asígnelos a la casilla
Posteriormente se oprime “Continue” en la parte de abajo
Para finalizar se oprime “OK”
89
Diseños Experimentales. Emilio Olivares Sáenz
12.1. Introducción
Los experimentos factoriales 23 consideran tres factores con dos niveles cada uno.
t1 = n1 p1 d1 en donde: t = tratamiento
t2 = n1 p1 d2 n = nitrógeno
t3 = n1 p2 d1 p = fósforo
t4 = n1 p2 d2 d = densidad
t5 = n2 p1 d1
t6 = n2 p1 d2
t7 = n2 p2 d1
t8 = n2 p2 d2
I T2 T4 T6 T3 T7 T1 T5 T8
II T7 T3 T5 T2 T8 T4 T6 T1
III T1 T8 T4 T6 T3 T7 T2 T5
IV T3 T1 T8 T4 T2 T5 T6 T7
90
Diseños Experimentales. Emilio Olivares Sáenz
Ho: N1 = N2 vs Ha: N1 ≠ N2
Ho: P1 = P2 vs Ha: P1 ≠ P2
Ho: D1 = D2 vs Ha: D1 ≠ D2
Ho: no hay interacción NxP vs Ha: si hay interacción NxP
Ho: no hay interacción NxD vs Ha: si hay interacción NxD
Ho: no hay interacción PxD vs Ha: si hay interacción PxD
Ho: no hay interacción NxPxD vs Ha: si hay interacción NxPxD
T1 T2 T3 T4 T5 T6 T7 T8
111 112 121 122 211 212 221 222 ∑
I 4 4 3 6 4 6 4 8 39
II 4 6 3 7 6 7 5 9 47
III 5 6 4 8 7 8 6 10 54
IV 6 7 4 9 8 9 7 11 61
∑ 19 23 14 30 25 30 22 38 201
Primeramente se analizarán los datos por medio de bloques al azar con contrastes
ortogonales, los coeficientes de los contrastes se muestran en la siguiente tabla:
T1 T2 T3 T4 T5 T6 T7 T8
111 112 121 122 211 212 221 222
N 1 1 1 1 -1 -1 -1 -1
P 1 1 -1 -1 1 1 -1 -1
D 1 -1 1 -1 1 -1 1 -1
NP 1 1 -1 -1 -1 -1 1 1
ND 1 -1 1 -1 -1 1 -1 1
PD 1 -1 -1 1 1 -1 -1 1
NPD 1 -1 -1 1 -1 1 1 -1
91
Diseños Experimentales. Emilio Olivares Sáenz
Y. 2j Y..2
r
Y.12 ... Y.r2 Y..2
SC( Bloques) .
j 1 t rt t rt
t
Y..2 r
Y..2
SC(Total) Y Y11 ... Ytr
2 2
ij
2
i 1 j 1 rt rt
2012
SC (Total) 4 ... 11
2
134.46875
2
32
92
Diseños Experimentales. Emilio Olivares Sáenz
(c T ) i i
2
SC( N ) i 1
t
r ci2
i 1
(19 23 14 30 25 30 22 38) 2
SC( N ) 26.28125
4 12 12 12 12 (1) 2 (1) 2 (1) 2 (1) 2
Utilizando la misma ecuación y los coeficientes de contrastes presentados en la tabla
anterior, se calculan las sumas de cuadrados para los otros efectos:
(19 23 14 30 25 30 22 38) 2
SC( P) 1.53125
4 12 12 (1) 2 (1) 2 12 12 (1) 2 (1) 2
F tablas
FV GL SC CM Fc 0.05 0.01
Bloques 3 33.34375 11.11458 59.75 ** 3.07 4.87
Trata. 7 97.21875 13.88840 74.66 ** 2.49 3.65
N 1 26.28125 26.28125 141.29 ** 4.32 8.02
P 1 1.53125 1.53125 8.23 ** 4.32 8.02
D 1 52.53125 52.53125 282.41 ** 4.32 8.02
NP 1 0.28125 0.28125 1.51 4.32 8.02
ND 1 0.03125 0.03125 0.17 4.32 8.02
PD 1 16.53125 16.53125 88.87 ** 4.32 8.02
NPD 1 0.03125 0.03125 0.17 4.32 8.02
Error 21 3.90625 0.18601
Total 134.46875
31
** Diferencia altamente significativa
2CME
r
94
Diseños Experimentales. Emilio Olivares Sáenz
Caso 2. Alguna de las interacciones de primer orden (AxB, AxC o BxC) es significativa.
En este caso se comparan los niveles de un factor dentro de los niveles del otro factor.
Por ejemplo, si la interacción AxB es significativa, entonces de deben de comparar los
niveles de A dentro de cada uno de los niveles de B, o los niveles de B dentro de cada
uno de los niveles de A. El error estándar para la comparación de las medias es:
2CME
rc
2CME
rb
Si la interacción BxC es significativa, entonces de deben de comparar los niveles de B
dentro de cada uno de los niveles de C, o los niveles de C dentro de cada uno de los
niveles de B. En este caso el error estándar para la comparación de las medias es:
2CME
ra
Caso 3. Si alguna de las interacciones que contienen al factor no es significativa, y el
efecto principal si es significativo, entonces deben de compararse las medias de los
niveles del factor. Los errores estándar de la diferencia de medias son:
2CME
Para comparar las medias del factor A:
rbc
2CME
Para comparar las medias del factor B:
rac
2CME
Para comparar las medias del factor C:
rab
95
Diseños Experimentales. Emilio Olivares Sáenz
N1 = 19 + 23 + 14 + 30 = 86
N2 = 25 + 30 +22 + 38 = 115
Para comparar los niveles de N no hay necesidad de hacer una comparación de medias
por alguno de los métodos de comparación múltiple de medias debido a que en el análisis
de varianza se encontró diferencia significativa ente los niveles.
Por otra parte, se puede observar en el análisis de varianza que la Fc de P es muy pequeña
comparada con la Fc de D, además la Fc de la interacción es mayor que la de P e inferior
a la de D, por lo que se puede esperar que la diferencia entre los niveles de D tenga la
misma tendencia en los dos niveles de P, pero la diferencia en los niveles de P no sea
igual en los dos niveles de D.
