Experimentación Agrícola
Experimentación Agrícola
Experimentación Agrícola
EXPERIMENTACIN AGRCOLA
MOQUEGUA PER
2009
INTRODUCCION
La Universidad Jose Carlos Mariategui, entre muchos de sus objetivos academicos, es precisamente la formacion de Investigadores, que puedan aportar nuevos conocimientos tecnico - cientifico y con esto contribuir al desarrollo sostenible de la agricultura de la Region y del pa{is.
Para esto dentro del plan de estudios curricular de la Carrera Profesional de Ingenieria Agronomica tiene
insertado el curso de Diseos Experimentales con la finalidad de darle a los estudiantes las herramientas
y tecnicas necesarias para investigacion.
Podemos decir tambin que los diseos experimentales son las formas que se han ideado para arreglar
las parcelas y satisfacer las necesidades de cada experimento, sus objeti vos y el cultivo de que se trate.
No es ms que el esquema de distribucin de las variantes en el experimento.
El objetivo fundamental que se persigue la tasignatura es conocer los fundamentos teoricos y practicos para
interpretar las evaluaciones de la poblacion.
El contenido esta orientado a estudiar las tecnicas y principios para planear y ejecutar experimentos, analisis
de regresion, diseos en bloques, cuadrado latino, parcelas divididas o parcelas separadas entre otras.
INDICE
Pgina
DISEOS EXPERIMENTALES..3
TRANSFORMACIN DE DATOS..4
PROCESAMIENTO ESTADSTICO E INTERPRETACIN DE
RESULTADOS EXPERIMENTALES..6
DISEO COMPLETAMENTE AL AZAR CON DESIGUAL NMERO
DE OBSERVACIONES POR TRATAMIENTO..6
DISEO COMPLETAMENTE AL AZAR CON IGUAL NMERO DE
OBSERVACIONES POR TRATAMIENTO.11
DISEO DE BLOQUES AL AZAR14
COMPARACIN DE MEDIAS..18
MNIMA DIFERENCIA SIGNIFICATIVA..18
PRUEBA DE DUNCAN...19
PRUEBA DE TUKEY...21
STUDENT- NEWMAN KEULS..22
PRUEBA DE SHEFF.24.
DISEO DE BLOQUES AL AZAR CON UNA PARCELA FALTANTE.26.
CONTRASTES ORTOGONALES.28
POLINOMIOS ORTOGONALES..31
DISEO CUADRADO LATINO.36
CUADRADO LATINO CON UNA PARCELA FALTANTE...39
RECTNGULO LATINO40
EXPERIMENTO BIFACTORIAL CON DISEO COMPLETAMENTE AL AZAR...42
EXPERIMENTO BIFACTORIAL CON DISEO DE BLOQUES AL AZAR..47
EXPERIMENTO TRIFACTORIAL CON DISEO COMPLETAMENTE AL AZAR.51
DISEOS EXPERIMENTALES
En la experimentacin Agrcola, conjuntamente con la adecuada definicin de los elementos
fundamentales que componen el experimento, la decisin acerca del diseo experimental que deber
ser aplicado constituye uno de los aspectos decisivos dentro de la fase de planificacin de las
investigaciones.
El diseo experimental como tal puede ser definido como la disposicin en tiempo y espacio de las
variantes o tratamientos.
Podemos decir tambin que los diseos experimentales son las formas que se han ideado para arreglar
las parcelas y satisfacer las necesidades de cada experimento, sus objetivos y el cultivo de que se trate.
No es ms que el esquema de distribucin de las variantes en el experimento.
El objetivo fundamental que se persigue al seleccionar el diseo experimental es asegurar condiciones
iguales para la comparacin de las variantes, eliminando al mximo la variabilidad de la fertilidad del
suelo.
Requisitos que debe satisfacer un diseo experimental:
1) Debe asegurar condiciones iguales para todas las variantes experimentales.
2) De ajustarse a los principios de la aleatoriedad que permitan analizar los mismos por mtodos
estadsticos.
3) Debe ser simple y que posibilite la conduccin adecuada de los mismos.
DISEOS DE BLOQUES
En este grupo se encuentran los diseos de mayor utilizacin en la prctica de la experimentacin
agrcola actual.
Estos diseos poseen tres caractersticas fundamentales.
1. La replicacin.
2. El control local o tcnicas de los bloques.
3. La aleatorizacin.
La influencia de la replicacin de los tratamientos experimentales fue analizada por Cochran y Cox
(1965) quienes sealan que la rplica resultan importantes para hacer coincidir el resultado estadstico y
biolgico de los datos experimentales bajo ciertas condiciones de investigaciones. La repeticin de
cada tratamiento en el experimento reduce, de forma general el error tpico y por tanto incrementa la
precisin experimental.
La caracterstica del control local o tcnicas de bloqueo le confiere a estos diseos la ventaja de poder
detectar y la posibilidad de eliminar o remover del error experimental, en el caso de los experimentos
de campo, la variabilidad por la heteroneidad del suelo entre esos bloque.
La aleatorizacin de los tratamientos permite la utilizacin de mtodos estadsticos en el procesamiento
de los datos, ofrece la posibilidad de cualquier unidad elemental tenga la misma probabilidad de recibir
un tratamiento u otro, puede tener otra ventaja como es evitar el efecto de la variante vecina, puesto que
no siempre un tratamiento experimental tendr a su lado el mismo tratamiento.
Los diseos de bloques pueden ser agrupados en diseo de bloques completos y diseo de bloques
incompleto.
Los diseos de bloque completo contienen en cada bloque todos los tratamientos experimentales, por lo
que cada bloque constituye una rplica del experimento.
Los diseos de bloques incompletos contienen solo una parte de los tratamientos experimentales en
cada bloque, por ello cada bloque no constituye una rplica del experimento.
3
TRANSFORMACIONES DE DATOS.
Entre las suposiciones del anlisis de varianza estn las siguientes:
a). Que las distintas muestras se han sacado de poblaciones cuyas distribuciones son normales.
b). Que las poblaciones de dichas muestras cuentan con varianza iguales.
Existen ciertos casos en los cuales desde un principio se puede afirmar que los datos disponibles no
cuentan con una distribucin normal, por lo que se deben llevar a cabo transformaciones para acercar
dichos datos a una distribucin normal.
Para verificar si los datos siguen una distribucin normal se somete a una prueba de X2 .
I. NMEROS DGITOS.
A veces se obtienen resultados con nmeros pequeos, en su mayora nmeros dgitos ejemplo conteo
de frutos, conteo de insectos en campos bien tratados etc. En este caso los datos originales (nmeros
dgitos se sustituyen por su raz cuadrado. Cuando hay valores de cero, se aade 0,5 a todos los datos
originales antes de sacar la raz cuadrada.
Transformaciones para nmeros dgitos
X ' = X (sin valores cero)
X ' = 0.5 + X (con valores de cero)
Ejemplo:
Conteo de nmeros de frutos por plantas:
a). Datos originales:
Variedades
V1
5
6
1
V2
0
3
2
V3
2
1
0
V4
7
3
8
V3
1.58
1.22
0.71
V4
2.74
1.67
2.92
V2
0.71
1.97
1.58
Variedades
V2
90
92
94
V3
90
93
92
V1
2.3462
2.4341
2.4039
Variedades
V2
2.4981
2.5681
2.6467
V3
2.4981
2.6062
2.5681
PROCESAMIENTO
ESTADSTICO
EXPERIMENTALES.
INTERPRETACIN
DISEO
COMPLETAMENTE
AL
AZAR
OBSERVACIONES POR TRATAMIENTO.
CON
DE
DESIGUAL
RESULTADOS
NMERO
DE
Este diseo constituye una excepcin dentro de los diseos de bloque por el hecho de que en su
estructura no existe una organizacin en bloques de los tratamientos experimentales.
Exige unidades experimentales homogneas.
Los tratamientos y las rplicas se asignan al azar a las unidades experimentales.
Este diseo puede ser utilizado para experimentos unifactoriales y multifactoriales.
Es propio para experimentos de laboratorios y semilaboratorios.
La principal dificultad del mismo es su bajo grado de precisin, por cuanto no tiene restricciones en lo
que se refiere a la ubicacin de los tratamientos, por lo que stos no aparecen en grupos ms
homogneos. Como la aleatorizacin no es restringida de manera alguna, para asegurar que las
unidades que reciben un tratamiento sean similares a las que reciben otro tratamiento, toda la variacin
entre las unidades experimentales se refleja en el error experimental. Sin embargo esto es compensado
en parte por el mayor nmero de grados de libertad que se logran para el error, con un mismo nmero
de tratamientos y unidades experimentales.
Modelo matemtico.
Yij = + Ti + eij
Yij= es el j simo elemento perteneciente al i simo tratamiento.
= es la media general.
Ti = efecto debido al i simo tratamiento.
Eij= error experimental asociado al j simo elemento del i simo tratamiento.
EJEMPLO:
En un experimento bajo el diseo completamente al azar se compararon 4 cepas nativas de
Azotobacter, en el cultivo del pimiento variedad Verano 1, donde se evalu como variable principal la
altura de las plantas a los 35 das
Tunas1
45
47
42
44
178
TRATAMIENTOS
Tunas 19
Tunas 52
46
45
48
43
51
47
52
44
50
45
247
224
Tunas 27
38
39
40
37
38
40
232
881
De acuerdo al modelo, los datos pueden representarse en una tabla de la siguiente forma:
TRATAMIENTOS
1
X11
X12
X13
X14
2
X21
X22
X23
X24
X25
3
X31
X32
X33
X34
X35
4
X41
X42
X43
X44
X45
X46
SDCTotal =
X i2
( X i )2
N
8812
SDCTotal = 45 + ............ + 40
20
2
= 372.95
( trat.)
SDCTrat . =
2
Xi )
(
4
5
5
6
20
= 320.61667
Gltotal = N 1
= 20 1 = 19
Gltrat . =# Trat . 1
=41=3
2
S trat
.=
2
S error
=
SDCerror 52.33333
=
= 3.27083
Glerror
16
Fcaltrat . =
2
Strat
2
S error
106.87222
= 32.67
3.27083
F. de variacin
Gl
SDC
S2
Fcal
Tratamientos
Error
Total
3
16
19
320.61667
52.33333
372.95
106.87222
3.27083
32.67
Ftab
5%
1%
3.24 5.19
En la tabla de anlisis de varianza se encontr que la Fcal es mayor que la Ftab a ambos niveles de
significacin, por lo tanto se rechaza la hiptesis nula, entonces se concluye que al menos un
tratamiento es diferente a los dems, sin embargo, no se sabe que tratamientos son iguales o diferentes,
por lo que es necesario hacer una comparacin de medias.
Para comparar las medias de los tratamientos hay diferentes mtodos los que estudiaremos con ms
detalle despus del diseo bloques al azar.
Desarrollaremos el ms simple que es el de la mnima diferencia significativa.
Calculamos las medias de todos los tratamientos.
x trat .1 =
x trat .2 =
x trat .3 =
x trat .4 =
n1
n2
n3
n4
EE =
2
2 Serror
# deobs. por trat.
1 1
2
EE = Serror
+
ni n j
ni = # de observaciones en el tratamiento i
nj = # de observaciones en el tratamiento j
Buscamos el valor en la tabla de t de student.
t,gle = t de student se busca en la tabla con el nivel de significacin dado y los grados de libertad del
error.
Para = 0.05 y gl del error = 16, el valor de la tabla es 2.12
Calcular el valor de diferencia mnima significativa
DMS = t,gl . EE
Comparar las diferencias entre las medias de los tratamientos con el valor de la DMS.
Si la diferencia entre las medias es mayor que DMS entonces las medias difieren significativamente.
En el caso del ejemplo:
Para la comparacin de los tratamientos 2 y 3:
1 1
DMS = 2.12 3.27083 +
5 5
=2.42
49.50 44.80 = 4.6> 2.42 por lo que existe diferencia entre los tratamientos 2 y 3.
Para la comparacin de los tratamientos 3 y 1:
1 1
DMS = 2.12 3.27083 +
5 4
= 2.57
44.80 44.50 = 0.3< 2.57 por lo que no existe diferencia entre los tratamientos 3 y 1.
1 1
DMS = 2.12 3.27083 +
5 6
= 2.32
44.80 38.67 = 6.13> 2.32 por lo que existe diferencia entre los tratamientos 3 y 4.
Para la comparacin de los tratamientos 1 y 4:
1 1
DMS = 2.12 3.27083 +
4 6
= 2.47
44.50 38.67 = 5.83> 2.47 por lo que existe diferencia entre los tratamientos 1 y 4.
Los resultados de la comparacin de medias se presentan en una tabla identificando con letras
diferentes a las medias que difieren significativamente.
Tratamientos
Tunas 19
Tunas 52
Tunas 1
Tunas 27
ni
5
5
4
6
Medias
49.50
44.80
44.50
38.67
Significacin
a
b
b
c
Las cepas 52 y 1 tienen un comportamiento similar existiendo diferencias entre estas y las dems,
siendo la de mejor comportamiento la 19 al recibir una mayor estimulacin en el crecimiento las
plantas y la peor la 27.
10
EJEMPLO:
1.-Se realiz un experimento en el cultivo del pltano fruta (Musa AAAB), clon FHIA 01v1 utilizando
un diseo completamente al azar con el objetivo de evaluar 3 frecuencias de riego. Los tratamientos
fueron los siguientes:
T1: Regar diariamente (7riegos).
T2: Regar interdiario (3,5 riegos)
T3: Regar cada 3 das (2 riegos semanales).
Se prob cada frecuencia en un campo de una unidad rotacional en un sistema de riego localizado. En
cada campo se muestrearon 20 plantas.
Para evaluar los tratamientos se utiliz como variable:
a) Peso del racimo en Kg.
Trat 1
Trat 2
35.5
35.5
36.1
38.9
38.3
43.3
33.7
46.7
39.2
40.1
42.3
38.2
45.1
36.5
36.7
34.2
35.1
33.8
36.9
33.9
42.3
35.1
45.6
32.1
40.1
32.3
38.7
36.6
39.1
35.7
33.7
44.3
38.9
41.1
33.2
40.6
36.6
33.5
45.1
34.7
772.2
747.1
Trat 3 Total
28.6
29.1
25.5
33.2
24.3
25.5
26.2
25.1
24.7
23.2
21.4
25.6
28.7
29.3
22.5
27.7
29.9
28.6
27.2
25.7
532.4 2051.7
11
SDCTotal =
X i2
( X i )2
N
2051.7 2
60
=2503.669333
( trat.)
