Diseños Experimentales General Abril 2016

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE AGRONOMÍA
DISEÑOS EXPERIMENTALES
EMILIO OLIVARES SÁENZ
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
2
14 Arreglo en parcelas divididas 109
15 Arreglo en bloques divididos (arreglo en franjas) 122
16 Análisis de covarianza 131
2
1. COMPARACIÓN DE MEDIAS DE DOS POBLACIONES

NORMALES CON MUESTRAS INDEPENDIENTES
1.1 Introducción
La comparación de dos poblaciones con distribución normal puede ocurrir

en experimentación o en muestreo. En experimentación ocurre cuando se
comparan dos tratamientos en unidades experimentales homogéneas. Por ejemplo,
la comparación de dos variedades de sorgo utilizando como variable el
rendimiento; la comparación de dos variedades de alfalfa utilizando como variable
la concentración de fósforo en el tejido vegetal.
Este análisis estadístico también es usado en muestreo cuando se quiere

comparar dos grupos, por ejemplo, en un muestreo en donde se desea comparar los
ingresos de hombres y mujeres. En general, se pueden comparar dos poblaciones
que cumplan con las siguientes suposiciones:
 La variable aleatoria tiene una distribución normal

 Las poblaciones tienen igual varianza
 Las muestras son independientes (tomadas al azar)
1.2. Aspectos teóricos de la prueba estadística
Si se toman muestras al azar de dos poblaciones con distribución normal

con varianzas iguales, se tienen los siguientes parámetros y estimadores.
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
Si se considera igual varianza para las dos poblaciones, entonces el

estimador de la varianza es:
(n1  1) S12  (n2  1) S22

S 
2
n1  n2  2
La hipótesis que se prueba es:
Ho: μ1 = μ2 vs Ha: μ1 ≠ μ2
Las distribuciones de las variables aleatorias involucradas en la prueba son:
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
( X 1  X 2 )  ( 1   2 )
t
1 1
S 2   
 n1 n2 
se distribuye como una t de Student con n1 + n2 -2 grados de libertad
Por lo tanto, el estadístico para probar la hipótesis es:
( X1  X 2 )
tc 
1 1
S 2   
 n1 n2 
el cual, bajo la hipótesis nula (1   2  0) , se distribuye como una t de Student

con n1 + n2 – 2 grados de libertad.
1. 3. Ejemplo
Consideremos un experimento en donde se compararon dos raciones de alimento

en ganado de engorda. Para el experimento se contaba con 18 animales, por lo que
se seleccionaron al azar nueve animales para aplicarles el tratamiento uno y nueve
para el tratamiento dos. Esto es equivalente a asignar los tratamientos al azar. En
el tratamiento uno se enfermó un animal, por lo que fue removido del
experimento.
Los datos de aumento de peso diario en Kg son:
Ración 1 Ración 2 Ración 1 Ración 2

1.3 1.3 X11 X21
1.2 1.2 X12 X22
1.1 1.4 X13 X23
1.2 1.3 X14 X24
1.3 1.4 X15 X25
1.2 1.3 X16 X26
1.1 1.2 X17 X27
1.2 1.3 X18 X28
1.4 X29
9.6 11.8 X1 . X2 .
5
Los estimadores de la media y la varianza son:
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
El estimador de la varianza es un promedio ponderado de las varianzas de las

muestras, debido a que las dos poblaciones tienen la misma varianza:
(n1  1)S12  (n2  1)S 22 (7)(0.005714)  (8)(0.006111)

S 
2
  0.005926
n1  n2  2 15
El estadístico de prueba es:
6
X1  X 2 1.2  1.311111
tc    2.97
 1 1  1 1
S 2  0.005926  
n  n  8 9
 1 2 
El valor absoluto de t calculada se compara con el valor de t tabulada, con un nivel

de significancia α y n1 + n2 – 2 grados de libertad. Esta prueba de hipótesis es de
dos colas, por lo que en la tabla de t se busca el valor de t tabulada con α/2.
Si α = 0.05 y n1 + n2 – 2 = 15, entonces t(0.025,15) = 2.131
El criterio de prueba es:
Si t c  t ( 0.025,15) , se rechaza la hipótesis nula (Ho: μ1 = μ2)
En el ejemplo, se tiene:  2.97  2.131

Por lo tanto, se rechaza la hipótesis nula (Ho: μ1 = μ2) y se concluye que los
tratamientos difieren significativamente. En la siguiente figura se ilustran las
zonas de aceptación y de rechazo.
7
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:
Ho: es cierta Ho: es falsa

La hipótesis se acepta Correcto Error tipo II
Probabilidad β
La hipótesis se rechaza Error tipo I Correcto
Probabilidad α
Observe que cuando se rechaza la hipótesis la probabilidad del error es α, la cual

se fija a 0.05, por lo que se puede asegurar que los tratamientos son diferentes con
una probabilidad de error pequeña.
Cuando los análisis estadísticos se realizan en computadora, la aceptación o

rechazo de la hipótesis se realiza considerando el nivel de significancia observado
(sig o p):
Si sig ˃ 0.05 no se rechaza la hipótesis

Si sig ≤ 0.05 se rechaza la hipótesis
El valor de sig es el área bajo la curva a la derecha de la Fc en la función de

densidad F.
Observe en el cuadro de las pruebas de hipótesis que cuando se acepta la hipótesis

nula (Ho: μ1 = μ2) la probabilidad de error es β, la cual no se conoce, por lo que no
se puede asegurar que los tratamientos son iguales. Pueden ocurrir los siguientes
casos:
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.
Para tener una idea de la magnitud de la varianza debida al error experimental se

utiliza el coeficiente de variación:
8
S2 CME
CV  
Y .. Y ..
El CV se puede expresar en % si se multiplica por 100. El criterio para considerar

si un experimento agrícola de campo tiene un alto CV es si el CV es superior a
15%.
9
1.4. Comparación de medias con muestras independientes utilizando un

análisis de varianza
La hipótesis de igualdad de medias de los tratamientos o grupos también puede ser

probada con la distribución F en una tabla de análisis de varianza utilizando el
modelo:
Yij = µ + i + eij
i = 1,2,...,t ; j = 1,2,...,ni
donde:
Yij es la observación del tratamiento i en la repetición j

µ es la media verdadera general
i es el efecto del i-ésimo tratamiento
eij es el error experimental de la ij-ésima observación
Se supone que:
 Los errores (eij) se distribuyen normal e independientemente con media

cero y varianza igual a 2
Estas suposiciones son equivalentes a las siguientes:
 Las observaciones (Yij) se distribuyen normal con media igual a µi y

varianza igual a 2
 Las varianzas de las poblaciones son iguales
 Las observaciones son independientes (muestras tomadas al azar)
Análisis de Varianza. Las sumas de cuadrados son:
Yi.2 Y..2
2
Y12. Y22. Y..2
SC (Trata)       
i 1 ni n. n1 n2 n.
(9.6) 2 (11.8) 2 ( 21.4) 2

    0.052288
8 9 17
10
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
SC(Error) = SC(Total) - SC(Trata.) = 0.141176 0.052288 0.088888
La tabla de análisis de varianza es:
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
En la tabla de análisis de varianza, bajo la hipótesis nula, la Fc se distribuye como

una F c on 1 y n.-2 grados de libertad. Por lo tanto, el criterio de prueba es:
Si Fc > F(0.05,t-1,n.-2) se rechaza la hipótesis nula.
En este ejemplo se encontró una Fc = 8.82, mayor que la F tabulada a ambos

niveles de significancia, por lo tanto se rechaza la hipótesis nula con una
probabilidad de error tipo I menor a 0.01.
La prueba de hipótesis con la distribución F es similar a la prueba con la

distribución t. Esto se puede comprobar con los resultados obtenidos en el
ejemplo.
Una variable aleatoria con distribución t con gl grados de libertad elevada al

cuadrado es igual a una F con 1 y gl grados de libertad: t gl2  F(1, gl )
En el ejemplo se encontró:
tc2  (2.97) 2  8.82  Fc
t(20.05,15)  (2.131) 2  4.54  F( 0.05,1,15)
11
1.5. Análisis de la comparación de medias con muestras

independientes utilizando el paquete “Diseños Experimentales
FAUANL ver 1.3 (2014)”
En el menú principal se selecciona: “Otros análisis”.

En el sub-menú se selecciona: “Comparación de medias con muestras
independientes”.
Aparecerán las ventanas para la captura de datos, primeramente se
capturan los tamaños de muestra (n1 y n2) y se oprime el botón
“Continuar”.
Posteriormente se muestra la tabla para la captura de datos de las dos
muestras.
En las opciones de la derecha se selecciona la hipótesis que se desea
probar.
Se oprime el botón “Resultados”.
1.6 Análisis de la comparación de medias con muestras independientes

utilizando el paquete SPSS
1. Los datos se capturan en dos columnas, en la primera va el tratamiento y en

la segunda la observación.
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
2. COMPARACIÓN DE MEDIAS CON GRUPOS APAREADOS
2.1. Introducción
Cuando se utiliza la técnica de muestras independientes para comparar dos

tratamientos y las unidades experimentales son muy heterogéneas, la varianza
dentro de las muestras es muy grande, por lo que es difícil detectar las diferencias
entre los tratamientos.
En estos casos es conveniente agrupar las unidades experimentales

formando pares, de tal forma que los elementos de un par sean homogéneos y los
elementos de pares diferentes sean heterogéneos.
Con esta forma de agrupación, la varianza entre pares no se acumula en la

varianza del error experimental, por lo que si la varianza entre pares es importante,
es más probable detectar la diferencia entre los tratamientos. Este es el principio
del concepto de bloqueo en diseños experimentales.
2.2. Aspectos teóricos de la prueba estadística
Si se toman muestras apareadas con valores X1j y X2j, entonces la diferencia

entre las observaciones son: di = X1j - X2j, para i = 1, 2,...,n. Estas diferencias
miden el efecto de los tratamientos en unidades experimentales semejantes
(miembros del mismo par), por lo que esta variable es la que se considera para el
análisis estadístico el cual considera la siguiente hipótesis:
Ho: μ1= μ2 vs Ha: μ1 ≠ μ2
Si µ1- µ2 = δ, entonces la hipótesis es:
Ho: δ = 0 vs Ha: δ ≠ 0
Los estimadores y parámetros son:
Parámetro Estimador
Media δ d
Varianza  d2 S d2
En donde:
13
2
 n 
  di 
d i2   i 1 
n n
 di  n
d i 1
S d2  i 1
n n 1
Las distribuciones de las variables aleatorias involucradas en la prueba son:
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  (2n1)
 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
2.3. Ejemplo
Se desea comparar dos raciones de alimento en ganado de engorda. Los animales

para la prueba eran muy heterogéneos en cuanto al peso inicial, por lo que se
agruparon por pares, de tal forma que los animales en un par fueran lo más
homogéneo posible. Los aumentos de peso obtenidos son:
Par Ración 1 Ración 2 di Par Ración 1 Ración 2 di

I 40 42 -2 I X11 X21 d1
II 39 41 -2 II X12 X22 d2
III 43 42 1 III X13 X23 d3
IV 40 43 -3 IV X14 X24 d4
V 39 40 -1 V X15 X25 d5
VI 36 39 -3 VI X16 X26 d6
VII 42 43 -1 VII X17 X27 d7
VIII 42 41 1 VIII X18 X28 d8
IX 43 44 -1 IX X19 X29 d9
Observe que di es la diferencia entre los aumentos de peso de cada par.
La hipótesis que se va a probar es:
Ho: μ1 = μ2 vs Ha: μ1 ≠ μ2
Si µ1- µ2 = δ, entonces la hipótesis es:
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
d  1.22222
tc    2.475
S d2 2.194444
n 9
El valor absoluto de t calculada se compara con el valor de t tabulada con un nivel

de significancia α y n-1 grados de libertad. Si α = 0.05 y n – 1 = 8, entonces
t(0.05,8) = 2.306. Esta prueba de hipótesis es de dos colas, por lo que en la tabla de t
se busca el valor de t tabulada con α/2.
Si t c  t ( 0.025,8) , se rechaza la hipótesis nula (Ho: μ1 = μ2)
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
2.4. Comparación de medias con grupos apareados utilizando un análisis de

varianza
La hipótesis de igualdad de medias de los tratamientos también puede ser probada

con la distribución F en una tabla de análisis de varianza utilizando el modelo:
Xij = µ + i + j + ij
i = 1,2,...,t
j = 1,2,...,r
donde:
Xij es la observación del tratamiento i en el bloque j.

µ es el efecto verdadero de la media general
i es el efecto del i-ésimio tratamiento
j el efecto del j-ésimo bloque
ij es el error experimental de la ij-ésima observación
En el ejemplo, los datos son:
Par Ración 1 Ración 2 Σ Par Ración 1 Ración 2 Σ

I 40 42 82 I X11 X21 X.1
II 39 41 80 II X12 X22 X.2
III 43 42 85 III X13 X23 X.3
IV 40 43 83 IV X14 X24 X.4
V 39 40 79 V X15 X25 X.5
VI 36 39 75 VI X16 X26 X.6
VII 42 43 85 VII X17 X27 X.7
VIII 42 41 83 VIII X18 X28 X.8
IX 43 44 87 IX X19 X29 X.9
Σ 364 375 739 Σ X1 . X2 . X..
Análisis de Varianza. Las sumas de cuadrados son:
2
X i2. X ..2 X 12.  X 22. X ..2
SC (Trata)      
i 1 r rt r rt
(364) 2  (375) 2 (739) 2

   6.72222
9 18
17
r X .2j X ..2 X .21  ...  X .2r X ..2

SC( Bloques)      
j 1 t rt t rt
(82) 2  ...  (87) 2 (739) 2

   53.44444
2 18
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
SC(Error) = SC(Total) – SC(Trata.) – SC(Bloques) =
= 68.94444 – 6.72222 – 53.44444 = 8.77778
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
Bajo la hipótesis nula (Ho: μ1 = μ2), la Fc de tratamientos se distribuye como una F

con 1 y 8 grados de libertad. Por lo tanto, el criterio de prueba es:
Si Fc > F(0.05,t-1,gle) se rechaza la hipótesis nula (Ho: μ1 = μ2)
En la tabla de análisis de varianza se encontró que la Fc de tratamientos (6.13) es

mayor que la F tabulada (5.32), por lo que se rechaza la hipótesis nula con
probabilidad de error tipo I menor de 0.05.
La prueba de hipótesis con la distribución F es similar a la prueba con la

distribución t. Esto se puede comprobar con los resultados obtenidos en el
ejemplo.
18
Una variable aleatoria con distribución t con gl grados de libertad elevada al

cuadrado es igual a una F con 1 y gl grados de libertad: t gl2  F(1, gl )
En el ejemplo se encontró:
tc2  (2.475)2  6.13  Fc
t(20.05,8)  (2.306) 2  5.32  F( 0.05,1,8)
2.4. Análisis de la comparación de medias con grupos apareados utilizando

el paquete “Diseños Experimentales FAUANL ver 1.7 (2015)”
1. En el menú principal se selecciona: “Otros análisis”.

