2019.2 Módulo II Diseño Experimental

REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD NACIONAL EXPERIMENTAL

DE LOS LLANOS OCCIDENTALES
“EZEQUIEL ZAMORA”
UNELLEZ VPDS
SUBPROYECTO
DISEÑO EXPERIMENTAL
MÓDULO II
ASPECTOS TEÓRICOS DE LA INVESTIGACIÓN CIENTÍFICA,
LOS DISEÑOS EXPERIMENTALES Y EL ANÁLISIS DE VARIANZA
FACILITADOR:
ECON. CARLOS DÍAZ

0424-5891014
cunellez@yahoo.es
BARINAS, OCTUBRE DE 2019

Página | 1
ÍNDICE
Pág.
Objetivos de aprendizaje………………………………………………………………… 3
Objetivo general del módulo…………………………………………………………….. 3
Objetivos específicos……………………………………………………………………. 3
Contenido …………………………………………………………………………………. 3
Aspectos generales………………………………………………………………………. 3
Qué es un experimento………………………………………………………………….. 5
Diseño de experimento………………………………………………………………….. 5
La unidad experimental………………………………………………………………….. 6
Etapas o pasos al planear un diseño experimento…………………………………… 6
Propósito de un diseño experimental………………………………………………….. 6
Variables que intervienen en la experimentación…………………………………….. 7
Qué es un factor y sus niveles…………………………………………………………. 7
Principios básicos del diseño experimental……………………………………………. 8
Diagnóstico de la unidad de producción……………………………………………….. 9
Diseño Completamente al Azar (DCA)………………………………………………… 11
Diseño en Bloques al Azar (DBA)………………………………………………………. 15
Diseño Cuadrado Latino (DCL)…………………………………………………………. 20
Diseño Factorial (DF)…………………………………………………………………….. 23
El arreglo factorial……………………………………………………………………….. 28
Orientaciones generales en la experimentación agrícola……………………………. 29
El error experimental εij =(yi – ŷi)………………….…………………………………… 30
Cómo se puede reducir el error experimental…………………………………………. 31
¿Qué es un testigo?................................................................................................. 32
Selección del diseño experimental……………………………………………………... 32
Qué se utiliza para analizar desde el punto de vista estadístico los resultados de
un diseño experimental………..………………………………………………………… 33
Referencias Bibliográficas……………………………………………………………….. 36
Anexo 1. Consideraciones estadísticas para el Diseño Completamente al Azar.. 38
Anexo 2. Consideraciones estadísticas para el Diseño en Bloques al Azar……. 39
Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 2 de 40

MÓDULO II
ASPECTOS TEÓRICOS DE LA INVESTIGACIÓN CIENTÍFICA,
LOS DISEÑOS EXPERIMENTALES Y EL ANÁLISIS DE VARIANZA
Objetivos de Aprendizaje
Objetivo General del Módulo

Analizar los elementos de un plan de investigación así como la importancia del uso del
diseño experimental en la ciencia agraria.
Objetivo específicos
1. Identificar los procedimientos del método experimental.
2. Reconocer los pasos que se usan en el planeamiento de un experimento.
3. Discutir los principios básicos del diseño experimental en ingeniería en producción
animal.
4. Analizar los tipos de diseño experimentales como el diseño completamente al azar, el
diseño e bloques al azar, el diseño cuadrado latino y el diseño factorial.
Contenido
La investigación y la experimentación,
Características de la experimentación,
El método experimental, El modelo clásico de un experimento,
Etapas del planeamiento y de la ejecución de un experimento y
Principios básicos del diseño experimental.
Tipos de diseños experimentales
El Análisis de Varianza (ANOVA)
Pruebas de comparación de medias
I.- ASPECTOS GENERALES

El diseño de experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha se
encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son
múltiples, especialmente en la investigación de las ciencias naturales, ingeniería,
laboratorios y casi todas las ramas de las ciencias sociales.
La experimentación proporciona los datos experimentales, en contraste con los datos

de la observación; los datos de la observación se representan como su nombre indica
por observaciones de las unidades elementales de una población o de una muestra, y
no deben ser cambiados ni modificados por ningún intento de parte de un investigador
en el curso de la observación.
Los diseños experimentales, básicamente son arreglos de variables sujetas a estudio

que permiten el estudio de un fenómeno de interés, y poder inferir causalidad. Además,
poseen un modelo matemático que sustenta el posterior análisis estadístico.
¿Por qué experimentamos? para comparar las respuestas de los diferentes niveles de
los factores de interés para el investigador, para encontrar las condiciones que permitan
alcanzar un valor ideal en la variable respuesta, para identificar las principales causas
de variación en los resultados, y construir modelos que permitan obtener predicciones
de la variable respuesta.
LA INVESTIGACIÓN CIENTÍFICA Y EL DISEÑO DE EXPERIMENTO
REALIDAD
PROBLEMA
CIENTÍFICO-TECNOLÓGICO
DISEÑO DEL MODELO

EXPERIMENTO ESTADÍSTICO
DATOS
ANÁLISIS
SPSS
CONCLUSIONES

II.- QUÉ ES UN EXPERIMENTO
Según Ramón (S/F) “es un estudio de investigación en el que se manipulan
deliberadamente una o más variables independientes para analizar las consecuencias
que la manipulación tiene sobre una o más variables dependientes, dentro de una
situación de control para el investigador” (pág. 1). En ese sentido, el investigador posee
cierta información o conocimiento sobre el estudio a desarrollar, con lo cual podrá
validar o proponer nuevas teorías.
Cuadro 1. Etapas del método de investigación científica

Observación en forma crítica de un hecho o fenómeno.
1.- Observación Colecta hechos por: a) Observación, b) Experimentación
empírica. En este paso no se concluye.
Aquí se formula el problema en forma específica y con
2.- Planteamiento del
precisión. Se fundamenta en los conceptos de la ciencia
problema
(conocimientos científicos ya elaborados).
Se inicia a partir del análisis del problema planteado. Tiene
la finalidad de explicar los hechos conocidos y pronosticar
los desconocidos. Su alcance depende de su capacidad
lógica (no debe ser auto contradictoria).
En el planteamiento de una Hipótesis no debe haber una
negación; además la investigación básica no lleva hipótesis.
3.- Formulación de
Estas deben ser operacionales para poder comprobarlas
hipótesis
(debe de contener variables que podamos operar). Además
contendrá la información de las variables de interés para su
interpretación y conclusión.
Se deben proponer hipótesis bien definidas y
fundamentadas; y no ser suposiciones que no comprometan
nada en concreto, ni ocurrencias sin fundamentos.
Este paso nos ayuda a adquirir información relevante a l
problema; además de conclusiones con cierto grado de
confiabilidad.
4.- Verificación de la
Sin embargo esto dependerá de: a) Cantidad de información,
hipótesis
b) Forma de recolección, c) Técnicas de análisis. Aquí es
donde es donde los métodos estadísticos son una
herramienta indispensable
Deben ser lo más relevantes sobre el fenómeno estudiado.
5.- Conclusiones Cuyo propósito es el de confirmar o en caso contrario,
aumentar los conocimientos al cuerpo de la ciencia.
Fuente: Rodríguez (2008, p. 11)
III.- DISEÑO DE EXPERIMENTO

Un experimento (proceso mediante el cual obtenemos una observación o dato)
diseñado. Otro concepto, es una prueba o una serie de pruebas, en las cuales se
inducen cambios deliberados en las variables de entrada de un proceso o sistema, de
manera que sea posible observar e identificar las causas de los cambios en la
respuesta de salida.

Por lo que cualquier tipo de Experimentación que se realice forma parte del método
científico debido a que realiza operaciones ordenadas, destinadas a demostrar,
comprobar o descubrir fenómenos o principios básicos de interés para el investigador.
IV.- LA UNIDAD EXPERIMENTAL

Es el sujeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la
variable que se investiga. En los experimentos pecuarios la unidad experimental por lo
general está conformada por un animal (cerdo, vaca, pato, etc.). En ese sentido, para
Chacín (1976) citado por López & González (2014), indica que los factores que influyen
en el tamaño y la forma de la parcela:
i. Extensión superficial del terreno disponible.

ii. Tipo de suelo.
iii. Clase de cultivo.
iv. Objetivo de la investigación.
v. Uniformidad del material experimental.
vi. Método de cultivo
vii. Número de tratamientos y de repeticiones
viii. Recursos económicos disponibles
ix. Muestreo dentro de la unidad experimental
x. Grado de precisión deseado.
V.- ETAPAS O PASOS AL PLANEAR UN DISEÑO EXPERIMENTO

El método científico sugiere en el planeamiento de la experimentación se debe tener
presente las siguientes etapas:
a. Definir el problema: En esta etapa se debe determinar los antecedentes, importancia,

objetivos, hipótesis a probar y revisión de la bibliografía.
b. Planeamiento y diseño del experimento: En esta etapa se debe tener en cuenta:
Lugar de ejecución del experimento, tamaño de la parcela o unidad experimental,
número de repeticiones por tratamiento, equipos e instrumentos a utilizar y métodos de
evaluación de los resultados
c. Ejecución del experimento.
d. Recolección de datos del experimento.
e. Ordenamiento de la información experimental.
f. Discusión de los resultados obtenidos.
g. Análisis económico de los tratamientos que se probaron y utilidad práctica.
h. Conclusión final y recomendación.
VI.- PROPÓSITO DE UN DISEÑO EXPERIMENTAL

El propósito de un diseño experimental es proporcionar métodos que permitan obtener
la mayor cantidad de información válida acerca de una investigación, teniendo en
cuenta el factor costo y el uso adecuado del material disponible mediante métodos que
permitan disminuir el error experimental.
Ahora bien, un diseño experimental es un esquema de cómo realizar un experimento. El

objetivo fundamental de los diseños experimentales radica en el determinar si existe
una diferencia significativa entre los diferentes tratamiento del experimento y en caso
que la respuesta es afirmativa, cuál sería la magnitud de esta diferencia. Una segunda
meta de los diseños experimentales es verificar la existencia de una tendencia derivado
del análisis de los datos del experimento. La diferencia principal entre los diseños
experimentales radica en la forma en que se agrupan o clasifican las unidades
experimentales.
VII.- VARIABLES QUE INTERVIENEN EN LA EXPERIMENTACIÓN

En cualquier experimento se presentan tres tipos de variables: la independiente, la
dependiente y las intervinientes (contaminadoras o extrañas). En ese sentido, Ramón
(S/F) las describe:
La variable independiente representa los tratamientos, factores o condiciones que el

investigador controla para probar los efectos sobre la variable dependiente. En la
experimentación, el investigador se limita a controlar la variable independiente, es decir,
a seguir fielmente el proceso o el método para desarrollar alguna capacidad.
La variable dependiente es la que refleja los resultados de un estudio de investigación,

en atención a ello, el proceso de investigación, la variable dependiente se mide. El éxito
de un experimento va a depender entonces del grado de precisión con que mida dicha
variación. Por lo tanto, tanto el instrumento de medición como el proceso de medición
deben ser muy bien definidos.
El otro tipo de variable que se presenta en un diseño experimental es la variable

interviniente, también llamada contaminadora o extraña. Este tipo de variable son
variables independientes que, si no se controlan, pueden alterar el resultado de la
investigación.
VIII.- ¿QUÉ ES UN FACTOR Y SUS NIVELES?