2CME
DMS t( / 2, gle)
ra
En donde:
96
Diseños Experimentales. Emilio Olivares Sáenz
t( / 2, gle) = valor de tablas de la distribución t de Student, se busca en tablas con un nivele
de
significancia α y los grados de libertad del error, para α=0.05 y gle = 21, el
valor de tablas es 2.08.
CME = cuadrado medio del error, en el ejemplo es: 0.18601
2(0.18601)
DMS 2.08 0.4485
8
La comparación de medias de P dentro de cada uno de los niveles de D es:
D1 D2
P1 5.500 a P1 6.625 b
P2 4.500 b P2 8.500 a
P1 P2
D1 5.500 b D1 4.500 b
D2 6.625 a D2 8.500 a
97
Diseños Experimentales. Emilio Olivares Sáenz
10
Rendimiento
6 P1
4 P2
0
D1 D2
Densidades
El análisis de varianza también se puede obtener considerando las ecuaciones clásicas del
diseño factorial con tres factores. Si se denota por Yijkl la observación del bloque i, con el
nivel j de N, nivel k de P y nivel l de densidad, el modelo es:
T1 T2 T3 T4 T5 T6 T7 T8
111 112 121 122 211 212 221 222 ∑
I Y1111 Y1112 Y1121 Y1122 Y1211 Y1212 Y1221 Y1222 Y1…
II Y2111 Y2112 Y2121 Y2122 Y2211 Y2212 Y2221 Y2222 Y2…
III Y3111 Y3112 Y3121 Y3122 Y3211 Y3212 Y3221 Y3222 Y3…
IV Y4111 Y4112 Y4121 Y4122 Y4211 Y4212 Y4221 Y4222 Y4…
∑ Y.111 Y.112 Y.121 Y.122 Y.211 Y.212 Y.221 Y.222 Y….
Yi...2 Y....2
r
Y12... ... Yr2... Y..2
SC( Bloques)
i 1 abc rabc abc rabc
98
Diseños Experimentales. Emilio Olivares Sáenz
P1 P2 P1 P2
N1 Y.11. Y.12. Y.1.. N1 42 44 86
N2 Y.21. Y.22. Y.2.. N2 55 60 115
Y..1. Y..2. Y…. 97 104 201
D1 D2 D1 D2
N1 Y.1.1 Y.1.2 Y.1.. N1 33 53 86
N2 Y.2.1 Y.2.2 Y.2.. N2 47 68 115
Y...1 Y…2 Y…. 80 121 201
D1 D2 D1 D2
P1 Y..11 Y..12 Y..1. P1 44 53 97
P2 Y..21 Y..22 Y..2. P2 36 68 104
Y…1 Y…2 Y…. 80 121 201
Y..2k .
b
Y...2 Y..21. ... Y..2b. Y....2
SC( P)
k 1 rac rabc rac rabc
972 1042 2012
1.53125
16 32
Y...2l
c
Y...2 Y...21 ... Y...2c Y....2
SC( D)
l 1 rab rabc rab rabc
802 1212 2012
52.53125
16 32
99
Diseños Experimentales. Emilio Olivares Sáenz
a Y. 2j .l
c
Y...2
SC( NxD) SC( N ) SC( D)
j 1 l 1 rb rabc
b
Y..2kl
c
Y...2
SC( PxD) SC( P) SC( D)
k 1 l 1 ra rabc
442 ... 682 2012
1.53125 52.53125 16.53125
8 32
a Y. 2jkl
b c
Y...2
SC( NxPxD) SC( N ) SC( P) SC( D)
j 1 k 1 l 1 r rabc
SC( NP ) SC( ND ) SC( PD )
r a b c
Y...2
SC(Total) Y 2
ijkl
i 1 j 1 k 1 l 1 rabc
2012
4 ... 11
2 2
134.46875
32
100
Diseños Experimentales. Emilio Olivares Sáenz
F tablas
FV GL SC CM Fc 0.05 0.01
Bloques 3 33.34375 11.11458 59.75 ** 3.07 4.87
Trata. 7 97.21875 13.88840 74.66 ** 2.49 3.65
N 1 26.28125 26.28125 141.29 ** 4.32 8.02
P 1 1.53125 1.53125 8.23 ** 4.32 8.02
D 1 52.53125 52.53125 282.41 ** 4.32 8.02
NP 1 0.28125 0.28125 1.51 4.32 8.02
ND 1 0.03125 0.03125 0.19 4.32 8.02
PD 1 16.53125 16.53125 88.87 ** 4.32 8.02
NPD 1 0.03125 0.03125 0.19 4.32 8.02
Error 21 3.90625 0.18601
Total 31 134.46875
** Diferencia altamente significativa
101
Diseños Experimentales. Emilio Olivares Sáenz
13.1. Introducción
Los experimentos factoriales 32 consideran dos factores con tres niveles cada uno.
13.2. Ejemplo
I T7 T3 T1 T5 T9 T2 T8 T6 T4
II T2 T9 T5 T7 T3 T4 T6 T1 T8
III T1 T8 T4 T6 T7 T9 T2 T3 T5
IV T3 T1 T8 T4 T2 T5 T6 T7 T9
102
Diseños Experimentales. Emilio Olivares Sáenz
Para cada una de las variables que se desea estudiar en el experimento, se prueban
las siguientes hipótesis:
T1 T2 T3 T4 T5 T6 T7 T8 T9
Blo. 11 12 13 21 22 23 31 32 33
I 4 3 4 6 5 6 8 9 7 52
II 3 4 4 5 5 7 7 9 6 50
III 3 4 5 5 6 5 6 8 6 48
IV 3 5 6 6 7 4 5 8 6 50
13 16 19 22 23 22 26 34 25 200
El modelo es:
i = 1,. . . . , r r=4
j = 1,. . . . , a a=9
k =1,. . . . , b b=9
En donde:
103
Diseños Experimentales. Emilio Olivares Sáenz
T1 T2 T3 T4 T5 T6 T7 T8 T9
Blo. 11 12 13 21 22 23 31 32 33
I Y111 Y112 Y113 Y121 Y122 Y123 Y131 Y132 Y133 Y1..
II Y211 Y212 Y213 Y121 Y222 Y223 Y231 Y232 Y233 Y2..
III Y311 Y312 Y313 Y121 Y322 Y323 Y331 Y332 Y333 Y3..
IV Y411 Y412 Y413 Y121 Y422 Y423 Y431 Y432 Y433 Y4..