2. En el sub-menú se selecciona: “Comparación de medias con grupos
apareados”.
3. Aparecerán las ventanas para la captura de datos, primeramente se captura
el número de pares (n) y se oprime el botón “Continuar”.
4. Posteriormente se muestra la tabla para la captura de datos de las dos
muestras.
5. En las opciones de la derecha se selecciona el nivel de significancia de la
prueba (probabilidad de Error tipo I en la prueba de hipótesis).
6. Se oprime el botón “Resultados”.
2.5. Análisis de la comparación de medias con grupos apareados utilizando

el paquete SPSS
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.
19
3. DISEÑO COMPLETAMENTE AL AZAR
3.1. Introducción
El diseño completamente al azar se utiliza cuando las unidades

experimentales son homogéneas, o relativamente homogéneas, de tal forma que no
es posible identificar un gradiente de variabilidad entre ellas.
En experimentación agrícola podemos encontrar ejemplos de esta situación

en experimentos en laboratorios y en algunos casos en invernaderos. Por ejemplo,
en un experimento en donde se desea evaluar diferentes niveles de un fertilizante
(nitrógeno) y se utiliza como unidad experimental una maceta de 20 litros. En este
caso las macetas (unidades experimentales) son homogéneas en cuanto a suelo,
debido a que el suelo se mezcla perfectamente antes de llenar las macetas. Por lo
tanto, la diferencia en crecimiento de las plantas en las macetas igualmente
tratadas se deberá a otros factores independientes de la heterogeneidad del suelo.
Es conveniente aclarar que en el experimento descrito anteriormente se

obtendrá un incremento en la precisión, sin embargo, se está sacrificando hasta
cierto punto la validez de las conclusiones, debido a que no se están usando
unidades experimentales representativas de la situación real. El uso de este tipo de
experimentos depende del propósito de la investigación, el experimento que se
describe sería adecuado si el propósito fuera conocer si hay deficiencia del
nutriente que se está evaluando y tener una idea de los posibles rangos de
fertilización que se pueden usar, pero el experimento no es adecuado para estimar
dosis óptimas económicas del nutriente.
Una de las ventajas de este diseño es que es posible tener diferentes

repeticiones por tratamiento. Esta situación permite eliminar en el transcurso del
experimento algunas unidades experimentales que no cumplan con las
características adecuadas para poder mostrar el efecto de los tratamientos. Por
ejemplo, en un experimento con animales en donde la unidad experimental es un
animal, es frecuente eliminar observaciones debido a muerte o enfermedad.
3.2. Ventajas y desventajas del diseño
- Es el diseño más simple, por lo que es fácil de establecer y analizar.
- Puede tener diferente número de repeticiones por tratamiento.
- Este diseño es el que da más grados de libertad para estimar el error

experimental.
20
- Requiere de material experimental homogéneo.
3.3. El modelo
El modelo del diseño completamente al azar es:
Yij = µ + i + eij
i = 1,2,...,t ;
j = 1,2,...,ni
donde:
Yij es la observación del tratamiento i en la repetición j.

i es el efecto del i-ésimo tratamiento
Suposiciones del modelo:
- Los errores (eij) se distribuyen normal e independientemente con media cero y

varianza igual a 2
3.4. Ejemplo
En un experimento bajo el diseño completamente al azar se compararon

cuatro raciones de alimento en cerdos recién destetados. En el experimento se
utilizaron 21 animales homogéneos. Los tratamientos fueron asignados al azar a
las unidades experimentales (cerdos). Se utilizaron cinco repeticiones para los
tratamientos 1, 2 y 3 y seis repeticiones para el tratamiento 4.
Los animales se identifican con aretes numerados. La distribución de los

tratamientos en los cerdos quedó de la siguiente forma
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
Cada uno de los cuadros representa un animal. El número en la parte

izquierda del cuadro denota el número que identifica al animal y el número en la
parte central denota el tratamiento.
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
De acuerdo al modelo, los datos pueden representarse en una tabla de la siguiente

forma:
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
La hipótesis que se va a probar es:
Ho:1 = 2 = 3 = 4 vs Ha: Al menos dos i  0
Esta hipótesis se prueba con una tabla de análisis de varianza. Las sumas de
cuadrados son:
22
t
Y2 Y2
SC (Trata.)   i.  .. 
i 1 ni n.
Y12. Y2 Y2
  ...  t.  .. 
n1 nt n.
(178) 2 (232) 2 (881) 2

  ...    320.61667
4 6 20
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
SC(Error) = SC(Total) - SC(Trata.) =
= 372.95 - 320.616679 = 52.333333
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
En la tabla de análisis de varianza, bajo la hipótesis nula, la Fc se distribuye

como una F con t - 1 y n. - t grados de libertad. Por lo tanto, el criterio de prueba
es:
Si Fc > F(0.05,t-1,n.-t) se rechaza la hipótesis nula.
En la tabla de análisis de varianza se encontró que la Fc es mayor que la F

tabulada a ambos niveles de significancia, por lo tanto, se rechaza la hipótesis nula
con una probabilidad de error tipo I menor que 0.01.
Si se rechaza la hipótesis nula en el análisis de varianza, entonces se

concluye que al menos un tratamiento es diferente a los demás, sin embargo, no se
23
sabe cuales tratamientos son iguales o diferentes, por lo que es necesario hacer una
comparación de medias.
3.5. Comparación de medias por el método de la Diferencia Mínima

Significativa (DMS)
Para comparar las medias de tratamientos hay diferentes métodos, los

cuales se estudiarán en detalle después del diseño de bloques al azar. El más
simple es el de la diferencia mínima significativa (DMS). Para comparar las
medias con este método, considerando diferente número de repeticiones por
tratamiento, se procede de la siguiente forma:
Primeramente se ordenan las medias de mayor a menor:
Tratamiento ni Media
2 5 49.40
3 5 44.80
1 4 44.50
4 6 38.67
El valor de la diferencia mínima significativa es:
1 1
DMS  t ( / 2, gle) CME   
n n 
 i j 
En donde:
t ( / 2, gle) = t de Student, se busca en tablas con nivel de significancia  y los

grados de libertad del error.
CME = Cuadrado medio del error
ni = número de repeticiones del tratamiento i
nj= número de repeticiones del tratamiento j
Para la comparación de los tratamientos 2 y 3:
1 1
DMS  2.12 3.27083    2.42
5 5
Si la diferencia de medias es mayor que el DMS, entonces las medias son

diferentes significativamente.
24
49.40 - 44.80 = 4.6 > 2.42  medias diferentes.
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
44.80 - 38.67 = 6.13 > 2.32  medias diferentes
1 1
DMS  2.12 3.27083    2.47
4 6
Los resultados de la comparación de medias se presentan en forma tabular,

identificando con la misma letra a las medias que no son diferentes
significativamente:
Tratamiento Ni Media
2 5 49.40 a
3 5 44.80 b
1 4 44.50 b
4 6 38.67 c
25
3.6. Análisis del diseño completamente al azar utilizando el paquete “Diseños

Experimentales FAUANL ver 1.7 (2015)”
1. En el menú principal se selecciona la opción: “Completamente al azar”.

2. En la ventana donde se encuentra el cursor se captura el número de
tratamientos y se oprime el botón “Continuar”
3. En la ventana de abajo se captura el número de repeticiones de cada
tratamiento y se oprime el botón “Continuar” que se encuentra en la parte
de abajo.
4. Posteriormente se muestra la tabla para la captura de datos en donde se
especifica el tratamiento y la repetición para anotar el dato correspondiente.
5. Finalmente se oprime el botón “Resultados”.
3.7. Análisis del diseño completamente al azar con el paquete SPSS
1. Los datos se capturan en dos columnas, la primera es para los tratamientos

y la segunda para la variable dependiente.
2. Para el análisis del diseño completamente al azar existen dos

procedimientos diferentes:
a.En el procedimiento 1 se selecciona:

 Analyze
 Compare means
 One-way ANOVA
 En la casilla presentada a la derecha de la pantalla se asigna la
variable(s) dependiente.
 En la parte de abajo (factor) se asignan los tratamientos
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
4. DISEÑO BLOQUES AL AZAR
4.1. Introducción
Cuando las unidades experimentales son heterogéneas en el diseño

completamente al azar, la varianza dentro de tratamientos es muy alta. Esta
varianza está medida por el cuadrado medio del error en el análisis de varianza,
por lo tanto, si el cuadrado medio del error es grande, es difícil rechazar la
hipótesis de igualdad de medias de tratamientos.
Cuando se tiene esta situación es conveniente dividir el material

experimental en grupos (bloques), de tal forma que las unidades experimentales
sean homogéneas dentro de bloques y heterogéneas entre bloques. Después de que
se forman los bloques, se asignan los tratamientos al azar a cada bloque, de esta
forma todos los tratamientos se comparan en unidades experimentales
homogéneas dentro de cada bloque. Debido a esto, es posible estimar la varianza
entre bloques por separado y tener un error experimental pequeño.
Un bloque es un conjunto de unidades experimentales con una o varias

características comunes de modo que en el modelo se les asigna un efecto común,
denominado efecto de bloques y se denotará por .
En los experimentos agrícolas de campo las parcelas se agrupan en bloques

de tal forma que los bloques sean perpendiculares al gradiente de variación que se
desea eliminar, generalmente es la pendiente. En los experimentos de campo se ha
encontrado que las parcelas vecinas son mas parecidas en fertilidad y otras
características del suelo que las parcelas distantes, por lo tanto se recomienda que
los bloques no sean muy grandes y que tengan una forma lo más cuadrada posible.
Además se sugiere que las labores se hagan por bloque, por ejemplo, si se va a
controlar maleza y el trabajo requiere de varios días, es conveniente deshierbar
uno o varios bloques completos en un día.
4.2. Ventajas y desventajas del diseño
Ventajas:
- Es más preciso que el diseño completamente al azar cuando hay un factor que
causa variación en las unidades experimentales.
- Es flexible, debido a que puede tener cualquier número de bloques y

tratamientos, mínimo dos bloques.
- Es posible estimar datos perdidos.

27
Desventajas:
- Cuando el número de tratamientos es muy grande es difícil mantener la

homogeneidad dentro de bloques.
- El diseño bloques al azar estima el error experimental con menos grados de

libertad que el diseño completamente al azar.
4.3. El modelo
El modelo del diseño de bloques al azar es:
Yij = µ + i + j + ij
i = 1,2,...,t
j = 1,2,...,r
donde:
Yij es la observación del tratamiento i en el bloque j.

µ es el efecto verdadero de la media general
j el efecto del j-ésimo bloque
ij es el error experimental de la ij-ésima observación
Suposiciones del modelo:
- Los errores (ij) se distribuyen normal e independientemente con media cero y

varianza igual a 2.
- No hay interacción entre tratamientos y bloques, o sea que el efecto i es el

mismo en todos los bloques.
4.4. Ejemplo
En un experimento bajo el diseño de bloques al azar se compararon seis

variedades de sorgo. La unidad experimental fue de cinco surcos de 8 m de largo.
28
La parcela útil consistió de los tres surcos centrales, eliminando 0.5 m en los
extremos.
Para la construcción del croquis se asignaron al azar todos los tratamientos

a cada bloque y después se aleatorizaron los bloques. En el ejemplo, el croquis del
experimento es:
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
Para evaluar los tratamientos se utilizó como variable dependiente al

rendimiento por parcela expresado en kg, los datos obtenidos son:
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

forma:
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
Las hipótesis que se van a probar son:
Ho: 1 = 2 = ... = 6 vs Ha: Al menos un i  0
Ho: 1 = 2 = ... = 4 vs Ha: Al menos un j  0
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
(34)2 ... ( 41)2 (201)2

   28. 375
4 24
r Y.2j Y..2 Y 2 ... Y.t2 Y..2

SC( Bloques)     .1  
j t rt t rt
(45) 2  ...  (55) 2 (201) 2

   9.125
6 24
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
SC(Error) = SC(Total) -SC(Trata.) -SC(Bloques) =
= 41.625 - 28.375 - 9.125 = 4.125
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
30
Bajo la hipótesis nula (Ho: 1 = 2 = ... = 6), la Fc de tratamientos se

distribuye como una F con t-1 y (t-1)(r-1) grados de libertad. Por lo que, la
hipótesis se rechaza si la Fc de tratamientos es mayor que 2.90 (con probabilidad
de error tipo I menor a 0.05). En el análisis de varianza la Fc fue igual a 20.64, por
lo que rechazamos la hipótesis nula con probabilidad de error menor de 0.01. Por
lo tanto, al menos uno de los tratamientos es diferente a los demás. Para encontrar
cuales tratamientos difieren significativamente es necesario hacer una
comparación de medias.
En cuanto a la hipótesis para bloques, se encontró que la Fc fue mayor que

la F tabulada a ambos niveles de significancia, por lo que también se rechaza la
hipótesis nula. De aquí podemos concluir que el criterio de bloqueo fue adecuado.
4.5. Análisis del diseño bloques al azar utilizando el paquete “Diseños

1. En el menú principal se selecciona la opción: “Bloques al azar”.

2. En las ventanas en la parte de arriba a la izquierda se capturan el
número de tratamientos y el número de repeticiones (bloques),
posteriormente se oprime el botón “Continuar”
especifica el tratamiento y la repetición para anotar el dato
correspondiente.
4. En el cuadro de selección se puede marcar el método de comparación de
medias: DMS y Tukey.
4.6. Análisis del diseño bloques al azar con el paquete SPSS
1. Los datos se capturan en tres columnas, la primera es para los

tratamientos, la segunda para los bloques y la tercera para la variable
dependiente.
2. En el menú principal (arriba) se selecciona:
 Analyze
 Univariate
analizar
 En la casilla de “Fixed Factor(s) se asignan las variables de los
tratamientos y bloques
31
 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
32
5. COMPARACIONES MULTIPLES DE MEDIAS
5.1. Introducción
El análisis de varianza prueba la hipótesis de que los efectos de los tratamientos

son iguales contra la alternativa de que al menos un efecto es diferente. Cuando la
hipótesis nula se rechaza indica que existen algunas diferencias entre los
tratamientos, por lo que es necesario hacer una comparación múltiple de medias o
utilizar las técnicas de contrastes o polinomios ortogonales de acuerdo al tipo de
tratamientos.
5.2 Clasificación de los tratamientos
Los tratamientos pueden ser clasificados de la siguiente forma:
 Tratamientos cualitativos sin estructura (no interesa una clasificación).
Es un conjunto de tratamientos cualitativos sin ninguna relación entre ellos. Por

ejemplo, un conjunto de variedades. En estos casos los tratamientos se comparan
por cualquiera de los métodos de comparaciones múltiples de medias, como
diferencia mínima significativa, Duncan, Tukey, Scheffé, etc.
 Tratamientos cualitativos con estructura (interesa clasificarlos).
Es un conjunto de tratamientos cualitativos en donde tiene sentido agruparlos en

cuanto a alguna característica. Por ejemplo, cuatro variedades de maíz se pueden
clasificar como precoces y tardías. En estos casos es conveniente comparar los
diferentes grupos que se forman en la clasificación, mediante contrastes
ortogonales.
 Tratamientos cuantitativos.
Estos tratamientos generalmente son niveles de un factor. Por ejemplo, niveles de

fertilización (0, 40, 80, 120 kg/ha de N). En estos casos se utiliza polinomios
ortogonales para estudiar las tendencias: lineal, cuadrática, cúbica, etc.
33
5.3. Comparación de Medias de tratamientos con el método de la

Diferencia Mínima Significativa (DMS)
Con esta técnica se prueban las hipótesis:
Ho:µi = µj vs Ha:µi  µj; para toda i j
Para ilustrar la prueba consideremos el ejemplo de bloques al azar desarrollado en

el capítulo anterior (Sección 4.2). El procedimiento es el siguiente:
a) Se ordenan las medias de tratamientos de mayor a menor.
En el ejemplo las medias son:
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
b) Se calcula el error estándar de la diferencia de las medias:
 1 1
EE  CME   
 ni nj 
En donde CME = Cuadrado medio del error

ni = Número de repeticiones de la media i
nj = Número de repeticiones de la media j
Si los tratamientos tienen el mismo número de repeticiones, entonces el error

estándar es:
2CME
EE 
r
34
En el ejemplo, el EE es:
2(0.275)
EE   0.3708
4
c) Se obtiene de las tablas de t de Student: t(/2,gle)
en donde  = nivel de significancia

gle = grados de libertad del error
Si = 0.05 y gle = 15, entonces t(0.025,15) = 2.131
d) Se calcula el DMS:
DMS = t(/2,gle) EE = (2.131) (0.3708) = 0.79
e) Se comparan las medias, de tal forma que si el valor absoluto de la diferencia de

dos medias es mayor que DMS, entonces se rechaza la hipótesis nula: Ho:µi =
µj. En el ejemplo la comparación de medias es:

8.75 - 8.50 = 0.25 < 0.79  medias iguales
7.50 - 6.75 = 0.75 < 0.79  medias iguales
f) Los resultados se presentan en una tabla en donde las medias estadísticamente

iguales se identifican con la misma letra:
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
5.4. Comparación de Medias por el Método de Duncan
Las hipótesis que se prueban son:
Ho:µi = µj vs Ha:µi  µj; para toda i  j
El procedimiento es el siguiente:
a) Se ordenan las medias de tratamientos de mayor a menor:
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
b) Se calcula el error estándar de la media:
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.
Para  =0.05; p = 2, 3, 4, 5, 6 y gle = 15 los RE son:
2 3 4 5 6
RE 3.01 3.16 3.25 3.31 3.36
d) Se obtienen los rangos mínimos estudentizados (RME) multiplicando los RE

por el error estándar.
36
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

dos medias es mayor que el RME correspondiente, entonces se rechaza la
hipótesis nula: H0:µi = µj. En el ejemplo las comparaciones de medias son:

8.75 - 8.50 = 0.25 < 0.79  medias iguales
7.50 - 6.75 = 0.75 < 0.79  medias iguales

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
5.5. Comparación de Medias por el Método de Tukey
Las hipótesis que se prueban son:
Ho:µi = µj vs Ha:µi  µj; para toda ij
Tratamientos Media
6 10.25
5 8.75
1 8.50
2 8.50
4 7.50
3 6.75
b) Se calcula el error estándar:
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
Para =0.05, p = 6 y gle = 15 el RE es: RE = 4.60
d) Se obtienen el rango mínimo estudentizado (RME) multiplicando el RE por el

error estándar.
RME = (RE)(EE) = (4.60)(0.2622) = 1.206
e) Se comparan las medias, de tal forma que si el valor absoluto de la diferencia

de dos medias es mayor que el RME, entonces se rechaza la hipótesis nula:
Ho:µi = µj. En el ejemplo la comparación de medias es:
38

8.75 - 8.50 = 0.25 < 1.20  medias iguales
8.50 - 7.50 = 1.00 < 1.20  medias iguales
7.50 - 6.75 = 0.75 < 1.20  medias iguales

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
5.6. Comparación de Medias por el Método de Student-Newman-Keuls (S-N-

K)
La prueba consiste en probar la hipótesis:
H0:µi = µj vs Ha:µi  µj; para toda ij
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
b) Se calcula el error estándar:
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:
p = 2,3, ..., t
Para =0.05, p = 2, 3, 4, 5, 6 y gle = 15 los RE son:
2 3 4 5 6
RE 3.01 3.67 4.08 4.37 4.60
40
d) Se obtienen los rangos mínimos estudentizados (RME) multiplicando los RE

por el error estándar.
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

dos medias es mayor que el RME correspondiente, entonces se rechaza la
hipótesis nula: Ho:µi = µj. En el ejemplo la comparación de medias es:

8.75 - 8.50 = 0.25 < 0.79  medias iguales
7.50 - 6.75 = 0.75 < 0.79  medias iguales

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
5.7. Comparación de Medias por el Método t de Dunnett
La prueba consiste en probar la hipótesis: Ho:µ1 = µj vs Ha:µ1  µj; 1j
en donde µ1 es la media del testigo o de un tratamiento específico, previamente

determinado.
a) Se calcula el error estándar de la diferencia de medias:
2CME 2(0.275)
EE    0.3708
r 4
b) Se obtiene de tablas (Tabla A-9, Steel and Torrie, (1960)) el valor de t de

Dunnett con:
p = t-1
Para =0.05, p = 5 y gle = 15, t de Dunnett es:
t Dunnett(0.05,5,15) = 2.73
c) Se obtienen el valor para la comparación multiplicando el valor de las tablas por

el error estándar.
d = (t Dunnett)(EE) = (2.73)(0.3708) = 1.0122
d) Se comparan las medias, de tal forma que si el valor absoluto de la diferencia de

la media del testigo y cualquier otra media es mayor que d, entonces se rechaza
la hipótesis nula: H0:µ1 = µj. En el ejemplo consideremos al tratamiento 1
como el testigo, entonces la comparación de medias es:
8.50 - 8.50 = 0.00 < 1.012 6 medias iguales

8.50 - 6.75 = 1.75 > 1.012 6 medias diferentes
8.50 - 7.50 = 1.00 < 1.012 6 medias iguales
8.50 - 8.75 = 0.25 < 1.012 6 medias iguales
8.50 -10.25 = 1.75 > 1.012 6 medias diferentes
42
5.8. Comparación de Medias por el Método de Scheffé
Esta prueba puede probar hipótesis de la forma:
t t
Ho : i  0 VS Ha : i  0
i 1 i 1
Un caso particular es la prueba de hipótesis:
Ho:µi = µj vs Ha:µi  µj; para toda i j
El procedimiento de la prueba es el siguiente:
a) Se ordenan las medias de tratamientos de mayor a menor.
En el ejemplo las medias son:
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 
Si el número de repeticiones es igual para todos los tratamientos, entonces:
2CME
Scheffé  (t  1) F (  , t  1, gle)
r
En donde:
43
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
En el ejemplo, si  = 0.05, entonces F = 2.90
2(0.275)
Scheffé  (5)(2.90) = 1.41
4

dos medias es mayor que Scheffé, entonces se rechaza la hipótesis nula: Ho:µi
= µj. En el ejemplo la comparación de medias es:

8.75 - 8.50 = 0.25 < 1.41 6 medias iguales
8.75 - 7.50 = 1.25 < 1.41 6 medias iguales
7.50 - 6.75 = 0.75 < 1.41 6 medias iguales

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
5.9. Comentarios sobre las pruebas
Todas las pruebas son iguales cuando se comparan únicamente dos

tratamientos en el experimento, pero a medida que el número de tratamientos se
incrementa, las diferencias en los resultados de las pruebas son mayores.
Cuando se tienen más de dos tratamientos, el método de DMS prueba la

hipótesis de igualdad de medias con un error tipo I mayor al que se declara. Se
recomienda el uso de DMS cuando hay pocos tratamientos y hay diferencia
significativa para tratamientos en el análisis de varianza.
El orden de las pruebas en cuanto a la capacidad de declarar diferencias

significativas es:
DMS
Duncan
S-N-K
Tukey
Scheffé
El método de Tukey es más conservador al declarar diferencias significativas

que los métodos de DMS, Duncan y S-N-K. Actualmente muchos investigadores
en México están usando este método para comparar medias de tratamientos.
5.10 . Análisis de comparación múltiple de medias utilizando el paquete

“Diseños Experimentales FAUANL ver 1.7 (2015)”
La comparación múltiple de medias se puede hacer, para cualquiera de los

diseños, en la pantalla de captura de datos seleccionando entre DMS y Tukey.
En caso de que el análisis de varianza ya esté realizado, la comparación
múltiple de medias se puede realizar seleccionando en el menú principal la
opción de “Comparación de medias” y después seleccionar cualquiera de los
métodos “DMS”, “Duncan” o “Tukey”. Posteriormente, el programa solicitará
el número de tratamientos y repeticiones, el Cuadrado Medio del Error (CME),
los grados de libertad del error (gl(Error)) y las medias de los tratamientos.
4.6. Análisis del diseño completamente al azar con el paquete SPSS
45
 Analyze
 Univariate
analizar
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”.
46
6. CONTRASTES ORTOGONALES
6.1. Introducción
Los contrastes ortogonales se utilizan cuando se tiene un conjunto de

tratamientos cualitativos con estructura (los tratamientos se pueden clasificar), de
tal forma que es conveniente comparar un tratamiento contra el promedio de otros
tratamientos o un conjunto de tratamientos contra otro conjunto de tratamientos.
Es decir, se prueban hipótesis de la forma:
Ho: 31 - 2 - 3 - 4 = 0 vs Ha: 31 - 2 - 3 - 4  0
Esta hipótesis compara el efecto del tratamiento 1 contra el promedio de los

efectos de los tratamientos 2, 3 y 4.
Ho: 1 + 2 - 3 - 4 = 0 vs Ha: 1 + 2 - 3 - 4  0
Esta hipótesis compara el efecto conjunto de los tratamientos 1 y 2 contra el efecto

conjunto de los tratamientos 3 y 4.
En general, se prueban hipótesis de la forma:

t t t
Ho:  ii  0 vs
i 1
Ha:  ii  0
i 1
con  i  0
i 1
t
A la combinación lineal de tratamientos :  ii se le llama contraste,
i 1
en donde los i son los coeficientes de los efectos de los tratamientos en el

contraste. En experimentación agrícola y pecuaria es frecuente la necesidad de
comparar un tratamiento contra el promedio de varios tratamientos, por ejemplo,
el tratamiento testigo contra el promedio de otros tratamientos; también se
presentan casos en donde es importante comparar un grupo de tratamientos contra
otro grupo, por ejemplo, en un experimento en donde se evalúan varios
fertilizantes químicos y otros orgánicos, sería interesante comparar los fertilizantes
químicos contra los orgánicos.
Cuando se comparan tratamientos con la técnica de contrastes es importante que

estos sean ortogonales debido a que incluyen la mayoría de las comparaciones
pertinentes.
t
Dos contrastes (j,k) son ortogonales si:  ijik  0
i 1
47
Por ejemplo, si los contrastes son:
C1 =31 - 2 - 3 - 4
C2 = 22 - 3 - 4
C3 = 3 - 4
Entonces la tabla de coeficientes de los contrastes es:
T1 T2 T3 T4
C1 3 -1 -1 -1
C2 0 2 -1 -1
C3 0 0 1 -1
Los contrastes C1 y C2 son ortogonales porque:
 i i
i 1
1 2  1112   21 22   31 32   41 42 
= (3)(0) + (-1)(2) + (-1)(-1) + (-1)(-1) = 0

t
 i i
i 1
1 3   11 13   21 23   31 33   41 43 
= (3)(0) + (-1)(0) + (-1)(1) + (-1)(-1) = 0

t
 i i
i 1
2 3   12 13   22 23   32 33   42 43 
= (0)(0) + (2)(0) + (-1)(1) + (-1)(-1) = 0
En un conjunto de t tratamientos se pueden obtener conjuntos de t-1 contrastes

ortogonales.
48
6.2. Ejemplo
Consideremos un experimento en donde se comparan 4 variedades de maíz con el

diseño de bloques al azar.
Variedad 1. Precoz resistente

Variedad 2. Precoz susceptible
Variedad 3. Tardía resistente
Variedad 4. Tardía susceptible
Los datos de rendimiento son:
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
El análisis de varianza se calcula de acuerdo al análisis del diseño de bloques al

azar:
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
Las hipótesis que se desean probar son:
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
La primera hipótesis compara las variedades precoces contra tardías, la segunda

hipótesis compara las dos variedades precoces y la tercera hipótesis compara las
dos variedades tardías.
Estas hipótesis se prueban en un análisis de varianza. La suma de cuadrados de

tratamientos se particiona en tres partes, una para cada contraste.
La tabla de los coeficientes de los contrastes es:
T1 T2 T3 T4
C1 1 1 -1 -1
C2 1 -1 0 0
C3 0 0 1 -1
La suma de cuadrados para contrastes es:
C 2j
SC (Contraste j )  t
r  cij2
i 1
En donde:
t
Cj  c
i 1
ij Ti
cij  coeficiente del tratamiento i en el contraste j
Ti = total del tratamiento i
Las sumas de los cuadrados de los contrastes en el ejemplo son:
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
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

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
ns Difernecia no significativa
El análisis de varianza muestra que el efecto conjunto de los tratamientos 1

y 2 es diferente al efecto conjunto de los tratamientos 3 y 4. Los tratamientos 1 y 2
no son diferentes. Los tratamientos 3 y 4 difieren significativamente.
Otro conjunto de hipótesis que se puede probar en este experimento es:
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
La primera hipótesis compara las variedades precoces contra tardías, la

segunda hipótesis compara las variedades resistentes contra las susceptibles y la
tercera hipótesis hace una prueba sobre la interacción entre los factores precocidad
y susceptibilidad.
6.3. Contrastes ortogonales utilizando el paquete “Diseños

1. En el menú principal se selecciona la opción: “Contrastes y P.

Ortogonales”.
2. En el sub-menú que aparece se selecciona “Contrastes Ortogonales”
3. En las ventanas a la izquierda se captura el número de tratamientos,
repeticiones, grados de libertad del error, cuadrado medio del error y el
número de contrastes y se oprime el botón “Contiunar”.
4. Posteriormente aparecen dos ventanas, una para la captura de las medias
de los tratamientos y la otra para los coeficientes de los contrastes.
4.6. Contrastes ortogonales utilizando el paquete SPSS
1. El paquete SPSS (v17) no considera contrastes ortogonales con

coeficientes proporcionados por el usuario. Las opciones son: “Simple”,
“Difference”, “Helmert”, “Repeated” y “Polynomial”.
52
7. POLINOMIOS ORTOGONALES
7.1. Introducción
Los polinomios ortogonales se utilizan cuando el conjunto de tratamientos

es cuantitativo, por ejemplo dosis de insecticida, dosis de fertilizante o número de
plantas por área. En estos casos interesa saber la tendencia de la respuesta; las
tendencias pueden ser lineal, cuadrática, cúbica, etc.
En el análisis de polinomios ortogonales la suma de cuadrados de

tratamientos se descompone en t-1 sumas de cuadrados, cada una con un grado de
libertad. Cada suma de cuadrados representa un efecto (lineal, cuadrática, cúbica,
etc.). La técnica para la partición de la suma de cuadrados de tratamientos es igual
a la de contrastes ortogonales.
Cuando los tratamientos están igualmente espaciados, los coeficientes de

los tratamientos en los contrastes son:
Para tres tratamientos:
Efecto T1 T2 T3
Lineal -1 0 1
Cuadrático 1 -2 1
Para cuatro tratamientos:
Efecto T1 T2 T3 T4
Lineal -3 -1 1 3
Cuadrático 1 -1 -1 1
Cúbico -1 3 -3 1
Para cinco tratamientos:
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
Para seis tratamientos:
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
Consideremos un experimento en donde se evalúan cinco niveles de

nitrógeno (0, 30, 60, 90 y 120 Kg ha-1 de N) en maíz con el diseño de bloques al
azar.
El croquis del experimento es:
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
Los datos de rendimiento son:
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
El análisis de varianza es:
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
Las hipótesis a probar con el análisis de contrastes ortogonales son:
Ho: Efecto lineal = 0 vs Ha: Efecto lineal ≠ 0
Ho: Efecto cuadrático = 0 vs Ha: Efecto cuadrático ≠ 0
Ho: Efecto cúbico = 0 vs Ha: Efecto cúbico ≠ 0
Ho: Efecto cuártico = 0 vs Ha: Efecto cuártico ≠ 0
Estas hipótesis se prueban con un análisis de varianza particionando la

suma de cuadrados de tratamientos en cuatro partes, cada una con un grado de
libertad.
La tabla de los coeficientes de los tratamientos en los contrastes es:
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
C 2j
SC (Contraste j )  t
r  cij2
i 1
En donde:
t
Cj  c
i 1
ij Ti
cij  coeficiente del tratamiento i en el contraste j
Ti = total del tratamiento i
Las sumas de los cuadrados de los contrastes en el ejemplo son:
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
rc
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
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)  472

5 (1) 2  (4) 2  (6) 2  (4) 2  (1) 2   1.031429
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
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:
Yij  0  1 Ni   2 Nl2  eij i=1,2,…,t; j=1,2,…,r
Donde:
Yij es la observación del tratamiento i en el bloque j

β0, β1, β2 son los coeficientes de regresión
Ni es el nivel de nitrógeno aplicado a la unidad experimental ij
eij es el error experimental
Con este modelo se puede hacer una estimación de la dosis óptima.
7.3. Polinomios ortogonales utilizando el paquete “Diseños

57
1. En el menú principal se selecciona la opción: “Contrastes y P.

Ortogonales”.
2. En el sub-menú se selecciona “Polinomios Ortogonales”
3. En las ventanas a la izquierda se captura el número de tratamientos,
repeticiones, grados de libertad del error y el cuadrado medio del error y se
oprime el botón “Contiunar”.
4. Posteriormente aparecen dos ventanas, una para la captura de las medias de
los tratamientos y la otra con los coeficientes adecuados para realizar el
análisis de polinomios ortogonales.
4.6. Polinomios ortogonales utilizando el paquete SPSS
1. En el programa de “General Lineal Model” se selecciona la opción

“Contrast” y después “Polynomial”. Posteriormente se corre el programa.
58
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 el croquis se observa que los cuatro tratamientos están evaluados en

todas las camadas y en todos los niveles de pesos iniciales.
El doble bloqueo de las unidades experimentales impone la restricción de

que el número de tratamientos debe ser igual al número de repeticiones. Es decir,
si se tienen t tratamientos, entonces se requieren t2 unidades experimentales. Esta
restricción limita el uso del diseño debido a que, si se tienen cuatro o menos
tratamientos, hay muy pocos grados de libertad en el error; y si hay más de seis
tratamientos se requieren demasiadas repeticiones y el costo del experimento se
incrementa considerablemente.
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:
t=4 t=5 t=6

r=4 r=5 r=6
Completamente al azar t(r-1) 12 20 30
Bloques al azar (t-1)(r-1) 9 16 25
Cuadro latino (t-1)(t-2) 6 12 20
59
Observe que cuando el número de tratamientos es menor que cinco, los

grados de libertad en el diseño cuadro latino son pocos. Panse y Sukhatme (1963)
recomiendan al menos 12 grados de libertad en el error.
En la tabla anterior se observa que el diseño cuadro latino tiene menos

grados de libertad que los diseños completamente al azar y bloques al azar, por lo
que, si no hay necesidad de usar un doble bloqueo, es conveniente usar un diseño
más simple.
8.2. El modelo
El modelo del diseño cuadro latino es:
Yijk = µ + i + Hj + Ck + ijk
i = 1,2,...,t
j = 1,2,...,t
k = 1,2,...,t
donde:
Yijk es la observación del tratamiento i, en la hilera j y en la columna k
 es la media verdadera general

Hj es el efecto de la j-ésima hilera
Ck es el efecto de la k-ésima columna
ijk es el error experimental de la ijk-ésima unidad experimental
Se supone que:
- Los errores (ijk) se distribuyen normal e independientemente con media cero y

- No hay interacción entre tratamientos hileras y columnas.
8.3. Ejemplo
En un experimento bajo el diseño de cuadro latino se compararon cinco

variedades de maíz. La unidad experimental fue de cinco surcos de 10 m de largo.
Se consideró como parcela útil a los tres surcos centrales, eliminando 0.5 m en los
extremos. El croquis del experimento es:
60
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:
- Se ordenan las unidades experimentales en hileras y columnas.