Son el conjunto de circunstancias creadas para el experimento y responden a la
hipótesis de investigación. En ese sentido, los tratamientos vienen a constituir los
diferentes procedimientos, procesos, factores o materiales y cuyos efectos van a ser
medidos y comparados. El tratamiento establece un conjunto de condiciones
experimentales que deben imponerse a una unidad experimental dentro de los confines
del diseño seleccionado. Ejemplos: Dosis de fertilizante, ración alimenticia, profundidad
de sembrado, distanciamiento entre plantas, variedades de un cultivo.
Por ejemplo, Tomado de López & González (2014), si se está interesado en estudiar el
efecto del factor frecuencias de riego en el rendimiento y evapotranspiración del maíz
(Zea mays) en la unidad de riego San Cristóbal Acasaguastlán, El Progreso. Las
frecuencias: 8, 10, 12 y 14 días, son los niveles (o tratamientos) de este factor.
Otro ejemplo: Tomado de López & González (2014), si el interés fuera diseñar un
experimento para estudiar el efecto de 4 niveles de nitrógeno (0, 50, 100 y 150
kg/ha/año) y 4 niveles de fósforo (0, 40, 80 y 120 kg/ha/año) en el rendimiento de
cardamomo (Elettaria cardamomun M.) en la Serie de Suelos Tamahu, en aldea Choval,
Cobán, Alta Verapaz; se tendrían dos factores: nitrógeno con 4 niveles y fósforo con 4
niveles. Se puede decir también que este experimento involucra 16 combinaciones de
niveles de los dos factores considerados.
IX.- PRINCIPIOS BÁSICOS DEL DISEÑO EXPERIMENTAL
Los principios básicos del diseño experimental son: repetición, aleatorización, y control
local.
Repetición: Viene a ser la reproducción o réplica del experimento básico (asignación de

un tratamiento a una unidad experimental). Las principales razones por las cuales es
deseable la repetición son: Primero por que proporciona una estimación del error
experimental, siendo tal estimación confiable a medida que aumenta el número de
repeticiones, y segundo permite estimaciones más precisas del tratamiento en estudio.
Según Navarro, Ramírez & Villagrán (2012), Consiste en repetir el experimento

(básico), con lo cual se logra: i) estimar el error experimental midiendo varias
observaciones en las unidades experimentales que reciben el mismo tratamiento, ii)
aumentar la precisión por reducir el error estándar del promedio de cada tratamiento, iii)
ampliar la evidencia para hacer inferencia sobre el fenómeno: incrementar las
repeticiones produce mayor diversidad de unidades en el experimento y mayor amplitud
de condiciones en las que se puedan aplicar los resultados (validez externa).
Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio a las
unidades experimentales con el propósito de asegurar que un determinado tratamiento
no presente sesgo. Por otro lado la aleatorización hace válidos los procesos de
inferencia y las pruebas estadísticas.
Para Navarro, Ramírez & Villagrán (2012), la aleatorización consiste en asignar al azar
los tratamientos a las unidades experimentales. El azar persigue: i) que cada unidad
experimental tiene equiprobabilidad de recibir cualquier tratamiento, ii) eliminar el sesgo
de favorecer o discriminar sistemáticamente algún tratamiento, por ser asignado a las
unidad experimental en mejores condiciones, iii) independencia entre las
observaciones, la cual es necesaria para hacer contrastes y estimar intervalos,
significativamente válidos, de los parámetros.
Control Local (Control del error Experimental): Consiste en tomar medidas dentro del
diseño experimental para hacerlo más eficiente, de tal manera que pueda permitir la
reducción del error experimental y así hacerla más sensible a cualquier prueba de
significación.
Para Navarro, Ramírez & Villagrán (2012), se refiere a distribuir el material experimental
en grupos o bloques de unidades experimentales más o menos uniformes y luego,
asignar aleatoriamente los tratamientos a las unidades experimentales dentro de los
bloques. En el análisis estadístico: i) se elimina la variación entre bloques del error
experimental, lo que aumenta la precisión del experimento ya que con él se eliminan las
diferencias entre bloques, ii) se comparan los tratamientos dentro de bloques de
unidades experimentales uniformes, en condiciones de mayor igualdad. El bloqueo
aumenta la información del experimento en muchas condiciones, pues no es necesario
colocar ni ensayar los bloques en el mismo sitio ni al mismo tiempo.
El efecto del tratamiento (resultado) se mide en cada unidad de muestreo, que es la

fracción básica de cada unidad experimental, o bien, se mide en toda la unidad
experimental: la unidad de muestreo puede ser una muestra aleatoria, o la unidad
experimental completa. El efecto del tratamiento se refleja en la diferencia del
desempeño entre las condiciones de la variable dependiente o respuesta (VD), anterior
y posterior a la intervención. Los tratamientos son niveles específicos de factores del
experimento (variables independientes, VI).
La manipulación experimental consiste en establecer los niveles de las VI; por ejemplo,
para saber si el consumo dietético de un prebiótico aumenta la ganancia de peso
corporal de gazapos recién destetados, en un experimento simple se forman dos grupos
de gazapos y se les asigna aleatoriamente dos concentraciones diferentes del
prebiótico (una a cada grupo), manteniendo las demás condiciones experimentales
controladas; cada grupo de gazapos es una unidad experimental y cada uno dentro del
grupo es una unidad de muestreo, el prebiótico es el factor y cada concentración del
mismo, el nivel o tratamiento.
Una vez formuladas las hipótesis y definidas las variables, las unidad experimental y las
unidad de muestreo, se requiere que el diseño sea parsimonioso: el más simple que
aporte la precisión deseada; que la unidad experimental que reciban distinto tratamiento
difieran de forma no sistemática entre sí; que el error experimental sea pequeño,
usando el mínimo de unidad experimental; que el diseño propicie hacer el análisis
estadístico de los resultados sin suposiciones artificiales y que las conclusiones del
experimento tengan validez externa (que sean extrapolables).
X.- DIAGNÓSTICO DE LA UNIDAD DE PRODUCCIÓN

El investigador debe tener en cuenta el sector o área donde va a realizar el estudio,
como por ejemplo: bovinos, equinos, aves, porcino, caprinos, peces, entre otros. Luego,
él debe realizar un diagnóstico de la unidad de producción en relación a la
disponibilidad del posible material experimental, instalaciones, otros recursos no
financieros y financieros. Posteriormente, el investigador debe elaborar el “Marco
Muestral”. El Marco Muestral no es más que un listado descriptivo de las posibles
unidades experimentales. Supongamos que se está interesado en realizar el trabajo en
ganadería de leche.
Cuadro 2. Ejemplo de un Marco Muestral

Nº PESO EDAD RAZA Nº DE PARTOS LITROS/DÍA
101
202
303
404
…
2020
Ahora bien, es imprescindible precisar la fecha de la toma de los datos, ya que éstos
van a representar la fase inicial del probable experimento. Además, con el Marco
Muestral se facilita la asignación aleatoria de las unidades experimentales a los niveles
del factor. Posteriormente, deben crearse la hoja de registro para la investigación,
precisando las variables que se van a medir cuando finalice el experimento.

En la investigación agrícola con animales se establece la fase pre-experimental, es
aquella que se realiza para adaptar las unidades experimentales (animales) al manejo
que vayan a ser sometidos durante el estudio. Como por ejemplo: la rotación de
potreros por diferentes horarios, el suministro de alimentos concentrados en
determinadas horas, entre otras. Todo lo anterior para evitar el estrés en el animal y
obtener resultados desfavorables.
Cuadro 3. Ejemplo de una Hoja de Registro

PESO LITROS/DÍA
Nº Ganancia (Final – Ganancia (Final –
Inicial Final Inicial Final
Inicial) Inicial)
101
202
303
404
…
2020
En este orden de ideas, se puede observar que se requiere una recolección de datos en
la fase inicial del experimento, en la fase pre-experimental y cuando finalice el estudio
como tal.
En este ejemplo hipotético, la variable que se va a medir es litros de leche por animal y
el peso, lo que se conoce como variable dependiente. La variable dependiente siempre
va hacer cuantitativa continua.
En este orden de ideas, como se ha descrito se va a trabajar en una finca lechera. Se

supone entonces que se tiene un lote de animales (20), por peso, por raza, por edad,
por número de partos y por su producción de leche (identificados). Que van hacer
asignados de manera aleatoria en cada nivel del factor “alimentación”.
Los niveles del factor son los siguientes: (a) pastoreo más alimento concentrado y maíz
y (b) pastoreo más alimento concentrado y excretas de pollo. Entonces (a) y (b) son los
niveles del factor “Alimentación”, que es la variable independiente, la variable que
manipula el investigador y que siempre va hacer cualitativa.
Cuadro 4. Asignación aleatoria de las unidades experimentales

Tipo de Replicas
alimentación 1 2 3 4 5 6 7 8 9 10
(a) 404 1414 808 1919 303 1717 909 1818 101 1212
(b) 202 606 1111 1616 1313 2020 505 1010 1515 707
Se observa que el cuadro 4 posee dos de los principios de la experimentación (Sección

IX), la aleatoriedad y la repetición. Por otro lado, también es viable reducir el número de
réplicas asignando dos unidades experimentales.

Cuadro 5. Asignación aleatoria de las unidades experimentales
Tipo de Réplicas
Alimentación 1 2 3 4 5
404 1414 1010 101 303
(a)
1212 909 808 1919 707
202 606 1111 1616 1313
(b)
1818 1515 505 2020 1717
Finalmente, para Rosselló & Fernández (1993), No se deben emplear ensayos con
menos de tres repeticiones o con más de diez, los valores más utilizados son entre
cuatro y seis.
XI.- DISEÑO COMPLETAMENTE AL AZAR (DCA) Y EL ANÁLISIS DE VARIANZA

(ANOVA) DE UNA VÍA O UN FACTOR
En este tipo de diseño están incluidos los principios de repetición y de aleatorización, o
sea que, es utilizado cuando no hay necesidad del control local, debido a que el
ambiente experimental y las condiciones de manejo son homogéneos y los tratamientos
se asignan a las unidades experimentales mediante una aleatorización completa, sin
ninguna restricción. En ese sentido, López & González (2014) describen las siguientes
ventajas e inconvenientes:
Ventajas
i.- La estructura del análisis estadístico es simple.
ii.- Permite máxima flexibilidad en cuanto al número de tratamientos y número de
repeticiones.
iii.- La pérdida de observaciones durante la conducción del experimento no genera
dificultades en el análisis y en la interpretación de los resultados.
iv.- Reúne el mayor número de grados de libertad en el residuo, en comparación con
otros diseños.
Inconvenientes:
i.- Cuando el número de unidades experimentales es muy grande es difícil encontrar
lugares grandes que presenten la homogeneidad requerida.
ii.- Debido a que las fuentes de variación no asociadas a los tratamientos o a los niveles
del factor en estudio, están incluidas en el residuo como variación del azar, la buena
precisión de los análisis se ve comprometida.
Hipótesis
Ho: t = ti (todos los tratamientos producen el mismo efecto)
Ha: t ≠ ti para al menos un i; i= 1, 2, … t. (Al menos unos de los tratamientos produce un
efecto distinto)
Modelo estadístico
El modelo aditivo general es una expresión algébrica que condensa todos los factores
presentes en la investigación. Resulta útil para visualizar cuales factores son
independientes o dependientes, para este diseño el modelo aditivo es:
Yij= µ + ti + εij