Y.11 Y.12 Y.13 Y.21 Y.22 Y.23 Y.31 Y.32 Y.33 Y...
V1 V2 V3 V1 V2 V3
D1 13 22 26 61 D1 Y.11 Y.21 Y.31 Y..1
D2 16 23 34 73 D2 Y.12 Y.22 Y.32 Y..2
D3 19 22 25 66 D3 Y.13 Y.23 Y.33 Y..3
48 67 85 200 Y.1. Y.2. Y.3. Y…
Yi..2 Y...2
r
Y12.. Y22.. ... Yr2.. Y...2
SC( Bloques)
i 1 ab rab ab rab
Y.2j. Y...2
a
Y.12. Y.22. ... Y.a2. Y...2
SC(Variedades)
j 1 rb rab rb rab
104
Diseños Experimentales. Emilio Olivares Sáenz
Y..2k Y...2
b
Y..21 Y..22 ... Y..2c Y...2
SC( Densidades)
k 1 ra rab rc rab
a bY.2jk Y...2
SC(VxD) SC(V ) SC( D)
j 1| k 1 r rab
2
Y.11 Y.12
2
... Y.ab
2
Y...2
SC(V ) SCD)
r rab
r a b
Y2 Y2
SC(Total) Yijk2 ... Y111
2
Y112
2
... Yrab
2
...
i 1| j 1 k 1 rab rab
2002
42 ... 62 94.888889
36
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 3 0.8888 0.29629 0.34 3.01 4.72
V a-1= 2 57.0555 28.52777 34.04** 3.40 5.61
D b-1=2 6.0555 3.02777 3.61* 3.40 5.61
VxD (a-1)(b-1)=4 10.7777 2.69444 3.21* 2.78 4.22
Error (ab-1)(r-1)=24 20.1111 0.837963
Total abr-1=35 94.8888
** Diferencia altamente significativa
105
Diseños Experimentales. Emilio Olivares Sáenz
2CME
Para comparar medias del factor A:
rb
2CME
Para comparar medias del factor B:
ra
V1 V2 V3 Media
D1 3.25 5.50 6.50 5.08
D2 4.00 5.75 8.50 6.08
D3 4.75 5.50 6.25 5.50
Media 4.00 5.58 7.08 5.55
2CME
DMS t ( / 2, gle)
r
2(0.837963)
DMS 2.064 1.336
4
Si la diferencia de las medias es mayor que 1.336 entonces las medias son
diferentes y se les asigna diferente letra en la tabla de medias:
V1 V2 V3 Media
D1 3.25 b 5.50 a 6.50 b 5.08
D2 4.00 ab 5.75 a 8.50 a 6.08
D3 4.75 a 5.50 a 6.25 b 5.50
Media 4.00 5.58 7.08 5.55
2CME
DMS t ( / 2, gle)
rb
2(0.875)
DMS 2.064 0.771
12
La comparación de medias de las variedades en general se presenta en la siguiente
tabla:
Variedad Media
V3 7.08 a
V2 5.58 b
V1 4.00 c
DMS = 0.771
107
Diseños Experimentales. Emilio Olivares Sáenz
V1 V2 V3 Media
D1 3.25 b 5.50 a 6.50 a 5.08
D2 4.00 c 5.75 b 8.50 a 6.08
D3 4.75 b 5.50 ab 6.25 a 5.50
Media 4.00 5.58 7.08 5.55
DMS = 1.336
La interacción entre los factores también se puede estudiar por medio de gráficas
como se hizo en el caso de los experimentos factoriales 22.
10 DMS
8
V1
6
V2
4
V3
2
0
D1 D2 D3
108
Diseños Experimentales. Emilio Olivares Sáenz
14.1. Introducción
14.2. Ejemplo
109
Diseños Experimentales. Emilio Olivares Sáenz
Para cada una de las variables que se desea estudiar en el experimento, se prueban
las siguientes hipótesis:
110
Diseños Experimentales. Emilio Olivares Sáenz
I II III IV ∑
V1 6 7 8 9 30
F1 V2 7 7 9 8 31
V3 8 7 9 9 33
∑ 21 21 26 26 94
V1 10 12 13 13 48
F2 V2 9 11 12 13 45
V3 7 8 7 10 32
∑ 26 31 32 36 125
∑∑ 47 52 58 62 219
I II III IV ∑
V1 Y111 Y211 Y311 Y411 Y.11
F1 V2 Y112 Y212 Y312 Y412 Y.12
V3 Y113 Y213 Y313 Y413 Y.13
∑ Y11. Y21. Y31. Y41. Y.1.
V1 Y121 Y221 Y321 Y421 Y.21
F2 V2 Y122 Y222 Y322 Y422 Y.22
V3 Y123 Y223 Y323 Y423 Y.23
∑ Y12. Y22. Y32. Y42. Y.2.
∑∑ Y1.. Y2.. Y3.. Y4.. Y...
r
Y2 Y2 Y 2 Y 2 ... Yr2.. Y...2
SC( Bloques) i.. ... 1.. 2..
i 1 ab rab ab rab
a Y2
Y2 Y 2 ... Y.a2. Y...2
SC( F ) . j. ... .1.
j 1 rb rab rb rab
111
Diseños Experimentales. Emilio Olivares Sáenz
Yij2. Y...2
r a
SC( Error(a)) SC( Bloques) SC( F )
i 1 j 1 b rab
r a Yij2.
