Tesis Espinaca Final

UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA ACADÉMICO PROFESIONAL DE ESTADÍSTICA
“MEDIDAS REPETIDAS PARA EVALUAR EL EFECTO DE LA

VARIEDAD DE PLANTA Y NIVEL DE NITRÓGENO EN ALTURA
DE NÚMERO DE HOJAS EN PLANTAS DE ESPINACA”.
TESIS
PARA OBTENER EL TÍTULO PROFESIONAL DE
INGENIERO ESTADÍSTICO
AUTOR: Br. Edinson A. Angulo Montalván
ASESOR: Lic. Manuel Antonio Sisniegas Gonzáles
TRUJILLO - PERÚ
2010
Br. Edinson A. Angulo Montalván Universidad Nacional de Trujillo
DEDICATORIA.
A Dios.
Por haberme dado salud para lograr mi
objetivos más preciados.
Por permitirme llegar a este momento tas
especial de mi vida.
Por los triunfos y lo momentos difíciles que
me ha enseñado a valorarte cada día más.
Por su infinita bondad y amor.
A mi mamá Aurea y a mi papa

Bartolomé.
A mi mamá Aurea por darme la vida y
amor sin condición en cada etapa de mi
vida.
A mi papá Bartolomé por los consejos y
valores inculcados que me han permitido
ser una buena persona.
Gracias por hacer posible mi realización
profesional.
A mi mamá Carmen y a mi mamá

Sabina,
A mi mamá Carmen por enseñarme a ser
una persona de bien y brindarme su apoyo
incondicional en todo momento.
A mi mamá Sabina por los ejemplos de
perseverancia y de valor para seguir
adelante ante todas las adversidades.
Gracias, las llevaré en el corazón por
siempre.
i
A mis Tíos.
Por ser ejemplos de profesionales y
brindarme su cariño y apoyo en los
momentos difíciles.
Por los consejos y llamadas de atención,
que me ayudaron a ser una buena
persona.
Por la confianza depositada en mí.
A toda mi familia.
Por estar a mí lado siempre.
Por brindarme momentos agradables, y
ayudarme a salir de los momentos
desagradables.
A una persona muy Especial.

Por su amor, comprensión y los buenos
momentos ofrecidos sin condición.
Por el apoyo incondicional de mi
realización personal y profesional.
Gracias por todo, espero contar siempre
contigo. Te amo.
A mis amigos.
Que nos apoyamos mutuamente en
nuestra formación profesional y que
seguiremos siendo amigos por siempre.
ii
AGRADECIMIENTO
Esta tesis es el resultado del esfuerzo conjunto de muchas personas, es por

ello que atribuirme el mayor merito de este aporte no es correcto, pues sin la
participación de todas estas personas no hubiese sido posible lograr la magnitud
de este aporte. Por consiguiente, es para mí un verdadero placer utilizar este
espacio para ser justo y consecuente con ellas, expresándole mis agradecimiento
infinitos.
Debo agradecer de manera especial a mis padres que gracias a su apoyo

moral y económico hicieron posible la realización de este trabajo.
Quiero expresar también, un agradecimiento afectuoso al Señor. Lic. Manuel

Antonio Sisniegas Gonzáles (Asesor) por aceptar que la realización de esta tesis
se encuentre bajo su dirección. Su apoyo y confianza en el presente, y su
capacidad para guiar mis ideas ha sido un aporte invaluable, no solamente en el
desarrollo de este aporte, sino también en mi formación como profesional. Las
ideas inmersas han sido la clave del buen trabajo que hemos realizado juntos,
pues no se hubiera podido concebir sin su oportuna participación. Le agradezco
también el haberme facilitado siempre los medios suficientes para llevar a cabo
todas las actividades propuestas en el desarrollo de esta tesis. Muchas gracias
Maestro.
Además, quiero brindar sinceros agradecimientos a mi jurado de tesis, Dra.

Lucy Yglesias Alva y Ms. Augusto Chafloque Chafloque, por su importante aporte y
participación activa en el desarrollo de esta tesis. Debo destacar por encima de
todo la disponibilidad y paciencia brindada sin condición. No cabe duda, que su
participación ha enriquecido el trabajo realizado.
Edinson A. Angulo Montalván
iii
PRESENTACIÓN
Señores Miembros del Jurado:
En Cumplimiento con las disposiciones del reglamento de

Grados y Títulos de la Facultad de Ciencias Físicas y Matemáticas,
Escuela Académico Profesional de Estadística de la Universidad
Nacional de Trujillo, para poder obtener el título de Ingeniero
Estadístico, se pone a vuestra disposición la siguiente tesis titulada:
“EFECTO DE LA VARIEDAD DE PLANTA Y NIVELES DE
NITRÓGENO SOBRE MEDICIONES REPETIDAS DE ALTURA DE
PLANTA Y NÚMERO DE HOJAS EN PLANTAS DE ESPINACA”.
Es así, que propongo la presente tesis para que sea analizada

a vuestro criterio y consideración, esperando que goce de su
aceptación.
Trujillo, Noviembre del 2010
El Autor
iv
RESUMEN
“MEDIDAS REPETIDAS PARA EVALUAR EL EFECTO DE LA VARIEDAD DE

PLANTA Y NIVEL DE NITRÓGENO EN ALTURA Y NÚMERO DE HOJAS EN
PLANTAS DE ESPINACA”
La presente investigación muestra información que permite conocer la

aplicación de análisis de medidas repetidas, utilizando datos de altura de planta y
número de hojas en plantas de espinaca recogidos a los 15, 30 y 45 días después
de la siembra, bajo la aplicación de 3 niveles de nitrógeno y un control en 2
variedades de espinaca. Para tal estudio, se realizo primero la comprobación de
los supuestos básicos para un análisis de varianza inter-sujetos, es decir, que las
observaciones sean independientes y normalmente distribuidas con varianzas
iguales. También se probó el supuesto de esfericidad de Mauchly, prueba
importante para la realización del análisis de mediciones repetidas, pues sin el
cumplimiento de este, las pruebas F en el análisis de medidas repetidas deben ser
ajustadas mediante un ajuste en los grados de libertad según los estadísticos
épsilon de Huynh-Feldt o Greenhouse y Geisser.
En esta investigación se obtuvo como resultados que el factor Variedad de

planta presentó un efecto estadísticamente significativo en la altura de planta y en
el número de hojas en plantas, a través del tiempo. Por el contrario los niveles de
nitrógeno, no son significativos en las variables ya mencionadas, sin embargo se
observa de manera gráfica que el nivel de nitrógeno que presenta mejores
resultados es del nivel 50 de nitrógeno.
Para una mejor idea del comportamiento de estas variedades, se presentan

gráficos de perfiles observando claramente que la variedad con un mejor
comportamiento en el tiempo es la del híbrido Megaton, pues según el análisis de
varianza aplicado es la que brinda mejores resultados en el tamaño de planta y
área foliar o número de hojas en plantas de espinaca.
Palabras clave: Medidas repetidas, esfericidad, análisis de varianza.
v
ABSTRACT
"REPEATED MEASURES TO ASSESS THE IMPACT OF PLANT VARIETY AND

LEVEL OF NITROGEN IN HEIGHT AND NUMBER OF LEAVES IN SPINACH"
This research shows information that lets you know the application of repeated
measures analysis, using data on plant height and number of leaves in spinach
plants collected at 15, 30 and 45 days after sowing, under the application of 3
levels nitrogen and 2 control varieties of spinach. For this study, first conducted the
audit of the basic assumptions for an analysis of variance between-subjects, ie, that
observations are independent and normally distributed with equal variances. Also
tested the assumption of sphericity Mauchly important test for the completion of the
analysis of repeated measures, because without the fulfillment of this, the F tests in
repeated measures analysis should be adjusted by adjusting the degrees of
Freedom statistical Huynh-Feldt epsilon or Greenhouse and Geisser.
This research was obtained as a result the variety of plant factor had a
statistically significant effect on plant height and number of leaves in plants over
time. By contrast, the nitrogen levels are not significant in the aforementioned
variables, however graphically shows that the level of nitrogen that performs best is
the 50 level of nitrogen.
For a better idea of the behavior of these varieties, graphic profiles are clearly
observing the variety with better performance over time is that of hybrid Megaton,
because according to the analysis of variance is the one that gives better results in
the size plant and leaf area or number of leaves in spinach.
Keywords: Repeated measures, sphericity, analysis of variance.
vi
ÍNDICE
DEDICATORIAS........................................................................................... i
PRESENTACION ......................................................................................... iii
AGRADECIMIENTO ..................................................................................... iv
RESUMEN.................................................................................................... v
INDICE ......................................................................................................... vii
CAPITULO I: INTRODUCCION
1.1 ANTECEDENTES DEL PROBLEMA ................................................. 2
1.2 JUSTIFICACION................................................................................ 6
1.3 ENUNCIADO DEL PROBLEMA ........................................................ 6
1.4 HIPOTESIS ....................................................................................... 6
1.5 OBJETIVOS ...................................................................................... 6
1.5.1. OBJETIVO GENERAL ............................................................ 6
1.5.2. OBJETIVOS ESPECIFICOS .................................................. 7
CAPITULO II: MARCO TEORICO
2.1. MARCO TEORICO ............................................................................ 8
CAPITULO III: MATERIAL Y METODOS
3.1. MATERIAL ...................................................................................... 25
3.1.1. FUENTE DE INFORMACION ............................................... 25
3.1.2. POBLACION MUESTRAL .................................................... 25
3.1.3. UNIDAD DE ANÁLISIS ......................................................... 26
3.1.4. VARIABLES EN ESTUDIO ................................................... 26
3.2. METODOS ...................................................................................... 26
CAPITULO IV: RESULTADOS Y DISCUSIÓN
4.1. RESULTADOS ............................................................................... 31
4.2. DISCUSIÓN ................................................................................... 40
CAPITULO V: CONCLUSIONES Y RECOMENDACIONES
5.1. CONCLUSIONES ............................................................................ 44
5.2. RECOMENDACIONES ................................................................... 45
REFERENCIAS BIBLIOGRAFICAS ............................................................. 46