SDCTrat . =
SDCTrat =
2
(
Xi )
20
60
= 1742.101333
2
Gltotal = N 1
= 60 1 = 59
Gltrat . =# Trat . 1
=31=2
SDCtrat . 1742.101333
=
= 871.050667
Gltrat
2
2
=
S error
Fcal trat . =
871.050667
= 65.19
13.360842
12
Fuentes de
variacin
Tratamiento
Error
Total
Ftab
Gl
SDC
S2
Fcal
1742.101333
871.050667
65.19
57
761.568
13.360842
59
5%
1%
3.17
5.01
2503.669333
Como se observa en la tabla 1 la Fcal es mayor que la Ftab por lo que podemos concluir diciendo que
existen diferencias significativas entre los tratamientos, pero no sabemos entre cuales por lo que
debemos aplicar una prueba de comparacin de medias.
Nota: la explicacin en detalles de cada prueba de comparacin de medias aparece despus del diseo
de bloques al azar.
Comparacin de medias por la prueba de Duncan.
Tratamientos
Medias
Significacin
38.6
37.36
26.6
EE
0.817338.
13
Es el de ms fcil ejecucin.
El bloque es la unidad bsica y es igual a las rplicas porque contiene todas las variantes, las que
estn distribuidas al azar. La forma de los bloques puede ser cuadrada o rectangular.
El diseo es idneo para experimentos de variedades, as como experimentos agrotcnicos.
Puede ser utilizado en experimentos unifactoriales y multifactoriales.
La forma, el tamao y la orientacin de los bloques se deben hacer buscando la homogeneidad
dentro de ellos.
Los tratamientos se asignan al azar dentro de cada bloque.
El nmero de tratamientos no deben ser muy grande, con el fin de garantizar la homogeneidad de
cada bloque.
Este diseo tiene el inconveniente que solo se puede eliminar la variabilidad entre rplicas.
Entre sus ventajas podemos sealar:
Economa en el trabajo experimental.
Puede utilizarse tanto un numero pequeo o grande de variantes.
Puede aplicrsele anova a loa datos (elimina el efecto de la desigualdad de la fertilidad y
establece la diferencia entre variantes con mayor seguridad.
El diseo tiene el inconveniente, que solo se puede eliminar la variabilidad de la fertilidad del suelo
entre rplicas, siendo en este sentido inferior a otros diseos ms complejos.
Modelo matemtico.
Yij = + Ti + j + eij
Yij= es la j sima parcela dentro del i simo tratamiento.
= es la media general.
Ti = efecto debido al i simo tratamiento.
j = efecto del j simo bloque
Eij= error experimental asociado al j simo bloque del i simo tratamiento.
EJEMPLO:
1.- En un experimento bajo el diseo de bloques al azar se compararon 4 normas de riego en el cultivo
del pltano fruta cln Cavendish giganteen el ciclo de fomento.
14
Rplicas
Tratamientos
II
III
IV
47,99
48,0
47,98
48,78
47,20
239.95
44,22
44,01
44,45
44,13
44,31
221.12
42,58
42,30
42,86
42,11
43,06
212.91
37,66
37,30
38,02
37,25
37,0
187.23
172.45
171.61
173.31
172.27
171.57
861.21
De acuerdo al modelo los datos pueden expresarse en una tabla de la siguiente forma:
RPLICAS
TRATAMIENTOS
II
III
IV
X11
X12
X13
X14
X15
X21
X22
X23
X24
X25
X31
X32
X33
X34
X35
X41
X42
X43
X44
X45
SDCTotal =
X i2
( X i )2
N
15
SDCTotal
861.212
= 47.99 + .......... + 37
20
2
= 289.6289
( trat .)
SDCTrat . =
SDCTrat
2
(
Xi )
=
5
20
=287.0274.
( Re p.)
SDC Re p . =
SDC Re p
2
(
Xi )
20
4
= 0.5117188
Gltotal = N 1
= 20 1
= 19
Gltrat . =# Trat . 1
=41
=3
Gl Re p . =# Re p . 1
=51
=4
= 19 (3 + 4)
16
CM trat .
= 12
SDCtrat .
=
=
Gltrat
CM Re p. =
SDCRe p
GlRe p
CM error =
287.0274
= 95.6778
3
0.5117188
= 0.129297
4
SDCerror 2.089844
=
= 0.1741536
Glerror
12
Fcal trat . =
Fcal Re p. =
2
S trat
2
S error
2
S Re
p
2
S error
95.6778
= 549.376
0.171536
0.129297
= 0.735
0.1741536
CAUSAS DE
VARIACIN
Ftab.
SUMA DE
CUADRADOS
CUADRADO
MEDIO
Fcal
0.5117188
0.1279297
287.0274
95.6778
ERROR
12
2.089844
0.1741536
TOTAL
19
289.6289
RPLICA
TRATAMIENTO
GL
5%
1%
0.735
3.26
5.41
549.376
3.49
5.95
CV = 0.9691 %
En el anlisis de varianza podemos observar que para el caso de los 3 tratamientos, en este caso las 4
normas de riego, existen diferencias ya que la Fcal es mayor que la Ftab, con probabilidad de error
menor de 0.01. Por lo tanto al menos uno de los tratamientos es diferente a los dems. Para encontrar
cuales tratamientos difieren significativamente es necesario hacer una comparacin de medias. Entre
las rplicas no existen diferencias.
Como no sabemos entre cuales tratamientos existen diferencias, debemos aplicar una prueba de
comparacin de medias.
17
COMPARACIONES DE MEDIAS
En el caso de los tratamientos sin estructura, que son los tratamientos entre los cuales no existe ninguna
relacin entre ellos, ejemplo un conjunto de variedades se pueden comparar por cualquiera delos
mtodos de comparacin de medias como son: MDS, Duncan, Tukey, SNK, Scheff, etc.
Los tratamientos cualitativos con estructura, que son los tratamientos que pueden ser agrupados en
cuanto a alguna caracterstica, por ejemplo un conjunto de 4 variedades, dos precoces y dos tardas, se
comparan con contrastes ortogonales.
En los tratamientos cuantitativos, por ejemplo niveles de fertilizacin (0, 40, 80, Kg./ha de N), se
utilizan los polinomios ortogonales, para estudiar las tendencias: lineal, cuadrtica, cbica, etc
No quiere esto decir que no podamos aplicar en cada uno de estos casos otros mtodos de comparacin
de medias, siendo recomendable para tratamientos cualitativos la prueba de Duncan, y para
cuantitativos Tukey u otra prueba.
La MDS debe ser aplicada para pocos tratamientos.
MTODO DE COMPARACIN
SIGNIFICATIVA
DE
MEDIAS
POR
LA
MNIMA
DIFERENCIA
x trat .1 =
xtrat .2 =
x trat .3 =
n1
Trat.2 221.12
=
= 44.224
n2
5
Trat.3
x trat .4 =
n3
Trat.4
n4
212.91
= 42.582
5
187.23
= 37.446
5
2
2 Serror
=
EE =
# de obs. por trat.
2 0.1741536
= 0.2639
5
18
t,gle = t de student se busca en la tabla con el nivel de significacin dado y los grados de libertad del
error.
Para = 0.05 y gl del error = 12, el valor de la tabla es 2.18
Calcular el valor de diferencia mnima significativa
DMS = t,gl . EE
DMS = 2.18 X 0.2639 = 0.575302
Comparar las diferencias entre las medias de los tratamientos con el valor de la DMS.
Si la diferencia entre las medias es mayor que DMS entonces las medias difieren significativamente y
lo identificamos con un asterisco, de no haber diferencias ponemos NS.
Confeccionamos una tabla de doble entrada.
T1
47.99
T2
44.224
T3
42.582
T4
37.446
10.544 *
T3
42.582
5.408 *
6.778 *
1.642 *
T2
44.224
3.766 *
5.136 *
MEDIAS
SIGNIFICACIN
5%
1%
T1
47.99
T2
44.224
T3
42.582
T4
37.446
0.5751
0.8063
DMS
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4
normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
COMPARACIN DE MEDIAS POR DUNCAN
Pasos a seguir:
Calculamos las medias
Se calcula el error Standard
19
2
S error
0.1741536
EE =
=
= 0.1866
# de obs. por trat.
5
Buscamos los percentiles en la tabla de Duncan con:
Nivel de significacin
p (pasos entre las medias) = 2; 3; .....t
Grados de libertad del error
En nuestro ejemplo
=5%
p
2
3
4
=1%
q
3.08
3.22
3.31
p
2
3
4
q
4.32
4.50
4.62
Se obtienen los rangos mnimos estudentizados (RME) multiplicando q por el error standard.
=5%
p
2
3
4
=1%
q
3.08
3.22
3.31
RME
0.574728
0.600852
0.617646
p
2
3
4
q
4.32
4.50
4.62
RME
0.806112
0.8397
0.862092
Se comparan las medias, de tal forma de que si el valor absoluto de la diferencia de dos medias es
mayor que el RME correspondiente, entonces hay diferencias entre los tratamientos y se simboliza con
un asterisco.
Confeccionamos una tabla de doble entrada.
T4
T3
T2
37.446
10.544 *
42.582
5.408 *
44.224
3.766 *
6.778 *
1.642 *
T1
47.99
T2
44.224
5.136 *
T3
42.582
20
TRATAMIENTOS
MEDIAS
SIGNIFICACIN
5%
1%
T1
47.99
T2
44.224
T3
42.582
T4
37.446
0.1866
0.1866
EE
Como podemos observar existen diferencias entre los 4 tratamientos, siendo el de mejor
comportamiento regar cuando la humedad del suelo es de 0.40 bar
EE =
2
S error
0.1741536
=
= 0.1866
# de obs. por trat.
5
Se busca en la tabla de Tukey, con el nivel de significacin, los grados de libertad del error y el nmero
de medias que estamos comparando el valor de Tukey (rango estudentizado, RE)
RE = 4.20
Se obtiene el rango mnimo estudentizado (RME) multiplicando RE por el error standard.
RME = RE X EE = 4.20 X 0.1866 = 0.78372
21
T4
T3
T2
37.446
10.544 *
42.582
5.408 *
44.224
3.766 *
6.778 *
1.642 *
T1
47.99
T2
44.224
5.136 *
T3
42.582
Los resultados de esta tabla se muestran a continuacin:
SIGNIFICACIN
5%
1%
TRATAMIENTOS
MEDIAS
T1
47.99
T2
44.224
T3
42.582
T4
37.446
VALORES DE LA TABLA
4.20
5.50
TUKEY
0.7838
1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4
normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
Esta prueba es similar a la prueba de Duncan pero con las tablas de Tukey.
Pasos a seguir:
Calculo de las medias,
Se calcula el error standard de igual forma que en Duncan
22
2
S error
0.1741536
=
= 0.1866
EE =
# de obs. por trat.
5
Se obtiene en la tabla de Tukey, con el nivel de significacin, los pasos entre las medias y los grados de
libertad del error los rangos estudentizados (RE).
En nuestro ejemplo
=5%
p
2
3
4
=1%
RE
3.08
3.77
4.20
p
2
3
4
RE
4.32
5.05
5.50
Se obtienen los rangos mnimos estudentizados (RME) multiplicando q por el error standard.
=5%
p
2
3
4
RE
3.08
3.77
4.20
=1%
RME
0.574728
0.703482
0.78372
p
2
3
4
RE
4.32
5.05
5.50
RME
0.806112
0.94233
1.0263
Se comparan las medias, de tal forma de que si el valor absoluto de la diferencia de dos medias es
mayor que el RME correspondiente, entonces hay diferencias entre los tratamientos y se simboliza con
un asterisco.
Confeccionamos una tabla de doble entrada.
T4
T3
T2
37.446
10.544 *
42.582
5.408 *
44.224
3.766 *
6.778 *
1.642 *
T1
47.99
T2
44.224
5.136 *
T3
42.582
Los resultados de esta tabla se muestran a continuacin:
23
SIGNIFICACIN
5%
1%
TRATAMIENTOS
MEDIAS
T1
47.99
T2
44.224
T3
42.582
T4
37.446
VALORES DE LA TABLA
4.20
5.50
TUKEY
0.7838
1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4
normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
Scheff =
(t 1)F ,t 1, n CM e
r
F , t 1, n =VALOR TABULADO DE F CON T-1 Y N GRADOS DE LIBERTAD DEL ERROR CON UN NIVEL DE SIGNIFICACIN
t-1= No de tratamientos 1= 4 1 = 3.
CMe= cuadrado medio del error.
r= No de observaciones en cada tratamiento.
Si el nivel de significacin es del 1 %, entonces F=5.95
0.1741536
= 0.79
Scheff = 3(5.95)
5
Se comparan las medias, de tal forma que si el valor absoluto de la diferencia de dos medias es mayor
que Scheff entonces hay diferencias.
24
T4
T3
T2
37.446
10.544 *
42.582
5.408 *
44.224
3.766 *
6.778 *
1.642 *
T1
47.99
T2
44.224
5.136 *
T3
42.582
Los resultados de esta tabla se muestran a continuacin:
SIGNIFICACIN
5%
1%
TRATAMIENTOS
MEDIAS
T1
47.99
T2
44.224
T3
42.582
T4
37.446
VALORES DE LA TABLA
3.49
5.95
Scheff
0.871
1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4
normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
25
EJEMPLO:
Se realiz un experimento con un diseo de bloques al azar con el objetivo de evaluar el Biostn
comercial en 4 variedades de tomate. La segunda rplica del tratamiento 2 hubo que eliminarlo. Estime
el valor de la parcela faltante y realice el anlisis de varianza.
T2
T1
T3
T4
II
T1
T3
T4
T2
III
T3
T4
T2
T1
IV
T4
T2
T1
T3
TABLA DE DATOS
VARIABLE:
rendimiento
Bloques
Tratamientos
I
1
15
2
21
3
20
4
17
Total
73
Total
II
20
18
15
58
III
25
16
25
19
85
IV
18
15
15
22
70
78
52
79
73
281
Yij =
tTi + rR j G
( t 1 )( r 1 )
Donde:
Yij= Valor estimado.
Ti Valor del tratamiento que contiene a la parcela perdida.
26
Yij =
4( 52 ) + 4( 53 ) 281
( 4 1 )( 4 1 )
=15.4444
VARIABLE:
rendimiento
Bloques
Tratamientos
1
2
3
4
I
15
21
20
17
II
20
15.444
18
15
ANALISIS DE VARIANZA
Fuentes de
Gl
SDC
Variacin
Tratamientos
Bloques
Error
Total
14
3
3
8
III
25
16
25
19
CM
18.980957
42.202637
113.889648
175.073242
6.326986
14.067546
14.236206
IV
18
15
15
22
Fcal
0.4444
0.9882
Ftab
5%
3.34
3.34
1%
5.56
5.56
Como Fcal es menor que Ftab no existen diferencias entre tratamientos ni entre rplicas.
De encontrarse diferencias, o sea si Fcal es mayor que Ftab para el caso de los tratamientos realizamos
la comparacin de medias.
Para la comparacin de medias de tratamientos con todas las observaciones completas se utiliza:
DMS = t( ; gle )
2CMerror
Nodeobserv.encadaTto.