Y2
SC( Error(a)) ... SC( Bloques) SC( F )
i 1 j 1 b rab
Y . ... Y . Y...2
2 2
11 ra
SC( Bloques) SC( F )
b rab
F1 F2 ∑ F1 F2 ∑
V1 30 48 78 V1 Y.11 Y.21 Y..1
V2 31 45 76 V2 Y.12 Y.22 Y..2
V3 33 32 65 V3 Y.13 Y.23 Y..3
∑ 94 125 219 ∑ Y.1. Y.2. Y...
b
Y2 Y2 Y 2 ... Y..2b Y...2
SC(V ) ..k ... ..1
k 1 ra rab ra rab
a Y.2jk Y...2
b
SC( FxV ) SC( F ) SC(V )
j 1 k 1 r rab
Y 2 ... Y.ab
2
Y2
.11 ... SC( F ) SC(V )
r rab
112
Diseños Experimentales. Emilio Olivares Sáenz
r a b
Y2 Y2
SC(Total) Yijk2 ... Y111
2
... Yrab
2
...
i 1 j 1 k 1 rab rab
(219) 2
(6) 2 ... (10) 2 108.625
24
SC( Error(b)) SC(Total) SC( Bloques) SC( F ) SC( Error(a)) SC(V ) SC( FxV )
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 3 21.791667 7.263889 6.30 9.28 29.46
Fechas a-1=1 40.041667 40.041667 34.73** 10.13 34.12
Error(a) (r-1)(a-1)=3 3.458333 1.152778
Variedades b-1=2 12.250000 6.125000 12.25** 3.89 6.93
FxV (a-1)(b-1)=2 25.083334 12.541667 25.08** 3.89 6.93
Error(b) a(r-1)(b-1)=12 6. 000000 0.500000
Total abr-1=23 108.625000
** Diferencia altamente significativa
2CME (b)
r
Si se desea comparar dos medias de niveles del factor A en el mismo nivel B; por
ejemplo, comparar dos medias de fechas en la misma variedad, se usa el siguiente
error estándar:
113
Diseños Experimentales. Emilio Olivares Sáenz
2CME (a)
rb
2CME (b)
ra
F1 F2 Media
V1 7.50 a 12.00 a 9.750
V2 7.75 a 11.25 a 9.500
V3 8.25 a 8.00 b 8.125
Media 7.833 10.416 9.125
114
Diseños Experimentales. Emilio Olivares Sáenz
2CME (b)
DMS t( , gle)
r
En donde:
2(0.5)
DMS 2.179 1.0895
4
Para comparar las fechas de siembra para cada variedad se utiliza el siguiente
DMS:
En donde:
115
Diseños Experimentales. Emilio Olivares Sáenz
En el ejemplo:
2(0.5)(2.18) (1.152778)(3.18)
t 2.71548
2(0.5) 1.152778
22(0.5) 1.152778
DMS 2.71548 1.627
12
Para la variedad 1:
Fecha Media
F1 7.50 b
F2 12.00 a
Para la variedad 2:
Fecha Media
F1 7.75 b
F2 11.25 a
Para la variedad 3:
Fecha Media
F1 8.25 a
F2 8.00 a
116
Diseños Experimentales. Emilio Olivares Sáenz
14
12
10
V1
8
V2
6
V3
4
2
0
F1 F2
117
Diseños Experimentales. Emilio Olivares Sáenz
T1=F1V1
T2=F1V2
T3=F2V1
T4=F2V2
Observe que si cada bloque se considera como una parcela grande, entonces el
croquis es el de un diseño en parcelas divididas.
Los análisis de varianza para los diseños factorial 2 x 2 con conufsión de un efecto
principal y parcelas divididas son:
118
Diseños Experimentales. Emilio Olivares Sáenz
FV GL FV GL
Bloques
Repeticiones r-1 Repeticiones r-1
B. dent. R.
A a-1 A a-1
Rep. x A (a-1)(r-1) Error (a) (a-1)(r-1)
B b-1 B b-1
AB (a-1)(b-1) AB (a-1)(b-1)
Error a(r-1)(b-1) Error (b) a(r-1)(b-1)
Total rab-1 Total rab-1
119
Diseños Experimentales. Emilio Olivares Sáenz
5. Los grados de libertad del error(a) son, en la mayoría de los casos, muy
pocos para hacer una adecuada comparación de los niveles del factor A.
a. Parcelas Divididas
b. Parcelas Sub-Dividias
En la hoja de captura de datos, cada factor tiene una columna, así como el número
de repeticiones y otra columna para las observaciones. En el menú principal
(arriba) se selecciona:
Analyze
General lineal model
Univariate
120
Diseños Experimentales. Emilio Olivares Sáenz
121
Diseños Experimentales. Emilio Olivares Sáenz
15.1. Introducción
15.2. Ejemplo
L1 Rastra y barbecho
L2 Mínima labranza
L3 Rastra
H1 Riego
H2 Punta de riego
H3 Temporal
L1 L3 L2 L2 L3 L1
H1 H3
H2 H1
H3 H2
L2 L1 L3 L1 L2 L3
H1 H2
H3 H3
H2 H1
122
Diseños Experimentales. Emilio Olivares Sáenz
Para cada una de las variables que se desea estudiar en el experimento, se prueban
las siguientes hipótesis:
123
Diseños Experimentales. Emilio Olivares Sáenz
I II III IV ∑
H1 15 16 19 17 67
L1 H2 12 14 18 14 58
H3 8 9 9 10 36
∑ 35 39 46 41 161
H1 11 10 12 13 46
L2 H2 10 10 11 12 43
H3 10 9 10 12 41
∑ 31 29 33 37 130
H1 13 14 15 15 57
L3 H2 12 13 12 13 50
H3 10 8 11 10 39
∑ 35 35 38 38 146
∑∑ 101 103 117 116 437
I II III IV ∑
H1 Y111 Y211 Y311 Y411 Y.11
L1 H2 Y112 Y212 Y312 Y412 Y.12
H3 Y113 Y213 Y313 Y413 Y.13
∑ Y11. Y21. Y31. Y41. Y.1.
H1 Y121 Y221 Y321 Y421 Y.21
L2 H2 Y122 Y222 Y322 Y422 Y.22
H3 Y123 Y223 Y323 Y423 Y.23
∑ Y12. Y22. Y32. Y42. Y.2.
H1 Y131 Y231 Y331 Y431 Y.31
L3 H2 Y132 Y232 Y332 Y432 Y.32
H3 Y133 Y233 Y333 Y433 Y.33
∑ Y13. Y23. Y33. Y42. Y.3.
∑∑ Y1.. Y2.. Y3.. Y4.. Y...
r
Y2 Y2 Y 2 Y 2 ... Yr2.. Y...2
SC( Bloques) i.. ... 1.. 2..
i 1 ab rab ab rab
124
Diseños Experimentales. Emilio Olivares Sáenz
r a Yij2.