Yij= variable de respuesta de la i j - ésima unidad experimental
µ= media general de la variable respuesta
ti= efecto del i – ésimo tratamiento (nivel del factor) en la variable dependiente
εij= error experimental asociado a la ij – ésima unidad experimental
Supuestos que validan el análisis de varianza de una vía o un factor
i.- La variable dependiente Y debe ser independiente. ► Estadístico: Rachas. Según

Anderson, Sweeney & Williams (2012, pág. 510)
ii.- La variable dependiente Y debe estar distribuida normalmente en cada nivel del
factor. ► Estadístico: Shapiro-Wilk (n≤50) o Kolmogorov-Smirnov (n>50). Según Cerón,
Galeano & Restrepo (2013, pág. 29).
iii.- La variable dependiente Y debe tener la misma varianza en cada nivel del factor. ►
Estadístico: Levene. Según Pedrozo & Dicovskyi (2006, pág. 58)
iv.- Los errores están normalmente distribuidos en cada nivel del factor. ► Estadístico:
Shapiro-Wilk (n≤50) o Kolmogorov-Smirnov (n>50). Según Cerón, Galeano & Restrepo
(2013, pág. 35).
v.- Los errores deben tener la misma varianza en cada nivel del factor. con media cero y
varianza constante. ► Estadístico: Levene. Según Cerón, Galeano & Restrepo (2013,
pág. 35).
vi.- Los errores son independientes entre sí. ► Estadístico: Rachas. Según Spiegel &
Stephens (2009, pág. 449)
vii.- El modelo es lineal y de efectos aditivos.
Para Segura (2000, pág. 5), en los supuestos del Anova, los efectos del tratamiento y
los efectos ambientales son aditivos: la suma de cuadrados del tratamiento y la suma
de cuadrados del error es igual a la suma de cuadrados total.
El término error (ε ij) es la diferencia entre los valores de Y (Yi), y el estimado de Y (Ŷ).
En ese sentido, εij =(Yi – Ŷi).
Para Valdivia (2008, pág. 4), describe los ejemplos clásicos de un DCA
Caso 1: Si se desea aplicar este diseño en un experimento agrícola y se

quiere “Evaluar el efecto de varios tipos de fertilizantes nitrogenados en la
producción de maíz” Las unidades experimentales, deben ser iguales: es
decir que el terreno sea plano (no efecto de pendiente), similar nivel de
fertilidad, que ninguna área del terreno esté anegada o con mal drenaje, que
ninguna unidad experimental tenga efecto de sombra, las parcelas sean del
mismo tamaño, etc. Es decir, que todas tengan las mismas condiciones.
Caso 2: Si se desea probar el efecto de diferentes dietas en el consumo de
alimento y ganancia de peso en cerdos. Las unidades experimentales deben
ser “iguales” es decir, deberán ser cerdos, de la misma raza, de la misma
edad y del mismo sexo.
Ejemplo 1: En el Cuadro 6 se presentan los datos sobre la producción diaria de leche

con 4% de grasa de un lote de vacas que son sometidas a alimentación de raíces y
tubérculos, como suplemento.
Cuadro 6. Producción diaria de leche

Mandioca (M) Araruta (A) Batata Doce (BD)
23,40 35,43 22,15
22,37 32,47 24,37
24,36 34,48 26,54
25,12 33,79 20,37
22,94 35,04 19,54
21,55 35,19 24,06
Actividad 1: formule el título del trabajo de investigación, el objetivo general y la

hipótesis de trabajo. Identifique las unidades experimentales (describa cómo serían),
cantidad de unidades experimentales, niveles del factor, plantee el modelo estadístico-
matemático, cuál es la variable dependiente e independiente en el Cuadro 6.
A continuación se presentan las fórmulas de los procedimientos matemáticos e

indicadores estadísticos que se utilizan para elaborar el Análisis de Varianza (Anova) de
una vía o un factor:
1.- Los promedios en el experimento
Xg =
∑x ij
, donde i es la fila y j es la columna (promedio general)
n
xj =
∑ xj , es el promedio aritmético del tratamiento (columna)
n
En el análisis de varianza se pueden identificar tres tipos de fuentes de variación
a.- Variación total

b.- Variación entre muestras
c.- Variación dentro de las muestras
SCT= SCTr + SCE
SCT= Suma de cuadrados totales, SCTr= Suma de cuadrados de los tratamiento y

SCE= Suma de cuadrados del error.
2.- Suma de cuadrados totales
r c
SCT = ∑ ∑ (x ij − xg ) 2
i =1 i =1

3.- Suma de cuadrados de los tratamientos
SCTr = ∑ r j ( x j − x j ) 2 r= es el número de filas

;
4.- Suma de cuadrados del error
SCE = ∑∑ ( xij − x j ) 2
Cuadrados medios
5.- Cuadrado medio total
SCT
CMT =
n −1
6.- Cuadrado medio del tratamiento
SCTr
CMTr =
c −1 ; c es el número de niveles del factor
7.- Cuadrado medio del error
SCE
CME =
n−c
8.- Para calcular la razón F (se le conoce como F calculada)
CMTr
F=
CME
Cuadro 7. Tabla de Análisis de Varianza (ANOVA) generalizada

Suma de Grados de Cuadrado
Fuente de variación Valor de F Sig.
cuadrados libertad medio
Entre muestras (tratamiento) SCTr c-1 SCTr/(c-1) CMTr/CME X
Dentro de muestras (error) SCE n-c SCE/(n-c)
Variación Total SCT n-1
Qué hipótesis se evalúa en la Tabla Anova
La hipótesis nula (Ho)

i.- Ho: µM = µA = µBD
Aclaratorias: µ es el promedio de la población. Observe las letras que acompañan a µ.

Corresponde a la codificación del Cuadro 6. La Hipótesis nula se puede plantear de
forma literal.
Ho: Todos los tratamientos producen el mismo efecto

Ho: Los promedios son iguales en cada tratamiento o niveles del factor
La hipótesis alternativa
ii.- Ha: µM ≠ µA ≠ µBD
Ha: no todas las medias son iguales
Ha: Al menos unos de los tratamientos producen un efecto distinto
iii.- α= nivel de significación, sus valores comúnmente utilizados 1% (0,01), 5% (0,05) y

10% (0,10). Por lo general lo da el ejercicio, si no se tiene información sobre α se
asume 5% o 0,05.
¿Cómo se va a decidir si se rechaza o no se rechaza la hipótesis nula?, en la tabla

Anova que se obtiene en el SPSS va a existir un indicador que se llama Sig. (conocido
como Significación, nivel crítico o p-value). El Sig. es la probabilidad asociada al
estadístico calculado (F). Entonces, si el Sig. es mayor que α no se rechaza Ho. Si el
Sig. es menor que α se rechaza Ho.
¿Qué es lo que se quiere desde el punto de vista de la investigación científica cuando

se usa el diseño experimental? Que se rechace Ho. Al rechazar Ho, hay evidencia
estadística de que los promedios son diferentes en algún nivel del factor o tratamiento.
En consecuencia, se da paso a las pruebas post hoc o post Anova
XII.- DISEÑO EN BLOQUES AL AZAR (DBA)
El Diseño en Bloques completos al Azar (DBA) toma en cuenta los tres principios
básicos de la experimentación: repetición, aleatorización y control local. En este diseño
las unidades experimentales se distribuyen en grupos homogéneos. Cada uno de estos
grupos es llamado: bloque. Este tipo de diseño se caracteriza porque el material
experimental presenta un factor de heterogeneidad definido, siendo necesario formar
grupos, clúster o bloques para que las unidades experimentales presentes dentro de
cada bloque sean homogéneas entre sí.
En experimentación con animales es muy común realizar diseños en bloques

aleatorizados, principalmente cuando se tienen fuentes de bloqueo, como es el caso de
individuos de diferentes razas, diferente número de partos, diferente condición
morfométrica o edad, o localizados en diferentes galpones, jaulas o estanques.
En experimentos agrícolas, los criterios de bloqueo para López & González (2014),
manifiestan que este diseño es conveniente cuando se logra determinar un gradiente de
variabilidad en un sentido, que esté influyendo sobre los tratamientos, por ejemplo:
grado de inclinación del terreno donde se realizará el experimento, dirección del viento,
gradiente de temperatura, gradiente de fertilidad, de luminosidad, altitud sobre el nivel
del mar, tipo de arado, variedad de planta, entre otros. Los bloques se construyen
perpendiculares a la dirección del gradiente de variabilidad.
Pérez (2005), el DBA corresponde a dos factores fijos sin interacciones en el que uno
de los dos factores corresponde a los bloques y el otro factor es el tratamiento. En ese
sentido, el número de unidades experimentales dentro de cada bloque es igual al
número de tratamientos incluidos en el experimento. Un caso particular de diseño de

bloques es el que aparece relacionado con la prueba de t para muestras pareadas,
aunque el número de tratamientos es sólo dos.
Los tratamientos son distribuidos en las unidades experimentales dentro de cada bloque
aleatoriamente, así, cada bloque irá a constituir una repetición. Este tipo de experimento
es seleccionado cuando se tienen dudas acerca de la homogeneidad del ambiente o
cuando, por experiencia, se sabe de su heterogeneidad.
Se aleatorizan los tratamientos dentro de cada bloque. Debe considerarse que la

aleatorización se realizará de forma independiente para cada bloque.
En el DBA el supuesto a validar es: No existe interacción entre bloque y tratamiento, lo

que significa que un tratamiento no debe modificar su acción (o efecto) por estar en uno
u otro bloque.
Hipótesis a evaluar
Ho: i= 1,2,…/ti=t (todos los tratamientos tienen el mismo efecto)
Ha: i= 1,2,…/ti≠t (al menos un tratamiento no tiene el mismo efecto)
Modelo estadístico
Yij= µ + ti + Bj + εij
Yij= variable de respuesta observada o media del i-ésimo tratamiento y el j-ésimo bloque
µ= media general de la variable respuesta
ti= efecto del i-ésimo tratamiento
Bi= efecto del j-ésimo bloque
εij= error asociado a la ij-ésima unidad experimental.
Se supone que los efectos de tratamientos y bloques son aditivos. La aditividad significa
que no hay interacción entre tratamientos y bloques. Es decir, la relación entre los
tratamientos es la misma en cada uno de los bloques.
Supuestos que validan el análisis de varianza de dos vías
i.- La variable dependiente Y debe ser independiente. ► Estadístico: Rachas. Según