(1)
Para la comparacin de medias del tratamiento que contiene la parcela perdida contra cualquier otro
tratamiento se utiliza:
t
DMS = t( ,Glerror ) CM e +
r r (r 1)(t 1)
(2)
El criterio de prueba es: si el valor absoluto de la diferencia entre dos medias de tratamientos en donde
no est incluido el tratamiento de la parcela perdida es mayor que la DMS calculada en (1) entonces
las medias son diferentes. Si el tratamiento de la parcela perdida est incluido en la prueba, entonces el
valor de la DMS para la comparacin se calcula por (2).
27
CONTRASTES ORTOGONALES.
Los contrastes ortogonales se utilizan cuando se tienen un conjunto de tratamientos cualitativos con
estructura, de tal forma que es conveniente comparar un tratamiento contra el promedio de otros
tratamientos o un conjunto de tratamientos contra otro conjunto de tratamientos. Es decir, se prueban
hiptesis de la forma:
HO: 3T1 T2 T3 T4 = 0 vs Hl : 3T1 T2 T3 T4 0
Esta hiptesis compara el efecto del tratamiento 1 contra el promedio de los efectos de los
tratamientos 2, 3, 4.
HO: T1 + T2 T3 T4 = 0 vs Hl : T1 + T2 T3 T4 0
Esta hiptesis compara el efecto conjunto del tratamiento 1 y 2 contra el efecto conjunto de los
tratamientos 3 y 4.
En general se prueban hiptesis de la forma:
i =1
i =1
H 0 : i ti = 0 vs H l : i ti 0 ; con
i = 0
i =1
t
i ti
i =1
i1 i 2 = 0
i =1
T3
-1
0
-1
T4
-1
0
1
i1 i 2 = 1112 + 21 22 + 31 32 + 41 42
i =1
i1 i3 = 1113 + 21 23 + 31 33 + 41 43
i =1
i 2 i3 = 1213 + 22 23 + 32 33 + 42 43
i =1
EJEMPLO:
Consideremos un experimento donde se compararon 4 variedades de maz con un diseo de bloques al
azar.
Variedad 1. Precoz resistente.
Variedad 2. Precoz susceptible.
Variedad 3. Tarda resistente.
Variedad 4. Tarda susceptible.
Los datos del rendimiento son:
Tratamientos
Rplica
T1
T2
T3
T4
Total
I
6
5
7
8
26
II
7
6
7
9
29
III
7
7
8
8
30
IV
8
8
9
10
35
V
7
8
9
9
33
Total
35
34
40
44
153
El anlisis de varianza se calcula de acuerdo al anlisis del diseo de bloques al azar:
Fuentes de
Gl
SDC
CM
Fcal
Ftab
variacin
5%
1%
Rplicas
4
12.30
3.075
11.18
3.26 5.41
Tratamientos
3
12.95
4.3166
15.70
3.49 5.95
Error
12
3.3
0.2750
Total
19
28.55
Las hiptesis que se desean probar son:
H0: T1 + T2 T3 T4 = 0 vs Hl : T1 + T2 T3 T4 0
H0: T1 - T2 = 0 vs Hl : T1 - T2 0
H0: T3 T4 = 0 vs Hl : T3 T4 0
La primera hiptesis compara las variedades precoces contra tardas la segunda hiptesis compara las
dos variedades precoces y la tercera hiptesis compara las dos variedades tardas.
Estas hiptesis se prueban en un anlisis de varianza.
La suma de cuadrados de tratamientos se particiona en tres partes, una para cada contraste.
La tabla de los contraste es la que vimos anteriormente.
La suma de cuadrados para contraste es:
SC (contrastej ) =
C 2j
t
r Cij2
i =1
Donde:
29
C j = Cij Ti
i =1
5 (1) + (1) + ( 1) + ( 1)
SC(Contraste 2) =
C22
t
r Ci22
(T1 T2 )2
2
2
2
2
r C12
+ C22
+ C32
+ C42
i =1
(
35 34 )2
=
5 (1)2 + ( 1)2 + (0 )2 + (0)2
SC(Contraste3) =
C12
t
r Ci23
i =1
(T3 T4 )2
2
2
2
2
r C13
+ C23
+ C33
+ C43
(
40 44)2
=
5 (0 )2 + (0)2 + (1)2 + ( 1)2
4
3
1
1
1
12
19
] = 0.1
12.30
12.95
11.25
0.10
1.60
3.30
28.55
] = 1.6
CM
Fcal
3.0750
4.3166
11.2500
0.1000
1.6000
0.2750
11.18
15.70
40.90
0.36
5.82
Ftab
3.26
3.49
4.75
4.75
4.75
5.41
5.95
9.33
9.33
9.33
El anlisis de varianza muestra que el efecto conjunto de los tratamientos 1 y 2 es diferente al efecto
conjunto de los tratamientos 3 y 4. Los tratamientos 1 y 2 no son diferentes. Los tratamientos 3 y 4
difieren significativamente.
30
POLINOMIOS ORTOGONALES
Los polinomios ortogonales se utilizan cuando se tiene un conjunto de tratamientos cuantitativos y nos
interesa saber la tendencia de la respuesta. Las tendencias pueden ser lineal, cuadrtica, cbica, etc.
En el anlisis de polinomios ortogonales, la suma de cuadrados de tratamientos se descompone en t-1
suma de cuadrados, cada una con un grado de libertad. Cada suma de cuadrados representa un efecto:
lineal, cuadrtico, etc. La tendencia para la particin de la suma de cuadrados de tratamientos es igual a
la de contrastes ortogonales.
Cuando los tratamientos estn igualmente espaciados, los coeficientes de los tratamientos de los
contrastes son:
Para tres tratamientos:
Efecto
T1
T2
T3
Lineal
-1
0
1
Cuadrtico
1
-2
1
Para cuatro tratamientos:
Efecto
Lineal
Cuadrtico
Cbico
T1
-3
1
-1
T2
-1
-1
3
T3
1
-1
-3
T4
3
1
1
T1
-2
2
-1
1
T2
-1
-1
2
-4
T3
0
-2
0
6
T4
1
-1
-2
-4
T5
2
2
1
1
T1
-5
5
-5
1
-1
T2
-3
-1
7
-3
5
T3
-1
-4
4
2
-10
T4
1
-4
-4
2
10
T5
3
-1
-7
-3
-5
T6
5
5
5
1
1
Para ms de 6 tratamientos los coeficientes aparecern al final del ejercicio resuelto (es importante
aclarar que aparecern los coeficientes en sentido vertical).
31
EJEMPLO:
Se realiz un experimento con un diseo de bloques al azar, con el objetivo de comparar 4 normas de
riego en pltano fruta, clon Cavendish gigante. Las normas fueron:
T1: 20 mm semanales
T2: 40 mm semanales
T3: 60 mm semanales
T4: 80 mm semanales
TABLA DE DATOS
VARIABLE:
Rendimiento final
Rplicas
Tratamientos
1
2
3
4
I
38.3
69.2
53.7
45.6
II
37.8
65.6
52.8
44.3
III
38.1
67.8
54.1
46.1
IV
38.4
69.1
55.6
44.8
ANALISIS DE VARIANZA
F. de variacin
Tratamientos
Rplicas
Error
Total
C.V. =
Gl
3
3
9
15
SDC
CM
1976.332031
8.179688
6.484375
1990.996094
658.777344
2.726563
0.720486
Fcal
914.3512
3.7843
Ftab
5%
3.86
3.86
1%
6.99
6.99
1.653602%
TABLA DE MEDIAS
Tratamientos
Medias
1
38.150002
2
67.924995
3
54.050003
4
45.200001
T A B L A D E COEFICIENTES
Tratamiento
T1
C1
-3
C2
1
C3
-1
T2
-1
-1
3
T3
1
-1
-3
T4
1
1
1
32
SDC (Lineal )
[
3( 152.6 ) 271.7 + 216.2 + 3( 180.8 )]2
=
4 ( 3 ) 2 + ( 1 ) 2 + 12 + 3 2
=10.599710
C 22
SDC (Cuadrtica ) =
i =1
SDC
( Cuadrtica )=
C i22
( T1 T 2 T 3 + T 4 )2
2
2
2
2
r( C12
+ C 22
+ C 32
+ C 42
)
=1491.503784
SDC
( Cbica )=
C32
t
r Ci 3
i =1
13
23
33
43
2
[
152.6 + 3( 271.7 ) 3( 216.2 ) + 180.8 ) ]
SDC( Cbica ) =
4[( 1 ) 2 + 3 2 + ( 3 ) 2 + 12 ]
=473.558899
ANALISIS DE
F. de variacin
Lineal
Cuadrtico
Cbico
Error
VARIANZA
Gl
SDC
1
10.599710
1
1491.503784
1
473.558899
9
6.484374
CM
10.599710
1491.503784
473.558899
0.720486
Fcal
14.711889
2072.135734
657.277044
Ftab
5.12 10.56
5.12
10.56
5.12
10.56
Los resultados muestran que los efectos lineal, cuadrtico y cbico son altamente significativos, por lo
que los datos se pueden ajustar al siguiente modelo de regresin:
33
Yij = B0 + B1 N i + B2 N i2 + eij
i = 1, 2......t
j = 1, 2......r
Donde:
5
0
-3
-4
-3
0
5
-1
+1
+1
0
-1
-1
+1
+3
-7
+1
+6
+1
-7
+3
-1
+4
-5
0
+5
-4
+1
-7
-5
-3
-1
+1
+3
+5
+7
+7
+1
-3
-5
-5
-3
+1
+7
-7
+5
+7
+3
-3
-7
-5
+7
+7
+13
-3
+9
+9
-3
-13
-7
-7
+23
-17
-15
+15
+17
-23
+7
-4
-3
-2
-1
0
+1
+2
+3
+4
+28
+7
-8
-17
-20
-17
-8
+7
+28
-14
+7
+13
+9
0
-9
-13
-7
+14
+14
-21
-11
+9
+18
+9
-11
-21
+14
-4
+11
-4
-9
0
+9
+4
-11
+4
N=8
N=9
34
N = 10
-9
-7
-5
-3
-1
+1
+3
+5
+7
+9
+6
+2
-1
-3
-4
-4
-3
-1
+2
+6
-42
+14
+35
+31
+12
-12
-31
-35
-14
+42
+18
-22
-17
+3
+18
+18
+3
-17
-22
+18
-6
+14
-1
-11
-6
+6
+11
+1
-14
+6
-5
-4
-3
-2
-1
0
+1
+2
+3
+4
+5
+15
+6
-1
-6
-9
-10
-9
-6
-1
+6
+15
-30
+6
+22
+23
+14
0
-14
-23
-22
-6
+30
+6
-6
-6
-1
+4
+6
+4
-1
-6
-6
+6
-3
+6
+1
-4
-4
0
+4
+4
-1
-6
+3
-11
-9
-7
-5
-3
-1
+1
+3
+5
+7
+9
+11
+55
+25
+1
-17
-29
-35
-35
-29
-17
+1
+25
+55
-33
+3
+21
+25
+19
+7
-7
-19
-25
-21
-3
+33
+33
-27
-33
-13
+12
+28
+28
+12
-13
-33
-27
+33
-33
+57
+21
-29
-44
-20
+20
+44
+29
-21
-57
+33
N = 11
N = 12
35
CUADRADO LATINO.
Este diseo presenta las siguientes caractersticas:
La disposicin de las variantes del experimento sobre el terreno se hace en dos direcciones
perpendiculares recprocas y esto es lo que lo diferencia del bloque al azar.
En este las variantes se agrupan adems de bloques en columnas lo que es un nuevo elemento en ste
diseo.
Se puede utilizar en experimentos agrotcnicos, as como de seleccin de variedades, pero no es
recomendable en experimentos donde se utilice la mecanizacin.
Elimina la variabilidad de la fertilidad del suelo en dos direcciones.
En este diseo el nmero de filas y columnas y de tratamientos son iguales.
Presenta la dificultad de que el mismo no se puede estudiar un nmero grande de variante o
tratamiento.
El modelo matemtico de este diseo es el siguiente:
Yijk = + Ti + F j + CK + ijk
Donde:
= media general
Ti = es el efecto del i-simo tratamiento.
Fj =es el efecto de la j-sima fila.
Ck =es el efcto de la k-sima columna.
ijk = es la variacin aleatoria del i-simo tratamiento, la j-sima fila y la k-sima columna (error
experimental.
EJEMPLO:
En un experimento bajo el diseo de Cuadrado Latino se compararon 5 tipos de fertilizantes:
F1- NPK + 30 mg bb-16
F2- NPK + 45 mg bb-16
F3- NPK + 60 mg bb-16
F4-NPK.
F5- Sin fertilizantes.
La tabla siguiente muestra los datos del rendimiento de la soya para los 5 fertilizantes.
Filas
I
II
III
IV
V
Total
1
22(F1)
24(F2)
19(F3)
16(F4)
5(F5)
86
2
20(F2)
17(F3)
14(F4)
4(F5)
23(F1)
78
Columnas
3
4
19(F3)
10(F4)
12(F4)
6(F5)
8(F5)
20(F1)
25(F1)
21(F2)
25(F2)
11(F3)
89
68
5
10(F5)
21(F1)
23(F2)
16(F3)
14 (F4)
84
Total
81
80
84
82
78
405
En la tabla anterior obtenemos los totales de filas y columnas, pero debemos obtener los totales por
cada tratamiento.
36
Tratamientos Totales
F1
111
F2
113
F3
82
F4
66
F5
33
SDCTotal = X
( X )
4052
= 1010.000
25
( Trat )
SDCTrat =
SDCTrat =
Nodedatosportramiento
SDCFila =
= 890.797
5
25
2
( Fila )
( X )
SDCFila =
( X )
NodedatosporFila
81 + 80 + 84 + 82 + 782 4052
= 3.997
5
25
2
( Columna )
2
SDCColumna =
86 + 78 + 89 + 68 + 84
4052
= 55.197
5
25
= SDCTotal SDCTrat SDCFila SDCColumna.
SDCColumna =
SDCError
NodedatosporColumna
( X )
Gltotal = N 1
= 25 1
= 24
Gltrat . =# Trat . 1
=51
=4
GlFila = Nodefila 1
=51
=4
GLCol = NodeColumna 1
=51
=4
37
CM trat .
= 24 (4 + 4 + 4)
= 12
SDCtrat . 890.797
=
= 222.699
=
4
Gltrat
CM COL =
SDCCol 55.197
=
= 13.799
4
GlCol
CM Fila =
SDCFila 3.997
=
= 0.999
4
GlFila
CM Error =
SDCError 60.006
=
= 5.00
12
GlError
FTrat =
222.699
CM Trat
=
= 44.536
5.00
CM Error
FCol =
13.799
CM Col
=
= 2.76
5.00
CM Error
FFila =
0.999
CM Fila
=
= 0.200
5.00
CM Error
24
4
4
4
12
SDC
1010.000
3.997
55.197
890.797
60.006
CM
0.999
13.799
222.699
5.000
Ftab
Fcal
0.200
2.760
44.536
5%
1%
3.26
3.26
3.26
5.41
5.41
5.41
Para el caso de los tratamientos existen diferencias, por lo que debemos aplicar una prueba de
comparacin de medias.