Y2
SC( Error(a)) ... SC( Bloques) SC( L)
i 1 j 1 b rab
Las sumas de cuadrados para los niveles de humedad y error (b) se pueden
calcular considerando los totales en la siguiente tabla:
I II III IV ∑ I II III IV ∑
H1 39 40 46 45 170 H1 Y1.1 Y2.1 Y3.1 Y4.1 Y..1
H2 34 37 41 39 151 H2 Y1.2 Y2.2 Y3.2 Y4.2 Y..2
H3 28 26 30 32 116 H3 Y1.3 Y2.3 Y3.3 Y4.3 Y..3
∑ 101 103 117 116 437 ∑ Y1.. Y2.. Y3.. Y4.. Y...
b
Y2 Y2 Y 2 ... Y..2b Y...2
SC( H ) ..k ... ..1
k 1 ra rab ra rab
r b
Y2 Y2
SC( Error(b)) i.k ... SC( Bloques) SC( H )
i 1 k 1 a rab
125
Diseños Experimentales. Emilio Olivares Sáenz
a bY.2jk Y...2
SC( LxH ) SC( L) SC( H )
j 1 k 1 r rab
Y 2 ... Y.ab
2
Y2
.11 ... SC( L) SC( H )
r rab
r a b
Y2 Y2
SC(Total) Yijk2 ... Y111
2
... Yrab
2
...
i 1 j 1 k 1 rab rab
(437) 2
(15) 2 ... (10) 2 262.305556
36
SC( Error(c)) SC(Total) SC( Bloques) SC( L) SC( Error(a)) SC( H ) SC( Error(b))
SC( LxH )
FV GL SC CM Fc 0.05 0.01
Bloques r-1= 3 23.6388 7.8796 3.96 4.76 9.78
Labranza a-1=1 40.0555 20.0277 10.05** 5.14 10.92
Error(a) (r-1)(a-1)=6 11.9444 1.9907
Humedad b-1=2 125.0555 62.5277 87.70** 5.14 10.92
Error(b) (b-1)(r-1)=6 4.2777 0.7129
LxH (a-1)(b-1)=4 46.4444 11.6111 12.79** 3.26 5.41
Error(c) (a-1)(r-1)(b-1)=12 10.8888 0.9074
Total abr-1=23 262.3055
** Diferencia altamente significativa
126
Diseños Experimentales. Emilio Olivares Sáenz
Si se desea comparar dos medias de niveles del factor A en el mismo nivel B; por
ejemplo, comparar dos medias de labranza en el mismo nivel de humedad, se usa
el siguiente error estándar:
127
Diseños Experimentales. Emilio Olivares Sáenz
2CME (a)
rb
2CME (b)
ra
H1 H2 H3 Media
L1 16.75 a 14.50 a 9.00 a 13.417
L2 11.50 c 10.75 b 10.25 a 10.833
L3 14.25 b 12.50 b 9.75 a 12.167
Media 14.167 12.58 9.667 12.139
Para comparar las medias de labranza dentro de cada nivel de humedad se calcula
el valor de la diferencia mínima significativa (DMS) mediante la siguiente
ecuación:
ta = 2.447; tc =2.179
128
Diseños Experimentales. Emilio Olivares Sáenz
2(0.907407)(2.179) (1.990741)(2.447)
t
2(0.907407) 1.990741
22(0.907407) 1.990741)
DMS 2.319 1.847
12
Los resultados muestran que bajo riego (H1) el mejoer método de labranza es el de
rastra y barbecho (L1), seguido del de rastra (L3); en punta de riego (H2) también
sobresale el método de rastra y barbecho (L1), pero no hay diferencia significativa
ente mínima labranza (L2) y rastra (L3); en el caso de temporal (H3) no hay
diferencia significativa ente los métodos de labranza. Estos resultados se pueden
apreciar en la siguiente figura:
20
15
L1
10 L2
L3
5
0
H1 H2 H3
129
Diseños Experimentales. Emilio Olivares Sáenz
En la hoja de captura de datos, cada factor tiene una columna, así como el número
de repeticiones y otra columna para las observaciones. En el menú principal
(arriba) se selecciona:
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan los factores
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los bloques al cuadro de la derecha, los factores y la
interacción entre ellos; para la interacción seleccione ambos factores
y asígnelos a la casilla
Posteriormente se oprime “Continue”
En la parte de abajo se oprime “Paste” y se añade la siguiente
codificación (si los factores son H y L):
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/CRITERIA=ALPHA(0.05)
/DESIGN=Bloques H Bloques*H L l*Bloques H*L
/Test Bloques vs Bloques*H
/Test H vs Bloques*H
/Test L vs Bloques*l.
Se corre el programa oprimiendo un ícono parecido a un triángulo en
la parte superior
130
Diseños Experimentales. Emilio Olivares Sáenz
El análisis de covarianza se utiliza cuando se tiene un factor que afecta a las unidades
experimentales y es posible hacer una medida cuantitativa en cada una de ellas. El
objetivo de incluir una covariable en el modelo es incrementar la precisión del
experimento.
Es posible hacer un análisis de covarianza para cada uno de los diferentes diseños.
i = 1, 2 , ... , t
j = 1, 2 , ... , ni
en donde:
131
Diseños Experimentales. Emilio Olivares Sáenz
- Los errores (eij) se distribuyen normal e independientemente con media cero y varianza
igual a σ2.
T1 T2 T3 T1 T2 T3
1.2 1.3 1.4 220 220 230
1.1 1.3 1.3 218 219 226
1.2 1.2 1.2 222 217 212
1.3 1.4 1.5 230 230 242
1.2 1.3 1.3 225 222 227
1.2 1.5 1.2 219 238 214
7.2 8.0 7.9 23.1 1334 1346 1351 4031
De acuerdo al modelo, los datos pueden representarse en una tabla de la siguiente forma:
T1 T2 T3 T1 T2 T3
Y11 Y21 Y31 X11 X21 X31
Y12 Y22 Y32 X12 X22 X32
Y13 Y23 Y33 X13 X23 X33
Y14 Y24 Y34 X14 X24 X34
Y15 Y25 Y35 X15 X25 X35
Y16 Y26 Y36 X16 X26 X36
Y1. Y2. Y3. Y.. X1. X2. X3. X..
