Diseños Experimentales Libro

UNIVERSIDAD NACIONAL DE SAN
ANTONIO ABAD DEL CUSCO

Facultad de Agronomía y
Zootecnia
Carrera Profesional de Zootecnia
Curso:
▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
DISEÑOS EXPERIMENTALES
▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Víctor López Durand.

Ingeniero Zootecnista
K'AYRA - CUSCO
2003
CAPITULO I
CONOCIMIENTO, CIENCIA Y EXPERIMENTACION
CONOCIMIENTO:
El Diccionario Enciclopédico Universal, define el conocimiento como: “Acción y efecto
de conocer”, “Entendimiento, inteligencia, razón natural”, y Conocer lo define como:
“Averiguar por el ejercicio de las facultades intelectuales la naturaleza, cualidades y
relaciones de las cosas”.
TEORIA DEL CONOCIMIENTO:

Se ha valorado como el punto central, y aun previo, de toda filosofía. La teoría del
conocimiento comprende el planteamiento del problema y la validez del
conocimiento, el criterio de certeza, los limites, dinamismo o formas, los grados de
seguridad y la expresión del conocimiento.
TIPOS DE CONOCIMIENTO:
Conocimiento empírico: Es el conocimiento que se inicia en las circunstancias,

construido por sensaciones, imágenes o pautas de conducta y no están
sistematizadas.
Conocimiento Racional o Científico: Este conocimiento parte de la organización

y sistematización. Esta construido por conceptos, juicios y raciocinios. Los resultados
de este conocimiento se pueden combinar con algún conjunto de reglas lógicas para
producir nuevas ideas. El conocimiento científico es acumulable, demostrable,
objetable y trasferible. Este conocimiento posee dos criterios; validez y confiabilidad.
OBJETIVO DEL CONOCIMIENTO:
 Busca alcanzar la verdad fáctica.

 Verifica la adopción de las ideas a los hechos mediante observación y
experimento.
CIENCIA:
Es el conjunto de ideas transformadas en conocimiento racional, sistemático, exacto,
verificado y por lo tanto falible. Otras definiciones de ciencia son: “Conocimiento de
las cosas por sus principios y sus causas”. “Cuerpo de doctrina metodológicamente
formado y ordenado que constituye un ramo particular del saber humano.
TIPOS DE CIENCIA:
Ideales o formales: Se ocupa de las relaciones formales entre entes a los que se
les asigna contenidos. Estas ciencias no se identifican con la realidad, solo se aplican
a ella.
Este tipo de ciencia utiliza como metodología, la lógica para demostrar sus teorías.
Fáticas o materiales: Se ocupa de los objetos y hechos, su conocimiento lo forma
una red de inferencias deductivas, o sea demostrativas, cuyo rasgo sobresaliente es
que son probables e in concluyentes. Siendo elementos importantes la racionalidad y
objetividad, exige que los enunciados, aunque lógicos, sean verificables en la
experiencia. Utiliza como metodología la observación i/o el experimentó, tratando de
determinar si las hipótesis se adecuan a los hechos.
METODO CIENTÍFICO:
Método: Procedimiento critico para alcanzar un determinado fin.
Método científico: Es el procedimiento para tratar un conjunto de problemas. En

este caso se habla del método general de las ciencias. Los métodos o técnicas son
relevantes para la investigación científica de problemas de diferentes tipos.
Para aplicar el método científico se debe seguir los siguientes pasos:
1. Enunciar preguntas bien formuladas y fecundas (POI).

2. Arbitrar conjeturas, fundadas y contrastables con la experiencia para
contestar a las preguntas. (Hipótesis).
3. Derivar consecuencias lógicas de las conjeturas.
4. Adecuar técnicas.
5. Someter a prueba las técnicas. (Confiabilidad)
6. Llevar a cabo la contrastación e interpretar sus resultados.
7. Valorar la verificación de las conjeturas y la fidelidad de las técnicas.
8. Determinar el alcance de las conjeturas y las técnicas.
9. Formular los nuevos problemas originados por la investigación.
OBJETIVO DE LA CIENCIA:
Objetivo Intrínseco o cognitivo:

 Incrementar el conocimiento de la ciencia pura.
Objetivo extrínseco o utilitario:

 Aumentar el bienestar del hombre.
EXPERIMENTACIÓN:
Es un proceso de investigación planificada en condiciones naturales, que consiste en
la identificación de variables relevantes de interés del investigador, para luego
reproducirlas en condiciones controladas, con la finalidad de controlar las variables
independientes (causa) y observar el comportamiento de las variables
experimentales (efecto).
Según Babbie, 1979, experimentación, se refiere a “tomar una acción” y después

observar las consecuencias, “Es la manipulación intencional de una acción para
analizar sus posibles efectos.
Hernández 2001, “Estudio de investigación en el que se manipulan deliberadamente
una o mas variables independientes (supuestas causas) para analizar las
consecuencias que la manipulación tiene sobre una o más variables dependientes
(supuestos efectos), dentro de una situación de control para el investigador”.
CAUSA EFECTO
(variable independiente) (Variable dependiente)
X Y
TIPOS DE EXPERIMENTACIÓN:
Experimentación preliminar: Conocidos también como ensayos preliminares,

este tipo de experimentación consiste en comparar un conjunto muy grande de
tratamientos con una sola repetición en base a una variable de evaluación, que
puede ser; rendimiento de leche, producción de kilos por hectárea de papas, etc. Se
realiza este tipo de experimentos, con el fin de ubicar aspectos básicos para realizar
posteriormente otros experimentos.
Experimentación critica: En este tipo de experimentación, se compara las

respuestas obtenidas en base a la observación de los resultados de los tratamientos,
que son en número suficiente para brindar seguridad del estudio. Tiene como
finalidad el de identificar las diferencias entre los tratamientos.
Experimentación demostrativa: Este tipo de experimentación, cumple con todas

las recomendaciones de la experimentación critica, con la única diferencia que se
cuenta con un tratamiento testigo, que sirve para la comparación entre los
tratamientos.
PROCEDIMIENTO PARA LA EXPERIMENTACIÓN:
En el planeamiento y la conducción de un experimento hay un gran número de

consideraciones que deben ponderarse cuidadosamente si el experimento ha de esr
exitoso. Algunos de los pasos más importantes son los siguientes:
1. Definición del problema: Consiste en establecer en forma clara y

concisamente el problema que se esta tratando. Si el problema no se puede
definir, hay muy pocas probabilidades de que este sea resulto alguna vez.
Cuando el problema se ha comprendido, debemos ser capaces de formular
preguntas que una vez contestadas, conduzcan a la solución de los mismos.
2. Determinación de los objetivos: Estos pueden ser presentados en forma

de preguntas o como hipótesis que van ha comprobar o los efectos que se
desea estimar.
Los objetivos deben de ser redactados en términos precisos, evitando
vaguedad o excesos de ambigüedad de los planteamientos. Una vez que se
alcanza ha redactar los objetivos con estas observaciones, el experimentador
está capacitado para planear de mejor manera los procedimientos
experimentales.
Cuando existe mas de un objetivo en el trabajo de investigación, se debe

ordenara de acuerdo al nivel de importancia.
3. Análisis critico del problema y de los objetivos: La racionalidad y

utilidad de las metas trazadas en el estudio deben ser analizadas
cuidadosamente, con la intervención del conocimiento actualizado del
problema. Partiendo de una pregunta: ¿Son los objetivos del experimento
realmente importantes para la solución del problema?.
La selección del procedimiento para la investigación depende, en gran

medida, del objeto del estudio en que la investigación esta siendo conducida,
así como de los objetivos de la investigación.
4. Selección de tratamientos: El éxito del experimento reside en la cuidadosa

selección de los tratamientos, cuya evaluación responderá a las preguntas
que tengamos.
5. Selección del material experimental: En la selección del material

experimental, se considera los objetivos del experimento, así como la
población sobre la cual se harán las inferencias. El material utilizado deberá
ser representativo de la población (muestra representativa), sobre la cual se
prueba los tratamientos.
6. Selección del diseño experimental: También en esta selección es

importante considerar los objetivos. Se puede decir, que la mejor forma de
elegir el diseño experimental es el mas simple y el que nos brinda la precisión
esperada para el estudio de investigación.
7. Selección de la unidad experimental y del número de repeticiones:

Para experimentos con animales, setos medios determinan el número de
animales que han de ser considerados como una unidad experimental. Para
experimentos con plantas, estos medios determinan el tamaño y la forma de
las parcelas de campo.
La experiencia de otros experimentos similares es de incalculable valor para la

toma de decisiones. El número de repeticiones deberán ser elegidas para
obtener la presión en la estimación de los tratamientos.
8. Control de los efectos entre unidades adyacentes: En caso de un

estudio con plantas este control es a través de la utilización de callejones de
demarcación y mediante la selección aleatoria de los tratamientos. En caso
del estudio de animales es por la identificación de cada animal y también por
la aleatorización de los tratamientos.
9. Datos a obtener: Los datos que se recaban deben evaluar apropiadamente

los efectos de los tratamientos, en relación directa con los objetivos
planteados para la experimentación; además, se deberá brindar atención a la
recolección de datos que explicará el desempeño de los tratamientos.
10. Análisis estadístico y resumen de los resultados: Al realizar el análisis

de varianza se debe anotar las fuentes de variación y los grados de libertad.
Se debe incluir las pruebas de F. Se debe considerar como pueden utilizarse
los resultados, preparar tablas de resumen i/o graficas que muestren los
efectos obtenidos. Los resultados obtenidos deben ser comparados con los
objetivos obtenidos. A fin de verificar si se llego a las respuestas esperadas.
11. Conducción del experimento: En la conducción del experimento, se debe

aplicar procedimientos libres de sesgos personales o favoritismo. Utilice el
diseño experimental mas simple que se adecue a los objetivos para recabar
los datos, de modo que las diferencias entre individuos o las diferencias
asociadas con el orden de recolección puedan ser removidas del error
experimental.
Las variables deben ser medidas en el momento oportuno y en la misma

fecha usando la metodología adecuada, con el mismo instrumento durante
todo el tiempo de duración del experimento. La mediciones deben ser
realizadas por el mismo experimentador, evitando la fatiga en el acopio de
datos.
Se debe comprobar inmediatamente las observaciones que parecen fuera de

lugar. Organizar la recolección de adtos para facilitar el análisi y para evitar
errores al recopilarlos. Si fuera nevcesario se debe copiar klos datos,
comprobando inmediatamente los números copiados con los originales.
12. Análisis de datos e interpretación de los resultados: Todos los datos

deberán analizarse tal como fueron planteados; los resultados se deben
interpretar con veracidad; se comprueba la hipótesis y se debe definir la
relación de los resultados con los hechos previamente establecidos. Siempre
se debe tener en cuenta que la estadística no demuestra nada y que siempre
existe una probabilidad de llegar a conclusiones erróneas. Evite llegar a
conclusiones, aunque estadísticamente sean significativas, si esta parece
ilógica con respecto a estudios anteriores. Si fuera el caso, se debe investigar
exhaustivamente el asunto.
13. Elaboración de informe de investigación: El informe final debe ser

completo, simple, legible. No existe resultados negativos. Si la hipótesis nula
no se rechaza es una evidencia positiva de que pueden no existir verdaderas
diferencias entre los tratamientos sometidos a la prueba. Debe pedir a otros
entendidos en el tema que lo lean el informe para tamizar opiniones.
PRINCIPIOS BÁSICOS DE LA EXPERIMENTACIÓN:
Principio de la repetición:
El objetivo de la repetición es el de alcanzar mayor validez y confiabilidad en el
trabajo de investigación. La repetición consiste en observar varias unidades
experimentales (mas de dos).
Cuando en un experimento se aplica mas repeticiones, mayor es la precisión

deseada, por que el promedio se aproxima mas al parámetro establecido.
Lo expresado se puede explicar mejor por las siguientes razones:
 Las repeticiones permiten estimar el error experimental.