Anderson, Sweeney & Williams (2012, pág. 510)
ii.- La variable dependiente debe estar distribuida normalmente en cada nivel del factor
y niveles del bloque. ► Estadístico: Shapiro-Wilk (n≤50) o Kolmogorov-Smirnov (n>50).
Según Cerón, Galeano & Restrepo (2013, pág. 29).
iii.- La variable dependiente Y debe tener la misma varianza en cada nivel del factor y
en cada nivel del bloque. Según Pedrozo & Dicovskyi (2006, pág. 58)
iv.- Los errores están normalmente distribuidos con media cero y varianza constante en
cada nivel del factor y en cada nivel del bloque. ► Estadístico: Shapiro-Wilk (n≤50) o
Kolmogorov-Smirnov (n>50). Según Cerón, Galeano & Restrepo (2013, pág. 35).
v.- Los errores son independientes entre sí. ► Estadístico: Rachas. Según Spiegel &
Stephens (2009, pág. 449).
vi.- No existe interacción entre bloque y tratamiento, lo que significa que un tratamiento
no debe modificar su acción (o efecto) por estar en uno u otro bloque. ►SPSS:
construcción del modelo sin interacción y efectos principales.
vii.- El modelo es lineal y de efectos aditivos.
Para Segura (2000, pág. 5), en los supuestos del Anova, los efectos del tratamiento y
los efectos ambientales son aditivos: la suma de cuadrados del tratamiento y la suma
de cuadrados del error es igual a la suma de cuadrados total.
El término error (ε ij) es la diferencia entre los valores de Y (Yi), y el estimado de Y (Ŷ).
En ese sentido, εij =(Yi – Ŷi).
Continuado con Valdivia (2008, pág. 5), ejemplifica el DBA
Caso 1: Si se desea aplicar este diseño en un experimento agrícola, si se

quiere “Evaluar el efecto de varios tipos de fertilizantes nitrogenados en la
producción de maíz”. Si la topografía del suelo donde se va a realizar el
experimento tiene una pendiente, la pendiente es un efecto perturbador, por
lo cual se deben hacer bloques a diferentes niveles de la pendiente, para
remover el efecto de la pendiente en la fertilidad del suelo y por ende en la
variable de respuesta a evaluar.
En experimentos agrícolas también se puede bloquear por efecto de la

sombra, es probable que un área experimental este localizada en una zona
donde haya una cortina rompevientos y la sombra en determinado momento
del día sea un factor perturbador.
Se puede bloquear además por: tipo de suelo y capacidad de drenaje del

suelo. Es decir por todos aquellos factores conocidos que pueden afectar la
variable de respuesta.
Caso 2: Si se desea probar el efecto de diferentes dietas sobre el consumo

de alimento y ganancia de peso en cerdos y no se tienen sólo hembras o
solo machos para realizar el experimento, entonces se utilizan hembras y
machos y se realizan bloques para eliminar el efecto del sexo. Igualmente, si
no se tienen animales de la misma raza se pude bloquear por raza para
eliminar el efecto raza.
En el caso de ganado de leche se puede bloquear por etapa de lactancia o

por el número de partos. Sin embargo, cabe aclarar que estos bloques se
hacen cuando el factor perturbador no es de interés, es decir, no es el
objetivo de la investigación evaluar ese factor.
En este orden de ideas, los animales confinados, como: cerdos, aves y conejos, donde
determinada área de las galeras tienen mejor ventilación, se debe bloquear para
eliminar efectos de la ventilación. En otras palabras, se bloquea para eliminar el factor
perturbador y que no es de interés en la investigación.
Ejemplo 2: Los siguientes datos representan la ganancia de peso en el gano bovino

con alimentación en diferentes horarios.
La alimentación se llevó a base de ensilaje de sorgo con 86 % que equivale a 24 kg, y

balanceado con un 14 % que equivale a 6 kg y adicionamiento de bloque nutricionales
para todos los tratamientos, el balanceado consistió en tuza y hoja de maíz 16%, maíz
molido 15%, semilla de algodón 48% y polvillo 21%, los bloques multinutricionales están
formulados en las siguientes proporciones: melaza 35%, azufre 5%, sal mineral 5%,
palmiste 35%, carbonato de calcio 10%, urea 10% y 10 litros de agua.
Los horarios de alimentación fueron los siguientes: T1 06:00 – 12:00 – 18:00 T2 06:00 –
18:00 y T3 08:00 – 16:00 horas.
Cuadro 8. Ganancia de peso del ganado bovino

Raza T1 T2 T3
13 19 21
Brahman (B)
18 20 15
9 15 20
Jersey (J)
15 18 18
17 18 21
Carora (Ca)
14 14 21
17 17 20
Criollo (Cr)
8 10 19
19 14 27
Senepol (S)
7 20 22
Actividad 2: formule el título del trabajo de investigación, el objetivo general y la

hipótesis de trabajo. Identifique las unidades experimentales 8(describa cómo serían),
cantidad de unidades experimentales, niveles del factor, plantee el modelo estadístico-
matemático, cuál es la variable dependiente e independiente.
A continuación se presentan las fórmulas de los procedimientos matemáticos e

indicadores estadísticos para elaborar el Anova de dos vías:
i.- Suma de cuadrados total

ii.- Suma de cuadrados del tratamiento
iii.- Suma de cuadrados del bloque
iv.- Suma de cuadrados del error
Cuadro 9. Tabla Anova de Bloques Aleatorizados

Fuentes de Suma de
g.l. Cuadrados medios F Sig.
Variación cuadrados
Entre
SCTr I-1 CMTr= SCTr/I-1 CMTr/CMR X
tratamiento
Entre
SCBL J-1 CMBL=SCBL/J-1 CMBL/CMR X
Bloques
Residual SCR (I-1)(J-1) CMR= SCR/(I-1)(J-1)
Total SCT IJ-1 CMT=SCT/ IJ-1
Qué hipótesis se evalúa en la Tabla Anova
La hipótesis nula (Ho) para el factor

i.- Ho: µB = µJ = µCa=µCR = µS
Aclaratorias: µ es el promedio de la población. Observe las letras que acompañan a µ.
Corresponde a la codificación del Cuadro 8. La Hipótesis nula se puede plantear de
forma literal.
Ho: Todos los tratamientos producen el mismo efecto

Ho: Los promedios son iguales en cada tratamiento o niveles del factor
La hipótesis alternativa
ii.- Ha: µB ≠ µJ ≠ µCa≠µCR ≠ µS
Ha: no todas las medias son iguales
Ha: Al menos unos de los tratamientos producen un efecto distinto
La hipótesis nula (Ho) para el bloque

i.- Ho: µB = µJ = µCa= µCr = µS
ii.- Ha: al menos una µ difiere

►►►Nota importante: como se está en un diseño en bloques al azar, al momento de
evaluar hipótesis de igualdad de promedios en los niveles del bloque, no debe existir
diferenciación de promedio en el bloque. En otras palabras, no se puede rechazar Ho.
iii.- α= nivel de significación, sus valores comúnmente utilizados 1% (0,01), 5% (0,05) y

10% (0,10). Por lo general lo da el ejercicio, si no se tiene información sobre α se
asume 5% o 0,05.
¿Cómo se va a decidir si se rechaza o no se rechaza la hipótesis nula?, en la tabla

Anova que se obtiene en el SPSS va a existir un indicador que se llama Sig. (conocido
como Significación, nivel crítico o p-value). El Sig. es la probabilidad asociada al
estadístico calculado (F). Entonces, si el Sig. es mayor que α no se rechaza Ho. Si el
Sig. es menor que α se rechaza Ho.
¿Qué es lo que se quiere desde el punto de vista de la investigación científica cuando

se usa el diseño experimental? Que se rechace Ho. Al rechazar Ho hay evidencia
estadística de que los promedios son diferentes en algún nivel del factor o tratamiento.
En consecuencia, se da paso a las pruebas post hoc o post Anova
XIII.- EL DISEÑO CUADRADO LATINO
Los diseños cuadrado latinos son una extensión lógica del diseño de bloques al azar y
poseen una serie de características muy similares, por tanto, se describen en su
conjunto. Para Castejón (2011), en los planes del investigador tiene como propósito la
variación del material experimental, a medida que este se hace más heterogéneo es
preciso controlar la variación bloqueando por cada característica que varíe. Es evidente,
que el diseño cuadrado latino lo que persigue es bloquear dos fuentes de variación
reconocidas por el investigador sobre las unidades experimentales. El investigador al
controlar estas dos fuentes de variación logra reducir la varianza del error posibilitando
la expresión de la diferencia entre los tratamientos.
En este orden de ideas, el diseño cuadrado latino se conoce también como diseño de
doble bloqueo, y se caracteriza porque el número de filas, columnas y tratamientos es
igual, formando un cuadrado perfecto. Adicionalmente, los tratamientos no se pueden
repetir al interior de la fila o de la columna, como se indica a continuación en un arreglo
de cuadrado latino con tres tratamientos:
El cuadrado latino es ampliamente utilizado en experimentos en ganado de leche,

donde en las filas se ubica a las hembras en producción, y en las columnas a diversos
periodos de lactancia.
El modelo estadístico-matemático
Yijk= µ + Fi + Cj + tk + εijk
i= 1, 2, 3, …t
j= 1, 2, 3, …t h=c=t
k= 1, 2, 3, …t
Yijk= Valor observado correspondiente al k – ésimo tratamiento en la i-ésima fila con la

j-ésima columna.
µ= Media general de la variable de respuesta.
Fi= Efecto de la i - ésima fila en la variable dependiente y mide la separación de la
media µi.. en relación a la media µ, esto es: Fi =µi-µ; µi..= media poblacional de la
i-ésima línea.
Cj= Efecto de la j - ésima columna en la variable dependiente y mide la separación de
la media µj en relación a la media µ, esto es: Cj = µj-µ; µj = media poblacional
de la j-ésima columna.
tk= Efecto del k - ésimo tratamiento en la variable dependiente y mide la separación de
la media µ..k en relación a la media µ, esto es: tk = µj-µ; µ..k = media poblacional
del késimo tratamiento.
εijk= Error experimental asociado al valor observado Yijk.
Supuestos:
i.- La variable dependiente debe ser aleatoria.

ii.- La variable dependiente debe distribuirse como una normal en cada nivel de los
bloques y del factor.
iii.- La variable dependiente debe poseer la misma varianza en cada nivel de los
bloques y del factor.
iv.- No existe interacción entre filas y tratamientos.
v.- No existe interacción entre columnas y tratamientos.
vi.- No existe interacción entre las filas y columnas.
vii.- El error debe distribuirse como una normal, con media cero y varianza constante y
debe ser aleatorio.