Ho: β = 0 vs Ha: β ≠ 0
Estas hipótesis se prueban con una tabla de análisis de varianza. Primero se calculan las
sumas de cuadrados y los productos cruzados:
132
Diseños Experimentales. Emilio Olivares Sáenz
t
Y2 Y2 Y2 Y 2 Y 2 (7.2) 2 (7.9) 2 (23.1) 2
Tyy i. .. 1. ... t. .. ... 0.063333
i 1 ni n. n1 nt n. 6 6 18
t
X i2. X ..2 X 12. X 2 X 2 (1334) 2 (1351) 2 (4031) 2
Txx ... t. .. ... 25.4444
i 1 ni n. n1 nt n. 6 6 18
t
X i.Yi. X ..Y.. X 1.Y1. X Y X Y
Txy ... t. t. .. ..
i 1 ni n. n1 nt n.
(1334)(7.2) (1351)(7.9) (4031)(23.1)
... 1.166666
6 6 18
2
t
Y2ni
Y..
Totyy Y .. Y11 Y12 ... Ytnt
2 2 2 2
ij
i 1 j 1 n. n.
(23.1) 2
1.2 2 ... 1.2 2 0.205
18
t ni
X2 X2
Totxx X ij2 .. X 112 X 122 ... X tnt
2
..
i 1 j 1 n. n.
(4031) 2
2202 ... 2142 1060.9444
18
t ni
X Y X Y
Totxy X ijYij .. .. X 11Y11 ... X tntYtnt .. ..
i 1 j 1 n. n.
(4031)(23.1)
(220)(1.2) ... (214)(1.2) 12.683333
18
133
Diseños Experimentales. Emilio Olivares Sáenz
FV XX XY YY
Tratamiento 25.4444 1.166667 0.063333
Error 1035.5000 11.516667 0.141667
T+E 1060.9444 12.683334 0.205000
E xy2 (11.516667) 2
SC(Cov.) 0.128086
E xx 1035.5
(Txy E xy ) 2 E xy2
SC (Trata) (Tyy E yy ) E yy
(Txx E xx ) E xx
(12.683334) 2 (11.516667) 2
0.205 0.141667 0.039793
1060.94444 1035.5
E xy2 (11.516667) 2
SC( Error) E yy 0.141667 0.01358
E xx 1035.5
FV GL SC CM Fc 0.05 0.01
Cova. 1 0.128086 0.128086 132.05** 4.60 8.86
Trata. t-1= 2 0.039793 0.019896 20.51** 3.74 6.51
Error t(r-1)-1=14 0.013580 0.000970
Total tr-1=17 0.181459
** Diferencia altamente significativa
134
Diseños Experimentales. Emilio Olivares Sáenz
Y ai Y i ˆ ( X i. X .. )
En donde:
Y ai Media ajustada del tratamiento i
Y i Media de la variable Y en el tratamiento i
ˆ Coeficiente de regresión estimado
X i. Media de la variable X en el tratamiento i
X .. Media de todas las observaciones de la variable X
Exy 11.516667
ˆ 0.0111218
Exx 1035.5
Trata Yi X i.
1 1.2000 222.3333
2 1.3333 224.3333
3 1.3166 225.1666
El error estándar para comparar las medias ajustadas depende de las medias de la variable
X, por lo tanto, es necesario calcular un error estándar diferente para cada comparación.
El valor de la diferencia mínima significativa para comparar las medias i y j se calcula
con la siguiente ecuación:
135
Diseños Experimentales. Emilio Olivares Sáenz
1 1 ( X i X j )2
DMS ij t ( / 2, gle) CME
ni n j Exx
En donde:
t( / 2, gle) = t de Student, se busca en tablas con α/2 y grados de libertad del error. En el
ejemplo, para α =0.05 y gle=14 el valor es 2.145.
La tabla de medias ajustada y con las medias ordenadas de mayor a menor es:
Trata ni Y ai
2 6 1.3290
3 6 1.3031
1 6 1.2179
1 1 (224.3333 225.1666) 2
DMS 23 2.145 .00097 0.0386
6 6 1035.5
1.3290 - 1.3031 = 0.025 < 0.0386 por lo que las medias son “iguales”
1 1 (222.3333 224.3333) 2
DMS12 2.145 .00097 0.0388
6 6 1035 .5
1.3290 - 1.2179 = 0.1111 > 0.0388 por lo que las medias son diferentes
136
Diseños Experimentales. Emilio Olivares Sáenz
1 1 (222.3333 225.1666) 2
DMS13 2.145 .00097 0.0390
6 6 1035.5
1.3031 - 1.2179 = 0.0852 > 0.0390 por lo que las medias son diferentes
Trata ni Y ai α = 0.05
2 6 1.3290 a
3 6 1.3031 a
1 6 1.2179 b
137
Diseños Experimentales. Emilio Olivares Sáenz
i = 1,2,...,t
j = 1,2,...,ni
en donde:
Se supone que:
138
Diseños Experimentales. Emilio Olivares Sáenz
De acuerdo al modelo los datos pueden representarse en una tabla de la siguiente forma:
T1 T2 T3 T4 T1 T2 T3 T4
I Y11 Y21 Y31 Y41 Y.1 I X11 X21 X31 X41 X.1
II Y12 Y22 Y32 Y42 Y.2 II X12 X22 X32 X42 X.2
III Y13 Y23 Y33 Y43 Y.3 III X13 X23 X33 X43 X.3
IV Y14 Y24 Y34 Y44 Y.4 IV X14 X24 X34 X44 X.4
V Y15 Y25 Y35 Y45 Y.5 V X15 X25 X35 X45 X.5
VI Y16 Y26 Y36 Y46 Y.6 VI X16 X26 X36 X46 X.6
Y1. Y2. Y3 . Y4. Y.. X1. X2. X3. X4. X..
Ho: b = 0 vs Ha: b ≠ 0
Estas hipótesis se prueban en una tabla de análisis de varianza en donde las sumas de
cuadrados son:
t
Y 2 Y 2 Y 2 ... Yt.2 Y..2 (67) 2 ... (84) 2 (301) 2
Tyy i. .. 1. 24.125
i 1 r tr r tr 6 24
t
X i2. X ..2 X 12. ... X t2. X ..2 (358) 2 ... (346) 2 (1446) 2
Txx 77.5
i 1 r tr r tr 6 24
t
X i.Yi. Y.. X.. X 1.Y1. ... X t.Yt. Y.. X..