 Cuando existe mayor número de repeticiones, disminuye la desviación
estándar de la media.
 Permite obtener mejor información estadística, por que se puede atenuar la
falta de uniformidad de las unidades experimentales.
 Permite controlar la variancia del error experimental.
Número de repeticiones:
No existe una regla general para definir el número de repeticiones, pero si, podemos
mencionar factores que influencias mas y son los siguientes:
 El número de tratamientos guarda estrecha relación con el número de

repeticiones y con la precisión del experimento.
 La variabilidad del materiales investigación.
 El incremento del número de tratamientos, incrementa también el número de
repeticiones.
 El número de repeticiones también depende del diseño experimental que se
elija para el experimento.
 El tamaño de la parcela, por que en parcelas chicas es más necesario
aumentar las repeticiones.
 Aspectos económicos.
Principio de aleatorización:
La aleatorización consiste en asignar al azar los tratamientos a las parcelas de modo,
que todas las unidades experimentales consideradas tengan igual probabilidad de
recibir un tratamiento. Su función es asegurar estimaciones imparciales de medias
de tratamientos y del error experimental.
El objetivo principal de la aleatorización es romper el efecto favorable o desfavorable

de una fuente externa de variación sobre un tratamiento o varios tratamientos o se
podría decir: lo que se pretende es romper las posibles correlaciones entre los
tratamientos y las unidades experimentales.
Error experimental:
La variación producida por factores distorsionantes, tanto conocidos como
desconocidos, se denomina error experimental. El error experimental mide la
variancia del efecto del tratamiento de parcelas uniformes.
Solo una pequeña parte del error puede ser atribuido a error en la medición. Efectos
importantes pueden quedar ocultos total o parcialmente por el error experimental. Y
a la inversa, a causa del error experimental, el investigador puede equivocarse y
creer en efectos que no existen.
Causas del error experimental:

 Las unidades experimentales a las cuales se aplica los tratamientos.
 Variación resultante de la falta de uniformidad en la técnica experimental o

manejo del experimento.
Control del error experimental:
 Se debe elegir apropiadamente el diseño experimental. Por lo que se

recomienda utilizar el diseño mas simple, el que se ajuste a las necesidades
de los objetivos del trabajo y proporcionar la información requerida.
 El incremento de los grados de libertad por la presencia de mayor número de

tratamientos y repeticiones, incrementa los grados de libertad del error, por
que se estima mejor el error experimental.
CONSIDERACIONES GENERALES:
Población: o Universo estadístico:

Es la totalidad de unidades elementales con características comunes observables;
tales como personas, granjas, empresas agroindustriales i otros. La población de
acuerdo a su tamaño puede ser:
a. Población finita: Es aquella que tiene un número determinado de

elementos; ejemplo, cantidad de huevos puestos por una gallina año,
número de ovinos de una determinada granja.
b. Población infinita: Es la población que esta constituida por un
número indefinido de elementos; ejemplo, parición de las vacas a nivel
mundial hasta este tiempo. (En la práctica una población finita con un
número grande de elementos se considera una población infinita).
Muestra:
Es una porción o sub-conjunto de unidades elementales extraídas de una población,
con el objetivo de obtener información acerca de ella. Ejemplo; Peso de los cuyes
elegidos del cuyero de la granja K'ayra.
Tipos de muestra:
a. Muestra aleatoria: Conocida También como muestra al azar, se dice

así cuando todos los elementos de una población tienen igual
oportunidad de ser consideradas dentro de la muestra.
b. Muestra representativa: Se dice muestra representativa cuando se
elige los mejores elementos para la observación de las características de
un universo estadístico.
c. Muestra viciada: También se llama muestra sesgada y se dice muestra
viciada cuando los elementos de una población son seleccionados
mediante criterios subjetivos.
Unidad Experimental o parcela:

Es la unidad elegida en base a un muestreo donde se aplica el tratamiento y se
realiza la observación, evaluación o medición de la variable de interes del
investigador, esta unidad puede ser abiótico (suelo, medio de cultivo, terreno, etc.)
o biótico (plantas y animales).
Tamaño y forma de las parcelas:

El tamaño de la parcela varia según la necesidad del investigador, ubicación del
experimento (Terreno, Invernadero, Laboratorio) o el objetivo del trabajo de
investigación. El tamaño de las parcelas esta influenciada por las repeticiones, el
aspecto económico, duración del experimento, entre otros. Cuando se trabaja en
animales el tamaño de la parcela cuando es individual esta determinada por la edad
del animal. Para trabajos en Agronomía Calzada Benza sugiere los siguientes tamaño
de parcelas:
 Trigo, avena, cebada 3 a 80 m2

 Maíz y papa 5 a 100 m2
 Pastos bajos 5 a 100 m2
 Pastos altos 10 a 100 m2
 Frutales y forestales 1 a 2 árboles.
La forma de las parcelas varían por muchas razones, si la investigación es en el área

de Agronomía, la parcela puede ser un tubo de ensayo, una placa petri, una maceta,
contenido en sustratos. Si el trabajo es en animales, puede ser en forma individual
(una vaca, un ovino, un cuy) o en forma grupal (por sexo, raza, edad, etc).
Sub unidades de muestreo:

Se denomina sub-unidades de muestreo cuando se divide las parcelas para la
aplicación del tratamiento.
Tratamientos:
Son los diferentes procesos, cuyos efectos van a ser evaluados y comparados. Cada
tratamiento esta formada por un conjunto de unidades experimentales (Plantas o
animales), similares dentro de cada tratamiento y se diferencia entre ellos. Ejemplo;
Si se estudia el efecto de la proteína de la harina de soya en la alimentación de
ovinos, cada ración suministrada con diferentes niveles de proteína es un
tratamiento (0%, 10%, 15% y 20%). Si se investiga es distanciamiento entre surcos
en el cultivo del maíz constituye un tratamiento
Tratamiento control o testigo:

Son las parcelas que no reciben ningún tratamiento o diríamos que reciben los
tratamientos conocidos. El objeto de tener un tratamiento testigo es, contrastar los
resultados obtenidos con los nuevos tratamientos observados.
Elección de los tratamientos:

La elección de los tratamientos, depende del conocimiento del investigador sobre el
tema ha investigar, la hipótesis planteada y los objetivos trazados en la planificación
del desarrollo del trabajo de investigación.
DISEÑO EXPERIMENTAL:
Procedimiento estadístico que permite generar datos a partir de una unidad

experimental a la que se le ha asignado un tratamiento aleatorizado. Los datos
obtenidos son procesados bajo el mismo modelo matemático, con la finalidad de
obtener resultados confiables bajo condiciones robabilísticas.
DIAGRAMA DE LA GENERACIÓN DE DATOS I ANALISIS DE LOS MISMOS.
Aspecto
s
de la
realidad
Experimento
diseñado
Datos Nuevos datos

disponible
Diseño Hipótesis
Inducción modificada H 2
Hipótesis Deducción Consecuencia de H1

H1
George E. P. Box et. al considera el papel del diseño experimental...”Normalmente

es más eficiente estimar el efecto de varias variables simultáneamente. Cada diseño
experimental contiene entonces un grupo de experimentos. Para cada ciclo iterativo
no es necesario realizar un nuevo diseño. Algunas veces utilizaremos los mismos.
Datos para conformarlos con sucesivas hipótesis. Sin embargo, cuando no se ve
claramente qué modificación ha de realizarse a una hipótesis no satisfactoria, o
cuando hace falta más confirmación de un a hipótesis aparentemente satisfactoria,
se precisaran datos adicionales. Estos se generan con más experimentos dispuestos
en un nuevo diseño experimental”.
Razonamiento Deductivo:
Existen problemas en el cual se nos da algún principio o conjunto de principios
generales y se nos pide que determinemos qué sucedería bajo un conjunto
especifico de condiciones. El tipo de razonamiento empleado, de lo general a lo
particular, recibe el nombre de razonamiento deductivo.
Casi todos los problemas encontrados durante nuestra formación educativa se

enmarcaron en este tipo de razonamiento, donde la solución requirió el
razonamiento deductivo. Frecuentemente se dice que un profesional de nuestra
rama debería ser versado en los fundamentos básicos. Esto implica que debería
tener bajo su control una gran gama de conocimientos generales y la habilidad del
razonamiento deductivo para aplicarlos a casos específicos.
Razonamiento Inductivo:
Este tipo de razonamiento es opuesto al deductivo. Por que se tiene casos
específicos y se llega a principios generales que pueden ser aplicados a todos los
miembros de la clase representada por dichos casos. El razonamiento empleado, de
lo especifico a lo general, se denomina razonamiento inductivo.
MODELO MATEMATICO O MODELO ADITIVO LINEAL:
El modelo aditivo lineal, describe la naturaleza de una observación es aditiva por que
los componentes o efectos son sumados y es lineal por que estos efectos están
llevados a la potencia uno (1).
Los modelos matemáticos explican muchos fenómenos naturales.
Partimos entendiendo el modelo matemático mas simple:
Yi    ei
Donde:
Yi  El valor de la característica en estudio.

 = Media general, constante desconocida a estimar.
ei = Error asociado al estudio.
Ejemplo: Se ha medido el incremento de peso en un centro d engorde obteniendo

los siguientes resultados:
5.6 6.5 4.6 7.1 4.3 6.5 4.5 4.3

5.4 3.6 4.3 5.4 5.6 4.7 5.1 4.7
Hallar Yi.
En el desarrollo del curso nos vamos ha dar cuenta que cada diseño experimental
tiene un modelo matemático.
ANALISIS DE VARIANCIA ( ANVA, ANOVA, ANDEVA):
El análisis de variancia es un procedimiento aritmético que en si es la
descomposición de una suma de cuadrados total en una suma de cuadrados de
fuentes de variación establecidas por cada diseño estadístico, teniendo en cuenta
que la solución del modelo matemático del diseño se realiza mediante el método de
mínimos cuadrados.
REQUISITOS DEL ANALISIS DE VARIANCIA:
 Las variables en estudio debe de tener la forma de una distribución normal.

 Las variables se deben trabajar con repeticiones.
 Las variables deben ser elegidas aleatoriamente.
FINALIDADES DEL ANALISIS DE VARIANCIA:
 Permite estimar diferencias entre los tratamientos de manera que el valor

estimado este lo mas cercano posible al valor real.
 Obtener información acerca de la exactitud de los estimadores a través del
error estándar.
 Permite efectuar pruebas de significancia i pruebas de comparación de
medias.
COEFICIENTE DE VARIABILIDAD (C.V.):
Como su nombre lo indica expresa la variabilidad de las diferentes observaciones o

datos dentro de cada tratamiento en porcentajes.
Su expresión matemática es la siguiente:
CME
C.V .  * 100
x
El cuadrado medio del error (CME) de un experimento representa o es equivalente a

la variancia de todos los datos del experimento, por lo que sus raíces cuadradas
representa su desviación estándar de los datos del experimento teniendo en cuenta
esta información en cualquier diseño experimental.
El coeficiente de variabilidad de un experimento que permite evaluar el nivel de

precisión y confiabilidad de los resultados del experimento. El valor del coeficiente
de variabilidad puede compararse con otro experimentos.
Existe una corriente de estudiosos de estadística que dice: que el coeficiente de

variabilidad debe tener valores que van desde 5% a 30%. Valores mayores de 30%
indica que existe mucha heterogeneidad en el estudio por lo que se debe
transformar los datos tomando la raíz cuadrada de todos ellos. Datos menores de lo
establecido indicarían que existe mucha homogeneidad.
DISEÑO COMPLETAMENTE AL AZAR (D.C.R.):
Este diseño es el mas sencillo, nos permite conocer los efectos de tratamientos del
estudio y el efecto del error experimental. No restringe la forma en que se asignan
los tratamientos a las unidades experimentales. Cada tratamiento puede tener el
mismo número de repeticiones que los otros, pero no necesariamente. Este diseño
es aplicable cuando las unidades experimentales son bastante homogéneas como es
el caso de estudios en laboratorios, invernaderos, terrenos, áreas de estudio con alta
uniformidad.
Los diferentes autores coinciden en señalar las siguientes ventajas:
 Fácil de planificar y replantear.
 Permite el máximo número de grados de libertad para el error.
 Su análisis estadístico es sencillo.
 No posee limitaciones para el número de repeticiones y tratamientos.
 El número de repeticiones en los tratamientos no necesariamente debe ser

igual para todos.
 Si se pierde unidades experimentales el análisis no pierde validez ni precisión.
Como desventajas podemos citar:
Su utilidad es para ensayos con pequeño número de tratamientos.
Se debe utilizar solo cuando tenemos material homogéneo. En la práctica es difícil

tener unidades experimentales uniformes.
La no restricción en la aleatorización de los tratamientos hace que las definiciones en
las conclusión física del experimento pasan a formar parte del error experimental.
Cuando utilizar:
Cuando el material experimental es homogéneo.

Donde es posible la perdida de unidades experimentales.
Cuando el material experimental es pequeño, por eso su uso en condiciones de
campo es limitado.
PLANEAMIENTO DE UN EXPERIMENTO EN D.C.A.
El planteamiento vamos ha entender como un conjunto de pasos que el investigador

debe seguir con el propósito de verificar la hipótesis planteada, llegando a un
análisis estadístico inferencial.
El planteamiento de un experimento en D.C.A. esta establecido por la metodología
científica.
EN RESUMEN:
1. Titulo del trabajo de investigación.
2. Problema objeto de investigación.
3. Hipótesis.
4. Justificación.
5. Objetivos generales y específicos.
6. Revisión bibliografía.
7. Materiales y métodos
8. Resultados y discusión.
9. Conclusiones.
10. Recomendaciones.
11. Bibliografía.
ALEATORIZACION:
Para la aleatorización se puede utilizar cualquier medio como dados, números entre
otros.
Supongamos que se va ha realizar un trabajo de engorde ovinos. Surge la

alternativa de establecer seis tratamientos (tipo de ración utilizada) con cinco
repeticiones (D.C.A. 6 x 5 = 30), la distribución aleatorizada puede ser la siguiente:
F E E F D A
A F A B F D
C C F E A B
B B C D B D
D E C C A E
MODELO MATEMÁTICO
Yij = U + Ti + Eij
Donde:
Yij = Valor de la característica en estudio.