- Se asignan los tratamientos de tal forma que estos ocurran en todas las hileras y
todas las columnas.
- Se aleatorizan las hileras.
- Se aleatorizan las columnas.
Para evaluar los tratamientos se utilizó como variable principal al

rendimiento por parcela expresado en kg, los datos obtenidos son:
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

forma:
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...
T1 = Y141 + Y152 + Y133 + Y124 + Y115 = Y1..

T2 = Y231 + Y222 + Y213 + Y244 + Y255 = Y2..
T3 = Y311 + Y342 + Y353 + Y334 + Y325 = Y3..
T4 = Y451 + Y432 + Y423 + Y414 + Y445 = Y4..
T5 = Y521 + Y552 + Y543 + Y554 + Y535 = Y5..
Ho: T1 = T2 = ... = T5 vs Ha: Al menos dos T ≠ 0
Ho: H1 = H2 = ... = H5 vs Ha: Al menos dos H ≠ 0
Ho: C1 = C2 = ... = C5 vs Ha: Al menos dos C ≠ 0
Estas hipótesis se prueban con una tabla de análisis de varianza. Las sumas de
cuadrados son:
t Yi..2Y 2 Y 2  ...  Yt..2 Y..2 802  ...  482 3372

SC(Trata.)    ..2  1..  2    113.84
i 1 t t t t 5 25
62
t Y.2j. Y 2 Y 2  ...  Y 2 Y 2 622  ...  752 3372

SC( Hileras)    ..2  .1. .t.  ..    20.24
j 1 t t t t2 5 25
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
SC(Error) = SC(Total) - SC(Trata.) - SC(H) - SC(C) =
= 194.24 - 113.28 - 20.24 - 54.64 = 5.52
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
Bajo la hipótesis nula (Ho: T1 = T2 = ... = T5), la Fc de tratamientos se distribuye

como una F con t-1 y (t-1)(t-2) grados de libertad.
Si la Fc > F(α, t-1, gle), se rechaza la hipótesis nula.
En el ejemplo la Fc de tratamientos es mayor que la F tabulada, por lo que

se rechaza la hipótesis nula y se concluye que hay una diferencia altamente
significativa entre los tratamientos.
63
8.4. Comparación de medias por el método de Tukey
La tabla de medias es:
Trata. Total Media

1 80 16.0
2 73 14.6
3 69 13.8
4 67 13.4
5 48 9.6
El rango mínimo estudentizado para la prueba de Tukey es:
cme
RME  q( , p , gle)
r
De las tablas de Tukey se obtiene el valor de q(α,p,gle), para

α=0.05, p=5 y gle=12 el valor es: q(0.05,5,12) = 4.51
0.46
RME  4.51  1.37
5
Si la diferencia de dos medias es mayor que RME, entonces las

medias son diferentes.
La tabla con los resultados de la comparación de medias es:
Trata. Total Media

1 80 16.0 a
2 73 14.6 b
3 69 13.8 b
4 67 13.4 b
5 48 9.6 c
Las medias diferentes significativamente se identifican con letras diferentes.
64
8.5. Análisis del Cuadro Latino utilizando el paquete “Diseños”

1. En el menú principal se selecciona la opción: “Cuadro Latino”.

2. En el sub-menú se selecciona “Cuadro Latino”.
3. En las ventanas en la parte de arriba a la izquierda se capturan el número de
tratamientos, posteriormente se oprime el botón “Continuar”
especifica la hilera y la columna de acuerdo al croquis del experimento y se
captura el tratamiento y la observación.
8.6. Análisis del diseño Cuadro Latino con el paquete SPSS (v17)
1. Los datos se capturan en cuatro columnas, la primera es para las hileras, la

segunda para las columnas, la tercera para los tratamientos y la cuarta para
la variable dependiente.
 Analyze
 Univariate
analizar
tratamientos, hileras y columnas
 Se asignan los tratamientos y bloques al cuadro de la derecha
65
9. CUADROS LATINOS EN SERIE
9.1. Introducción
El diseño de cuadros latinos en serie se utiliza cuando en el experimento se

requiere hacer un doble bloqueo, como en el caso del diseño cuadro latino, pero
hay pocos tratamientos.
En el diseño cuadro latino se mencionó que cuando se tienen menos de 5

tratamientos, los grados de libertad del error son pocos, por lo que no se puede
hacer una estimación precisa del error experimental. Una solución para este
problema es repetir el experimento completo. Por ejemplo, si se quieren comparar
4 tratamientos y se quiere hacer un doble bloqueo en las unidades experimentales,
se pueden hacer dos, tres o más experimentos pequeños en cuadros latinos de 4x4.
9.2 El modelo
El modelo del diseño cuadros latinos en serie es:
Yijkl = µ + CUi + j + Hk(i) + Cl(i) + eijkl i = 1,2,...,c; j = 1,2,...,t ; k = 1,2,...,t; l = 1,2,...,t
donde:
Yijkl es la observación del tratamiento j en la hilera k en la columna l en el

cuadro i
 es el efecto verdadero de la media general
CUi es el efecto del i-ésimo cuadro
j es el efecto del j-ésimo tratamiento
Hk(i) es el efecto de la k-ésima hilera dentro del i-ésimo cuadro
Cl(i) es el efecto de la l-ésima columna dentro del i-ésimo cuadro
eijkl es el error experimental de la ijkl-ésima observación
Se supone que:
66
- Los errores (eijkl) se distribuyen normal e independientemente con media cero y

- No hay interacción entre tratamientos hileras y columnas dentro de cuadros.
9.3 Ejemplo
Para ilustrar el análisis de este diseño consideremos un experimento en donde

se desea comparar 4 tratamientos en cerditos recién nacidos en donde se quiere
bloquear por camadas y pesos iniciales. El experimento completo consiste de 2
cuadros latinos. El croquis es:
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
III T4 T2 T1 T3
IV T2 T4 T3 T1
El croquis de cada cuadro se construye de la siguiente forma:
- Se ordenan las unidades experimentales en hileras y columnas. - Se asignan los

tratamientos de tal forma que estos ocurran en todas las hileras y todas las
columnas.
- Se aleatorizan las hileras.
- Se aleatorizan las columnas.
Para evaluar los tratamientos se utilizó como variable principal a los aumentos de
peso, los datos obtenidos son:
67
Camadas
I II III IV Σ
Pesos I T3 T4 T1 T2
19 17 19 17 72
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
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
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
De acuerdo al modelo, los datos se pueden representar de la siguiente forma:
68
Camadas
I II III IV 
I T3 T4 T1 T2
Pesos Y1311 Y1412 Y1113 Y1214 Y1.1.
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.
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...
Ho: CU1 = CU2 vs CU1 i  CU2
Ho: 1 = 2 = 3 = 4 vs Ha: Al menos un i  0
Ho: H1 = H2 = H3 = H4 vs Ha: Al menos una Hi  0 en el cuadro 1

H1 = H2 = H3 = H4 vs Ha: Al menos una Hi  0 en el cuadro 2
Ho: C1 = C2 = C3 = C4 vs Ha: Al menos una Ci  0 en el cuadro 1

C1 = C2 = C3 = C4 vs Ha: Al menos una Ci  0 en el cuadro 2
Estas hipótesis se prueban con una tabla de análisis de varianza.
69
Suma de cuadrados de cuadros:

2
Yi...
t 2
Y.... Y12...  ...  Yc2... Y....
2
SC(Cuadros)      
i 1 t
2
ct 2 t2 ct 2
(321) 2  (271) 2 (592) 2

   78.125
16 32
Suma de cuadrados de tratamientos:
Y.2j.. Y....
t 2
Y.21..  ...  Y.t2.. Y....
2
SC(Trata.)    2   2 
i 1 ct ct ct ct
(154) 2  ...  (132) 2 (592) 2

   55.0
8 32
Suma de cuadrados de hileras dentro de cuadros:
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
(72) 2  ...  (71) 2 (592) 2

   78.125  35.375
4 32
Suma de cuadrados de columnas dentro de cuadros:

2 2
c
Yi.. Y....
t
SC(C | Cu )   l
 2  SC(Cuadros)
i 1 l 1 t ct
Y  ...  Yc..t Y....
2 2 2
 1..1  2  SC (Cuadros) 
t ct
(77) 2  ...  (72) 2 (592) 2

   78.125  16.375
4 32
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
(592) 2
 192  ...  192   220.0
32
SC(Error) = SC(Total) - SC(Cuadros) - SC(Trata.) - SC(H|Cu) - SC(C|Cu) =
= 220.0 - 78.125 - 55.0 - 35.375 - 16.375 = 35.125
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
Bajo la hipótesis nula (H0: 1 = 2 = 3), la Fc de tratamientos se distribuye como

una F con t-1 y (t-1)(ct-c-1) grados de libertad. El criterio de prueba es:
Si la Fc > F(α,t-1,gle), se rechaza la hipótesis nula.
En el ejemplo la Fc para tratamientos es mayor que la F tabulada, por lo que se

rechaza la hipótesis nula y se concluye que no hay diferencia significativa entre
los tratamientos.
En el análisis de varianza se encontró diferencia altamente significativa para

cuadros, lo que indica que las camadas usadas en los dos cuadros son diferentes.
También se encontró diferencia significativa entre los niveles de pesos iniciales

(hileras) dentro de cuadros, sin embargo no hubo diferencia entre camadas.
9.4. Análisis del diseño Cuadros Latinos en Serie utilizando el paquete

“Diseños” Experimentales FAUANL ver 1.7 (2015)”

2. En el sub-menú se selecciona “Cuadros Latinos en Serie”.
71
3. En las ventanas en la parte de arriba a la izquierda se capturan el número de

cuadros y tratamientos, posteriormente se oprime el botón “Continuar”
especifica el cuadro, la hilera y la columna de acuerdo al croquis del
experimento y se captura el tratamiento y la observación.
8.6. Análisis del diseño cuadros latinos en serie con el paquete SPSS
(v17)
1. Los datos se capturan en cinco columnas, la primera es para cuadros, la

segunda para las hileras, la tercera para las columnas, la cuarta para los
tratamientos y la quinta para la variable dependiente.
 Analyze
 Univariate
analizar
cuadros, tratamientos, hileras y columnas
 Se asignan los cuadros, tratamientos hileras y columnas al cuadro de
la derecha
72
3. DISEÑO CRUZADO (CROSS OVER)
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.
En este diseño, como en el de cuadros latinos en serie, se puede usar

cualquier número de tratamientos, sin embargo cuando se tienen más de cuatro
tratamientos los grados de libertad del error son suficientes para establecer el
experimento en un cuadro latino.
La ventaja del diseño cruzado sobre el diseño cuadros latinos en serie es

que tiene más grados de libertad en el error (gle). En la siguiente tabla se observa
que cuando se comparan tres tratamientos en cuatro cuadros, el diseño cuadros
latinos en serie tiene 14 gle, mientras que el diseño cruzado tiene 20 gle.
Diseño gl del error t=3; c=4; r=tc=12

Cuadros latinos en serie (t-1)(ct-c-1) 14
Diseño Cruzado (t-1)(r-2) 20
La desventaja del diseño cruzado sobre el diseño cuadros latinos en serie es

que si el efecto de hileras no es el mismo en todos los cuadros o hay efecto de
cuadros, entonces el error experimental del diseño cruzado es mayor que el del
diseño cuadros latinos en serie.
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
período será la contraria a la ración usada en el primer período. El croquis del

experimento es el siguiente:
Nota: El número de repeticiones (vacas en este experimento) es muy pequeño,

debido a que únicamente proporciona 8 grados de libertad del error experimental
(gle); normalmente se recomienda tener al menos 15 gle, por lo que sería
conveniente tener al menos 17 vacas o repeticiones para el experimento, sin
embargo, para ilustrar el análisis se considera únicamente a 10 repeticones.
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
El croquis de cada cuadro se construye de la siguiente forma:
- Se asignan los dos tratamientos al azar a las vacas en el primer período.

- Se asigna el tratamiento contrario en el segundo período.
10.3. El modelo
El modelo del diseño corss over es:
Yijk = µ +Pi + Vj + k + ijk i = 1,2,...,t ; j = 1,2,...,r; k = 1,2,...,t
donde:
Yijk es la observación del tratamiento k, en el período i en la vaca j

 es la media verdadera general
Pi es el efecto del i-ésimo período
Vj es el efecto de la j-ésima vaca
ijk es el error experimental de la ijk-ésima unidad experimental
Se supone que:
- Los errores (ijk) se distribuyen normal e independientemente con media cero y

- No hay interacción entre tratamientos hileras (períodos) y columnas (vacas).
74
Los datos de producción de leche son:
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
24 18 17 20 28 22 27 19 17 19 211
 49 41 38 41 56 45 57 43 39 39 448
A = 25 + 18 + 17 + 21 + 28 + 22 + 30 + 19 + 17 + 20 = 217
B = 24 + 23 + 21 + 20 + 28 + 23 + 27 + 24 + 22 + 19 = 231
De acuerdo al modelo, los datos se pueden representar en una tabla de la siguiente

forma:
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
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...
La hipótesis que se desea probar es:
Ho: 1 = 2 vs Ha: 1  2
Esta hipótesis se prueba con una tabla de análisis de varianza. Las sumas de
cuadrados son:
Suma de cuadrados de tratamientos:
t
Y..2k Y...2 Y..21 ...Y..2t Y...2
SC(Trata.)      
k 1 v tv v tv
75
(217) 2  (231) 2 (448) 2

   9.8
10 20
Y2 Y2 t 2
...Yt..
2
Y...2
SC( Periodos)   i..  ...
Y1..
  
i 1 v tv v tv
(237) 2  (211) 2 (448) 2

   33.8
10 20
1 ...Y.10.
v Y.2j. Y...2 2
Y.. 2
Y2
SC (Vacas)      ... 
j 1 t tv t tv
(49) 2 ...(39) 2 (448) 2

   218.8
2 20
...Ytv2  ... 
t v
Y2 2
SC(Total )    Yijk2  ...  Y111
2 Y
i j tv tv
(448) 2
 25  ...  19 
2
 270.8
2
20
SC(error) = SC(Total) - SC(Trata.) - SC(Períodos) - SC(vacas) =
= 270.8 - 9.8 - 33.8 - 218.8 = 8.4
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
Bajo la hipótesis nula (Ho: 1 = 2), la Fc de tratamientos se distribuye como

una F con t-1 y (t-1)(v-2) grados de libertad. El criterio de prueba es:
Si la Fc > F(α,t-1,gle), se rechaza la hipótesis nula.
76
En el ejemplo la Fc es mayor que la F tabulada, por lo que se rechaza la

hipótesis nula y se concluye que hay una diferencia significativa entre los
tratamientos.
En este caso no hay necesidad de hacer una prueba de comparación de medias

debido a que solo se tienen dos tratamientos, los cuales difieren
significativamente.
Cuando los tratamientos se prueban en forma secuencial en un individuo, como

en el ejemplo anterior, es posible que el tratamiento aplicado en el primer período
tenga algún efecto en el segundo período. A esto se le llama efecto residual del
tratamiento. Cuando esto ocurre, es posible estimar los efectos residuales y
considerarlos en el análisis estadístico. Una prueba para los efectos residuales se
encuentra en Cochran y Cox (1965).
10.3 . Análisis del Diseño Cruzado utilizando el paquete “Diseños”


