DISEOS EXPERIMENTALES

UNIDAD 1

1.- Introduccin a la experimentacin

La experimentacin juega un papel fundamental en virtualmente todos los campos

de la investigacin y el desarrollo. El objetivo de la experimentacin es obtener
informacin de calidad. Informacin que permita desarrollar nuevos productos y
procesos, comprender mejor un sistema (un proceso industrial, un procedimiento
analtico,) y tomar decisiones sobre como optimizarlo y mejorar su calidad,
comprobar hiptesis cientficas, etc. Obviamente la experimentacin se debe
planificar (disear) cuidadosamente para que proporcione la informacin buscada.
Dicha planificacin debe considerar dos aspectos importantes relacionados con
toda experimentacin:

La experimentacin es normalmente cara. La capacidad de experimentar est

limitada por el costo en tiempo y en recursos (personal, productos de partida, etc..).
Por tanto, una organizacin ptima de la experimentacin deber contemplar el
menor nmero de experimentos que permita obtener la informacin buscada.

1.1 Definicin de experimentacin, objetivos e importancia

La investigacin cientfica consiste en la bsqueda permanente de la verdad

mediante mtodos objetivos adecuados y precisos. La experimentacin es un
mtodo cientfico de investigacin que consiste en hacer operaciones y prcticas
destinadas a demostrar, comprobar o descubrir fenmenos o principios bsicos.

La experimentacin agrcola, en particular, comprende las pruebas, ensayos,

observaciones, anlisis o estudio prctico de todo aquello que interesa a la
agricultura. Se considera un experimento probar con la practica una hiptesis
formulada (ensayo de rendimiento de seis variedades de alfalfa).

Se considera una investigacin cuando se estudia la causa y el efecto

(determinacin del tamao de parcela ms eficaz para ensayar variedades de
alfalfa). En un experimento se observan nicamente los efectos y es de aplicacin
prctica inmediata, ya sea para el cientfico o para la comunidad. Por su parte una
investigacin es de aplicacin mediata y puede ser evolucionista, puede conducir
a idear nuevas tcnicas o a modificar las existentes. Comnmente ambos trminos
se confunden y son inseparables. La experimentacin cientfica se puede
considerar como un arte y como una ciencia.

Objetivo e importancia

Es proporcionar mtodos que permitan obtener la mayor cantidad de informacin

vlida y objetiva acerca de una investigacin.

Es importante la experimentacin ya que por medio de ella se han generado

conocimientos cientficos, que han servido de beneficio al logro de mejores
resultados y por ende, para bienestar de la sociedad.

1.2 Diseos experimentales en la agricultura

Los experimentos que se realizan frecuentemente en agricultura son:

Ensayos comparativos entre variables

Lneas
Cruzamientos
Descendencias

Observaciones y pruebas con fertilizantes, raciones, insecticidas, fungicidas y

herbicidas. La utilizacin ptima del diseo experimental, como herramienta para
la investigacin en agricultura, depende de cada una de las cuatro fases en las que
se divide el proceso de experimentacin: planificacin, conduccin del ensayo,
procesamiento de la informacin recolectada y elaboracin de conclusiones y
recomendaciones, se cumplan de manera tcnica, tica y responsablemente.

En la planeacin o diseo de un experimento agronmico, es necesario

aplicar un conjunto de disciplinas y conocimientos biolgicos con el fin de
encontrar una respuesta correcta a un problema especfico. Por ejemplo, si se
comparan diversos maces hbridos, todos los factores de la produccin que
influyen en el comportamiento de los hbridos deben permanecer constantes
y las nicas fuentes de variacin o diferencias sern presentadas por los maces
hbridos, si tales fuentes existen.
El objetivo de la investigacin agrcola o biolgica es:

Especificar los problemas, con el fin de probar hiptesis o encontrar respuestas.

Es necesario considerar que los experimentos sean: Simples (ej. Cinco variedades
de sorgo) o factoriales (ej. Tres variedades, con tratamientos de nitrgeno, fsforo
y potasio.

1.3.- El investigador y el razonamiento cientfico

La Investigacin es un proceso que, mediante la aplicacin del mtodo cientfico,
procura obtener informacin relevante y fidedigna, para entender, verificar, corregir
o aplicar el conocimiento. El mtodo cientfico es el estudio sistemtico de la
naturaleza que incluye las tcnicas de observacin, reglas para el
razonamiento y la prediccin, ideas sobre la experimentacin planificada y los
modos de comunicar los resultados experimentales y tericos. La actividad
investigadora se conduce eficazmente mediante una serie de elementos que hacen
accesible el objeto al conocimiento y de cuya sabia eleccin y aplicacin va a
depender en gran medida el xito 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 metodologa.

Recoger, registrar y analizar los datos obtenidos.
De no existir estos instrumentos, debe crearlos

Hay diferentes tipos de razonamientos, tales como: deductivo, inductivo y

analgico (por analoga). Aunque este ltimo se considera como un caso particular
del individuo
Razonamiento Deductivo
Segn Napolitano Antonio es un razonamiento cuya conclusin es de
consecuencia necesaria; es decir, dadas unas determinadas premisas, se dice
necesariamente una conclusin.
Segn Contreras Bernardo un razonamiento es deductivo, cuando en l se exige
que la conclusin se derive necesariamente, forzosamente de las premisas. Por
ello, se le considera rigurosamente.
La conclusin en un razonamiento deductivo se obtiene de las premisas dadas, es
decir, no necesita recurrir de manera directa a la prctica o a la experiencia. Por
esta razn, se expresa que la conclusin en este tipo de argumento se da
una seguridad matemtica.

Razonamiento inductivo
Inductivo, por su parte, es lo que est vinculado a la induccin (el proceso que lleva
a obtener una conclusin general a partir de premisas especficas o particulares).

Un razonamiento inductivo, por lo tanto, consiste en considerar varias experiencias

individuales para extraer de ellas un principio ms amplio y general. Es importante
tener en cuenta que, pese a que se parta de premisas verdaderas, la conclusin
puede resultar falsa. Que un razonamiento inductivo derive en una conclusin
verdadera es apenas una probabilidad, cuyo grado vara de acuerdo al nmero de
premisas que se consideren y a las caractersticas de stas.

1.3 Orientacin de la experimentacin

Es un mtodo de investigacin en el que una o ms variables son manipuladas

conscientemente y en el que se observa el resultado o efecto de esta manipulacin
sobre otras variables. Los diseos experimentales frecuentemente usan controles
que proveen una medida de variabilidad dentro de un sistema y un control para
fuentes de error.

Los mtodos experimentales son aplicados comnmente para determinar las

relaciones causales o para cuantificar la magnitud de la respuesta de una variable.
La experimentacin es un mtodo de investigacin cientfico, tal vez el ms
reconocible, en un espectro de mtodos que tambin incluye la descripcin, la
comparacin y el modelaje. Mientras que todos estos mtodos comparten un
enfoque cientfico comn, la experimentacin.

1.5. Planteamiento de hiptesis

La hiptesis es una proposicin, condicin o principio que se supone sin certeza

con el fin de derivar sus consecuencias con hechos lgicos y, por este mtodo
comprobar su concordancia con hechos conocidos o que puedan determinarse. Su
importancia radica, en que, dan rumbo a la investigacin al sugerir los pasos y
procedimientos que deben darse en la bsqueda del conocimiento. Cuando la
hiptesis de investigacin ha sido bien elaborada, y en ella se observa
claramente la relacin o vnculo entre dos o ms variables, es factible que el
investigador pueda:

Elaborar el objetivo, o conjunto de objetivos que desea alcanzar en el desarrollo de

la investigacin.

Seleccionar el tipo de diseo de investigacin factible con el problema planteado.

Seleccionar el mtodo, los instrumentos y las tcnicas de investigacin acordes

con el problema que se desea resolver.

Seleccionar los recursos, tanto humanos como materiales, que se emplearn para
llevar a feliz trmino la investigacin planteada.

Hiptesis estadstica

Es el supuesto que se hace sobre el valor de un parmetro (constante que

caracteriza a una poblacin) el cual puede ser validado mediante una
prueba estadstica, la hiptesis a probar es si los tratamientos tienen el mismo
efecto sobre la variable que se estudia, es as como se tienen las hiptesis
planteadas (Hp) e hiptesis alterna (Ha):

Hp: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio)

Ha: ti 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio)

Al probar la hiptesis estadstica el investigador est propenso a cometer los

siguientes tipos de errores:

Error Tipo I: Se comete cuando se rechaza la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error es fijado por el investigador y constituye
el nivel de significacin de la prueba; usualmente los valores usados como nivel
de significacin son 0.05 0.01.

Error tipo II: Se comete cuando se acepta la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error no se puede fijar, pero si es posible
minimizar utilizando un tamao adecuado de muestra
1.6 Caractersticas y etapas de la planeacin de los experimentos

Para que un estudio experimental sea exitoso es necesario realizar, por etapas,
diferentes actividades. En este sentido, la etapa ms importante y a la que se le
debe dedicar mayor tiempo es la planeacin.

Planeacin: Son actividades encaminadas a entender, delimitar el problema u

objeto de estudio y seleccionar variables de respuesta y factores. Concluye con la
especificacin de los tratamientos a realizar y con la organizacin del trabajo
experimental.