U = Media general, constante desconocida a estimar.
Ti = Efecto correspondiente al tratamiento i-esimo.
Eij = Error asociado a la observación correspondiente al tratamiento i-esimo para la
repetición j-esimo.
Luego de la distribución de los animales en los respectivos comederos, se toma los

datos, obteniendo hipotéticamente los siguientes resultados:
Tratamientos:
A: Testigo
B: 1% de harina de soya
C: 2% de harina de soya
D: 4% de harina de soya
E: 6% de harina de soya
F: 8% de harina de soya
Organizar un cuadro ordenado de resultados:
F 8.5 E 7.2 E 8.1 F 9.8 D 8.0 A 7.8
A 6.9 F 8.4 A 7.6 B 7.0 F 7.3 D 6.0
C 7.0 C 9.0 F 6.0 E 8.6 A 9.2 B 8.0
B 8.6 B 7.2 C 8.2 D 8.5 B 9.2 D 7.5
D 10.0 E 9.2 C 7.8 C 8.0 A 8.5 E 6.9
OTRO EJEMPLO:
Los datos que se presentan son de una evaluación realizada acerca del posible
efecto fitotóxico de un producto fumigante para uso en almácigos. Para ello el
número de semillas sembradas por “cama” (parcela), fue igual en todos los casos,
siendo éstas de las dimensiones y características iguales.
La clave de los tratamientos:
A: 30 cc de fumigante/m2
B: 45 cc de fumigante/m2
C: 60 cc de fumigante/m2
D: 75 cc de fumigante/m2
E: Testigo.
A 37.08 B 43.30 C 41.56 C 41.90 C 36.86
D 38.63 C 38.13 E 40.30 E 40.44 E 37.35
B 42.86 B 43.44 D 42.48 E 38.95 A 42.51
A 43.78 A 38.85 B 39.35 D 40.43 D 45.41
CLAVES Y DOSIS
A 30 cc B 45 cc C 60 cc D 75 cc Testigo
Totales
Promedio
CALCULO DE GRADOS DE LIBERTAD:
GLTrat. : I–1 I = Nro. De tratamientos.
GLTotal : N–1 N= Total de datos.
GL Error: Gl Trat. – Gl Total
CALCULO DEL TERMINO DE CORRECCIÓN:
C
 GranTotal 
2

  Yij 
2

Nro.dedatos Tr
CALCULO DE SUMA DE CUADRADOS:
Hallando SUMA DE CUADRADOS TOTAL:
SCT  Yij   C
2
SCT   37.08   43.44  ......    2  33098,06161

2 2
SCT =
Hallando SUMA DE CUADRADOS TRATAMIENTO:
 SumatoriadeTratamientos 2  Y 
2
i
SCTr  C  C
Nro.derepeticiones r
SCTr = ¼ 162.22   168.95  .....  C

2 2
SCTr =
Hallando SUMA DE CUADRADOS ERROR:
SCE = SCT - SCTr

SCE =
CALCULO DEL CUADRADO MEDIO:
SC
CM 
Gl
Hallando EL CUADRADOS MEDIO DE TRATAMIENTOS:
SumadecuadradosdelTr atamiento
CMTr 
Gl.delTratami ento
CMTr =
Hallando EL CUADRADOS MEDIO DEL ERROR:
Sumadecuadradosdelerror
CME 
Gldelerror
CME =
CALCULO DE Fc
CMTr
Fc 
CMe
CALCULO DEL COEFICIENTE DE VARIABILIDAD:
CMe * 100
CV 
x
ANVA
F de V GL SC CM Fc Ft SIG.
5% 1%
TRATAMIENTO
ERROR
TOTAL CV =
OTRO EJEMPLO:
Se plantea un ensayo hipotético, con al finalidad de comparar el efecto proteico de
la harina de pescado frente a la harina de soya, en el incremento de peso en
porcinos en gramos, el resultados se expresa en la ganancia de peso
Tratamientos:
T1 = Harina de pescado 02%

T4 = Harina de Sangre 10%
T5 = Harina de Sangre 15%
T6 = Testigo.
T1 T2 T3 T4 T5 T6
8000 16000 14000 10000 10000 10000

10000 18000 16500 9000 8500 12000
13000 10500 17000 7000 7900 14000
11000 11000 18000 8000 11000 14000
7000 15000 15000 12000 7800 13500
Análisis de Varianza
5% 1%
TRATAMIENTO
ERROR
TOTAL CV =
PRUEBAS DE COMPARACION DE MEDIAS.
La elección del tipo de prueba de medias, depende del tipo de experimento que se
realiza y el nivel de precisión que se desea alcanzar.
Tipos de pruebas:
- Prueba de "t".
- Prueba de la Diferencia de limite de significación (LDS o DLS).
- Prueba de Duncan.
- Prueba de Tukey.
- Prueba de Levene.
- Prueba de Scheffe.
- Prueba de Dunnett.
PRUEBA DE "t".
1.- Definición de la hipótesis:

En esta Prueba la comparación de medias se realiza apareando los promedios.
H 0  1   2   3  .... n
H 1  1   2   3  .... n
2.- Estimación de la desviación estándar .
2 CMe 
Ds 
r
Donde:
CMe = Cuadrado Medio del Error.
r = Número de observaciones de cada tratamiento.
3.- Hallando "t" calculado:
La estimación de "t"c. debe de realizarse para cada promedio en

comparación.
x1  x 2
tc 
Ds
4.- Buscando "t" teórico:

Se busca en la tabla de “t” a niveles de  = 0.05 i  = 0.01, con sus
respectivos Grados de Libertadle error.
5.- Interpretación:
Cuando:
"t"c =< "t"t No significativo.
"t"c > "t"t Significativo al 5% (*)

Altamente significativo al 1% (**)
Como cada comparación es independiente, las conclusiones de las

comparaciones deben ser también independientes.
OPERACIONALIZACION DE DATOS:
OPERACIÓN DIFERENCIA "t"calculado "t" tabla Sig.

0.05 0.01
T1 - T2
T1 - T3
T1 - T4
T1 - T5
T1 – T6
T2 - T3
T2 - T4
T2 - T5
T2 – T6
T3 - T4
T3 - T5
T3 – T6
T4 - T5
T4 – T6
T5 – T6
INTERPRETACION:
PRUEBA DE DIFERENCIA LIMITE DE SIGNIFICACION (LSD)
Generalmente esta prueba se utiliza en trabajos de investigación realizados en

laboratorio y compara la diferencia de dos promedios con el valor de la diferencia
limite de significación. Este valor es el limite de aceptación de la hipótesis nula.
1.- Definición de la hipótesis:
Se define la hipótesis del estudio.
H 0  1   2   3  .... n
H 1  1   2   3  .... n
2.- Estimación del Valor del LSD:
Mediante la siguiente formula:
LSD = "t" * DS
Donde:
"t" = Valor teórico de la distribución de "t" para una hipótesis

bilateral.
CMe
SD x 
r
3.- Determinado las medias en comparación:
Se ordena los valores obtenidos en forma descendiente, luego se halla la

diferencia entre las medias.
4.- Toma de decisiones:
Consiste en comparar las diferencias de las medias con el valor del LSD.
Cuando:
x1 - x2 =< LSD No significativo.
x1 - x2 > LSD Significativo al 5% (*)

Altamente significativo al 1% (**)
Cuando se utiliza esta prueba no es necesario realizar todas las

comparaciones basta con señalar el valor de LSD.
OPERACIONALIZACION:
ORDEN DE MERITOS:
ORDEN TRATAMIENTO VALOR
I
II
III
IV
V
VI
COMPARACIÓN:
OPERACIÓN DIFERENCIA LSD Sig.

0.05 0.01
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T -T
T -T
T -T
T -T
T -T
T -T
INTERPRETACION:
PRUEBA DE DUNCAN:
Esta prueba lleva el nombre del autor (DUNCAN, 1955) y se basa en la distribución de
"t" modificada, a la cual vamos a conocer como "Amplitud Mínima Significativa"
algunos autores también lo denominan como "Amplitud Limite Significativo".
El uso de la prueba de DUNCAN es utilizada en experimentos de laboratorio o

invernadero y también se puede utilizar en experimentos realizados en campo, con la
consideración que es suave para este tipo de estudios. Esta prueba es mas rigurosa
que la prueba de "t" y LSD.
1.- Calculo de la Amplitud Mínima Significativa de DUNCAN:
AMSD o ALSD = AESn * SD
Donde:
AMSD = Valor de la amplitud Mínima Significativa.

AESn = Valor de tabla de la Amplitud Total Estudiantizada, donde el
subíndice "n" indica el número de promedios que abarca la
comparación.
CMe
SD x 
r
2.- Hallando Amplitud Total Estudiantizada:
Buscar en tabla la intersección del número de promedios comprendidos en la

comparación (Filas) y el Número de Grados de Libertad del Error (columnas).
Ordenando promedios:
ORDEN DE MERITOS:
ORDEN TRAT / Valor
I
II
III
IV
V
VI
Entonces hallamos AESn(6):
AESn(6) = 0.05 ( Número de tratamientos comprendidos en la comparación,

GLE)
AESn(6) = 0.05 ( , )
AESn(6) =
Hallando AMSD(6):
AMSD(n) = AESn(n) * SD
Alfa AMSD(n)
AMSD(n) SD 0.05 0.01 AESn(n) * SD
AMSD(6) =
AMSD(5) =
AMSD(4) =
AMSD(3) =
AMSD(2) =
COMPARACIONES:
OPERACIÓN DIFERENCIA LSD Sig.

0.05 0.01
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T -T
T -T
T -T
T -T
T -T
T -T
FORMA GRAFICA:
Orden de Tratamiento Promedio 5% 1%

meritos
I
II
III
IV
V
VI
INTERPRETACION:
PRUEBA DE TUKEY
La prueba de basada en la Amplitud Total Estudiantizada, para unos autores y para

otros en la Diferencia Significativa Honesta de Tukey ( DHS T ) . Esta prueba es la
que mayor rigor cumple; por lo que es recomendada para experimentos con valores
altos y realizados en campo. La prueba de Tukey considera a cada experimento como
una unidad.
Para el análisis en esta prueba así como las anteriores, se requiere conocer el nivel alfa
de significancia, el número de grados de libertad del error experimental y SDx
determinado éste en base de la variancia del error.
La prueba de Tukey es más sencilla de realizar, en comparación con la prueba de

Duncan, debido a que solo se computa una amplitud límite de significancia, que es la
que sirve para juzgar todas las diferencias entre los promedios de los tratamientos.
1.- Estimación de la Diferencia Significativa Honesta de Tukey ( DHS T ) ó

Amplitud Limite de significancia ( ALS T ) :
DHS T ó ALS T = AES T * SD x

Donde:
AES T = Valor de tabla de la Amplitud Estudiantizada Significativa de
Tukey, donde el subíndice "  " indica el nivel al que se
quiere hacer las comparaciones. (5%, 1%).
SD x = Desviación estándar de los promedios, cuyo valor se halla
con la formula:
CMe
SD x 
r
Donde:
CME = Cuadrado medio del Error.
r = Número de observaciones en cada tratamiento.
2.- Hallando Amplitud Estudiantizada Significativa de Tukey ( AES T ):
Este valor es la distribución de “t” modificado. Buscar en tabla la intersección del

número total de tratamientos (Filas) y el Número de Grados de Libertad del Error
(columnas).
3.- Ordenando los promedios:
Se establece el orden de meritos, de acuerdo a los objetivos del trabajo o interés del
investigador
ORDEN DE MERITOS:
ORDEN TRAT / Valor
I
II
III
IV
V
VI
La prueba de Tukey, se utiliza para establecer comparaciones de todos los promedios

entre sí. Iniciando el análisis con la comparación del promedio más alto con el más
bajo.
Entonces hallamos DHS T :
DHS T ó ALS T = AES T * SD x
Buscando en tabla:
AES T = 0.05 (Número de tratamientos comprendidos en la comparación, GLE)

AES T = 0.05 (6,18)
AES T =
Hallando DHS T ó ALS T :
DHS T ó ALS T = AES T * SD x =

Comparaciones:
OPERACION DIFERENCIA DHS T Sig.

0.05 0.01
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T -T
T -T
T -T
T –T
T –T
T –T
FORMA GRAFICA:

meritos
I
II
III
IV
V
VI
INTERPRETACION:
DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE NUMERO DE
REPETICIONES POR TRATAMIENTO:
En la realización de estudios de experimentación muchas veces se encuentra D.C.A. con

desigual número de observaciones por varios factores que puede ser por: la perdida de
parcelas completas o parciales, falta de material experimental, la imposibilidad de
obtener el dato de la evaluación que estamos realizando, la rigurosidad que el
experimentador desea aplicar al estudio, entre otras.
El D.C.A.. no se complica con la falta de datos en los diferentes tratamientos, por que
no varia la validez del experimento ni tampoco se modifica el nivel de precisión.
Pudiendo trabajar aún con todos los tratamientos con diferente número de repeticiones.
El proceso de construcción del ANVA explicado anteriormente, no sufre mayor cambio,

el cambio solo es para hallar la Suma de Cuadrados del Tratamientos (SCTr), que se
construye tomando en cuenta las observaciones para cada tratamiento. Tampoco varia
el Modelo Lineal.
EJEMPLO:
Presentamos a continuación datos obtenidos del estudio experimental del desarrollo de

plántulas de papa en cuatro diferentes tratamientos la clave es la siguiente:
T1 = Testigo
T2 = Sustrato con 10% de humus de lombriz.
Lo que se ha observado es el desarrollo de la planta en cm.

