You are on page 1of 60

DISEÑOS EXPERIMENTALES

UNIDAD 1

1.- Introducción a la experimentación

La experimentación juega un papel fundamental en virtualmente todos los campos
de la investigación y el desarrollo. El objetivo de la experimentación es obtener
información de calidad. Información que permita desarrollar nuevos productos y
procesos, comprender mejor un sistema (un proceso industrial, un procedimiento
analítico,) y tomar decisiones sobre como optimizarlo y mejorar su calidad,
comprobar hipótesis científicas, etc. Obviamente la experimentación se debe
planificar (diseñar) cuidadosamente para que proporcione la información buscada.
Dicha planificación debe considerar dos aspectos importantes relacionados con
toda experimentación:

La experimentación es normalmente cara. La capacidad de experimentar está
limitada por el costo en tiempo y en recursos (personal, productos de partida, etc..).
Por tanto, una organización óptima de la experimentación deberá contemplar el
menor número de experimentos que permita obtener la información buscada.

1.1 Definición de experimentación, objetivos e importancia

La investigación científica consiste en la búsqueda permanente de la verdad
mediante métodos objetivos adecuados y precisos. La experimentación es un
método científico de investigación que consiste en hacer operaciones y prácticas
destinadas a demostrar, comprobar o descubrir fenómenos o principios básicos.

La experimentación agrícola, en particular, comprende las pruebas, ensayos,
observaciones, análisis o estudio práctico de todo aquello que interesa a la
agricultura. Se considera un experimento probar con la practica una hipótesis
formulada (ensayo de rendimiento de seis variedades de alfalfa).

Se considera una investigación cuando se estudia la causa y el efecto
(determinación del tamaño de parcela más eficaz para ensayar variedades de
alfalfa). En un experimento se observan únicamente los efectos y es de aplicación
práctica inmediata, ya sea para el científico o para la comunidad. Por su parte una
investigación es de aplicación mediata y puede ser evolucionista, puede conducir

a idear nuevas técnicas o a modificar las existentes. Comúnmente ambos términos
se confunden y son inseparables. La experimentación científica se puede
considerar como un arte y como una ciencia.

 Objetivo e importancia

Es proporcionar métodos que permitan obtener la mayor cantidad de información
válida y objetiva acerca de una investigación.

Es importante la experimentación ya que por medio de ella se han generado
conocimientos científicos, que han servido de beneficio al logro de mejores
resultados y por ende, para bienestar de la sociedad.

1.2 Diseños experimentales en la agricultura

Los experimentos que se realizan frecuentemente en agricultura son:

 Ensayos comparativos entre variables
 Líneas
 Cruzamientos
 Descendencias

Observaciones y pruebas con fertilizantes, raciones, insecticidas, fungicidas y
herbicidas. La utilización óptima del diseño experimental, como herramienta para
la investigación en agricultura, depende de cada una de las cuatro fases en las que
se divide el proceso de experimentación: planificación, conducción del ensayo,
procesamiento de la información recolectada y elaboración de conclusiones y
recomendaciones, se cumplan de manera técnica, ética y responsablemente.

En la planeación o diseño de un experimento agronómico, es necesario
aplicar un conjunto de disciplinas y conocimientos biológicos con el fin de
encontrar una respuesta correcta a un problema específico. Por ejemplo, si se
comparan diversos maíces híbridos, todos los factores de la producción que
influyen en el comportamiento de los híbridos deben permanecer constantes
y las únicas fuentes de variación o diferencias serán presentadas por los maíces
híbridos, si tales fuentes existen.

El objetivo de la investigación agrícola o biológica es:

Especificar los problemas, con el fin de probar hipótesis o encontrar respuestas.
Es necesario considerar que los experimentos sean: Simples (ej. Cinco variedades
de sorgo) o factoriales (ej. Tres variedades, con tratamientos de nitrógeno, fósforo
y potasio.

1.3.- El investigador y el razonamiento científico
La Investigación es un proceso que, mediante la aplicación del método científico,
procura obtener información relevante y fidedigna, para entender, verificar, corregir
o aplicar el conocimiento. El método científico es el estudio sistemático de la
naturaleza que incluye las técnicas de observación, reglas para el
razonamiento y la predicción, ideas sobre la experimentación planificada y los
modos de comunicar los resultados experimentales y teóricos. La actividad
investigadora se conduce eficazmente mediante una serie de elementos que hacen
accesible el objeto al conocimiento y de cuya sabia elección y aplicación va a
depender en gran medida el éxito del trabajo investigador.

El investigador parte de resultados anteriores, planteamientos, proposiciones o
respuestas en torno al problema que le ocupa. Para ello debe:

 Planear cuidadosamente una metodología.
 Recoger, registrar y analizar los datos obtenidos.
 De no existir estos instrumentos, debe crearlos

Hay diferentes tipos de razonamientos, tales como: deductivo, inductivo y
analógico (por analogía). Aunque este último se considera como un caso particular
del individuo
Razonamiento Deductivo
Según Napolitano Antonio es un razonamiento cuya conclusión es de
consecuencia necesaria; es decir, dadas unas determinadas premisas, se dice
necesariamente una conclusión.
Según Contreras Bernardo un razonamiento es deductivo, cuando en él se exige
que la conclusión se derive necesariamente, forzosamente de las premisas. Por
ello, se le considera rigurosamente.
La conclusión en un razonamiento deductivo se obtiene de las premisas dadas, es
decir, no necesita recurrir de manera directa a la práctica o a la experiencia. Por

Que un razonamiento inductivo derive en una conclusión verdadera es apenas una probabilidad. la comparación y el modelaje. se expresa que la conclusión en este tipo de argumento se da una seguridad matemática. Un razonamiento inductivo. Los métodos experimentales son aplicados comúnmente para determinar las relaciones causales o para cuantificar la magnitud de la respuesta de una variable.5. consiste en considerar varias experiencias individuales para extraer de ellas un principio más amplio y general. 1. Razonamiento inductivo Inductivo. La experimentación es un método de investigación científico. Planteamiento de hipótesis La hipótesis es una proposición. es lo que está vinculado a la inducción (el proceso que lleva a obtener una conclusión general a partir de premisas específicas o particulares). Mientras que todos estos métodos comparten un enfoque científico común. la conclusión puede resultar falsa. en un espectro de métodos que también incluye la descripción. Los diseños experimentales frecuentemente usan controles que proveen una medida de variabilidad dentro de un sistema y un control para fuentes de error.esta razón.3 Orientación de la experimentación Es un método de investigación en el que una o más variables son manipuladas conscientemente y en el que se observa el resultado o efecto de esta manipulación sobre otras variables. pese a que se parta de premisas verdaderas. tal vez el más reconocible. condición o principio que se supone sin certeza con el fin de derivar sus consecuencias con hechos lógicos y. por lo tanto. la experimentación. cuyo grado varía de acuerdo al número de premisas que se consideren y a las características de éstas. por este método comprobar su concordancia con hechos conocidos o que puedan determinarse. Es importante tener en cuenta que. 1. Su . por su parte.

pero si es posible minimizar utilizando un tamaño adecuado de muestra . siendo esta hipótesis falsa. que se emplearán para llevar a feliz término la investigación planteada. la magnitud de este error es fijado por el investigador y constituye el “nivel de significación de la prueba”. la magnitud de este error no se puede fijar. Error tipo II: Se comete cuando se acepta la hipótesis que se plantea. Seleccionar el método. y en ella se observa claramente la relación o vínculo entre dos o más variables. dan rumbo a la investigación al sugerir los pasos y procedimientos que deben darse en la búsqueda del conocimiento.01. usualmente los valores usados como nivel de significación son 0.05 ó 0. la hipótesis a probar es si los tratamientos tienen el mismo efecto sobre la variable que se estudia. o conjunto de objetivos que desea alcanzar en el desarrollo de la investigación. Hipótesis estadística Es el supuesto que se hace sobre el valor de un parámetro (constante que caracteriza a una población) el cual puede ser validado mediante una prueba estadística. es factible que el investigador pueda: Elaborar el objetivo. Seleccionar los recursos. Cuando la hipótesis de investigación ha sido bien elaborada. Seleccionar el tipo de diseño de investigación factible con el problema planteado. siendo esta hipótesis falsa. los instrumentos y las técnicas de investigación acordes con el problema que se desea resolver. es así como se tienen las hipótesis planteadas (Hp) e hipótesis alterna (Ha): Hp: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio) Ha: ti ¹ 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en estudio) Al probar la hipótesis estadística el investigador está propenso a cometer los siguientes tipos de errores: Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea.importancia radica. tanto humanos como materiales. en que.

tomando en cuenta el tiempo. así como el diseño experimental adecuado a los factores que se tienen y al objetivo del experimento. No se trata de que el experimentador tenga que saber a priori cuáles factores influyen. Este paso también implica determinar cuántas repeticiones se harán para cada tratamiento. se debe garantizar que los instrumentos y/o métodos de medición son capaces de repetir y reproducir una medición. diferentes actividades. por qué es importante y. delimitar el problema u objeto de estudio y seleccionar variables de respuesta y factores. Concluye con la especificación de los tratamientos a realizar y con la organización del trabajo experimental. Planeación: Son actividades encaminadas a entender. puesto que precisamente para eso es el experimento. Elegir la(s) variable(s) de respuesta que será medida en cada punto del diseño y verificar que se mide de manera confiable. Seleccionar los niveles de cada factor.6 Características y etapas de la planeación de los experimentos Para que un estudio experimental sea exitoso es necesario realizar. Determinar cuáles factores deben estudiarse o investigarse. que tienen la precisión (error) y exactitud (calibración) necesaria. En otras palabras. 4. la etapa más importante y a la que se le debe dedicar mayor tiempo es la planeación. cuál es la magnitud del mismo. el costo y la precisión deseada. pero sí de que utilice toda la información disponible para incluir aquellos que se considera que tienen un mayor efecto. si es un problema. 1. de tal forma que quede claro qué se va a estudiar. por etapas. En la etapa de planeación se deben hacer investigaciones preliminares que conduzcan a entender y delimitar el problema u objeto de estudio. En este sentido. de acuerdo a la supuesta influencia que tienen sobre la respuesta.1. 2. . 3. Entender y delimitar el problema u objeto de estudio.

Con base en el diseño seleccionado. En el nivel superior del sistema institucionalizado está el Poder Ejecutivo Federal. El sistema CINVESTAV (Centro de Investigación y de Estudios Avanzados). quien regula las actividades de investigación y la asignación de recursos para investigación en la propuesta de presupuesto al Congreso. Por debajo del Poder Ejecutivo. UNIDAD 2 EJECUCION DE LA EXPERIMENTACION 2.8 Organización y conducción de la investigación agrícola en México El sistema nacional de investigación puede dividirse en un subsistema institucionalizado y uno no institucionalizado. Realizar el experimento. Otras secretarías de estado. organizar y planear con detalle el trabajo experimental.5. El Congreso de la Unión participa en el proceso de elaboración y aprobación del presupuesto de la nación y de las leyes que regulan las actividades de investigación.7 Presentación de los resultados de un proyecto experimental 1. 6. El Consejo Nacional de Ciencia y Tecnología (CONACYT). 4. los principales organismos del sistema de ciencia y tecnología son: 1. determinar a qué persona se le reportaría y lo que se haría 1. por ejemplo. las personas que van a intervenir. Planear y organizar el trabajo experimental. Seguir al pie de la letra el plan previsto en la etapa anterior. 2.1 Definición de conceptos . La Secretaría de Educación Pública (SEP). la forma operativa en que se harán las cosas. y en caso de algún imprevisto. 3.

siempre se debe incluir un testigo para medir el resultado del experimento.. unidad experimental. si se usan cinco tratamientos con fertilizante. unidad de observación  Tratamiento: Elemento o sujeto sometido a estudio o a ensayo de comparación. se deberán definir unidades de observación que permitan captar la información de las unidades de análisis. una parcela. La elección del tratamiento testigo es de gran importancia en cualquier investigación. . por ejemplo. En las pruebas de campo agrícolas. Al realizar un experimento. cinco herbicidas. un animal o grupo de animales. que no debe faltar en un experimento. Conjunto de condiciones experimentales que serán impuestas a una unidad experimental en un diseño elegido. el testigo puede ser aquel tratamiento que no incluye fertilizante. o explotaciones. Ej. Es característica de las unidades experimentales que muestran variación aun cuando se les aplique igual tratamiento. este se constituye como referencial del experimento y sirve para la comparación de los tratamientos en prueba. Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la variable que se investiga. cinco dietas.  Unidad de observación Para la recolección de datos en el terreno operativo. una maceta.1. etc. Por ej. testigo. la unidad experimental es una parcela de tierra en lugar de una planta individual.  Unidad experimental El material o el lugar sobre el cual se aplican los tratamientos en estudio. Es el tratamiento de comparación adicional.1 Tratamiento.2. Cinco variedades.  Testigo Sujeto o tratamiento de comparación.

Al probar la hipótesis estadística el investigador está propenso a cometer los siguientes tipos de errores: Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea. la aleatorización hace válidos los procesos de inferencia y las pruebas estadísticas. tratamiento. y segundo permite estimaciones más precisas del tratamiento en estudio. Error tipo II: Se comete cuando se acepta la hipótesis que se plantea. etc. aleatorización. usualmente los valores usados como nivel de significación son 0. variable de observación. y control local. variable de agrupamiento o control. repeticiones. siendo esta hipótesis falsa. de tal manera que pueda permitir la reducción del error experimental y así hacerla más sensible a cualquier prueba de significación. Las principales razones por las cuales es deseable la repetición son: Primero por que proporciona una estimación del error experimental. Por otro lado. la magnitud de este error no se puede fijar. Repetición: Viene a ser la reproducción o réplica del experimento básico (asignación de un tratamiento a una unidad experimental).1. siendo tal estimación confiable a medida que aumenta el número de repeticiones. Error experimental. PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL Los principios básicos del diseño experimental son: repetición.2.05 ó 0. Control Local (Control del error Experimental): Consiste en tomar medidas dentro del diseño experimental para hacerlo más eficiente. Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio a las unidades experimentales con el propósito de asegurar que un determinado tratamiento no presente sesgo. Tratamiento El tratamiento es el proceso de modificación de factores de una unidad experimental y cuyos efectos van a ser medidos y comparados. la magnitud de este error es fijado por el investigador y constituye el “nivel de significación de la prueba”. siendo esta hipótesis falsa. Tratamiento Testigo . pero si es posible minimizar utilizando un tamaño adecuado de muestra.2.01.

El conjunto de todas las unidades de observación constituye la población en estudio. Un cajón de manzanas tiene: número de manzanas. Una vivienda tiene: número de habitaciones. Tamaño óptimo de parcela o unidad experimental . etc. pulso. peso. Un pollo tiene: peso. cantidad de frutos cosechados. color. gasto en salud. edad. una persona. raza. una vivienda. Las unidades de observación poseen características. Un paciente tiene: altura. una familia. Ejemplo: un paciente. un pollo. tipo de construcción. Bloque Es un conjunto de unidades experimentales de los más homogéneo posible que reciben el mismo tratamiento. cantidad de metros construidos. cantidad de árboles. Llamaremos unidad de observación a la unidad física que nos interesa estudiar u observar con fines de investigación. Una variable de interés puede ser la edad de los alumnos o la nota final en una determinada asignatura y una constante puede ser el nivel en la carrera.2. peso. 2. un cajón de manzanas. etc. diámetro braquial. tipo de suelo. número de integrantes. volumen. etc. Cada uno de los elementos mencionados puede ser considerado como unidad de observación cuando es nuestro particular interés observarlo de manera sistemática. Son variables las características que asumen valores distintos en las distintas unidades de observación y son constantes aquellas características que no cambian su valor en las distintas unidades de observación. En esta población la unidad de observación es el alumno de tercer nivel de la carrera de enfermería de esa universidad. temperatura. ingreso familiar. Las características de las unidades de observación pueden ser variables o constantes. un predio. Una parcela tiene: superficie. Una familia tiene: tipo de vivienda. etc. Como ejemplo podemos imaginar una población en estudio compuesta por todos los estudiantes de tercer nivel de la carrera de enfermería de una universidad. etc. etc. etc.Es la selección de un grupo de unidades experimentales al que no se le aplica tratamiento especial con el fin de comparar los resultados con los otros tratamientos. tono muscular. color de piel.

al final se cosechan pequeñas parcelas denominadas "unidades básicas". tan pura como sea posible. luego se estiman los coeficientes de variación. 2. se puede usar un ensayo en blanco o ensayo de uniformidad. Estos coeficientes de variación se grafican con respecto a los tamaños de parcela y se determina el tamaño óptimo. de manera que se puedan obtener combinaciones de estas "unidades básicas" para formar parcelas de tamaños y formas diferentes y así lograr estimaciones de parcelas óptimas. lo cual permite posteriormente hacer agrupaciones de unidades adyacentes. La información obtenida a partir de ensayos de uniformidad. aun cuando se considera que es el método más preciso para obtener estimadores de varianza para los diferentes tamaños y formas. La mayor parte de los investigadores usan el coeficiente de variación para determinar la forma y tamaño óptimo de la parcela experimental (Lana y Homeyer (1953). Forma de las unidades o parcelas experimentales La forma de la parcela experimental ha sido estudiada por varios investigadores en diversos cultivos. Las "unidades básicas" contiguas se agrupan a fin de obtener parcelas de mayor tamaño. para determinar el tamaño óptimo de parcela con el fin de estimar el rendimiento. sometiendo todo el campo a prácticas idénticas de cultivo. de una especie determinada. llegando la mayoría de ellos a la conclusión de que las parcelas largas y delgadas son mucho más eficientes que las cortas y anchas. el cual parte de las "unidades básicas" cosechadas de un ensayo de uniformidad. . no es la única para escoger tamaños apropiados de parcela. determinándose dicho punto por inspección visual de la gráfica. éste corresponde a la abscisa en la cual ocurre la curvatura máxima. usando las varianzas de error de los análisis correspondientes a los diferentes tamaños y formas. citado por Márquez (10). citado por Franco (7). Sin embargo. que consiste en sembrar toda la extensión de un campo con una misma variedad. así se obtiene un conjunto de parcelas cuyos tamaños varían dentro de cierto rango. requiere de una inversión considerable de tiempo y dinero. A esta metodología se le llama método gráfico de máxima curvatura.Según Smith (1938).3. el cual estará localizado en la región donde la velocidad de cambio en la curva es mayor. la conducción práctica de un ensayo de uniformidad.

Una regla útil: Considerar por lo menos 10 grados de libertad en el error experimental.4. repetición es el número de veces que un tratamiento aparece en el experimento. Número de repeticiones. las diferentes variedades o tratamientos en el experimento deben organizarse aleatoriamente para satisfacer la base matemática para un cálculo del error. 2. y Pan (27) trabajando con camote y arroz respectivamente. Sin embargo.Por otra parte. Es evidente que la repetición funciona para: Proveer un cálculo de la magnitud del error al cual se someten las comparaciones Disminuir el error experimental. es necesario que dichos tratamientos aparezcan más de una vez en el experimento. determinaron que la variación de las parcelas cuadradas es menor que de las parcelas largas y delgadas. trabajo. Sugerencias: El número de repeticiones requeridas en los experimentos depende de tales factores como costo. debe reconocerse que hay límites prácticos más allá de los cuales el . La variación de cualquier comparación de tratamientos disminuye directamente con un aumento del número de repeticiones. El error estándar es inversamente proporcional a la raíz cuadrada del número de repeticiones u observaciones. En lo que se refiere a la primera función de la repetición. el tamaño probable de las diferencias de promedios y el nivel de significación deseada. Thomson (34). Consideraciones generales Cuando en un experimento se tiene un conjunto de tratamientos para poder estimar el error experimental. para así aumentar la precisión de éste. puede llevarse a cualquier grado de precisión. a condición de que un número suficiente de repeticiones se use junto con el control local. La segunda función de la repetición es la disminución del error. Por tanto. controlar el error experimental y disminuir la desviación estándar de la media. variabilidad del material.

o un conjunto de combinaciones de niveles como un arreglo factorial de 2 factores (vías) o de mayor orden. de una vía (tratamiento unifactorial). Es el conjunto de tratamientos. Estructura de los tratamientos. Selección del material experimental El éxito de cualquier investigación. de tal forma que en cada fila y en cada columna se encuentren todos los tratamientos constituye un diseño cuadrado latino. Agrupamiento de las unidades experimentales y de los tratamientos La estructura del diseño de un experimento involucra el agrupamiento de las unidades experimentales de tal manera que las condiciones bajo las cuales se observan los tratamientos sean lo más uniformes posibles. combinación de los niveles de los factores estudio. entonces la estructura de diseño es algún tipo de diseño de bloques.costo y la cantidad de trabajo incluido por un mayor número de repeticiones nos da una ganancia proporcional en la precisión. Si todas las unidades experimentales son homogéneas. 2. . depende de la selección apropiada del material experimental a ser utilizado. o poblaciones que son seleccionadas por el investigador para comparar.5. Esta estructura de diseño se llama diseño completamente al azar.6. 2. así como la población sobre la que se refiere inferir. Si se requiere más de un grupo de unidades experimentales para que dentro de cada grupo las unidades experimentales sean más homogéneas entre grupo. La estructura de tratamientos puede ser un conjunto de t tratamientos. El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la asignación de los tratamientos al azar en las unidades. Para esto deben considerarse los objetivos que se pretenden alcanzar. entonces solo hay un grupo o bloque de observaciones y las unidades experimentales pueden ser asignadas a los tratamientos completamente al azar.

Entre algunos ejemplos que ilustran lo anterior tenemos: algunas variedades de plantas que pueden afectar adversamente otras variedades que crecen adyacentes a ellas. Para eliminar la competencia dentro de unidades experimentales se requiere proporcionar más espacio o más tiempo. Algún animal en un corral es más belicoso que otros. Competencia dentro de unidades experimentales Existe cuando un individuo (os) dentro de la unidad experimental afecta (n) a otros ventajosa o desventajosamente. estas son: competencia entre y dentro de las unidades experimentales. debido a que aparentemente pueden ser mejores competidoras. La competencia puede no tener efecto sobre la técnica experimental. Hay dos clases de competencia de importancia en el diseño experimental. . Por ejemplos encontramos: plantas de una parcela de campo están en competencia por luz. lo cual requiere que un individuo gane lo que otro pierde. agua y nutrientes. en trabajos de plantas puede requerirse más espacio entre plantas.7. a menudo causando algún perjuicio físico a otros animales. Competencia entre unidades experimentales Se refiere a influencias desventajosas o nocivas de una unidad experimental sobre otra. Por ejemplo. Efectos de la competencia entre y dentro de las unidades experimentales La competencia es definida como el efecto de un individuo o conjunto de individuos sobre otro individuo o conjunto de individuos. Plantas sobre una parcela con tratamiento no fertilizante o con tratamiento no riego pueden extraer algo de nutrientes o agua de las parcelas tratadas. Los efectos de ``borde'' o ``callejón'' (efecto sobre plantas o animales. Animales dentro de un corral o jaula están en competencia por comida y agua. causados por adyacencia de unas desiertas o inhabitadas) se han incluido en la competencia entre parcelas y su influencia puede ser retirada de un experimento utilizando material de defensa que debe descartarse.2. siempre y cuando la suma de los efectos de competencia sea cero.

en la rama agropecuaria debe establecer sólidos pilares en los cuales se asiente la colosal tarea del desarrollo agrícola. Dentro de las líneas que más se está trabajando son las siguientes: • Mejoramiento genético de las plantas y animales • Tecnología de los cultivos agrícolas • Nutrición vegetal y animal • Mecanización agrícola • Riego y drenaje • Sanidad vegetal y animal • Otras 2. más resistentes a las plagas y las enfermedades. mayor resistencia a la sequía. el desarrollo de las ciencias agropecuarias adquiere una importancia de primer orden. tareas. así como de plantas y animales más productivos. La actividad investigativa. Para cualquier país que desarrolle su economía. Especificar los problemas. a la salinidad y menor período vegetativo con vistas a la obtención de mayor producción agropecuaria y más calidad de la misma. Experimentos comunes en la investigación agrícola La agricultura impone la necesidad de la búsqueda de nuevas técnicas de cultivo y de manejo de los animales. son de interés las siguientes aspectos: a. principalmente. con el fin de probar hipótesis o encontrar respuestas. principios y métodos propios de trabajo. ejecución. análisis e interpretación de los datos de un experimento En la planificación agrícola o biológica y en el desarrollo de una investigación en particular.8. con objeto.9. Consideraciones en la planeación. recolección. basado en los avances impetuosos de la ciencia y la técnica. sobre la base de la producción agropecuaria y su industrialización.2. Es necesario considerar que los experimentos . plantas con mayor capacidad para absorber los nutrientes. Dentro del sistema de las Ciencias agropecuarias se ha desarrollado la experimentación agrícola como una rama nueva e independiente.

en los que interesa comparar los resultados de K 'tratamientos' o 'factores' con respecto a la variable dependiente o de interés. si se comparan diversas variedades de trigo.Ubicar el lugar adecuado para la realización de los experimentos. de manera que pueda estratificarse (agruparse unidades experimentales con características homogéneas) el terreno correctamente para formar grupos uniformes y de fácil manejo. tanto del experimento como de aquellos errores o equivocaciones operacionales. y escoger el material adecuado para experimentos. de suelo uniforme. si tales fuentes existen 2. de manera que los únicos factores de variación sean los tratamientos objeto de estudio En la planeación o diseño de un experimento agronómico. el personal responsable esté constituido por técnicos o personas con entrenamiento Mantener constante los diversos factores que pueden afectar a la producción o a la calidad del producto. . Por ejemplo. muestreo. frente a la hipótesis alternativa de que por lo menos una de las poblaciones difiere de las demás en cuanto a su valor esperado. Este contraste es fundamental en el análisis de resultados experimentales. etc. para lo cual se debe elegir una localidad accesible y representativa de áreas agrícolas. es necesario aplicar un conjunto de disciplinas y conocimientos biológicos con el fin de encontrar una respuesta correcta a un problema específico.10. todos los factores de la producción que influyen en el comportamiento de las variedades deben permanecer constantes y las únicas fuentes de variación o diferencias serán presentadas por las variedades de trigo. Reducir las fuentes de error.. Es muy importante que en la selección de datos. El análisis de varianza y aceptación o rechazo de hipótesis nula (prueba de F) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales. con unidades experimentales lo más uniforme posible.

El Anova requiere el cumplimiento los siguientes supuestos:

 Las poblaciones (distribuciones de probabilidad de la variable dependiente
correspondiente a cada factor) son normales.
 Las K muestras sobre las que se aplican los tratamientos son
independientes.
 Las poblaciones tienen todas igual varianza (homoscedasticidad).