38
Medias
Significacin.
SX
NPK + 30 mg bb-16
NPK + 45 mg bb-16
NPK + 60 mg bb-16
NPK
Sin fertilizantes
22.2
22.6
16.4
13.2
6.6
A
A
B
C
D
1.00
P 0.01
Como podemos observar entre el tratamiento 1 y 2 no existen diferencias, pero si entre estos dos y los
restantes.
ES D = S 2 +
r (r 1)(r 2)
Donde:
S = es el cuadrado medio del error o varianza del error.
R = No de rplicas.
39
RECTNGULO LATINO.
El diseo rectngulo latino o cuadrado latino modificado tiene las caractersticas de que abarca la
variabilidad de la fertilidad del suelo en dos sentidos, en el sentido de la fila y la columna, permite el
uso de un nmero grande de tratamientos, en este el nmero de columnas es igual al nmero de filas,
pero desigual al nmero de tratamientos, siendo este un mltiplo de filas y columnas, cada columna
est formado por ms de una hilera, los tratamientos no se pueden repetir ni en el sentido de las
columnas, ni las filas.
Ejemplo.
Los datos obtenidos por parcela en el rendimiento industrial de 8 variedades de caa montada en un
diseo rectngulo latino es el siguiente:
Rplicas
I
Col 1
V6
V2
12.3
15.3
V3
V1
13.4
12.1
V7
V4
13.7
11.2
V5
V8
15.4
14.1
107.5
II
III
IV
Total
Col 2
V4
V3
11.2
13.6
V8
V5
14.1
15.2
V2
V1
15.5
12.6
V6
V7
12.4
13.7
108.3
Col 3
V5
V1
15.6
12.7
V7
V6
13.4
12.2
V8
V3
14.1
13.5
V2
V4
15.5
11
108
Col 4
V7
V8
13.8
14.3
V2
V4
15.2
11.5
V6
V5
12.7
15.3
V3
V1
13.5
12.6
108.9
Total
108.8
107.1
108.6
108.2
432.7
( X )
"2
SDCTrat =
SDCTrat
Trat
432.7 2
= 60.214844
32
( X )
Noobservenc / Trat
N
2
2
2
50 + .... + 56.6
432.7
=
= 59.432129
4
32
40
SDCFila =
SDCFila
Fila
( X )
NodedatosporFila
= 0,2159375
8
32
SDCColumna =
SDCColumna =
Columna
NodedatosporColumna
( X )
= 0,1284375
8
32
Gl
SDC
CM
Fcal
Ftab
5%
1%
Total
Tratamiento
Fila
Columna
Error
31
7
3
3
18
60.214844
59.432129
0,2159375
0,1284375
0,44268375
8.49
0.072
0.043
0.025
339.6
2.88
1.72
2.58
3.16
3.16
3.85
5.09
5.09
Como podemos observar en el anlisis de varianza existen diferencias entre los tratamientos por lo que
debemos aplicar la comparacin de medias.
Comparacin de medias por el mtodo de DUNCAN.
Tratamientos
T2
T4
T8
T7
T1
T6
T5
T3
Prueba de Duncan
Medias
Significacin
15.4
a
15.3
a
14.1
b
13.6
c
12.5
d
12.3
d
12.3
d
11.2
e
EE
0.079
Como podemos observar en la prueba de Duncan no existen diferencias entre los tratamientos 2 y 4,
pero estos difieren de los restantes tratamientos, entre los tratamientos 1, 6 y 5 no existen diferencias,
siendo el de peor comportamiento el 3.
41
EJEMPLO:
Se realiz un experimento en el cultivo del pltano fruta (Musa AAAB) con el objetivo de evaluar 2
clones con 3 normas riego.
Los clones fueron:
C1 FHIA 01
C2 FHIA 18
Las normas de riego fueron:
N1: 25 mm semanales
N2: 44 mm semanales
N3: 80 mm semanales
Se muestre un campo por cada tratamiento midindose el peso del racimo (expresado en kg) en 10 m
plantones de cada campo.
Los resultados son los siguientes:
C1N1
33.0
33.2
32.9
33.7
33.4
32.6
34
33.5
33.9
32.9
C1N2
26.8
26.7
25.9
26
26.9
27.0
27.8
26.5
25.9
25
C1N3
30.0
31.0
30.8
30.7
31.8
31.9
30.6
30.3
31.1
32.2
C2N1
40.0
40.6
39.6
40.8
38.6
39.9
40.3
41.2
40.6
40.0
C2N2
30.0
29.9
29.8
30.3
30.4
39.2
30.8
31.6
31.5
31.7
C2N3
33.0
33.6
33.2
33.9
34.8
33.6
33.1
30.5
30.4
33.4
TOTAL
C1N1
333.1
C1N2
264.5
C1N3
310.4
C2N1
401.6
C2N2
315.2
C2N3
329.5
TOTAL 1954.3
42
N1
N2
N3
C1
333.1
264.5
310.4
908.0
C2
401.6
315.2
329.5
1046.3
734.7
579.7
639.9
1954.3
SDC total = X
2
(
X )
(1954.3)2
SDCtotal = 1096.941833
SDCtrat =
SDCtrat =
TRAT 2
# obs en cada trat
60
2
(
X)
60
10
60
SDCtrat = 991.978833
SDC FactorA ( clon ) =
SDCFactorA =
# obs. en c/nivel A
2
X)
(
= 318.7815
30
60
2
SDC FactorB
SDCFactorB
Niveles de A 2
Niveles de B
( Riego ) =
# obs. en c/nivel B
2
X)
(
= 610.601333
20
60
CM A =
SDC A 318.7815
=
= 318.7815
1
Gl A
CM B =
SDC B 610.601333
=
= 305.300667
Gl B
2
CM AxB =
SDCAxB 62.596
=
= 31.298
GlAxB
2
CM error =
SDCerror 104.963
=
= 1.943759
54
Gle
Fcal A=
CM A
318.7815
=
= 164.00
CM error 1.943759
F cal B=
CM B
305.300667
=
= 157.07
CM error
1.943759
F cal AxB=
CM AxB
31.298
=
= 16.10
CM error 1.943759
44
ANLISIS DE VARIANZA.
Fuentes de
GL
Variacin
Total
59
Tratamientos
5
Factor A
1
Factor B
2
Int A x B
2
Error
54
SDC
CM
Fcal
1096.941833
991.978833
318.781500
610.601333
62.596000
104.96300
198.395767
318.781500
305.300667
31.29800
1.943759
102.07
164.00
157.07
16.10
Ftab
4.02
3.17
3.17
7.12
5.01
5.01
EE =
45
2CM Error
Para aplicar MDS.
ra
CM Error
Para aplicar otra prueba que no sea MDS.
EE =
ra
rb = No de rplicas por Niveles de A.
EE =
Factor A
A1
A2
Clones
FHIA 01
FHIA 18
Media
30.266667
34.876667
ES
0.254543
0.254543
B1
B2
B3
Normas de riego
25 mm semanales
44 mm semanales
80 mm semanales
Media
36.735
28.985
31.995
ES
0.311750
0.311750
0.311750
Medias
40.16
33.31
32.95
31.52
31.04
26.45
Significacin
a
b
b
c
c
d
ES
Factor B
Interaccin A X B
Tratamientos
A2B1
A1B1
A2B3
A2B2
A1B3
A1B2
0.440881
46
EJEMPLO.
En el CAI Majibacoa se realiz un experimento en la cepa de caa planta, en un suelo pardo sin
carbonatos para evaluar la efectividad del Biobrs 16 en el crecimiento de dos variedades de caa de
azcar. El diseo utilizado fue de bloques al azar con 4 rplicas.
Las variedades utilizadas fueron: V1= C 1051-73 y V2=Ja 60-5.
Las dosis de Biobrs: D1=0.5 mg/ha y D2=1.0 mg/ha
La variable analizada fue el rendimiento en T/Ha.
Esquema del experimento:
Rplicas
I
T2
II
T4
III
T1
IV
T4
Tratamientos
T4
T1
T2
T3
TI
T3
T4
T1
T3
T2
T3
T2
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes
hiptesis:
Ho: V1 = V2 vs Hl: V1 V2
Ho: D1 = D2 vs Hl: D1 D2
Ho: No hay interaccin vs Hl: si hay interaccin.
V1D1
V1D2
V2D1
V2D2
I
70
75
72
70
287
II
71
74
68
69
282
561
III
72
76
71
72
291
IV
68
75
69
71
283
D2
300
282
582
281
300
280
282
1143
581
562
1143
47
SDCTotal = X
( X )
11432
= 93.9375
16
2
(
Re p 2
X)
NoobservencadaRp
N
SDCRe p =
= 12.6875
4
16
Tto
SDCTto =
SDCTto
NoobservencadaTto
N
2
2
2
2
281 + 300 + 280 + 282 11432
=
= 68.1875
4
16
Var
SDCV =
SDCVar
( X )
( X )
NoobservencadaVar
N
2
2
2
581 + 562 1143
=
= 22.5625
8
16
Dosis
SDCDosis =
SDCDosis
( X )
N
NoobservencadaDosis
2
2
2
561 + 582 1143
=
= 27.5625
8
16
SDCRp
GlRp
12.6875
= 4.229167
3
48
CM Var =
SDCVar 22.5625
=
= 22.5625
GlVar
1
CM Dosis =
SDCDosis 27.5625
=
= 27.5625
GlDosis
1
CM VarxDosis =
CM Error =
FRp =
SDCVarxDosis 18.0625
=
= 18.0625
GlVarxDosis
1
SDCError 13.0625
=
= 1.451389
GlError
9
CM Rp
CM Error
4.229167
= 2.9139
1.451389
CM Var
22.5625
=
= 15.5455
CM Error 1.451389
27.5625
CM Dosis
FDosis =
=
= 18.9904
CM Error 1.451389
18.0625
CM Int .
FInt . =
=
= 12.4450
CM Error 1.451389
FVar =
ANALISIS DE VARIANZA
Ftes de
Variacin
Rplica
Tratamiento
Var
Dosis
Interaccin
Error
Total
C.V. =
Gl
SDC
CM
Fcal
3
3
1
1
1
9
15
12.6875
68.1875
22.5625
27.5625
18.0625
13.0625
93.9375
4.229167
2.9139
Ftab
5%
1%
3.86 6.99
22.5625
27.5625
18.0625
1.451389
15.5455
18.9904
12.445
5.12 10.56
5.12 10.56
5.12 10.56
1.686420%
La interpretacin de los resultados es similar al ejemplo para bifactorial para bloques al azar.
TABLA DE MEDIAS DEL FACTOR A
Variedades
C 1051-73
Ja 60-5
Media
72.625000
70.250000
49
Media
70.125
72.750
Como se conoce en los experimentos factoriales, cuando existe diferencias en la interaccin podemos
aplicar las pruebas de comparacin de medias comparando las medias todas contra todas, o tambin
comparando los niveles de un factor dentro del otro factor y es lo que realizaremos en este caso.
Comparacin de medias por la MDS.
D1
V1
70.250A
V2
70.000A
Media
70.125
D2
75.000 A
70.500B
72.750
Media
72.625
70.250
71.4375
Los resultados muestran que no hay diferencias entre las variedades cuando se aplica la dosis 1, sin
embargo cuando se aplica la dosis 2 la mejor variedad es la 1.
50
EJEMPLO.
Se realiz un experimento el cultivo del pltano fruta con el objetivo de evaluar 3 dosis de mutgeno
fsico, 2 porciento de humedad de la semilla y 2 edades de la semilla.
Las dosis del mutgeno fsico fueron las siguientes: Rayos Ganma: D1 100 gy; D2 200gy y D3 300 gy.
Los porcientos de humedad fueron: H1: 40 % y H2 20 %.
Las edades de la semilla; E1 6 meses y E2 12 meses.
Se utiliz un diseo completamente al azar con 4 observaciones por tratamiento.
Se ofrecen los datos del porciento de supervivencia de plantas en la generacin M2.
TRATAMIENTOS
D1H1E1
D1HIE2
DIH2E1
DIH2E2
D2H1E1
D2HIE2
D2H2E1
D2H2E2
D3HIE1
D3HIE2
D3H2E1
D3H2E2
i
80.1
75.3
75.3
73.1
54.6
50.8
74.7
69.5
64.3
60.6
43.2
40.8
810
RPLICAS
II
82.3
75.6
74.8
70.3
56.6
51.3
73.8
68.6
62.6
61.1
45.4
39.9
819
III
82.5
76.2
74.5
72.7
54.7
52.6
74
70.1
63
62
44
40
796
IV
78.5
75
76.7
71.8
55.1
50.9
72.6
68
63.8
61
44.9
40.1
807
323,4
302,1
301,3
287,9
221
205,6
295,1
276,2
253,7
244,7
177,5
160,8
3049,3
51
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes
hiptesis:
H0: D1=D2 = D3 vs Hl: D1 D2 D3
H0: H1=H2 vs Hl: H1 H2
H0: E1=E2 vs Hl: E1 E2
H0: no hay interaccin DH vs Hl: hay interaccin DH
H0: no hay interaccin DE vs Hl: hay interaccin DE
H0: no hay interaccin HE vs Hl: hay interaccin HE
H0: no hay interaccin DHE vs Hl: hay interaccin DHE.