2. En el sub-menú se selecciona “Diseño Cruzado”.
3. En las ventanas en la parte de arriba a la izquierda se capturan el
número de series y tratamientos, posteriormente se oprime el botón
“Continuar”
especifica la serie y la columna de acuerdo al croquis del experimento y
se captura el tratamiento y la observación.
10.4. Análisis del Diseño Cruzado con el paquete SPSS (v17)
1. Los datos se capturan en cuatro columnas, la primera es para las hileras,

la segunda para las columnas, la tercera para los tratamientos y la cuarta
para la variable dependiente.
 Analyze
77
 Univariate
analizar
tratamientos, hileras (períodos) y columnas (series)
 Se asignan los tratamientos hileras y columnas al cuadro de la
derecha
78
1. EXPERIMENTOS FACTORIALES 22
11.1. Introducción
Los experimentos factoriales se utilizan para evaluar el efecto conjunto de dos

o más factores. Por ejemplo, la evaluación de variedades y densidades en un
mismo experimento. Cuando se evalúan dos o más factores en forma conjunta, es
posible estimar la interacción entre ellos. Además, si no hay interacción entre los
factores, se estima con mayor precisión los efectos principales, comparado con
experimentos independientes en donde se evalúan los factores por separado.
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.
11.2. Factorial 22 analizado con contrastes ortogonales
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:
t1 = v1d1 En donde: t = tratamiento

t2 = v1d2 v = variedad
t3 = v2d1 d = densidad
t4 = v2d2
Los tratamientos se establecen bajo cualquiera de los diseños experimentales

(completamente al azar, bloques al azar, cuadro latino, etc.). Si en el ejemplo se
utiliza el diseño de bloques al azar, el croquis del experimento es:
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
El experimento se lleva a cabo como cualquier experimento con un diseño de

bloques al azar.
Para cada una de las variables que se desea estudiar en el experimento, se

prueban las siguientes hipótesis:
Ho: V1 = V2 vs Ha: V1 ≠ V2
Ho: D1 = D2 vs Ha: D1 ≠ D2
Ho: no hay interacción vs Ha: si hay interacción
La primera hipótesis compara las variedades, la segunda las densidades y la

tercera la interacción entre variedades y densidades. Estas hipótesis se pueden
probar mediante el análisis de varianza para un experimento de bloques al azar
particionando la suma de cuadrados de tratamientos con contrastes ortogonales o
descomponiendo la suma de cuadrados de tratamientos mediante la técnica de los
experimentos factoriales. Para ilustrar estos análisis consideremos los siguientes
datos de rendimiento del ejemplo:
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
Análisis con contrastes ortogonales considerando el modelo:
Yij = µ + i + j + eij
i = 1,2,...,t
j = 1,2,...,r
Las sumas de cuadrados para tratamientos, bloques, error y total son:
80
t
Y2 Y2 Y 2  ...  Yi.2 Y..2
SC(Trata.)   i.  ..  1.  
i r rt r rt
(31) 2  ...  (46) 2 (144) 2

   32.4
5 20
r
Y.2j Y..2 Y.12 ... Y.t2 Y..2
SC( Bloques)      
j t rt t rt
(23) 2  ...  (32) 2 (144) 2

   12.2
4 20
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
SC(Error) = SC(Total) – SC(Trata.) – SC(Bloques)
= 47.2 - 32.4 - 12.2 = 2.6
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
En la tabla de análisis de varianza se encontró diferencia significativa entre

tratamientos, pero esta diferencia puede deberse al efecto de variedades,
densidades o la interacción variedades x densidades. Por lo que es necesario
descomponer la suma de cuadrados de tratamientos para probar las hipótesis arriba
mencionadas, las cuales son equivalentes a las siguientes hipótesis:
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
La primera hipótesis compara el efecto conjunto de los tratamientos que

contienen a la variedad 1 (t1 y t2) contra el efecto conjunto de los tratamientos que
contienen a la variedad 2 (t3 y t4).
La segunda hipótesis compara el efecto conjunto de los tratamientos que

contienen a la densidad 1 (t1 y t3) contra el efecto conjunto de los tratamientos que
contienen a la densidad 2
(t2 y t4).
La tercera hipótesis prueba la interacción entre variedades y densidades

comparando el efecto conjunto de los tratamientos 1 y 4 contra los tratamientos 2
y 3. Esta hipótesis es equivalente a:
Ho: 1 - 2 = 3 - 4 vs Ha 1 - 2  3 - 4
Ho:v1d1 - v1d2 = v2 d1 - v2 d2 vs Ha: v1d1 - v1d2  v2 d1 - v2 d2
O sea que prueba si la diferencia entre las densidades es igual en las dos
variedades.
También la hipótesis de interacción es igual a la siguiente hipótesis:
Ho: 1 -  3= 2 - 4 vs Ha 1 - 3  2 - 4
Ho:v1d1 - v2d1 = v1d2 - v2 d2 vs Ha :v1d1 - v2d1  = v1d2 - v2 d2
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
Observe que se tiene un conjunto de t-1=3 contrastes ortogonales.
En general, la suma de cuadrados para contrastes es:

82
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
rc
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 
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
La interpretación de un análisis de varianza de un experimento factorial se inicia

observando el efecto de la interacción. Pueden ocurrir cualquiera de los siguientes
tres casos:
83
Caso 1. Si la interacción es significativa entonces debe de compararse las medias

de los niveles de un factor dentro de los niveles del otro factor. En el ejemplo, se
deben de comparar las medias de densidades dentro de cada variedad; y/o las
medias de variedades dentro de cada densidad. El error estándar para la
comparación de dos medias es:
2CME
r
Caso 2. Si la interacción no es significativa y los efectos principales si lo son,

entonces debe de compararse las medias de los efectos principales. El error
estándar para la comparación de dos medias es:
2CME
Para comparar medias del factor A:
rb
2CME
Para comparar medias del factor B:
ra
a = número de niveles del factor A, en este caso a=2

b = número de niveles del factor B, en este caso b=2
Caso 3. Si no hay diferencia significativa de la interacción ni de los efectos

principales, no se comparan las medias.
En el ejemplo se encontró diferencia significativa en la interacción, por lo que

es necesario comparar las medias de densidades dentro de cada variedad y/o las
medias de variedades dentro de cada densidad.
En la tabla de análisis de varianza del ejemplo se observa que hay una

diferencia clara entre las densidades, puesto que la Fc es muy grande (111.69). En
cuanto a variedades, la diferencia es menor, por lo que es necesario, en este caso,
comparar las variedades dentro de cada densidad.
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
Para comparar las medias de variedades dentro de cada densidad se calcula el

valor de la diferencia mínima significativa (DMS):
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 
CME = cuadrado medio del error
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
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.
11.3. Factorial 22 analizado con la técnica clásica para experimentos

factoriales
El análisis de varianza también se puede construir considerando el modelo:
Yijk = µ + i + Vj + Dk + (VD)jk + eijk
i = 1, 2, … , r j = 1, 2, … , a k = 1, 2, … , b
Con la notación del modelo, la tabla de datos es de la siguiente forma:
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...
Las sumas de cuadrados son:
r
Y2 Y2 Y 2  Y 2  ...  Yr2.. Y...2
SC( Bloques)   i..  ...  1.. 2..  
i 1 ab rab ab rab
(23) 2  ...  (32) 2 (144) 2

   12.2
4 20
a Y.2j. Y...2 Y2 Y2 Y2

SC(V )     .1. .2.  ... 
j 1 rb rab rb rab
86
(68) 2  (76) 2 (144) 2

   3.2
10 20
b
Y..2k Y...2 Y..21  Y..22 Y...2
SC( D)      
k 1 ra rab ra rab
(61) 2  (83) 2 (144) 2

   24.2
10 20
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
(31) 2  ...  (46) 2 (144) 2

   3.2  24.2  5.0
5 20
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
SC( Error)  SC(Total)  SC( Bloques)  SC(V )  SC( D)  SC(VxD) 
= 47.2 - 12.2 - 3.3 - 24.2 -5.0 = 2.6
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
87
11.4 Análisis de Experimentos Factoriales utilizando el paquete

“Diseños” Experimentales FAUANL ver 1.7 (2015)”
1. En el menú principal se selecciona la opción: “Experimentos

Factoriales”.
2. Aparecerá un submenú con las siguientes opciones:
a. AxB Completamente al azar

b. AxB Bloques al azar
c. AxBxC Completamente al azar
d. AxBxC Bloques al azar
Seleccione la opción de dos o tres factores y el diseño experimental

adecuado.
3. En la ventana en la parte de arriba a la izquierda se captura el número de
niveles de cada factor y el número de repeticiones, posteriormente se
oprime el botón “Continuar”
especifica el número de nivel de cada factor y la repetición y se captura
la observación correspondiente.
11.5. Análisis de Experimentos Factoriales con el paquete SPSS (v17)
11.5.1. Con el diseño Completamente al Azar
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
 Univariate
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
11.5.2. Con el diseño Bloques al Azar
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
 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
 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
89
12.1. Introducción
Los experimentos factoriales 23 consideran tres factores con dos niveles cada uno.
11.2. Factorial 23 analizado con contrastes ortogonales
En un experimento se desea evaluar dos niveles de nitrógeno, dos niveles de

fósforo y dos densidades de siembra.
Los tratamientos del experimento se forman con la combinación de los niveles de

los niveles de los factores, en el ejemplo son:
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

(completamente al azar, bloques al azar y cuadro latino). Si en el experimento se utiliza el
diseño de bloques al azar, los ocho tratamientos se distribuyen al azar dentro de cada
bloque y después se aleatorizan los bloques, quedando el croquis del experimento de la
siguiente forma:
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
El experimento se conduce en el campo como cualquier experimento con un

diseño en bloques al azar.
90
Para cada una de las variables consideradas en el experimento se prueban las

siguientes hipótesis:
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
Estas hipótesis se pueden probar utilizando contrastes ortogonales o

descomponiendo la suma de cuadrados de tratamientos mediante la técnica de los
experimentos factoriales. Para ilustrar estos análisis consideremos los siguientes datos de
rendimiento del ejemplo:
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
Para construir la tabla de los coeficientes se procedió de la siguiente forma:
91
 Para los efectos principales se asignó un 1 al nivel bajo y un 1 al nivel alto.

 Para las interacciones se multiplican algebraicamente los coeficientes de los
efectos principales.
Para construir la tabla de análisis de varianza, primeramente se calcularán las sumas

de cuadrados de acuerdo con el modelo de bloques al azar y posteriormente se
descompondrá la suma de cuadrados de tratamientos de acuerdo con la técnica de
contrastes ortogonales.
Yi.2 Y..2 Y12.  ...  Yt .2 Y..2

t
SC(Trata.)      
i 1 r rt r rt
192  ...  382 2012

SC(Trata.)    97.21875
4 32
Y. 2j Y..2
r
Y.12  ...  Y.r2 Y..2
SC( Bloques)    .  
j 1 t rt t rt
392  ...  612 2012

SC ( Bloques)    33.34375
8 32
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
SC ( Error)  SC(Total)  SC(Trata.)  SC ( Bloques) 
SC ( Error)  134.46875 97.21875 33.34375  3.90625
La suma de cuadrados de los contrastes se calcula con la siguiente ecuación general:
92
 (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 
(19  23  14  30  25´30  22  38) 2

SC( D)   52.53125

4 12  (1) 2  12  (1) 2  12  (1) 2  12  (1) 2 
(19  23  14  30  25´30  22  38) 2
SC( NP )   0.28125

4 12  12  (1) 2  (1) 2  (1) 2  (1) 2  12  12 
(19  23  14  30  25´30  22  38) 2

SC( ND )   0.03125

4 12  (1) 2  12  (1) 2  (1) 2  12  (1) 2  12 
(19  23  14  30  25´30  22  38) 2

SC( PD )   16.53125

4 12  (1) 2  (1) 2  12  12  (1) 2  (1) 2  12 
(19  23  14  30  25´30  22  38) 2

SC( NPD )   0.03125

4 12  (1) 2  (1) 2  12  (1) 2  12  12  (1) 2 
93
F tablas
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
Observe que la suma de las sumas de cuadrados de los efectos e interacciones es

igual a la suma de cuadrados de los tratamientos, esto se debe a que los t-1 contrastes son
ortogonales, por lo que la suma de cuadrados de los tratamientos se particiona en siete
sumas de cuadrados. Al observar las sumas de cuadrados de los efectos se puede ver que
los efectos principales N, D y la interacción PD explican casi toda la variabilidad entre
los tratamientos.
Interpretación del análisis de varianza:
Caso 1. La interacción de segundo orden (AxBxC) es significativa. En este caso es

necesario estudiar las interacciones de dos factores en cada uno de los niveles del tercer
factor. Por ejemplo, ver como es la interacción AxB en cada uno de los niveles de C. El
error estándar de la diferencia de dos medias es:
2CME
r
En donde CME es el cuadrado medio del error.
94
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
Si la interacción AxC es significativa, entonces de deben de comparar los niveles de A

dentro de cada uno de los niveles de C, o los niveles de C dentro de cada uno de los
niveles de A. En este caso el error estándar para la comparación de las medias es:
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
Caso 4. Si no hay diferencias significativas en las interacciones y los efectos principales,

no se comparan las medias.
95
En el ejemplo se encontraron diferencias significativas entre los niveles de N, pero no se

detectaron efectos de interacción entre el N y los otros factores, por lo que en este caso se
comparan las medias generales del N. Para obtener las medias de cada uno de los niveles
de N, se suman todos los datos con los niveles 1 y 2 de N. De la tabla de datos:
N1 = 19 + 23 + 14 + 30 = 86
N2 = 25 + 30 +22 + 38 = 115
Las medias son:
Nivel Total Media

N1 86 5.3750 b
N2 115 7.1875 a
a,b: letras diferentes indican diferencia

significativa ente las medias
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.
En el análisis de varianza también se encontraron diferencias significativas entre los

niveles de P y D, sin embargo, la interacción entre estos factores también es significativa,
por lo que es necesario comparar los niveles de P en cada uno de los niveles de D y los
niveles de D dentro de cada uno de los niveles de P.
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.
Para el estudio de la interacción PxD, primeramente se considera la comparación de los

niveles de P dentro de cada uno de los niveles de D. La comparación de las medias se
hace por el método de la diferencia mínima significativa (DMS). El valor de DMS es:
2CME
DMS  t( / 2, gle)
ra
En donde:
96
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
En este caso se observa que el mejor nivel de fósforo en la densidad 1 es el nivel 2,

mientras que en mejor nivel de fósforo en la densidad 2 es el nivel 1.
La comparación de medias de D dentro de cada uno de los niveles de P es:
P1 P2
D1 5.500 b D1 4.500 b
D2 6.625 a D2 8.500 a
Para el caso de la comparación de las densidades se encontró que en ambos niveles de

fósforo, la mejor densidad fue la 2.
Estos resultados también se pueden presentar en forma gráfica, como se ilustra en la

siguiente figura:
97
10
Rendimiento
6 P1
4 P2
0
D1 D2
Densidades
12.3. Factorial 23 analizado con la técnica clásica para experimentos

factoriales
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:
Yijkl = µ + βi + Nj + Pk + Dl + (NP)jk + (ND)jl + (PD)kl + (NPD)jkl + eijkl
i = 1,2,...,r j = 1,2,...,a k = 1,2,...,b l = 1,2…,c
Los datos de acuerdo al modelo son:
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
392  ...  612 2012

   33.34375
8 32
Para el cálculo de los efectos principales e interacciones de primer orden, las siguientes
tablas pueden ser de utilidad:
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
aY. 2j .. Y....2 Y.12..  ...  Y.a2.. Y....2

SC( N )      
j 1 rbc rabc rbc rabc
862  1152 2012

   26.28125
16 32
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
a bY. 2jk . Y...2

SC( NxP)     SC( N )  SC( P) 
j 1 k 1 rc rabc
422  ...  602 2012
   26.28125 1.53125  0.28125
8 32
a Y. 2j .l
c
Y...2
SC( NxD)     SC( N )  SC( D) 
j 1 l 1 rb rabc
332  ...  682 2012

   26.28125 52.53125  0.03125
8 32
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 ) 
192  ...  382 2012