Hipótesis principal a evaluar
Ho: t = ti (Todos los tratamientos producen el mismo efecto)

Ha: t ≠ ti para al menos un i; i = 1,2, . . . t. (Al menos uno de los tratamientos produce
efectos distintos)
Tabla Anova Generalizada para el diseño cuadrado latino

Fuente de Suma de Grados de Valor-p
Cuadrado medio F
variación cuadrados libertad (Sig.)
Bloque de Fila SCBF r-1 CMF= SCBF/r-1
Bloque de
SCBC r-1 CMC= SCBC/r-1
Columna
Factor SCFC r-1 CMFC= SCFC/r-1
Error SCE (r-2)(r-1) CME= SCE/(r-2)(r-1)
Total SCT r2-1
Suma de cuadrados
Suma de cuadrados del bloque filas
∑ !" #$% & ∑' &
Suma de cuadrados del bloque columnas
∑ !" ()% * & ∑'
Suma de cuadrados del tratamiento
∑ + & ∑'
Suma de cuadrados del total
∑ ,&
'&
Suma de cuadrados del error
SCE = SCT – SCTr – SCBC - SCBF

Ejemplo para el Diseño Cuadrado Latino (DCL)
Prosiguiendo con Continuado con Valdivia (2008, pág. 6), ejemplifica el DBA
Se desea evaluar el efecto de cuatro dietas en la digestibilidad aparente de

la materia seca en bovinos. Si se tienen solo cuatro animales (Es común en
estudios de fisiología digestiva), se puede distribuir los tratamientos en cada
animal y se realizan varios períodos.
Si son cuatro dietas sería cuatro períodos, en los cuales los tratamientos a
probar son utilizados por cada animal en diferentes períodos. En este caso,
los animales pueden ser utilizados como filas (primera fuente de variación) y
los períodos como columnas (segunda fuente de variación). Este tipo de
diseño se denomina cuadrado latino 4 x 4, pues son cuatro tratamientos y
cuatro períodos. El nombre lo reciben según el número de tratamientos que
deben siempre formar un cuadrado, si fuesen cinco tratamientos serían
cinco períodos por lo tanto, será un cuadrado latino 5 x 5.
XIV.- EL DISEÑO FACTORIAL
El diseño factorial surge como la necesidad de evaluar de forma simultánea los efectos
que tienen varios factores sobre la variable dependiente, se utilizan experimentos
factoriales en los que todos los niveles de un factor se combinan con todos los niveles
de cualquier otro factor para formar los tratamientos. Así, en un experimento factorial de
tres factores A, B y C, con a, b y c niveles respectivamente, el número de tratamientos
es a×b×c.
El análisis de varianza (ANOVA) de este tipo de experimentos recibe el nombre de

ANOVA multifactorial, o simplemente ANOVA factorial. En un Anova Factorial se
visualizan no sólo los efectos individuales de los factores (efectos principales), sino
también el efecto causado por sus interacciones. Cuando el efecto de un factor sobre la
respuesta no depende de los niveles del otro factor, se dice que ambos factores son
independientes. En cambio, si el efecto de un factor varía para los distintos niveles del
otro factor, entonces los dos factores no son independientes y se dice que interactúan
entre sí.
Establecer inferencias sobre el efecto de un factor para los diferentes niveles de otros
factores, y sobre las relaciones entre ellos, es lo que diferencia principalmente a un
experimento factorial de varios experimentos de factor único en los que se incluyan los
diferentes tratamientos analizados. Comparativamente, el experimento factorial
presenta una mayor precisión y, por tanto, un considerable ahorro de tiempo y material
dedicado a los experimentos.
Para Fernández, Trapero y Domínguez (2010), los experimentos factoriales son

desarrollados en las investigaciones agronómicas cuando se sabe poco de los niveles
más adecuados de los factores, o ni siquiera cuáles son importantes, y cuando se
desea obtener recomendaciones que deben aplicarse en una gran variedad de
condiciones. En ese sentido, el investigador está interesado en la interacción entre
factores, más que en el efecto individual de éstos. La presencia de interacción
significativa hace que los efectos principales de los factores que interaccionan resulten
irrelevantes, por lo que se debe centrar la atención en el análisis de la interacción.
La desventaja en los experimentos factoriales es que al aumentar los factores se

incrementa el número de interacciones y su complejidad, lo que conlleva a una situación
difícil para la interpretación de los resultados. Si los diferentes factores interaccionan de
una forma confusa, ello es indicativo de que los efectos son complejos, pero no implica
que la experimentación sea defectuosa. En ese sentido, es necesario un estudio más
profundo de los resultados y una experimentación más amplia para comprender mejor
los hechos.
En este orden de ideas, en el Anova factorial existe una hipótesis nula por cada factor y
por cada posible combinación de factores. La hipótesis nula referida a cada factor
afirma que las medias de las poblaciones definidas por los niveles del factor son
iguales. Por otro lado, la hipótesis nula referida al efecto de una interacción afirma que
tal efecto es nulo.
Ventajas y desventajas
Para Benitez, Pece & de Galindez (2010), las ventajas y desventajas en el Anova
factorial se encuentran:
i.- Posibilita el estudio simultáneo de dos o más factores.

ii.- Permite estudiar la posible interacción entre los factores intervinientes, y
consecuentemente con ello el efecto o comportamiento de cada factor en los diferentes
niveles del otro factor.
iii.- Son más eficientes que los experimentos simples, donde se estudia un solo factor.
Proporcionan además resultados generales que los hacen útiles en experimentos
exploratorios.
iv.- Como se incluyen todas las combinaciones posibles de los diferentes niveles,
proporcionan habitualmente un número elevado de grados de libertad para el error
experimental, con la consiguiente ventaja que esto significa.
Como contrapartida de lo anterior, a medida que se incrementa el número de factores y

niveles se hace mayor el número de tratamientos, aumentando cuando se trata de
experimentos a campo la superficie requerida para todo el experimento y en particular
para cada repetición. Con todo ello aumenta la dificultad de adaptar el diseño más
adecuado al terreno o al material experimental y se eleva significativamente el costo de
cada repetición.
►El modelo estadístico para dos factores
Yijk= µ + αi + Bi + (αB) ij + εijk
µi= media general

αi= efecto del i-ésimo nivel del factor A

Bj= efecto del j-ésimo nivel del factor B
(αB) ij= efecto de la interacción entre el factor A y B
εijk= componente del error aleatorio
►El modelo estadístico para tres factores
Yijk= µ + αi + Bi +γk (αB)ij + (βγ)jk + (αγ)ik (αβγ) ijk + εijk
µi= media general

αi= efecto del i-ésimo nivel del factor A
Bj= efecto del j-ésimo nivel del factor B
γk= efecto del k-ésimo nivel del factor C
(αB) ij= efecto de la interacción entre el factor A y B
(βγ)jk= efecto de la interacción entre el factor B y C
(αγ)ik= efecto de la interacción entre el factor A y C
(αβγ)ijk= efecto de la interacción entre los factores A, B y C
εijk= componente del error aleatorio
Supuestos
i.- La variable dependiente debe ser una variable aleatoria

ii.- La variable dependiente debe distribuirse como una normal en cada nivel de los
factores.
iii.- La variable dependiente debe poseer la misma varianza en cada nivel de los
factores.
iv.- El error debe distribuirse como una normal con media cero y varianza constante en
cada nivel de los factores.
v.- El error debe ser aleatorio o sus observaciones independientes.
vi.- Hay interacción entre los factores
Tabla Anova Generalizada para el experimento factorial de dos factores con r

replicaciones
Fuente de Suma de Grados de Valor-p
Cuadrado medio F
variación cuadrados libertad (Sig.)
- -
Factor A SCA a-1 -
1
Factor B SCB b-1
1
-
Factor A*
- -
Factor B SCAB (a-1)(b-1) 1& 1&
(Interacción)
Error SCE ab(r-1)
1&
Total SCT nt -1

Suma de cuadrados
Suma de Cuadrados Total
2 1
' / '̿ &

/
Suma de Cuadrados del Factor A

2
- '̅ . ,5 &
Suma de Cuadrados del Factor B

2
'̅ . ,5 &
Suma de Cuadrados debido a la interacción
- '̅ '̅ . '̅ . 6 '̿ &
Suma de Cuadrados del error
SCE= SCT – SCA – SCB - SCAB

Gráficos de perfil y sus interacciones
Ejemplo para el Diseño factorial
Para aumentar el crecimiento de una planta o para aumentar el rendimiento de una fruta
o verdura, existen muchos factores que influyen directamente en el resultado, como
puede ser el tipo de riego, el nivel de fertilización, densidad de siembra, la aplicación de
hormonas, etc.
Igual sucede con los animales, si se desea el aumento de peso, se puede lograr
modificando algunos factores, como es las dietas, las hormonas, el manejo y otros.
Cada uno de los factores puede tener varios niveles, por ejemplo, la fertilización puede
ser 0.01, 0.05 o 0.1 kg por planta; igualmente el riego puede ser una lámina de 1, 2 o 3
cm.
Los diseños factoriales consisten en un análisis de varianza donde se van a probar dos
o más factores donde cada uno va a tener dos o más niveles. A cada factor se le
llamará factor A, B, C...etc, y los niveles de cada factor serán 0,1,2,3...
Factor A Nivel 0 Nivel 1 Nivel 2

Aplicación de fertilizante 0.05% 0.1% 0.15%
Factor B Nivel 0 Nivel 1

Densidad de siembra 40cm 50cm
Factor C Nivel 0 Nivel 1 Nivel 2

Días de riego una vez al día 2 veces al día 3 veces al día
Evaluación de cuatro niveles de melaza en la alimentación de cuyes peruanos
mejorados. El primer factor son los niveles de melaza de caña fueron 7%, 14&, 21% y
28%. El segundo factor fue el sexo, el experimento se distribuyó en 30 machos y 30
hembras.
Evaluación de la producción de follaje de árboles de morera (morus sp.) sometida a

diferentes frecuencias y alturas de corte. El primer factor fue la altura de poda (80,5 cm
y 1,0 mts). El otro factor es la frecuencia de poda 60, 120 y 180 días.
XV.- EL ARREGLO FACTORIAL
Una vez que se ha seleccionado el diseño, sea este DCA o DBA. Dependiendo del
objetivo de la investigación, a los tratamientos se les realizan arreglos en las unidades
experimentales. Es lo que se conoce como arreglos factoriales.
Por ejemplo:
Se quiere probar las respuesta en producción de maíz NB-6 y NBS a dos tipos de
fertilizantes nitrogenados urea y nitrato de amonio, utilizando cuatro niveles de
utilización., 0 kg. 50 kg, 100 kg, y 150 kg.
Si las unidades experimentales son homogéneas se utilizará un DCA con arreglo

factorial 2 x 2 x 4. Es decir se evaluarán, 2 factores principales (variedades de maíz),
dos factores secundarios o de efectos aleatorios (Tipo de fertilizante y sus niveles) que
son cuatro niveles.
En este caso si se quieren tener cinco repeticiones por tratamiento, el número de

unidades experimentales será igual a multiplicar: 2 x 2 x 4 x 5 = 80 unidades
experimentales.
Puede ser que para este mismo estudio en otras condiciones se requiera remover un
efecto perturbador como puede ser el efecto de la pendiente o efecto de sombra o
cualquier otro efecto. En cualquiera de estos casos se realizará un DBA con arreglo
factorial, 2 x 2 x 4.
En este caso si se quieren tener cinco repeticiones por tratamiento, el número de

unidades experimentales será igual a multiplicar: 2 x 2 x 4 x 5 = 80 unidades
experimentales.
En estudios con animales también se aplican el arreglo factorial
Si se desea evaluar el efecto de la raza en la ganancia de peso en ovinos alimentados

con dos diferentes fuentes de proteína (harina de soya y harina de sorgo) con diferentes
niveles de inclusión (0, 10, 20, y 30 % en la dieta. Si se tienen tres razas de ovejas
(Pelibuey, Katadin y Black Belly). En el caso de que las unidades sean homogéneas
(misma edad, mismo peso, mismo sexo). Entonces se utilizará un DCA con arreglo
factorial 3 x 2 x 4. Es decir, tres factores principales (razas) y dos factores secundarios
o de efectos aleatorios (las dos harinas con sus diferentes niveles de inclusión). El

número de unidades experimentales necesarias si se quieren tener cinco repeticiones
será: 3 x 2 x 4 x 5 = 120 unidades experimentales.
En caso de que no se tenga solo hembras o solo machos para hacer el ensayo y hay
una combinación de hembras y machos, entonces el diseño será un DBA (bloquear por
sexo) con arreglo factorial 3 x 2 x 4.
Muchas veces el diseño de campo de un DBA en estudios con animales no es

importante, pues la posición de la unidad experimental dentro de cada bloque no afecta
los tratamientos, muchas veces se utiliza para efectos de análisis y mover el efecto del
bloque.
XVI.- ORIENTACIONES GENERALES EN LA EXPERIMENTACIÓN AGRÍCOLA