ANEXOS
vii
CAPÍTULO I
Introducción
CAPÍTULO I
INTRODUCCIÓN
Las investigaciones realizadas en el área agropecuaria frecuentemente

conducen experimentos que involucran datos en cada una de varias unidades
experimentales bajo diferentes estímulos o tratamientos y cuyo efecto se mide a
través del tiempo. En otros casos la información se genera cuando cada uno de
varios tratamientos se aplica secuencialmente a la misma unidad experimental.
En las últimas décadas, un tema de debate sugerente ha sido el desarrollo de

una alternativa a los diseños Fisherianos de grupos propios de la investigación
experimental clásica. En estas circunstancias, los diseños de medidas repetidas
representan una alternativa viable a los diseños de corte transversal, y es que uno
de los métodos de investigación más frecuentemente utilizados es tomar
observaciones repetidas sobre los mismos sujetos, bien sea en diferentes puntos
del tiempo, o bien bajo diferentes condiciones de una variable determinada.
(Fernández et al, 1996)
Aunque este tipo de diseños no están exentos de dificultades producidas por

los efectos de secuencia (efectos de orden y efectos residuales), es meritorio de
ellos que acentúan la validez de conclusión estadística debido a una mayor
precisión en la estimación de la variable de tratamiento, mejorando de esta manera
la potencia de prueba; facilitan la generalización de los efectos del tratamiento
debido a la particular presentación de los niveles del mismo, mejorando así la
validez externa; reducen drásticamente el tamaño de la muestra y además, en
alguna situación particular, permiten elaborar la posible tendencia. De acuerdo con
esto, en los años recientes, los investigadores han enfocado su atención en
determinar cuál de las estrategias analíticas resulta más apropiada para este tipo
de diseños. (Fernández et al, 1996)
Una aplicación común de este tipo de análisis se utiliza en nuestros productos

hortícolas, con la intención de controlar el desarrollo de dichos cultivos, pues,
nuestro país provee a los mercados internacionales productos hortícolas ya sea
para el consumo en fresco o procesados. La espinaca es uno de los cultivos
1
hortícolas que en los últimos años ha incrementado su consumo a nivel mundial,

pudiendo ocupar un importante nicho de mercado. En el Perú las principales zonas
de producción son los Departamentos de Lima y Junín, efectuándose la siembra
en el periodo de otoño – invierno, pues la espinaca presenta un desarrollo
adecuado a bajas temperaturas (UGAS et al, 2000).
En esta investigación se observó la altura y el número de hojas en plantas de

espinaca en tres ocasiones, y el rendimiento en peso en una sola ocasión, por
consiguiente se utilizarán procedimientos estadísticos que nos permitan ajustar y
explicar la variabilidad de la información, teniendo en cuenta los supuestos básicos
para este análisis.
Así, se hará uso del análisis de medidas repetidas, que implica el registro de
las variables dependientes altura de plantas y número de hojas en tres ocasiones
de medida que pueden ser antes, durante o después de la intervención. (Blanca,
2004)
1.1. Antecedentes del Problema
a. Antecedentes Internacionales
En Colombia, Hoyos et al (2009), estudió el crecimiento de espinaca

(Spinacia oleracea L.) bajo el efecto de diferentes fuentes y dosis de
nitrógeno. Los tratamientos correspondieron a dos fuentes: urea y nitrato
de amonio, y tres dosis de fertilización: 50, 100 y 150%, de la
recomendación del análisis de suelo. Se utilizó ecuaciones de regresión
de los parámetros evaluados para determinar el crecimiento de plantas.
Se obtuvo que el nitrato de amonio a la dosis más alta generó la mayor
área foliar, la mayor masa fresca total y el mayor índice de área foliar a
los 45 días después del trasplante. La masa seca de hojas y total de la
planta presentaron los mayores valores con las dos fuentes en las dosis
más altas. La tasa relativa de crecimiento, en general, fue decreciendo
en el tiempo, donde nitrato de amonio al 50% tuvo los valores más altos.
2
En Chile, Vásquez (2006), realizó un estudio acerca de la evaluación

agronómica de once cultivares de Spinacia Oleracea L., en donde trató
de determinar el comportamiento agronómico de la especie con fines
industriales. Los cultivares fueron evaluados cualitativa y
cuantitativamente para determinar cual o cuales cultivares se comportan
mejor en la zona sur de Chile, y su aptitud para ser utilizados como
cultivo industrial. Se utilizó un Diseño en Parcelas Divididas de Bloques
Completos al Azar, con cuatro bloques y 22 tratamientos, obteniéndose
como resultados que los cultivares Condesa, Laska y Quinto presentan
los mayores rendimientos en hojas, así como también que la adición de
cal mostró un efecto positivo en el crecimiento y desarrollo de las
plantas, lo que se expresó en todas las variables consideradas, excepto
para la relación longitud lámina /pecíolo.
En España J. Blanca (1998) realizó un material de apoyo para la

asignatura Metodología Experimental en las CC. del Comportamiento en
la Universidad de Málaga titulado Diseño Unifactorial de Medidas
Repetidas. En donde se ha seleccionado una investigación hipotética
que sigue un diseño de medidas repetidas y cuyos datos se han
analizado siguiendo con el programa SPSS para Windows (versión
6.0.1). Se expone el procedimiento por el cual se ha realizado el análisis
estadístico, ilustrado con las ventanas extraídas del SPSS para
Windows, con el objetivo de que pueda ser replicado siguiendo los pasos
pertinentes.
En Colombia, Giraldo et al (1997), aplicó el análisis de varianza de

medidas repetidas en un experimento con metales pesados. En donde se
presenta una revisión, dentro de un contexto ecológico, de conceptos
relacionados con el análisis de varianza de medidas repetidas. Se midió
la concentración de cadmio ug/g, en hojas de mangle negro en varias
estaciones de monitoreo y a través de varios intervalos en la toma de
muestra. Se obtuvo que la concentración promedio de cadmio
encontrada en hojas de mangle no difiere significativamente entre las
estaciones y los tipos de hojas considerados.
3
En México, García (1997), realizó un Estudio Fenológico y de

Crecimiento en once especies leñosas del matorral espinoso
Tamaulipeco en Linares, Nuevo León, México; en donde hizo uso de de
análisis de varianza con mediciones repetidas en la carga foliar, en la
carga de flores, en la carga de frutos, en el variación de grosor y el
crecimiento en grosor de las once especies. Además, realizó
comparaciones de medias con la prueba de Tukey y análisis
autoregresivos para las variables ya mencionadas. Se obtuvo como
resultados que el desarrollo de todos los eventos fenológicos: foliación,
floración y fructificación, así como el crecimiento radial y la relación
diámetro y altura se manifestaron muy distintamente en relación a las
once especies de estudio durante las fechas de muestreo. En relación al
porcentaje de las etapas fenológicas entre las especies, Pithecellobium
ébano fue el que exhibió el valor mayor (90%) en carga foliar. En carga
de flores, Acacia farnesiana registró el valor mayor (81%). En carga de
frutos, la especie que exhibió el mayor valor (63%) fue Acacia farnesiana.
En España, Fernández et al (1996), realizó un estudio acerca de un

diseño de medidas repetidas con dependencia serial en el error, en
donde abordó un modelo mixto de Análisis de Varianza con la estructura
del error modelada mediante procesos Auto Regresivos. Además, abordó
el problema desde una perspectiva más general haciendo uso del
enfoque multivariado de medidas repetidas, simulando datos mediante
procedimientos de Monte Carlo para investigar el efecto que el
incumplimiento de las asunciones de independencia, esfericidad y
homogeneidad tiene sobre el grado de “sesgadez” de los parámetros
estimados, sobre la probabilidad empírica de cometer errores Tipo I y
sobre la potencia de prueba para cada uno de los procedimientos.
b. Antecedentes Nacionales
En Lima Saray (2006), hizo una evaluación de cinco cultivares de

espinaca (spinacia oleracea l.) bajo cultivo orgánico, en donde se buscó
evaluar cual es el mejor rendimiento y calidad de cinco cultivares de
4
espinaca, determinando también la mejor época de siembra para cada

cultivar y la productividad de espinaca en un sistema de producción
orgánico, utilizándose un diseño de bloques completamente al azar con
cinco tratamientos y tres repeticiones cada uno, en dos épocas de
siembra. Se obtuvo como resultados que los cultivares híbridos
alcanzaron un mayor rendimiento inclusive en condiciones no favorables,
y que la productividad de espinaca bajo un sistema de producción
orgánico fue mayor en el período (Julio-Octubre).
c. Antecedentes Locales
En Trujillo, Tejada (2010) observó la influencia de dosis crecientes

de nitrógeno y dos densidades de siembra en el crecimiento de
producción de espinaca. El presente se llevó a cabo en el distrito de
Laredo - Trujillo, en donde se evaluó el efecto de la aplicación de
diferentes dosis de nitrógeno y densidades de siembra en cultivos de
espinaca, observando los resultados en 4 ocasiones diferentes. Se utilizó
para ello análisis de varianza bifactoriales para cada ocasión en el
tiempo, obteniendo como resultados que el factor densidad y el factor
dosis de fertilización no presentaron diferencias significativas en el
rendimiento de la espinaca.
1.2. Justificación del problema
Debido a la simplicidad con que se analiza este tipo de estructura de

datos, puede conllevar a resultados poco exactos, pues, estos datos tomados
en diferentes ocasiones en el tiempo, pueden estar correlacionadas, es decir,
la dependencia serial entre las observaciones tomadas desde una misma
unidad de análisis en distintos momentos o intervalos temporales puede
llegar a ser de considerable importancia.
Según lo comentado anteriormente, surge la necesidad de analizar la

información obtenida bajo un enfoque adecuado, en nuestro caso un análisis
de medidas repetidas.
5
1.3. Enunciado del problema
¿El diseño de medidas repetidas es una técnica adecuada para evaluar

la altura planta y número de hojas en plantas de espinaca?
1.4. Hipótesis
El diseño de medidas repetidas si es una técnica adecuada para evaluar

la altura de planta y número de hojas en plantas de espinaca.
1.5. Objetivos
a. Objetivo General
- Determinar si el diseño de medidas repetidas es una técnica

adecuada para evaluar la altura de planta y número de hojas en
plantas de espinaca.
b. Objetivos Específicos
- Determinar si el efecto de la variedad de planta y los niveles de

nitrógeno influyen en la altura de planta y en el número de hojas en
- Determinar si el efecto de la variedad de espinaca influye en la altura
de planta y el número de hojas de plantas de espinaca.
- Determinar si el efecto de los niveles de nitrógeno influyen en la
altura de planta y el número de hojas de plantas de espinaca.
- Probar los supuestos básicos para el análisis de medidas repetidas.
- Aplicar un análisis de medidas repetidas para el efecto de la variedad
de espinaca bajo diferentes niveles de nitrógeno en mediciones
repetidas de altura de planta y número de hojas en plantas de
espinaca.
6
CAPÍTULO II
Marco Teórico
CAPÍTULO II
MARCO TEÓRICO
2.1. MARCO TEÓRICO
DEFINICIONES ESTADÍSTICAS
2.1.1. Diseños con mediciones repetidas
Se refieren a mediciones repetidas de la variable respuesta en

cada unidad experimental, haciendo hincapié en experimentos con
observaciones realizadas en ocasiones sucesivas en el tiempo.
(Kuehl, 2001)
La tendencia en el tiempo de las respuestas individuales al