   26.28125 1.53125 52.53125 0.28125
4 32
 0.03125 16.53125  0.03125
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
SC( Error)  SC(Total)  SC( Bloques)  SC( N )  SC( P)  SC( D) 

 SC( NP)  SC( ND)  SC( PD)  SC( NPD ) 
 134.46875 33.34375 26.28125 1.53125 52.53125 0.28125

 0.03125 16.53125 0.03125 0.03125  3.90625
F tablas
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
101
13.1. Introducción
Los experimentos factoriales 32 consideran dos factores con tres niveles cada uno.
13.2. Ejemplo
En un experimento se evaluarán tres variedades en tres densidades de siembra.
Los tratamientos del experimento se forman con la combinación de los niveles de

los factores, en el ejemplo son:
t1 = v1d1 En donde t = tratamiento

t2 = v1d2 v = variedad
t3 = v1d3 d = densidad
t4 = v2d1
t5 = v2d2
t6 = v2d3
t7 = v3d1
t8 = v3d2
t9 = v3d3

(completamente al azar, bloques al azar, cuadro latino, etc.). Si en el ejemplo se
utiliza el diseño de bloques al azar, el croquis del experimento es:
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
El experimento se lleva a cabo como cualquier experimento con un diseño de

bloques al azar.
102
Para cada una de las variables que se desea estudiar en el experimento, se prueban
las siguientes hipótesis:
Ho: V1 = V2 = V3 vs Ha: al menos una variedad diferente
Ho: D1 = D2 = D3 vs Ha: al menos una densidad diferente
Ho: no hay interacción VxD vs Ha: si hay interacción VxD
La primera hipótesis compara las variedades, la segunda las densidades y la

tercera la interacción entre variedades y densidades. Para ilustrar como se prueban
estas hipótesis consideremos los siguientes datos:
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:
Yijk = µ + ßi + Vj + Dk + (VD)jk + eijk
i = 1,. . . . , r r=4
j = 1,. . . . , a a=9
k =1,. . . . , b b=9
En donde:
Yijk es la observación de la variedad j en la densidad k en el bloque i

es la media verdadera general
i es el efecto del bloque i
Vj es el efecto de la variedad j
Dk es el efecto de la densidad k
103
VDjk es el efecto de la interacción de la variedad j densidad k

eijk es el error experimental
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...
Las sumas de cuadrados de variedades, densidades e interacción VxD se calculan

considerando los siguientes totales:
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)      
522  502  482  502 2002

   0.88888
9 36
Y.2j. Y...2
a
Y.12.  Y.22.  ...  Y.a2. Y...2
SC(Variedades)      
482  672  852 2002

   57.055556
12 36
104
Y..2k Y...2
b
Y..21  Y..22  ...  Y..2c Y...2
SC( Densidades)      
k 1 ra rab rc rab
612  732  662 2002

   6.055556
12 36
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
132  ...  252 2002

   57.055556 6.055556  10.777777
4 36
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
SC ( Error)  SC(Total)  SC ( Bloques)  SC (V )  SC( D)  SC (VxD) 
= 94.88888 – 0.88888 – 57.055556 – 6.055556 – 10.77777 = 20.1111
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
La interpretación de un análisis de varianza de un experimento factorial 32 es

semejante a la interpretación de un experimento factorial 22. Primeramente se
observa la interacción. Pueden ocurrir cualquiera de los siguientes tres casos:
105
Caso 1. Si la interacción es significativa entonces debe de compararse las medias

de los niveles de un factor dentro de los niveles del otro factor. En el ejemplo, se
deben de comparar las medias de densidades dentro de cada variedad; y/o las
medias de variedades dentro de cada densidad. El error estándar para la
2CME
r
Caso 2. Si la interacción no es significativa y los efectos principales si lo son, o el

efecto de la interacción no es más importante que los efectos principales, entonces
debe de compararse las medias de los efectos principales. El error estándar para la
2CME
Para comparar medias del factor A:
rb
2CME
Para comparar medias del factor B:
ra
Caso 3. Si no hay efecto de la interacción ni diferencia significativa de los efectos

En el ejemplo se encontró diferencia significativa en la interacción, por lo

que es necesario comparar las medias de densidades dentro de cada variedad y/o
las medias de variedades dentro de cada densidad.
En la tabla de análisis de varianza del ejemplo se observa que hay una

diferencia clara entre las variedades, puesto que la Fc es grande (43.31). En cuanto
a densidades, la diferencia es menor, por lo que es necesario, en este caso,
comparar las densidades dentro de cada variedad.
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
Para comparar las medias de densidades dentro de cada variedad se calcula el

valor de la diferencia mínima significativa (DMS):
106
2CME
DMS  t ( / 2, gle)
r
Para α= 0.05 y gle = 24; t(0.05/2, 24) = 2.064
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
Los resultados muestran que las variedades requieren de diferentes densidades. La

variedad 1 se comporta mejor con las densidades 2 y 3, la variedad 2 tiene
rendimientos semejantes en las tres densidades, mientras que la variedad 3 se
comporta mejor con la densidad 2.
En cuanto a la comparación de variedades, se pueden comparar los efectos

principales, puesto que la Fc de variedades es mayor que la Fc de la interacción. El
DMS para esta comparación es:
2CME
DMS  t ( / 2, gle)
rb
Para α= 0.05 y gle = 24; t(0.05/2, 24) = 2.064
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
Los resultados de la comparación de medias de variedades dentro de cada

densidad se presentan en la siguiente tabla en donde las letras diferentes en la
hilera indican diferencia significativa entre las variedades.
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
14. ARREGLO EN PARCELAS DIVIDIDAS
14.1. Introducción
El arreglo en parcelas divididas se utiliza cuando se van a evaluar dos

factores y uno de ellos se puede manejar en el campo más fácilmente con parcelas
grandes.
14.2. Ejemplo
Por ejemplo, consideremos un experimento en donde se desea evaluar tres

variedades en chile serrano en dos fechas de siembra. En este caso es conveniente
colocar a las fechas de siembra en parcelas grandes y a las variedades en sub-
parcelas. Con este arreglo de parcelas es más fácil realizar los trabajos (riegos,
cultivos, etc.), comparado con un arreglo factorial.
Los tratamientos se establecen bajo cualquiera de los diseños

experimentales: completamente al azar, bloques al azar o cuadro latino. Si en el
ejemplo se utiliza el diseño de bloques al azar, el croquis del experimento es:
I f1v2 f 1 v1 f1v3 f2v3 f2v1 f2v2

II f2v1 f 2 v2 f2v3 f1v2 f1v3 f1v1
III f1v3 f 1 v1 f1v2 f2v3 f2v2 f2v1
IV f2v1 f 2 v3 f2v2 f1v1 f1v2 f1v3
1. Se asignan al azar las fechas de siembra a las parcelas grandes dentro de

cada bloque.
2. Se aleatorizan los bloques.
3. Se asignan al azar las variedades a las sub-parcelas dentro de cada parcela
grande.
El arreglo en parcelas divididas también puede surgir cuando se tiene un

experimento con un solo factor en el campo y en el período en que crece el cultivo
se desea evaluar otro factor, entonces cada parcela del diseño original se divide
para incluir los niveles del segundo factor. Por ejemplo si se están comparando
variedades de un cultivo en bloques al azar y se presenta una deficiencia de Fe,
entonces dentro de cada parcela se pueden comparar dos productos para controlar
dicha deficiencia.
109
El arreglo en parcelas divididas también se puede utilizar en experimentos

con animales, por ejemplo, en un experimento en donde se comparan dos tipos de
forrajes en animales fistulados y también se desea evaluar la adición de
bicarbonato y sin bicarbonato. En este caso un animal se considera como una
parcela grande y las sub-parcelas son diferentes períodos en donde se aplican los
niveles del segundo factor.
El modelo del arreglo en parcelas divididas es el siguiente:
Yijk = µ + βi + Fj + eij (a) + Vk + (FV)jk + eijk(b)
i = 1,2,...,r j = 1,2,...,a k = 1,2,...,b
Yijk es la observación en la labranza j, en la humedad k, en el bloque i

βi es el efecto del bloque i
Fj es el efecto del nivel j de fechas
eij(a) es el error experimental de la i j-ésima parcela grande para fechas
Vk es el efecto del nivel k de variedades
FVjk es el efecto de la interacción de la labranza j y humedad k
eijk(b) es el error experiemental de la i j k-ésima subparcela
Ho: F1 = F2 = ... = Fa vs Ha: Al menos dos F's diferentes
Ho: V1 = V2 = ... = Vb vs Ha: Al menos dos V's diferentes
Ho: no hay interacción FxV vs Ha: si hay interacción FxV
Estas hipótesis se prueban mediante el análisis de varianza. En el ejemplo, los

datos de rendimiento son:
110
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
De acuerdo al modelo la tabla de datos se representa de la siguiente forma:
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..  
(47) 2  ...  (62) 2 (219) 2

   21.791667
6 24
a Y2
Y2 Y 2  ...  Y.a2. Y...2
SC( F )   . j.  ...  .1.  
(94) 2  (125) 2 (219) 2

   40.041667
12 24
111
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
(21) 2  ...  (36) 2 (219) 2

SC( Error(a))    21.791667 40.041667  3.458333
3 24
Las sumas de cuadrados de variedades e interacción FxV se calculan considerando

los totales en la siguiente tabla:
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  
(78) 2  (76) 2  (65) 2 (219) 2

   12.25
8 24
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
(30) 2  ...  (32) 2 (219) 2

   40.041666 12.25  25.083334
4 24
112
r a b
Y2 Y2
SC(Total)   Yijk2  ...  Y111
2
 ...  Yrab
2
 ... 
(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 ) 
SC ( Error(b))  108.625  21.791667 40.041667 3.458333 12.25  25.083334  6.0
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
La interpretación del análisis de varianza es semejante a la de los experimentos

factoriales.
Caso 1. Si la interacción es significativa entonces se comparan las medias de los

niveles de un factor dentro de los niveles del otro factor. Si se desea comparar dos
medias de niveles del factor B en el mismo nivel de A, por ejemplo, dos medias de
variedades en el mismo nivel de fechas, se usa el siguiente error estándar:
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:
2(b  1)CME (b)  CME (a)

rb
113
En este caso el valor de t tabulada para la comparación de medias por el método

de la Diferencia Mínima Significativa se calcula mediante un promedio ponderado
de ta y tb:
(b  1)CME (b)tb  CME (a )ta

t
(b  1)CME (b)  CME (a )
en donde: ta y tb son los valores tabulados de t de Student con los grados de

libertad del error a y b, respectivamente

estándar para la comparación de dos medias del factor A es:
2CME (a)
rb
El error estándar para la comparación de medias del factor B es:
2CME (b)
ra

En el ejemplo se encontró diferencia significativa en la interacción, por lo que es

necesario comparar las medias de variedades dentro de cada fecha.
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
Para comparar las medias de variedades dentro de cada fecha de siembra se

calcula el valor de la diferencia mínima significativa (DMS):
2CME (b)
DMS  t( , gle)
r
En donde:
t( , gle) es el valor tabulado de la distribución t de Student. Se busca en tablas

con un valor de significancia de α y los grados de libertad del error b.
CME (b) es el cuadrado medio del error b
En el ejemplo, el DMS es:
2(0.5)
DMS  2.179  1.0895
4
El criterio de prueba es el siguiente: si la diferencia de dos medias es mayor

que el DMS entonces se declaran medias diferentes y se les asigna diferente letra
en la tabla de medias.
En el ejemplo, los resultados mostraron que no hubo diferenecas entre las

variedades cuando se sembraron en la fecha 1, sin embargo cuando se sembraron
en la fecha 2, la variedad 3 tuvo un rendimiento menor que las variedades 1 y 2.
Para comparar las fechas de siembra para cada variedad se utiliza el siguiente
DMS:
2(b  1)CME (b)  CME (a)

DMS  t
rb
En donde:
(b  1)CME (b)tb  CME / a)ta

t
(b  1)CME (b)  CME (a)
Para α=0.05; ta =3.18; tb= 2.18
115
En el ejemplo:
2(0.5)(2.18)  (1.152778)(3.18)
t  2.71548
2(0.5)  1.152778
22(0.5)  1.152778
DMS  2.71548  1.627
12
El resultado de la comparación de medias es:
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
La interacción entre los factores también se puede apreciar por medio de

una gráfica de la siguiente forma:
116
14
12
10
V1
8
V2
6
V3
4
2
0
F1 F2
En la gráfica se observa que el rendimiento de las variedades 2 y 3 se

incrementa considerablemente al pasar de la fecha de siembra 1 a la 2. Sin
embargo la variedad 3 no tiene cambio.
117
Comentarios adicionales del arreglo en parcelas divididas.
El arreglo en parcelas divididas es un experimento factorial con confusión

del factor que está en parcelas grandes. Por ejemplo, si se desea estudiar dos
fechas de siembra y dos variedades en un factorial 22 los tratamientos son:
T1=F1V1
T2=F1V2
T3=F2V1
T4=F2V2
La tabla de coeficientes de los contrastes para las comparaciones de los

efectos principales e interacción es:
F1V1 F1V2 F2V1 F2V2

F 1 1 -1 -1
V 1 -1 1 -1
FV 1 -1 -1 -1
Si se confunde el efecto de fechas con bloques, entonces los tratamientos

con signo positivo en el contraste de fechas son asignados a un bloque y los
tratamientos con signo negativo a otro bloque dentro de la misma repetición. Así
el croquis es:
R1 I F1V1 F1V2 F2V1 F2V2 II

R2 III F2V2 F2V1 F1V1 F1V2 IV
R3 V F1V1 F1V2 F2V2 F2V1 VI
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
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
En el análisis de varianza del factorial con confusión la suma de cuadrados

de bloques se divide en repeticiones y bloques dentro de repeticiones; a su vez, la
suma de cuadrados de bloques dentro de repeticiones se divide en suma de
cuadrados del factor A y la interacción repeticiones x A. Por lo tanto, el análisis de
varianza para el factorial con confusión de un efecto principal es igual al análisis
de varianza de un experimento en parcelas divididas.
14.3. Consideraciones sobre la precisión en el arreglo en parcelas divididas.
1. Los efectos de B y AxB se estiman más precisamente que los efectos de A.
2. El cuadrado medio del error de parcelas grandes (error a) se estima con

menos grados de libertad que el cuadrado medio del error de sub-parcelas
(error b).
3. Si se compara el diseño de parcelas divididas con el diseño factorial, los

efectos B y AxB se estiman con mayor precisión en el diseño de parcelas
divididas, ya que estos efectos se estiman en bloques de b unidades
experimentales, mientras que en factorial se estiman en bloques de ab
unidades experimentales. Recordando que entre más unidades
experimentales tenga el bloque, mayor será la variabilidad interna (error
experimental).
4. Los grados de libertad del error en un experimento factorial son mayores

que los grados de libertad del error(b) del mismo experimento en parcelas
divididas.
119
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.
14.4. Análisis de Experimentos con parcelas divididas utilizando el

paquete “Diseños Experimentales FAUANL” ver 1.7 (2015)”
En el menú principal se selecciona la opción: “Parcelas Divididas”
Aparecerá un submenú con las siguientes opciones:
a. Parcelas Divididas
b. Parcelas Sub-Dividias
Seleccione la opción de dos o tres factores.
En la ventana en la parte de arriba a la izquierda se captura el número

de niveles de cada factor y el número de repeticiones, posteriormente se
Posteriormente se muestra la tabla para la captura de datos en donde se

En el cuadro de selección se puede marcar el método de comparación de

Finalmente se oprime el botón “Resultados”.
14.5. Análisis de Experimentos en Parcelas Divididas con el paquete