Estas hiptesis se prueban mediante el siguiente anlisis de varianza:
SDC total = X
( X )2
3049.3 2
= 80.1 + ....... + 40.1
=7778.156250
48
2
SDCTotal
H1
625.5
426.6
498.4
1550.5
D1
D2
D3
SDC FactorA
SDC FactorA
SDC FactorB
nivelesdeA 2
=
NoobservenA
1214,7
997,9
836,7
3049,3
( X )2
=4467.609375
16
48
nivelesdeB 2
SDC FactorB =
D1
D2
D3
H2
589.2
571.3
338.3
1498,8
NoobservenB
( X )2
1550.5 2 + 1498.8 2
24
E1
624.7
516.1
431.2
1572
3049.3 2
48
=107.046875
E2
590.0
481.8
405.5
1477.3
1214.7
997,9
836.7
3049,3
52
SDC FactorC
nivelesdeC 2
=
NoobservenC
SDC FactorC =
SDC IntA*B =
SDC INtA*B
( X )2
=274.031250
24
48
(A * B)
NoobservenA * B
( X )2
SDC A SDC B
4467.609375-107.046875
8
48
(A * C )
NoobservenA * C
SDC IntA * C =
( X )2
SDC A SDC C
3049.9 2
48
4467.609375-274.031250
E1
798,1
773.9
1572
H1
H2
SDC IntB*C =
SDC IntB*C
(B * C )
NoobservenB * C
E2
752.4
724.9
1477.3
( X )2
1550.5
1498.8
3049.3
SDC B SDC C
107.046875 -274.031250
12
48
53
SDC IntA*B*C =
SDC A*B
A* B *C
NoobservenABC
SDC A*C SDC B*C
( X )2
4467.609375-107.046875
4
48
SDC INtA*B*C
-274.031250-2549.187500-26.781250-5.875000
CM FactorA =
SDC A 4467.609375
=
= 2233.804688
Gl A
2
CM FactorB =
SDC B 107.046875
=
= 107.046875
1
Gl B
CM FactorC =
SDC C 274.031250
=
= 274.031250
1
Gl C
CM IntA*B =
CM IntA*C =
CM IntB*C =
CM A*B*C =
CM Error =
FcalA =
CM A
2233.804688
=
= 244.5214
CM Error
9.135417
FcalB =
CM B
107.046875
=
= 11.7178
9.135417
CM Error
FcalC =
CM C
274.03125
=
= 29.9966
9.135417
CM Error
FcalA*B =
CM A*B
2549.1875
=
= 139.5222
CM Error
9.135417
FcalA*C =
CM A*C 13.390625
=
= 1.4658
9.135417
CM Error
FcalB*C =
CM B*C
5.875
=
= 0.6431
CM Error 9.135417
FcalA*B*C =
CM A*B*C
9.375
=
= 1.0262
9.135417
CM Error
55
ANALISIS DE VARIANZA
FV
GL
FACTOR A
FACTOR B
FACTOR C
AXB
AXC
BXC
AXBXC
ERROR
TOTAL
C.V. =
2
1
1
2
2
1
2
36
47
SC
4467.609375
107.046875
274.031250
2549.187500
26.781250
5.875000
18.750000
328.875000
7778.156250
CM
2233.804688
107.046875
274.031250
1274.593750
13.390625
5.875000
9.375000
9.135417
F
244.5214
11.7178
29.9966
139.5222
1.4658
0.6431
1.0262
Ftab
5% 1%
3.32
4.37
4.17
3.32
3.32
4.37
3.32
5.39
7.56
7.56
5.39
5.39
7.56
5.39
4.7268%
2CME
Para aplicar MDS
r
CME
EE =
Para aplicar otra prueba.
r
EE =
2- Si la interaccin AxB, AxC, y/o BxC son significativas entonces se comparan las medias de los
niveles de un factor dentro de los niveles del otro factor.
Si se desean comparar las medias de niveles del factor B en el mismo nivel de A, se usa el
siguiente error estndar.
2CME
Para aplicar MDS
rc
CME
Para aplicar otra prueba.
EE=
rc
EE=
Si se desea comparar dos medias de los niveles del factor C en el mismo nivel de A, se usa el
siguiente error estndar.
EE=
2CME
rb
56
EE=
CME
Para aplicar otra prueba.
rb
Si se desea comparar dos medias de los niveles del factor C en el mismo nivel de B, se usa el
siguiente error estndar.
2CME
ra
CME
Para aplicar otra prueba.
EE=
ra
EE=
2CME
Para aplicar MDS
rbc
CME
EE=
Para aplicar otra prueba
rbc
EE=
2CME
Para aplicar MDS
rac
CME
EE=
Para aplicar otra prueba
rac
EE=
2CME
Para aplicar MDS
rab
CME
Para aplicar otra prueba
EE=
rab
EE=
Media
75.918747
63.618752
52.293747
57
Media
65.437492
62.450001
Media
66.333328
61.554169
MEDIA
75.9187
63.6188
52.2937
63.9438
MEDIA
75.9187
63.6188
52.2937
63.9438
MEDIA
65.4375
62.4500
63.9438
1
80.8500
75.3250
60.2500
73.7750
63.4250
44.3750
2
75.5250
71.9750
51.4000
69.0500
61.1750
40.2000
58
Yijkm = es la observacin l, en el nivel i del factor A, nivel j del factor B, nivel k del factor C
= es la media general.
Rl efecto debido a la rplica.
Ai es el efecto del nivel i del factor A.
Bj es el efecto del nivel j del factor B.
Ck es el efecto del nivel k del factor C.
ABij es el efecto de la interaccin del nivel i del factor A y el nivel j del factor B.
ACik es el efecto de la interaccin del nivel i del factor A y el nivel k del factor C.
BCjk es el efecto de la interaccin del nivel j del factor B y el nivel k del factor C.
ABCijk es el efecto de la interaccin del nivel i del factor A, el nivel j del factor B y el nivel k del factor
C.
Eijkl es el error experimental.
Se realiz un experimento en el cultivo de la caa, en una cepa de caa planta, donde se evaluaron 2
dosis de fertilizantes nitrogenados, dos variedades y dos dosis de Biobrs.
Los dosis de fertilizantes fueron: 50 kg/ha y 75 kg/ha.
Las variedades estudiadas: V1- C 8751 y C 1051-73.
Las dosis de Biobrs 16: 40 ml/ hectrea y 100 ml/ hectrea.
La variable evaluada fue el rendimiento en T/ha.
D1V1B1
D1V1B2
D1V2B1
D1V2B2
D2V1B1
D2V1B2
D2V2B1
D2V2B2
I
65
58
75
71
68
70
85
78
570
II
68
60
72
74
65
72
86
75
572
III
62
57
75
72
60
69
85
79
559
D1
D2
V1
491
536
1027
V2
581
650
1231
D1
D2
B1
553
597
1150
B2
519
589
1108
IV
65
56
71
71
64
68
84
78
557
260
231
293
288
257
279
340
310
2258
1072
1186
2258
1072
1186
2258
59
B1
517
633
1150
V1
V2
SDCTotal = X
1027
1231
2258
2258 2
=2103.875000
32
Rp
SDC Rp. =
( X )2
SDCTotal = 65 2 + ...... + 78 2
SDC Rp =
B2
510
598
1108
No.observ.enC / Rp
( X )2
= 21.625
8
32
FactorA 2
SDC FactorA =
No.observ.enA
SDC FactorB =
FactorB 2
No.observ.enB
( X )2
= 1300.5
16
32
SDC FactorC =
SDC FactorC
= 406.125000
16
32
SDC FactorA =
SDC FactorB
( X )2
FactorC 2
No.observ.enC
( X )2
= 55.125
16
32
SDC IntA*B =
(A * B)
NoobservenA * B
( X )2
SDC A SDC B
60
SDC IntA*B
406.125-1300.5
8
32
SDC IntA*C
(A * C )
NoobservenA * C
( X )2
SDC A SDC C
406.125-55.125
8
32
SDC IntB*C
(B * C )
NoobservenB * C
( X )2
SDC B SDC C
1300.5-55.125
8
32
A* B *C
NoobservenABC
SDC A*C SDC B*C
SDC INtA*B*C =
( X )2
406.125-1300.5-55.125-18.0-21.125-24.5
4
32
CM Rp =
SDC Rp
GL Rp
21.165
= 7.208333
3
CM FactorA =
SDC A 406.125
=
= 406.125
Gl A
1
CM FactorB =
SDC B 1300.5
=
= 1300.5
1
Gl B
CM FactorC =
SDC C 55.125
=
= 55.125
1
Gl C
CM IntA*B =
CM IntA*C =
CM IntB*C =
CM A*B*C
CM Error =
FCalRp =
FcalA =
CM Rp
CM Error
7.208333
= 1.9820
3.636905
CM A
406.125
=
= 111.6678
CM Error 3.636905
62
FcalB =
CM B
1300.5
=
= 357.5843
CM Error 3.636905
FcalC =
CM C
55.125
=
= 15.1571
CM Error 3.636905
FcalA*B =
CM A*B
18.00
=
= 4.9493
CM Error 3.636905
FcalA*C =
CM A*C
21.125
=
= 5.8085
CM Error 3.636905
FcalB*C =
CM B*C
24.5
=
= 6.7365
CM Error 3.636905
FcalA*B*C =
Fuentes
de
Variacin
Rplicas
Factor A (D)
Factor B (V)
Factor C (B)
DxV
DxB
VxB
DxVxB
Error
Total
C.V. =
CM A*B*C
180.5
=
= 49.6301
3.636905
CM Error
Gl
SDC
CM
Fcal
3
1
1
1
1
1
1
1
21
31
21.625000
406.125000
1300.500000
55.125000
18.000000
21.125000
24.500000
180.500000
76.375000
7.208333
406.125000
1300.500000
55.125000
18.000000
21.125000
24.500000
180.500000
3.636905
1.9820
111.6678
357.5843
15.1571
4.9493
5.8085
6.7365
49.6301
Ftab
2.7027%
Tabla de medias del factor A
Dosis de fertilizantes
D1
D2
Media
67.00
74.125
63
Media
64.1875
76.9375
Tabla de medias del factor C
Dosis de Biobrs
B1
B2
Media
71.875
69.250
Factor A(D)
D1
D2
Media
Media
67.00
74.125
70.5625
Factor A(D)
D1
D2
Media
Media
67.00
74.125
70.5625
Factor B(V)
V1
V2
Media
Media
64.1875
76.9375
70.5625
64
I
3.17
2.04
2.92
3.22
2.81
4.49
3.52
2.56
3.59
28.32
II
4.87
4.51
3.68
2.60
3.41
3.34
2.54
3.07
4.71
32.73
III
4.81
4.02
3.43
3.81
3.10
4.03
2.90
2.93
3.90
31.93
Total
11.85
10.57
10.03
9.03
9.32
11.36
8.96
8.56
12.2
92.98
( X )
92.982
= 3.17 + ...... + 3.90
= 13.01
27
SDCTrat =
SDCTrat =
SDCRp =
SDCRp =
Trat
( X )
Nodedatosportramiento
= 4.93
3
27
2
Re p
Nodedatosporrplica
( X )
= 1.22
9
27
2
65
K1
21.88
18.28
40.16
K2
20.20
20.42
40.62
Total
42.08
38.70
80.78
P1
P2
Total
K1
21.17
18.99
40.16
K2
22.43
18.19
40.62
Total
43.60
37.18
80.78
Para esto se calcula otro trmino de correccin donde no se incluye el tratamiento N0P0Ko.
2
(
X)
80.782
=
= 271.89
TC2 =
24
N
N2
SDC N =
TC
NodedatosenN
42.082 + 38.70 2
SDC N =
271.89 = 0.48
12
SDCP =
TC
NodedatosenP
43.60 2 + 37.182
SDCP =
TC = 1.71
12
SDCK =
TC
NodedatosenK
40.16 2 + 40.62 2
SDCK =
271.89 = 0.01
12
SDC NP =
NP
NodedatosenNP
TC SDCN SDCP
66
SDC NP =
SDC NK =
SDC NK
PK
TC SDC N SDCK
NodedatosenNK
21.882 + ...... + 20.42 2
=
271.89 0.48 0.01 = 0.61
6
SDCPK =
SDCPK
NK
TC SDCP SDCK
NodedatosenPK
21.17 2 + .... + 18.19 2
=
271.89 1.71 0.01 = 0.18
6
NPK
SDC NPK =
TC NP NK PK N P K
NodeobservenNPK
11.852 + ..... + 8.56 2
SDC NPK =
271.89 0.04 0.61 0.18 0.48 1.71 0.01 = 0.60
3
Trat factoriales= SDC N + SDCP + SDCK + SDC NP + SDC NK + SDCPK + SDC NPK
Trat Factoriales=0.48+1.71+0.01+0.04+0.61+0.18+0.60=3.63
Testigo vs Trat Fac..=SDC todos los trat. -SDC trat. Factoriales
=4.93 3.63=1.30
Ftes de
variacin
N
P
K
NP
NK
PK
NPK
Trat Fac..
Testigo vs
Trat Fac..
Todos
Trat
Rplica
Error
Total
SDC
Gl
CM
Fcal
0.48
1.71
0.01
0.04
0.61
0.18
0.60
3.63
1.30
1
1
1
1
1
1
1
7
1
0.48
1.71
0.01
0.04
0.61
0.18
0.60
0.518
1.30
1.12
4.00
0.013
0.07
1.42
0.418
1.4
1.2
3.02
Ftab
5%
4.49
4.49
4.49
4.49
4.49
4.49
4.49
2.66
4.49
4.93
0.61
1.41
2.59
5.53
1.22
6.86
13.01
2
16
26
0.61
0.43
1.42
3.63
3.89
6.23
1%
8.53
8.53
8.53
8.53
8.53
8.53
8.53
8.53
4.03
Como podemos observar no existen diferencias en ninguno de los factores evaluados ni entre la
interaccin entre los factores, de haberlas procedemos a una prueba de comparacin de medias.
67
I
1,88
2,34
2,67
2,65
9,54
REPLICAS
II
1,86
2,36
2,65
2,67
9,54
III
1,90
2,32
2,69
2,63
9,54
I
2,36
2,53
2,72
2,71
III
2,36
2,55
2,74
2,69
10,32
REPLICAS
II
2,34
2,51
2,70
2,73
10,28
10,34
REPLICAS
II
III
Localidad 2
TRATAMIENTOS
V1
V2
V3
V4
Localidad 3
TRATAMIENTOS
68
V1
V2
V3
V4
2,21
2,43
2,51
2,75
9,9
Variedades
1
2
3
4
Localidad 1
5,64
7,02
8,01
7,95
28,62
SDCTotal = X
SDC Localidades =
SDC Localidades
SDCTrat =
SDCTrat
2,23
2,45
2,53
2,73
9,94
Localidad 2
7,06
7,59
8,16
8,13
30,94
Localidad 3
6,63
6,63
7,53
8,25
29,04
2,19
2,41
2,49
2,77
9,86
19,33
21,24
23,7
24,33
88,6
( X )2
Locald .2
NoobservencadaLocalid .
( X )2
= 2.177612
12
36
Trat 2
Noobservewnc / trat
( X )2
= 1.673447
9
36
SDC LxTrat =
SDC LxTrat =
(LxTrat )
NoobservenLxTrat
( X )2
88.6 2
36
69
SDC Rp / Localid =
SDC Rp / Localid
RpxLoc
Noobservenc / Rp / Localid
( X )2
SDC Localid .