tratamiento es un aspecto importante para muchos experimentos,
como aquellos en los que se pesan animales cada semana para
supervisar su crecimiento bajo diferentes condiciones de nutrición o
se cosechan parcelas de cultivos perennes como alfalfa varias
veces. (Kuehl, 2001)
Las mediciones repetidas en cada unidad experimental

proporcionan información sobre la tendencia en el tiempo de la
variable de respuesta bajo diferentes condiciones de tratamiento. Las
tendencias en el tiempo pueden revelar qué tan rápido responden las
unidades al tratamiento o durante cuánto tiempo se manifiestan los
efectos del tratamiento en las unidades del estudio. También es
posible evaluar las diferencias entre las tendencias de los
tratamientos. (Kuehl, 2001)
Las observaciones repetidas de la misma unidad experimental a

través del tiempo, con frecuencia son más eficientes que el uso de
una unidad experimental diferente para cada observación en el
tiempo. No sólo se requieren menos unidades, lo que reduce costos,
7
también la estimación de las tendencias en el tiempo serán más

precisas. El aumento en la precisión se debe a que las mediciones
en la misma unidad tienden a ser menos variables que las
mediciones en unidades distintas; por tanto el efecto de las
mediciones repetidas es similar al efecto del uso de bloques. (Kuehl,
2001)
2.1.2. Diseños entre y dentro de unidades experimentales
Los diseños de mediciones repetidas se pueden describir en

términos del diseño entre sujetos y el diseño dentro sujetos. Los
diseños entre sujetos se refieren a los diseños en que una unidad
experimental se asigna a un tratamiento. Los diseños dentro sujetos
se refieren a las diferentes mediciones en cada unidad experimental.
(Kuehl, 2001)
2.1.3. Análisis de Medidas Repetidas
Los experimentos de medidas repetidas tienen estructura

factorial, siendo los tratamientos y el tiempo los factores. Puede
suceder que los tratamientos a su vez, estén conformados por las
combinaciones de dos o más factores. (Correa, 2004)
El objetivo del análisis de medidas repetidas es examinar y

comparar las tendencias en el tiempo de las respuestas a los
tratamientos, lo cual puede involucrar comparaciones de
tratamientos en tiempos específicos (efectos simples de los
tratamientos) o comparaciones de tratamientos promediando todos
los tiempos (efectos principales de los tratamientos). También puede
resultar importante la comparación de tiempos para algún
tratamiento específico (efectos simples del tiempo) o la comparación
de tiempos promediando todos los tratamientos (efectos principales
del tiempo). El tipo de análisis depende, en última instancia, del
resultado del análisis de varianza, tal y como sucede en todos los
8
experimentos cuyos tratamientos incluyen una estructura factorial.

(Correa, 2004)
Las lecturas secuenciales sobre una misma unidad experimental

están correlacionadas, pues contienen un aporte común de tal
unidad. Además, las medidas sobre una misma unidad que están
cercanas en el tiempo tienden a estar más altamente
correlacionadas que aquellas más distantes en el tiempo; asimismo,
las varianzas tienden a verse afectadas por el tiempo. Tales
potenciales patrones de correlación y variación pueden combinarse
para producir complejas estructuras que hacen que la matriz de
covarianzas correspondiente a las lecturas repetidas sobre un mismo
individuo no se ajuste a los supuestos de los análisis de regresión y
de varianza usuales, por lo que estos pueden no ser válidos. (Correa,
2004)
Aunque este problema ha estado presente desde que Sir Ronald

Fisher desarrollo y empezó a aplicar el análisis de varianza en la
década de 1930, el manejo del mismo ha guardado correspondencia
con las herramientas disponibles en cada momento.
Cronológicamente, se han usado principalmente tres enfoques para
analizar este tipo de experimentos. (Correa, 2004)
a. Análisis separados en cada momento de tiempo
Consiste en la comparación de los tratamientos de manera

independiente en cada uno de los tiempos evaluados. Este
análisis no satisface el objetivo de examinar y comparar
tendencias en el tiempo, por lo que no constituye un verdadero
método de análisis de medidas repetidas y, si bien puede
resultar útil en la etapa exploratoria, no es adecuado como
método final de análisis para reportar los resultados. (Correa,
2004)
9
b. Análisis de varianza univariado
Entre los verdaderos métodos de análisis de medidas

repetidas, es decir, aquellos que realizan comparaciones entre
tiempos, este ha sido el más usado. Este análisis es equivalente
al de parcelas divididas, por lo que se le conoce como parcelas
divididas en el tiempo. El análisis de varianza solo sería válido si
se cumple la condición de simetría compuesta, esto es, que los
errores estén igualmente correlacionados y que tengan la misma
varianza (Milliken and Johnson, 1992), pero aun así, son
incorrectos los errores estándar estimados mediante el
procedimiento GLM para evaluar efectos simples de tratamientos
y para efectos cruzados. (Correa, 2004)
c. Ajuste de la estructura de covarianzas, mediante modelos

mixtos
Los modelos mixtos son los que incluyen tanto efectos fijos
como efectos aleatorios. Mediante su uso es posible ajustar la
estructura de covarianzas y estimar los errores estándar más
adecuados para las diferentes comparaciones, acorde con las
características de cada conjunto de datos.
Vale la pena enfatizar que los dos primeros métodos
presentados (análisis separados para cada uno de los tiempos y
análisis de varianza univariado) podrían utilizarse como parte del
análisis exploratorio, pero tienen falencias que los hacen
inadecuados como métodos finales de análisis. Por tanto,
siempre que se tengan medidas repetidas se recomienda ajustar
la estructura de covarianzas mediante el uso de modelos mixtos.
(Correa, 2004)
10
2.1.4. Relaciones entre las mediciones repetidas
Las relaciones entre las observaciones gobiernan los métodos

estadísticos necesarios para el diseño de investigación específico
usado en un estudio.
El orden de las mediciones no se puede aleatorizar con respecto
al tiempo; así, es posible que los pares de mediciones repetidas en
la misma unidad experimental tengan una correlación. En general, se
supone que los pares de observaciones adyacentes en el tiempo
tienen mayor correlación que los pares de observaciones más
separadas. (Kuehl, 2001)
La correlación entre dos variables, digamos 𝑦1 y 𝑦2 se define

como:
𝜍12
𝜌12 =
𝜍1 𝜍2
donde 𝜍1 y 𝜍2 son las desviaciones estándar de 𝑦1 y 𝑦2 , y 𝜍12 es

la covarianza entre 𝑦1 y 𝑦2 . Si el valor esperado o media de la
variable 𝑦 es 𝐸 𝑦 = 𝜇, entonces su varianza es 𝜍 2 = 𝐸(𝑦 − 𝜇)2 . La
covarianza de dos variables, 𝑦1 y 𝑦2 , es 𝜍12 = 𝐸(𝑦1 − 𝜇1 )(𝑦2 − 𝜇2 ).
(Kuehl, 2001)
Suposiciones del análisis de varianza
Varianzas iguales para los grupos de tratamiento y

observaciones independientes con distribución normal son las
suposiciones usuales necesarias para un análisis de varianza válido
de los datos. Con estas suposiciones, 𝜍 2 tiene el mismo valor para
todos los grupos de tratamiento y tiempos de medición, y 𝜌 = 0 o
bien 𝜍𝑖𝑗 = 𝜍𝑗𝑖 = 0. (Kuehl, 2001)
Un experimento particular con asignación aleatoria de los

tratamientos a las unidades experimentales es sólo una muestra
aleatoria de todos los experimentos posibles que pudieran usarse.
Hacer una asignación aleatoria no elimina la correlación entre las
11
observaciones; sin embargo, la correlación esperada entre las

unidades experimentales es constante con todas las aleatorizaciones
posibles. Si varianzas y correlaciones son constantes, las
covarianzas tendrán el valor constante 𝜍𝑖𝑗 = 𝜌𝜍 2 , esta condición se
conoce como simetría compuesta. (Kuehl, 2001)
La suposición de simetría compuesta se usa para los errores de
las observaciones en el experimento de parcelas divididas porque se
hizo una asignación aleatoria de los tratamientos a las sub-parcelas.
El sujeto y el factor de tratamiento entre los sujetos del diseño de
mediciones repetidas equivalen, respectivamente, a la parcela
completa y al factor de tratamiento para la parcela de un diseño de
parcelas divididas, y las mediciones repetidas en un sujeto son
análogas a la sub-parcela. La diferencia entre las observaciones de
la sub-parcela y las mediciones repetidas es que en el diseño de
parcelas divididas se hace una asignación aleatoria de los
tratamientos a las sub-parcelas, mientras que no hay aleatorización
en las mediciones repetidas. Si todas las mediciones repetidas de un
sujeto tienen igual correlación, existe simetría compuesta y el diseño
de mediciones repetidas se puede analizar como un diseño de
parcelas divididas, empleando el tiempo de medición como factor de
tratamiento de la sub-parcela. (Kuehl, 2001)
Huynh y Feldt (1979) mostraron que las condiciones necesarias

para el análisis de varianza usual en los diseños de mediciones
repetidas eran menos estrictas que la condición de simetría
completa. Demostraron que la condición necesaria es tener la misma
varianza de la diferencia para todos los pares posibles de
observaciones tomadas en diferentes periodos, digamos, 𝑦𝑖 y 𝑦𝑗 , es
decir:
𝜍𝑦2𝑖 − 𝑦 𝑗 = 2𝜆, para 𝑖 ≠ 𝑗.
para alguna λ > 0. Esta condición también se puede establecer

como:
1
𝜍𝑖𝑗 = 2 𝜍𝑖2 + 𝜍𝑗2 − 𝜆 para 𝑖 ≠ 𝑗.
12
La matriz de varianzas y covarianzas que satisface esta

condición se conoce como matriz tipo H. Los cuadrados medios del
análisis de varianza se pueden usar para probar las hipótesis sobre
los tratamientos dentro sujetos si se cumple la condición de Huynh-
Feldt. (Kuehl, 2001)
Transferencia de efectos
Los efectos de ciertos tipos de tratamiento se transfieren al

siguiente periodo de tratamiento cuando se administran en secuencia
a los sujetos. Estas transferencias pueden sesgar severamente las
estimaciones de las medias de tratamiento debido a que los
tratamientos suministrados en periodos anteriores influyen en el
efecto del tratamiento aplicado en periodos sucesivos.
Los efectos de transferencia son particularmente complicados en
sujetos humanos y animales con un suministro sucesivo de
tratamientos dietéticos o médicos que afectan su fisiología. Antes de
suministrar un segundo tratamiento suele usarse un periodo de
descanso, o "de lavado", entre dos tratamientos sucesivos para
eliminar los efectos del tratamiento más reciente. (Kuehl, 2001)
Prueba para el supuesto de Huynh-Feldt
Se puede usar el análisis de varianza univariado con cualquiera