Si observamos los diferentes tratamientos, podemos apreciar que tienen diferentes
repeticiones.
T1 T2 12.2 T3 11.7 T3 12.8
T4 13.3 T3 12.3 T4 12.8 T1
T3 13.1 T4 14.2 T1 9.4 T2 10.2
T2 T2 13.1 T4 13.2 T3
T1 13.4 T1 10.2 T2 12.4 T4 14.1
T4 14.2 T2 11.5 T1 T3 11.7
T4 T1 9.4 T3 13.6 T2 12.2

Análisis de Varianza
F de V GL SC
 y / r   TC
2
TRATAMIENTO t-1 i.
ERROR Gl Trat. – Gl Total SCtotal – SCTrat

y
2
TOTAL  ri - 1 ij  TC
GLTrat. : t–1
GLTotal : N–1 ó  ri - 1 N= Total de datos.
GL Error: Gl Trat. – Gl Total
C
 GranTotal 
2

  Yij 
2

Nro.dedatos Tr
SCT  Yij   C
2
SCT   37.08   43.44  ......    2  33098,06161

2 2
SCT =
( Tr 1 ) 2 ( Tr 2 ) 2   Tr  2
SCTr = 
n
  .........
Nro .rep . Nro .rep . Nro .rep .
Hallando SUMA DE CUADRADOS ERROR:
SCE = SCT - SCTr

SCE =
SC
Hallando EL CUADRADOS
CM 
MEDIO DE TRATAMIENTOS:
Gl
CMTr 
Gl.delTratami ento
CMTr =
Hallando EL CUADRADOS MEDIO DEL ERROR:
Sumadecuadradosdelerror
CME 
Gldelerror
CME =
CALCULO DE Fc
CMTr
Fc 
CMe
CMe *100
CV 
Grantotal
Nro.dedatos
ANVA
5% 1%
TRATAMIENTO
ERROR
TOTAL CV =
COMPARACIÓN DE MEDIAS:
Prueba de Tukey:
ORDEN DE MERITOS:
ORDEN TRAT / Valor
I
II
III
IV
V
VI
Hallando
Hallando SDx modificada:
1 1  
Sdx  0.5 * CMe   ó Sdx  1  CMe  CMe 
r  2 r r j 
 i rj   i
Donde:
Cme = Cuadrado Medio del Error.

ri = Repeticiones de uno de los tratamientos en comparación.
r j = Repeticiones del otro tratamientos en comparación.
COMPARACIONES:
OPERACION COMPARACION DIFERENCIA DHS T Sig.

0.05 0.01
T -T
T -T
T -T
T -T
T -T
T -T
FORMA GRAFICA:

meritos
I
II
III
IV
INTERPRETACION:
Prueba de DUNCAN:
Hallar los valores tabulares de AMSd4, AMSd3, AMSd4. Si las comparaciones de

promedios de tratamientos con igual número de repeticiones lo multiplicamos por la
Desviación estándar normal, y para el caso de las comparaciones de promedios de
tratamientos con diferentes números de repeticiones usamos la Desviación estándar
modificada.
DISEÑO COMPLETAMENTE RANDONIZADO CON IGUAL NUMERO DE SUB-
UNIDADES POR UNIDAD.
Algunos investigadores a este diseño lo conocen con el nombre de Diseño

completamente aleatorizado con submuestreo, por que se puede obtener datos
independientes adicionales dentro de una parcela que corresponde a un tratamiento.
También se le conoce con diseño anidado, por que las submuestras se encuentran
dentro de las parcelas en cada tratamiento. Otro designación de este tipo de diseño, es
diseño jerarquico, por que se puede apreciar una jerarquización entre las
submuestras, repeticiones y tratamientos.
Este diseño se utiliza generalmente cuando las unidades experimentales son muy
grandes, por ejemplo una parcela de grandes dimensiones o cuando se trabaja con
varios animales con variabilidad en las edades por unidad experimental. También se
utiliza cuando se va tiene que realizar análisis de muestras, en el caso de árboles
frutales u hortalizas, como se sabe la cosecha es gradual, también se puede utilizar
este diseño en trabajos de investigación en genetica y se tiene alta variabilidad
intrapobacional (variabilidad genética), en los tratamientos en estudio, que no se puden
corregir en forma experimental.
Un ejemplo general puede ser: En un experimento con alfalfa, el investigador
puede no tener tiempo para cosechar la totalidad de las unidades experimentales o las
parcelas son muy grandes y tampoco no se pueden cosechar totalmente cada parcela
experimental. De esta manera, podrá seleccionar al azar varios cuadros (0.25 m 2 , 0.50
m 2 ó 1 m 2 ) por parcela y medir estas submuestras seleccionadas. Decimos que son
“muestras dentro de unidades experimentales”.
MODELO LINEAL:
YIJK     i   IJ   IJK
Donde:
YIJK  Es la observación correspondiente al tratamiento i-esimo en la repetición j-esima para la muestra k-esima.
  Efecto medio verdadero.
 i  Efecto verdaero del tratamiento i-esimo.
 IJ  Efecto verdadero de la j-ésima unidad experimental sujeta al i-ésimo tratamiento
 IJK  Verdadero efecto de la k-ésima muestra tomada de la j-ésima unidad experimental sujeta al i-ésimo
tratamiento.
ANÁLISIS DE VARIANZA
F de V GL SC
TRATAMIENTO t 1  y .. / rm  Tc
2
i
ERROR EXPERIMENTAL t  r  1  y . / m  Tc
2
ij
ERROR MUESTREO tr  m  1  y   y ./ m
2
ijk
2
ij
TOTAL trm  1  y  Tc 2
ijk
EJEMPLO:
Se ha realizado un trabajo de tesis, el objetivo del trabajo es observar cual de las
pasturas asociadas dada mejores a las condiciones del lugar de experimentación. Se
sabe que en la comunidad donde se ha realizado el trabajo solo se instalaba pasturas
asociadas con la siguiente densidad; 15 kg/ha de alfalfa ranger y 6 kg/ha de Dactylis
glomerata. En el estudio se prueban las asociaciones siguientes: 15 kg/ha de alfalfa
ranger y 6 kg/ha de Festuca alta, 15 kg/ha de alfalfa ranger y 12 kg/ha de Bromus
catharticus, 15 kg/ha de alfalfa moapa y 6 kg/ha de Dactylis glomerata, 15 kg/ha de
alfalfa moapa y 6 kg/ha de Festuca alta, 15 kg/ha de alfalfa moapa y 12 kg/ha de
Bromus catharticus. Al finalizar el trabajo se midió el rendimiento de estos cultivos, pero
por ser muy grande el área instalada se tomo tres submuestras en cada tratamiento.
Los resultados son los siguientes, en gramos por 0.25 de metro cuadrado:
Submuestras T1 T2 T3 T4 T5 T6
1 652 595 678 738 625 640
2 583 568 558 698 478 628
3 780 605 591 705 501 702
Y IJ .
1 693 516 654 598 506 720

2 545 517 715 629 540 685
3 666 563 625 673 461 751
Y IJ .
1 567 524 563 700 562 732

2 526 492 715 648 522 695
3 682 615 648 625 475 700
Y IJ .
1 706 475 678 755 463 778

2 638 558 625 689 450 759
3 476 500 748 777 512 680
Y IJ .
1 566 481 689 789 542 700

2 681 520 624 689 499 681
3 549 547 751 726 468 755
Y IJ .
1 618 542 599 589 523 699

2 680 600 601 599 500 668
3 575 518 597 789 489 686
Y IJ .
1 665 600 687 698 601 700

2 658 502 584 758 506 698
3 578 501 569 699 455 599
Y IJ .
Y I ..
y i ..
GLTratamiento : t–1 t = Nro. De tratamientos.

r = Nro. De repeticiones
GLTotal : trm – 1 m = Nro. De muestras
GL Error Experimental: t(r-1)
GL Error Muestreo: rt(m-1)
Tc 
 GranTotal 
2

  Yijk 
2

Nro.dedatos trm
SCT   Yijk   Tc
2
SCT   652   583   780  ......   700   698   599  48071761.3413

2 2 2 2 2 2
SCT =
SCTr = y 2
i
 Tc
rm
SCTr 
13084 2  11339  2  .............10678 2  14654 2  Tc
21
SCTr =
Hallando SUMA DE CUADRADOS DEL ERROR EXPERIMENTAL:
SCerror.Exp = y 2
ij

y 2
i
m rm
SCerror.Exp 
 2015 2  1768 2  .............1562 2  1997 2 
y 2
i
3 rm
Hallando SUMA DE CUADRADOS DEL ERROR DEL MUESTREO:

SC errormuestra  SCtotal  SCTr  SC error exp .
SC
CM 
Gl
CMTr 
Gl.delTratami ento
CMTr =
Hallando EL CUADRADOS MEDIO DEL ERROR EXPERIMENTAL:
Sumadecuadradosdelerror exp erimental

CMe.Exp. 
Gradodelibertaddelerror exp erimental
CMe Exp. =
Hallando EL CUADRADOS MEDIO DEL ERROR MUESTR:
Sumadecuadradosdelerrormuestreo
CMe.muestreo 
Gradodelibertaddelerrormuestreo
CMe muestreo =
CALCULO DE “F” CALCULADO:
Hallando Fc DE TRATAMIENTOS:
CMTr
Fc 
CMe.Exp.
Hallando Fc DEL ERROR EXPERIMENTAL:
CMe.Exp.
Fc 
CMe.muestra
CMeExp.
CV  * 100
Grantotal
trm
Para comparación de medias de tratamiento:
CMeExp.
CV  *100
Grantotal
rm
Para comparación de medias de muestreo:
CMeMuestre o
CV  *100
Grantotal
trm
ANVA
5% 1%
TRATAMIENTO
ERROR
EXPERIMENTAL
ERROR MUESTREO
TOTAL CV =
COMPARACIÓN DE MEDIAS:
Prueba de Tukey:
ORDEN DE MERITOS:
ORDEN TRAT / Valor
I
II
III
IV
V
VI
Hallando SDx:
CMe.Exp.
Sdx 
rm
Donde:
CMe. Exp = Cuadrado Medio del Error Experimental.
r = Número de repeticiones.
m = Número de muestras.
COMPARACIONES:
OPERACION DIFERENCIA DHS T Sig.
0.05 0.01
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T -T
T -T
T -T
T –T
T –T
T –T
FORMA GRAFICA:

meritos
I
II
III
IV
V
VI
INTERPRETACION:
Prueba de DUNCAN:
Hallando SDx:
CMe.Exp.
Sdx 
rm
Donde:
CMe. Exp = Cuadrado Medio del Error Experimental.

m = Número de muestras.
Hallando A.L.S. (d) = Sdx – AES(d) 
AES (D) 2 3 4 5 6
0.05
0.01
Sdx
ALS(D) 0.05
ALS(D) 0.01
COMPARACIONES:
OPERACION DIFERENCIA ALS(D) Sig.