En la planificación agrícola o biológica y en el desarrollo de una investigación en
particular, son de interés los siguientes aspectos:
a. Especificar los problemas, con el fin de probar hipótesis o encontrar respuestas. Es

necesario considerar que los experimentos sean:
a.1. Experimentos simples, cuando se estudia un solo factor de variación; por
ejemplo, probar cinco variedades de sorgo, estudiar cinco dosis de nitrógeno en trigo,
etc.
a.2. Experimentos factoriales, cuando se estudian simultáneamente dos o más
factores que influyen en la producción; por ejemplo, estudiar tres variedades, cada una
sembrada a tres densidades de siembra, o bien tratamientos de fósforo, nitrógeno y
potasio, cada uno a cuatro dosis por unidad de superficie.
b. Ubicar el lugar adecuado para la realización de los experimentos, para lo cual se

debe elegir una localidad accesible y representativa de áreas agrícolas, de suelo
uniforme, con unidades experimentales lo más uniforme posible, y escoger el material
adecuado para experimentos, de manera que pueda estratificarse (agruparse unidades
experimentales con características homogéneas) el terreno correctamente para formar
grupos uniformes y de fácil manejo.
c. Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la selección de datos,
muestreo, entre otras., el personal responsable esté constituido por técnicos o personas
con entrenamiento.
d. Mantener constante los diversos factores que pueden afectar a la producción o a la

calidad del producto, de manera que los únicos factores de variación sean los
tratamientos objeto de estudio.
e. Extremar precauciones y ser cautos en los resultados experimentales, considerando

que un experimento es una observación de una muestra en una población de
experimentos.
f. Repetir experimentos uniformes en diferentes localidades, suelos y años.

g. Tener conocimiento de la tecnología de campo y saber cuáles son los problemas del
productor.
En la planeación o diseño de un experimento agronómico, es necesario aplicar un

conjunto de disciplinas y conocimientos biológicos con el fin de encontrar una respuesta
correcta a un problema específico. Por ejemplo, si se comparan diversas variedades de
trigo, todos los factores de la producción que influyen en el comportamiento de las
variedades deben permanecer constantes y las únicas fuentes de variación o
diferencias serán presentadas por las variedades de trigo, si tales fuentes existen. Para
lograr lo anterior, es necesario contar con ciertos conocimientos sobre:
a. Suelos, a fin de elegir el terreno más uniforme y adecuado para realizar el

experimento.
b. Fertilización, para cuando sea necesario planear experimentos con fertilizantes
químicos orgánicos o abonos orgánicos.
c. Topografía e hidráulica, para trazar parcelas, niveles, riegos, entre otras.
d. Especialidades afines como: Botánica, entomología, fitopatología, fisiología, genética,
ecología, etc. para poder trabajar con seres vivos.
e. Tecnologías de Cultivos, sistemas agroforestales, agrosilvo pastoriles y zootecnia,
para manejar las unidades experimentales.
f. Estadística (biometría o bioestadística), para evaluar y separar las diversas causas de
variación y para realizar la interpretación de los resultados experimentales.
XVII.- EL ERROR EXPERIMENTAL εij =(Yi – Ŷi)

Es un término propio de la experimentación y no es sinónimo de equivocación o
descuido sino se refiere a la imposibilidad de poder llegar a resultados idénticos con
unidades experimentales tratadas de la misma manera. Existen diferencias debidas a
factores genéticos y ambientales que van más allá del control que el investigador pueda
ejercer. Al error experimental también se le define como la variabilidad no controlada
que existe entre las unidades experimentales que reciben la aplicación del mismo
tratamiento.
La existencia del error experimental hace necesarias las técnicas estadísticas de

análisis de los resultados para obtener buenas estimaciones del efecto de los
tratamientos y de las diferencias entre los mismos, las primeras mediante el promedio
de los resultados de las unidades experimentales que recibieron cada tratamiento, y el
segundo determinando la probabilidad de que las diferencias entre tratamientos hayan
ocurrido por casualidad. Se establecen dos fuentes principales de error experimental:
1.- Variabilidad inherente al material experimental sobre el cual se aplican los

tratamientos. En general, esta variabilidad no es posible evitarla y comprende la
heterogeneidad del suelo, la variabilidad genética, la variabilidad del clima, etc.
2.- Variabilidad resultante de cualquier falta de uniformidad en la ejecución del

experimento, es decir, la deficiencia de poder uniformizar la técnica experimental, tal el
caso de: la preparación del suelo, densidad de siembra, prácticas culturales,
mediciones y toma de datos, etc.

Mayor error experimental equivale a menor precisión. Como un criterio para juzgar la
magnitud del error experimental se utiliza el coeficiente de variación, para una misma
variable de respuesta, el incremento del coeficiente de variación significa un mayor error
experimental, lo cual puede deberse a deficiencias en el diseño o a poco cuidado en la
ejecución de las diversas actividades que el experimento conlleva, si se supone que el
experimento fue bien diseñado, un coeficiente de variación alto, generalmente significa
mal manejo del experimento, (esto depende del tipo de experimento y de la escala
utilizada en la medición de la variable respuesta).
XVIII.- CÓMO SE PUEDE REDUCIR EL ERROR EXPERIMENTAL

Los procedimientos que se pueden emplear para incrementar la precisión de un
experimento consisten en tratar de reducir el error experimental, esto puede lograrse
por medio de las siguientes acciones:
a) Incrementando el número de repeticiones, aunque el grado de mejoramiento decrece

rápidamente cuando el número de repeticiones aumenta, por ejemplo, para duplicar la
precisión de un experimento con 4 repeticiones éstas se deberán aumentar a 16.
b) Seleccionando material experimental tan homogéneo como sea posible o

estratificación cuidadosa del existente (buscar el material experimental que tenga las
características deseadas o seleccionar el diseño más apropiado a las características del
material con que se cuente). Es deseable seleccionar material uniforme pero no se
debe olvidar de la población acerca de la cual se desea hacer inferencias, razón por la
cual en agronomía es recomendable usar material experimental de los tipos que se
emplearán en la producción real y estratificar adecuadamente.
c) Ejecutando cuidadosamente el experimento, de manera que se logre uniformidad en

la técnica empleada para que se tenga la oportunidad de medir las diferencias entre los
efectos de los tratamientos.
d) Seleccionando el tamaño y forma de la unidad experimental. Generalmente a mayor

tamaño se conseguirá menor error experimental. Las parcelas rectangulares de terreno
deben ubicarse con sus ejes mayores en el sentido de la mayor variabilidad del suelo.
En animales es preferible usar un animal como unidad experimental en lugar de tener
varios y así obtener mayor número de repeticiones.
e) Usando informaciones proporcionadas por variables aleatorias relacionadas

(llamadas covariables), esto se refiere a la toma de datos adicionales, el peso final o la
ganancia de peso de un animal depende del peso inicial, el rendimiento depende del
número de plantas cosechadas, del contenido de humedad, entre otras. Esta
información adicional es utilizada en el análisis de covarianza.
f) Tomando los datos de variables de respuesta solo en la parcela útil para evitar el
efecto de bordes y cabeceras.
g) Utilizando métodos de análisis adecuados al diseño y a la naturaleza de los datos.

XIX.- ¿QUÉ ES UN TESTIGO?
El testigo es el tratamiento de comparación adicional, que no debe faltar en un
experimento; por ejemplo, si se usan cinco tratamientos con fertilizante, el testigo puede
ser aquel tratamiento que no incluye fertilizante. La elección del tratamiento testigo es
de gran importancia en cualquier investigación, este se constituye como referencial del
experimento y sirve para la comparación de los tratamientos en prueba.
XX.- SELECCIÓN DEL DISEÑO EXPERIMENTAL

Para elegir el diseño es necesario considerar el número de repeticiones, las condiciones
del sitio experimental y las condiciones de manejo del ensayo. De acuerdo con Martínez
(1994), cuando se proyecta un experimento, el investigador debe tener en mente dos
aspectos básicos a saber:
(1) la elección, propiamente hablando, del arreglo geométrico o diseño experimental,

que tiene por objetivo definir el arreglo de los tratamientos sobre las unidades
experimentales, y
2) la composición o proyecto de los tratamientos, lo cual constituye el diseño de los

tratamientos, que se refiere al proyecto de las combinaciones de niveles, cuando se
examina el efecto de dos o más factores, sobre una característica en estudio.
En todos los diseños las unidades experimentales se clasifican por tratamientos; pero
en algunos, estos se clasifican preferentemente en bloques, filas, parcelas principales y
otras modalidades.
Cuadro 10. Tipos de Diseños Experimentales

Nombres Rasgos Ventajas Eficiencia
1. fácil de diseñar
Diseño
Con 0 gradiente 2. fácil de analizar
Completamente al 100%
de variabilidad 3. diferentes # de repeticiones
azar
4. máximo g.l. para el error
1. reduce la varianza de error
Diseño de Bloques
Con 1 gradiente 2. fácil de analizar
al 167%
de variabilidad 3. más flexibilidad
azar
4. más precisión
1. reduce la varianza de error
Diseño de Cuadro Con 2 gradientes 2. fácil de analizar
222%
Latino de variabilidad 3. más flexibilidad
4. más precisión
1. más económico
a) Diseño factorial Más de un factor 2. permite medir las 288%
interacciones
Fuente: Badii, Castillo, Rodríguez, Wong & Villalpando, 2007

XXI.- QUÉ SE UTILIZA PARA ANALIZAR DESDE EL PUNTO DE VISTA
ESTADÍSTICO LOS RESULTADOS DE UN DISEÑO EXPERIMENTAL
Análisis de la Variancia (ANOVA)