de los tres supuestos sobre las mediciones, éstos eran
independencia, simetría compuesta o condición Huynh-Feldt. La
condición de Huynh-Feldt con la matriz tipo H para varianzas y
covarianzas de las mediciones repetidas es la menos restrictiva de
las tres suposiciones. Se pueden usar sencillos métodos univariados
para el análisis si se puede suponer que la condición Huynh-Feldt se
cumple para las mediciones repetidas. La suposición de una matriz
tipo H se puede evaluar con la prueba atribuida a Mauchly (1940),
que se demuestra en el Anexo N°1. (Kuehl, 2001)
13
La prueba W de Mauchly (Mauchly, 1940), usada para la prueba

de hipótesis de la forma tipo H para la ∑, se calcula en muchos
paquetes de computadora que tienen programas para el análisis de
diseño de mediciones repetidas.
El estadístico de prueba Mauchly, tiene una distribución
𝑝(𝑝−1)
aproximada a la variable chi-cuadrada con 𝑣 = 2
− 1 grados de
libertad, donde 𝑝 es el número de mediciones repetidas. Si el

resultado de la prueba Mauchly es aceptable, entonces las pruebas
F en el análisis de varianza univariado son válidas. (Kuehl, 2001)
En el Anexo N°1 se encuentra una breve descripción de los
detalles del estadístico de prueba.
La prueba Mauchly para la matriz ∑ de varianza-covarianza

tiende a tener un potencial bajo a menos que los tamaños de
muestras sean muy grandes y su capacidad para detectar
alejamientos de la hipótesis nula no es muy buena a menos que los
experimentos tengan un número grande de réplicas, Boik (1981)
indica un potencial menor que 0.20 para algunos casos específicos
de la prueba de Mauchly con tres grupos de tratamiento y hasta 12
sujetos por grupo. En consecuencia, no se recomienda confiar por
completo en la prueba. Dada la incertidumbre asociada, con la
capacidad de la prueba de Mauchly para detectar alejamientos de las
suposiciones del análisis de varianza, la decisión para usar el
análisis de varianza univarido tendrá que basarse en la experiencia
con las características específicas del material de investigación.
(Kuehl, 2001)
2.1.5. Análisis de varianza para Medidas Repetidas – Una muestra
Asumiendo que una variable respuesta continua distribuida

normalmente es medida en cada punto de tiempo t para cada n
unidad experimental (Sujetos o individuos), como se muestra a
continuación:
14
Cuadro N° 1: Distribución de los datos para un diseño de medidas

repetidas para una sola muestra.
Sujeto Punto en el tiempo

1 … j … t
1 y 11 … y 1j … y 1t
…
…
…
i y i1 … y ij … y it
…
…
…
n y n1 … y nj … y nt
El modelo para el análisis de varianza esta dado por:
𝑦𝑖𝑗 = 𝜇 + 𝜋𝑖 + 𝜏𝑗 + 𝑒𝑖𝑗
Para i = 1, … , n y j = 1, … , t. yij es la respuesta del sujeto i en el

tiempo j, μ es la media global, πi es el efecto aleatorio para el sujeto i
cuando las ocasiones son constantes, τj es el efecto fijo del tiempo j,
eij es el componente de error aleatorio específico para el sujeto i en
el tiempo j. El efecto aleatorio πi es independiente N 0, σ2π , el error
aleatorio eij es independiente N 0, σ2e , y los efectos aleatorios πi y
los términos de error aleatorio eij son independientes. Para efecto fijo
t
τj se asume que satisface la suma cero de contrastes j=1 τj = 0.
(Davis, 2002)
A pesar que todas las variables aleatorias en el modelo son

independientes, las observaciones repetidas de un objeto están
correlacionadas. La tabla de ANOVA para este modelo es como se
muestra a continuación:
15
Cuadro N°2: Análisis de Varianza para mediciones repetidas para una

muestra
Cuadrados
Fuente de Suma de Grados de
Cuadrados Medios medios
Variación cuadrados Libertad
esperados
𝑆𝑆𝑇
Tiempo SST t-1 𝑀𝑆𝑇 = 𝜍𝑒2 + 𝑛𝜍𝜏2
𝑡−1
𝑆𝑆𝑆
Sujetos SSS n-1 𝑀𝑆𝑆 = 𝜍𝑒2 + 𝑛𝜍𝜋2
𝑛−1
𝑆𝑆𝑅
Residuo SSR (t-1)(n-1) 𝑀𝑆𝑅 = 𝜍𝑒2
𝑡 − 1 (𝑛 − 1)
Donde la media general está dada por:
𝑛 𝑡
𝑖=1 𝑗 =1 𝑦𝑖𝑗
𝑦. . =
𝑛𝑡
La media para cada sujeto en el tiempo, por:
𝑡
𝑗 =1 𝑦𝑖𝑗
𝑦𝑖. =
𝑡
Y las medias en cada punto en el tiempo para los sujetos, por:
𝑛
𝑖=1 𝑦𝑖𝑗
𝑦.𝑗 =
𝑛
La suma de cuadrados está definida como sigue a continuación:
n t t
2 2
SST = y.j − y.. =n y.j − y..
i=1 j=1 j=1
n t n
2
SSS = (yi. − y.. ) = t (yi. − y.. )2
i=1 j=1 i=1
n t
SSR = (yij − yi. − y.j + y.. )2

i=1 j=1
Además, el símbolo 𝜍𝜏2 de la columna de los cuadrados medios

esperados representa una función de los efectos fijos 𝜏𝑗 . La hipótesis
nula de que no hay diferencias entre los períodos de tiempo pueden
16
𝑀𝑆
ser probados utilizando el estadístico 𝐹 = 𝑀𝑆 𝑇 . Siempre que los
𝑅
supuestos del modelo se cumplan, la estadística de prueba tiene

distribución 𝐹𝑡−1,(𝑡−1)(𝑛−1) y prueba si la hipótesis nula es cierta. Los
contrastes lineales de las medias de cada periodo de tiempo también
pueden ser probados.
Si tiene simetría compuesta, este estadístico F proporciona una
prueba más poderosa que el enfoque mediante el estadístico T2 de
Hotelling. Sin embargo, debido a que la prueba F es anti
conservadora en ausencia de simetría compuesta, las decisiones de
rechazo no son confiables. (Davis, 2002)
Scheffé (1959) ofrece un modelo alternativo para el ajuste de

mediciones repetidas de un solo factor. Aunque 𝑦𝑖𝑗 , 𝜇, y 𝜏𝑗 definida
en la ecuación anterior, el componente de error aleatorio 𝑒𝑖𝑗 ahora
incluye la interacción Sujeto x Tiempo, como una buena medición del
error. Scheffé supone que los componentes 𝜋𝑖 y 𝑒𝑖𝑗 siguen una
distribución normal multivariante. Siempre que se cumplan ciertos
supuestos, el análisis es el mismo para ambos modelos. Esto puede
explicar por qué muchos libros de texto no hacen una distinción entre
los dos modelos. (Davis, 2002)
La siguiente tabla muestra la suma de los cuadrados, los grados

de libertad, y los cuadrados medios esperados para cada fuente de
variación en el modelo de Scheffé.
Cuadro N°3: Análisis de Varianza para mediciones repetidas para una

sola muestra incluyendo la interacción
Fuente de Suma de Grados de Cuadrados medios

Variación cuadrados Libertad esperados
2
Tiempo SST t-1 𝜍𝑒2 + 𝜍𝑇𝑥𝑆 + 𝑛𝜍𝜏2
Sujetos SSS n-1 𝜍𝑒2 + 𝑛𝜍𝜋2
Tiempo x 2
SSTS (t-1)(n-1) 𝜍𝑒2 + 𝜍𝑇𝑥𝑆
Sujetos
17
Las sumas de cuadrados 𝑆𝑆𝑇 y 𝑆𝑆𝑆 se calculan como en las

ecuaciones mostradas anteriormente. La suma de cuadrados de
Tratamiento x Sujetos 𝑆𝑆𝑇𝑆 es la misma que la suma de cuadrados
𝑀𝑆
residuales 𝑆𝑆𝑅 dada en la ecuación anterior. El estadístico 𝐹 = 𝑀𝑆 𝑇 ,
𝑇𝑆
donde:
𝑆𝑆𝑇𝑆
𝑀𝑆𝑇𝑆 =
𝑡 − 1 (𝑛 − 1)
Prueba la hipótesis nula de que las medias en cada punto en el

tiempo 𝑡 son iguales. (Davis, 2002)
2.1.6. Análisis de varianza para Medidas Repetidas – Múltiples

muestras
Supóngase que las medidas repetidas en los puntos de tiempo 𝑡

son obtenidas de 𝑠 grupos de sujetos. Sea 𝑛ℎ el número de sujetos
𝑠
en un grupo ℎ, y sea 𝑛 = ℎ=1 𝑛ℎ . Sea 𝑦ℎ𝑖𝑗 , denota la respuesta en el
periodo 𝑗 del 𝑖 − é𝑠𝑖𝑚𝑜 sujeto en el grupo ℎ para ℎ = 1, … , 𝑠, 𝑖 =
1, … , 𝑛ℎ y 𝑗 = 1, … , 𝑡. En la siguiente tabla muestra la disposición
general de datos para esta configuración:
18
Cuadro N° 4: Distribución de los datos para un diseño de medidas

repetidas con múltiples muestras.
Existen por lo menos tres modelos para esta situación, todos

tienen como resultado el mismo ANOVA. Uno de estos modelos esta
dado por:
𝑦ℎ𝑖𝑗 = 𝜇 + 𝛾ℎ + 𝜏𝑗 + (𝛾𝜏)ℎ𝑗 + 𝜋𝑖(ℎ) + 𝑒ℎ𝑖𝑗
Donde, 𝜇 es la media general, 𝛾ℎ es el efecto fijo del grupo ℎ,