2.177612 = 0.001251
4
36
SDC Error = SDCTotal SDC Localid SDCTrat SDC ( LxT ) SDC B / Localid
SDC Error = 2.177612 0.224655 1.673447 0.270447 0.001251 = 0.007813
ANALISIS DE VARIANZA
FUENTES
VARIACIN
GL
LOCALIDADES
R(L)
TRATAMIENTOS
LOC X TRATA
ERROR
TOTAL
2
6
3
6
18
35
SC
0,224655
0,001251
1,673447
0,270447
0,007813
2,177612
CM
0,112328
0,000209
0,557816
0,045074
0,000434
Fcal
12,3755
103,85
Ftab
5%
1%
3,49
2,66
5,99
4,01
C,V = 0,840242 %
De acuerdo con la tabla de esperanzas de cuadros medios, la hiptesis de igualdad de efectos de
tratamientos se prueba con la razn F= CM (trata)/CM (L*T), la cual se compara con el valor tabulado
de F, con (t-1) y (t-1) (l-1) grados de libertad. En el anlisis de varianza se observa que la Fc de
tratamiento es mayor que la f tabulada a ambos niveles de significancia, por lo que se rechaza la
hiptesis nula. Esto indica que se puede recomendar una variedad para las localidades .La hiptesis
para la interaccin se prueba con la razn F =CM (L*T)/CM (error), la cual se compara con el valor
tabulado de F, con (t-1)(l-1) y (t-1)(r-1) grados de libertad. En el anlisis de varianza se observa que la
Fcal de la interaccin es mayor que la F tabulada a ambos niveles de significancia, por lo que se
rechaza la hiptesis nula. Esto indica que hay diferencia entre las variedades al menos en una localidad.
Tambin puede ocurrir que la diferencia entre las variedades sea diferente en las localidades, o sea que
las mejores variedades no son las mismas en las diferentes localidades. Por lo tanto, en este caso es
necesario hacer una comparacin de medias de variedades en cada localidad.
--------------------------------------------1
2,385000
2
2,578333
3
2,475000
---------------------------------------------
PARCELA DIVIDIDA.
Se realiz un experimento con un arreglo en parcelas divididas con el objetivo de evaluar tres
variedades con dos sistemas de preparacin de suelos.
Los sistemas de preparacin de suelos son los siguientes: S1con inversin del prisma y S2 sin inversin
del prisma.
Las tres variedades son las siguientes: V1 Seorita; V2 CMC-40 y Jagey Dulce.
Los datos que se expresan a continuacin corresponden al rendimiento en toneladas por hectrea.
S1V2
20.6
SIV1
19.3
S1V3
16.5
S2V3
18.8
S2V1
22.2
S2V2
22.4
71
II
S2V1
23.1
S2V2
21.9
S2V3
18.6
S1V2
21.3
S1V3
17.6
S1V1
19.9
III
S1V3
17.2
S1V1
19.4
S1V2
20.5
S2V3
18.9
S2V2
22.5
S2V1
23.4
IV
S2V1
22.9
S2V2
22.3
S2V3
19.6
S1V1
20.3
S1V2
21.1
S1V3
17.1
El modelo es el siguiente:
Yijk = + Bi + S j + E ij ( a ) + V K + ( SV ) jk + E ijk (b )
TABLA DE DATOS
VARIABLE: Rendimiento
Sistemas Variedades
de
preparacin
S1
II
III
IV
V1
V2
V3
19.3
20.6
16.5
56,4
19.9
21.3
17.6
58,8
19.4
20.5
17.2
57,1
20.3
21.1
17.1
58,5
78,9
83,5
68,4
230,8
V1
V2
V3
22.2
22.4
18.8
63,4
23.1
21.9
18.6
63,6
23.4
22.5
18.9
64,8
22.9
22.3
19.6
64,8
91,6
89,1
75,9
256,6
119,8
122,4
121,9
123,3
487,4
S2
Rplicas
72
V1
78.9
91.6
170,5
S1
S2
SDCTotal = X
SDCTotal
V2
83.5
89.1
172,6
V3
68.4
75.9
144,3
230,8
256,6
487,4
( X )2
487.4 2
=96.539063
= 19.3 + ....... + 19.6
24
2
SDC Rplica =
Rplica 2
NoobservporRp
( X )2
= 1.102539
6
24
2
NivelesdeA 2 ( X )
SDC FactorA =
N
NoobserenA
2
2
230.8 + 256.6
487.4 2
SDC FactorA =
= 27.736328
12
24
SDC ErrorA =
SDC ErrorA
SDC ErrorA
SDC FactorB
SDC FactorB
Rp * A
NoobservenRp * A
( X )2
1.102539 27.736328
3
24
= 0.766602
NivelesdeB ( X )
=
NoobservenB
N
2
2
170.5 + 172.6 + 144.3 2 487.4 2
=
= 62.157227
8
24
73
AxB
SDC IntA*B =
SDC IntA*B
SDC IntA*B
NoobservenAxB
( X )2
SDC A SDC B
27.736328 - 62.157227
4
24
= 3.375977
SDC ErrorB = SDCTotal SDC FactorA SDC Rp SDC ErrorA SDC FactorB
SDC IntA*B
SDC ErrorB = 96.539063 - 1.102539 -27.736328 -0.766602 -62.157227-3.375977
SDC ErrorB = 1.400391
Gl Total= N - 1=24-1=23
Gl Rplica= # Rplicas - 1= 4 - 1=3
Gl Factor A= Niveles de A - 1= 2 - 1=1
Gl Error A = Gl Rp x Gl Factor A= 3 x 1= 3
Gl Factor B= Niveles de B - 1 = 3 - 1 = 2
Gl Int A x B = Gl Factor A x Gl Factor B = 1 x 2 = 2
Gl Error B = Gl Total - Gl Rplica - Gl Factor A - Gl Error A - Gl Factor B - Gl Int A x B
Gl Error B = 23 - 3 - 1 - 3 - 2 - 2 = 12
CM FactorA =
CM Rplica
CM ErrorA =
CM FactorB =
CM IntAxB =
CM ErrorB =
CM Rplica
FCalRplica =
CM ErrorA
0.367513
= 1.4382
0.255534
FCalFactorA =
CM FactorA 27.736328
=
= 108.5427
CM ErrorA
0.255534
FCalFactorB =
CM FactorB 31.078613
=
= 266.3138
CM ErrorB
0.116699
FCalIntAxB =
CM IntAxB 1.687988
=
= 14.4644
CM IntAxB 0.116699
ANALISIS DE VARIANZA
Causas de
variacin
Gl
Rplicas
Factor A(S)
Error A
Factor B(V)
Int A x B
Error B
Total
3
1
3
2
2
12
23
SDC
1.102539
27.736328
0.766602
62.157227
3.375977
1.400391
96.539063
CM
0.367513
27.736328
0.255534
31.078613
1.687988
0.116699
Fcal
Ftab
5%
1%
1.4382
9.28 29.46
108.5427 ** 10.13 34.12
266.3138 **
14.4644 **
3.89
3.89
6.93
6.93
2CMerrorB
r
EE=
CMerrorB
r
75
Si se desean comparar dos niveles del factor A en el mismo nivel o en diferente nivel del factor B; por
ejemplo, comparar dos medias de fechas en la misma o en diferente variedad, se usa el siguiente error
estndar:
Para MDS
EE=
En este caso el valor de t tabulada para la comparacin de medias por el mtodo de la MDS se calcula
mediante:
T=
(b 1)(CMerrorB)Tb + (CMerrorA)Ta
donde Tb y Ta son los valores tabulados de t de
rb
2CMerrorA
rb
EE =
CMerrorA
rb
76
V2
20.8750
22.2750
21.5750
Media
21.312500
21.575001
18.037500
V3
17.1000
18.9750
18.0375
Media
19.2333
21.3833
20.3083
PARCELA SUBDIVIDIDA.
Los experimentos en parcelas subdivididas se utilizan cuando se desea evaluar 3 factores, pero es
conveniente de parcelas grandes en un factor, parcelas medianas en el segundo factor y parcelas chicas
en el tercer factor.
El croquis del experimento se construye de la siguiente forma:
a) Se asignan al azar los niveles del factor A, a las parcelas grandes dentro de cada bloque.
b)Se aleatorizan los bloques.
c) Se asignan al azar los niveles del factor B, dentro de cada subparcela.
d) Se asignan al azar los niveles del factor C a cada sub-sub parcela.
El experimento se lleva a cabo como cualquier experimento con un diseo de bloques al azar.
El modelo es el siguiente:
Yijk = + Bi + S j + E ij ( a ) + H K + ( SH ) jk + E ijk (b ) + M l + ( SM ) jl + ( HM ) kl
+ ( SHM ) jkl + E ijkl ( c ).
Yijkl es la observacin de la distancia k , en el mtodo de control l, en el sistema de labranza j, en el
bloque i.
= es la media verdadera general.
Bi es el efecto del bloque i
Sj es el efecto del sistema j
Eij(a) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHjk es el efecto de la interaccin del sistema j espacio k
Eijk(b) es el error experimental de las subparcelas
Ml es el efecto del mtodo l
SMjl es el efecto de la interaccin de la distancia j mtodo l
HMkl es el efcto de la interaccin del espacio k y el mtodo l
77
REPLICA I
S1H2M1
3512
S1H2M2
3216
S1H2M3
2806
S1H1M2
3749
S1H1M1
4736
S1H1M3
2967
S1H3M3
3091
S1H3M2
2545
S1H3M1
3091
S2H3M1
3086
S2H3M2
2913
S2H3M3
1814
S2H1M2
2930
S2H1M3
2406
S2H1M1
3463
S2H2M1
3119
S2H2M2
2593
S2H2M3
2379
REPLICA II
S2H1M1
3461
S2H1M2
2925
S2H1M3
2400
S2H2M2
2595
S2H2M3
2381
S2H2M1
2123
S2H3M3
1849
S2H3M1
2381
S2H3M2
2123
S1H2M2
3206
S1H2M1
3502
S1H2M2
2793
S1H3M1
3110
S1H3M3
2433
S1H3M2
2555
S1H1M3
2961
S1H1M2
3743
S1H1M1
4730
REPLICA III
S1H3M2
2535
S1H3M3
S1H1M1
4746
S1H1M2
S1H2M1
3522
S1H2M3
S2H3M2
2907
S2H3M1
S2H2M2
2597
S2H2M3
S2H1M1
3465
S2H1M2
78
2413
S1H3M1
3081
3759
S1H1M3
2977
2817
S1H2M2
3226
3080
S2H3M3
1838
2376
S2H2M1
2117
2935
S2H1M3
2410
REPLICA IV
S2H1M1
3463
S2H1M2
2922
S2H1M3
2410
S2H2M3
2780
S2H2M1
2121
S2H2M2
2595
S2H3M2
2903
S2H3M3
1834
S2H3M1
3076
S1H1M2
3739
S1H1M3
2957
S1H1M1
4726
S1H2M3
2801
S1H2M1
3506
S1H2M2
3210
S1H3M1
3085
S1H3M2
2539
S1H3M3
2413
79
Tabla de datos
Tratamientos
S1H1M1
S1H1M2
S1H1M3
S1H2M1
S1H2M2
S1H2M3
S1H3M1
S1H3M2
S1H3M3
S2H1M1
S2H1M2
S2H1M3
S2H2M1
S2H2M2
S2H2M3
S2H3M1
S2H3M2
S2H3M3
Replicas
I
4736
3749
2967
11452
3512
3216
2806
9534
3091
2545
3091
8727
3463
2930
2406
8799
3119
2593
2379
8091
3086
2913
1844
7843
54446
II
4730
3743
2961
11434
3502
3206
2793
9501
3110
2553
2433
8096
3461
2925
2400
8786
2123
2595
2381
7099
3091
2918
1849
7858
52774
III
4746
3759
2977
11482
3522
3226
2817
9565
3081
2535
2413
8029
3465
2935
2410
8810
2117
2597
2376
7090
3080
2907
1838
7825
52801
IV
4726
3739
2957
11422
3506
3210
2801
9517
3085
2539
2413
8037
3463
2932
2410
8805
2121
2595
2780
7496
3076
2903
1834
7813
53090
18938
14990
11862
45790
14042
12858
11217
38117
12367
10172
10350
32889
13852
11722
9626
35200
9480
10380
9916
29776
12333
11641
7365
31339
213111
I
29713
24733
54446
S1
S2
Total
H3
24700
21813
17715
64228
H2
23522
23238
21133
67893
H1
32790
26712
21488
80990
M1
M2
M3
Total
80
Rp 2
SDC Rp =
SDC Rp =
M3
33429
26907
60336
Noobsr / Rp
M2
38020
33743
71763
M1
45347
35665
81012
S1
S2
Total
( X )2
= 16384.00
18
72
SDC FactorA
SDC FactorA
FactorA 2
NoobserenA
( X )2
= 5270976.00
36
72
SDC ErrorA =
SDC RpxA
NoobsenRpxA
( X ) 2
N
SDC Re p SDC A
SDC FactorB =
NoObserenB
N
SDC FactorB
SDC AxB =
SDC AxB
= 7066432.00
24
72
AxB
NoobserenAxB
( X )2
SDC A SDC B
5270976.00 7066432.00
12
72
81
( SHRp) 2
SDC ErrorB =
SDC H
NoobserenSHRp
SDC SH
( X )2
16384.00 5270976.00
3
72
66624.00 7066432 2313344.00 = 168384
SDC FactorC =
SDC FactorC
SDC SxM =
( X )2
M 2
NoobserenC
= 9858688
24
72
( X )2
( SM ) 2
SDC S SDC M
NoobservenSM
5270976.00 9858688
12
72
= 667584.00
SDC HxM =
(HM )
NoobserenSM
SDC SxHxM =
(SHM )
( X )2
NoobservenSHM
SDC H SDC M
( X )2
5270976 7066432
4
72
9858688 = 1284544.
SDC SxHxM =
82
CM Rp =
CM S =
SDC Rp
GlRp
16384.00
= 5461.333
3
SDC S 5270976.00
=
= 5270976.00
GlS
1
CM ErrorA =
CM H =
SDC H 7066432
=
= 3533216
Gl H
2
83
SDC SH 2313344
=
= 1156672.00
2
Gl SH
CM SH =
CM ErrorB =
SDC M 9858688
=
= 4929344
Gl M
2
CM M =
CM SM =
SDC SM 667584
=
= 333792.00
Gl SM
2
CM HM =
SDC HM 2652608.00
=
= 663152.00
Gl HM
4
CM SHM =
CM ErrorC =
SDC SHM
Gl SHM
1284544.00
4
= 321136.00
Para el clculo de F.