0.05 0.01
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T - T
T -T
T -T
T -T
T –T
T –T
T –T
FORMA GRAFICA:
Orden de Tratamiento Promedio ALS(D)

meritos 0.05 0.01
I
II
III
IV
V
VI
INTERPRETACION:
DISEÑO EN BLOQUES COMPLETOS AL AZAR (DBCA ó DBA)
El Diseño en Bloques completos al Azar, se fundamenta en que en las

experimentaciones, no siempre se puede contar con un material experimental
homogéneo. Cuando se realiza investigación a nivel de campo, no es posible encontrar
terrenos uniformes o animales homogéneos, lo que va ha restringir el uso de un DCA.
La utilización de un DBCA, es una solución para la falta de esta homogeneidad. En si el

objetivo consiste en mantener la variabilidad entre unidades experimentales dentro de
un bloque tan pequeño como sea posible, y maximizar las diferencias entre bloques. Si
no hay diferencias entre los bloques, este diseño no contribuirá a la precisión para
detectar las diferencias de tratamientos.
Los bloques pueden estar constituidos por áreas compactas de un campo, grupos de
animales que pueden manipularse de un modo uniforme, o diferentes tiempos de
aplicación de tratamientos a unidades experimentales.
Podemos decir que este diseño es aquel en el que las unidades experimentales se
distribuyen en grupos o bloques, de manera tal que las unidades experimentales dentro
de un bloque sean relativamente homogéneas y que el número de unidades
experimentales dentro de un bloque sea igual al número de tratamientos por investigar,
los tratamientos se asignan al azar a las unidades experimentales dentro de cada
bloque. La aleatorización actúa como una justificación de la suposición de
independencia.
Ejemplo Agrario:
Se va a comparar seis variedades de avena con respecto a sus rendimientos,

disponiéndose para tal efecto de 30 parcelas experimentales. Sin embrago, existe
evidencias de que existe una tendencia en la fertilidad de norte a sur, siendo más
fértiles las parcelas del norte. De acuerdo con esto, parece razonable agrupar a las
parcelas en cinco grupos de seis parcelas cada uno, de manera que el primer grupo
contenga las seis parcelas fértiles, el siguiente grupo contenga las siguientes parcelas
más fértiles y saí sucesivamente hasta el quinto bloque, que contendrá a las seis
parcelas menos fértiles. Una vez hecho esto, se asignarían al azar las seis variedades a
las parcelas dentro de cada bloque, haciendo una nueva aleatorización en cada bloque.
Si se tiene un terreno con una determinada pendiente, que se dispone para realizar un
trabajo de investigación y se desea instalar con cinco tratamientos, se recomienda
hacer en la dirección de las curvas de nivel y con la siguiente distribución:
Bloque 1 T1 T3 T4 T2 Mayor Pendiente

Bloque 2 T3 T1 T2 T4 Pendiente media
Bloque 3 T2 T4 T3 T1 Pendiente media
Bloque 4 T1 T4 T2 T3 Baja pendiente
Ejemplo pecuario:
Se desea probar diez raciones respecto a sus diferencias en el engorde de vacunos. Se

dispone de 40 animales para la experimentación, que se distribuyen en cuatro bloques
(10 animales por bloque) con base en sus pesos al iniciar la prueba de engorde. Los
vacunos más pesados se agruparon en un bloque, en otro se agruparon los 10
siguientes más pesados y así sucesivamente. Los 10 tratamientos (raciones) se
asignaron al azar dentro de cada bloque, como se indica en la figura:
Bloque 1 H B F A C I E J D G
Bloque 2 A I G H J D F E C B
Bloque 3 E A C I B H D G J F
Bloque 4 J F D B H I A C G E
Si se desea investigar en animales de tres camadas diferentes, se puede bloquear de la

siguiente forma, con el fin de que los animales en estudio sean homogeneos:
Bloque 1 T1 T3 T2 Camada 1
VENTAJAS:
1. PRECISIÓN: Este diseño es mas preciso que a la mayoría de diseños

experimentales. La eliminación de la suma de cuadrados de bloques desde la
suma de cuadrados del error se manifiesta en una disminución en el cuadro
medio del error. el DCA. Esta precisión se incrementa cuando se presentan
diferencias significativas entre los bloques.
2. FLEXIBILIDAD: No se encuentra restricciones en el número de tratamientos y
de repeticiones, con el cuidado que las repeticiones siempre sean iguales para
todos los tratamientos.
3. ADAPTIBILIDAD: Es un diseño muy adaptable a diferentes medios, solo se
debe tener mínimo tres bloques y por lo menos dos tratamientos por bloque.
4. El análisis de varianza es muy sencillo y rápido. El error para tratamientos puede
ser separado.
5. Es factible realizar el análisis experimental aun cuando exista perdida de un
bloque completo o haya ocurrido perdidas de tratamientos en algun bloque,
existe técnicas estadísticas simples para poder estimar estas perdidas.
DESVENTAJAS:
1. No es recomendable la utilización de este diseño cuando se verifica que existe

interacción entre bloques y tratamientos.
2. Se puede tener inconvenientes en este diseño cuando se tiene un gran número
de tratamientos por bloques, por que se pueden incluir variabilidad dentro de los
bloques.
MODELO ESTADÍSTICO LINEAL
El modelo aditivo lineal del DBCA es el siguiente:
El modelo aditivo lineal del DBCA es el siguiente:
YIJ     i   j   IJ
Donde:
i  Tratamientos.
j  Bloques o repeticiones.
Yij  Variable de respuesta observada en la unidad experimental ubicada en i-esimo bloque que
recibe el tratamiento i.
  Efecto medio verdadero.
 i  Efecto del tratamiento i-esimo. Es la diferencia entre el promedio poblacional
deltratamiento y la media poblacional 
 j  Efecto del bloque j-ésimo.
 ij  Termino que representa al error, asociado a la observación correspondiente al tratamiento
en el bloque o repetición. Se considera como variable aleatoria distribuida en forma normal e
independiente con media cero y varianza constante.
ANÁLISIS DE VARIANZA
F de V GL SC
BLOQUE r 1  y / t  Tc
2
j
TRATAMIENTOS t 1  y . / r  Tc
2
i
ERROR EXPERIMENTAL  t  1 r  1 y 2

ij   y i2 . / r   y 2j / t  Tc
TOTAL rt  1 y 2
ij  Tc
EJEMPLO:
Se ha observado la producción de fibra de alcapas, en las siguientes comunidades;

Suttec, Huatacalla, Cucuchiray, Incacona, Yanansaya. Se ha introducido a estas
comunidades en estudio ocho animales. Determinar en cual de las comunidades se ha
adaptado mejor estos animales.
TRATAMIENTOS Total
BLOQUES 1 2 3 4 5 6 7 8 Bloques
I 5.2 3.9 4.4 3.8 3.5 4.2 6.6 7.3
II 5.3 4.5 5.2 4.7 2.9 3.1 4.6 7.1
III 3.2 7 6.1 4.4 2.7 2.8 5.6 5.1
IV 3.5 4.8 5.3 2.3 1.9 2.9 5.4 5.1
V 4.8 3.8 4.4 2.2 42 3.6 6.2 6.2
Total
Tratamientos
Promedios
Gl Bloques: r–1 t = Nro. De tratamientos.

GLTratamiento : t–1 r = Nro. De repeticiones
GLTotal : rt – 1
GL Error Experimental: (t – 1)(r-1)
Tc 
 Gran..Total 
2
Nro.deDatos
Hallando SUMA DE CUADRADOS DE BLOQUES:
SC Bloques 
y 2
j
 Tc
t
SC Bloques 
 38.9  2   37.4 2  ............. 31.2  2   73.2 2  1183 .744
8
SCTrat. =
SCTrat . 
y 2
i
 Tc
r
SCTrat . 
 22 2   24 2  ............. 28.4 2   30.8 2  Tc
5
SCTr =
SCTOTAL   Yij2   Tc
SCTOTAL   5.2   5.3   3.2   ......   5.1   5.1   6.2  1183.744

2 2 2 2 2 2
SC Total =
SC error . Exp  SCTotal   SC Bloques  SCTrat . 
SC
CM 
Gl
Hallando EL CUADRADOS MEDIO DE BLOQUES:
SC Bloques
CMe Bloques 
Gl Bloques
CMe Bloques =
SCTrat .
CMeTrat . 
GlTrat .
CMe. Trat. =
Hallando EL CUADRADOS MEDIO DEL ERROR EXPERIMENTAL:

SC Error . Exp .
CMe Exp.  
Gl Error . Exp.
CMe Exp. =
Hallando Fc DE BLOQUES:
CMe. Bloques
Fc 
CMe. Error . Exp.
CMe.Trat .
Fc 
CMe. Error . Exp.
CMeExp.
CV  *100
Grantotal
tr
ANANALISIS DE VARIANZA
5% 1%
BLOQUES
TRATAMIENTOS
ERROR
EXPERIMENTAL
TOTAL CV =
DISEÑO EN BLOQUES COMPLETOS AL AZAR CON UNIDADES
EXPERIMENTALES PERDIDAS.
En los diferentes trabajos de investigación, se corre el riesgo de que se pierda una

unidad experimental, esta perdida puede ser por muerte de algún animal que se
encuentre en experimentación o la enfermedad del mismo. En caso de que el trabajo
sea con material agrícola, se puede perder unidades experimentales por la no
germinación de las semillas, el daño que puede ser ocasionado por algún agente
externo.
Si, se nos presenta esta perdida de unidades experimentales, se puede hallar las
unidades faltantes, por la formula de YATES:
rB  nT  G
y
 r  1 n  1
Donde:
Y = Valor que deseamos hallar.

B = Total del bloque donde se perdió la parcela.
T = Total del tratamiento con parcela perdida.
G = Gran total, donde falta el dato perdido.
r = Número de repeticiones (bloques).
n = Número de tratamientos que intervienen en el trabajo de investigación.
Vale decir que este dato que se halla por este procedimiento no es el valor del dato
real, sino es un artificio de calculo matemático, con fines de facilitar los cálculos
posteriores, sobre todo evitar mayores complicaciones en el Análisis de Variancia.
EJEMPLO:
Se ha evaluado la adaptación de cinco variedades de alfalfa, con un diseño en bloques.

Los resultados ordenados son los siguientes:
BLOQUES Total
VARIEDADES I II III IV V Tratamientos
Moapa (Testigo) 59.5 45.0 46.2 59.0 51.5 261.2
Ranger 37.2 48.2 38.4 56.9 52.3 233.0
WP132 36.8 45.7 xxx 52.6 51.0 186.1
Aragón 34.5 38.9 41.5 38.9 40.1 193.9
Alta Sierra 51.6 52.9 54.2 50.6 53.2 262.5
WP210 56.2 52.3 49.8 50.6 51.2 260.1
Total Bloques 276 283 230 309 299
HALLANDO EL DATO PERDIDO:
rB  nT  G
y
 r  1 n  1
5 * 230  6 * 186.1  1396.8

y  43.49
 5  1 6  1
Cuadro ordenado de datos con el dato perdido calculado:
BLOQUES Total
VARIEDADES I II III IV V Tratamientos
Moapa (Testigo) 59.5 45.0 46.2 59.0 51.5 261.2
Ranger 37.2 48.2 38.4 56.9 52.3 233.0
(43.5
WP132 36.8 45.7 ) 52.6 51.0 186.1
Aragón 34.5 38.9 41.5 38.9 40.1 193.9
Alta Sierra 51.6 52.9 54.2 50.6 53.2 262.5
WP210 56.2 52.3 49.8 50.6 51.2 260.1
Total Bloques 276.8 283.0 273.6 308.6 299.3 1440.3
Una vez hallado el dato perdido se coloca en la celda que corresponde y se continua
con la realización de los calculos de la siguiente forma:
Gl Bloques: r–1 t = Nro. De tratamientos.

GLTratamiento : t–1 r = Nro. De repeticiones
GL Error Experimental: Gl Total – Gl Bloques – Gl Trat.
GLTotal : rt – 1- 1 (Nro. De datos perdidos).
Tc 
 Gran..Total  2
Pr omedio
SC Bloques 
y 2
j
 Tc
t
SC Bloques 
 276.8 2   283.0 2  ............. 308.6 2   299.3 2  43218.00188
6
SC Bloques =
SCTrat . 
y 2
i
 Tc
r
SCTrat . 
 261.2 2   233.0 2  .......... ... 262.5 2   260.1 2  Tc
5
SCTr =
 Y 
2
SCTOTAL  ij  Tc
SCTOTAL   59.5   45.0   46.2  ......   49.8   50.6   51.2  Tc

2 2 2 2 2 2
SC Total =
SC error . Exp  SCTotal   SC Bloques  SCTrat . 
SC
CM 
Gl
Hallando EL CUADRADOS MEDIO DE BLOQUES:
SC Bloques
CMe Bloques 
Gl Bloques
CMe Bloques =
SCTrat .
CMeTrat . 
GlTrat .
CMe. Trat. =

Hallando Fc DE BLOQUES:
CMe. Bloques
Fc 
CMe. Error . Exp.
CMe.Trat .
Fc 
CMe. Error . Exp.
CMeExp.
CV  *100
Grantotal
tr
5% 1%
BLOQUES
TRATAMIENTOS
ERROR
EXPERIMENTAL
TOTAL CV =
OTRO EJEMPLO:
Se ha observado el incrementó de peso de cuyes durante cinco meses utilizando cinco

tratamientos en su alimentación, siendo los siguientes: A = 100% Cebada; B = 75%
cebada + 25% concentrado; C = 50% de Cebada + 50% de concentrado; D = 25% de
Cebada + 75% de concentrado y E = 100% de concentrado. El diseño utilizado fue
Bloques completos randomizados, con cinco repeticiones.
TOTAL
BLOQUES/TRAT. A B C D E BLOQUES
I 47.5 52.0 45.0 60.5 56.0
II 66.0 51.5 52.0 60.0 A
III 46.5 48.5 46.5 55.5 58.0
IV 45.0 45.5 49.5 B 57.5
V 48.5 46.0 53.5 58.0 64.5
Total Trat.
HALLANDO LOS DATOS PERDIDOS:
Se utiliza la siguiente formula:
rB  nT  G
y
 r  1 n  1
Primero:
Se halla el promedio de A:
A0 
 columna / Nro.de.datos   fila / numero.de.datos
2
Segundo:
Se adiciona el resultado al gran total original.
G.T + resultado de A 0
Tercero:
Se calcula B 0
rB  nT  G
B0 
 r  1 n  1
Cuatro:
El resultado de esta operación se adiciona al gran total original.
Quinto:
Se halla A 1
rB  nT  G
A1 
 r  1 n  1
Esta operación se repite hasta que los resultados de A y B sean iguales. Al llegar ha
esta igualdad se coloca en el cuadro ordenado de resultados, para iniciar la
construcción del ANVA, como si fuera un diseño en bloques sin datos perdidos, la
variación es en el calculo de los Grados de libertad del total, por que se calcula con el
numero de datos originales (sin los datos faltantes).
HALLANDO EL DSH(T)
Hallar la estimación del número efectivo de repeticiones:
1. Se asigna n-2/n-1 repeticiones al tratamiento ausente.