Txy
i 1 r tr r tr
(358)(67) ... (346)(84) (1446)(301)
18.5833
6 24
tY.2j Y..2 Y.12 ... Y.r2 Y..2 (44)2 ... (57)2 (301)2
Byy 29.70833
i 1 t tr t tr 4 24
139
Diseños Experimentales. Emilio Olivares Sáenz
t X2
X 2 X 2 ... X.2r X..2 (251)2 ... (240)2 (1446)2
Bxx . j .. .1 44.5
i 1 t tr t tr 4 24
t
Y..2
r
Y..2
Totyy Y Y11 Y12 ... Ytr
2 2
ij
2 2
i 1 j 1 tr tr
(301) 2
8 ... 16
2 2
105.950333
24
t
X..2
r
X..2
Totxx X X11 X12 ... X tr
2 2
ij
2 2
i 1 j 1 tr tr
(1446) 2
60 ... 58
2
426.5
2
24
t r
X Y X Y
Totxy X ijYij .. .. X 11Y11 ... X trYtr .. ..
i 1 j 1 tr tr
(1446)(301)
(60)(8) ... (58)(16) 76.75
24
FV XX XY YY
Tratamientos 77.5 -18.5833 24.1250
Bloques 44.5 -15.7500 29.7083
Error 304.5 111.0833 52.1250
140
Diseños Experimentales. Emilio Olivares Sáenz
E xy2 (111.0833) 2
SC(Cov.) 40.5238
E xx 304.5
(Txy E xy ) 2 E xy2
SC (Trata) (Tyy E yy ) E yy
(Txx E xx ) E xx
(92.5) 2 (111.0833) 2
76.25 52.125 42.250271
382 304 . 5
( Bxy E xy ) 2 E xy2
SC( Bloques) ( B yy E yy ) E yy
( Bxx E xx ) E xx
(95.333) 2 (111.0833) 2
81.8333 52.125 44.190777
349 304 .5
La suma de cuadrados del error es:
E xy2 (111.0833) 2
SC( Error) E yy 52.125 11.6011168
E xx 304.5
FV GL SC CM Fc 0.05 0.01
Cova. 1 40.5238 40.5230 48.90** 4.60 8.86
Trata. t-1= 3 42.2502 14.0834 16.99** 3.34 5.56
Bloques r-1=5 44.1908 8.8381 10.66** 2.96 4.69
Error (t-1)(r-1)-1=14 11.6012 0.8286
Total tr-1=23 138.566
** Diferencia altamente significativa
Para comparar las medias es necesario ajustarlas por medio de la siguiente ecuación:
141
Diseños Experimentales. Emilio Olivares Sáenz
Y ai Y i ˆ ( X i. X .. )
En done
Y ai Media ajustada del tratamiento i
Y i Media de la variable Y en el tratamiento i
ˆ Coeficiente de regresión estimado
X i. Media de la variable X en el tratamiento i
X .. Media de todas las observaciones de la variable X
Exy 111.0833
ˆ 0.364806
Exx 304.5
Trata Yi X i.
1 11.1666 59.6666
2 12.5000 62.5000
3 12.5000 61.1666
4 14.0000 57.6666
El error estándar para comparar las medias ajustadas depende de las medias de la variable
X, por lo tanto, es necesario calcular un error estándar diferente para cada comparación.
El valor de la diferencia mínima significativa para comparar las medias i y j se calcula
con la siguiente ecuación:
142
Diseños Experimentales. Emilio Olivares Sáenz
2 ( X i X j )2
DMSij t( / 2, gle) CME
r Exx
En donde:
t( / 2, gle) = t de Student, se busca en tablas con α/2 y grados de libertad del error. En el
ejemplo, para α =0.05 y gle=14 el valor es 2.145.
La tabla de medias ajustada y con las medias ordenadas de mayor a menor es:
Trata Y ai X i.
4 14.9424 57.666
3 12.1656 61.166
2 11.6792 62.500
1 11.3795 59.666
2 (61.1666 57.6666) 2
DMS 43 2.145 .828655 1.1935
6 304 .5
14.9424 – 12.1656 = 2.7768 > 1.1935 por lo que las medias son diferentes
2 (62.5 61.1666) 2
DMS32 2.145 .828655 1.1373
6 304 .5
12.1656 – 11.6792 = 0.4864 < 1.1373 por lo que las medias son iguales
143
Diseños Experimentales. Emilio Olivares Sáenz
2 (59.6666 61.1666) 2
DMS31 2.145 .828655 1.1399
6 304 .5
12.1656 – 11.3795 = 0.7861 < 1.1399 por lo que las medias son iguales
Trata Y ai α = 0.05
4 14.9424 A
3 12.1656 B
2 11.6792 B
1 11.3795 B
144
Diseños Experimentales. Emilio Olivares Sáenz
En la hoja de captura de datos, tratamientos tiene una columna, así como el número de
repeticiones, otra columna para X y otra para Y. En el menú principal (arriba) se
selecciona:
Analyze
General lineal model
Univariate
En la casilla “Dependent variable” se asigna la variable que se va a
analizar
En la casilla de “Fixed Factor(s) se asignan los factores (tratamientos y
bloques)
En las opciones de la derecha del cuadro se selecciona “Model”
En el siguiente cuadro se selecciona “custom”
Se asignan los tratamientos y bloques y la covariable al cuadro de la
derecha
En el cuadro “Build Term(s) “ se selecciona “Main effects”
Posteriormente se oprime “Continue” en la parte de abajo
Para finalizar se oprime “OK”
145
Diseños Experimentales. Emilio Olivares Sáenz
Ejemplo
146
Diseños Experimentales. Emilio Olivares Sáenz
V1 V2
9 7
6 4
7 3
9 8
5 5
6 3
7 2
2
A las observaciones de los dos grupos se les asigna un valor de orden o categoría,
empezando con el número 1 para la menor y el número 15 para el mayor; si dos o más
observaciones tienen el mismo número se toma el promedio de los números de orden. Las
calificaciones con los números de orden son:
V1 V1 V2 V2
Calificación No. Orden Calificación No. Orden
9 14.5 7 11.0
6 8.5 4 5.0
7 11.0 3 3.5
9 14.5 8 13.0
5 6.5 5 6.5
6 8.5 3 3.5
7 11.0 2 1.5
2 1.5
Ta = 74.5 Tb = 45.5
n(n 1)
Compruebe que Ta Tb donde n = n1 + n2
2
15(15 1)
74.5 45.5 120
2
Observe que las sumas de los números de orden de cada tratamiento (Ta y Tb) muestran
una tendencia que indica diferencia o igualdad de los tratamientos, ya que si no hubiera
diferencia entre las dos variedades en cuanto a resistencia a la enfermedad, se esperaría
que los números de orden estuvieran distribuidos entre las dos muestras y las sumas de
los números de orden (Ta y Tb) serían muy similares en caso de muestras con igual
tamaño. Por otra parte, si una variedad fuera muy susceptible a la enfermedad y la otra
variedad fuera resistente, entonces las calificaciones y los números de orden serían muy
grandes para la variedad susceptible y muy pequeña para la variedad resistente, por lo
que Ta sería mucho mayor que Tb.