FcalS =
CM S
5270976
=
= 237.3458
CM ErrorA 22208.00
FcalRp =
FcalH =
CM Rp
CM ErrorA
5461.333496
= 0.2459
22208.00
CM H
3533216.00
=
= 551.797
CM ErrorB
14032.00
84
FcalSH =
CM SH
1156672.00
=
= 82.431
14032.00
CM ErrorB
FcalM =
CM M
4929344.00
=
= 17.1328
CM ErrorC 19482.666016
FcalSM =
CM SM
333792.00
=
= 34.0381
CM ErrorC 19482.666016
FcalHM =
CM HM
663152.00
=
= 34.0381
CM ErrorC 19482.666016
FcalSHM =
CM SHM
321136.00
=
= 16.4832
CM ErrorC 19482.666016
Fuentes de
variacin
Bloques
SC
Gl
CM
Fcal
16384.00
5461.333496
0.2459
Factor A
5270976.00
5270976.000000
237.3458
Error A
66624.00
22208.000000
Factor B
AxB
Error B
Factor C
AxC
BxC
AxBxC
7066432.00
2313344.00
168384.00
9858688.00
667584.00
2652608.00
1284544.00
2
2
12
2
2
4
4
3533216.000000
1156672.000000
14032.000000
4929344.000000
333792.000000
663152.000000
321136.000000
36
71
19482.666016
Error C
701376.00
Total
30066944.00
C.V. (ERROR C) = 4.7380%
Ftab
251.7970
82.4310
253.0118
17.1328
34.0381
16.4832
85
Media
3375.500000
2990.125000
2472.333252
H2
3176.4167
2481.3333
2828.8750
H3
2657.4167
2611.5833
2634.5000
Media
3216.5557
2675.4167
2945.9861
M2
3168.3333
2811.9167
2990.1250
M3
2702.4167
2242.2500
2472.3333
Media
3216.5557
2675.4167
2945.9861
M2
3339.0000
2904.7500
2726.6250
2990.1250
M3
2686.0000
2641.6250
2089.3750
2472.3333
Media
3374.5833
2828.8750
2634.5000
2945.9861
FACTOR C
1
4734.5000
3510.5000
2
3747.5000
3214.5000
3
2965.5000
2804.2500
86
13
21
22
23
3091.7500
3463.0000
2370.0000
3083.2500
2543.0000
2930.5000
2595.0000
2910.2500
2337.5000
2406.5000
2479.0000
1841.2500
DISEOS ANIDADOS.
Los diseos anidados se utilizan cuando un factor est contenido en cada nivel del factor que lo
precede. Por ejemplo, si se desea estudiar la calidad la calidad de dos fbricas productoras de piezas de
tractores, en cada fbrica se seleccionan al azar 5 lotes diferentes para hacer las pruebas y dentro de
cada lote se seleccionan 10 piezas diferentes para hacer las pruebas. En este caso las piezas estn
contenidas dentro de los lotes y los lotes dentro de las fbricas.
Para ilustrar el anlisis de estos diseos, consideremos un experimento donde se desea comparar el
rendimiento de la yuca en 2 regiones diferentes.
El modelo para este experimento es:
Y=+A +B +e
Se desarroll un experimento en la regin norte y centro de la provincia de Las Tunas , en el cultivo de
la yuca, dentro de cada regin se seleccionaron 3 UBPC y dentro de cada una de ellas se seleccionaron
4 campos y se midi el rendimiento en la variedad seorita.
R1- regin norte
R2- centro.
Las UBPC fueron:
En la regin norte: U1. Cascarero; U2. Santa Mara 1; y U3 Santa Mara 2.
En la centro: U4. Calera 1; U5 Calera 2, y U6Almendares.
Se midi el rendimiento de los campos en toneladas por hectrea.
Regiones
UBPC
R1
1
2
3
I
18.3
17.4
16.2
R2
4
5
6
14.2
16.4
15.8
Total
SDCTotal = X
Campos
II
III
18.2
18.0
17.3
17.2
16.0
16.1
IV
18.2
17.3
16.0
14.0
16.2
15.6
13.8
16.1
15.9
13.9
16.0
15.5
Total
72,7
69,2
64,3
206,2
55,9
64,7
62,8
183,4
( X )2
87
Re giones =
(
183.4)2
24
Re g 2
Nodeobserven Re g
= 41.653333
( X )2
12
24
SDC
UBPC =
UBPC 2
NoobsenUBPC
Re g 2
Noobs / reg
=19.623
4
12
CM Re giones =
CM UBPC =
CM
Error =
Gl Re giones
21.66
= 21.66
1
SDCUBPC 19.623
=
= 4.90575
GlUBPC
4
FCal Re giones =
F
SDC Re giones
CalUBPC =
CM Re giones
CM UBPC
21.66
= 4.415
4.90575
CM UBPC 4.90575
=
= 233.607
CM Error
0.021
88
Ftab
FUENTES
GL
SDC
CM
Fcal
DE
5%
1%
VARIACIN
Total
23
41.6233
Regiones
1
21.66
21.66
4.415
4.41 8.29
UBPC
4
19.623
4,90575
233.607
2.93 4.58
Error
18
0.37
0.021
En el anlisis no se encontr diferencias significativas, sin embargo , las UBPC fueron diferentes.
Ejemplo de un Experimento anidado con Tres Factores.
Si en el ejemplo anterior adems de las regiones y las UBPC, se evalan 2 variedades de yuca V1(
variedad seorita) y V2( Variedad CMC-40) y en ellas se evala el peso de una raz en gramos que
constituye las rplicas entonces estamos en presencia de un experimento anidado con 3 factores.
El modelo para este experimento es:
Yijkl = + Ai + Bj(i) + Ck(ij) + eijkl
En este caso: i = 1,.....,a = 2
J = 1,....,b = 3
k = 1,,c = 2
l = 1,.,l = 4
En donde:
Yijkl es la observacin de la repeticin l, en la variedad k, en la UBPC j, en la regin i
es la media verdadera general.
Ai es el efecto de la regin i
Bj(i) es el efecto de la UBPC j en la regin i
Ck(ij) es el efecto de la variedad k, en la UBPC j en la regin i
eijkl es el error experimental o residual.
Los datos del experimento son los siguientes:
Variable( Peso de una raz en gramo)
I
R1
UBPC1
V1
396.2
V2
454.5
850,7
UBPC2
V1
395.3
V2
450.6
845,9
UBPC3
V1
394.8
V2
463.1
857,9
2554,5
R2
UBPC4
V1
345.8
V2
423.9
769,7
II
395.8
455.0
850,8
390.7
445.6
836,3
366.8
443.2
810.0
2497,1
345.2
424.1
769,3
III
394.6
453.7
848,3
387.6
443.6
831,2
396.5
438.2
834,7
2514,5
344.8
422.9
767,7
IV
395.9
453.2
849,1
383.6
442.3
825,9
393.6
445.8
839,4
2514,4
346.1
425.1
771,2
1582,5
1816,4
3398,9
1557,2
1782,1
3339.3
1551,7
1789,3
3342
10080,2
1381,9
1696
3077,9
89
UBPC5
V1
V2
UBPC6
V1
V2
SDCTotal = X
347.7
428.2
775,9
349.1
429.3
778,4
2324
347.1
429.1
776,2
351.1
428.6
779,7
2325,2
348.0
427.9
775,9
350.4
429.5
779,9
2323,5
346.9
428.9
775,8
350.9
428.7
779,6
2326,6
1389,7
1714,1
3103,8
1401,5
1716,1
3117,6
9299,3
( X )2
19379.5 2
SDCTotal = 396.2 + ....... + 428.7
= 72315.5
48
( X )2
Re giones 2
SDC Re giones =
Noobservenc / Re g
N
2
SDC Re giones =
SDCUBPC =
SDCUBPC =
= 12704.2
24
48
UBPC 2
NoobserenUBPC
Re giones 2
Noobserven Re giones
8
24
SDCUBPC = 384.6
SDCVAriedad =
SDCVaried . =
Variedad 2
Noobservenc / Varied .
UBPC 2
Noobservenc / UBPC
4
8
SDCVar. = 56890.2
SDC Error = SDCTotal SDC Re giones SDCUBPC SDCVar
SDC Error = 72315.5 - 12704.2 - 384.6 - 56890.2 = 2336,5
Gl total = No observaciones total - 1= 48-1=47
GL regiones= No regiones - 1=2-1=1
90
CM Re giones =
CM UBPC =
CM Var =
Gl Re g
12704.2
= 12704.2
1
SDCUBPC 384.6
=
= 96,15
4
GLUBPC
SDCVar 56890.2
=
= 9481,7
6
GLVar
SDC Error 2336,5
=
= 61.49
38
Gl Error
CM Error =
FCal Re g =
CM Re g
CM UBPC
FCalUBPC =
FCalVar =
SDC Re g
12704.2
= 132.13
96.15
CM UBPC
96.15
= 0.01
=
CM Var
9481.7
CM Var
9481.7
=154.2
=
CM Error
61.49
Causas de
Variacin
Gl
Regiones
UBPC
Variedades
Error
Total
1
4
6
38
47
SDC
12704.2
384.6
56890.2
2336.5
72315.5
CM
12704.2
96.15
9481.7
61.49
Fcal
132.13 **
0.01
154.2 **
Ftab
5%
7.71
4.53
2.36
1%
21.2
9.15
3.35
91
I
84
167
132
64
58
Rplicas
II
104
150
120
83
48
III
76
126
142
97
56
IV
68
185
130
76
54
Total
Media
332
628
524
320
216
83
157
131
80
54
92
Total
505
505
513
Rplicas
I
170
220
258
115
86
849
V1
V2
V3
V4
V5
Total
497
II
192
305
216
182
73
968
III
125
315
310
137
106
993
IV
93
400
196
126
95
910
2020
Total
Media
580
1240
980
560
360
3720
145
310
245
140
90
Tyy =
r
rt
2
2
580 + 1240 + 980 2 + 560 2 + 360 2 3720 2
Tyy =
= 127480.00
4
20
T XX
TratX
=
( X )
r
rt
2
332 + 628 + 524 2 + 320 2 + 216 2 2020 2
=
= 28040.00
4
20
2
TXX
T XY =
TratX * TratY X Y
r
rt
T XY
B XX
BloqueX
=
B XX
BYY
4*5
( X )
t
rt
505 2 + 505 2 + 497 2 + 513 2 2020 2
=
= 25.593750
5
4*5
BloqueY
=
( Y )
t
rt
2
2
849 + 968 + 993 + 910 2 3720 2
=
= 2474.8125
5
4*5
2
BYY
B XY =
B XY
BloqueX * BloqueY X Y
t
rt
4*5
93
( X )
SC (Total ) XX = X
r *t
SC (Total ) XX = 84 2 + ..... + 54 2
2020 2
= 31520.00
4*5
( Y )
= Y
r *t
SC (Total )YY
3720 2
= 180484.00
4.5
X Y
r *t
(2020)(3720)
4*5
= 64897.00
E XX = SC (Total ) XX T XX B XX
=31520.00-280.40.00-25.59375 = 3454.40625
=64897.00-59720.00-(-132.8125) = 5309.8125
TABLA DE SUMAS DE CUADRADOS Y PRODUCTOS CRUZADOS
Ftes de variacin
XX
XY
YY
BLOQUE
25.59375
-132.8125
2474.8125
TRATAMIENTO
28040.00
59720.00
127480.00
ERROR
3454.40625
5309.8125
30529.1875
B+E
3480.00
5177.00
33004.00
T+E
31494.40625
65029.8125
158009.1875
2
SC(Cov.)
5309.81252
E
= XY =
= 8161.78125
3454.40625
E XX
SCTrat
(TXY + E XY )2
(TXX + E XX )
E2
EYY XY
E XX
65029.81252
5309.81252
= 158009.1875
30529.1875
= 1367.888916
31494.40625
3454.40625
94
SC Bloque
SCBloque
2
(
B XY + E XY )
= (BYY + EYY )
(B XX + E XX )
E XY
EYY
E XX
5177.002
5309.81252
= 33004.00
30529.1875
= 2935.0625
3480.00
3454.40625
SC Error = EYY
2
E XY
5309.8125 2
= 30529.1875
= 22367.40625
3454.40625
E XX
ANALISIS DE VARIANZA
Ftes de
Gl
SC
variacin
Covariable
1
8161.78125
Tratamiento
t-1=4
1367.888916
Bloque
r-1=3
29367.40625
Error
11
22367.40625
Total
Tr-1=19
61264.482
CM
Fcal
8161.78125
341.972229
978.354187
2033.400513
4.0139
0.1682
0.4811
Ftab
5%
1%
4.84 9.65
3.36 5.67
3.59 6.22
C.V. =
24.243679%
En la tabla de anlisis de varianza no se encontr diferencias para la covariable , lo que indica que no
existe relacin entre el nmero de frutos y el rendimiento.
En este caso no existen diferencias entre los tratamientos pero en caso de haberlas, las medias de los
tratamientos hay que ajustarlas por medio de la siguiente ecuacin.
Y ai = Y i b( X i X ....)
Donde:
Y ai = Media ajustada del tratamiento i.
Y i = Media del tratamiento i con la variable Y.
b = Coeficiente de regresin estimado.
X i = Media del tratamiento i con la variable X.
b=
E xy
E xx
5309.8125
= 1.5371
3454.40625
Media de X
83
157
131
80
54
101
95
1.53711
Medias Ajustadas
172.66798
223.92184
198.8867
172.27931
162.24417
El error Standard para comparar las medias ajustadas depende de las medias de la variable x, por lo
tanto es necesario calcular un error Standard diferente para cada comparacin.
2 ( X i X j )2
S d = S y2. x +
E xx
r
El valor de la diferencia mnima significativa para comparar las medias de i y j se calcula con la
siguiente ecuacin.
2 ( X i X j )2
DMSij = t( , gle ) S y2. x +
E xx
r
Donde:
t( , gle ) valor de t de la tabla, el que se busca con el nivel de significacin y los grados de libertad del
error.
No de observaciones en cada tratamiento. = r
Para el caso de desigual nmero de observaciones en cada tratamiento:
1 1 ( X i X j )2
S d = S y2. x + +
E xx
ni n j
96
datos
son
los
siguientes:
Tratamientos
V1D1
V1D2
V2D1
V2D2
I
8
10
12
14
44
II
10
12
10
14
46
Rplicas
III
IV
11
13
12
14
13
15
13
12
49
54
V
12
15
9
15
51
VI
13
12
16
16
57
67
75
75
84
301
Tratamientos
V1D1
V1D2
V2D1
V2D2
I
60
62
68
61
251
II
60
64
60
58
242
Rplicas
III
IV
57
64
60
63
62
63
56
53
235
243
V
56
69
50
60
235
VI
61
57
64
58
240
358
375
367
346
1446
Y=Rendimiento
V1
V2
D1
67
75
D2
75
84
142
159
97
142
159
301
X=No de plantas.
D1
358
367
725
V1
V2
D2
375
346
721
733
713
1446
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes
hiptesis:
Ho: A1 = ......= Aa vs Hl: al menos un nivel de A diferente.
Ho: B1 = ......= Bb vs Hl: al menos un nivel de B difernte.
Ho: no hay interaccin AxB vs Hl: si hay interaccin AxB.
Las hiptesis se prueban con un anlisis de varianza.
Sumas de cuadrados y productos cruzados:
R yy
RpY
=
RYY =
AYY
ab
2
( Y )
rab
44 + ...... + 57 2
3012
= 29.708252
2* 2
6* 2* 2
A
=
rb
( Y )
rab
142 2 + 159 2
3012
= 12.041748
AYY =
12
6* 2* 2
BYY
B
=
( Y )
ra
rab
2
2
2
BYY = 142 +159 301 = 12.041748
12
24
ABYY
2
ABYY ( Y )
rab
YY BYY
67 2 + 75 2 + 75 2 + 84 2 3012
ABYY =
( Y )
SC (Total )YY = Y
rab
3012
= 105.958252
24
98
R XX
RpX
=
ab
2
( X )
rab
4
24
AXX
A
=
rb
AXX =
B XX
( X )
rab
= 16.664063
2* 6
24
B
=
ra
( X )
rab
= 0.664063
B XX =
2* 6
24
AB XX
2
AB XX ( X )
AB XX =
rab
XX B XX
( X )
SC (Total ) XX = X
rab
1446 2
SC(Total ) XX = 60 + ..... + 58
= 426.500002
24
2
E XX = SC (Total ) XX R XX AXX B XX AB XX
RpX * RpY X Y
R XY =
ab
rab
6* 2* 2
99
AXY =
AY
rb
AXY =
B XY =
X Y
rab
B XY =
12
rb
BY
X Y
24
rab
AB yy =
12
24
AB X ABY ( X )( Y ) A
yy B yy
r
rab
(67 )(358) + .... + (84)(346) (301)(1446) ( 14.16167969) ( 2.832031)
AB XY =
6
24
AB XY = 1.582031
SC (Total )YY = XY
X Y
rab
(301)(1446) = 76.75628931
24
E XY = SC (Total ) XY R XY AXY B XY AB XY
YY
29.708252
12.041748
12.041748
0.041504
52.125000
R+E
A+E
349.007813
321.171875
95.332031
96.914063
81.833252
64.166748
B+E
AB + E
305.171875
364.671875
108.25000
109.50000
64.166748
52.166504
100
E XY 2 111.0820312
SC(Cov .) =
=
= 40.521843
304.507813
E XX
SC A. = ( AYY
(
AXY + E XY )2
+ EYY )
( AXX + E XX )
E XY
EYY
E
XX
96.9140632
111.0820312
52.125
SC A = 64.166748
= 23.319637
321.171875
304.507813
SC B . = (BYY + EYY )
(B XY + E XY )2
(B XX + E XX )
E2
EYY XY
E XX
SC B = 64.166748
111.0820312
108.25 2
52.125
= 14.165352
304.507813
305.171875
(
R XY + E XY )2
E
+ EYY )
(R XX + E XX ) YY
2
E XY
E XX
111.0820312
95.3320312
52.125
SC A = 81.833252
= 44.190002
304.507813
349.007813
(
AB XY + E XY )2
+ EYY )
( AB XX + E XX )
109.5 2
111.0820312
52.125
SC AB = 52.166504
= 7.683789
364.671875
304.507813
SC AB . = ( ABYY
E XY
EYY
E XX
2
E XY
111.0820312
SC Error = EYY
= 52.125
= 11.603157
E XX
304.507813
E
111.082031
b = XY =
= 0.3648
E XX 304.507813
Ftes de Variacin
Gl
SC
CM
F
5%
Covariables
Bloques
1
5
40.521843
44.190002
40.521843
8.838
Ftab
1%
48.8924
10.6636
101
Factor A
Factor B
AxB
Error
Total
1
1
1
14
23
23.319637
14.165352
7.683789
11.603157
141.483781
23.319637
14.165352
7.683789
0.828797
17.0915
17.0915
9.2710
C.V. =
7.258866%
La interpretacin de los resultados se hace igual que en los experimentos factoriales.
TABLA DE MEDIAS DEL FACTOR A
---------------------------------------------FACTOR A
MEDIA
MEDIA AJ.
---------------------------------------------1
11.833333
11.529340
2
13.250000
13.553993
----------------------------------------------
----------------------------------------------------------FACTOR B
FACTOR A 1
2
MEDIA
----------------------------------------------------------1
11.1667
12.5000
11.8333
2
12.5000
14.0000
13.2500
----------------------------------------------------------MEDIA
11.8333
13.2500
12.5417
TABLA DE MEDIAS AJUSTADAS DE TRATAMIENTOS AB
----------------------------------------------------------FACTOR B
FACTOR A 1
2
MEDIA
----------------------------------------------------------1
11.3795
11.6792
11.5293
2
12.1656
14.9424
13.5540
----------------------------------------------------------MEDIA
11.7725
13.3108
12.5417
LTICE.
Este diseo pertenece al diseo de bloques incompletos, que permite analizar y comparar un nmero
grande de variantes con precisin.
103
En ocasiones, el nmero de variantes con las que hay que trabajar no permite el empleo de diseos para
que cada bloque o rplica contenga todas las variantes. En este caso, se emplean otros arreglos, como
por ejemplo distribuir una rplica en ms de un bloque. El diseo de bloque incompleto ms sencillo es
aquel en que el nmero de variantes es un cuadrado perfecto, este diseo que recibe el nombre de
ltice. En este las filas y columnas no contienen todas las variantes como en el cuadrado latino o en los
bloques al azar. Esta caracterstica facilita la comparacin de una gran cantidad de variantes con la
mayor eficacia en el menor espacio.
Cuando en un experimento se tienen muchos tratamientos no se debera usar el diseo de bloques
completos al azar debido a que las unidades experimentales dentro de un bloque completo seran muy
heterogneas. El uso ms comn de los diseos en ltice es en mejoramiento de plantas, en donde
frecuentemente se tiene que evaluar una gran cantidad de lneas o variedades de un cultivo.
Un ejemplo para ilustrar la preparacin de un ltice para 25 variantes y 3 rplicas es el siguiente. Las
variantes se distribuyen en un cuadrado de 5 x 5 y se numeran al azar.
104
5
10
15
20
25
1
23
20
12
9
10 14 18 22
2 6 15 19
24 3 7 11
16 25 4 8
13 17 21 5
1 8 15 17 24
25 2 9 11 18
19 21 3 10 12
13 20 22 4 6
7 14 16 23 5
Ejemplo.
Utilizaremos un diseo comparativo de 9 lneas con un ltice simple con 4 repeticiones
por lo que tendremos 3 bloques con 3 variantes en cada rplica.
El croquis es:
Grupos bsicos:
Grupo X
Rplica I
Bloque
1 2 3
1
4 5 6
2
7 8 9
3
Grupo Y
Rplica II
Bloque
1 4 7
1
2 5 8
2
3 6 9
3
Grupo X Repeticin
L9 L8 L7
1
2
4
L2 L1 L3
6
7
4
L5 L4 L6
4
3
3
Grupo Y Repeticin III
L5 L8 L2
4
3
6
L6 L9 L3
4
2
5
L4 L1 L7
4
7
3
Grupo X Repeticin II
L4 L6 L5
4
4
3
L8 L7 L9
3
3
2
L1 L3 L2
7
4
6
Grupo Y Repeticin IV
L3 L9 L6
5
1
3
L2 L8 L5
6
2
5
L1 L7 L4
7
4
4
105
II
III
IV
Total
7
6
4
3
4
3
4
2
1
34
7
6
4
4
3
5
3
3
2
37
7
6
5
4
4
4
3
3
2
38
7
6
5
4
5
3
4
2
1
37
28
24
18
15
16
15
14
10
6
146
CM
11.05
0.33
0.35
Fcal
31.57
SDC
88.39
1.00
8.50
97.89
Gl
8
3
24
35
En el error experimental est incluida la variabilidad que puede haber ocasionado dentro
de cada repeticin una posible heterogeneidad, en los diferentes bloques incompletos,
establecidos en cada grupo X o Y en las dos repeticiones de cada uno. Para hacer un
anlisis ms detallado del experimento debe tenerse en cuenta tambin este nuevo factor
de variacin y al hacerlo reducir ms el error experimental y por tanto aumentar la
precisin del experimento.
Para estudiar esta variabilidad es preciso calcular la SDC de la desviacin atribuida a
ella, esta SDC puede considerarse integrada por dos componentes, que llamaremos
componente A y componente B.
Componente A.
Determinaremos primero el componente A, el que est constituido por dos grupos de
diferencias, uno tomando el grupo X y el otro tomando el grupo Y, en cada uno de ellos
se determina la diferencia que existe entre los bloques que tienen los mismos
tratamientos.
106
Diferencia
-1
0
-2
-3
107
Diferencia
0
2
-1
1
La SDC de las diferencias de estos dos grupos, nos dar la varianza para los bloques
apareados.
La SDC para el grupo X.
2
(
D)
F .C =
2K 2
( 3)
D= diferencias
F .C =
2*3
9
= 0.5
18
S .C X
D
=
S .C X
( 1)2 + ( 2
=
2K
S .C X =
F .C
2*3
) (13)
2
2 * 32
5 9
1
= 0.056
18
2
02 + 22 + ( 1)
S .CY =
F .C = 0.833 0.056 = 0.77
2*3
G.L para cada grupo de diferencia ser 3-1=2
F .C =
108
L9 L8 L7
1
2
4
L2 L1 L3
6
7
4
L5 L4 L6
4
3
3
Grupo X Repeticin I
L4 L6 L5
4
4
3
L8 L7 L9
3
3
2
L1 L3 L2
7
4
6
109
Grupo Y Repeticin IV
L3 L9 L6
5
1
3
L2 L8 L5
6
2
5
L1 L7 L4
7
4
4
Cuadro 1 (X)
L1 L2 L3
14
12 8 34
L4 L5 L6
7
7
8 22
L7 L8 L9
7
5
3 15
Total
28
24 19
Cuadro 2 (Y)
L1 L4 L7
14
8
7 29
L2 L5 L8
12
9
5 26
L3 L6 L9
10
7
3 20
Total
28
24 15
Obtenidos los dos cuadros 1 y 2 procederemos a determinar las diferncias entre columnas y
filas que poseen los mismos tratamientos.
Tabla 6
Totales filas
Cuadro 1
34
22
15
71
Totales Columna
Cuadro 2
36
24
15
75
Diferencia
-2
-2
0
-4
110
Tabla 7
Totales columnas
Cuadro 1
28
24
19
71
Totales filas
Cuadro 2
29
26
20
75
Diferencia
-1
-2
-1
-1
r *k
S .C =
16
16
=
= 0.444
2
4*3
36
S.C de la tabla 7.
( 4)2 = 16 = 0.444
F .C =
r * k 2 36
S .C =
12
r *k
S.C = 0.5-0.444=0.056
G.L= K-1=(para cada serie de diferencias)
Componente B.
Tabla 8
Tablas
6
7
Total
SDC
0.222
0.056
0.278
Gl
2
2
4
111
Tabla 9.
Causas de variacin
SDC
Gl
CM
Fcal
Lneas
Rplicas
Componente A
Componente B
Bloques
Error
Total
88.29
1.00
1.10
0.28
1.38
7.12
97.89
8
3
4
4
8
16
35
11.05
0.33
24.25
Ftab
5% 1%
2.59 3.89
0.17
0.45
Por ltimo para poder comparar los promedios de los tratamientos se hace necesario la
correccin de estos promedios y la determinacin de 2 errores tpicos para la prueba T, uno
para comparar las variantes que se encuentran dentro de un mismo bloque y otro para
comparar las que se encuentran en bloques diferentes.
Para ello es necesario la determinacin de 2 correcciones Cy y Cx.
Para un promedio determinado Cx , es el resultado de dividir la diferencia del total de la
columna del cuadro 2 (grupo Y) en que figura la variante promediada y el total de la fila
del cuadro 1 (grupo X) que contiene dicha variante, por el producto r*k.
CY es el resultado de dividir la diferencia del total de la columna del cuadro 1 (grupo X) en
que figura la variante y el total de la fila del cuadro 2 (grupo Y) en que se encuentra dicha
variante por el mismo producto.
CX =
Totalcolumna (Y ) Totaldefila ( X )
r *k
CY =
Totalcolumna( X ) Totaldefila (Y )
r *k
36 34 2
=
= 0.17
4*3
12
CY =
28 29 1
=
= 0.083
12
12
112
W W '
W + W '
Ve
W=
3
4Vb Ve
1
= 2.222
0.45
W=
C=
3
3
3
=
=
= 13.043
4 * 0.17 0.45 0.68 0.45 0.23
D 0.709
=
* D = 0.059 * 2 = 0.118
12
12
Cy=-0.059 * -1=0.059
Y por tanto el promedio corregido es:
7-0.118+0.059=6.941
de modo, que con el nuevo mtodo de correccin, obtenemos un promedio corregido de
9.941, en lugar del promedio de 7.087 obtenido por el mtodo antiguo.
De la misma forma se determinarn los promedios corregidos para las 9 lneas comparadas
en el experimento.
Para determinar la significacin de las diferencias existentes entre dos promedios de
variantes por la prueba de t, es preciso calcular dos errores tpicos, una para el caso en que
se trate de dos variantes pertenecientes al mismo bloque incompleto y otra para aquel en
que hayan de compararse dos variantes pertenecientes a distinto bloque incompleto.
La primera expresin por lo tanto es:
EE=
2Ve 2 w
(
)
+
K
r * k w + w'
113
EE=
2Ve
r* k
4w
w + w' + (K 2)
114
BIBLIOGRAFA.
1- Cochram, W.G y G.M. Cox. 1991. Experimental design, Wiley.
2- Expsito, E. Irene y Gardn, C. D. 1988. Manual de clases prcticas. Universidad de
Granma.
3- Fernndez, P. E y col. 1991. Manual de clases prcticas de Experimentacin Agrcola.
UNAH. La Habana.
4- Guerra, B. Caridad. 1979. Estudio de la relacin modelo-diseo de tratamientos en la
determinacin de las dosis ptimas de fertilizantes con experimentos de campo.
Referencia para optar por el grado cientfico de Doctor en Ciencias Agrcolas. UNAH.
5- Guerra, D.J y Sevilla, P. lida 1987. Introduccin al anlisis estadstico para procesos.
6- Guzmn, C. A y J. C. Guzmn. Uso de planos antogonales en la investigacin caera.
EPICA. Stgo de Cuba.
7- Guzmn, C.J. 1988. Diseos de experimentos para ingenieros mecnicos. ISPJAM. Stgo
de Cuba.
8- Lerch G. 1977.La experimentacin en las ciencias biolgicas y agrcolas. Ed. Cientif.
Tc. La Habana.
9- Lpez, P.R. 1988. Diseos estadsticos de experimentos. Ed. Cientif. Tc. La Habana.
10- Olivares, S.E. 1992. Nota de diseos experimentales con aplicacin a la experimentacin
agrcola y primara. Universidad autnoma de nueva len. Mxico.
11- Sigarroa, A. 1991 Biometra y diseo experimental. La Habana.
115