𝑠
con ℎ=1 𝛾ℎ = 0. Además, 𝜏𝑗 es el efecto fijo del periodo 𝑗, con
𝑡
𝑗 =1 𝜏𝑗 = 0 y (𝛾𝜏)ℎ𝑗 es el efecto fijo de la interacción del ℎ − é𝑠𝑖𝑚𝑜
grupo con el 𝑗 − é𝑠𝑖𝑚𝑜 periodo. Las restricciones sobre los
parámetros de interacción son:
19
s t
γτ hj = γτ hj =0
h=1 j=1
Los parámetros 𝜋𝑖(ℎ) son los efectos aleatorios para el 𝑖 − é𝑠𝑖𝑚𝑜

sujeto en el ℎ − é𝑠𝑖𝑚𝑜 grupo. El 𝜋𝑖(ℎ) es asumido como una
distribución normal e independiente con media cero y varianza 𝜍𝜋2 .
Por último, los parámetros 𝑒ℎ𝑖𝑗 son términos de error aleatorio
independientes, con 𝑒ℎ𝑖𝑗 ~𝑁(0, 𝜍𝑒2 ). (Davis, 2002)
En la siguiente tabla se muestra las sumas de cuadrados, grados

de libertad, y cuadrados medios esperados para cada fuente de
variación. En la columna de cuadrados medios esperados, las
cantidades llamadas 𝐷𝐺 , 𝐷𝑇 y 𝐷𝐺𝑇 representan las diferencias entre los
grupos, diferencias entre los periodos de tiempo, y la interacción de
grupos por tiempo, respectivamente.
Cuadro N°5: Análisis de Varianza para mediciones repetidas para

múltiples muestras.
Fuente de Suma de Grados de Cuadrados medios
Variación cuadrados Libertad esperados
Grupos SSG s-1 𝜍𝑒2 + 𝑡𝜍𝜋2 + 𝐷𝐺
Sujetos(Grupos) SSS(G) n-s 𝜍𝑒2 + 𝑡𝜍𝜋2
Tiempo SST t-1 𝜍𝑒2 + 𝐷𝑇
Grupo x Tiempo SSGT (s-1)(t-1) 𝜍𝑒2 + 𝐷𝐺𝑇
Residuo SSR (n-s)(t-1) 𝜍𝑒2
La suma de cuadrados de la tabla anterior está basada en la

siguiente descomposición de desviaciones yhij − y… para cada
observación sobre la media general:
𝑦ℎ𝑖𝑗 − y… = yℎ.. − y… + yℎ𝑖. − yℎ.. + y..𝑗 − y…

+ yℎ.𝑗 − yℎ .. − y..𝑗 + y… + yℎ𝑖𝑗 − yℎ.𝑗 − yℎ𝑖. + yℎ..
20
Donde:
𝑠 𝑛ℎ 𝑡
ℎ=1 𝑖=1 𝑗 =1 𝑦ℎ𝑖𝑗
𝑦… =
𝑛𝑡
Es la media general,
𝑛ℎ 𝑡
𝑖=1 𝑗 =1 𝑦ℎ𝑖𝑗
𝑦… =
𝑛ℎ 𝑡
Es la media para el grupo ℎ,
𝑠 𝑛ℎ
ℎ=1 𝑖=1 𝑦ℎ𝑖𝑗
𝑦..𝑗 =
𝑛
Es la meda para periodo 𝑗,
𝑛ℎ
𝑖=1 𝑦ℎ𝑖𝑗
𝑦ℎ.𝑗 =
𝑛ℎ
Es la media para el grupo ℎ en el periodo 𝑗, y
𝑡
𝑗 =1 𝑦ℎ𝑖𝑗
𝑦ℎ𝑖. =
𝑡
Es la media para el 𝑖 − é𝑠𝑖𝑚𝑜 sujeto en el grupo ℎ.
La suma de cuadrados está definida como sigue:
𝑠 𝑛ℎ 𝑡 𝑠
𝑆𝑆𝐺 = (𝑦ℎ.. − 𝑦… )2 = 𝑡 𝑛ℎ (𝑦ℎ.. − 𝑦.. )2

ℎ =1 𝑖=1 𝑗 =1 ℎ =1
𝑠 𝑛ℎ 𝑡 𝑠 𝑛ℎ
2 2
𝑆𝑆𝑆 𝐺 = 𝑦ℎ𝑖. − 𝑦ℎ.. =𝑡 𝑦ℎ𝑖. − 𝑦ℎ..
ℎ=1 𝑖=1 𝑗 =1 ℎ=1 𝑖=1
𝑠 𝑛ℎ 𝑡 𝑡
2 2
𝑆𝑆𝑇 = (𝑦..𝑗 − 𝑦… ) = 𝑛 𝑦..𝑗 − 𝑦...
ℎ=1 𝑖=1 𝑗 =1 𝑗 =1
𝑠 𝑛ℎ 𝑡
𝑆𝑆𝐺𝑇 = (𝑦ℎ.𝑗 − 𝑦ℎ.. − 𝑦..𝑗 + 𝑦… )2

ℎ=1 𝑖=1 𝑗 =1
𝑠 𝑛ℎ 𝑡
𝑆𝑆𝑅 = (𝑦ℎ𝑖𝑗 − 𝑦ℎ.𝑗 − 𝑦ℎ𝑖. + 𝑦ℎ )2

ℎ=1 𝑖=1 𝑗 =1
21
Tenga en cuenta que 𝑆𝑆𝐺 , 𝑆𝑆𝑇 , y 𝑆𝑆𝐺𝑇 son iguales a las sumas
de cuadrados de un modelo de ANOVA de dos factores (suponiendo
que todas las observaciones 𝑛𝑡 son independientes) con efectos
para el grupo, el tiempo y la interacción de grupo × tiempo. La suma
de cuadrados residuales 𝑆𝑆𝑅 se debe al efecto del sujeto anidado
dentro de la clasificación cruzada de tiempo × grupo. (Davis, 2002)
El estadístico F para probar las diferencias entre los grupos está

dada por:
𝑀𝑆𝐺 𝑆𝑆𝐺 /(𝑠 − 1)
𝐹= =
𝑀𝑆𝑆(𝐺) 𝑆𝑆𝑆 𝐺 /(𝑛 − 𝑠)
Con 𝑠 − 1 y 𝑛 − 𝑠 grados de libertad. Esta prueba requiere el

supuesto de igual matriz de covarianzas dentro de los grupos. En
general, este supuesto es necesario para todas las pruebas de los
efectos inter-sujetos.
El estadístico F para comprobar las diferencias entre los periodos
viene dada por:
𝑀𝑆𝑇 𝑆𝑆𝑇 /(𝑡 − 1)

𝐹= =
𝑀𝑆𝑅 𝑆𝑆𝑅 / 𝑛 − 𝑠 (𝑡 − 1)
Con 𝑡 − 1 y 𝑛 − 𝑠 (𝑡 − 1) grados de libertad. Del mismo modo,

el estadístico F para probar la significancia de la interacción de grupo
× tiempo viene dada por:
𝑀𝑆𝐺𝑇 𝑆𝑆𝐺𝑇 / (𝑠 − 1)(𝑡 − 1)

𝐹= =
𝑀𝑆𝑅 𝑆𝑆𝑅 / 𝑛 − 𝑠 (𝑡 − 1)
Con (𝑠 − 1)(𝑡 − 1) y 𝑛 − 𝑠 (𝑡 − 1) grados de libertad. Ambas

pruebas requieren la suposición de que las matrices de covarianza
dentro de los grupos sean iguales y que la condición de esfericidad
se cumpla. En general, estos supuestos son necesarios para todas
las pruebas de los efectos dentro de sujetos.
22
Una alternativa de modelo ANOVA de medidas repetidas para

esta configuración incluye un efecto adicional al azar para la
interacción de tiempo × sujeto. Este efecto es usualmente asumido
como no correlacionado con el efecto aleatorio de los sujetos. A
pesar de que los cuadrados medios esperados para este modelo son
diferentes de los que se muestran en la anterior, las sumas de
cuadrados y estadísticos de prueba son idénticos. (Davis, 2002)
23
CAPÍTULO III
MATERIAL Y MÉTODOS
CAPÍTULO III
MATERIAL Y MÉTODOS
3.1. MATERIAL
3.1.1 Fuente de información
La información a ser procesada y analizada fue obtenida de la

consultoría realizada a un bachiller de la Universidad Privada
Antenor Orrego para optar el grado de Ingeniero Agrónomo, con el
informe de tesis titulado “Influencia de tres niveles de nitrógeno en el
crecimiento y producción de dos híbridos de espinaca (Spinacea
oleracea L. Var. Dash y Megathon)”. Este informe ya fue presentado
en la escuela de agronomía de la UPAO.
3.1.2 Población muestral
La muestra está comprendida por 32 parcelas debido a las

posibilidades brindadas por la institución en donde se realizó, las
cuales se encuentran distribuidas como se muestra a continuación:
2
Área total: 323 m
24
3.1.3 Unidad de análisis
La unidad de análisis está dada por los datos obtenidos de cada

parcela utilizada en el experimento, los cuales son los promedios
obtenidos de una muestra aleatoria de 6 plantas dentro de cada
parcela.
3.1.4 Variables en estudio
Variables Independientes
Las variables independientes están dadas por el efecto de la

Variedad de Espinaca que se utiliza en el experimento y por los
efectos de los Niveles de Nitrógeno aplicados en los cultivos.
Variables Dependientes
En cuanto a las variables dependientes, se tiene a la Altura de

Planta promedio y el número de Hojas promedio en Plantas de
Espinaca.
3.2. METODOS
3.2.1. Gráficos de Perfiles
Los gráficos representan un elemento básico en la presentación,

análisis e interpretación de datos estadísticos. La importancia
fundamental reside en que en esta forma de representación de la
información nos da una apreciación anticipada de la información en
estudio, que en algunas ocasiones puede difícilmente representada
por cuadros.
25
Para poder cumplir con este propósito los gráficos realizados son
realizados para cada factor individual y para la interacción en el
tiempo, de manera que estos sean auto-explicativos y sencillos.
3.2.2. Análisis Estadístico
Paso 1. Transformación de los datos de Número de Hojas.
La razón principal de la transformación de datos es que de

llevarse a cabo un análisis estadístico con resultados que no
cumplan con los supuestos acerca del modelo estadístico, se puede
llegar a una conclusión equivocada.
Un cambio de escala puede variar la media y la variancia de la

variable así como su relación con respecto a otras variables.
Mediante una transformación adecuada puede conseguirse que

un variable que no se distribuye normalmente pase a tener una
distribución casi normal. Las poblaciones con variancias desiguales
pueden convertirse en homocedásticas (variancias homogéneas)
mediante una transformación apropiada.
Según Ching Chun Li, la Transformación de la raíz cuadrada, es

utilizada para datos que están dados por números enteros
procedentes del conteo de objetos, como en nuestro caso, el número
de hojas en plantas de espinaca, los números observados tienden a
presentar una distribución de Poisson más que una distribución
Normal. Las consideraciones teóricas conducen a la transformación
de la raíz cuadrada de los números observados. Normalmente esta
transformación determina que las varianzas de los grupos sean más
iguales.
Cuando los números observados son pequeños (de 2 a 10), se

prefiere la transformación (𝑦 + 0.5)1/2 , en especial cuando algunos
de los números observados son cero.
26
Paso 2. Pruebas para los supuestos básicos del análisis de

varianza
Para la Normalidad, se utilizó la prueba de Kolmogórov-Smirnov

(también prueba K-S) que es una prueba no paramétrica que se
utiliza para determinar la bondad de ajuste de dos distribuciones de
probabilidad entre sí.
Luego se probó la esfericidad de Mauchly, la cual se refiere a la

igualdad de las varianzas de las diferencias entre los niveles del
factor de medidas repetidas. La esfericidad es una suposición de un
ANOVA con un factor de medidas repetidas (RMF). Por lo tanto, los
resultados de ANOVA violando este supuesto no son confiables.
Cuando el supuesto de esfericidad de Mauchly es violado la

validez de diversas pruebas estadísticas utilizadas en el análisis de
la varianza son afectadas. En este caso, las correcciones para la
violación de este supuesto son el ajuste de los grados de libertad
según Greenhouse-Geisser, Huynh-Feldt y la correción de Lower-
bound.
Paso 3. Construcción del Análisis de Varianza para las

mediciones repetidas
Esta es una extensión lógica para la división de parcelas o

diseño mixto en un estudio de tres factores con medidas repetidas en
un factor. El grupo de factores pueden ser variables experimentales
o individuales.
También en este caso, la desviación total de las puntuaciones de

la media general se divide en 2 componentes: inter-sujetos e intra-
sujetos. El componente de inter-sujetos de nuevo representa la
diferencia entre el promedio de una parcela y la media general. Esta
diferencia se debe a la pertenencia a uno de los dos grupos (factor
27
Variedad y Nivel de Nitrógeno), al efecto de la interacción entre ellos