147
Diseños Experimentales. Emilio Olivares Sáenz
cuales se presentan para alfa = 0.05 (probabilidad de error tipo I al probar la hipótesis).
El criterio para probar la hipótesis es:
La suma de los rangos asociados con la muestra más pequeña es T = 74.5, el cual está
fuera del rango proporcionado por las tablas, por lo que se rechaza la hipótesis nula con
una probabilidad de error menor a 0.05. Debido a que la variedad 1 tuvo los mayores
valores de calificación de la enfermedad y por lo tanto la mayor suma de los valores
ordenados, se concluye que esta variedad es más susceptible al carbón que la variedad 2.
148
Diseños Experimentales. Emilio Olivares Sáenz
Ejemplo
149
Diseños Experimentales. Emilio Olivares Sáenz
En donde:
En el ejemplo, para n = 9 y α = 0.05, el valor de tablas para una prueba de dos colas es To
= 6. Entonces, como T = 8.5 > To = 6, no se rechaza la hipótesis nula.
Cuando el número de observaciones válidas (n) es mayor que 25, la hipótesis se puede
probar utilizando la distribución normal.
El estadístico de prueba es:
150
Diseños Experimentales. Emilio Olivares Sáenz
n(n 1)
T
zc 4
n(n 1)(2n 1)
24
151
Diseños Experimentales. Emilio Olivares Sáenz
Ejemplo
152
Diseños Experimentales. Emilio Olivares Sáenz
12 t
Ti 2
H 3(n 1)
n(n 1) i1 ni
En donde:
Ti es el total de los números de orden del grupo i
ni es el tamaño de muestra del grupo i
t
n es el total de datos en el experimento n ni
i 1
4. El criterio de prueba es:
Si H (2t 1) se rechaza la hipótesis nula.
Observe que los datos del antibiótico dos tienen mayor varianza que los otros grupos
debido a que dos observaciones están muy fuera del rango normal de los datos, sin
embargo los números de orden no se alteran con este tipo de datos.
El estadístico de prueba es:
12 t
Ti 2
H 3(n 1)
n(n 1) i 1 ni
12 (53) 2 (91.5) 2 (45.5) 2
H 3(19 1) 8.192
19(19 1) 6 6 7
El valor tabulado de Ji-cuadrada es: (20.05, 2) 5.99 , por lo que H=8.18 es mayor que 5.99
y por lo tanto se rechaza la hipótesis nula y se concluye que al menos un tratamiento es
diferente a los demás.
153
Diseños Experimentales. Emilio Olivares Sáenz
Ho: Las poblaciones tienen la misma distribución (no hay diferencia entre los
tratamientos)
Vs
Ha: Las poblaciones tienen distribuciones diferentes (al menos un tratamiento es
diferente)
Ejemplo
Datos Rangos
Evaluador T1 T2 T3 T1 T2 T3
1 6 8 4 2 3 1
2 8 7 5 3 2 1
3 5 9 6 1 3 2
4 7 8 5 2 3 1
5 9 6 5 3 2 1
6 4 8 7 1 3 2
7 6 9 4 2 3 1
8 8 7 5 3 2 1
17 21 10
154
Diseños Experimentales. Emilio Olivares Sáenz
En donde:
Ti es el total de los números de orden del tratamiento i
b es el número de bloques
t es el número de tratamientos
4. Bajo la hipótesis nula, la variable Fr se distribuye como una Ji-cuadrada con t-1
grados de libertad, por lo tanto el criterio de prueba es:
El valor de Ji-cuadrada de tablas con α = 0.05 y 2 grados de libertad es 5.99; por lo tanto,
como Fr =7.75 > (20.05, 2) 5.99 , se rechaza la hipótesis nula y se concluye que al menos
dos tratamientos son diferentes.
155
Diseños Experimentales. Emilio Olivares Sáenz
n1 n2 L.I. L.S.
4 4 10 26 7 7 36 69
4 5 11 29 7 8 38 74
4 6 12 32 7 9 40 79
4 7 13 35 7 10 42 84
4 8 14 38 7 11 44 89
4 9 14 42 7 12 46 94
4 10 15 45 8 8 49 87
4 11 16 48 8 9 51 93
4 12 17 51 8 10 53 99
5 5 17 38 8 11 55 105
5 6 18 42 8 12 58 110
5 7 20 45 9 9 62 109
5 8 21 49 9 10 65 115
5 9 22 53 9 11 68 121
5 10 23 57 9 12 71 127
5 11 24 61 10 10 78 132
5 12 26 64 10 11 81 139
6 6 26 52 10 12 84 146
6 7 27 57 11 11 96 157
6 8 29 61 11 12 99 165
6 9 31 65 12 12 115 185
6 10 32 70 11 12 99 165
6 11 34 74 12 12 115 185
6 12 35 79
156
Diseños Experimentales. Emilio Olivares Sáenz
Dinoy, Ivo
Statistical Online Computational Resource (SOCR). UCLA Statistics.
file:///C:/Users/win7/Desktop/Dise%C3%B1os%20Experimentales%20FAUANL%2020
12/WILCOXON/Wilcoxon%20Rank-Sum%20Distribution%20Table.htm
157
Diseños Experimentales. Emilio Olivares Sáenz
Objetivos e hipótesis
Metodología general del experimento
Tratamientos
Diseño experimental
Variables que se van a evaluar
158
Diseños Experimentales. Emilio Olivares Sáenz
Toma de datos
159
Diseños Experimentales. Emilio Olivares Sáenz
o En caso de que se tenga que depender de una tercera persona para la toma
de datos, es importante una supervisión constante para evitar errores.
o Clima de la localidad
o Tipo de suelo
o Condiciones experimentales específicas
o Etc.
160
Diseños Experimentales. Emilio Olivares Sáenz
161