El ANOVA se basa en la descomposición de la variación total de los datos con
respecto a la media global (SCT), que bajo el supuesto de que H0 es cierta es una

estimación de obtenida a partir de toda la información muestral, en dos partes:

 Variación dentro de las muestras (SCD) o Intra-grupos, cuantifica la
dispersión de los valores de cada muestra con respecto a sus
correspondientes medias.
 Variación entre muestras (SCE) o Inter-grupos, cuantifica la dispersión de
las medias de las muestras con respecto a la media global.

Las expresiones para el cálculo de los elementos que intervienen en el Anova son
las siguientes:

Media Global:

Variación Total:

Variación Intra-grupos:

Variación Inter-grupos:

Siendo xij el i-ésimo valor de la muestra j-ésima; nj el tamaño de dicha muestra

y su media.

Cuando la hipótesis nula es cierta SCE/K-1 y SCD/n-K son dos estimadores
insesgados de la varianza poblacional y el cociente entre ambos se distribuye
según una F de Snedecor con K-1 grados de libertad en el numerador y N-K grados
de libertad en el denominador. Por lo tanto, si H0 es cierta es de esperar que el
cociente entre ambas estimaciones será aproximadamente igual a 1, de forma que
se rechazará H0 si dicho cociente difiere significativamente de 1

2.11. Medición y control del error experimental

Una característica del material experimental es la variación. Asociada con la unidad
experimental está el error experimental, éste error es el reflejo de que las unidades
experimentales no son iguales. Además, todas las medidas están afectadas en
algún grado por un error experimental debido a las imperfecciones inevitables del
instrumento de medida.

El proceso de medición introduce inevitablemente errores o imprevisiones en los
resultados, debido fundamentalmente a dos factores:

• Imperfecciones por el equipo de medición.

• Limitaciones que se atribuyen al experimentador.

Los errores del primer tipo son inevitables, sin embargo, los errores humanos
reducidos a lo mínimo posible. Del nivel de imprecisión en un experimento pueden
deducirse diferentes resultados en un experimento. Por eso, es muy importante
proporcionar el valor medido como el error estimado por su obtención.

Errores al azar: Un error al azar puede ocurrir porque está haciendo algo diferente
en cada corrida, son datos no reproducibles.

Errores sistemáticos: son difíciles de encontrar. Sus datos y resultados pueden
parecer constantes y reproducibles.

Ejemplo: si una regla esta astillado y le falta 2 mm, todas las medidas hechas van
a errar en esa magnitud, esto es un error sistemático porque todos sus datos se
afectan en la misma cantidad y en la misma dirección.

Control del error

El diseño de control de error, busca un arreglo de los tratamientos en un plan
experimental utilizando una regla de asignación de los tratamientos a las unidades
experimentales, de tal manera que se tengan grupos con buenas características
de homogeneidad.

UNIDAD 3

ANÁLISIS DE VARIANZA Y DISEÑOS EXPERIMENTALES
BÁSICOS

3.1. Fundamento del Análisis de Varianza (ANOVA) para cada diseño

Hay varias formas en las cuales puede diseñarse un experimento ANOVA. Quizás
el más común es el diseño completamente aleatorizado a una vía. El término
proviene del hecho que varios sujetos o unidades experimentales se asignan
aleatoriamente a diferentes niveles de un solo factor. Por ejemplo: varios
empleados (unidades experimentales) pueden seleccionarse aleatoriamente para
participar en diversos tipos (niveles diferentes) de un programa de capacitación (el
factor).
El análisis de varianza se basa en una comparación de la cantidad de variación en
cada uno de los tratamientos. Si de un tratamiento al otro la variación es
significativamente alta, puede concluirse que los tratamientos tienen efectos
diferentes en las poblaciones.

a. Esta variación entre el número total de las 14 observaciones. Esto se
llama variación total.
b. Existe variación entre los diferentes tratamientos (muestras). Esto se
llama variación entre muestras.
c. Existe variación dentro de un tratamiento dado (muestra). Esto se
denomina variación dentro de la muestra.

3.2. Diseño Completamente Aleatorio (DCA)

El diseño completamente al azar, es aquel en el cual los tratamientos se asignan
completamente al azar a las unidades experimentales o, viceversa. Este diseño es
usado ampliamente. Por lo tanto, se considera que es un diseño eficiente cuando
las unidades experimentales de las que se dispone son muy homogéneas.

3.2.1. Características del DCA

Características principales:

Aplicable sólo cuando las unidades experimentales son homogéneas (verificar si
existe tal homogeneidad).

2. mediante los mínimos cuadrados. Modelo estadístico Lineal Este modelo lineal es la siguiente: Esquema del diseño completamente al azar Representación simbólica del Diseño Completamente al azar (DCA) Estimaciones La técnica para hacer el análisis de varianza. La distribución de los tratamientos es al azar en las unidades experimentales. El número de tratamientos está en función del número de unidades experimentales que se dispone.Los tratamientos pueden tener igual o diferente número de unidades experimentales.2. Suma de cuadrados 3. nos permite hallar aquellos estimadores que nos aseguraran una suma de cuadrados del error mínimo. Análisis del DCA con más de dos tratamientos y el mismo número de observaciones por unidad experimental . Es conveniente tener pocos tratamientos y más unidades experimentales que muchos tratamientos con pocas unidades experimentales.

(y. y finalmente se suman los valores. Suponiendo que son tres tratamientos y cuatro repeticiones. los resultados se acomodan en una tabla. Las unidades experimentales se sortean para la asignación a cada tratamiento. Se define la variable a medir. Se obtiene el cuadrado de todos los valores de las unidades experimentales y luego se suman. A ese valor se le llamará y. Primero se obtiene la suma de cada uno de los tratamientos (que se llamarán yi . de tal forma que a r unidades experimentales les va a corresponder un tipo de tratamiento. 2 /ni  Se calcula la suma de cuadrados de los tratamientos con la fórmula: Suma Cuadrados de tratamientos = Σ yi . 2/ni . Cada suma de tratamientos se eleva al cuadrado.  Se suman todos los valores de las unidades experimentales. y que se midió el crecimiento de ciertas plantas. en este caso todos los tratamientos tienen 4 repeticiones. el resultado se denomina Σ yi .)2 / n  Se calcula los grados de libertad de los tratamientos que serán: t – 1 Donde t es el número de tratamientos  Se calcula los grados de libertad del total: n – 1 . a ese valor se le llamará Σ yij 2  Se calcula la suma de cuadrados del total con la fórmula: Suma Cuadrados total = Σ yij 2 . Se realiza el experimento y se recopilan los datos.Se definen los t tratamientos que se van a aplicar a las n unidades experimentales.. Modelo estadístico y análisis de varianza Se definen los tratamientos y se sortean las unidades experimentales..(y.)2 / n Donde n es el total de los datos  Es necesario encontrar la varianza entre los tratamientos. luego el resultado de cada tratamiento se divide entre el número de repeticiones de ese tratamiento. ).

05% de significancia. Los datos hasta ahora calculados se llenan en la tabla de análisis de varianza.  Si la F calculada es mayor que la F de las tablas. de lo contrario se concluye que no hay diferencias entre tratamientos. GL son los grados de libertad. se concluye que sí hay diferencia entre tratamientos. la fórmula es: SC error = Σ yij 2 . Los grados de libertad de los tratamientos serán los grados de libertad del numerador y los grados de libertad del error serán los grados de libertad de denominador. También se puede calcular GL del error como: GL error = GL Total – GL tratamientos  Se calcula la suma de cuadrados del error. r el número de repeticiones. Otra forma de calcular la SC del error es: SC error = SC total – SC tratamiento  Se calculan los cuadrados medios de los tratamientos con la siguiente ecuación: CM trat = SC trat / GL trat  Se calculan los cuadrados medios del error con la sisuiente fórmula: CM error = SC error / GL error  Se calcula el valor F con la siguiente ecuación F = CM trat / CM error  Se busca en las tablas de la distribución F el valor al 0.  Se calcula los grados de libertad del error: grados de libertad del error: t (r – 1) Donde t es el número de tratamientos. SC es la suma de cuadrados y CM son los cuadrados medios. 2 / r El primer término se puede tomar de la fórmula de la SC total. el segundo término de la SC trat.Σ yi .  Si existe diferencia entre tratamientos al 95% de seguridad se puede probar con una F del 99% .

las unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados bloques. Tratamientos A.3. se aplica cuando el material es heterogéneo.3. Diseño de Bloques Completos al Azar (DBCA) Conocido como diseño de doble vía. 2. El número de repeticiones es igual al número de bloques. DCA con diferente número de observaciones por tratamiento y su análisis e interpretación 3. E Bloque I: B A E C D Bloque II: C B D E A Bloque III: B E A D C Bloque IV: D C A E B Las fuentes de variación para el análisis estadístico son: Fuentes Grados de libertad Tratamiento (t-1) = 4 Bloques (r-1) = 3 Error (t-1)(r-1)=12 3.1. 5. 3. En cada bloque se tiene un número de unidades igual al número de tratamientos (bloques completos) 4.3. Las unidades homogéneas están agrupadas formando los bloques.3.2. C. Características del DBCA Características: 1. . D. Los tratamientos están distribuidos al azar en cada bloque. B. Las unidades experimentales son heterogéneas.