(Variedad × Nivel de Nitrógeno), y la variabilidad de la parcela dentro
del grupo. Del mismo modo, el componente intra-sujetos representa
la diferencia entre la puntuación de una parcela y la media. Estas
diferencias se deben al nivel del factor de medidas repetidas
(Tiempo), y la interacción entre este factor y, los factores Variedad,
Nivel de Nitrógeno y la interacción de estos. De esta forma el modelo
resulta:
𝑌𝑖𝑗𝑘𝑙 = 𝜇 + 𝛽𝑘 + 𝛾𝑙 + 𝛽𝛾𝑘𝑙 + 𝜋𝑖(𝑘𝑙 ) + 𝛼𝑗 + 𝛼𝛽𝑗𝑘 + 𝛼𝛾𝑗𝑙 + 𝛼𝛽𝛾𝑗𝑘𝑙 + 𝛼𝜋𝑗𝑖 (𝑘𝑙 ) + 𝜀𝑖𝑗𝑘𝑙
Donde:
𝜇 es la media general
𝛽𝑘 es el efecto fijo del primer factor (Variedad de planta)
𝛾𝑙 es el efecto fijo del segundo factor (Nivel de Nitrógeno)
𝛽𝛾𝑘𝑙 es efecto de la interacción del primer y segundo factor
𝜋𝑖(𝑘𝑙 ) es el efecto de parcela anidado dentro del primer y segundo
factor
𝛼𝑗 es el efecto del factor de medidas repetidas (Tiempo)
𝛼𝛽𝑗𝑘 es el efecto de la interacción del factor de medidas con el
primer factor.
𝛼𝛾𝑗𝑙 es el efecto de la interacción del factor de medidas con el
segundo factor.
𝛼𝛽𝛾𝑗𝑘𝑙 es el efecto de la interacción del factor de medidas con el
primer y segundo factor.
𝛼𝜋𝑗𝑖 (𝑘𝑙 ) es efecto del factor de medidas repetidas sobre una única
parcela.
𝜀𝑖𝑗𝑘𝑙 es el error aleatorio para cada medición de cada parcela
Y los grados de libertad se distribuyen de la siguiente forma:
28
Cuadro N°6: Distribución de los grados de libertad para un

diseño de mediciones repetidas en un experimento con 3 factores
Fuente de Variación Grados de Libertad
Factor A a-1
Factor B b-1
A*B (a-1)(b-1)
Error inter-sujetos ab(n-1)
Factor C t-1
A*C (a-1)(t-1)
B*C (b-1)(t-1)
A*B*C (a-1)(b-1)(t-1)
Error intra-sujetos ab(t-1)(n-1)
Total abtn-1
29
CAPÍTULO IV
RESULTADOS Y DISCUSIÓN
CAPÍTULO IV
RESULTADOS
PRESENTACIÓN DE DATOS
A continuación se muestran los datos recogidos de altura y número de hojas

en plantas de espinaca, en las 3 ocasiones en el tiempo, a los 15, 30 y 45 días
después de la siembra.
Cuadro N°7: Variedades de planta (Híbridos) y Niveles de Nitrógeno sobre la Altura

de plantas de Espinaca
Factor 1 Factor 2 Altura de Planta promedio (cm)
Nivel de Tiempos (Dias despues de la siembra)

Hibrido
Nitrógeno
15 30 45
9.67 27.00 44.67
9.17 24.67 38.33
Control
9.33 25.50 39.83
10.58 29.33 42.00
9.08 25.33 41.50
9.25 28.33 46.00
N50
10.50 29.00 40.67
9.83 26.50 39.17
Dash
8.75 27.00 43.33
10.33 26.50 41.67
N150
9.17 24.67 36.83
10.42 30.00 44.67
8.92 27.17 42.67
9.42 24.33 37.67
N100
9.25 25.17 39.33
11.00 31.00 44.17
9.30 25.83 44.00
10.00 25.17 42.33
Control
9.33 27.17 42.67
9.92 29.83 46.17
8.92 27.83 48.00
9.50 26.00 42.67
N50
9.58 28.00 43.50
10.83 32.17 50.33
Megaton
9.50 25.17 47.00
9.42 27.67 43.17
N150
9.00 25.83 40.17
10.83 33.67 47.33
9.00 31.67 47.50
9.17 26.00 44.50
N100
10.08 24.17 40.83
10.58 30.00 43.83
Fuente: Investigador agrónomo.
30
En el cuadro siguiente se presenta la variable Número de hojas, la cual no

cumple con una distribución normal, es por ello que en el Cuadro N°3 se muestra
la transformación de la raíz cuadrada para aproximación de datos a una
distribución normal.
Cuadro N°8: Variedades de planta (Híbridos) y Niveles de Nitrógeno sobre el

Número de hojas de 6 plantas de Espinaca
Factor 1 Factor 2 Número de hojas

Hibrido
Nitrógeno
15 30 45
33 91 200
35 85 161
Control
34 83 176
42 94 182
31 83 172
33 88 228
N50
43 104 176
36 100 178
Dash
34 90 193
38 94 178
N150
29 88 168
43 95 203
29 82 185
29 87 157
N100
37 83 171
45 111 209
31 81 175
35 84 200
Control
35 85 202
40 108 211
31 93 193
33 84 186
N50
35 96 196
46 116 235
Megaton
29 82 228
33 91 179
N150
32 90 200
49 113 217
32 118 224
33 86 196
N100
37 73 197
44 100 201
31
Cuadro N°9: Variedades de planta (Híbridos) y Niveles de Nitrógeno sobre la raíz

cuadrada del número de hojas de 6 plantas de Espinaca
Factor 1 Factor 2 Raiz cuadrada del número de hojas

Hibrido
Nitrógeno
15 30 45
5.74 9.54 14.14
5.92 9.22 12.69
Control
5.83 9.11 13.27
6.48 9.70 13.49
5.57 9.11 13.11
5.74 9.38 15.10
N50
6.56 10.20 13.27
6.00 10.00 13.34
Dash
5.83 9.49 13.89
6.16 9.70 13.34
N150
5.39 9.38 12.96
6.56 9.75 14.25
5.39 9.06 13.60
5.39 9.33 12.53
N100
6.08 9.11 13.08
6.71 10.54 14.46
5.57 9.00 13.23
5.92 9.17 14.14
Control
5.92 9.22 14.21
6.32 10.39 14.53
5.57 9.64 13.89
5.74 9.17 13.64
N50
5.92 9.80 14.00
6.78 10.77 15.33
Megaton
5.39 9.06 15.10
5.74 9.54 13.38
N150
5.66 9.49 14.14
7.00 10.63 14.73
5.66 10.86 14.97
5.74 9.27 14.00
N100
6.08 8.54 14.04
6.63 10.00 14.18
32
A continuación se presenta los gráficos de perfiles para al altura y el número

de hojas en plantas de espinaca bajo la aplicación de los niveles de nitrógeno
según la variedad de planta, a los 15, 30 y 45 días después de la siembra.
GRÁFICOS DE PERFILES PARA ALTURA DE PLANTA
Gráfico N° 1: Altura Promedio por nivel de Nitrógeno según Variedad de

Espinaca a los 15 dias despues de la siembra
9.72 9.71
9.71
9.70 9.69
9.69
Altura de Planta (cm)
9.68
9.67 9.67
9.66
9.65
9.64 9.64
Dash
9.62
Megaton
9.60
Control N50 N100 N150

29.00
28.50
28.50 28.08
28.00 27.96
27.50 27.29
27.00
27.04
27.00 26.92
26.50 26.63
Dash
26.00
Megaton
25.50
33

47.00 46.13
46.00
44.42
45.00
44.00 44.17
43.79
43.00
41.83
42.00 41.21 41.63
41.00 40.96
40.00 Dash
39.00
Megaton
38.00
GRÁFICOS DE PERFILES PARA NÚMERO DE HOJAS
Gráfico N° 4: Número de hojas promedio por nivel de Nitrógeno según

Variedad de Espinaca a los 15 dias despues de la siembra
6.15
6.10
6.04 6.08
6.05 6.00
6.00
Numero de Hojas
6.00
5.95
5.90 5.96
5.96
5.88
5.85
5.83
5.80 Dash
5.75
Megaton
5.70
34

16.50 16.21
16.00 15.29
15.71
Número de hojas
15.50
15.63
14.71 15.13
15.00 15.67
14.50 14.92
Dash
14.00
Megaton
13.50

35.00
33.75 34.08
34.00
33.00 34.33
32.83
Numero de Hojas
32.00 30.92
31.00
29.96 31.42
30.00 30.08
29.00
Dash
28.00
Megaton
27.00
35
A continuación se muestran las pruebas de normalidad para los supuestos

básicos necesarios para el análisis de varianza de mediciones repetidas de los
datos de Altura y Número de hojas en plantas de espinaca, a los 15, 30 y 45 días
después de la siembra.
SUPUESTOS BÁSICOS PARA LA ALTURA DE PLANTA
Cuadro N°10: Prueba de Normalidad de Kolmogorov-Smirnov para Altura de

Planta en cada período de tiempo
D15_AP D30_AP D45_AP
N 32 32 32.00
Media 9.68 27.43 43.02

Parámetros
normales(a,b) Desviación
0.65 2.47 3.18
típica
Z de Kolmogorov-Smirnov 0.96 0.77 0.47
Sig. asintót. (bilateral) 0.32 0.60 0.98
Cuadro N°11: Prueba Esfericidad, W de Mauchly para Altura de Planta.