Es una técnica estadística que sirve para analizar la variación total de los resultados
experimentales de un diseño en particular, descomponiéndolo en fuentes de variación
independientes atribuibles a cada uno de los efectos en que constituye el diseño
experimental.
Esta técnica tiene como objetivo identificar la importancia de los diferentes factores o
tratamientos en estudio y determinar cómo interactúan entre sí.
El análisis de varianza utiliza las medias de dichos agrupamientos, denominadas fuente

de variación, para estimar varianzas o más precisamente cuadrados medios. Un
cuadrado medio que estima la dispersión entre las mediciones de las unidades
experimentales debidas a causas aleatorias; esta se denomina error experimental. En
ausencia de diferencias reales debidas a medias de los tratamientos, bloques u otras
fuentes de variación, dichos cuadrados medios serán, en promedio, iguales. Sólo
esporádicamente un cuadrado medio se desviará de otro de manera considerable,
exclusivamente por casualidad.
Cuando una prueba F indica que el cuadrado medio de una de las fuentes de variación
es significativamente mayor que el cuadrado medio debido a efectos aleatorios,
decimos que existen diferencias reales entre las medias de aquella fuente particular de
variación; pero, recuérdese: siempre existe una probabilidad definida de que estemos
equivocados en semejante conclusión. Está en manos del experimentador seleccionar
las probabilidades para las cuales se encuentra dispuesto a concluir que existen efectos
reales.
Es frecuente descubrir los resultados que cabría esperar con una probabilidad del 5% o
menor como significativos y aquellos esperados con un 1% o menor como altamente
significativos. Cuando un experimentador aplica la frase “los tratamientos son
significativamente diferentes”, realmente está diciendo que si la hipótesis nula es
verdadera, las probabilidades de obtener tales diferencias de medias del tratamiento
son sólo de un 5%. Está afirmando que no hubo tal probabilidad de ocurrencia en su
experimento y que, por tanto, el resultado significativo se debió a un efecto real del
tratamiento.
Hipótesis estadística
Es el supuesto que se hace sobre el valor de un parámetro (constante que caracteriza a
una población) el cual puede ser validado mediante una prueba estadística. En la
investigación agraria al realizar un análisis estadístico utilizando el ANOVA de un diseño
experimental, la hipótesis a probar es si los tratamientos tienen el mismo efecto sobre la
variable que se estudia, es así como se tienen las hipótesis nula (Ho) e hipótesis
alterna (Ha):
Hp: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio)

Ha: ti ≠ 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en estudio)
Al probar la hipótesis estadística el investigador está propenso a cometer los siguientes
tipos de errores:
Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error es fijado por el investigador y constituye el
“nivel de significación de la prueba”; usualmente los valores usados como nivel de
significación son 0.05 ó 0.01.
Error tipo II: Se comete cuando no se rechaza la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error no se puede fijar, pero si es posible minimizar
utilizando un tamaño adecuado de muestra.
Supuestos acerca del modelo estadístico

Los supuestos necesarios del modelo estadístico son:
a. Aditividad: Los factores o componentes del modelo estadístico son aditivos, es decir
la variable respuesta es la suma de los efectos del modelo estadístico.
b. Linealidad: La relación existente entre los factores o componentes del modelo
estadístico es del tipo lineal.
c. Normalidad: Las observaciones del experimento provienen de una distribución de
probabilidad «Normal» con media µ y variancia σ2.
e. Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones generadas
por la aplicación de dos o más tratamientos tienen variancias homogéneas (variancia
común).
d. Los residuos del modelo se distribuyen como una Normal con media cero y varianza
constante. Así mismo, los residuos son independientes.
Tipos de modelos estadísticos
Según Pardo & Ruiz (2002), la selección de los tratamientos y otros factores se tiene la
siguiente clasificación:
i.- Modelo I (Efectos Fijos)

Se presenta cuando los tratamientos y demás factores que intervienen en un
experimento son fijados por el investigador; es decir, no se efectúa una elección
aleatoria. En estos casos las conclusiones del análisis de variancia solamente son
válidas para los tratamientos y otros factores usados en el experimento. En la mayoría
de los casos se ha considerado únicamente el caso de modelo de efectos fijos, por ser
el que se presenta con mayor frecuencia en la experimentación agraria. Ejemplo: Un
investigador tiene 8 variedades de caña de azúcar para realizar un experimento de
evaluación de variedades promisorias
ii.- Modelo II (Efectos aleatorios)

Se presenta cuando los tratamientos y demás factores que intervienen en un
experimento son elegidos al azar de una población. En estos casos las conclusiones del
análisis de variancia son válidas, tanto para los tratamientos y demás factores usados,
así como para todas las poblaciones de tratamientos y factores. Ejemplo: Un
investigador, entre todas las variedades de caña de azúcar disponibles en el Programa
de Mejoramiento Genético, sorteó 6 variedades y con ellas desea realizar un
experimento de selección de variedades
iii.- Modelo III (Modelo Mixto)

Este modelo es la combinación de los dos anteriores y se presenta cuando algunos
factores son fijados y otros son elegidos al azar. En estos casos las conclusiones del
análisis de variancia serán válidas para toda la población de factores cuando estos son
elegidos al azar, y solamente para los factores usados cuando estos son fijados.
Pruebas de comparación de medias

Para Pardo & Ruiz (2002), el propósito de todo investigador que realiza un análisis de
variancia de un experimento en particular, realizar la prueba sobre el efecto de los
tratamientos en estudio, para ello hace uso de la prueba F el cual indicará si los efectos
de todos los tratamientos son iguales o diferentes; en caso de aceptar la hipótesis de
que todos los tratamientos no tienen el mismo efecto, entonces es necesario realizar
pruebas de comparación de promedios a fin de saber entre que tratamientos hay
diferencias, y para esto es necesario realizar pruebas de comparación múltiple como las
siguientes:
i.- Diferencia Significativa Mínima (DMS)

Es una prueba para comparar dos medias y su uso en comparaciones simultáneas se
justifica sólo en las siguientes condiciones:
a. La prueba F resulta significativa.
b. Las comparaciones fueron planeadas antes de ejecutar el experimento.
ii.- Prueba de Rangos Múltiples de Duncan

Este procedimiento es utilizado para realizar comparaciones múltiples de medias; para
realizar esta prueba no es necesario realizar previamente la prueba F y que ésta resulte
significativa; sin embargo, es recomendable efectuar esta prueba después que la
prueba F haya resultado significativa, a fin de evitar contradicciones entre ambas
pruebas.
iii.- Prueba de Rangos Múltiples de Tukey

Este procedimiento es llamado también «Diferencia Significativa Honesta», se utiliza
para realizar comparaciones múltiples de medias; esta prueba es similar a la prueba de
Duncan en cuanto a su procedimiento y además es más exigente.
iv.- Prueba de Comparación de Dunnet

Esta prueba es útil cuando el experimentador está interesado en determinar que
tratamiento es diferente de un testigo, control o tratamiento estándar, y no en hacer
todas las comparaciones posibles (que pasarían a una segunda prioridad); es decir,
cuando se quiere comparar el testigo con cada uno de los tratamientos en estudio.

REFERENCIAS BIBLIOGRÁFICAS
Alonso, J., Aarón, R. & Villagrán, C. (2012). Manual de procedimientos recomendables

para la investigación con animales (1era Ed.). Samsara. México
Anderson, D., Sweeney, D. & Williams, T. (2012). Estadística para negocios y
economía. (11ª Ed.). Cengage Learning. México.
Badii, M., J. Castillo, M. Rodríguez, A. Wong & P. Villalpando. Diseños experimentales e
investigación científica. [Material en Línea]. Innovaciones de Negocios. Disponible:
http://eprints.uanl.mx/12482/1/A5.pdf [Consulta; 2019, Junio 22]
Benitez, C., Pece, M., & De Galindez M. (2010). Análisis de varianza en experimento
factoriales [Libro en línea]. Universidad Nacional de Santiago de Estero.
Disponible: http://fcf.unse.edu.ar/archivos/series-didacticas/sd-21-estadistica.pdf
[Consulta; 2019, Julio 02]
Castejón, O. (2011). Diseño y análisis de experimentos con Statistix [Libro en línea].
Universidad Rafael Urdaneta. Disponible:
www.uru.edu/fondoeditorial/libros/pdf/manualdestatistix/occompleto.pdf [Consulta;
2019, Junio 14]
Cerón, M.; Galeano, L.; & Restrepo, L. (2013). Modelación Aplicada a las Ciencias
Animales: Diseño experimental, con implementación del programa R-project. [Libro
en línea]. Disponible: https://aprendeenlinea.udea.edu.co/revistas/index.php
/biogenesis/.../2078326... [Consulta; 2019, Agosto 16]
Kuehl, R. (2001). Diseño de experimentos: principios estadísticos de diseño y análisis
de investigación. (2da. Ed). Thomson Learning. México.
López, E. & González, Byron. (2014). Diseño y análisis de experimentos. Fundamentos
y aplicaciones en agronomía. [Libro en línea]. Universidad de San Carlos de
Guatemala. Disponible:
http://fausac.usac.edu.gt/GPublica/images/2/2b/Dise%C3%B1o_y_An%C3%A1lisi
s_de_Experimentos_2014.pdf [Consulta; 2019, Agosto 01]
Pardo, A. & Ruiz, M. (2002). SPSS 11. Guía para el análisis de datos. Mc Graw Hill.
Madrid-España.
Pedroza, H. & Dicovsky (2006). Sistema de análisis estadístico con SPSS [Libro en
línea]. Instituto Nicaragüense de Tecnología Agropecuaria. Disponible:
http://cenida.una.edu.ni/relectronicos/RENU10P372.pdf [Consulta; 2019, Julio 30]
Pérez, C. (2005). Técnicas Estadísticas Con SPSS 12. Aplicaciones al Análisis de
Datos. Pearson Prentice Hall. Madrid-España.
Ramón, G. (S/F). Diseños experimentales. Apuntes de clase del curso Seminario
Investigativo VI. [Documento en línea]. Disponible:
http://viref.udea.edu.co/contenido/menu_alterno/apuntes/ac37diseno_experiment.p
df [Consulta: 2019, Agosto 16]
Rodríguez, M. (2008). El diseño experimental en las ciencias de de la salud.[Documento
en línea]. Disponible: http://viref.udea.edu.co/contenido/menu_alterno/
apuntes/ac37-diseno_experiment.pdf [Consulta: 2019, Agosto 10]
Rosselló, E. & Fernández, M. (1993). Guía técnica para ensayo de variedades de
campo. Editorial Organización de las Naciones Unidas para la Agricultura y
Alimentación (FAO). Roma – Italia.
Spiegel, M & Stephens, L (2009). Estadística Schaum. (4ta Ed.). Mc Graw Hill. México.

Trespalacios, J., Vásquez, R. & Bello, L. (2005). Investigación de mercados: métodos
de recogida y análisis de la información para la toma de decisiones en markeing.
Paraninfo. Madrid-España
Valdivia, V. (2008). Diseños Experimentales. Selección según objetivo de la
investigación. [Material en Línea]. Universidad Católica Agropecuaria del Trópico
Seco “Pbro. Francisco Luís Espinosa Pineda” Disponible:
https://www.academia.edu/14174591/Diseños_experimentales [Consulta; 2019,
Agosto 08]
Webster, A. (2000). Estadística aplicada a los negocios y a la economía. (3 ra Ed.). Mc
Graw hill. Bogotá-Colombia.