La principal característica que distingue a este diseño es la presencia de bloques o franjas de igual tamaño. Debido a que solo la variación dentro de bloques resulta parte del error experimental la conformación de los bloques es más efectiva cuando el área experimental tiene un gradiente de productividad predecible. . Análisis del DBCA Si las UE disponibles para realizar un experimento no son homogéneas. conteniendo a cada uno de los tratamientos que se ensayan La formación de bloques reduce el error experimental eliminando la contribución de fuentes de variación conocidas sobre las unidades experimentales.2. Esquema de aleatorización en donde cada tratamiento Ti ocurre una sola vez en cada bloque 3. se debe reconocer el o los factores que las hacen heterogéneas de manera que la variabilidad en la respuesta inducida por tal heterogeneidad no se confunda con la variabilidad inherente de la variable aleatoria. Estas fuentes de variación sistemática.3. deben ser contempladas en el diseño del experimento y en el análisis de los datos para disminuir la estimación del cuadrado medio del error del ANAVA y consecuentemente disminuir el CV e incrementar la potencia del contrate de hipótesis sobre efectos de tratamiento. que se reconocen en el momento de planificar el estudio.

. Si además la asignación de los tratamientos a las UE del bloque se hace al azar.Una forma tradicional de controlar la variación del material experimental en experiencias planificadas es formando grupos o bloques de UE homogéneas. es decir si el bloque tiene tantas UE como tratamientos.b εij es el término de error aleatorio para la respuesta ij Si se puede suponer que existe aditividad bloque-tratamiento que significa NO interacción entre los bloques y los tratamientos y que los εij son independientes e . entonces el diseño se denomina Diseño en Bloques Completos al Azar (DBCA). Análisis de la varianza para un DBCA El modelo de ANAVA para un diseño en bloques completamente aleatorizados. El principio que subyace un bloqueo eficiente es homogeneidad dentro del bloque y heterogeneidad entre bloques respecto a las UE. Una vez reconocidos los grupos de UE homogéneas. se comparan dentro de cada bloque. de ser posible.. Los bloques de UE se construyen de manera tal que las unidades experimentales dentro de un bloque. .. se dice que el diseño es en bloques completos.. Si todos los tratamientos se pueden disponen en cada bloque. . es: donde: Yij es la respuesta del i-ésimo tratamiento en el j-ésimo bloque µ es la media general τi es el efecto del i-ésimo tratamiento i = 1.a βj es el efecto del j-ésimo bloque j = 1. varíen menos entre sí que las UE en distintos bloques. todos los tratamientos...

la Suma de Cuadrados de Bloques se adiciona a la Suma de Cuadrados del Error. porque no se asocian con los tratamientos. .. porque la aleatorización fue realizada solo dentro de los bloques. está establecida sobre la medias de las poblaciones relacionadas a cada tratamiento (μi=μ+τi con i=1. . porque por construcción se espera que sean diferentes 2.idénticamente distribuidos N(0. La comparación entre las medias de bloques. es decir si omitimos el efecto bloque en el modelo. =μa H1 : Al menos un par de medias poblacionales difiere En el contexto del ANAVA.σ2) se obtiene una prueba F para la hipótesis de igualdad de medias de tratamientos como se hizo en el DCA.. Así. como en el DCA a una vía de clasificación.. una indicadora de las diferencias entre tratamientos: Suma de Cuadrados de Tratamientos (SCtratamiento). no es de interés: 1. excepto que debido al bloqueo de las UE habrá una fila de la tabla indicando la variabilidad de la respuesta entre bloques. el cuadrado medio del error experimental aumenta y como consecuencia se pierde eficiencia en la prueba de la hipótesis referida a las medias de tratamiento. sino que responden a un factor de control 3.a): H0 : μ1= μ2= . Tal restricción de aleatorización hace que el estadístico construido entre CMBloque y . . . la suma de los desvíos cuadrados de cada observación con respecto a la media general es particionada en tres sumas de cuadrados. Las principal hipótesis que se somete a prueba en un ANAVA para un DBCA.. en general. es decir el error experimental: Suma de Cuadrados del Error (SCerror). SCTotal = SCtratamiento + SCbloque + SCerror Si las diferencias entre unidades experimentales debidas al factor de bloqueo no son consideradas. Los resultados del ANAVA de un DBCA también se presentan en una tabla igual al DCA. otra de la diferencia entre bloques: Suma de Cuadrados de Bloques (SCbloque) y otra que expresa la variación aleatoria de unidades experimentales que recibieron el mismo tratamiento después de descontar las variaciones debidas a las diferencias entre bloques.

DBCA con desigual número de observaciones por unidad experimental 3.3. .3. sería engañoso hacer recomendaciones acerca de los tratamientos en forma independiente a los bloques. Aparte de los supuestos que aprendimos a evaluar en el contexto de un DCA. Como se presentó para el modelo de ANAVA correspondiente a un DCA. Podemos evaluar el supuesto de aditividad bloque-tratamiento usando gráficos de líneas (aunque no se trate de una variable continua en el eje X) para representar la respuesta para cada nivel del factor tratamiento en cada uno de los bloques separadamente. los valores predichos por el modelo permiten calcular los residuos (observados menos predichos) que se usarán para evaluar el cumplimiento de los supuestos que sustentan al ANAVA. es decir el efecto de los bloques debe ser aditivo al de los tratamientos. implica decir que si un tratamiento es mejor que otro. en caso contrario habrá cruzamientos de las líneas indicando la presencia de interacción o falta de aditividad bloque-tratamiento.CMError no siga una distribución F teórica. Si los supuestos no se cumplen habrá que recurrir a otros modelos que no incluyan esos supuestos. esta relación entre ellos debe estar presente en todos los bloques. 3. De no ser así.4. de tal forma que en cada fila y en cada columna se encuentren todos los tratamientos constituye un diseño cuadrado latino. Si existe aditividad. El supuesto de no interacción bloque-tratamiento. este cociente suele ser usado para realizar sugerencias sobre la conveniencia o no del bloqueo.3. Diseño de Cuadro Latino (DCL) El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la asignación de los tratamientos al azar en las unidades. No obstante.4. en el DBCA hay otro supuesto: la estructura de parcelas no debe interactuar con la estructura de tratamientos. las líneas dibujadas serán aproximadamente paralelas. DBCA con varias observaciones por unidad experimental 3.

El número de filas = número de columnas = número de tratamientos.4.4. El nombre de cuadrado Latino se debe a R. J.A. Las primeras Aplicaciones fueron en el campo agronómico.e. 33: 503-513 (1926)]. Tuckey y en pruebas de contraste se procede como el diseño completo al azar y el diseño de bloques. 5. Fisher [The Arrangement of Field Experiments. sobre todo en experimentos de campo en donde se tiene un solo factor de estudio y se ensaya un número reducido de tratamientos. Duncan. Características del DCL Características: 1. 3.2. 3. Ministry Agric. están en función del cuadrado medio del error experimental. especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones. 4. La desviación estándar de la diferencia de promedios y la desviación estándar del promedio. En cada fila y en cada columna.1. Los análisis estadísticos T-student. 2. bajo dos criterios de homogeneidad dentro de la fila y dentro de la columna y heterogeneidad en otra forma. el número de unidades es igual al número de tratamientos. Análisis de Varianza del DCL .El Diseño de Cuadro Latino (DCL) es un diseño experimental que se emplea en la investigación agronómica.. Las u. 3. se distribuyen en grupos. Los tratamientos son asignados al azar en las unidades experimentales dentro de cada fila y dentro de cada columna.

Estimación de parámetros El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse por mínimos cuadrados del error.e. para tener una única solución. así: Yij(k)= µ+Fi+C j+τ (k)+errorij(k) i.. una para cada observación.e.. El modelo está compuesto por n 2 ecuaciones.n µ = efecto medio (parámetro del modelo) Fi = efecto de la fila i C j = efecto de la columna j τ (k) = efecto del tratamiento k errorij(k) = error experimental de la u. en nuestro caso se utilizará el método de mínimos cuadrados del error... dado por: El sistema de ecuaciones que darán solución constituyen las ecuaciones normales. se agregan al sistema las siguientes restricciones: La solución son los estimadores mínimos cuadráticos: . máxima verosimilitud u otro método. La función a minimizar es: La solución constituye el conjunto de estimadores de los parámetros del modelo.k=1.Modelo estadístico Cada observación del experimento es expresada como una relación lineal de los efectos involucrados (tratamiento.j. i.2. fila y columna).j Yij(k) = Observación en la unidad experimental El subíndice (k) indica que tratamiento k fue aplicado en la u.

filas.e. la suma de cuadrados del total es descompuesto en suma de cuadrados de tratamientos.1. es: Sumas de cuadrados A partir del modelo estimado. UNIDAD 4 Experimentos Factoriales (EF) 4. columnas y error experimental: Los dobles productos son iguales a cero. experimento y arreglo de tratamientos .y el error en cada u. Diferencia entre diseño.

Características de los EF En un diseño experimental factorial:  Existe más de una variable independiente  Se crean varias unidades de observación en función de ellas  La variable dependiente puede ser una o más  Se contrastan los efectos que producen cada una de las VVII sobre la VD y también puede estudiarse el efecto de interacción  Dentro de los efectos que podemos estudiar en el diseño factorial podemos mencionar los siguientes: . Muy frecuentemente usados en investigaciones comparativas.Se llaman experimentos Factoriales a aquellos experimentos en los que se estudia simultáneamente dos o más factores. y donde los tratamientos se forman por la combinación de los diferentes niveles de cada uno de los factores.2. Diseño de tratamientos es la selección de los factores a estudiar. el Diseño en Cuadro Latino. E. 4. sus niveles y la combinación de ellos. Los experimentos factoriales en si no constituyen un diseño experimental si no un diseño de Tratamiento (un arreglo de tratamiento es una disposición geométrica de ellos bien en el espacio o en el tiempo y que deben ser llevados en cualquiera de los diseños experimentales clásicos tal como el Diseño Completo al Azar. El diseño de tratamientos es independiente del diseño experimental que indica la manera en que los tratamientos se aleatoria a las diferentes u. El término “experimento factorial” o “arreglo factorial” se refiere a la constitución de los tratamientos que se quieren comparar. y las formas de controlar la variabilidad natural de las mismas. Los experimentos factoriales se emplean en todos los campos de la investigación. son muy útiles en investigaciones exploratorias en la que poco se sabe acerca de muchos factores. el Diseño en Bloques Completos al Azar.

. 4.Todas las unidades experimentales intervienen en la determinación de los efectos principales y de los efectos de interacción de los factores. Desventajas: 1. por lo que el número de repeticiones es elevado para estos casos. efectos simples y efectos cruzados y anidados. .. lo que contribuye a disminuir la varianza del error experimental. 2. Ventajas y desventajas de los EF Ventajas: 1. aumentando por este motivo la precisión del experimento.. 3..3.Permiten estudiar los efectos principales.Se requiere un mayor número de unidades experimentales que los experimentos simples y por lo tanto se tendrá un mayor costo y trabajo en la ejecución del experimento. comparándolo con los grados de libertad de los experimentos simples de los mismos factores.El número de grados de libertad para el error experimental es alto. efectos de interacción de factores.

Esta simbología indica que la distribución debeser normal con media cero y variancia común. 4. 2. Los supuestos sobre la componente aleatoria son: los errores son independientes e idénticamente distribuidos: .. 3.. Análisis de Varianza de los EF Modelo estadístico: Las observaciones pueden describirse mediante un modelo estadístico lineal.El análisis estadístico es más complicado que en los experimentos simples y la interpretación de los resultados se hace más difícil a medida de que aumenta el número de factores y niveles por factor en el experimento. a fin de que exista un balance en el análisis estadístico se tendrá que algunas de las combinaciones no tiene interés práctico pero deben incluirse para mantener el balance. 38 .Como en los experimentos factoriales cada uno de los niveles de un factor se combinan con los niveles de los otros factores. Ejecución de los factores 4.4.5.

cada repetición del experimento contiene todas las combinaciones “ab” (es decir hay a x b tratamientos) con “n” réplicas en cada uno de los tratamientos. Tanto el factor A como el factor B tienen el mismo interés. Ambos factores son fijos y los efectos de los tratamientos se definen como desviaciones de la media general y deben cumplir la restricción: Se supone que los efectos de la interacción son fijos y se definen como: Hay un total de “abn” observaciones: porque los tratamientos son “ab” y se realizan “n” réplicas. 39 . La finalidad consiste en probar hipótesis de mismo efecto de tratamientos en renglón Y de la igualdad de los tratamientos de columna También es importante probar si los tratamientos de las celdas interaccionan Sea el siguiente ejemplo donde se presentan a niveles de un factor A y b niveles de un factor B dispuestos en un diseño factorial.

por 3k. cada combinación de tratamientos determina un grupo experimental (grupo de tratamiento o casilla). 3n pn)  Criterios de clasificación A) Cantidad de niveles B) Cantidad de combinaciones C) Tipo de control A) Según la cantidad de niveles o valores por factor. etc. Interpretación de los EF 4. el de tres factores por 23. el diseño sea balanceado (proporcionado) o no balanceado (no proporcionado). Cuando los factores actúan a más de dos niveles (es decir. En términos generales. el diseño se representa por 2 x 3. Así.6. etc. el diseño factorial se clasifica en: Cantidad constante y Cantidad variable La notación del diseño es más sencilla cuando la cantidad de niveles por factor es igual (es decir. B) El segundo criterio hace hincapié en la cantidad de combinaciones de tratamiento realizadas o ejecutadas. 2 x 3 x 4. Si el diseño factorial es completo.7. cabe considerar la posibilidad que. los diseños a dos niveles y con k factores se representan por 2k. Por ejemplo. A su vez. diseños con igual cantidad de sujetos por casilla y diseños con desigual cantidad de sujetos por casilla. Clasificación de los EF (2n. Con base a este criterio.4. el diseño factorial se clasifican en: Diseño factorial completo y Diseño factorial incompleto y fraccionado. a tres niveles. un diseño 3x3 nueve grupos. cuando la cantidad de valores por factor es variable). etc. constante). es decir. el diseño factorial de dos factores a dos niveles se representa por 2². a cuatro niveles por 4k. etc. tanto en un caso como en otro. el diseño factorial completo 2x2 determina cuatro grupos de tratamiento. se realizan todas las posibles combinaciones entre los valores de las variables. Así. 40 .

y los grupos intra bloque (dentro de cada bloque) se forman al azar. C) En función del control de variables extrañas. el diseño factorial de Cuadrado Latino o de doble sistema de bloques controla dos fuentes de variación extrañas. Por último. es decir. en primer lugar. según el procedimiento seguido. el diseño factorial de bloques aleatorizados permite el control de una variable extraña. aunque sólo se realiza una parte del total de combinaciones.Asumiendo que sólo se ejecute una parte del total de las combinaciones. completamente al azar. En segundo lugar. el sujeto actúa de control propio y recibe todas las combinaciones de tratamiento generados por la estructura factorial. es decir. aquel formato donde sólo se aplica el azar como técnica de control y donde los grupos se forman mediante la asignación aleatoria de los sujetos. al mismo tiempo. la anidación (o inclusión) de una variable dentro de las combinaciones de tratamientos de los factores. Según esa estrategia. El diseño factorial jerárquico o anidado requiere la manipulación experimental de la variable y. Siguiendo con el criterio de bloques. Diseño factorial completamente al azar Diseño factorial de bloquesaleatorizados Diseño factorial de Cuadrado Latino Diseño factorial jerárquico o anidado Diseño factorial de medidas repetidas Según el control de los factores extraños y la reducción de la variancia del error. el diseño factorial puede ser. cada bloque es un réplica completa del experimento. el diseño factorial de medidas repetidas incorpora la técnica intra-sujeto. 41 . el diseño factorial es incompleto o fraccionado.

Se sugiere utilizar en interacciones de segundo orden (tres factores) Desventajas. se obtiene: 42 . Confusión de efectos Esta fenomeno es utilizado por la estadistica. las interacciones conforman el error experimental. 4. Los procedimientos de calculo son por lo general mas dificultoso. 1. esto incrementara considerablemente el error. 2. Algunas interacciones de orden superior no son importantes analizar o no tienen sentido analizar. 1. 2. Sin embargo tiene un riesgo si las interacciones existen. 3.8. Hay considerable dificultad en determinar los tratamientos que formaran los bloques incompletos. Ventajas. esto obligaría disponer de 32 unidades experimentales. Los contrastes confundidos son repetidos menos veces que los contrastes en estudio. Si se examina los efectos del factorial 2x2x2 para ser evaluado por contrastes. Con el confundido se evita estos análisis Suponga que el factorial 2x2x2 se planea en 4 bloques. El error se ve disminuido por tener menos unidades por bloque y podria asegurar una homogeneidad. para trata de confundir efectos tal como las interacciones y lograr aplicar en un numero menor de unidades experimentales.

En lugar de ejecutar el ensayo completo con un número muy alto de tentativas. No existe restricción en esgoger las interacciones que se desea confundir. El investigado puede confundir las interacciones de menos interés. en lugar de analizar la totalidad de las posibilidades. El estudio de una fracción no le quita validez al análisis final.9. Si fuese 1/9. La ventaja de este enfoque es que reduciendo mucho el esfuerzo. Con cinco factores a tres niveles se llegan a 243 combinaciones posibles y si la tarea se redujese a una fracción de un tercio. por el contrario. tendríamos 27. asi: En cada bloque se aleatoriza.Esto significa. Si en un experimento se confunde un solo tipo de efecto se dice que es una confusión completa. si se confunde más de una interacción se indica que la confusión es parcial. se considera una fracción bien elegida. se puede formar semibloques. se recurre a los diseños factoriales fraccionales o incompletos. 4. bastarían 81 ensayos. de tal forma que se contraste tal efecto. para confundir el efecto de la interacción ABC. que es prudente reducir la labor experimental. donde. no se pierde un panorama muy amplio y ambicioso de las relaciones entre causas y efectos en sistemas multivariables. el número de factores. aparecen tantas combinaciones en los ensayos factoriales (y más aún en los rotables). EF incompletos Cuando crece m . 43 .

el número limitado de cámaras de control ambiental evita la ejecución de una réplica completa de todos los tratamientos en una corrida de cámaras disponibles. Los diseños de bloques completos pueden reducir las varianzas del error experimental estimadas. pues el número de tratamientos pueden ser tan grandes que resultan imprácticos para reducirla. En el siguiente ejemplo. Además. pero esta reducción puede ser insuficiente.En ocasiones es necesario bloquizar unidades experimentales en grupos más pequeños que una réplica completa de todos los tratamientos que se usarían con bloques completos aleatorizado o un diseño de cuadrado latino. 44 . se muestran el método de aleatorización y los métodos básicos de análisis para diseño de bloques incompletos balanceados (BIB) y bloques incompletos parcialmente balanceados (BIPB). El diseño de bloques incompletos se usa para disminuir la varianza de error experimental y proporcionar comparaciones más precisas entre tratamientos de lo que es posible con el diseño de bloques completos. con el agrupamiento natural de las unidades experimentales en bloques quizá no se obtengan las unidades por bloques necesarias para el número de tratamientos de un diseño de bloques completos. Bloques incompletos de tratamientos para reducir el tamaño de los bloques Por alguna razón los experimentos pueden requerir una reducción del tamaño de bloque. tomando en cuenta también la eficiencia de los diseños. En este trabajo se presenta una descripción general de algunos grupos importantes de diseño de bloques incompletos.

mientras que los fáciles van a las pequeñas. donde las parcelas grandes generalmente eran grandes áreas y las parcelas pequeñas áreas pequeñas dentro de las grandes. Ejemplo de hornos y recetas de pastel La clave para construir los modelos de los diseños de parcelas divididas es identificar los diferentes tamaños de las unidades experimentales e identificar sus correspondientes estructuras de diseño y de tratamientos. Alternativamente. Por ejemplo. el diseño de parcelas divididas se utiliza cuando algunos factores requieren u. En general.e. El diseño básico involucra la 45 . mientras que otros factores las requieren más pequeñas. Luego cada área se divide en k parcelas pequeñas y cada una de estas puede ser tratada con un tipo de fertilizante diferente. Las suposiciones de los modelos de parcelas divididas son las usuales. ciertas variedades de cultivo se podían sembrar en áreas diferentes (parcelas grandes). a las cuales se aplican los niveles de uno o más factores adicionales. en el sentido de que los términos de error para cada una de los tamaños de que se distribuyen independientemente como normales con media cero y una varianza propia 5. Se aplican niveles de uno o más factores a las parcelas completas que se dividen en sub-parcelas.1.1 Arreglo en Parcelas Divididas (DPD) El diseño de parcelas divididas (split-plot) tiene su origen en aplicaciones en Agricultura. una variedad en cada parcela.1 Características del DPD El diseño de parcelas divididas es un tipo especial de diseño de bloques completos que suele utilizarse en experimentos factoriales. y a cada una de los dos tamaños de parcela le corresponden un tratamiento. grandes. UNIDAD 5 Arreglos para Experimentos Factoriales 5. por lo que los factores difíciles van a las parcelas grandes. algunas veces encontramos que la aleatorización completa no es factible porque es más difícil cambiar los niveles de algunos factores.

2 Análisis de Varianza del DPD El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. ningún estadístico supere el valor crítico es (1 . la probabilidad de que. por lo tanto. la probabilidad de que alguno lo supere es 1 . usando en su lugar a/m. cuando se hayan realizado todas las comparaciones. denominada método de Bonferroni. en la hipótesis nula.asignación de tratamientos de un factor a parcelas principales en un diseño completamente aleatorio. en la hipótesis nula. en cada comparación la hipótesis nula es que las dos muestras provienen de la misma población. Si se realizan m contrastes independientes. sin embargo. Los tratamientos de segundo factor se asignan a sub-parcelas dentro de cada parcela principal. hay una probabilidad a. de bloque completos al azar o de cuadro latino. para cada comparación. la hipótesis nula es que todas las muestras provienen de la misma población y. pues se ha hecho en base a muestras distintas. Por otro lado. La variedad del cultivo es el tratamiento de la parcela grande y el fertilizante el de la parcela pequeña 5. En cada contraste se rechaza la H0 si la t supera el nivel crítico. para lo que.a)m.a)m.(1 . Una primera solución. 46 .1. que para valores de a próximos a 0 es aproximadamente igual a a m. por dos motivos: En primer lugar. la probabilidad de encontrar alguno significativo por azar aumentaría. que es necesario porque cuando se quiere comparar más de dos medias es incorrecto utilizar repetidamente el contraste basado en la t de Student. y como se realizarían simultánea e independientemente varios contrastes de hipótesis. por lo tanto. aunque resulta un método muy conservador. la estimación de la varianza necesaria para el contraste es distinta. consiste en bajar el valor de a.

Permite flexibilidad completa (cualquier número de tratamientos y de repeticiones).El método que resuelve ambos problemas es el anova. con excepción del requerimiento de igual número de unidades experimentales por tratamiento. al diseño de experimentos y. todas las unidades experimentales tienen la misma probabilidad de recibir cualquiera de los tratamientos y las unidades experimentales son independientes (Anexo A). 2. En este diseño usamos k tratamientos. En este caso.1. Si no existen restricciones.3 DPD Completamente al Azar (CA) Este diseño es el más sencillo. 47 . por tanto. eficiente y se origina por la asignación aleatoria de los tratamientos a un conjunto de unidades experimentales previamente determinado. para cada unidad seleccionamos al azar un número de 1 a k para decidir que tratamiento debemos aplicar a esa unidad experimental. Todo el material experimental disponible puede usarse. es la base del análisis multivariante. 5. o si los errores experimentales difieren de un tratamiento a otro. de alguna manera. muy ligado. asignándose cada uno al azar a n unidades experimentales. clasificadas en k grupos de acuerdo con los tratamientos que se aplicaron. entonces se dice que el experimento tiene un diseño completamente aleatorio. tenemos un grupo de datos consistente en las kn respuestas de las unidades experimentales. Después que se ha efectuado el experimento. aunque es algo más que esto: es un método que permite comparar varias medias en diversas situaciones.El análisis estadístico es fácil (aún con diferentes números de repeticiones). Ventajas del diseño 1.

4 DPD en Bloques al Azar (BCA) El diseño en bloques completos al azar toma en cuenta los tres principios básicos de la experimentación: repetición.1. 2) Es apropiado sólo en caso de disponer de material experimental homogéneo. Desventajas del diseño completamente al azar 1) Es apropiado para un número pequeño de tratamientos.Método de análisis aún sigue siendo sencillo. aleatorización y control local.El diseño es capaz de estimar el error estándar por unidad experimental (error experimental) con un mayor grado de precisión.cuando existe la perdida relativa de información.3. 4. 5. 3) En comparación con otros dispositivos experimentales donde se pueda ejercer control local es menos sensible y tiene un poder analítico débil. En 48 .

se sabe de su heterogeneidad. Cada uno de esos grupos es llamado: bloque. Los bloques se construyen perpendiculares a la dirección de la gradiente de variabilidad. gradiente de temperatura. así. Este diseño es conveniente cuando se logra determinar una gradiente de variabilidad en un sentido. 49 . etc. que este influyendo sobre los tratamientos. dirección del viento. Este tipo de experimento es seleccionado cuando se tienen dudas acerca de la homogeneidad del ambiente o cuando.este diseño las unidades experimentales se distribuyen en grupos homogéneos. por ejemplo: grado de inclinación del terreno donde se realizara el experimento. El número de unidades experimentales dentro de cada bloque es igual al número de tratamientos incluidos en el experimento. Un caso particular de diseño de bloques es el que aparece relacionado con la prueba de t para muestras pareadas. Los tratamientos son distribuidos en las unidades experimentales dentro de cada bloque aleatoriamente. aunque el número de tratamientos es solo dos. por experiencia. cada bloque ira construir una repetición.

50 .

Así.5 DPD en Cuadro Latino (CL) Este diseño también es conocido como diseño con un factor y dos restricciones en la aleatorización. reconocidas por el investigador. Cada aplicación (cada cuadrado) constituye una réplica. el diseño de cuadrado latino (o doble bloqueo) se trata. de controlar dos fuentes de variación existentes. esta estrategia es útil para aumentar los grados de libertad del error a este diseño se le conoce como: Diseño de Cuadrado Latino replicado. se explicarán en conjunto. A medida que éste se hace más heterogéneo es preciso controlar la variación bloqueando por cada característica que varíe.1. El investigador al controlar estas dos fuentes logra reducir la varianza del error posibilitando la expresión de la diferencia entre los tratamientos. 51 . siendo uno organizado en el sentido de las filas (0 hileras) y otro organizado en el sentido de columnas. Esto ha obligado a los investigadores a utilizar como estrategia la combinación de una serie de cuadrados latinos del mismo orden en un mismo experimento. si es que existe. como su nombre lo indica. Los diseños de cuadrado latinos en general presentan la dificultad de poseer muy pocos grados de libertad para estimar el error experimental. Estos planes experimentales tienen como propósito el control de la variación del material experimental. es organizado de dos maneras diferentes. De esta forma se tiene que el control local. las filas en una dirección y las columnas en otra dirección. representado por los bloques. esto es. entre las unidades experimentales. En los experimentos que se realizan en el campo este diseño es utilizado cuando existe necesidad de eliminar la heterogeneidad del suelo en dos direcciones perpendiculares.5. por tanto. Estos diseños clásicos son una extensión lógica y natural del diseño en bloques completos al azar y poseen una serie de características muy similares.

52 . 5..2 Diseño en Franjas Divididas Los experimentos en parcelas divididas (Split-plot) son frecuentemente utilizados en la experimentación agronómica cuando. en un experimento de tipo factorial. el material experimental o la propia conducción del experimento no permite una completa aleatorización de todas las combinaciones de los niveles de los factores.

las parcelas relativas a cada factor se posicionan en franjas (fajas o Split-block). por diversas razones. no hay posibilidad de una aleatorización total de estas parcelas.Una variación de los experimentos en parcelas divididas es caracterizada cuando. tanto en filas como en las columnas. aunque se estructuren las parcelas pequeñas. Hipótesis Esquema de análisis de varianza 53 . En este caso.

las condiciones experimentales hacen necesario subdividir cada parcela pequeña en diversos niveles de un tercer factor. las subparcelas.3 Arreglo en Parcelas Subdivididas (DPSD) En algunas situaciones prácticas. en bloques al azar. los subtratamientos aleatorizados en las parcelas medianas y los subtratamientos aleatorizados en las parcelas pequeñas de cada parcela mediana Modelo estadistico mtematico 54 . Entonces.). los efectos de tres factores. etc.5. el ensayo es denominado experimento en parcelas subdivididas o Split-split-plot. caracterizándose así. siendo los tratamientos principales asignados al azar en las parcelas grandes (completamente al azar. en este tipo de experimentos podemos estudiar. En este caso. simultáneamente.

el experimento en parcelas subdivididas implica tres instancias de aleatorización. ya que el tercero de los errores queda declarado por defecto. 55 . seguido de los grados de libertad. en este ejemplo bloque x frecuencias de riego dentro de distanciamiento. los distanciamientos.5. En SAS solo se deben declarar los errores correspondientes a la PP y a la SP. BCA. El error para la parcela principal es la interacción entre bloque y el factor que fue asignado en la PP.3. de los cuadrados medios de cada componente. 5.3. El error para la SP está dado por la interacción entre el bloque y el factor que está en la subparcela. uno para la subparcela (SP) y otro para las subparcelas.1 Características del DPSD Como podrá notar. en este ejemplo. por lo tanto. de las sumas de cuadrados.2 Análisis de Varianza del DPSD (CA. CL) El cuadro de análisis de varianza (anova) es un arreglo dado por las fuentes de variación. así como del valor F y su probabilidad de significación (valor P). para el análisis se deberán tener en cuenta tres errores diferentes: uno para la parcela principal (PP).

ANALISIS DE VARIANZA (CA) ANALISIS DE VARIANZA (BCA) 56 .

57 .

4 Diseño en Franjas Subdivididas De acuerdo con Gomes. tipos de preparación del suelo. FP (2000) el análisis delos experimentos en franjas son más complejos. en comparación con los dispuestos en un arreglo en parcelas divididas. 58 . aplicación mecanizada de fertilizantes. existen varias situaciones en que razones de orden práctica nos llevan a adoptarlos. y dan menor precisión a las comparaciones entre los niveles del factor que se ubica en la parcela pequeña. los experimentos en franjas deben ser evitados. etc. aplicación de madurantes en caña de azúcar. en evaluaciones de distanciamientos de siembra. se puede citar: experimentos con épocas de cosecha (cuando la cosecha es mecanizada). aplicación de correcciones al suelo. Por ello. Dentro de estas situaciones. Sin embargo.ANÁLISIS DE VARIANZA (CL) 5. siempre que sea posible.

El fundamento del estadístico de contraste es: a) El efecto del tratamiento en cada grupo es medido por la Media de las medidas de depresión de cada grupo. y tiene su fundamento en la relación entre la variación explicada por las diferencias entre grupos y la variación individual.1 El análisis funcional de varianza o pruebas de F planeadas El análisis de Varianza contrasta la hipótesis de igualdad de las Medias de más de dos grupos. Unidad 6 Pruebas de separación de medias 6. esperaríamos que las Medias de los grupos fueran semejantes: 59 . La Hipótesis Nula es: El estadístico de contraste es: donde MCE y MCI son las Medias Cuadráticas "entre" e "intra" respectivamente. b) Si todos los tratamientos tuvieran el mismo efecto.

las diferencias entre grupos no explican la variación "intra". la Media Cuadrática "entre" sería igual a 0 (porque la Media de cada grupo sería igual a la Media total). Si las Medias fueran diferentes. d) La variación individual es medida por la Media Cuadrática "intra": donde glI: grados de libertad "intra"= J(n-1). 60 . más diferentes esperamos que sean las Medias. c) La Media Cuadrática "entre" mide la variación explicada por las diferencias entre las Medias de los grupos más la variación explicada por diferencias individuales: donde si las Medias fueran semejantes.En cambio. La Media Cuadrática "intra" mide la variación explicada por diferencias individuales porque solo depende de las diferencias dentro de cada grupo. la Media Cuadrática "entre" será mayor cuanto más y mayores sean las diferencias. En cambio. cuanto más diferentes sean los efectos de los tratamientos.

si NO hubiera diferencias entre las Medias poblacionales. El valor esperado de la Media Cuadrática "intra" es igual a la Varianza explicada por diferencias individuales. f) Para generalizar a la población se opera con los valores esperados de la Medias Cuadráticas: el valor esperado de la Media Cuadrática "entre" es igual a la Varianza explicada (ocasionada) por las diferencias individuales más una cantidad cuyo valor depende de las diferencias entre los tratamientos (entre las muestras). el valor del término de la derecha en la expresión del valor esperado de la Media Cuadrática "entre". g) Si la Hipótesis Nula fuera verdadera. es decir. que es: 61 . mayor es el valor de F.e) El estadístico F pone en relación la variación "entre" respeto de la variación "intra": cuanto mayor es la variación "entre" en relación a la variación "intra".

tomaría el valor 0 (porque las diferencias dentro del paréntesis siempre serían 0). En consecuencia. la expresión tomaría un valor superior a 0.J(n-1) pensaremos que no hay evidencia suficiente por rechazar la Hipótesis Nula. es a decir. 62 . si hubiera diferencias entre las Medias poblacionales. pensaremos que es más razonable rechazar la Hipótesis Nula. h) Si la Hipótesis Nula fuera falsa. i) En conclusión. si el estadístico F NO sigue la distribución FJ-1. si el estadístico F sigue la distribución FJ-1. el estadístico F NO sería una razón de dos estimadores de la misma Varianza y el cociente F NO seguiría la distribución FJ-1. el estadístico F sería una razón de dos estimadores de la misma Varianza y seguiría la distribución F con J-1 y J(n-1) grados de libertad.J(n-1).J(n-1). En consecuencia. En cambio.

2 Pruebas múltiples de separación de medias 6. porque las posibilidades de cometer un error de tipo I para una serie de comparaciones son mayores que el nivel de significancia para cualquier comparación individual 63 . El método LSD de Fisher.6.1 Diferencia Mínima Significativa (DMS) El método LSD de Fisher se utiliza en ANOVA para crear intervalos de confianza para todas las diferencias en parejas entre las medias de los niveles de los factores. entonces. mientras se controla la tasa de error individual en función de un nivel de significancia que especifique. utiliza la tasa de error individual y el número de comparaciones para calcular el nivel de confianza simultáneo para todos los niveles de confianza. Es importante considerar la tasa de error por familia al realizar múltiples comparaciones. Este nivel de confianza simultáneo es la probabilidad de que todos los intervalos de confianza contengan la diferencia verdadera.2.

6. Tal como la prueba de Tukey. pero se llega a resultados más detallados y se discrimina con mayor facilidad entre los tratamientos.2. La aplicación de esta prueba es más laboriosa que la prueba de Tukey. que todos los tratamientos tengan el mismo número de repeticiones. la de Duncan exige.3 Comparaciones de clase o contrastes ortogonales 64 . 6.2. o sea que.3 Prueba Múltiple de Significación de Tukey (DSH) 6. la prueba de Duncan indica resultados significativos en casos en que la prueba de Tukey no permite obtener significancia estadística.2 Prueba del Rango Múltiple de Significación de Duncan (RMD) Un procedimiento usado ampliamente para comparar todas las parejas de medias es el de la prueba de intervalos múltiples desarrollada por Duncan (1955). para ser exacto.

4 Comparaciones o superficies de tendencia Este método es muy útil para establecer las tendencias generales de datos. pero el potencial que tiene para predecir variaciones locales es muy pobre. valores que se van de la moda (entendiendo moda en su acepción estadística).6. así como también es muy sensible a los valores atípicos. por si solo no ayuda a comprender procesos espaciales. 65 . No obstante. este es el método de interpolación global más utilizado en arqueología. Así pues. es decir.