SPSS (v17)
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
 Univariate
120

analizar
 Posteriormente se oprime “Continue”
 En la parte de abajo se oprime “Paste” y se añade la siguiente
codificación:
 /METHOD=SSTYPE(3)
 /INTERCEPT=INCLUDE
 /CRITERIA=ALPHA(0.05)
 /DESIGN=Bloques Fechas Bloques*Fechas Variedades
Fechas*Variedades
 /Test Bloques vs Bloques*Fechas
 /Test Fechas vs Bloques*Fechas.
 Se corre el programa oprimiendo un ícono parecido a un triángulo en
la parte superior
121
15. ARREGLO EN BLOQUES DIVIDIDOS (ARREGLO EN FRANJAS)
15.1. Introducción
El arreglo en bloques divididos se utiliza cuando se van a evaluar dos

factores y los dos se pueden manejar más fácilmente con parcelas grandes.
15.2. Ejemplo
Consideremos un experimento en donde se desea evaluar tres tipos de labranza en

tres niveles de humedad:
L1 Rastra y barbecho
L2 Mínima labranza
L3 Rastra
H1 Riego
H2 Punta de riego
H3 Temporal
Este experimento sería difícil de establecer con un arreglo factorial debido a

que en cada bloque se tendrían los nueve tratamientos asignados al azar, por lo que
los diferentes tipos de labranza y los niveles de humedad serían aplicados
independientemente en las nueve parcelas de cada bloque, por lo que se tendría
que aplicar los riegos y las labranzas en parcelas muy pequeñas.
La forma más fácil de establecer el experimento en el campo es teniendo

parcelas grandes en los dos factores, como se observa en el siguiente croquis:
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
1. Se asignan al azar los niveles de humedad y las labranzas a las hileras y

columnas de cada bloque.
2. Se aleatorizan los bloques.
El modelo del arreglo en parcelas divididas es el siguiente:
Yijk = µ + βi + Lj + eij (a) + Hk+ eik (b) + (LH)jk + eijk(c)
i = 1,2,...,r j = 1,2,...,a k = 1,2,...,b
Yijk es la observación en la labranza j, en la humedad k, en el bloque i

βi es el efecto del bloque i
Lj es el efecto del nivel j de labranza
eij(a) es el error experimental de la i j-ésima parcela grande BxL
Hk es el efecto del nivel k de humedades
eik(b) es el error experimental de la i k-ésima parcela grande BxH
LHjk es el efecto de la interacción de la labranza j y humedad k
eijk(c) es el error experiemental de la i j k-ésima subparcela
Ho: L1 = L2 = ... = La vs Ha: Al menos dos L's diferentes
Ho: H1 = H2 = ... = Hb vs Ha: Al menos dos H's diferentes
Ho: no hay interacción LxH vs Ha: si hay interacción LxH
Estas hipótesis se prueban mediante el análisis de varianza. En el ejemplo, los

datos de rendimiento son:
123
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
De acuerdo al modelo, la tabla de datos es:
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..  
124
(101) 2  ...  (116) 2 (437) 2

   23.638889
9 36
a Y.2j. Y...2 Y 2  ...  Y.a2. Y...2

SC( L)     .1.  
(161) 2  (130) 2  (146) 2 (437) 2

   40.055556
12 36
r a Yij2.
Y2
SC( Error(a))    ...  SC( Bloques)  SC( L) 
i 1 j 1 b rab
Y112.  ...  Yra2. Y...2

SC( Error(a))    SC( Bloques)  SC( L) 
rb rab
(35) 2  ...  (38) 2 (437)

SC( Error(a))    23.638889 40.055555  11.944444
3 36
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  
(170) 2  (151) 2  (116) 2 (437) 2

   125.055556
12 36
r b
Y2 Y2
SC( Error(b))   i.k  ...  SC( Bloques)  SC( H ) 
i 1 k 1 a rab
125
Y12.1  ...  Yr2.b Y...2

   SC( Bloques)  SC( H ) 
a rab
(39) 2  ...  (32) 2 (437) 2

   23.638889 125.055556  4.277778
3 36
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
(67) 2  ...  (39) 2 (437) 2

   40.055556 125.055556  46.444444
4 36
r a b
Y2 Y2
SC(Total)   Yijk2  ...  Y111
2
 ...  Yrab
2
 ... 
(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 ) 
SC( Error(c))  262.305556 23.638889 40.055556 11.944444 125.055556 4.277778

 46.444444  10.888889
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
126
La interpretación del análisis de varianza es semejante a la de los experimentos

factoriales.
Caso 1. Si la interacción es significativa entonces se comparan las medias de los

niveles de un factor dentro de los niveles del otro factor. Si se desea comparar dos
medias de niveles del factor B en el mismo nivel de A; por ejemplo, dos medias de
humedad en el mismo nivel de labranza, se usa el siguiente error estándar:
2(a  1)CME (c)  CME (b)

ra
En este caso el valor de t tabulada para la comparación de medias por el método de

la Diferencia Mínima Significativa se calcula mediante un promedio ponderado de
tb y tc.
(a  1)CME (c)tc  CME (b)tb

t
(a  1)CME (c)  CME (b)
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:
2(b  1)CME (c)  CME (a)

rb
En este caso el valor de t tabulada para la comparación de medias por el método

de la Diferencia Mínima Significativa se calcula mediante un promedio ponderado
de ta y tc:
(b  1)CME (c)tc  CME (a)ta

t
(b  1)CME (c)  CME (a)
en donde: ta y tc son los valores tabulados de t de Student con los grados de

libertad del error a y c, respectivamente

127
estándar para la comparación de dos medias del factor A es:
2CME (a)
rb
El error estándar para la comparación de medias del factor B es:
2CME (b)
ra

En el ejemplo se encontró diferencia significativa en la interacción, por lo que es

necesario comparar las medias de labranza dentro de cada nivel de humedad.
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:
2(b  1)CME (c)  CME (a)

DMS= t
rb
En donde:
(b  1)CME (c)tc  CME (a)ta

t
(b  1)CME (c)  CME (a)
ta = 2.447; tc =2.179
En el ejemplo, el DMS es:
128
2(0.907407)(2.179)  (1.990741)(2.447)
t
2(0.907407)  1.990741
22(0.907407)  1.990741)
DMS  2.319  1.847
12
El criterio de prueba es el siguiente: si la diferencia de dos medias es mayor que el

DMS entonces se declaran medias diferentes y se les asigna diferente letra en la
tabla de medias.
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
15.3. Análisis de Experimentos con bloques divididos utilizando el

paquete “Diseños” Experimentales FAUANL ver 1.7 (2015)”
En el menú principal se selecciona la opción: “Bloques Divididos”
En la ventana en la parte de arriba a la izquierda se captura el número

de niveles de cada factor y el número de repeticiones, posteriormente se

129

15.4. Análisis de Experimentos en Bloques Divididos con el paquete

SPSS (v17)
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
 Univariate
analizar
 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
16. ANALISIS DE COVARIANZA
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.
La precisión del experimento se incrementa debido a que, por medio de la covariable,

se explica una parte de la varianza del error experimental. La varianza explicada con la
covariable es la varianza debida a la relación entre la covariable y la variable
dependiente. Esta varianza es equivalente a la varianza debida a la relación entre las
variables en un análisis de regresión.
Por ejemplo, un experimento en donde se quiere comparar diferentes raciones de

alimento en ganado bovino de engorda midiendo los aumentos de peso con diferentes
pesos iniciales en los animales. En este caso la variable dependiente es aumentos de peso
y la covariable es pesos iniciales.
Es posible hacer un análisis de covarianza para cada uno de los diferentes diseños.
16.1. Ejemplo del Análisis de un Experimento Bajo el Diseño

Completamente al Azar con una Covariable.
Se evaluaron 3 raciones de alimento en ganado de engorda mediante los aumentos de

peso. En este experimento se tomó como covariable a los pesos iniciales.
El modelo del diseño completamente al azar con una covariable es:
Yij = µ + τi + βXij + eij
i = 1, 2 , ... , t
j = 1, 2 , ... , ni
en donde:

τi es el efecto del tratamiento i
β es la pendiente de la línea de regresión
Xij es la observación de la covariable en el tratamiento i, repetición j
Se supone que:
- Xij es una variable fija.
131
- Los errores (eij) se distribuyen normal e independientemente con media cero y varianza
igual a σ2.
Los datos de aumentos de peso y peso inicial son:
Y = Aumento de peso X = Peso inicial
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:
Y = Aumento de peso X = Peso inicial
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: 1=2=3 vs Ha: Al menos dos i ≠ 0
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
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
Eyy  Totyy  Tyy  0.205  0.063333 0.141667
Exx  Totxx  Txx  1060.9444 25.4444  1035.5
Exy  Totxy  Txy  12.683333 1.166667  11.516667
La tabla de sumas de cuadrados y productos cruzados es:
133
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
La suma de cuadrados de la covariable es:
E xy2 (11.516667) 2
SC(Cov.)    0.128086
E xx 1035.5
La suma de cuadrados de tratamientos es:

(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 
La suma de cuadrados del error es:
E xy2 (11.516667) 2
SC( Error)  E yy   0.141667  0.01358
E xx 1035.5
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
En la tabla de análisis de varianza se encontró diferencia altamente significativa

para la covariable, lo que indica que existe relación entre los pesos iniciales y los
aumentos de peso. También se encontró diferencia significativa entre los tratamientos,
por lo que es necesario hacer una comparación de las medias, las cuales deben de
ajustarse de acuerdo al efecto de la covariable mediante la siguiente ecuación:
134
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
El coeficiente de regresión ( ˆ ) se estima mediante la siguiente ecuación:
Exy 11.516667
ˆ    0.0111218
Exx 1035.5
Las medias de tratamientos para las variables Y y X son:
Trata Yi X i.
1 1.2000 222.3333
2 1.3333 224.3333
3 1.3166 225.1666
Las medias ajustadas son:
Y a1  1.2000-(0.01111218)(222.3333 – 223.9444) = 1.2179
Y a 2  1.3333-(0.01111218)(224.3333 – 223.9444) = 1.3290
Y a 3  1.3166-(0.01111218)(225.1666 – 223.9444) = 1.3031
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
 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
Para comparar las medias de los tratamientos 2 y 3, el DMS es:
 1 1 (224.3333 225.1666) 2 
DMS 23  2.145 .00097     0.0386
6 6 1035.5 
La comparación de medias es:
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
 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
Los resultados de la comparación de medias se presentan en la siguiente tabla:
Trata ni Y ai α = 0.05
2 6 1.3290 a
3 6 1.3031 a
1 6 1.2179 b
137
16.2. Ejemplo de un Experimento con el Diseño de Bloques al Azar con

una Covariable
En un experimento bajo el diseño de bloques al azar se compararon cuatro variedades de
sorgo forrajero utilizando como variable dependiente el rendimiento por parcela. Se
consideró como covariable al número de plantas por parcela.
El modelo del diseño de boques al azar con una covariable es:
Yij = µ + ti + Bj + βXij + eij
i = 1,2,...,t
j = 1,2,...,ni
en donde:

ti es el efecto del tratamiento i
Bj es el efecto del bloque j
β es la pendiente de la línea de regresión
Xij es la observación de la covariable en el tratamiento i, repetición j
Se supone que:
- Xij es una variable fija.

- Los errores (eij) se distribuyen normal e independientemente con media cero y
varianza igual a σ2 .
- No hay interacción entre tratamientos y bloques, o sea que el efecto ti es el mismo
en todos los bloques
Los datos son los siguientes:
Y = Rendimiento por parcela X = Número de plantas

T1 T2 T3 T4  T1 T2 T3 T4 
I 8 10 12 14 44 I 60 62 68 61 251
II 10 12 10 14 46 II 60 64 60 58 242
III 11 12 13 13 49 III 57 60 62 56 235
IV 13 14 15 12 54 IV 64 63 63 53 243
V 12 15 9 15 51 V 56 69 50 60 235
VI 13 12 16 16 57 VI 61 57 64 58 240
 67 75 75 84 301  358 375 367 346 1446
138
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: 1 = … = 4 vs Ha: Al menos dos i ≠ 0
Ho: B1= … = B6 vs Ha: Al menos dos Bj ≠ 0
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
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
X . jY. j Y.. X.. X.1Y.1  ...  X.tY.t Y.. X..

t
Bxy      
i 1 t tr t tr
(251)(44)  ...  (240)(57) (1446)(301)
   15.75
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
Eyy  Totyy  Tyy  Byy  105.9583 24.125  29.7083  52.125
Exx  Totxx  Txx  Bxx  426.5  77.5  44.5  304.5
Exy  Totxy  Txy  Bxy  76.75  (18.5833)  (15.75)  111.0833
La tabla de sumas de cuadrados y productos cruzados es:
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
T+E 382.0 92.5000 76.2500

B+E 349.0 95.3333 81.8333
La suma de cuadrados de la covariable es:
E xy2 (111.0833) 2
SC(Cov.)    40.5238
E xx 304.5
La suma de cuadrados de tratamientos es:

(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 
La suma de cuadrados de bloques es:

( 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
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
Para comparar las medias es necesario ajustarlas por medio de la siguiente ecuación:
141
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
El coeficiente de regresión ( ˆ )se estima mediante la siguiente ecuación:
Exy 111.0833
ˆ    0.364806
Exx 304.5
Las medias de tratamientos para las variables Y y X son:
Trata Yi X i.
1 11.1666 59.6666
2 12.5000 62.5000
3 12.5000 61.1666
4 14.0000 57.6666
Las medias ajustadas son:
Y a1  11.1666 - (0.364806)(59.6666 – 60.25) = 11.3795
Y a 2  12.5000 - (0.364806)(62.5000 – 60.25) = 11.6792
Y a 3  12.5000 - (0.364806)(61.1666 – 60.25) = 12.1656
Y a 4  14.0000 - (0.364806)(57.6666 – 60.25) = 14.9424
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
 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
 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
Los resultados de la comparación de medias se presentan en la siguiente tabla:
Trata Y ai α = 0.05
4 14.9424 A
3 12.1656 B
2 11.6792 B
1 11.3795 B
16.3. Análisis de covarianza utilizando el paquete “Diseños”

En el menú principal se selecciona la opción: “Análisis de Covarianza”
Aparecerá el siguiente submenú:

Diseño Completamente al Azar
Diseño Bloques al Azar
AxB Completamente al Azar
Si se selecciona “Bloques al Azar” En la ventana en la parte de arriba a la

izquierda se captura el número de tratamientos y el número de repeticiones,
posteriormente se oprime el botón “Continuar”

especifica el número de tratamiento, repetición, variable X (covariable) y
variable Y

144
16.4. Análisis de covarianza con el paquete SPSS (v17)
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
 Univariate
analizar
 En la casilla de “Fixed Factor(s) se asignan los factores (tratamientos y
bloques)
 Se asignan los tratamientos y bloques y la covariable al cuadro de la
derecha
145
17. ESTADÍSTICA NO PARAMÉTRICA

En algunos experimentos se toman observaciones que no se ajustan a las
suposiciones del análisis de varianza (muestras independientes, poblaciones normales y
varianzas iguales), por lo que no es posible hacer una comparación de los tratamientos
utilizando las distribuciones t y/o F.
Estas situaciones ocurren frecuentemente cuando en los experimentos no es

posible tomar medidas cuantitativitas, como por ejemplo, el grado de daño de una plaga o
enfermedad, algunas observaciones de calidad como color, sabor, etc. En estos casos los
datos son grados o calificaciones, las cuales por lo general no se distribuyen normalmente
o existen algunos datos muy distantes del conjunto general, por lo que no se cumple con
la suposición de varianzas homogéneas. Una alternativa de análisis para estos casos es la
estadística no paramétrica.
Otra situación en donde se pueden utilizar estas técnicas de análisis se da cuando

es difícil tomar los datos cuantitativos en cada unidad experimental. Por ejemplo, si se
quiere comparar el efecto de dos tratamientos en el desarrollo del sistema radicular de
plantas de tomate, es necesario medir la longitud de todas las raíces para poder utilizar
una prueba paramétrica como t o F. Sin embargo, es muy difícil medir todas las raíces de
una planta debido a que en las más pequeñas es en donde ocurre la mayor actividad de
absorción. En este caso si se utiliza estadística no paramétrica es mucho más fácil tomar
los datos debido a que únicamente se clasifican las plantas en cuanto a su desarrollo
radicular en forma visual utilizando una escala.
En este capítulo se presentan cuatro pruebas no paramétricas: a) Prueba de sumas

de rangos de Wilcoxon, b) Prueba de rangos con signos de Wilcoxon, c) Prueba de
Kruskal-Wallis y d) Prueba de Fiedman.
17.1. Prueba de Sumas de Rangos de Wilcoxon
Este método estadístico es equivalente a la prueba de t para comparar las medias

de dos poblaciones normales con muestras independientes o al diseño completamente al
azar cuando se comparan dos tratamientos. La hipótesis que se prueba es:
Ho: Las dos poblaciones tienen la misma distribución