2. Se asigna cero al tratamiento que no esta presente en el bloque.
n2 52 3
n = 5 =   0.75
n 1 5 1 4
Asignando letras: P = Presente

A = Ausente
TRATAMIENTOS
BLOQUES A B C D E
I P P P P P
II P P P P A
III P P P P P
IV P P P A P
V P P P P P
COMPARANDO TRATAMIENTOS
A B A D D E C E A C
1 1 1 1 1 1 1 1 1 1
1 1 1 1 0.75 0 0.75 0 1 1
1 1 1 1 1 1 1 1 1 1
1 1 0.75 0 0 0.75 1 1 1 1
1 1 1 1 1 1 1 1 1 1
5 5 4.75 4 3.75 3.75 4.75 4 5 5
HALLANDO AES (TUKEY)
Tabla se busca de la siguiente forma.

Nro. Total de tratamientos
Grados de Libertad del error
FORMULA:
1  1 1 
DSH t  AES  S 
2  ri r j 
DONDE:
S CMe
ri  Repeticiones efectivas de uno de los tratamientos en comparación.
rj  Repeticiones efectivas del otro tratamientos en comparación.
DISEÑO BLOQUES COMPLETOS AL AZAR CON SUBMUESTREO
Este diseño mantiene casi en la totalidad los aspectos estudiados en el diseño

completo al azar con submuestreo, con excepción de que este caso se tiene una
fuente de variabilidad más debido a la presencia de los bloques.
La utilización de este diseño se enmarca a la necesidad del experimentador, y

cuando este cuenta con unidades experimentales grandes, que permite subdividir la
misma.
MODELO MATEMÁTICO:
Yijk    t i  B j   ij   ijk
DONDE:
Yijk  Variable respuesta de la k-esima muestra (subunidad) de la j-esima unidad

experimental sujeta al i-esimo tratamiento.
 = Media general poblacional o constante común
t i = Efecto del i-esimo tratamiento.
B j = Efecto del j-esimo bloque.
 ijj  Efecto de la j-esima unidad experimental sujeta al i-esimo tratamiento.
 ijk  Efecto aleatorio del error muestral en la k-esima subunidad, de la j-esima
unidad experimental sujeta al i-esimp tratamiento.
ANÁLISIS DE VARIANCIA
FUENTE DE
VARIACION G.L SC CM
1
tm

 Yj2  TC 
Bloques r-1
1
rm
 Yi2  TC
Tratamientos t-1
(t-1) (r-1)  Yij / m   Yi / rm   Y j / tm  TC
2 2 2
Error experimental
Error muestral tr (m-1) Se halla por diferencia
Total rtm-1 Y 2
ijk  TC
HALLANDO EL TERMINO DE CORRECCION:
 Y  IJK
2
TC 
tmr
HALLANDO EL COEFICIENTE DE VARIABILIDAD:

CME EXP
C.V.  X100
G.T.
trm
PARA PRUEBAS DE COMPARACIÓN DE MEDIAS:
“t”, DLS, Dunnett
2CME exp
Sd 
r
Duncan, Tukey:
CME exp
Sx 
rm
EJEMPLO:
Los datos siguientes expresan las producciones de forraje verde de trtricale, obtenidas
de un estudio donde se probaron cuatro diferentes niveles de nitrógeno en una misma
variedad.
DOSIS I II III IV Y j
24 19 18 23
23 22 19 22
100 Kg/Ha 21 21 22 20
Y ij
25 31 28 34
28 24 32 33
200kg/Ha 30 32 3621 29
Y ij
56 62 61 62
65 60 60 60
300kg/Ha 58 59 64 61
Y ij
24 21 23 19
19 22 18 21
400kg/Ha 23 24 22 23
Y ij
DISEÑO CUADRADO LATINO
En los trabajos de investigación agropecuaria es muy difícil encontrar unidades

experimentales homogéneas, Algunas veces encontramos situaciones en que tenemos
una fuente de variación con dos criterios en la clasificación, la cual no puede ser aislada
únicamente usando bloques. Por ejemplo; Si se tiene un terreno con diferentes niveles
de pendiente en doble sentido, para instalar un experimento se podrán distribuir de la
siguiente manera, un ensayo de 5 tratamientos.
Pendiente
P Hileras/columnas C1 C2 C3 C4 C5
e H1 A B C D E
n H2 B A E C D
d H3 C E D A B
H4 D C B E A
H5 E D A B C
En caso de diseños experimentales en animales, diferentes camadas, sistemas de

crianzas, los periodos de producción dependen de las estaciones del año. Por ejemplo
Se desea experimentar sobre la utilización de sistemas de crianza, en animales de 5
camadas diferentes, con el objetivo de observar el incremento de pesos de los animales
tratados con diferentes raciones alimenticias.
Sistemas de crianza
Hileras/columnas C1 C2 C3 C4
H1 A B C D
H2 B A E C
H3 C E D A
H4 D C B E
CARACTERÍSTICAS DEL DISEÑO:
1. La distribución aleatoria de los tratamientos en las filas y en las columnas debe

de realizarse al azar, por esta razón se cuenta con cuadros latinos estándar,
mencionados en diferentes libros.
2. Debe existir homogeneidad en las unidades experimentales dentro de las filas y
las columnas, pero entre filas y columnas debe existir heterogeneidad para que
el diseño sea eficiente.
3. El número de tratamientos debe ser igual al número de repeticiones.
4. Cada tratamiento debe aparecer una sola vez en cada hilera y en cada columna.
5. se recomienda la utilización de este diseño cuando los tratamientos van de tres
hasta 10, no se recomienda utilizar este diseño cuando excede este número.
6. Es un diseño más preciso que el de bloques, debido a que reduce el cuadrado
medio del error, debido a la otra fuente de variación que es las de columnas.
7. La construcción del ANVA es muy sencilla y similar a la que se realiza en el
Diseño de Bloques.
VENTAJAS:
1. el análisis de varianza es simple, aun cuando las operatividad es ligeramente
mas complicado que el DBA.
2. Cuando los bloques y las columnas están relacionadas con variaciones definidas
de dos criterios de clasificación, entonces ellos pueden ser considerados como
tratamientos.
3. En caso de que se pierda todas las unidades experimentales de un mismo
tratamiento, el resto de los tratamientos siguen ajustados a las características
del cuadrado latino. Si se pierde íntegramente un bloque o columna, el diseño se
convierte en un DBCA.
4. Disminuye los efectos de dos fuentes de variabilidad de las unidades
experimentales en los promedios de los tratamientos y en el error experimental.
DESVENTAJAS:
1. Cuando existe interacción entre los tratamientos, bloques y/o columnas, no es

bueno utilizar este diseño por que el valor de ”F” no se distribuye de acuerdo al
valor tabular de “F”, por seta razón la prueba de significación no es valida.
2. La exigencia de que los bloques, columnas sean iguales por consiguiente
también los tratamientos, disminuye la flexibilidad del diseño. Por esta razón es
que no se recomienda el uso de este diseño a mas de 10 unidades
experimentales.
3. este diseño tiene menos grados de libertad en el error experimental, por la
igualdad del número de tratamientos y repeticiones.
4. El error experimental tiende a incrementarse al aumentar el ancho de los
bloques y el largo de las columnas, como consecuencia principal del aumento de
número de tratamientos.
MODELO MATEMÁTICO
Yijk    t i  H j  C k   ijk
Yijk  Resultado de la unidad experimental clasificada en el j-esimo nivel de bloque-fila

, k-esimo nivel de bloque-columna yq que ha recibido el tratamiento i-esimo, el
cual por estar comprendido en la combinación jk se llama factor anidado.
 = Media, de la población a la cual pertenece las observaciones.
t i = Efecto del i-esimo tratamiento.
H j = Efecto de la j-esima fila o nivel del factor que dio lugar al bloque-fila.
C k = Efecto de la k-esima columna o nivel del factor que dio lugar a bloque-columna.
 ijk = Termino del error.
EJEMPLO:
Se tiene un estudio comparativo de engorde con cinco animales y 5 raciones. Los datos
se encuentra en kilogramos de aumento en peso. Los siguientes son los datos
encontrados:
TOTAL
BLOQUES
A E D C B
67.2 32.5 48.5 39.0 57.9 245.1
B D C E A
60.3 44.5 44.0 35.0 72.2 356.0
D A E B C
42.5 67.5 33.5 57.6 49.0 250.1
C B A D E
40.0 58.5 72.5 50.0 34.5 255.5
E C B A D
34.0 48.0 59.5 72.0 47.5 261.0
TOTAL
COLUMNAS 253.6 261.1 258.0 244.0 251.0 1267.7
Para procesar los datos en el diseño del Cuadrado Latino, no es necesario ordenarlos,
se trabaja con la plantilla que expresa la disposición de los tratamientos en el campo
experimental. El procesamiento del Análisis de Varianza se calcula en forma similar a lo
anteriormente explicado, solo se incrementa en la fuente de variación el calculo de
columnas.
Gl Hileras: h–1 h = Nro. De hileras.

Gl Columnas : c–1 c = Nro. De columnas.
Gl Tratamientos: t-1
GL Error Experimental: Gl Total – Gl hileras – Gl columnas.
GLTotal : hc – 1
Tc 
Nro .dedatos
Hallando SUMA DE CUADRADOS DE HILERAS:
SC Hileras 
y 2
i.
 Tc
c
SC Hileras 
 245.1 2   256.0 2   250.1 2   255.5 2   261.0  2  64282.53
5
SC Hileras =
SC Columnas 
y .j
 Tc
h
SC Columnas 
 253.6    261.1   258.0    244.0    251.0 
2 2 2 2 2
 64282.53
5
SC Columnas =
SCTrat . 
 y 2
k
 Tc
t
Se ordenada los tratamientos y se suman para hallar la sumatoria de cada uno de los
tratamientos.
Trat. A : 67.2 + 67.5 + 72.2 + 72.0 + 72.5 = 351.4

Trat. B : 60.3 + 57.9 + 57.6 + 59.5 + 58.5 = 293.8
Trat. C: + + + + =
Trat. C: + + + + =
Trat. E: + + + + =
SCTrat . 
 351.4 2   293.8 2  .......... ... 233.0 2  169.5 2  Tc
5
SCTr =
 Y 
2
SCTOTAL   67.2   32.5   48.5  ......   59.5   72.0   47.5  Tc

2 2 2 2 2 2
SC Total =
SC error . Exp  SCTotal   SC Hileras  SC Columnas  SCTrat . 
SC
CM 
Gl
Hallando EL CUADRADOS MEDIO DE HILERAS:
SC Hileras
CMe Hileras 
Gl Hileras
CMe Hileras =
Hallando EL CUADRADOS MEDIO DE COLUMNAS:
SC Columnas
CMeColumnas 
GlColumnas
CMe Columnas =
SCTrat .
CMeTrat . 
GlTrat .
CMe. Trat. =
Hallando Fc DE HILERAS:
CMe. Hileras
Fc 
CMe. Error . Exp.
Hallando Fc DE COLUMNAS:
CMe.Columnas
Fc 
CMe. Error . Exp.
Hallando Fc DEL TRATAMIENTO:
CMe.Trat .
Fc 
CMe. Error . Exp.
CMeExp.
CV  * 100
Pr omedio
5% 1%
HILERAS
COLUMNAS
TRATAMIENTOS
ERROR
EXPERIMENTAL
TOTAL CV =
Como existe alta significancia en el Análisis de varianza, se debe averiguar cual de los
tratamientos es mejor estadísticamente, para lo cual debemos realizar una prueba de
medias.
PRUEBA DE MEDIAS:
PRUEBA DE TUKEY:
PRIMERO:
Se busca el valor de AES, con 5 tratamientos y 12 grados de libertad para el error:  0.01  5.84 .
SEGUNDO:
Hallar Desviación estandard de los promedios:
CMe
Sd 
Nro.Trat .
TERCERO:
DSH(T) 1% = 1.24 * 5.84 = 7.24
CUADRADO LATINO CON UNA PARCELA PERDIDA
En trabajos de investigación algunas veces se puede presentar muerte o desaparición

de laguna unidad experimental, por lo que es necesario conocer como se puede
procesar estos datos.
Se tiene un grupo de datos de un diseño experimental de Cuadrado Latino 5x5, de
cinco variedades de fréjol forrajero, el objetivo del trabajo es evaluar el rendimiento de
estas variedades. Se encontró los siguientes resultados:
TOTAL
LINEAS
B E A C D
9000 13000 11600 17900 21200
D B C A E
25000 8500 18600 12600 15100
E C D B A
14000 20500 XXXX 9600 10900
C A E D B
19000 10900 12800 23600 11000
A D B E C
12000 24000 8600 14100 17500
TOTAL
COLUMNAS
Como se a estudiado en el diseño de bloques al azar, es necesario estimar el valor del

dato perdido, con la siguiente formula:
r  L  C  t   2G
x
 r  1 r  2
Donde:
x = Dato perdido.
L = Sumatoria de la línea donde se halla el dato perdido.
C = Sumatoria de la columna donde se encuentra el dato perdido.
t = Sumatoria de los tratamientos donde se encuentra el dato perdido.
G = Gran total.
Una vez encontrado el dato perdido, el proceso de calculo para el ANVA es similar a la
del Diseño Cuadrado Latino al Azar.
Gl Hileras: h–1 h = Nro. De hileras.