Chi-
Efecto intra- W de
cuadrado gl Significación
sujetos Mauchly
aprox.
Tiempo 0.89 2.751 2 0.25
Cuadro N°12: Prueba de Box sobre igualdad de varianzas

M de Box 91.74
F 1.20
gl1 42.00
gl2 952.63
Significación 0.18
36
SUPUESTOS BÁSICOS PARA EL NÚMERO DE HOJAS EN PLANTAS
Cuadro N°13: Prueba de Kolmogorov-Smirnov para Altura de Planta en cada

período de tiempo
D15_NH D30_NH D45_NH
N 32 32 32.00
Media 5.97 9.60 13.88
Parámetros
normales(a,b) Desviación
0.45 0.57 0.72
típica
Z de Kolmogorov-Smirnov 0.95 0.76 0.56
Sig. asintót. (bilateral) 0.33 0.60 0.91
Cuadro N°14: Prueba W de Mauchly para Número de hojas en plantas
Efecto intra- W de Chi-cuadrado

gl Significación
sujetos Mauchly aprox.
Tiempo 0.84 4.03 2.00 0.13
Cuadro N°15: Prueba de Box sobre igualdad de varianzas

M de Box 93.31
F 1.22
gl1 42.00
gl2 952.63
Significación 0.16
37
ANÁLISIS DE VARIANZA PARA MEDICIONES REPETIDAS DE ALTURA DE

PLANTA
Cuadro N°16: Análisis de Varianza para mediciones repetidas de altura de planta

bajo la aplicación de 3 niveles de nitrógeno y un control en dos variedades de
espinaca.
Fuente de Variación GL SC CM F Sig.
Entre Parcelas 31 312.9
Variedad 1 46.2 46.2 4.35 0.048 *
Nitrógeno 3 9.5 3.2 0.30 0.826 No Sig.
Variedad*Nitrógeno 3 2.3 0.8 0.07 0.974 No Sig.
Error entre parcelas 24 254.8 10.6
Dentro Parcelas 64 18009.2
Tiempo 2 17805.8 8902.9 2820.94 0.000 **
Variedad*Tiempo 2 43.4 21.7 6.88 0.002 **
Nitrógeno*Tiempo 6 6.6 1.1 0.35 0.907 No Sig.
Variedad*Nitrógeno*Tiempo 6 1.9 0.3 0.10 0.996 No Sig.
Error dentro de parcelas 48 151.5 3.2
Total 95 18322.1
ANÁLISIS DE VARIANZA PARA MEDICIONES REPETIDAS DE NÚMERO DE

HOJAS.
Cuadro N°17: Análisis de Varianza para mediciones repetidas de altura de planta

bajo la aplicación de 3 niveles de nitrógeno y un control en dos variedades de
espinaca.
Fuente de Variación GL SC CM F Sig.
Entre Parcelas 31 20.09
Variedad 1 1.82 1.824 2.5 0.128 No Sig.
Nitrógeno 3 0.56 0.185 0.3 0.859 No Sig.
Variedad*Nitrógeno 3 0.12 0.040 0.1 0.983 No Sig.
Error entre parcelas 24 17.59 0.733
Dentro de Parcelas 64 1014.79
Tiempo 2 1002.69 501.346 2488.9 0.000 **
Variedad*Tiempo 2 2.07 1.033 5.1 0.010 **
Nitrógeno*Tiempo 6 0.27 0.046 0.2 0.966 No Sig.
Variedad*Nitrógeno*Tiempo 6 0.09 0.016 0.1 0.998 No Sig.
Error dentro de parcela 48 9.67 0.201
Total 95 1034.88
38
DISCUSIÓN
De acuerdo a los gráficos de perfiles mostrados en el capitulo anterior

podemos mencionar que:
Del gráfico N°1, se observa el efecto de los niveles de nitrógeno en las alturas
promedios de las 2 variedades de planta a los 15 días después de la siembra,
podemos observar que la variedad Dash disminuye con la aplicación creciente del
nivel de nitrógeno, por el contrario, la variedad de espinaca Megaton alcanza sus
máximas altura cuando se utiliza un nivel de nitrógeno 50 o de 150.
Sin embargo, debemos recalcar que la variedad Megaton se encuentra por
encima de la Dash cuando a éstas se le han aplicado los niveles de nitrógeno por
igual. Es decir, parece existir diferencia entre las alturas de planta para cada
variedad.
El gráfico N°2, se muestra las alturas promedios a los 30 días después de la

siembra, y podemos ver claramente como la variedad Megaton ya se superpuso a
la variedad Dash, y ambas alcanzan la mayor altura cuando se le aplica el nivel 50
de nitrógeno, decayendo en los siguiente niveles crecientes de nitrógeno.
En el gráfico N° 3, observamos nuevamente que la variedad de planta

Megaton se encuentra por encima de la variedad Dash. En la variedad Megaton
parece alcanzar su mayor altura siempre al nivel 50 de nitrógeno, por el contrario
en la variedad Dash todos los niveles de nitrógeno parecen tener el mismo
resultado.
El grafico N°4, muestra el efecto de los niveles de nitrógeno en el número de

hojas en planta de las 2 variedades de espinaca a los 15 días después de la
siembra. En donde podemos observar a simple vista que las variedades tienen
efectos inversos con respecto a los niveles de nitrógeno.
Sin embargo, los mayores número de hojas promedio son alcanzados por la
variedad Megaton a los niveles de nitrógeno 50 y 150.
39
En el grafico N°5, se puede ver el número de hojas promedio para los 30 días
después de la siembra, en donde observamos que la variedad Megaton responde
mejor ante los efectos de los niveles de nitrógeno, en el tiempo, pues esta se
encuentra nuevamente por encima de la variedad Dash.
Además, se alcanza el mayor número de hojas en la aplicación del nivel 50 de
nitrógeno, en ambas variedades.
En el gráfico N°6, se observa que la variedad Megaton presenta una diferencia

significativa con respecto a la variedad Dash, pues la diferencia del número de
hojas promedio en todos los niveles de nitrógeno son aproximadamente de 3 o 4
hojas.
Con respecto a las pruebas para los supuestos básicos podemos

mencionar que:
Según el cuadro N° 10, podemos algunos estadísticos descriptivos como la

medias y las desviaciones estándar para los datos de altura de planta en cada
ocasión muestreada. Tenemos un promedio de 9.67 cm de altura en planta de
espinaca a los 15 días después de la siembra, una media de 27.43 cm a los 30
días y 43.02 cm a los 45 días, según estos promedios se puede observar que los
tamaños de planta son crecientes.
Además se muestra el estadístico Z de Kolmogorov-Smirnov que nos dice que
las observaciones tomadas de la altura de planta a los 15, 30 y 45 días después de
la siembra, pertenecen a una distribución normal, pues el valor 𝑝 de la prueba es
mayor que 0.05 en todos los periodos.
En el cuadro N° 11, se presenta el estadístico W de Mauchly, en donde se

observa que la hipótesis nula de que las diferencias de observaciones en el tiempo
se encuentran igualmente correlacionadas es aceptada con un valor 𝑝 mayor a
0.05.
En el cuadro N° 12, apreciamos la prueba de Box, la cual prueba la existencia

de igualdad de matrices de covarianza en todos los grupos. En nuestro caso la
40
hipótesis nula, de que las matrices de varianzas y covarianzas en todos los grupos
son homogéneas, es aceptada con un 𝑝 mayor a 0.05.
Con respecto a los datos de número de hojas en plantas de espinaca, estos

fueron transformados con el método de la raíz cuadrada, por ello se uso la raíz
cuadrada del total de número de hojas para realizar el análisis correspondiente a
esta investigación. En el Cuadro N° 13 se muestra que la prueba de normalidad de
Kolmogorov-Smirnov es aceptada, es decir que la transformación realizada eliminó
nuestro problema de no normalidad en los datos ya mencionados.
Luego, el cuadro N° 14 muestra la prueba W de Mauchly, en donde se observa

que la hipótesis nula de que las diferencias de observaciones en el tiempo se
encuentran igualmente correlacionadas se acepta con un 𝑝 mayor a 0.05.
En relación a los Análisis de Varianzas para las mediciones repetidas de

altura de planta y número de hojas en plantas de espinaca se puede
mencionar que:
En el cuadro N° 16 se muestra el análisis de varianza para las mediciones

repetidas de altura de planta en donde se observa que la Variedad de Planta es un
factor que tiene un efecto estadísticamente significativo en la altura de planta, y por
consiguiente es muestra también un efecto a lo largo del tiempo, por el contrario el
nivel de nitrógeno no presenta efectos significativos en la altura de planta ni las
interacciones de este con el tiempo, sin embargo, en los gráficos de perfiles
mostrados anteriormente, la dosis de nitrógeno de nivel 50 es la que presenta una
mejor respuesta con respecto a la altura de planta. Igualmente, en Colombia,
Hoyos et al encontró que el nitrato de amonio a nivel 50% obtuvo los mejores
valores en las plantas de espinaca.
Con respecto al tiempo, este es significativo debido a que las plantas de
espinaca presentan un crecimiento en cada etapa muestreada, desde que se
siembra. Sin embargo Hoyos et al en obtiene que la tasa relativa de crecimiento es
decreciente.
41
Por otro lado, en Trujillo, Tejada, luego de la aplicación de análisis de

varianzas bifactoriales para cada ocasión, obtuvo que el factor dosis de nitrógeno
no presentó un efecto significativo en las etapas muestreadas.
En el cuadro N° 17, se presenta el análisis de varianza para las mediciones
repetidas del número de hojas, en donde se observa que la variedad en el tiempo
es un factor que influye significativamente en el número de hojas en plantas de
espinaca. Por el contrario, los niveles de nitrógeno no presentan ninguna influencia
en el número de hojas. Sin embargo, Hoyos et al pudo observar que el mayor
índice de área foliara los 45 días después del trasplante se presenta en las plantas
con mayores dosis de nitrato de amonio.
42
CAPÍTULO VI
CONCLUSIONES Y
RECOMENDACIONES
CAPÍTULO VI
CONCLUSIONES Y RECOMENDACIONES
5.1. CONCLUSIONES
Luego de finalizar el proceso de investigación acerca de las mediciones

repetidas de altura de planta y número de hojas en plantas de espinaca se
pudo concluir que:
- El análisis de medidas repetidas es un procedimiento adecuado para

evaluar el efecto de variedad de planta y nivel de nitrógeno en altura y
número de hojas en plantas de espinaca.
- El factor Variedad de planta por si solo presenta un efecto

estadísticamente significativo en la altura de planta, siendo mayor en la
interacción con el tiempo. Tal es así que se puede ver claramente la
diferencia entre estas, en los gráficos de perfiles N° 1, 2 y 3, en donde
la variedad Megaton es la que sobresale con las mayores alturas en
- Con respecto al número de hojas en plantas de espinaca, la variedad

de planta en interacción con el tiempo presenta una diferencia muy
marcada obteniendo mayores números de hojas cuando se trata de la
variedad Megaton.
- El nivel de nitrógeno no presenta efectos sobre la altura de planta y

tampoco sobre el número de hojas en plantas. Sin embargo se puede
observar en los gráficos de perfiles que mayores alturas y mayores
números de hojas en plantas de espinaca se obtienen cuando se usa
una dosis de nitrógeno de 50.
- La Interacción de la variedad con los niveles de nitrógeno no

presentaron diferencias significativas en las alturas y número de hojas
en plantas de espinaca.
43
- La variedad de espinaca Megaton, es una especie que brinda buenos

resultados en el tamaño de planta y área foliar o número de hojas, por
tanto es una buena opción en el mercado internacional.
5.2. RECOMENDACIONES
- Evaluar los experimentos con mediciones repetidas, con los métodos

apropiados para dichas mediciones, sin dejar de probar los supuestos
básicos para dicho análisis, pues de lo contrario, existen otros métodos
importantes para el análisis de los mismos, como ajustes de la prueba F
en caso del no cumplimiento de esfericidad, y uso de modelos de
regresión en otros casos.
- Implementar y concientizar a las personas para el mejor
aprovechamiento de nuestros productos hortícolas, en este caso, del
híbrido Megaton, el cual parece producir buenos resultados, tanto para
la altura de planta como el número de hojas en plantas de ésta
variedad.
- Observar el comportamiento del Híbrido Megaton bajo el efecto de otros
factores influyentes en rendimiento de esta especie, con la intención de
generalizar estos tratamientos para cultivos hortícolas más amplios.
- Capacitación básica para el análisis de este tipo de información,
mediante software estadístico, como SPSS v.15 y otros.
44
REFERENCIAS BIBLIOGRÁFICAS
1. Blanca Mena, Mª José. 2004. Alternativas de análisis estadístico en los

diseños de medidas repetidas. Psicothema Vol. 16, nº 3, pp. 509-518.
2. Chahua, Liz y Siura, Saray. 2006. Evaluación de cinco cultivares de
espinaca (Spinacia Oleracea L.)bajo cultivo orgánico. XIV Congreso
Peruano De Horticultura. Arequipa Perú.
3. Charles S. Davis. 2002. Statistical Methods for the Analysis of Repeated
Measurements. Editorial Springer Verlagnn New York, Inc. USA – New
York.
4. Correa Londoño Guillermo. 2004. Análisis de Medidas Repetidas. Facultad
de Ciencias Agropecuarias. Universidad Nacional de Colombia - Sede
Medellín.
5. Fernández, Paula y Vallejo, Guillermo. 1996. Diseño de medidas repetidas
con dependencia serial en el error bajo la violación de la asunción de
homogeneidad.
6. García Alanís, Laura Cristina. 1997. Estudio fenológico y de crecimiento de
once especies leñosas del matorral espinoso Tamaulipeco en Linares,
Nuevo León, México. Universidad Autónoma de Nuevo León Facultad de
Ciencias Forestales.
7. Giraldo H. Ramón y Hernando Campos Nestor. 1997. Aplicación del análisis
de varianza de medidas repetidas en un experimento con metales pesados.
Rev. Acad. Colomb. Cienc. ISSN: 0370-3908.
8. Hoyos C. Verónica, Rodríguez Marcela, Cárdenas Hernández Julián
Fernando y Balaguera López Helber Enrique. 2009. Análisis del
crecimiento de espinaca (Spinacia oleracea L.) bajo el efecto de diferentes
fuentes y dosis de nitrógeno. Revista Colombiana De Ciencias Hortícolas -
Vol. 3 - No.2 - pp. 175-187.
9. J. Blanca María. 1998. Diseño Unifactorial de Medidas Repetidas. Ejercicio
Práctico. Universidad de Málaga. España.
10. Kuehl Robert O. 2001. Diseño de experimentos: Principios estadísticos de
diseño y análisis de investigación. Segunda edición. International Thomson
Editores. México.
45
11. Ruiz Ochoa Mauricio, Meléndez Rafael, Castellanos Martha y Polanía

Jaime. 2006. Aplicación de medidas repetidas a cuatro propiedades
edáficas en los manglares del brazo Calancala, Río Ranchería. Rev. Acad.
Colomb. Cienc. 2006.
12. Tejada Vera. 2010. Influencia de dosis creciente de nitrógeno y dos
densidades de siembra en el crecimiento y producción de espinaca.
Universidad Privada Antenor Orrego. Trujillo – Perú.
13. Vásquez Navarrete, Alberto José. 2006. Evaluación agronómica de once
cultivares de Spinacia oleracea L. para cultivo industrial en la zona de
Valdivia. Universidad Austral De Chile.
46
ANEXOS
ANEXO N° 1
Prueba de esfericidad de Mauchly
La condición Huynh-Feldt para la matriz de varianzas y covarianzas de las p

mediciones repetidas de los sujetos necesita (𝑝 − 1) contrastes ortogonales
normalizados para que las mediciones repetidas no se correlacionen y tengan
varianzas iguales.
Sean la matriz de covarianzas de las mediciones repetidas y 𝐶 una matriz de

𝑝 − 1 ∗ 𝑝, donde los renglones son contrastes ortogonales normalizados de las p
mediciones repetidas. La condición Huynh-Feldt necesaria para la covarianza de los
contrastes es 𝐶 𝐶 ′ = ℷ𝐼 , donde 𝐼 es la matriz identidad y 𝐶′ es la transpuesta de 𝐶.
Si se satisface la condición, se dice que la matriz de covarianzas ℷ𝐼 es esférica.
Sea 𝑆𝑖𝑗 el elemento en el i-ésimo renglón y la j-ésima columna de la matriz de

covarianzas de 𝑝 ∗ 𝑝 para los errores experimentales dentro sujetos 𝑆, con 𝑣 grados de
libertad. Se eligen (𝑝 − 1) contrastes ortogonales normalizados en las 𝑝 mediciones
repetidas. Sea 𝐶 la matriz de 𝑝 − 1 ∗ 𝑝 donde los renglones son contrastes
ortogonales normalizados en las 𝑝 mediciones repetidas. El estadístico de prueba
(Mauchly, 1940) para la hipótesis nula 𝐻𝑜: 𝐶 𝐶 ′ = ℷ𝐼 es:
(𝑝 − 1)𝑝−1 𝐶𝑆𝐶′
𝑊=
(𝑡𝑟𝐶𝑆𝐶 ′ )𝑝−1
Donde 𝑡𝑟𝐶𝑆𝐶′ es la traza de la matriz. La traza de una matriz es la suma de sus

elementos diagonales. El estadístico de prueba se pone en la escala adecuada para
mejorar la exactitud de sus aproximaciones por la distribución chi-cuadrada. El factor
1
de escala para la aproximación chi-cuadrada con 𝑓 = 2 𝑝 𝑝 − 1 − 1 grados de libertad
es:
2𝑝2 − 3𝑝 + 3
𝛾=𝑣−
6(𝑝 − 1)
2
La hipótesis nula se rechaza al nivel de significancia – 𝛾 si 𝑊 > 𝑋𝛼,𝑓 .
viii

Tesis Espinaca Final

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

Tesis Espinaca Final

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

“MEDIDAS REPETIDAS PARA EVALUAR EL EFECTO DE LA

AUTOR: Br. Edinson A. Angulo Montalván

ASESOR: Lic. Manuel Antonio Sisniegas Gonzáles

A mi mamá Aurea y a mi papa

A mi mamá Carmen y a mi mamá

A una persona muy Especial.

Esta tesis es el resultado del esfuerzo conjunto de muchas personas, es por

Debo agradecer de manera especial a mis padres que gracias a su apoyo

Quiero expresar también, un agradecimiento afectuoso al Señor. Lic. Manuel

Además, quiero brindar sinceros agradecimientos a mi jurado de tesis, Dra.

Edinson A. Angulo Montalván

Señores Miembros del Jurado:

En Cumplimiento con las disposiciones del reglamento de

Es así, que propongo la presente tesis para que sea analizada

Trujillo, Noviembre del 2010

“MEDIDAS REPETIDAS PARA EVALUAR EL EFECTO DE LA VARIEDAD DE

La presente investigación muestra información que permite conocer la

En esta investigación se obtuvo como resultados que el factor Variedad de

Para una mejor idea del comportamiento de estas variedades, se presentan

Palabras clave: Medidas repetidas, esfericidad, análisis de varianza.

"REPEATED MEASURES TO ASSESS THE IMPACT OF PLANT VARIETY AND

Keywords: Repeated measures, sphericity, analysis of variance.

REFERENCIAS BIBLIOGRAFICAS ............................................................. 46

Las investigaciones realizadas en el área agropecuaria frecuentemente

En las últimas décadas, un tema de debate sugerente ha sido el desarrollo de

Aunque este tipo de diseños no están exentos de dificultades producidas por

Una aplicación común de este tipo de análisis se utiliza en nuestros productos

hortícolas que en los últimos años ha incrementado su consumo a nivel mundial,

En esta investigación se observó la altura y el número de hojas en plantas de

1.1. Antecedentes del Problema

En Colombia, Hoyos et al (2009), estudió el crecimiento de espinaca

En Chile, Vásquez (2006), realizó un estudio acerca de la evaluación

En España J. Blanca (1998) realizó un material de apoyo para la

En Colombia, Giraldo et al (1997), aplicó el análisis de varianza de

En México, García (1997), realizó un Estudio Fenológico y de

En España, Fernández et al (1996), realizó un estudio acerca de un

En Lima Saray (2006), hizo una evaluación de cinco cultivares de

espinaca, determinando también la mejor época de siembra para cada

En Trujillo, Tejada (2010) observó la influencia de dosis crecientes

1.2. Justificación del problema

Debido a la simplicidad con que se analiza este tipo de estructura de

Según lo comentado anteriormente, surge la necesidad de analizar la

1.3. Enunciado del problema

¿El diseño de medidas repetidas es una técnica adecuada para evaluar

El diseño de medidas repetidas si es una técnica adecuada para evaluar

- Determinar si el diseño de medidas repetidas es una técnica

- Determinar si el efecto de la variedad de planta y los niveles de

2.1. MARCO TEÓRICO

2.1.1. Diseños con mediciones repetidas

Se refieren a mediciones repetidas de la variable respuesta en

La tendencia en el tiempo de las respuestas individuales al

Las mediciones repetidas en cada unidad experimental

Las observaciones repetidas de la misma unidad experimental a

también la estimación de las tendencias en el tiempo serán más

2.1.2. Diseños entre y dentro de unidades experimentales

Los diseños de mediciones repetidas se pueden describir en

2.1.3. Análisis de Medidas Repetidas

Los experimentos de medidas repetidas tienen estructura

El objetivo del análisis de medidas repetidas es examinar y

experimentos cuyos tratamientos incluyen una estructura factorial.

Las lecturas secuenciales sobre una misma unidad experimental

Aunque este problema ha estado presente desde que Sir Ronald