Vs
Ha: Las dos poblaciones tienen diferente distribución
Ejemplo
En un experimento en donde se compararon dos variedades de frijol se tomaron

observaciones del daño de la pudrición carbonosa del tallo en cada unidad experimental.
Las calificaciones del daño estuvieron en el rango del uno a diez, con uno para ningún
daño y diez para daño en toda la unidad experimental.
Las calificaciones fueron:
146
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.
El estadístico de prueba (T) es el valor de Ta o Tb proveniente de la muestra más

pequeña. Este valor se compara con los valores de Sumas de Rangos de Wilcoxon, las
147
cuales se presentan para alfa = 0.05 (probabilidad de error tipo I al probar la hipótesis).
El criterio para probar la hipótesis es:
Si L. I. < T < L. S. no se rechaza la hipótesis
En la tabla se busca para n1 = 7 y n2 =8 para α = 0.05. L. I. = 38 y L. S. = 74
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
17.2. Prueba de Rangos con Signos de Wilcoxon
Esta prueba es equivalente a la prueba de comparación de medias con grupos

apareados (bloques al azar con dos tratamientos) y se utiliza en aquellos casos en donde
no se cumplen con las suposiciones del análisis de varianza (muestras independientes,
poblaciones normales y varianzas iguales). La hipótesis que se prueba es:
Ho: Las dos poblaciones tienen la misma distribución

Vs
Ha: Las dos poblaciones tienen diferente distribución
Ejemplo
La aplicación de probióticos en cerdos se utiliza para el control de diarreas. Para

evaluar este producto se estableció un experimento en donde se seleccionaron 10 granjas
y en cada granja se aplicó el producto a un grupo de 10 cerdos y se comparó el efecto
con 10 cerdos como testigo. La variable que se evaluó fue el número de cerdos con
diarrea.
Granja Probiótico Testigo

1 3 6
2 5 4
3 2 6
4 1 4
5 0 2
6 3 3
7 2 3
8 3 2
9 3 8
10 3 1
Para probar la hipótesis se procede de la siguiente forma:
a) Se obtiene la diferencia entre las observaciones de cada par.

b) Se ordenan los valores absolutos de las diferencias ignorando los ceros. Si
dos o más observaciones tienen el mismo número de orden, se toma el promedio de
los números de orden.
c) Se separan los números de orden de acuerdo con
el signo.
d) Se suman los números de orden positivos y negativos T+ y T-.
En la siguiente tabla se muestra el procedimiento descrito:
149
Granja Probiótico Testigo Dif. No. Ord. + -

1 3 6 -3 6.5 6.5
2 5 4 1 2.0 2.0
3 2 6 -4 8.0 8.0
4 1 4 -3 6.5 6.5
5 0 2 -2 4.5 4.5
6 3 3 0 Eliminado
7 2 3 -1 2.0 2.0
8 3 2 1 2.0 2.0
9 3 8 -5 9.0 9.0
10 3 1 2 4.5 4.5
T + = 8.5 T - = 36.5
Si no hubiera diferencia entre los tratamientos se esperarían valores similares de T+ y T-,

por el contrario, si hubiera diferencias entre los tratamientos una de las dos sumas sería
muy grande y la otra pequeña, por lo que estas sumas reflejan las diferencias entre los
tratamientos.
En este caso se considera a la suma más pequeña como estadístico de prueba, en el

ejemplo es 8.5. Observe que el número de observaciones válidas en el análisis es ahora
n=9, debido a que se eliminó una porque la diferencia era igual a cero.
Si T ≤ To se rechaza la hipótesis nula
En donde:
T = el estadístico de prueba (el valor más pequeño entre T+ y T-)

To = valor de tablas para la prueba de rangos con signos de Wilcoxon
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.
150
n(n  1)
T
zc  4
n(n  1)(2n  1)
24
El criterio de prueba es: si el valor absoluto de Zc es menor a 1.96 se rechaza la hipótesis

nula para α = 0.05.
151
7.3. Prueba de Kruskal-Wallis

Esta prueba es equivalente al diseño completamente al azar y se utiliza cuando no
se cumplen las suposiciones del análisis de varianza. El diseño completamente al azar se
utiliza cuando las unidades experimentales son relativamente homogéneas. En este diseño
los tratamientos son asignados completamente al azar a las unidades experimentales.
Ho: Las poblaciones tienen la misma distribución

Vs
Ha: Las poblaciones tienen diferente distribución
Ejemplo
En un experimento se probaron tres antibióticos para controlar una infección en cabras.

Los antibióticos fueron asignados completamente al azar a las cabras. La variable para
evaluar los tratamientos fue el tiempo de recuperación de los animales en horas. Los
datos son:
Antibiótico 1 Antibiótico 2 Antibiótico 3

36 39 28
27 33 31
35 29 19
30 43 24
22 37 29
25 45 32
21
1. Los datos se ordenan de acuerdo con la magnitud relativa de la observación, como

se hizo en la prueba de rangos de Wilcoxon. Cuando se tienen observaciones con
el mismo valor se consideran los números de orden correspondientes y se calcula
el promedio, el cual se asigna a cada valor.
152
2. Para cada tratamiento o grupo se calcula el total de los números de orden.

3. El estadístico de prueba se calcula con la siguiente ecuación:
12 t
Ti 2
H   3(n  1)
n(n  1) i1 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.
Antibiótico 1 No. de Antibiótico 2 No. de Antibiótico 3 No. de

Orden Orden Orden
36 15.0 39 17.0 28 7.0
27 6.0 33 13.0 31 11.0
35 14.0 29 8.5 19 1.0
30 10.0 63 18.0 24 4.0
22 3.0 37 16.0 29 8.5
25 5.0 104 19.0 32 12.0
21 2.0
∑ 53.0 91.5 45.5
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.
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
7.4. Prueba de Friedman
Esta prueba es equivalente al diseño de bloques al azar y se utiliza cuando no se

cumplen las suposiciones del análisis de varianza (distribución normal, varianzas iguales
y muestras independientes). El diseño bloques al azar se utiliza cuando las unidades
experimentales son heterogéneas y es necesario agruparlas en bloques con unidades
experimentales homogéneas dentro del bloque y heterogéneas entre los bloques.
En la prueba de Friedman la hipótesis que se prueba es:
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
En un experimento se evaluaron dos productos con hormonas vegetales para

promover el desarrollo radicular y un testigo; todos los tratamientos recibieron una
solución nutritiva estándar para tomate en la primera etapa de desarrollo. El experimento
se estableció en macetas utilizando como sustrato arena. Al término del experimento se
extrajo el sistema radicular y se calificó observando su desarrollo de acuerdo al criterio
de ocho Agrónomos con calificaciones entre 0 y 10; cada uno calificó una unidad
experimental de cada tratamiento. Debido a que el criterio de calificación de cada uno de
los evaluadores pudiera ser diferente se consideró como un bloque de evaluación. Los
resultados fueron los siguientes:
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
El análisis estadístico se realiza de la siguiente forma:
154
1. Los valores dentro de cada bloque se ordenan de acuerdo con la magnitud de la

observación. Si dos o más observaciones tienen el mismo número de orden, se
toma el promedio de los números de orden.
2. Los números de orden de cada tratamiento se suman.
3. El estadístico de prueba se calcula con la siguiente ecuación:

t
12
Fr  
bt(t  1) i 1
Ti 2  3b(t  1)
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:
Si Fr >  (20.05,t 1) se rechaza la hipótesis nula
Para el ejemplo, los resultados son los siguientes:

 
t
Fr 
12
 Ti 2  3b(t  1) 
12
172  212  102 3(8)(3  1)  7.75
bt(t  1) i 1 (8)(3)(3  1)
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
Tablas para la prueba de Sumas de Rangos de Wilcoxon:
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
Tabla para la prueba de Rangos con Signos de Wilcoxon

n 0.05 0.01
6 0
7 2
8 4 0
9 6 2
10 8 3
11 11 5
12 14 7
13 17 10
14 21 13
15 25 16
16 30 20
17 35 23
18 40 28
19 46 32
20 52 38
21 59 43
22 66 49
23 73 55
24 81 61
25 89 68
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
18. REGISTRO DE DATOS EXPERIMENTALES

En experimentación agrícola, pecuaria o de otro tipo es muy importante la etapa de la
toma de datos y captura de los mismos para que sean posteriormente procesados
estadísticamente. En esta sección se comentan algunos detalles y procedimientos para la
consignación de datos en los libros de campo y la forma en que se deben de capturar para
su análisis estadístico.
 El libro de campo (LC)
El LC o de toma de datos es en donde se capturan los datos del experimento en el

sitio o laboratorio en donde se realiza el experimento.
o Para el registro de los datos experimentales se sugiere que se adquiera un

cuaderno de pasta dura, comúnmente llamado “diario”, que resista el
manejo de la toma de datos en el campo y que facilite las anotaciones en el
mismo.
o El LC debe de tener en primer plano el nombre del investigador y la

institución a la que pertenece, así como los datos para localizarlo
(teléfono, correo electrónico, dirección, etc.).
o El LC debe de tener una descripción general del experimento.
 Objetivos e hipótesis
 Metodología general del experimento
 Tratamientos
 Diseño experimental
 Variables que se van a evaluar
o El LC debe de tener una descripción de la unidad experimental (parcela,

animal, maceta, etc.).
o El LC debe de tener un croquis del experimento.
 Para experimentos en campo debe de referenciarse el croquis

respecto al norte (punto cardinal) e incluir referencias como
caminos, árboles, casas, etc.
 En experimentos con animales se debe de incluir en el LC una lista

con la identificación del animal (arete, muesca, etc.), así como el
tratamiento y repetición a la que pertenece.
158
o El LC debe de tener anotaciones personales del investigador sobre

cualquier aspecto del experimento.
 Efectos notorios de los tratamientos.

 Anormalidades en algunas unidades experimentales.
 En experimentos agrícolas de campo: daños por robo del

producto, daños por exceso o falta de humedad en algunas
unidades experimentales, daños de plagas y enfermedades,
etc.
 En experimentos con animales: adaptación de los animales

a las condiciones experimentales, animales enfermos, etc.
 Nunca se debe de confiar a la memoria de alguna observación o

detalle del experimento. Todo lo relevante al experimento debe de
anotarse en el LC.
o El LC debe de respaldarse con un archivo en la computadora cada vez que

se realice un cambio o anotación. El archivo de la computadora debe de
respaldarse en un medio externo (disco duro, USB o impresión en papel).
o Los datos en el LC deben de revisarse cada vez que se realice el respaldo

en la computadora. Los datos se pueden ordenar de mayor a menor (incluir
número de orden en la base de datos para volver al orden original) e
identificar datos anormales. Para la revisión de los datos se sugiere hacer
gráficas de dispersión.
o Después de la depuración de los datos deben de imprimirse y guardarlos

en la carpeta en donde se encuentra el protocolo del proyecto y los
artículos de revisión bibliográfica.
 Toma de datos
o Los datos no se deben de capturar en hojas sueltas. La toma de datos en el

experimento siempre debe de ser en el LC.
o Los datos deben de registrarse en el LC con lápiz, si se escriben con pluma

o bolígrafo, la tinta puede degradarse con la humedad (gotas de sudor
sobre el LC, lluvia en el campo, etc.).
159
o La toma de datos debe de realizarla directamente el investigador o un

ayudante muy capacitado. NO se debe de confiar en personas sin una
capacitación adecuada.
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 Si la toma de datos la realizan varias personas en un experimento es

importante uniformizar criterios. Por ejemplo, si se va a medir la altura de
la planta, debe de definirse exactamente cuál es el punto en donde se pone
la cinta en la base de la planta y donde termina en la parte apical (en el
punto de crecimiento o en la punta de la última hoja).
 Información adicional en el libro de campo:
o Clima de la localidad
o Tipo de suelo
o Condiciones experimentales específicas
o Etc.
 Los datos deben de capturarse de la siguiente forma:
No de UE Tratamiento Repetición Variable 1 Variable 2 Observaciones

Orden
1 La 1 1 34 54 Inició con poco
princesa peso
2 La 4 1 35 43 Muy vieja
bonita
3
4
5
En la primera columna se captura el número de orden, en la segunda la

identificación de la unidad experimental y en las siguientes los datos de las
variables y al final la observación en cada UE.
Este formato de tabla es el que se captura en EXCEL para hacer el respaldo y de

ahí se pasa a SPSS, SAS o a otro paquete estadístico.
 Después de la elaboración de la base de datos para su análisis debe de hacerse una

descripción de las variables, identificar las cualitativas y cuantitativas, hacer las
transformaciones pertinentes (raíz cuadrada, arco seno, etc.).
160
 Los datos deben de depurarse nuevamente haciendo gráficas de dispersión para

identificar datos anómalos.
161

Diseños Experimentales General Abril 2016

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Diseños Experimentales General Abril 2016

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

EMILIO OLIVARES SÁENZ

1. COMPARACIÓN DE MEDIAS DE DOS POBLACIONES

La comparación de dos poblaciones con distribución normal puede ocurrir

Este análisis estadístico también es usado en muestreo cuando se quiere

 La variable aleatoria tiene una distribución normal

1.2. Aspectos teóricos de la prueba estadística

Si se toman muestras al azar de dos poblaciones con distribución normal

Si se considera igual varianza para las dos poblaciones, entonces el

(n1  1) S12  (n2  1) S22

La hipótesis que se prueba es:

Las distribuciones de las variables aleatorias involucradas en la prueba son:

se distribuye como una t de Student con n1 + n2 -2 grados de libertad

Por lo tanto, el estadístico para probar la hipótesis es:

el cual, bajo la hipótesis nula (1   2  0) , se distribuye como una t de Student

Consideremos un experimento en donde se compararon dos raciones de alimento

Los datos de aumento de peso diario en Kg son:

Ración 1 Ración 2 Ración 1 Ración 2

Los estimadores de la media y la varianza son:

El estimador de la varianza es un promedio ponderado de las varianzas de las

(n1  1)S12  (n2  1)S 22 (7)(0.005714)  (8)(0.006111)

El estadístico de prueba es:

El valor absoluto de t calculada se compara con el valor de t tabulada, con un nivel

Si α = 0.05 y n1 + n2 – 2 = 15, entonces t(0.025,15) = 2.131

El criterio de prueba es:

Si t c  t ( 0.025,15) , se rechaza la hipótesis nula (Ho: μ1 = μ2)

En el ejemplo, se tiene:  2.97  2.131

La hipótesis que se prueba es:

Ho: es cierta Ho: es falsa

Observe que cuando se rechaza la hipótesis la probabilidad del error es α, la cual

Cuando los análisis estadísticos se realizan en computadora, la aceptación o

Si sig ˃ 0.05 no se rechaza la hipótesis

El valor de sig es el área bajo la curva a la derecha de la Fc en la función de

Observe en el cuadro de las pruebas de hipótesis que cuando se acepta la hipótesis

Para tener una idea de la magnitud de la varianza debida al error experimental se

El CV se puede expresar en % si se multiplica por 100. El criterio para considerar

1.4. Comparación de medias con muestras independientes utilizando un

La hipótesis de igualdad de medias de los tratamientos o grupos también puede ser

Yij es la observación del tratamiento i en la repetición j

 Los errores (eij) se distribuyen normal e independientemente con media

Estas suposiciones son equivalentes a las siguientes:

 Las observaciones (Yij) se distribuyen normal con media igual a µi y

 Las varianzas de las poblaciones son iguales

 Las observaciones son independientes (muestras tomadas al azar)

Análisis de Varianza. Las sumas de cuadrados son:

(9.6) 2 (11.8) 2 ( 21.4) 2

SC(Error) = SC(Total) - SC(Trata.) = 0.141176 0.052288 0.088888

La tabla de análisis de varianza es:

En la tabla de análisis de varianza, bajo la hipótesis nula, la Fc se distribuye como

Si Fc > F(0.05,t-1,n.-2) se rechaza la hipótesis nula.

En este ejemplo se encontró una Fc = 8.82, mayor que la F tabulada a ambos

La prueba de hipótesis con la distribución F es similar a la prueba con la

Una variable aleatoria con distribución t con gl grados de libertad elevada al

tc2  (2.97) 2  8.82  Fc

t(20.05,15)  (2.131) 2  4.54  F( 0.05,1,15)

1.5. Análisis de la comparación de medias con muestras

En el menú principal se selecciona: “Otros análisis”.

1.6 Análisis de la comparación de medias con muestras independientes

1. Los datos se capturan en dos columnas, en la primera va el tratamiento y en

2. COMPARACIÓN DE MEDIAS CON GRUPOS APAREADOS

Cuando se utiliza la técnica de muestras independientes para comparar dos

En estos casos es conveniente agrupar las unidades experimentales

Con esta forma de agrupación, la varianza entre pares no se acumula en la

2.2. Aspectos teóricos de la prueba estadística