Gl Columnas : c–1 c = Nro. De columnas.
Gl Tratamientos: t-1
GL Error Experimental: Gl Total – Gl hileras – Gl columnas.
GLTotal : hc – 1- 1 . Por cada parcela perdida se debe restar un grado
de libertad al total y un grado de libertad en el error.
Tc 
Nro .dedatos
SC Hileras 
y 2
i.
 Tc
c
SC Hileras 
 72700 2   79800 2 ..........   77300 2   76200 2  Tc
5
SC Hileras =
Hallando SUMA DE CUADRADOS DE COLUMNAS:
SC Columnas 
y .j
 Tc
h
SC Columnas 
 79000  2   79800  2  ......   77300  2   75700  2  Tc
5
SC Columnas =
 Tc
SCTrat . 
 y 2
k
t
Se ordenada los tratamientos y se suman para hallar la sumatoria de cada uno de los
tratamientos.
Trat. A: + + + + =
Trat. B: + + + + =
Trat. C: + + + + =
Trat. D: + + + + =
Trat. E: + + + + =
SCTrat . 
 58000 2   46700 2  .......... ...   69000 2  Tc
5
SCTr =
 Y 
2
SCTOTAL   9000  13000  11600  ......   8600  14100  17500  Tc

2 2 2 2 2 2
SC Total =
SC error . Exp  SCTotal   SC Hileras  SC Columnas  SCTrat . 
Hallando EL CUADRADOS MEDIO DE HILERAS:
SC Hileras
CMe Hileras 
Gl Hileras
CMe Hileras =
Hallando EL CUADRADOS MEDIO DE COLUMNAS:
SC Columnas
CMeColumnas 
GlColumnas
CMe Columnas =
SCTrat .
CMeTrat . 
GlTrat .
CMe. Trat. =
Hallando Fc DE HILERAS:
CMe. Hileras
Fc 
CMe. Error . Exp.
Hallando Fc DE COLUMNAS:
CMe.Columnas
Fc 
CMe. Error . Exp.
Hallando Fc DEL TRATAMIENTO:
CMe.Trat .
Fc 
CMe. Error . Exp.
CMeExp.
CV  * 100
Pr omedio
5% 1%
HILERAS
COLUMNAS
TRATAMIENTOS
ERROR
EXPERIMENTAL
TOTAL CV =
Como existe alta significancia en el Análisis de varianza, se debe averiguar cual de los
tratamientos es mejor estadísticamente, para lo cual debemos realizar una prueba de
medias.
EXPERIMENTOS CON ARREGLOS FACTORIALES

Los experimentos factoriales son arreglos de los Diseños Experimentales que permite
aplicar en una sola vez una serie de tratamientos que consideramos intervengan la
respuesta dada por la unidad experimental.
Según YATES, los experimentos factoriales, son arreglos en las cuales son incluidas las
diferentes combinaciones posibles de los niveles de los factores en estudio. La
información que se obtiene es el resultado del efecto independiente o combinado de los
factores en estudio; el efecto de un factor se define como el cambio de respuesta
producido por un cambio de nivel en dicho factor, manteniendo a un determinado nivel
el otro factor o factores.
Los experimentos factoriales, permite estudiar varios factores simultáneamente con

muy poco trabajo adicional, aumenta la precisión, la cobertura y utilidad de los
resultados al proporcionar información sobre las interacciones entre los factores en
prueba.
Un factor es un tipo de tratamiento y en un experimento factorial cualquier factor

tendrá varios tratamientos. Por ejemplo: Supongamos que se desea introducir un nuevo
cultivo a un país y no se sabe nada acerca de la mejor variedad o el mejor nivel de
fertilización necesariamente para obtener el rendimiento mas alto. El procedimiento
seria hacer dos experimentos independientes para determinar la mejor variedad y el
mejor nivel de fertilización, desafortunadamente no podemos hacer ningún estudio de
fertilización sin utilizar alguna de las variedades, ni tampoco podemos hacer ningún
estudio de las variedades sin usar algún nivel de fertilización. Si realizamos
experimentos separados de estos dos factores, podría suceder que el efecto de los
fertilizantes en diferentes variedades sean materialmente diferentes, por lo tanto, las
conclusiones que han sido sacadas laboriosamente sobre el mejor nivel de fertilización
para una variedad puede ser bastante inaplicable a la variedad que consideremos mejor
al final del estudio.
La solución al problema es conducir un experimento factorial para que los tratamientos

contengan todas las combinaciones de los factores.
VENTAJAS:
1. Permite estudiar los efectos principales, efectos simples así como de los efectos
de interacción.
2. Todas las unidades experimentales intervienen en la determinación de los
efectos principales, efectos simples y de la interacción.
3. El número de Grados de Libertad del error es alto respecto a los experimentos
simples de los mismos factores lo que contribuye a disminuir la variancia
aumentando la precisión del experimento.
DESVENTAJAS:
1. Se requiere mayor número de unidades experimentales que los experimentos
simples.
2. Como en los experimentos factoriales deben de combinarse todos los niveles de
los factores en estudio, algunas de estas combinaciones resulta de poco interés
del investigador.
3. Requiere de mayor presupuesto, recursos materiales y tiempo.
4. El Análisis de Variancia es mas complicado en comparación de los experimentos
simples.
EFECTOS DE LOS EXPERIMENTOS FACTORIALES:
a. Efecto principal: Se define como la variabilidad o diferencia entre los

niveles de un factor en promedio de los niveles del otro factor o factores.
b. Efecto simple: Es la variabilidad o diferencia entre los niveles de un
factor en cada uno de los niveles del otro factor.
c. Efecto de interacción: La interacción mide la falta de los efectos
simples de un factor o que no sean iguales en los diferentes niveles del
otro factor.
ELECCIÓN DE LOS FACTORES:
FACTOR:
Es una clase de tratamiento que interviene en el experimento, es así que en los

experimentos factoriales, todo factor proporciona varios tratamientos. En el campo de
agronomía estos pueden ser variedades dentro de una especie, niveles de fertilización,
insecticidas, nematocidas, frecuencia de riego. En el campo de Zootecnia razas de
animales, variedades de alfalfa, raciones alimenticias, dosis de una Hormona. A los
factores se les simboliza generalmente por las primeras letras mayúsculas del alfabeto.
Los tratamientos en un arreglo factorial se determinan por el producto de los niveles de
cada factor.
NIVELES DE UN FACTOR:
Son los diversos tratamientos que pertenecen a un determinado factor.
Factorial de dos factores AxB:
A esta expresión se puede agregar los niveles de cada factor como 2A,2B, se
puede expresar también en forma exponencial cuando se trata de factores con el
mismo número de niveles al factorial puede expresarse como 2 2 donde la base
constituye los niveles y el exponente los factores.
Factorial de tres factores AxBxC:
Puede ser 2Ax2Bx2C , expresión exponencial es 2 3 .

TIPOS DE FACTORES:
Factor al azar:
Los tratamientos son seleccionados al azar de la población de niveles,

constituyendo una muestra los que están en el experimento.
Factor fijo:
Los niveles o tratamientos son fijados por los experimentos de acuerdo a su

interés. Estos son muy usuales. Ejemplo:
- Factor Nitrógeno: 50, 70, 80, 90 kg. De N/Ha.

- Alimento: con ingredientes nuevos, sin ingredientes.
Factores Cualitativos:
Los niveles o tratamientos son unidades o categorías, cuyos niveles

corresponden a procedimientos o cualidades y no tienen un orden natural y cada nivel
tiene un valor intrínsico. Ejemplo: Variedades de un cultivo, épocas del año, clases de
lana, tipo de hormona, tipo de alimento, etc.
Factores Cuantitativos:
Son aquellos cuyos niveles corresponden a cantidades numéricas de un factor

cuantitativo, ya sea igualmente espaciadas o no. Ejemplo: Distanciamiento entre
surcos, diferentes dosis de una ración proteica, diferentes dosis de un abono
nitrogenado. Etc.
EXPERIMENTO DCA CON ARREGLO FACTORIAL (AxB):
Este tipo de diseño incluye las combinaciones de dos factores y sus respectivos
niveles (número total de tratamientos).
MODELO LINEAL ADITIVO DE LOS EXPERIMENTOS FACTORIALES DE DOS

FACTORES.
MODELO LINEAL EN EL DISEÑO COMPLETAMENTE AL AZAR:
Yijk    ai  B j   aB  ij   ijk
i = 1,2 ... n (niveles de factor A)

j = 1,2 ... n (niveles de factor B)
k = 1,2 ... n (repeticiones)
Donde:
Yijk  Variable respuesta de la k-esima observación bajo el j-esimo nivel de factor B,
sujeto al i-esimo, nivel de tratamiento A.
a i = Efecto del i-esimo nivel del factor A.
B j = Efecto de la j-esima nivel del factor B.
 aB  ij = Efecto de la interacción del i-esimo nivel del factor A, en el j-esimo nivel del
factor B
 ijk = Efector del error experimental.
F DE V GL SC CM Fc CME(i)
Tratamientos t-1  Yij2 / k  TC
A a-1 Y i
2
/ br  TC
B b-1 Y j
2
/ ar  TC
AB (a-1)(b-1) Y / k  TC  SC a  SCb *
2
ij
error exp. ab(r-1) Diferencia (total – trat)

(abr-1)  Yijk  TC
2
Total
* Se puede utilizar la siguiente formula para hallar S.C. de AB
SC trat  SC  A   SC  B 
EJEMPLO:
Se ensayo un experimento en engorde de alpacas de la raza Huacaya y Suri todos

machos en condiciones de manejo al pastoreo natural. Teniendo tres niveles de
suplementación; Nro. 3 (5 kilos de afrecho mas 5% de harina de pescado), Nro. 2 (5
kilos de afrecho mas 6% de harina de pescado) y Nro. 1 (solo pastoreo), considerando
como factores: Raza y suplemento alimenticio. El objeto de esta investigación es ver si
existe efecto entre los factores en estudio, para esto se ha tomado como variable de
respuesta el aumento de peso en kilogramos, los datos encontrados fueron los
siguientes:
Suplementación 1 2 3
Raza S H S H S H
1 20 32 31 39 52 50
2 22 31 32 52 53 58
3 22 32 43 51 51 49
4 28 33 35 52 59 35
5 24 31 36 52 59 64
6 31 35 28 50 42 63
7 23 32 32 45 49 64
8 25 36 35 38 52 57
9 21 22 38 38 45 57
10 28 39 34 48 54 52
 ij 244 323 344 465 516 549 2441
567 809 1065
 i
 j 1104 1337
Hallando grados de libertad:
GL Suplemento: a – 1 =
GL Raza: b – 1 =
GL AxB: (a-1)(b-1)=
GL error: ab(r-1)=
GL total: abr-1 =
Hallando el termino de corrección:
( Yijk ) 2
TC 
abr
Hallando SUMA DE CUADRADOS DEL FACTOR A (Suplemento alimenticio):
SC SUPLE . ALI . 
y 2
i ..
 Tc
br
 567  2   809 2  1065 2

2
SC Suple. Ali.   Tc
2 * 10
SC Suplemento alimenticio =
Hallando SUMA DE CUADRADOS DEL FACTOR B (Razas):
SC Razas 
y .j .
 Tc
ar
SC Razas 
1104  2  1337 2  Tc
3 *10
SC Razas =
Hallando SUMA DE LA INTERACCION A x B:
SC Int ( AxB )  SC Comb ( AxB )  ( SC raza  SC Suple. Ali . )
Hallando SUMA DE CUADRADOS DE LA COMBINACION A x B ( SC Comb ( AxB ) ):
SC Comb ( AxB ) 
Y 2
ij .
- Tc
r
SC Comb ( AxB ) 
 244 2  (323) 2  ..........(516) 2  (549) 2  Tc
10
SC Comb ( AxB ) =
Reemplazando en formula:

 Y 
2
SCTOTAL  ijk  Tc
SCTOTAL   20   22   22  ......   57   57   520  Tc

2 2 2 2 2 2
SC Total =
SCerror . Exp  SCTotal   SC Suple . Ali.  SC Raza  SC Int ( AxB ). 
SC Error Exp. =
Hallando EL CUADRADOS MEDIO DEL FACTOR A:
SC Suple. Ali
CMe FactorA. 
Gl Suple. Ali .
CMe Suplementación Alimenticia =
Hallando EL CUADRADOS MEDIO DEL FACTOR B:
SC Raza
CMe Raza 
Gl Raza
CMe Raza =
Hallando EL CUADRADOS MEDIO DE INTERACCION AxB:
SC AxB
CMe AxB. 
Gl AxB
CMe. AxB =
Hallando Fc DEL FACTOR A:
CMe. Suple. Ali.