1. Entender y delimitar el problema u objeto de estudio. En la etapa de planeacin

se deben hacer investigaciones preliminares que conduzcan a entender y delimitar
el problema u objeto de estudio, de tal forma que quede claro qu se va a estudiar,
por qu es importante y, si es un problema, cul es la magnitud del mismo.

2. Elegir la(s) variable(s) de respuesta que ser medida en cada punto del diseo
y verificar que se mide de manera confiable. En otras palabras, se debe garantizar
que los instrumentos y/o mtodos de medicin son capaces de repetir y reproducir
una medicin, que tienen la precisin (error) y exactitud (calibracin) necesaria.

3. Determinar cules factores deben estudiarse o investigarse, de acuerdo a la

supuesta influencia que tienen sobre la respuesta. No se trata de que el
experimentador tenga que saber a priori cules factores influyen, puesto que
precisamente para eso es el experimento, pero s de que utilice toda la informacin
disponible para incluir aquellos que se considera que tienen un mayor efecto.

4. Seleccionar los niveles de cada factor, as como el diseo experimental

adecuado a los factores que se tienen y al objetivo del experimento. Este paso
tambin implica determinar cuntas repeticiones se harn para cada tratamiento,
tomando en cuenta el tiempo, el costo y la precisin deseada.
5. Planear y organizar el trabajo experimental. Con base en el diseo seleccionado,
organizar y planear con detalle el trabajo experimental, por ejemplo, las personas
que van a intervenir, la forma operativa en que se harn las cosas.

6. Realizar el experimento. Seguir al pie de la letra el plan previsto en la etapa

anterior, y en caso de algn imprevisto, determinar a qu persona se le reportara
y lo que se hara

1.7 Presentacin de los resultados de un proyecto experimental

1.8 Organizacin y conduccin de la investigacin agrcola en Mxico

El sistema nacional de investigacin puede dividirse en un subsistema

institucionalizado y uno no institucionalizado. En el nivel superior del sistema
institucionalizado est el Poder Ejecutivo Federal, quien regula las actividades
de investigacin y la asignacin de recursos para investigacin en la
propuesta de presupuesto al Congreso. El Congreso de la Unin participa en el
proceso de elaboracin y aprobacin del presupuesto de la nacin y de las leyes
que regulan las actividades de investigacin.

Por debajo del Poder Ejecutivo, los principales organismos del sistema de ciencia
y tecnologa son:

1. La Secretara de Educacin Pblica (SEP).

2. El Consejo Nacional de Ciencia y Tecnologa (CONACYT).

3. El sistema CINVESTAV (Centro de Investigacin y de Estudios Avanzados).

4. Otras secretaras de estado.

UNIDAD 2

EJECUCION DE LA EXPERIMENTACION

2.1 Definicin de conceptos

2.1.1 Tratamiento, testigo, unidad experimental, unidad de
observacin

Tratamiento:

Elemento o sujeto sometido a estudio o a ensayo de comparacin. Ej. Cinco

variedades, cinco herbicidas, cinco dietas, etc.

Conjunto de condiciones experimentales que sern impuestas a una unidad

experimental en un diseo elegido.

Testigo

Sujeto o tratamiento de comparacin. Al realizar un experimento, siempre se debe

incluir un testigo para medir el resultado del experimento.

Es el tratamiento de comparacin adicional, que no debe faltar en un experimento;

por ejemplo, si se usan cinco tratamientos con fertilizante, el testigo puede ser
aquel tratamiento que no incluye fertilizante. La eleccin del tratamiento testigo es
de gran importancia en cualquier investigacin, este se constituye como referencial
del experimento y sirve para la comparacin de los tratamientos en prueba.

Unidad experimental

El material o el lugar sobre el cual se aplican los tratamientos en estudio. Por ej.,
una parcela, una maceta, un animal o grupo de animales.

Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la

variable que se investiga. En las pruebas de campo agrcolas, la unidad
experimental es una parcela de tierra en lugar de una planta individual.

Es caracterstica de las unidades experimentales que muestran variacin aun

cuando se les aplique igual tratamiento.

Unidad de observacin

Para la recoleccin de datos en el terreno operativo, se debern definir unidades

de observacin que permitan captar la informacin de las unidades de anlisis, o
explotaciones.
2.1.2. Error experimental, repeticiones, variable de agrupamiento o control,
tratamiento, variable de observacin, etc.

Al probar la hiptesis estadstica el investigador est propenso a cometer los

siguientes tipos de errores:

Error Tipo I: Se comete cuando se rechaza la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error es fijado por el investigador y constituye
el nivel de significacin de la prueba; usualmente los valores usados como nivel
de significacin son 0.05 0.01.

Error tipo II: Se comete cuando se acepta la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error no se puede fijar, pero si es posible
minimizar utilizando un tamao adecuado de muestra.

PRINCIPIOS BASICOS DEL DISEO EXPERIMENTAL

Los principios bsicos del diseo experimental son: repeticin, aleatorizacin, y

control local.

Repeticin: Viene a ser la reproduccin o rplica del experimento bsico

(asignacin de un tratamiento a una unidad experimental). Las principales razones
por las cuales es deseable la repeticin son: Primero por que proporciona una
estimacin del error experimental, siendo tal estimacin confiable a medida que
aumenta el nmero de repeticiones, y segundo permite estimaciones ms precisas
del tratamiento en estudio.

Aleatorizacin: Consiste en la asignacin al azar de los tratamientos en estudio a

las unidades experimentales con el propsito de asegurar que un determinado
tratamiento no presente sesgo. Por otro lado, la aleatorizacin hace vlidos los
procesos de inferencia y las pruebas estadsticas.

Control Local (Control del error Experimental): Consiste en tomar medidas

dentro del diseo experimental para hacerlo ms eficiente, de tal manera que
pueda permitir la reduccin del error experimental y as hacerla ms sensible a
cualquier prueba de significacin.

Tratamiento

El tratamiento es el proceso de modificacin de factores de una unidad

experimental y cuyos efectos van a ser medidos y comparados.

Tratamiento Testigo
Es la seleccin 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.

Bloque

Es un conjunto de unidades experimentales de los ms homogneo posible que

reciben el mismo tratamiento.

Llamaremos unidad de observacin a la unidad fsica que nos interesa estudiar

u observar con fines de investigacin. Ejemplo: un paciente, una familia, una
vivienda, una persona, un cajn de manzanas, un pollo, un predio, etc. Cada uno
de los elementos mencionados puede ser considerado como unidad de
observacin cuando es nuestro particular inters observarlo de manera
sistemtica. El conjunto de todas las unidades de observacin constituye
la poblacin en estudio.

Las unidades de observacin poseen caractersticas. Un paciente tiene: altura,

peso, color de piel, tono muscular, dimetro braquial, temperatura, pulso, etc. Una
familia tiene: tipo de vivienda, nmero de integrantes, ingreso familiar, gasto en
salud, etc. Una vivienda tiene: nmero de habitaciones, tipo de construccin,
cantidad de metros construidos, etc. Un cajn de manzanas tiene: nmero de
manzanas, peso, volumen, etc. Un pollo tiene: peso, edad, raza, color, etc. Una
parcela tiene: superficie, tipo de suelo, cantidad de frutos cosechados, cantidad de
rboles, etc.

Las caractersticas de las unidades de observacin pueden ser variables o

constantes. Son variables las caractersticas que asumen valores distintos en las
distintas unidades de observacin y son constantes aquellas caractersticas que
no cambian su valor en las distintas unidades de observacin. Como ejemplo
podemos imaginar una poblacin en estudio compuesta por todos los estudiantes
de tercer nivel de la carrera de enfermera de una universidad. En esta poblacin
la unidad de observacin es el alumno de tercer nivel de la carrera de enfermera
de esa universidad. Una variable de inters 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.

2.2. Tamao ptimo de parcela o unidad experimental

Segn Smith (1938), citado por Franco (7), para determinar el tamao ptimo de
parcela con el fin de estimar el rendimiento, se puede usar un ensayo en blanco o
ensayo de uniformidad, que consiste en sembrar toda la extensin de un campo
con una misma variedad, tan pura como sea posible, de una especie determinada,
sometiendo todo el campo a prcticas idnticas de cultivo; al final se cosechan
pequeas parcelas denominadas "unidades bsicas", lo cual permite
posteriormente hacer agrupaciones de unidades adyacentes, de manera que se
puedan obtener combinaciones de estas "unidades bsicas" para formar parcelas
de tamaos y formas diferentes y as lograr estimaciones de parcelas ptimas.

La informacin obtenida a partir de ensayos de uniformidad, no es la nica para

escoger tamaos apropiados de parcela, aun cuando se considera que es el
mtodo ms preciso para obtener estimadores de varianza para los diferentes
tamaos y formas. Sin embargo, la conduccin prctica de un ensayo de
uniformidad, requiere de una inversin considerable de tiempo y dinero.

La mayor parte de los investigadores usan el coeficiente de variacin para

determinar la forma y tamao ptimo de la parcela experimental (Lana y Homeyer
(1953), citado por Mrquez (10).

A esta metodologa se le llama mtodo grfico de mxima curvatura, el cual parte

de las "unidades bsicas" cosechadas de un ensayo de uniformidad. Las "unidades
bsicas" contiguas se agrupan a fin de obtener parcelas de mayor tamao; as se
obtiene un conjunto de parcelas cuyos tamaos varan dentro de cierto rango;
luego se estiman los coeficientes de variacin, usando las varianzas de error de
los anlisis correspondientes a los diferentes tamaos y formas.

Estos coeficientes de variacin se grafican con respecto a los tamaos de parcela

y se determina el tamao ptimo, ste corresponde a la abscisa en la cual ocurre
la curvatura mxima, determinndose dicho punto por inspeccin visual de la
grfica, el cual estar localizado en la regin donde la velocidad de cambio en la
curva es mayor.

2.3. Forma de las unidades o parcelas experimentales

La forma de la parcela experimental ha sido estudiada por varios investigadores en

diversos cultivos, llegando la mayora de ellos a la conclusin de que las parcelas
largas y delgadas son mucho ms eficientes que las cortas y anchas.
Por otra parte, Thomson (34), y Pan (27) trabajando con camote y arroz
respectivamente, determinaron que la variacin de las parcelas cuadradas es
menor que de las parcelas largas y delgadas.

2.4. Nmero de repeticiones. Consideraciones generales

Cuando en un experimento se tiene un conjunto de tratamientos para poder estimar

el error experimental, es necesario que dichos tratamientos aparezcan ms de una
vez en el experimento, para as aumentar la precisin de ste, controlar el error
experimental y disminuir la desviacin estndar de la media. Por tanto, repeticin
es el nmero de veces que un tratamiento aparece en el experimento.

Es evidente que la repeticin funciona para:

Proveer un clculo de la magnitud del error al cual se someten las comparaciones

Disminuir el error experimental.

En lo que se refiere a la primera funcin de la repeticin, las diferentes variedades

o tratamientos en el experimento deben organizarse aleatoriamente para satisfacer
la base matemtica para un clculo del error.

La segunda funcin de la repeticin es la disminucin del error, puede llevarse a

cualquier grado de precisin, a condicin de que un nmero suficiente de
repeticiones se use junto con el control local.

La variacin de cualquier comparacin de tratamientos disminuye directamente

con un aumento del nmero de repeticiones.

El error estndar es inversamente proporcional a la raz cuadrada del nmero de

repeticiones u observaciones.

Sugerencias:

El nmero de repeticiones requeridas en los experimentos depende de tales

factores como costo, trabajo, variabilidad del material, el tamao probable de las
diferencias de promedios y el nivel de significacin deseada.

Una regla til:

Considerar por lo menos 10 grados de libertad en el error experimental. Sin

embargo, debe reconocerse que hay lmites prcticos ms all de los cuales el
costo y la cantidad de trabajo incluido por un mayor nmero de repeticiones nos da
una ganancia proporcional en la precisin.

2.5. Seleccin del material experimental

El xito de cualquier investigacin, depende de la seleccin apropiada del material

experimental a ser utilizado. Para esto deben considerarse los objetivos que se
pretenden alcanzar, as como la poblacin sobre la que se refiere inferir.

2.6. Agrupamiento de las unidades experimentales y de los tratamientos

La estructura del diseo 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 ms uniformes posibles.

Si todas las unidades experimentales son homogneas, entonces solo hay un

grupo o bloque de observaciones y las unidades experimentales pueden ser
asignadas a los tratamientos completamente al azar. Esta estructura de diseo se
llama diseo completamente al azar.

Si se requiere ms de un grupo de unidades experimentales para que dentro de

cada grupo las unidades experimentales sean ms homogneas entre grupo,
entonces la estructura de diseo es algn tipo de diseo de bloques.

El agrupamiento de las unidades experimentales en dos direcciones (filas y

columnas) y la asignacin de los tratamientos al azar en las unidades, de tal forma
que en cada fila y en cada columna se encuentren todos los tratamientos constituye
un diseo cuadrado latino.

Estructura de los tratamientos. Es el conjunto de tratamientos, combinacin de los

niveles de los factores estudio, o poblaciones que son seleccionadas por el
investigador para comparar.

La estructura de tratamientos puede ser un conjunto de t tratamientos, de una va

(tratamiento unifactorial), o un conjunto de combinaciones de niveles como un
arreglo factorial de 2 factores (vas) o de mayor orden.
2.7. 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. Hay dos clases de competencia de
importancia en el diseo experimental, estas son: competencia entre y dentro de
las unidades experimentales.

Competencia dentro de unidades experimentales

Existe cuando un individuo (os) dentro de la unidad experimental afecta (n) a otros
ventajosa o desventajosamente. Por ejemplos encontramos: plantas de una
parcela de campo estn en competencia por luz, agua y nutrientes. Animales
dentro de un corral o jaula estn en competencia por comida y agua. Algn animal
en un corral es ms belicoso que otros, a menudo causando algn perjuicio fsico
a otros animales. La competencia puede no tener efecto sobre la tcnica
experimental, siempre y cuando la suma de los efectos de competencia sea cero,
lo cual requiere que un individuo gane lo que otro pierde.

Para eliminar la competencia dentro de unidades experimentales se requiere

proporcionar ms espacio o ms tiempo. Por ejemplo, en trabajos de plantas puede
requerirse ms espacio entre plantas.

Competencia entre unidades experimentales

Se refiere a influencias desventajosas o nocivas de una unidad experimental sobre

otra. Los efectos de ``borde'' o ``callejn'' (efecto sobre plantas o animales,
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. Entre algunos ejemplos que
ilustran lo anterior tenemos: algunas variedades de plantas que pueden afectar
adversamente otras variedades que crecen adyacentes a ellas, debido a que
aparentemente pueden ser mejores competidoras. Plantas sobre una parcela con
tratamiento no fertilizante o con tratamiento no riego pueden extraer algo de
nutrientes o agua de las parcelas tratadas.
2.8. Experimentos comunes en la investigacin agrcola

La agricultura impone la necesidad de la bsqueda de nuevas tcnicas de cultivo

y de manejo de los animales, as como de plantas y animales ms productivos,
ms resistentes a las plagas y las enfermedades, plantas con mayor capacidad
para absorber los nutrientes, mayor resistencia a la sequa, a la salinidad y menor
perodo vegetativo con vistas a la obtencin de mayor produccin agropecuaria y
ms calidad de la misma.

La actividad investigativa, en la rama agropecuaria debe establecer slidos pilares

en los cuales se asiente la colosal tarea del desarrollo agrcola, basado en los
avances impetuosos de la ciencia y la tcnica.

Para cualquier pas que desarrolle su economa, principalmente, sobre la base de

la produccin agropecuaria y su industrializacin, el desarrollo de las ciencias
agropecuarias adquiere una importancia de primer orden. Dentro del sistema de
las Ciencias agropecuarias se ha desarrollado la experimentacin agrcola como
una rama nueva e independiente, con objeto, tareas, principios y mtodos propios
de trabajo.

Dentro de las lneas que ms se est trabajando son las siguientes:

Mejoramiento gentico de las plantas y animales
Tecnologa de los cultivos agrcolas
Nutricin vegetal y animal
Mecanizacin agrcola
Riego y drenaje
Sanidad vegetal y animal
Otras

2.9. Consideraciones en la planeacin, ejecucin, recoleccin, anlisis e

interpretacin de los datos de un experimento

En la planificacin agrcola o biolgica y en el desarrollo de una investigacin en

particular, son de inters las siguientes aspectos: a. Especificar los problemas, con
el fin de probar hiptesis o encontrar respuestas. Es necesario considerar que los
experimentos
Ubicar el lugar adecuado para la realizacin de los experimentos, para lo cual se
debe elegir una localidad accesible y representativa de reas agrcolas, de suelo
uniforme, con unidades experimentales lo ms uniforme posible, y escoger el
material adecuado para experimentos, de manera que pueda estratificarse
(agruparse unidades experimentales con caractersticas homogneas) el terreno
correctamente para formar grupos uniformes y de fcil manejo.

Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la seleccin de datos,
muestreo, etc., el personal responsable est constituido por tcnicos o personas
con entrenamiento

Mantener constante los diversos factores que pueden afectar a la produccin o a

la calidad del producto, de manera que los nicos factores de variacin sean los
tratamientos objeto de estudio

En la planeacin o diseo de un experimento agronmico, es necesario aplicar un

conjunto de disciplinas y conocimientos biolgicos con el fin de encontrar una
respuesta correcta a un problema especfico. Por ejemplo, si se comparan diversas
variedades de trigo, todos los factores de la produccin que influyen en el
comportamiento de las variedades deben permanecer constantes y las nicas
fuentes de variacin o diferencias sern presentadas por las variedades de trigo,
si tales fuentes existen

2.10. El anlisis de varianza y aceptacin o rechazo de hiptesis nula (prueba

de F)

El anlisis de la varianza permite contrastar la hiptesis nula de que las medias de

K poblaciones (K >2) son iguales, frente a la hiptesis alternativa de que por lo
menos una de las poblaciones difiere de las dems en cuanto a su valor esperado.
Este contraste es fundamental en el anlisis de resultados experimentales, en los
que interesa comparar los resultados de K 'tratamientos' o 'factores' con respecto
a la variable dependiente o de inters.
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 descomposicin de la variacin total de los datos con

respecto a la media global (SCT), que bajo el supuesto de que H0 es cierta es una

estimacin de obtenida a partir de toda la informacin muestral, en dos partes:

Variacin dentro de las muestras (SCD) o Intra-grupos, cuantifica la

dispersin de los valores de cada muestra con respecto a sus
correspondientes medias.
Variacin entre muestras (SCE) o Inter-grupos, cuantifica la dispersin de
las medias de las muestras con respecto a la media global.

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

Media Global:

Variacin Total:

Variacin Intra-grupos:

Variacin Inter-grupos:

Siendo xij el i-simo valor de la muestra j-sima; nj el tamao de dicha muestra

y su media.

Cuando la hiptesis 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
segn 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 ser aproximadamente igual a 1, de forma que
se rechazar H0 si dicho cociente difiere significativamente de 1
2.11. Medicin y control del error experimental

Una caracterstica del material experimental es la variacin. Asociada con la unidad

experimental est el error experimental, ste error es el reflejo de que las unidades
experimentales no son iguales. Adems, todas las medidas estn afectadas en
algn grado por un error experimental debido a las imperfecciones inevitables del
instrumento de medida.

El proceso de medicin introduce inevitablemente errores o imprevisiones en los

resultados, debido fundamentalmente a dos factores:

Imperfecciones por el equipo de medicin.

Limitaciones que se atribuyen al experimentador.

Los errores del primer tipo son inevitables, sin embargo, los errores humanos
reducidos a lo mnimo posible. Del nivel de imprecisin 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 obtencin.

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

Errores sistemticos: son difciles 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 sistemtico porque todos sus datos se
afectan en la misma cantidad y en la misma direccin.

Control del error

El diseo de control de error, busca un arreglo de los tratamientos en un plan

experimental utilizando una regla de asignacin de los tratamientos a las unidades
experimentales, de tal manera que se tengan grupos con buenas caractersticas
de homogeneidad.

UNIDAD 3
 ANLISIS DE VARIANZA Y DISEOS EXPERIMENTALES
BSICOS

3.1. Fundamento del Anlisis de Varianza (ANOVA) para cada diseo

Hay varias formas en las cuales puede disearse un experimento ANOVA. Quizs
el ms comn es el diseo completamente aleatorizado a una va. El trmino
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 capacitacin (el
factor).
El anlisis de varianza se basa en una comparacin de la cantidad de variacin en
cada uno de los tratamientos. Si de un tratamiento al otro la variacin es
significativamente alta, puede concluirse que los tratamientos tienen efectos
diferentes en las poblaciones.

a. Esta variacin entre el nmero total de las 14 observaciones. Esto se

llama variacin total.
b. Existe variacin entre los diferentes tratamientos (muestras). Esto se
llama variacin entre muestras.
c. Existe variacin dentro de un tratamiento dado (muestra). Esto se
denomina variacin dentro de la muestra.

3.2. Diseo Completamente Aleatorio (DCA)

El diseo completamente al azar, es aquel en el cual los tratamientos se asignan

completamente al azar a las unidades experimentales o, viceversa. Este diseo es
usado ampliamente. Por lo tanto, se considera que es un diseo eficiente cuando
las unidades experimentales de las que se dispone son muy homogneas.

3.2.1. Caractersticas del DCA

Caractersticas principales:

Aplicable slo cuando las unidades experimentales son homogneas (verificar si

existe tal homogeneidad).
Los tratamientos pueden tener igual o diferente nmero de unidades
experimentales.

La distribucin de los tratamientos es al azar en las unidades experimentales.

El nmero de tratamientos est en funcin del nmero de unidades experimentales

que se dispone. Es conveniente tener pocos tratamientos y ms unidades
experimentales que muchos tratamientos con pocas unidades experimentales.

Modelo estadstico Lineal

Este modelo lineal es la siguiente:

Esquema del diseo completamente al azar

Representacin simblica del Diseo Completamente al azar (DCA)

Estimaciones
La tcnica para hacer el anlisis de varianza, mediante los mnimos cuadrados,
nos permite hallar aquellos estimadores que nos aseguraran una suma de
cuadrados del error mnimo.

Suma de cuadrados

3.2.2. Anlisis del DCA con ms de dos tratamientos y el mismo nmero de

observaciones por unidad experimental
Se definen los t tratamientos que se van a aplicar a las n unidades experimentales,
de tal forma que a r unidades experimentales les va a corresponder un tipo de
tratamiento. Las unidades experimentales se sortean para la asignacin a cada
tratamiento. Se define la variable a medir.

Modelo estadstico y anlisis de varianza

Se definen los tratamientos y se sortean las unidades experimentales. Se realiza

el experimento y se recopilan los datos. Suponiendo que son tres tratamientos y
cuatro repeticiones, y que se midi el crecimiento de ciertas plantas, los resultados
se acomodan en una tabla.

Se suman todos los valores de las unidades experimentales. A ese valor se

le llamar y. Se obtiene el cuadrado de todos los valores de las unidades
experimentales y luego se suman, a ese valor se le llamar yij 2

Se calcula la suma de cuadrados del total con la frmula: Suma Cuadrados

total = yij 2 - (y..)2 / n Donde n es el total de los datos

Es necesario encontrar la varianza entre los tratamientos. Primero se

obtiene la suma de cada uno de los tratamientos (que se llamarn yi . ).
Cada suma de tratamientos se eleva al cuadrado, luego el resultado de
cada tratamiento se divide entre el nmero de repeticiones de ese
tratamiento, en este caso todos los tratamientos tienen 4 repeticiones, y
finalmente se suman los valores, el resultado se denomina yi . 2 /ni

Se calcula la suma de cuadrados de los tratamientos con la frmula: Suma

Cuadrados de tratamientos = yi . 2/ni - (y..)2 / n

Se calcula los grados de libertad de los tratamientos que sern: t 1 Donde

t es el nmero de tratamientos

Se calcula los grados de libertad del total: n 1

 Los datos hasta ahora calculados se llenan en la tabla de anlisis de
varianza. GL son los grados de libertad, SC es la suma de cuadrados y CM
son los cuadrados medios.

Se calcula los grados de libertad del error: grados de libertad del error: t (r
1) Donde t es el nmero de tratamientos, r el nmero de repeticiones.
Tambin se puede calcular GL del error como: GL error = GL Total GL
tratamientos

Se calcula la suma de cuadrados del error, la frmula es: SC error = yij 2

- yi . 2 / r El primer trmino se puede tomar de la frmula de la SC total,
el segundo trmino de la SC trat. 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

ecuacin: CM trat = SC trat / GL trat

Se calculan los cuadrados medios del error con la sisuiente frmula: CM

error = SC error / GL error

Se calcula el valor F con la siguiente ecuacin F = CM trat / CM error

Se busca en las tablas de la distribucin F el valor al 0.05% de significancia.

Los grados de libertad de los tratamientos sern los grados de libertad del
numerador y los grados de libertad del error sern los grados de libertad de
denominador.

Si la F calculada es mayor que la F de las tablas, se concluye que s hay

diferencia entre tratamientos, de lo contrario se concluye que no hay
diferencias entre tratamientos.

Si existe diferencia entre tratamientos al 95% de seguridad se puede probar

con una F del 99%
3.2.3. DCA con diferente nmero de observaciones por tratamiento y su
anlisis e interpretacin

3.3. Diseo de Bloques Completos al Azar (DBCA)

Conocido como diseo de doble va, se aplica cuando el material es heterogneo.

las unidades experimentales homogneas se agrupan formando grupos
homogneos llamados bloques.

Tratamientos A, B, C, D, 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 variacin para el anlisis estadstico son:

Fuentes Grados de libertad

Tratamiento (t-1) = 4

Bloques (r-1) = 3

Error (t-1)(r-1)=12

3.3.1. Caractersticas del DBCA

Caractersticas:

1. Las unidades experimentales son heterogneas.

2. Las unidades homogneas estn agrupadas formando los bloques.

3. En cada bloque se tiene un nmero de unidades igual al nmero de tratamientos

(bloques completos)

4. Los tratamientos estn distribuidos al azar en cada bloque.

5. El nmero de repeticiones es igual al nmero de bloques.

La principal caracterstica que distingue a este diseo es la presencia de bloques
o franjas de igual tamao, conteniendo a cada uno de los tratamientos que se
ensayan

La formacin de bloques reduce el error experimental eliminando la contribucin

de fuentes de variacin conocidas sobre las unidades experimentales.

Debido a que solo la variacin dentro de bloques resulta parte del error
experimental la conformacin de los bloques es ms efectiva cuando el rea
experimental tiene un gradiente de productividad predecible.

Esquema de aleatorizacin en donde cada tratamiento Ti ocurre una sola vez en

cada bloque

3.3.2. Anlisis del DBCA

Si las UE disponibles para realizar un experimento no son homogneas, se debe

reconocer el o los factores que las hacen heterogneas 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 variacin
sistemtica, que se reconocen en el momento de planificar el estudio, deben ser
contempladas en el diseo del experimento y en el anlisis de los datos para
disminuir la estimacin del cuadrado medio del error del ANAVA y
consecuentemente disminuir el CV e incrementar la potencia del contrate de
hiptesis sobre efectos de tratamiento.
Una forma tradicional de controlar la variacin del material experimental en
experiencias planificadas es formando grupos o bloques de UE homogneas. Los
bloques de UE se construyen de manera tal que las unidades experimentales
dentro de un bloque, varen menos entre s que las UE en distintos bloques. 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 homogneas, todos los tratamientos, de

ser posible, se comparan dentro de cada bloque. Si todos los tratamientos se
pueden disponen en cada bloque, es decir si el bloque tiene tantas UE como
tratamientos, se dice que el diseo es en bloques completos. Si adems la
asignacin de los tratamientos a las UE del bloque se hace al azar, entonces el
diseo se denomina Diseo en Bloques Completos al Azar (DBCA).

Anlisis de la varianza para un DBCA

El modelo de ANAVA para un diseo en bloques completamente aleatorizados, es:

donde: Yij es la respuesta del i-simo tratamiento en el j-simo bloque

es la media general

i es el efecto del i-simo tratamiento i = 1, ...,a

j es el efecto del j-simo bloque j = 1, ...,b

ij es el trmino de error aleatorio para la respuesta ij

Si se puede suponer que existe aditividad bloque-tratamiento que significa NO

interaccin entre los bloques y los tratamientos y que los ij son independientes e
idnticamente distribuidos N(0,2) se obtiene una prueba F para la hiptesis de
igualdad de medias de tratamientos como se hizo en el DCA.

Las principal hiptesis que se somete a prueba en un ANAVA para un DBCA, como
en el DCA a una va de clasificacin, est establecida sobre la medias de las
poblaciones relacionadas a cada tratamiento (i=+i con i=1, ... ,a):

H0 : 1= 2= , ... , =a

H1 : Al menos un par de medias poblacionales difiere

En el contexto del ANAVA, la suma de los desvos cuadrados de cada observacin

con respecto a la media general es particionada en tres sumas de cuadrados, una
indicadora de las diferencias entre tratamientos: Suma de Cuadrados de
Tratamientos (SCtratamiento), otra de la diferencia entre bloques: Suma de
Cuadrados de Bloques (SCbloque) y otra que expresa la variacin aleatoria de
unidades experimentales que recibieron el mismo tratamiento despus de
descontar las variaciones debidas a las diferencias entre bloques, 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, es decir si omitimos el efecto bloque en el modelo, la Suma de
Cuadrados de Bloques se adiciona a la Suma de Cuadrados del Error. As, el
cuadrado medio del error experimental aumenta y como consecuencia se pierde
eficiencia en la prueba de la hiptesis referida a las medias de tratamiento. Los
resultados del ANAVA de un DBCA tambin se presentan en una tabla igual al
DCA, excepto que debido al bloqueo de las UE habr una fila de la tabla indicando
la variabilidad de la respuesta entre bloques. La comparacin entre las medias de
bloques, en general, no es de inters:

1- porque por construccin se espera que sean diferentes

2- porque no se asocian con los tratamientos, sino que responden a un factor

de control

3- porque la aleatorizacin fue realizada solo dentro de los bloques. Tal

restriccin de aleatorizacin hace que el estadstico construido entre CMBloque y
CMError no siga una distribucin F terica. No obstante, este cociente suele ser
usado para realizar sugerencias sobre la conveniencia o no del bloqueo.

Como se present para el modelo de ANAVA correspondiente a un DCA, los

valores predichos por el modelo permiten calcular los residuos (observados menos
predichos) que se usarn para evaluar el cumplimiento de los supuestos que
sustentan al ANAVA. Si los supuestos no se cumplen habr que recurrir a otros
modelos que no incluyan esos supuestos.

Aparte de los supuestos que aprendimos a evaluar en el contexto de un DCA, en

el DBCA hay otro supuesto: la estructura de parcelas no debe interactuar con la
estructura de tratamientos, es decir el efecto de los bloques debe ser aditivo al de
los tratamientos. El supuesto de no interaccin bloque-tratamiento, implica decir
que si un tratamiento es mejor que otro, esta relacin entre ellos debe estar
presente en todos los bloques. De no ser as, sera engaoso hacer
recomendaciones acerca de los tratamientos en forma independiente a los
bloques. Podemos evaluar el supuesto de aditividad bloque-tratamiento usando
grficos de lneas (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. Si existe aditividad, las lneas dibujadas sern
aproximadamente paralelas, en caso contrario habr cruzamientos de las lneas
indicando la presencia de interaccin o falta de aditividad bloque-tratamiento.

3.3.3. DBCA con varias observaciones por unidad experimental

3.3.4. DBCA con desigual nmero de observaciones por unidad

experimental

3.4. Diseo de Cuadro Latino (DCL)

El agrupamiento de las unidades experimentales en dos direcciones (filas y

columnas) y la asignacin de los tratamientos al azar en las unidades, de tal forma
que en cada fila y en cada columna se encuentren todos los tratamientos constituye
un diseo cuadrado latino.
El Diseo de Cuadro Latino (DCL) es un diseo experimental que se emplea en la
investigacin agronmica, sobre todo en experimentos de campo en donde se tiene
un solo factor de estudio y se ensaya un nmero reducido de tratamientos.

3.4.1. Caractersticas del DCL

Caractersticas:

1. Las u.e. se distribuyen en grupos, bajo dos criterios de homogeneidad dentro de

la fila y dentro de la columna y heterogeneidad en otra forma.

2. En cada fila y en cada columna, el nmero de unidades es igual al nmero de

tratamientos.

3. Los tratamientos son asignados al azar en las unidades experimentales dentro

de cada fila y dentro de cada columna.

4. El nmero de filas = nmero de columnas = nmero de tratamientos.

5. Los anlisis estadsticos T-student, Duncan, Tuckey y en pruebas de contraste

se procede como el diseo completo al azar y el diseo de bloques. La desviacin
estndar de la diferencia de promedios y la desviacin estndar del promedio,
estn en funcin del cuadrado medio del error experimental.

El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field

Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones
fueron en el campo agronmico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones.

3.4.2. Anlisis de Varianza del DCL

Modelo estadstico

Cada observacin del experimento es expresada como una relacin lineal de los
efectos involucrados (tratamiento, fila y columna), as:

Yij(k)= +Fi+C j+ (k)+errorij(k) i,j,k=1,2,...,n

= efecto medio (parmetro del modelo)

Fi = efecto de la fila i

C j = efecto de la columna j

(k) = efecto del tratamiento k

errorij(k) = error experimental de la u.e. i,j

Yij(k) = Observacin en la unidad experimental

El subndice (k) indica que tratamiento k fue aplicado en la u.e.

El modelo est compuesto por n 2 ecuaciones, una para cada observacin.

Estimacin de parmetros

El nmero de parmetros a estimar es igual a 3n+1 y la estimacin puede

resolverse por mnimos cuadrados del error, mxima verosimilitud u otro mtodo,
en nuestro caso se utilizar el mtodo de mnimos cuadrados del error.

La funcin a minimizar es:

La solucin constituye el conjunto de estimadores de los parmetros del modelo,

dado por:

El sistema de ecuaciones que darn solucin constituyen las ecuaciones normales,

para tener una nica solucin, se agregan al sistema las siguientes restricciones:

La solucin son los estimadores mnimos cuadrticos:

y el error en cada u.e. es:

Sumas de cuadrados

A partir del modelo estimado, la suma de cuadrados del total es descompuesto en

suma de cuadrados de tratamientos, filas, columnas y error experimental:

Los dobles productos son iguales a cero.

UNIDAD 4

Experimentos Factoriales (EF)

4.1. Diferencia entre diseo, experimento y arreglo de tratamientos

Se llaman experimentos Factoriales a aquellos experimentos en los que se estudia
simultneamente dos o ms factores, y donde los tratamientos se forman por la
combinacin de los diferentes niveles de cada uno de los factores.

Los experimentos factoriales en si no constituyen un diseo experimental si no un

diseo de Tratamiento (un arreglo de tratamiento es una disposicin geomtrica de
ellos bien en el espacio o en el tiempo y que deben ser llevados en cualquiera de
los diseos experimentales clsicos tal como el Diseo Completo al Azar, el Diseo
en Bloques Completos al Azar, el Diseo en Cuadro Latino.

Los experimentos factoriales se emplean en todos los campos de la investigacin,

son muy tiles en investigaciones exploratorias en la que poco se sabe acerca de
muchos factores. Muy frecuentemente usados en investigaciones comparativas.

El trmino experimento factorial o arreglo factorial se refiere a la constitucin de

los tratamientos que se quieren comparar.

Diseo de tratamientos es la seleccin de los factores a estudiar, sus niveles y la

combinacin de ellos.

El diseo de tratamientos es independiente del diseo experimental que indica la

manera en que los tratamientos se aleatoria a las diferentes u. E. y las formas de
controlar la variabilidad natural de las mismas.

4.2. Caractersticas de los EF

En un diseo experimental factorial:

Existe ms de una variable independiente

Se crean varias unidades de observacin en funcin de ellas
La variable dependiente puede ser una o ms
Se contrastan los efectos que producen cada una de las VVII sobre la VD y
tambin puede estudiarse el efecto de interaccin
Dentro de los efectos que podemos estudiar en el diseo factorial podemos
mencionar los siguientes:
 4.3. Ventajas y desventajas de los EF

Ventajas:

1.- Permiten estudiar los efectos principales, efectos de interaccin de

factores, efectos simples y efectos cruzados y anidados.

2.- Todas las unidades experimentales intervienen en la determinacin de los

efectos principales y de los efectos de interaccin de los factores, por lo que el
nmero de repeticiones es elevado para estos casos.

3.- El nmero de grados de libertad para el error experimental es alto,

comparndolo con los grados de libertad de los experimentos simples de los
mismos factores, lo que contribuye a disminuir la varianza del error experimental,
aumentando por este motivo la precisin del experimento.

Desventajas:

1.- Se requiere un mayor nmero de unidades experimentales que los

experimentos simples y por lo tanto se tendr un mayor costo y trabajo en la
ejecucin del experimento.
 2.- Como en los experimentos factoriales cada uno de los niveles de un factor se
combinan con los niveles de los otros factores; a fin de que exista un balance en el
anlisis estadstico se tendr que algunas de las combinaciones no tiene inters
prctico pero deben incluirse para mantener el balance.

3.- El anlisis estadstico es ms complicado que en los experimentos simples y

la interpretacin de los resultados se hace ms difcil a medida de que aumenta el
nmero de factores y niveles por factor en el experimento.

4.4. Ejecucin de los factores

4.5. Anlisis de Varianza de los EF

Modelo estadstico: Las observaciones pueden describirse mediante un modelo

estadstico lineal.

Los supuestos sobre la componente aleatoria son: los errores son

independientes e idnticamente distribuidos: . Esta simbologa indica

que la distribucin debeser normal con media cero y variancia comn.

38
 Ambos factores son fijos y los efectos de los tratamientos se definen como
desviaciones de la media general y deben cumplir la restriccin:

Se supone que los efectos de la interaccin son fijos y se definen como:

Hay un total de abn observaciones: porque los tratamientos son ab y se realizan

n rplicas.
Tanto el factor A como el factor B tienen el mismo inters. La finalidad consiste en
probar hiptesis de mismo efecto de tratamientos en rengln

Y de la igualdad de los tratamientos de columna

Tambin 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 diseo factorial, cada repeticin del experimento
contiene todas las combinaciones ab (es decir hay a x b tratamientos) con n
rplicas en cada uno de los tratamientos.

39
4.6. Interpretacin de los EF

4.7. Clasificacin de los EF (2n, 3n pn)

Criterios de clasificacin
A) Cantidad de niveles
B) Cantidad de combinaciones
C) Tipo de control
A) Segn la cantidad de niveles o valores por factor, el diseo factorial se
clasifica en: Cantidad constante y Cantidad variable

La notacin del diseo es ms sencilla cuando la cantidad de niveles por factor es igual
(es decir, constante). As, el diseo factorial de dos factores a dos niveles se representa
por 2, el de tres factores por 23, etc. En trminos generales, los diseos a dos niveles
y con k factores se representan por 2k; a tres niveles, por 3k; a cuatro niveles por 4k,
etc.

Cuando los factores actan a ms de dos niveles (es decir, cuando la cantidad de
valores por factor es variable), el diseo se representa por 2 x 3, 2 x 3 x 4, etc. A su
vez, cabe considerar la posibilidad que, tanto en un caso como en otro, el diseo sea
balanceado (proporcionado) o no balanceado (no proporcionado); es decir, diseos
con igual cantidad de sujetos por casilla y diseos con desigual cantidad de sujetos
por casilla.

B) El segundo criterio hace hincapi en la cantidad de combinaciones de

tratamiento realizadas o ejecutadas. Con base a este criterio, el diseo
factorial se clasifican en: Diseo factorial completo y Diseo factorial
incompleto y fraccionado.

Si el diseo factorial es completo, se realizan todas las posibles combinaciones entre

los valores de las variables. As, cada combinacin de tratamientos determina un grupo
experimental (grupo de tratamiento o casilla). Por ejemplo, el diseo factorial completo
2x2 determina cuatro grupos de tratamiento; un diseo 3x3 nueve grupos, etc.

40
Asumiendo que slo se ejecute una parte del total de las combinaciones, el diseo
factorial es incompleto o fraccionado, segn el procedimiento seguido.

C) En funcin del control de variables extraas.

Diseo factorial completamente al azar

Diseo factorial de bloquesaleatorizados

Diseo factorial de Cuadrado Latino

Diseo factorial jerrquico o anidado

Diseo factorial de medidas repetidas

Segn el control de los factores extraos y la reduccin de la variancia del error, el

diseo factorial puede ser, en primer lugar, completamente al azar; es decir, aquel
formato donde slo se aplica el azar como tcnica de control y donde los grupos se
forman mediante la asignacin aleatoria de los sujetos.

En segundo lugar, el diseo factorial de bloques aleatorizados permite el control de

una variable extraa. Segn esa estrategia, cada bloque es un rplica completa del
experimento, y los grupos intra bloque (dentro de cada bloque) se forman al azar.

Siguiendo con el criterio de bloques, el diseo factorial de Cuadrado Latino o de doble

sistema de bloques controla dos fuentes de variacin extraas, aunque slo se realiza
una parte del total de combinaciones.

El diseo factorial jerrquico o anidado requiere la manipulacin experimental de la

variable y, al mismo tiempo, la anidacin (o inclusin) de una variable dentro de las
combinaciones de tratamientos de los factores.

Por ltimo, el diseo factorial de medidas repetidas incorpora la tcnica intra-sujeto; es

decir, el sujeto acta de control propio y recibe todas las combinaciones de tratamiento
generados por la estructura factorial.

41
 4.8. Confusin de efectos

Esta fenomeno es utilizado por la estadistica, para trata de confundir efectos tal como
las interacciones y lograr aplicar en un numero menor de unidades experimentales, las
interacciones conforman el error experimental. Sin embargo tiene un riesgo si las
interacciones existen, esto incrementara considerablemente el error. Se sugiere utilizar
en interacciones de segundo orden (tres factores)

Desventajas.

1. Los contrastes confundidos son repetidos menos veces que los contrastes en
estudio.

2. Los procedimientos de calculo son por lo general mas dificultoso.

3. Hay considerable dificultad en determinar los tratamientos que formaran los bloques
incompletos.

Ventajas.

1. El error se ve disminuido por tener menos unidades por bloque y podria asegurar
una homogeneidad.

2. Algunas interacciones de orden superior no son importantes analizar o no tienen

sentido analizar. Con el confundido se evita estos anlisis

Suponga que el factorial 2x2x2 se planea en 4 bloques, esto obligara disponer de 32

unidades experimentales.

Si se examina los efectos del factorial 2x2x2 para ser evaluado por contrastes, se
obtiene:

42
Esto significa, para confundir el efecto de la interaccin ABC, se puede formar
semibloques, de tal forma que se contraste tal efecto; asi:

En cada bloque se aleatoriza. El investigado puede confundir las interacciones de

menos inters. Si en un experimento se confunde un solo tipo de efecto se dice que es
una confusin completa; por el contrario, si se confunde ms de una interaccin se
indica que la confusin es parcial. No existe restriccin en esgoger las interacciones
que se desea confundir.

4.9. EF incompletos

Cuando crece m , el nmero de factores, aparecen tantas combinaciones en los

ensayos factoriales (y ms an en los rotables), que es prudente reducir la labor
experimental. En lugar de ejecutar el ensayo completo con un nmero muy alto de
tentativas, se recurre a los diseos factoriales fraccionales o incompletos, donde, en
lugar de analizar la totalidad de las posibilidades, se considera una fraccin bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones posibles y si
la tarea se redujese a una fraccin de un tercio, bastaran 81 ensayos. Si fuese 1/9,
tendramos 27. La ventaja de este enfoque es que reduciendo mucho el esfuerzo, no
se pierde un panorama muy amplio y ambicioso de las relaciones entre causas y
efectos en sistemas multivariables. El estudio de una fraccin no le quita validez al
anlisis final.

43
En ocasiones es necesario bloquizar unidades experimentales en grupos ms
pequeos que una rplica completa de todos los tratamientos que se usaran con
bloques completos aleatorizado o un diseo de cuadrado latino. El diseo de
bloques incompletos se usa para disminuir la varianza de error experimental y
proporcionar comparaciones ms precisas entre tratamientos de lo que es
posible con el diseo de bloques completos. En este trabajo se presenta una
descripcin general de algunos grupos importantes de diseo de bloques
incompletos, se muestran el mtodo de aleatorizacin y los mtodos bsicos de
anlisis para diseo de bloques incompletos balanceados (BIB) y bloques
incompletos parcialmente balanceados (BIPB), tomando en cuenta tambin la
eficiencia de los diseos.

Bloques incompletos de tratamientos para reducir el tamao de los

bloques

Por alguna razn los experimentos pueden requerir una reduccin del tamao de
bloque. Los diseos de bloques completos pueden reducir las varianzas del error
experimental estimadas, pero esta reduccin puede ser insuficiente, pues el
nmero de tratamientos pueden ser tan grandes que resultan imprcticos para
reducirla. Adems, con el agrupamiento natural de las unidades experimentales
en bloques quiz no se obtengan las unidades por bloques necesarias para el
nmero de tratamientos de un diseo de bloques completos. En el siguiente
ejemplo, el nmero limitado de cmaras de control ambiental evita la ejecucin
de una rplica completa de todos los tratamientos en una corrida de cmaras
disponibles.

44
 UNIDAD 5

Arreglos para Experimentos Factoriales

5.1 Arreglo en Parcelas Divididas (DPD)

El diseo de parcelas divididas (split-plot) tiene su origen en aplicaciones en

Agricultura, donde las parcelas grandes generalmente eran grandes reas y las
parcelas pequeas reas pequeas dentro de las grandes, y a cada una de los dos
tamaos de parcela le corresponden un tratamiento. Por ejemplo, ciertas variedades
de cultivo se podan sembrar en reas diferentes (parcelas grandes), una variedad
en cada parcela. Luego cada rea se divide en k parcelas pequeas y cada una de
estas puede ser tratada con un tipo de fertilizante diferente.
En general, el diseo de parcelas divididas se utiliza cuando algunos factores
requieren u.e. grandes, mientras que otros factores las requieren ms pequeas.
Alternativamente, algunas veces encontramos que la aleatorizacin completa no es
factible porque es ms difcil cambiar los niveles de algunos factores, por lo que los
factores difciles van a las parcelas grandes, mientras que los fciles van a las
pequeas. Ejemplo de hornos y recetas de pastel

La clave para construir los modelos de los diseos de parcelas divididas es

identificar los diferentes tamaos de las unidades experimentales e identificar sus
correspondientes estructuras de diseo y de tratamientos. Las suposiciones de los
modelos de parcelas divididas son las usuales, en el sentido de que los trminos de
error para cada una de los tamaos de que se distribuyen independientemente
como normales con media cero y una varianza propia

5.1.1 Caractersticas del DPD

El diseo de parcelas divididas es un tipo especial de diseo de bloques completos

que suele utilizarse en experimentos factoriales. Se aplican niveles de uno o ms
factores a las parcelas completas que se dividen en sub-parcelas, a las cuales se
aplican los niveles de uno o ms factores adicionales. El diseo bsico involucra la

45
asignacin de tratamientos de un factor a parcelas principales en un diseo
completamente aleatorio, de bloque completos al azar o de cuadro latino. Los
tratamientos de segundo factor se asignan a sub-parcelas dentro de cada parcela
principal.
La variedad del cultivo es el tratamiento de la parcela grande y el fertilizante el de la
parcela pequea

5.1.2 Anlisis de Varianza del DPD

El anlisis de la varianza (o Anova: Analysis of variance) es un mtodo para

comparar dos o ms medias, que es necesario porque cuando se quiere comparar
ms de dos medias es incorrecto utilizar repetidamente el contraste basado en la t
de Student. por dos motivos:

En primer lugar, y como se realizaran simultnea e independientemente varios

contrastes de hiptesis, la probabilidad de encontrar alguno significativo por azar
aumentara. En cada contraste se rechaza la H0 si la t supera el nivel crtico, para lo
que, en la hiptesis nula, hay una probabilidad a. Si se realizan m contrastes
independientes, la probabilidad de que, en la hiptesis nula, ningn estadstico
supere el valor crtico es (1 - a)m, por lo tanto, la probabilidad de que alguno lo supere
es 1 - (1 - a)m, que para valores de a prximos a 0 es aproximadamente igual a a m.
Una primera solucin, denominada mtodo de Bonferroni, consiste en bajar el valor
de a, usando en su lugar a/m, aunque resulta un mtodo muy conservador.

Por otro lado, en cada comparacin la hiptesis nula es que las dos muestras
provienen de la misma poblacin, por lo tanto, cuando se hayan realizado todas las
comparaciones, la hiptesis nula es que todas las muestras provienen de la misma
poblacin y, sin embargo, para cada comparacin, la estimacin de la varianza
necesaria para el contraste es distinta, pues se ha hecho en base a muestras
distintas.

46
El mtodo que resuelve ambos problemas es el anova, aunque es algo ms que
esto: es un mtodo que permite comparar varias medias en diversas situaciones;
muy ligado, por tanto, al diseo de experimentos y, de alguna manera, es la base
del anlisis multivariante.

5.1.3 DPD Completamente al Azar (CA)

Este diseo es el ms sencillo, eficiente y se origina por la asignacin aleatoria de

los tratamientos a un conjunto de unidades experimentales previamente
determinado. En este diseo usamos k tratamientos, asignndose cada uno al azar
a n unidades experimentales; para cada unidad seleccionamos al azar un nmero
de 1 a k para decidir que tratamiento debemos aplicar a esa unidad experimental.
Si no existen restricciones, con excepcin del requerimiento de igual nmero de
unidades experimentales por tratamiento, entonces se dice que el experimento tiene
un diseo completamente aleatorio. En este caso, todas las unidades
experimentales tienen la misma probabilidad de recibir cualquiera de los
tratamientos y las unidades experimentales son independientes (Anexo A).
Despus que se ha efectuado el experimento, tenemos un grupo de datos
consistente en las kn respuestas de las unidades experimentales, clasificadas en k
grupos de acuerdo con los tratamientos que se aplicaron.

Ventajas del diseo

1.Permite flexibilidad completa (cualquier nmero de tratamientos y de

repeticiones). Todo el material experimental disponible puede usarse.

2.El anlisis estadstico es fcil (an con diferentes nmeros de repeticiones), o si

los errores experimentales difieren de un tratamiento a otro.

47
3.Mtodo de anlisis an sigue siendo sencillo,cuando existe la perdida relativa de
informacin.

4.El diseo es capaz de estimar el error estndar por unidad experimental (error
experimental) con un mayor grado de precisin.

Desventajas del diseo completamente al azar

1) Es apropiado para un nmero pequeo de tratamientos.

2) Es apropiado slo en caso de disponer de material experimental homogneo.
3) En comparacin con otros dispositivos experimentales donde se pueda ejercer
control local es menos sensible y tiene un poder analtico dbil.

5.1.4 DPD en Bloques al Azar (BCA)

El diseo en bloques completos al azar toma en cuenta los tres principios

bsicos de la experimentacin: repeticin, aleatorizacin y control local. En

48
este diseo las unidades experimentales se distribuyen en grupos
homogneos. Cada uno de esos grupos es llamado: bloque. El nmero de
unidades experimentales dentro de cada bloque es igual al nmero de
tratamientos incluidos en el experimento. Un caso particular de diseo de
bloques es el que aparece relacionado con la prueba de t para muestras
pareadas, aunque el nmero de tratamientos es solo dos.
Los tratamientos son distribuidos en las unidades experimentales dentro
de cada bloque aleatoriamente, as, cada bloque ira construir una
repeticin. Este tipo de experimento es seleccionado cuando se tienen
dudas acerca de la homogeneidad del ambiente o cuando, por experiencia,
se sabe de su heterogeneidad.

Este diseo es conveniente cuando se logra determinar una gradiente de

variabilidad en un sentido, que este influyendo sobre los tratamientos, por
ejemplo: grado de inclinacin del terreno donde se realizara el
experimento, direccin del viento, gradiente de temperatura, etc. Los
bloques se construyen perpendiculares a la direccin de la gradiente de
variabilidad.

49
50
5.1.5 DPD en Cuadro Latino (CL)

Este diseo tambin es conocido como diseo con un factor y dos restricciones en
la aleatorizacin. De esta forma se tiene que el control local, representado por los
bloques, es organizado de dos maneras diferentes, siendo uno organizado en el
sentido de las filas (0 hileras) y otro organizado en el sentido de columnas.

En los experimentos que se realizan en el campo este diseo es utilizado cuando

existe necesidad de eliminar la heterogeneidad del suelo en dos direcciones
perpendiculares, esto es, las filas en una direccin y las columnas en otra direccin.

Estos diseos clsicos son una extensin lgica y natural del diseo en bloques
completos al azar y poseen una serie de caractersticas muy similares, por tanto, se
explicarn en conjunto.

Estos planes experimentales tienen como propsito el control de la variacin del

material experimental. A medida que ste se hace ms heterogneo es preciso
controlar la variacin bloqueando por cada caracterstica que vare.

As, el diseo de cuadrado latino (o doble bloqueo) se trata, como su nombre lo

indica, de controlar dos fuentes de variacin existentes, reconocidas por el
investigador, entre las unidades experimentales. El investigador al controlar estas
dos fuentes logra reducir la varianza del error posibilitando la expresin de la
diferencia entre los tratamientos, si es que existe.
Los diseos de cuadrado latinos en general presentan la dificultad de poseer muy
pocos grados de libertad para estimar el error experimental. Esto ha obligado a los
investigadores a utilizar como estrategia la combinacin de una serie de cuadrados
latinos del mismo orden en un mismo experimento. Cada aplicacin (cada cuadrado)
constituye una rplica, esta estrategia es til para aumentar los grados de libertad
del error a este diseo se le conoce como: Diseo de Cuadrado Latino replicado.

51
.

5.2 Diseo en Franjas Divididas

Los experimentos en parcelas divididas (Split-plot) son frecuentemente

utilizados en la experimentacin agronmica cuando, en un experimento
de tipo factorial, el material experimental o la propia conduccin del
experimento no permite una completa aleatorizacin de todas las
combinaciones de los niveles de los factores.

52
Una variacin de los experimentos en parcelas divididas es caracterizada
cuando, por diversas razones, aunque se estructuren las parcelas
pequeas, no hay posibilidad de una aleatorizacin total de estas parcelas.
En este caso, las parcelas relativas a cada factor se posicionan en franjas
(fajas o Split-block), tanto en filas como en las columnas.

Hiptesis

Esquema de anlisis de varianza

53
5.3 Arreglo en Parcelas Subdivididas (DPSD)

En algunas situaciones prcticas, las condiciones experimentales hacen necesario

subdividir cada parcela pequea en diversos niveles de un tercer factor,
caracterizndose as, las subparcelas. En este caso, el ensayo es denominado
experimento en parcelas subdivididas o Split-split-plot. Entonces, en este tipo de
experimentos podemos estudiar, simultneamente, los efectos de tres factores,
siendo los tratamientos principales asignados al azar en las parcelas grandes
(completamente al azar, en bloques al azar, etc.), los subtratamientos aleatorizados
en las parcelas medianas y los subtratamientos aleatorizados en las parcelas
pequeas de cada parcela mediana

Modelo estadistico mtematico

54
5.3.1 Caractersticas del DPSD

Como podr notar, el experimento en parcelas subdivididas implica tres instancias

de aleatorizacin, por lo tanto, para el anlisis se debern tener en cuenta tres
errores diferentes: uno para la parcela principal (PP), uno para la subparcela (SP) y
otro para las subparcelas. En SAS solo se deben declarar los errores
correspondientes a la PP y a la SP, ya que el tercero de los errores queda declarado
por defecto. El error para la parcela principal es la interaccin entre bloque y el factor
que fue asignado en la PP, en este ejemplo, los distanciamientos. El error para la
SP est dado por la interaccin entre el bloque y el factor que est en la subparcela,
en este ejemplo bloque x frecuencias de riego dentro de distanciamiento.

5.3.2 Anlisis de Varianza del DPSD (CA, BCA, CL)

El cuadro de anlisis de varianza (anova) es un arreglo dado por las fuentes de

variacin, seguido de los grados de libertad, de las sumas de cuadrados, de los
cuadrados medios de cada componente, as como del valor F y su probabilidad de
significacin (valor P).

55
ANALISIS DE VARIANZA (CA)

ANALISIS DE VARIANZA (BCA)

56
57
ANLISIS DE VARIANZA (CL)

5.4 Diseo en Franjas Subdivididas

De acuerdo con Gomes, FP (2000) el anlisis delos experimentos en franjas son

ms complejos, en comparacin con los dispuestos en un arreglo en parcelas
divididas; y dan menor precisin a las comparaciones entre los niveles del factor
que se ubica en la parcela pequea. Por ello, los experimentos en franjas deben ser
evitados, siempre que sea posible. Sin embargo, existen varias situaciones en que
razones de orden prctica nos llevan a adoptarlos. Dentro de estas situaciones, se
puede citar: experimentos con pocas de cosecha (cuando la cosecha es
mecanizada), tipos de preparacin del suelo, aplicacin mecanizada de fertilizantes,
aplicacin de correcciones al suelo, aplicacin de madurantes en caa de azcar,
en evaluaciones de distanciamientos de siembra, etc.

58
 Unidad 6
Pruebas de separacin de medias

6.1 El anlisis funcional de varianza o pruebas de F planeadas

El anlisis de Varianza contrasta la hiptesis de igualdad de las Medias de ms de

dos grupos, y tiene su fundamento en la relacin entre la variacin explicada por las
diferencias entre grupos y la variacin individual.

La Hiptesis Nula es:

El estadstico de contraste es:

donde MCE y MCI son las Medias Cuadrticas "entre" e "intra" respectivamente.

El fundamento del estadstico de contraste es:

a) El efecto del tratamiento en cada grupo es medido por la Media de las medidas
de depresin de cada grupo.

b) Si todos los tratamientos tuvieran el mismo efecto, esperaramos que las

Medias de los grupos fueran semejantes:

59
En cambio, cuanto ms diferentes sean los efectos de los tratamientos, ms
diferentes esperamos que sean las Medias.

c) La Media Cuadrtica "entre" mide la variacin explicada por las diferencias entre
las Medias de los grupos ms la variacin explicada por diferencias individuales:

donde

si las Medias fueran semejantes, la Media Cuadrtica "entre" sera igual a 0 (porque
la Media de cada grupo sera igual a la Media total). Si las Medias fueran diferentes,
la Media Cuadrtica "entre" ser mayor cuanto ms y mayores sean las diferencias.

d) La variacin individual es medida por la Media Cuadrtica "intra":

donde

glI: grados de libertad "intra"= J(n-1).

La Media Cuadrtica "intra" mide la variacin explicada por diferencias individuales

porque solo depende de las diferencias dentro de cada grupo. En cambio, las
diferencias entre grupos no explican la variacin "intra".

60
e) El estadstico F pone en relacin la variacin "entre" respeto de la variacin
"intra":

cuanto mayor es la variacin "entre" en relacin a la variacin "intra", mayor es el

valor de F.

f) Para generalizar a la poblacin se opera con los valores esperados de la Medias

Cuadrticas:

el valor esperado de la Media Cuadrtica "entre" es igual a la Varianza explicada

(ocasionada) por las diferencias individuales ms una cantidad cuyo valor
depende de las diferencias entre los tratamientos (entre las muestras).

El valor esperado de la Media Cuadrtica "intra" es igual a la Varianza explicada

por diferencias individuales.

g) Si la Hiptesis Nula fuera verdadera, es decir, si NO hubiera diferencias entre

las Medias poblacionales, el valor del trmino de la derecha en la expresin del
valor esperado de la Media Cuadrtica "entre", que es:

61
tomara el valor 0 (porque las diferencias dentro del parntesis siempre seran 0).

En consecuencia, el estadstico F sera una razn de dos estimadores de la misma

Varianza y seguira la distribucin F con J-1 y J(n-1) grados de libertad.

h) Si la Hiptesis Nula fuera falsa, es a decir, si hubiera diferencias entre las

Medias poblacionales, la expresin

tomara un valor superior a 0. En consecuencia, el estadstico F NO sera una

razn de dos estimadores de la misma Varianza y el cociente F NO seguira la
distribucin FJ-1,J(n-1).

i) En conclusin, si el estadstico F sigue la distribucin FJ-1,J(n-1) pensaremos que

no hay evidencia suficiente por rechazar la Hiptesis Nula. En cambio, si el
estadstico F NO sigue la distribucin FJ-1,J(n-1), pensaremos que es ms razonable
rechazar la Hiptesis Nula.

62
6.2 Pruebas mltiples de separacin de medias

6.2.1 Diferencia Mnima Significativa (DMS)

El mtodo 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,
mientras se controla la tasa de error individual en funcin de un nivel de significancia
que especifique. El mtodo LSD de Fisher, entonces, utiliza la tasa de error
individual y el nmero de comparaciones para calcular el nivel de confianza
simultneo para todos los niveles de confianza. Este nivel de confianza simultneo
es la probabilidad de que todos los intervalos de confianza contengan la diferencia
verdadera. Es importante considerar la tasa de error por familia al realizar mltiples
comparaciones, porque las posibilidades de cometer un error de tipo I para una serie
de comparaciones son mayores que el nivel de significancia para cualquier
comparacin individual

63
6.2.2 Prueba del Rango Mltiple de Significacin de Duncan (RMD)
Un procedimiento usado ampliamente para comparar todas las parejas de medias
es el de la prueba de intervalos mltiples desarrollada por Duncan (1955). La
aplicacin de esta prueba es ms laboriosa que la prueba de Tukey, pero se llega
a resultados ms detallados y se discrimina con mayor facilidad entre los
tratamientos, o sea que, la prueba de Duncan indica resultados significativos en
casos en que la prueba de Tukey no permite obtener significancia estadstica. Tal
como la prueba de Tukey, la de Duncan exige, para ser exacto, que todos los
tratamientos tengan el mismo nmero de repeticiones.

6.2.3 Prueba Mltiple de Significacin de Tukey (DSH)

6.3 Comparaciones de clase o contrastes ortogonales

64
6.4 Comparaciones o superficies de tendencia

Este mtodo es muy til para establecer las tendencias generales de datos, pero el
potencial que tiene para predecir variaciones locales es muy pobre, as como tambin es
muy sensible a los valores atpicos, es decir, valores que se van de la moda (entendiendo
moda en su acepcin estadstica). As pues, por si solo no ayuda a comprender procesos
espaciales. No obstante, este es el mtodo de interpolacin global ms utilizado en
arqueologa.

65