ANEXO 1
CONSIDERACIONES ESTADÍSTICAS PARA EL DISEÑO COMPLETAMENTE AL AZAR (DCA)
ESTADÍSTICO DE
SUPUESTOS HIPÓTESIS CONSIDERACIÓN POST HOC
PRUEBA
Ho: los datos de Y se distribuyen como una variable
Sig. > α; No se rechaza Ho.
Supuestos a priori de la variable dependiente aleatoria o son independientes entre sí
Independencia Rachas
Requisito para ejecutar Anova
Ha: los datos de Y No se distribuyen como una
variable aleatoria o son independientes entre sí
Ho: los datos de Y se distribuyen como una normal Kolmogorov-Smirnov Sig. > α; No se rechaza Ho.
en cada nivel del factor. (n>50)
Normalidad Requisito para ejecutar Anova Asumiendo
Ha: los datos de Y no se distribuyen como una Shapiro-Wilk varianzas
normal en al menos uno de los niveles del factor. (n≤50) iguales:
Sig. > α; No se rechaza Ho.
- Tukey
Es lo que se quiere (diseño
Ho: los datos de Y tienen la misma varianza en balanceado)
cada nivel del factor. - Scheffé
De incumplirse el supuesto:
(diseño no
Homocedasticidad Levene
balanceado)
El incumplimiento de la
Ha: los datos de Y no tienen la misma varianza en al - Bonferroni
homocedasticidad conlleva a
menos un nivel del factor. (diseño no
calcular en el Anova los
estadísticos de Welch y balanceado)
Brown-Forsythe en vez del F. - Dunnett (si
hay testigo o
Ho: los datos de Y tienen la misma media en cada
Sig < α, se rechaza Ho. Se grupo de
nivel del factor
Igualdad de medias F en Anova realizan las pruebas de control)
Ha: los datos de Y no tienen la misma media en
comparación de medias
cada nivel del factor
No asumiendo
Ho: los residuos del modelo se distribuyen como Kolmogorov-Smirnov
varianzas
una normal en cada nivel del factor. (n>50) Sig. > α; No se rechaza Ho. iguales:
Ha: los residuos del modelo no se distribuyen como Shapiro-Wilk
una normal en al menos un nivel del factor. (n≤50)
- Games-
Ho: los residuos del modelo tienen la misma De incumplirse el supuesto: Howell
varianza en cada nivel del factores. Levene: Transformar los datos
Residuos Levene
Ha: los residuos del modelo no tienen la misma
varianza en al menos un nivel del factores.
Ho: hay independencia o aleatoriedad entre los Rachas: Calcular en valores
residuos absolutos los resultados de los
Rachas
Ha: no hay independencia o aleatoriedad entre los residuos
residuos
Observaciones: Las transformaciones más utilizadas son las logarítmicas y raíz cuadrada
Lo que interesa es que no re rechace Ho. Si el nivel crítico (Sig.) que ofrece el SPSS es mayor que el nivel de
significación (α=5% o 0,05), no se rechaza Ho.
El estadístico de Levene es el comúnmente utilizado, se debe porque aun cuando no se cumple con el supuesto de
normalidad, no se requiere que el número de unidades experimentales sean los mismos para todos los tratamientos.
Página | 38
ANEXO 2
CONSIDERACIONES ESTADÍSTICAS PARA EL DISEÑO EN BLOQUES AL AZAR (DBA)
SUPUESTOS HIPÓTESIS ESTADÍSTICO CONSIDERACIÓN POST HOC
Ho: los datos de Y se distribuyen como una variable Sig. > α; No se rechaza
aleatoria o son independientes entre sí Ho.
Supuestos a priori de la variable dependiente Independencia Rachas
Ha: los datos de Y No se distribuyen como una variable Requisito para ejecutar
aleatoria o son independientes entre sí Anova
Ho: los datos de Y se distribuyen como una normal en
Sig. > α; No se rechaza
cada nivel del factor Kolmogorov-
Ho.
Ha: los datos de Y no se distribuyen como una normal en Smirnov Asumiendo
al menos uno de los niveles del factor (n>50) varianzas
Normalidad Ho: los datos de Y se distribuyen como una normal en
Requisito para ejecutar
Anova iguales:
cada nivel del bloque Shapiro-Wilk
Ha: los datos de Y no se distribuyen como una normal en (n≤50) - Tukey (diseño
al menos uno de los niveles del bloque balanceado)
Sig. > α; No se rechaza - Scheffé
Ho. (diseño no
Ho: los datos de Y tienen la misma varianza en cada nivel balanceado)
del factor. En caso de que se - Bonferroni
Ha: los datos de Y no tienen la misma varianza en al rechace Ho en el factor (diseño no
menos un nivel del factor. tenga en cuenta las balanceado)
Homocedasticidad Ho: los datos de Y tienen la misma varianza en cada nivel
Levene
pruebas post hoc “No - Dunnett (si
del bloque. asumiendo varianzas hay testigo o
Ha: los datos de Y no tienen la misma varianza en al iguales” grupo de
menos un nivel del bloque. control)
En el bloque se exige
que no se rechace Ho. No asumiendo
Lo que se quiere es que varianzas
Ho: los datos de Y tienen la misma media en cada nivel el Sig < α, se rechaza iguales:
del factor Ho.
F en Anova
Ha: los datos de Y no tienen la misma media en cada Se realizan las pruebas - Games-Howell
nivel del factor de comparación de
medias
Igualdad de medias
Lo que se quiere es que
Ho: los datos de Y tienen la misma media en cada nivel el Sig > α, No se rechaza
del bloque Ho.
F en Anova
Ha: los datos de Y no tienen la misma media en cada Un requisito para realizar
nivel del bloque las pruebas de
comparación de medias
El estadístico de Levene es el comúnmente utilizado, se debe porque aun cuando no se cumple con el supuesto
de normalidad, no se requiere que el número de unidades experimentales sean los mismos para todos los tratamientos.
CONTINUACIÓN ANEXO 2
CONSIDERACIONES ESTADÍSTICAS PARA EL DISEÑO EN BLOQUES AL AZAR (DBA)
PRUEBA DE
SUPUESTO HIPÓTESIS ESTADÍSTICO CONSIDERACIÓN COMPARACIÓN
DE MEDIAS
Ho: los residuos del modelo se distribuyen como una sig. > α; no se rechaza
normal en cada nivel del factor ho.
Ha: los residuos del modelo no se distribuyen como una kolmogorov-smirnov
normal en al menos un nivel del factor (n>50)
Ho: los residuos del modelo se distribuyen como una shapiro-wilk

normal en cada nivel del bloque (n≤50)
Ha: los residuos del modelo no se distribuyen como una
normal en al menos un nivel del bloque
Ho: los residuos del modelo tienen la misma varianza en
Residuos cada nivel del factor De incumplirse el
Ha: los residuos del modelo no tienen la misma varianza supuesto:
en al menos un nivel del factor Levene: transformar los
Levene datos
Ho: los residuos del modelo tienen la misma varianza en
cada nivel del bloque
Ha: los residuos del modelo no tienen la misma varianza
en al menos un nivel del bloque rachas calcular en
Ho: hay independencia o aleatoriedad entre los residuos valores absolutos los
Ha: no hay independencia o aleatoriedad entre los Rachas resultados de los
residuos residuos
El estadístico de Levene es el comúnmente utilizado, se debe porque aun cuando no se cumple con el supuesto de
normalidad, no se requiere que el número de unidades experimentales sean los mismos para todos los tratamientos.

2019.2 Módulo II Diseño Experimental

Încărcat de

Informații document

Descriere originală:

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

2019.2 Módulo II Diseño Experimental

Încărcat de

Drepturi de autor:

Formate disponibile

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL

ECON. CARLOS DÍAZ

BARINAS, OCTUBRE DE 2019

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 2 de 40

Objetivo General del Módulo

I.- ASPECTOS GENERALES

La experimentación proporciona los datos experimentales, en contraste con los datos

Los diseños experimentales, básicamente son arreglos de variables sujetas a estudio

LA INVESTIGACIÓN CIENTÍFICA Y EL DISEÑO DE EXPERIMENTO

DISEÑO DEL MODELO

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 4 de 40

Cuadro 1. Etapas del método de investigación científica

III.- DISEÑO DE EXPERIMENTO

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 5 de 40

IV.- LA UNIDAD EXPERIMENTAL

i. Extensión superficial del terreno disponible.

V.- ETAPAS O PASOS AL PLANEAR UN DISEÑO EXPERIMENTO

a. Definir el problema: En esta etapa se debe determinar los antecedentes, importancia,

VI.- PROPÓSITO DE UN DISEÑO EXPERIMENTAL

Ahora bien, un diseño experimental es un esquema de cómo realizar un experimento. El

VII.- VARIABLES QUE INTERVIENEN EN LA EXPERIMENTACIÓN

La variable independiente representa los tratamientos, factores o condiciones que el

La variable dependiente es la que refleja los resultados de un estudio de investigación,

El otro tipo de variable que se presenta en un diseño experimental es la variable

VIII.- ¿QUÉ ES UN FACTOR Y SUS NIVELES?

Repetición: Viene a ser la reproducción o réplica del experimento básico (asignación de

Según Navarro, Ramírez & Villagrán (2012), Consiste en repetir el experimento

El efecto del tratamiento (resultado) se mide en cada unidad de muestreo, que es la

X.- DIAGNÓSTICO DE LA UNIDAD DE PRODUCCIÓN

Cuadro 2. Ejemplo de un Marco Muestral

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 9 de 40

Cuadro 3. Ejemplo de una Hoja de Registro

En este orden de ideas, como se ha descrito se va a trabajar en una finca lechera. Se

Cuadro 4. Asignación aleatoria de las unidades experimentales

Se observa que el cuadro 4 posee dos de los principios de la experimentación (Sección

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 10 de 40

XI.- DISEÑO COMPLETAMENTE AL AZAR (DCA) Y EL ANÁLISIS DE VARIANZA

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 11 de 40

Supuestos que validan el análisis de varianza de una vía o un factor

i.- La variable dependiente Y debe ser independiente. ► Estadístico: Rachas. Según

vii.- El modelo es lineal y de efectos aditivos.

Caso 1: Si se desea aplicar este diseño en un experimento agrícola y se

Ejemplo 1: En el Cuadro 6 se presentan los datos sobre la producción diaria de leche

Cuadro 6. Producción diaria de leche

Actividad 1: formule el título del trabajo de investigación, el objetivo general y la

A continuación se presentan las fórmulas de los procedimientos matemáticos e

1.- Los promedios en el experimento

En el análisis de varianza se pueden identificar tres tipos de fuentes de variación

a.- Variación total

SCT= SCTr + SCE

SCT= Suma de cuadrados totales, SCTr= Suma de cuadrados de los tratamiento y

2.- Suma de cuadrados totales

Prof. Econ. Carlos M. Díaz N. Subproyecto Diseño Experimental Página 13 de 40

SCTr = ∑ r j ( x j − x j ) 2 r= es el número de filas

4.- Suma de cuadrados del error

6.- Cuadrado medio del tratamiento

7.- Cuadrado medio del error

8.- Para calcular la razón F (se le conoce como F calculada)

Cuadro 7. Tabla de Análisis de Varianza (ANOVA) generalizada

Qué hipótesis se evalúa en la Tabla Anova

La hipótesis nula (Ho)

Aclaratorias: µ es el promedio de la población. Observe las letras que acompañan a µ.