Fc 
CMe. Error . Exp.
Hallando Fc DEL FACTOR B:

CMe. Raza
Fc 
CMe. Error . Exp.
Hallando Fc DE LA INTERACCION AxB:
CMe. Suple. AliXRaza

Fc 
CMe. Error . Exp.
CMeExp.
CV  * 100
Pr omedio
EXPERIMENTO DBCA CON ARREGLO FACTORIAL (AxB):
Este tipo de diseño incluye las combinaciones de dos factores y sus respectivos
niveles (número total de tratamientos).
MODELO LINEAL ADITIVO DE LOS EXPERIMENTOS FACTORIALES DE DOS

FACTORES.
MODELO LINEAL EN EL DISEÑO COMPLETAMENTE AL AZAR:
Yijk  ij    B j   aB  ij  Bk   ijk
i = 1,2 ... n (niveles de factor A)

j = 1,2 ... n (niveles de factor B)
k = 1,2 ... n (repeticiones)
Donde:
Yijk  Variable respuesta de la k-esima observación bajo el j-esimo nivel de factor B,

sujeto al i-esimo, nivel de tratamiento A.
a i = Efecto del i-esimo nivel del factor A.
B j = Efecto de la j-esima nivel del factor B.
 aB  ij = Efecto de la interacción del i-esimo nivel del factor A, en el j-esimo nivel del
factor B
 ijk = Efector del error experimental.
F DE V GL SC CM Fc
Bloques r-1 Y 2
.. k / ab  TC
A a-1 Y 2
i. / br  TC
B b-1 Y 2
. j. / ar  TC
AB (a-1)(b-1) Y
ij . / r  TC  SC a  SC b *
2
error exp. (ab-1)(r-1) SCt – SCbloq.- SCa – SCb - SCab

Total (abr-1) Y 2
ijk  TC
EJEMPLO:
Se realizo un trabajo de investigación evaluando el rendimiento de tres variedades de

alfalfa que son la Moapa, Ranger y Wp320 (factor A), en cuatro tiempos de corte; a los
45 días, 50 días, 55 días y 60 días. (factor B), con cinco repeticiones. La variable de
rendimiento se medio en kilogramos.
MOAPA RANGER WP320
VARIEDAD
CORTES 45 50 55 60 45 50 55 60 45 50 55 60 TOTAL
BLOQUES BLOQUES
I 66.49 63.47 69.56 61.45 68.94 68.53 67.41 65.42 64.36 67.75 69.44 72.53 805.35
II 67.59 64.52 65.51 62.58 67.83 70.27 69.56 66.32 64.89 68.51 70.34 70.45 808.37
III 63.58 62.36 68.74 64.32 64.39 68.41 65.43 67.45 65.57 64.39 65.70 69.31 789.65
IV 64.20 65.41 71.43 63.25 68.47 73.90 69.28 64.56 66.74 69.52 66.40 67.20 810.36
V 65.20 66.73 68.55 66.87 69.39 69.80 68.31 61.68 64.96 67.64 68.82 68.80 806.75
y 2
ij . 327.06 322.49 343.79 318.47 339.02 350.91 339.99 325.43 326.52 337.81 340.70 348.29 4020.48
y 2
.i . a1 1311.81 a2 1355.35 a3 1353.32
y 2
. j. b1 992.60 b2 1011.21 b3 1024.48 b4 992.19
Promedio 65.42 64.50
Hallando grados de libertad:
GL Variedad: a – 1 =
GL Cortes: b – 1 =
GL AxB: (a-1)(b-1)=
GL error: (ab-1)(r-1)=
GL total: abr-1 =
Hallando el termino de corrección:
( Yijk ) 2
TC 
abr
SC bLOQUES 
y 2
.. k
 Tc
ab
 805.35   808.37  ....(810.36) 2   806.76

2 2 2 2
SC Bloques  
3* 4
Hallando SUMA DE CUADRADOS DEL FACTOR A (Variedad):
SCVariedad 
y 2
i ..
 Tc
br
 1311 .81  10.11 .00   1353.3

2 2 2 2
SCVariedad   Tc
4*5
SC Variedad =
Hallando SUMA DE CUADRADOS DEL FACTOR B (Cortes):
SC Cortes 
y . j.
 Tc
ar
SCCortes 
 992.60 2  1011.21 2  (1024.48) 2  (992.19) 2  Tc
5
SC Razas =
Hallando SUMA DE LA INTERACCION A x B:
Hallando SUMA DE CUADRADOS DE LA COMBINACION A x B ( SC Comb ( AxB ) ):
SC Comb ( AxB ) 
Y 2
ij .
- Tc
r
SC Comb ( AxB ) 
 244 2  (323) 2  ..........(516) 2  (549) 2  Tc
10
SC Comb ( AxB ) =
Reemplazando en formula:
 Y 
2
SCTOTAL  ijk  Tc
SCTOTAL   20   22   22  ......   57   57    520  Tc
2 2 2 2 2 2
SC Total =
SCerror . Exp  SCTotal   SC Suple . Ali.  SC Raza  SC Int ( AxB ). 
SC Error Exp. =
Hallando EL CUADRADOS MEDIO DEL FACTOR A:
SC Suple. Ali
CMe FactorA. 
Gl Suple. Ali .
CMe Suplementación Alimenticia =
Hallando EL CUADRADOS MEDIO DEL FACTOR B:
SC Raza
CMe Raza 
Gl Raza
CMe Raza =
Hallando EL CUADRADOS MEDIO DE INTERACCION AxB:
SC AxB
CMe AxB. 
Gl AxB
CMe. AxB =
Hallando Fc DEL FACTOR A:
CMe. Suple. Ali.

Fc 
CMe. Error . Exp.
Hallando Fc DEL FACTOR B:
CMe. Raza
Fc 
CMe. Error . Exp.
Hallando Fc DE LA INTERACCION AxB:
CMe. Suple. AliXRaza

Fc 
CMe. Error . Exp.
CMeExp.
CV  * 100
Pr omedio
DISEÑO FACTORIAL AxBxC
Se ha a probado dos tipos de anabolicos en engorde de ganado vacuno de la raza

holstein, bronw Swiss y criollo, en tres comunidades una ubicada en 2500 m.s.n.m., la
otra en 3000 m.s.n.m., y la tercera en 3500 m.s.n.m. El estudio se trata de evaluar la
efeciencia de los anabólicos, en las razas y en los diferentes pisos ecológicos. Los datos
obtenidos son los siguientes:
Se ha a probado dos tipos de anabólicos en engorde de ganado vacuno de la raza

Holstein, Brown Swiss y criollo, en tres comunidades una ubicada en 2500 m.s.n.m., la
otra en 3000 m.s.n.m., y la tercera en 3500 m.s.n.m. El estudio se trata de evaluar la
eficiencia de los anabólicos, en las razas y en los diferentes pisos ecológicos. Con tres
repeticiones. Los datos obtenidos son los siguientes:
Se ha podido obtener solo los siguientes cálculos.
ANABÓLICO:
A B
Sumatoria = 599 Sumatoria = 438
Promedio = 22.19 Promedio = 16.22
RAZAS:
Holstein: Brown Swiss: Criollo:

Sumatoria = 317 Sumatoria = 350 Sumatoria = 370
Promedio = 17.61 Promedio = 19.44 Promedio = 20.56
ALTURA:
2500 msnm: 3000 msnm: 3500 msnm:

Anabólico A Anabólico B
H B C H B C
2500 3000 3500 2500 3000 3500 2500 3000 3500 2500 3000 3500 2500 3000 3500 2500 3000 3500
20 24 16 25 25 18 26 24 20 15 16 14 15 18 12 16 20 14
21 23 17 24 26 20 26 27 18 13 16 13 17 19 15 17 21 16
22 22 18 23 28 16 25 29 16 16 16 15 16 20 13 18 19 18
63 69 51 72 79 54 77 80 54 44 48 42 48 57 40 51 60 48 1037
ANABÓLICO Y RAZA:
A - Holstein: A - Brown Swiss: A - Criollo:

B - Holstein: B - Brown Swiss: B - Criollo:

ANABÓLICO Y ALTURA:
A - 2500: A - 3000: A - 3500:

B - 2500: B - 3000: B - 3500:

RAZA Y ALTURA:
Holstein - 2500 Brown Swiss- 2500: Criollo - 2500:

Holstein - 3000: Brown Swiss - 3000: Criollo - 3000:

Holstein - 3500: Brown Swiss -3500: Criollo - 3500:

ANÁLISIS DE VARIANZA:
Ft
Fuente de Variabilidad GL SC CM Fc Sig.
5% 1%
(Tratamientos) (17) 945.43 55.61 28.81 * *
Anabólico 1 480.02 480.02 248.72 * *
Raza 2 79.59 39.80 20.62 * *
Altura 2 307.07 153.85 79.72 * *
Anabólico x Raza 2 3.59 1.80 0.93 ns ns
Anabólico x Altura 2 51.71 25.86 13.40 * *
Raza x Altura 4 16.30 4.08 2.11 ns ns
Anabólico x Raza x Altura 4 6.52 1.63 0.84 ns ns
Error Experimental 36 69.34 1.93
TOTAL 53 1014.76
CV = 7.23%

Diseños Experimentales Libro

Cargado por

Copyright:

Formatos disponibles

Diseños Experimentales Libro

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseños Experimentales Libro

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN

ANTONIO ABAD DEL CUSCO

Víctor López Durand.

CONOCIMIENTO, CIENCIA Y EXPERIMENTACION

TEORIA DEL CONOCIMIENTO:

Conocimiento empírico: Es el conocimiento que se inicia en las circunstancias,

Conocimiento Racional o Científico: Este conocimiento parte de la organización

OBJETIVO DEL CONOCIMIENTO:

 Busca alcanzar la verdad fáctica.

Método: Procedimiento critico para alcanzar un determinado fin.

Método científico: Es el procedimiento para tratar un conjunto de problemas. En

Para aplicar el método científico se debe seguir los siguientes pasos:

1. Enunciar preguntas bien formuladas y fecundas (POI).

Objetivo Intrínseco o cognitivo:

Objetivo extrínseco o utilitario:

Según Babbie, 1979, experimentación, se refiere a “tomar una acción” y después

Experimentación preliminar: Conocidos también como ensayos preliminares,

Experimentación critica: En este tipo de experimentación, se compara las

Experimentación demostrativa: Este tipo de experimentación, cumple con todas

PROCEDIMIENTO PARA LA EXPERIMENTACIÓN:

En el planeamiento y la conducción de un experimento hay un gran número de

1. Definición del problema: Consiste en establecer en forma clara y

2. Determinación de los objetivos: Estos pueden ser presentados en forma

Cuando existe mas de un objetivo en el trabajo de investigación, se debe

3. Análisis critico del problema y de los objetivos: La racionalidad y

La selección del procedimiento para la investigación depende, en gran

4. Selección de tratamientos: El éxito del experimento reside en la cuidadosa

5. Selección del material experimental: En la selección del material

6. Selección del diseño experimental: También en esta selección es

7. Selección de la unidad experimental y del número de repeticiones:

La experiencia de otros experimentos similares es de incalculable valor para la

8. Control de los efectos entre unidades adyacentes: En caso de un

9. Datos a obtener: Los datos que se recaban deben evaluar apropiadamente

10. Análisis estadístico y resumen de los resultados: Al realizar el análisis

11. Conducción del experimento: En la conducción del experimento, se debe

Las variables deben ser medidas en el momento oportuno y en la misma

Se debe comprobar inmediatamente las observaciones que parecen fuera de

12. Análisis de datos e interpretación de los resultados: Todos los datos

13. Elaboración de informe de investigación: El informe final debe ser

Cuando en un experimento se aplica mas repeticiones, mayor es la precisión

Lo expresado se puede explicar mejor por las siguientes razones:

 Las repeticiones permiten estimar el error experimental.

 El número de tratamientos guarda estrecha relación con el número de

El objetivo principal de la aleatorización es romper el efecto favorable o desfavorable

Causas del error experimental:

 Variación resultante de la falta de uniformidad en la técnica experimental o

Control del error experimental:

 Se debe elegir apropiadamente el diseño experimental. Por lo que se

 El incremento de los grados de libertad por la presencia de mayor número de

Población: o Universo estadístico:

a. Población finita: Es aquella que tiene un número determinado de

a. Muestra aleatoria: Conocida También como muestra al azar, se dice

Unidad Experimental o parcela:

Tamaño y forma de las parcelas:

 Trigo, avena, cebada 3 a 80 m2

La forma de las parcelas varían por muchas razones, si la investigación es en el área

Sub unidades de muestreo:

Tratamiento control o testigo:

Elección de los tratamientos: