Manual Diseño Experimental Infostat

2015
Manual de Diseo Experimental Infostat
Johanna Mantilla L.
I Programa de Maestra en Suelos y
Nutricin Vegetal
01/01/2015
Manual de Diseo Experimental

Infostat
UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS AGRCOLAS
INSTITUTO SUPERIOR DE POSGRADO
I PROGRAMA DE MAESTRA EN SUELOS Y NUTRICIN VEGETAL
Manual de Diseo
Experimental Infostat
Aplicado a experimentos en suelos y nutricin de

plantas
Johanna Mantilla L.
01/01/2015
MDULO DE DISEO EXPERIMENTAL - PHD. EDISON SILVA

QUITO - ECUADOR
Diseo Experimental Johanna Mantilla Enero 2015

Infostat
Contenido
INTRODUCCIN ________________________________________________________________ 4
1. DISEO EXPERIMENTAL _______________________________________________________ 5
1.1.
MTODO CIENTFICO ____________________________________________________ 5
1.2.
Experimento_____________________________________________________________ 5
1.3.
Caractersticas de un experimento bien planeado __________________________________ 6
1.4.
Procedimientos para la experimentacin ________________________________________ 6
1.4.1.
Definicin del problema_________________________________________________ 7
1.4.2.
Revisin de bibliografa _________________________________________________ 7
1.4.3.
Diseo o planteamiento del experimento ____________________________________ 7
1.4.4.
Anlisis de los datos e interpretacin de los resultados __________________________ 7
1.4.5.
Elaboracin del informe de la experimentacin ________________________________ 7
1.5.
Definiciones generales ______________________________________________________ 8
1.5.1.
Experimento_________________________________________________________ 8
1.5.2.
Factor _____________________________________________________________ 8
1.5.3.
Niveles de un factor ___________________________________________________ 8
1.5.4.
Tratamiento _________________________________________________________ 8
1.5.5.
Unidad experimental ___________________________________________________ 9
1.5.6.
Variable ____________________________________________________________ 9
1.5.7.
Repeticiones _________________________________________________________ 9
1.5.8.
Muestra ____________________________________________________________ 9
1.5.9.
Muestra aleatoria _____________________________________________________ 9
1.5.10.
Testigo _____________________________________________________________ 9
1.5.11.
Efecto______________________________________________________________ 9
1.5.12.
Error Experimental ___________________________________________________ 10
1.6.
Principios bsicos del Diseo experimental ______________________________________ 10
1.7.
Prueba de hiptesis _______________________________________________________ 10
1.7.1.
Hiptesis Nula ______________________________________________________ 11
1.7.2.
Hiptesis Alternativa __________________________________________________ 11
1.7.3.
Error tipo I _________________________________________________________ 11
1.7.4.
Error tipo II ________________________________________________________ 11
1.7.5.
Nivel de Significancia __________________________________________________ 11
2. ANLISIS DE VARIANZA ______________________________________________________ 13
2.1.
Estructura general ________________________________________________________ 13
2.2.
Procedimiento de anlisis __________________________________________________ 13
3. DISEO COMPLETAMENTE AL AZAR DCA _______________________________________ 14
3.1.
Modelo matemtico. ______________________________________________________ 14
3.2.
Ventajas _______________________________________________________________ 14
3.3.
Desventajas ____________________________________________________________ 15
3.4.
Procedimiento de anlisis __________________________________________________ 15
3.4.1.
Hiptesis a probar ___________________________________________________ 15
3.4.2.
Esquema de Datos ___________________________________________________ 15
3.4.3.
Supuestos __________________________________________________________ 16
3.4.4.
Fuentes de variacin y grados de libertad. ___________________________________ 16
3.5.
Anlisis de Varianza para un Diseo Completamente al Azar._________________________ 16
3.5.1.
Regla de Decisin ____________________________________________________ 16
3.5.2.
Coeficiente de Variacin _______________________________________________ 16
3.6.
Ejercicio de aplicacin _____________________________________________________ 17
3.6.1.
Anlisis mediante el uso de Excel _________________________________________ 17
3.6.2.
Anlisis mediante Infostat ______________________________________________ 19
4. DISEO DE BLOQUES COMPLETOS AL AZAR _____________________________________ 24
4.1.
Modelo matemtico ______________________________________________________ 25

Infostat
4.2.
Ventajas _______________________________________________________________
4.3.
Desventajas: ____________________________________________________________
4.4.
Procedimiento de anlisis __________________________________________________
4.4.1.
Criterios de bloqueo __________________________________________________
4.4.2.
Hiptesis a probar ___________________________________________________
4.4.3.
Aleatorizacin_______________________________________________________
4.5.
Anlisis de varianza del Diseo en Bloques Completamente al Azar (DBCA) _____________
4.5.1.
Reglas de decisin ____________________________________________________
4.6.
Ejercicio de Aplicacin ____________________________________________________
4.6.1.
Anlisis mediante el uso de Excel _________________________________________
4.6.2.
Anlisis de datos en el Infostat ___________________________________________
5. DISEO CUADRADO LATINO _________________________________________________
5.1.
Modelo matemtico ______________________________________________________
5.2.
Ventajas _______________________________________________________________
5.3.
Desventajas ____________________________________________________________
5.4.
Procedimiento de anlisis __________________________________________________
5.4.1.
Criterios de Bloqueo__________________________________________________
5.4.2.
Supuestos __________________________________________________________
5.4.3.
Hiptesis __________________________________________________________
5.5.
Anlisis de varianza para el Diseo Cuadrado Latino _______________________________
5.5.1.
Regla de decisin: ____________________________________________________
5.6.
Ejercicio de aplicacin _____________________________________________________
5.6.1.
6. DISEO FACTORIAL A X B COMPLETAMENTE AL AZAR ____________________________
6.1.
Notacin ______________________________________________________________
6.2.
Ventajas y Desventajas ____________________________________________________
6.3.
Interacciones ___________________________________________________________
6.4.
Diseo factorial A x B completamente al azar. ___________________________________
6.4.1.
Modelo matemtico. __________________________________________________
6.4.2.
Anlisis de varianza Diseo Factorial Completamente al azar A x B ________________
6.5.
6.5.1.
7. DISEO EN PARCELA DIVIDIDA________________________________________________
7.1.
Grado de Precisin _______________________________________________________
7.2.
Tamao relativo de los efectos principales ______________________________________
7.3.
Prcticas de manejo_______________________________________________________
7.4.
Sorteo y Diseo _________________________________________________________
7.5.
7.6.
Anlisis de varianza diseo Parcela Dividida _____________________________________
7.6.1.
Hiptesis a probar ___________________________________________________
7.7.
7.7.1.
8. DISEO FACTORIAL A X B X C________________________________________________
8.1.
8.2.
Anlisis de varianza Diseo factorial A x B x C ___________________________________
8.3.
8.3.1.
9. DISEO EN PARCELAS SUBDIVIDIDAS ___________________________________________
9.1.
9.2.
Anlisis de varianza Diseo en parcelas subdivididas _______________________________
9.3.
9.3.1.
10.
DISEO EN BLOQUES COMPLETOS AL AZAR CON MUESTRAS REPETIDAS EN EL TIEMPO
10.1.
Ventajas _____________________________________________________________
10.2.
Desventajas __________________________________________________________
10.3.
Anlisis de varianza Diseo Bloques Completos al azar con muestras repetidas en el tiempo
25
25
25
25
26
26
26
26
26
27
29
36
36
36
36
37
37
37
37
37
38
38
38
46
46
46
47
48
48
48
48
49
57
57
57
58
58
59
59
60
60
61
71
71
72
72
72
81
81
82
82
83
92
92
92
93

Infostat
10.4.
Ejercicio de aplicacin ___________________________________________________ 93
10.4.1.
Anlisis de datos en el Infostat ___________________________________________ 94
11.
RESUMEN DE ESPECIFICACIONES MODELO DE DISEO EXPERIMENTAL _____________ 105
11.1.
Diseo Completamente al azar ___________________________________________ 105
11.2.
Diseo Bloques Completos al Azar ________________________________________ 105
11.3.
Diseo Cuadrado Latino ________________________________________________ 106
11.4.
Diseo Factorial A X B _________________________________________________ 106
11.5.
Diseo Factorial Parcela Dividida __________________________________________ 107
11.6.
Diseo Factorial A x B x C ______________________________________________ 107
11.7.
Diseo en Parcelas Subdivididas ___________________________________________ 108
11.8.
Diseo en Bloques Completos al Azar con muestras repetidas en el tiempo ___________ 109
BIBLIOGRAFA_________________________________________________________________ 110

Infostat
INTRODUCCIN
El diseo experimental es una tcnica estadstica que permite
identificar y cuantificar las causas de un efecto dentro de un
estudio experimental. En un diseo experimental se manipulan
deliberadamente una o ms variables, vinculadas a las causas,
para medir el efecto que tienen en otra variable de inters. El
diseo experimental prescribe una serie de pautas relativas qu
variables hay que manipular, de qu manera, cuntas veces hay
que repetir el experimento y en qu orden para poder
establecer con un grado de confianza predefinido la necesidad
de una presunta relacin de causa-efecto.
El diseo experimental encuentra aplicaciones en la industria, la
agricultura, la mercadotecnia, la medicina, la ecologa, las
ciencias de la conducta, etc. constituyendo una fase esencial en
el desarrollo de un estudio experimental.
Entre los programas estadsticos ms conocidos en nuestro
medio se pueden mencionar al MSTAT, INFOSTAT, MINITAB,
SPSS, y SAS, entre otros.
En la maestra de Suelos y Nutricin Vegetal se ha utilizado
EXCELL (de Office) e INFOSTAT para resolver la mayora de
ejercicios vinculados a la agropecuaria, suelos y la nutricin de
plantas, por ser stos los ms asequibles de obtenerlos y de
fcil manejo
Bajo este contexto, se ha desarrollado el presente Manual de
Diseo Experimental con el objetivo de ser un instrumento de
aprendizaje y consulta, que apoye al proceso de investigacin y
planificacin de experimentos.

Infostat
1. DISEO EXPERIMENTAL
El diseo experimental ha sido una herramienta til en la generacin de conocimiento cientfico. El
diseo de un experimento en el cual el investigador tiene un control total sobre la variable
independiente y adems de que tiene un ambiente controlado difumina la confusin y permite
establecer asociaciones con menor incertidumbre de cometer un error. Esto ha sido
particularmente til en la experimentacin con animales y plantas, lo que ha permitido el
desarrollo de nuevas tecnologas. El desarrollo de nuevas tecnologas dentro del proceso
productivo, sea este de tipo agropecuario o de tipo industrial, surge del proceso de investigacin o
del mtodo cientfico. Es por esto que los diseos experimentales generan informacin confiable.
El diseo estadstico de experimentos se refiere al proceso para planear el experimento de tal
forma que se recaben datos adecuados que puedan analizarse con mtodos estadsticos que
lleven a conclusiones vlidas y objetivas. Cuando el problema incluye datos que estn sujetos a
errores experimentales, la metodologa estadstica es el nico enfoque objetivo de anlisis. Por lo
tanto, cualquier experimento incluyendo aspectos: El diseo del experimento y el anlisis
estadstico de los datos. Es comn que durante el proceso de investigacin se utilicen diseos
experimentales no adecuados, es decir que no responden al objetivo de la investigacin y por lo
tanto, su anlisis estadstico tambin ser equivocado, por lo que se llegan a conclusiones
errneas, cuando esto ocurre la investigacin no tiene ninguna validez.
1.1.
MTODO CIENTFICO
La aplicacin del mtodo cientfico es fundamental en la experimentacin y generacin de nuevo

conocimiento y el desarrollo de las ciencias. En la investigacin cientfica, el conocimiento y uso de
mtodos estadsticos y diseos experimentales son necesarios para el planteamiento y prueba de
hiptesis, desarrollo de estrategias de investigacin, obtencin y anlisis de informacin y la
interpretacin de resultados.
El objetivo de la ciencia es lograr una descripcin, explicacin y prediccin de los procesos o
fenmenos naturales. Es conocido que los investigadores utilizan el mtodo cientfico dentro de su
trabajo diario y que generalmente contiene los siguientes elementos:
1.
2.
3.
4.
5.
6.
7.
Enunciado del problema

Revisin de hechos y teoras
Formulacin de hiptesis
Diseo del experimento
Conduccin del experimento
Anlisis de los datos e interpretacin de resultados
Publicacin o divulgacin de los resultados
1.2.
Experimento
El trmino experimento puede verse de dos maneras:

Infostat
1. De manera general, se puede decir que consiste en ejecutar una accin y observar a las
consecuencias.
2. De manera particular o cientfica, se refiere a un estudio de investigacin en el que se
manipulan deliberadamente una o ms variables independientes (supuestas causas) para
analizar las consecuencias que la manipulacin tiene sobre una o ms variables
dependientes (supuestos efecto), dentro de de condiciones controladas por el
investigador.
Un experimento es la "observacin deliberada bajo condiciones planeadas por el observador"
(Stebbling, 196, P. 302). Tambin se puede decir, que un experimento es una investigacin
planeada para descubrir nuevos hechos o para confirmar o negar los resultados de investigaciones
previas.
1.3.
Caractersticas de un experimento bien planeado
El diseo de un experimento es sencillo, para la planeacin del mismo se requiere de lgica,

intuicin biolgica y de una cuidadosa planeacin (tomar una muestra representativa y obtener
datos de buena calidad).
Las caractersticas que debe poseer son:
1. Simplicidad. La seleccin de los tratamientos y la disposicin experimental deber
hacerse de la forma ms simple posible.
2. Grado de precisin. El experimento deber tener la capacidad de medir diferencias
entre tratamientos con los grados de precisin que desee el investigador. Para cumplir con
este propsito se deber partir de un diseo y un nmero de repeticiones adecuados.
3. Ausencia de error sistemtico. Se debe planear un experimento con el propsito de
asegurar que las unidades experimentales que reciban un tratamiento no difieran
sistemticamente de aquellas que reciben otro tratamiento, procurando de esta manera
obtener una estimacin insesgada del efecto de tratamientos.
4. Rango de validez de las conclusiones. Este deber ser tan amplio como sea posible.
Los experimentos que contribuyen a aumentar el rango de validez del experimento son
los experimentos replicados y los experimentos con estructuras factoriales.
5. Clculo del grado de incertidumbre. En todo experimento existe algn grado de
incertidumbre en cuanto a la validacin de las conclusiones. El experimento deber ser
concebido de modo que sea posible calcular la probabilidad de obtener los resultados
observados debido nicamente al azar.
1.4.
Procedimientos para la experimentacin
En la planeacin y la conduccin de un experimento, existe un gran nmero de consideraciones

que deben analizarse cuidadosamente para obtener los resultados deseados. Algunos de los pasos
ms importantes son los siguientes:

Infostat
1.4.1. Definicin del problema
Formular precisa y especficamente el problema: Inicialmente se percibe la dificultad (hay un
problema que preocupa, faltan medios para resolverlo, no se explica un acontecimiento
inesperado), luego mediante observacin o experimentacin se identifica y precisa la dificultad o el
problema.
Plantear el problema es afinar y estructurar ms formalmente la idea de investigacin,
desarrollando tres elementos: objetivos de investigacin, preguntas de investigacin y justificacin
de sta. Los objetivos establecen qu pretende la investigacin, las preguntas nos dicen qu
respuestas deben encontrarse mediante la investigacin y la justificacin nos indica por qu debe
hacerse la investigacin.
1.4.2. Revisin de bibliografa
Frecuentemente una investigacin se origina de una idea, existe una gran variedad de fuentes que
pueden generar ideas de investigacin, entre las cuales se pueden mencionar las experiencias
individuales, materiales escritos (libros, revistas, tesis y otros) y observaciones de hechos entre
otras.
La mayora de las ideas iniciales son vagas y requieren analizarse cuidadosamente para que sean
transformadas en planteamientos ms precisos y estructurados, para lo cual se requiere una
revisin bibliogrfica de la idea.
1.4.3. Diseo o planteamiento del experimento
El diseo o planteamiento del experimento consiste:
1.
2.
3.
4.
5.
6.
7.
Ubicacin del experimento.

Determinacin de los tratamientos y su distribucin.
Seleccin de la poblacin objetivo.
Seleccin de la unidad experimental y nmero de repeticiones.
Seleccin de equipos a usar.
Determinacin de datos a obtener.
Determinacin de anlisis estadsticos a utilizar.
1.4.4. Anlisis de los datos e interpretacin de los resultados

Los datos deben analizarse segn planteamiento, la interpretacin de los resultados de acuerdo a
las condiciones experimentales con el fin de comprobar o rechazar las hiptesis planteadas.
1.4.5. Elaboracin del informe de la experimentacin
Elaboracin de un completo, legible y correcto informe de la investigacin

Infostat
1.5.
Definiciones generales
Para el entendimiento del diseo experimental es necesario definir algunos conceptos, que
permitan contextualizar el marco terico de la experimentacin.
1.5.1. Experimento
Se define como una prueba o serie de pruebas en la cual se hacen cambios deliberados en
las variables independientes de un proceso o sistema para observar e identificar las razones de los
cambios que puedan observarse en la variable de respuesta, dependiente o de salida.
1.5.2. Factor
Es la variable independiente que ser estudiada en una investigacin y est bajo control del
investigador. Pueden ser Cualitativos (Efecto de tres fertilizantes potsicos en la intensidad de
color en rosas rojas var. Freedom) o Cuantitativos (Ej. Influencia de los niveles de N en el largo de
tallo en rosas)
Ejemplo:
Tipo de Factor
Cuantitativo
A: Niveles de Nitrgeno
Cualitativo
B: Fertilizantes Potsicos
1.5.3. Niveles de un factor

Son las diferentes categoras o niveles que toma un factor
En el mismo ejemplo tomado anteriormente, los niveles del factor son:
Cuantitativo
Cualitativo
Tipo de Factor
A: Niveles de Nitrgeno
B: Fertilizantes Potsicos
a1=150kg/ha
b1: Quimifol 970
Niveles del Factor
a2=300kg/ha
b2: Muriato de potasio
a3=450kg/ha
b3: Sprinter K
1.5.4. Tratamiento
Conjunto particular de condiciones experimentales que se aplican a una parcela de acuerdo al
diseo seleccionado.
En experimentos de un factor, el nmero de tratamientos es igual al nmero de factores. En
experimentos factoriales los tratamientos se forman por la combinacin de los niveles con dos o
ms factores.
Ejemplo:

Infostat
a1b1 a1b2 a1b3

a2b1 a2b2 a2b3
a3b1 a3b2 a3b3
1.5.5. Unidad experimental
Se refiere al individuo, lugar o parcela a la cual se aplican los tratamientos. Debe permitir eliminar
el efecto borde.
Ejemplo: una planta, un conjunto de plantas, un animal, un conjunto de animales.
1.5.6. Variable
Es una caracterstica medible. Son las variables dependientes del experimento a travs de las cules
se mide el efecto de los tratamientos, tambin se conoce como variable respuesta.
Ejemplo: nmero de tallos, rendimiento (tallos/m2, kg/ha)
1.5.7. Repeticiones
Nmero de veces que se repite el experimento bsico.
1.5.8. Muestra
Conjunto de mediciones que constituye parte de una poblacin.
1.5.9. Muestra aleatoria
Es aquella en la cual en cualquier medicin individual tiene tantas posibilidades de ser incluida
como cualquier otra.
1.5.10. Testigo
Unidad experimental en la cual ninguno de los tratamientos utilizados en el experimento es
probado, y cuyo valor obtenido para la variable respuesta permitir medir la accin o efectividad
de los tratamientos.
1.5.11. Efecto
Los efectos de un factor son medidos en el cambio en respuesta producida por la variacin de los
niveles de un factor. Diferencia en respuesta entre niveles.

Infostat
1.5.12. Error Experimental
Es un error estadstico e indica que se origina por la variacin que no est bajo control. Si dos
unidades experimentales reciben un mismo tratamiento y producen respuestas o mediciones
diferentes, a la diferencia se le llama Error Experimental.
Esta variacin puede ser de dos fuentes:
1. Variacin inherente al material experimentas al cul se aplican los tratamientos como:
heterogeneidad del suelo, constitucin gentica, etc.
2. Falta de uniformidad en la conduccin fsica del experimento, en los factores de manejo:
densidad, labranza, riego, errores de observacin, errores de medicin, errores de
manejo, etc.
1.6.
Principios bsicos del Diseo experimental
Los principios bsicos del diseo experimental son los siguientes:

1. Repeticin
2. Aleatorizacin o muestreo aleatorio: Es la asignacin al azar de tratamientos a las
unidades experimentales, de modo que todas tengan iguales probabilidades de recibir un
tratamiento. Pueden utilizarse tablas, calculadoras, fichas, computadora, etc.; este
procedimiento debe realizarse de tal forma que no influya el criterio del investigador en la
asignacin de los tratamientos a las parcelas.
3. Control Local: Es el conjunto de estrategias que permiten lograr la reduccin de la
varianza del error experimental. Entre estas estrategias figuran: el agrupamiento, el
bloqueo, el anidamiento, balanceo, aparamiento, compensacin, mediciones repetidas,
grupos aleatorios y homogneos, uso de variables concomitantes o covariables y la
confusin.
1.7.
Prueba de hiptesis
Es una tcnica de la inferencia estadstica que permite que las comparaciones se hagan de forma
objetiva. La hiptesis de investigacin genera el diseo de los tratamientos.
La hiptesis de investigacin establece un conjunto de circunstancias y sus consecuencias. Los
tratamientos son la creacin de las circunstancias para el experimento. As, es importante
identificar los tratamientos con el papel que cada uno tiene en la evaluacin de la hiptesis de
investigacin. Si no se logra delinear con claridad esta hiptesis y el objetivo del estudio, puede
haber dificultades en la seleccin de los tratamientos y experimentos sin xito. Es forzoso que el
investigador se asegure de que los tratamientos elegidos concuerden con la hiptesis de
investigacin.
Para proponer hiptesis bien definidas y fundamentadas como posible solucin del problema, las
hiptesis deben cumplir las siguientes condiciones y consideraciones:
1. Ser empricas, sin prejuicios.
2. Ser conceptualmente claras.
3. Ser especficas, sin predicciones generales.
10

Infostat
4. Estar relacionadas con las tcnicas tericas disponibles para verificarlas.
5. Someter la hiptesis a una verificacin rigurosa: normalmente mediante experimentacin
cientfica
6. Deducir las consecuencias de la solucin propuesta, su alcance y limitaciones; las hiptesis
confirmadas no son absolutamente verdaderas.
7. Intentar formalizar en leyes el nuevo conocimiento obtenido.
8. Analizar extensiones, planteamientos alternos o trabajos futuros.
1.7.1. Hiptesis Nula
La Hiptesis Nula (Ho) es la que queremos rechazar o desaprobar y es la que indica que no hay
diferencia entre procedimientos.
Ho: 1 = 2 = 3 = n
1.7.2. Hiptesis Alternativa
La Hiptesis Alternativa (Ha) es la negacin, o hiptesis que difiere de una hiptesis nula. Cuando
una investigacin est dirigida a probar una aseveracin, sta se toma como hiptesis alterna, su
negacin ser la nula.
Ha: 1 2 3 n
1.7.3. Error tipo I
El Error tipo I () es la probabilidad de rechazar Ho cuando Ho es cierta
1.7.4. Error tipo II
Le Error Tipo II () es la probabilidad de aceptar Ho cuando Ho es falsa
Ejemplo:
Ho ES VERDADERA
Rechazar Ho Error Tipo I
Decisin tomada
Aceptar Ho Decisin correcta
Ho ES FALSA
Decisin correcta
Error Tipo II
1.7.5. Nivel de Significancia

En una prueba de hiptesis, el valor mximo o probabilidad mxima con la que se puede cometer
un error del tipo I, se llama Nivel de Significancia. En la prctica se utiliza niveles de significancia
() del 0.05 0.01, aunque el nivel de significancia que se elija depende de la naturaleza del
problema.
11

Infostat
Ejemplo: Al escoger un nivel de significancia del 0.05 5% para una prueba de hiptesis, hay un
95% de confianza de que se tomar la decisin adecuada.
12

Infostat
2. ANLISIS DE VARIANZA
En un diseo experimental la tcnica estadstica que se emplea para contrastar las hiptesis
derivadas del modelo lineal es el anlisis de varianza. Para un experimento especfico el anlisis de
varianza determina con un alto grado de confiabilidad, si la diferencia entre los valores que toma la
variable respuesta se debe realmente al efecto de alguna de las fuentes de variacin involucradas o
a efectos aleatorios (determinados por el azar).
El anlisis de varianza es la estadstica de prueba para el contraste de hiptesis acerca de las
fuentes de variacin en un diseo experimental.
2.1.
Estructura general
La estructura general del anlisis de varianza es:

Cuadro 1. Esquema general anlisis de varianza.
Fuentes de
Variacin
(F.V)
Grados de
libertad
(G.L.)
G.L.
Suma de
cuadrados
(S.C.)
S.C.
Error
G.L. Error
S.C. Error
Total
G.L Total
S.C. total
Cuadrado
medio (C.M.)
F calculada
(Fcal)
S.C. / G.L.
S.C. Error/G.L.
error
C.M./ C.M.error
F de
tablas
(Ftab)
F(v1,v2)
F (v1,v2)= Cuantil de la distribucin F

v1 = Grados de libertad de
v2 = Grados de libertad del Error
Dependiendo de las fuentes de variacin que englobe la tabla tendr una estructura especfica
2.2.
Procedimiento de anlisis
Los pasos para la correcta ejecucin de un experimento son los siguientes:

1. Definir los objetivos del experimento a realizar, en base a los objetivos del experimento y
a las caractersticas de los tratamientos a evaluar
2. Determinar el diseo experimental a utilizar.
3. Realizar el trabajo de campo o laboratorio acorde a los lineamentos y caractersticas del
diseo experimental seleccionado.
4. Analizar los resultados del trabajo de campo o laboratorio en base al diseo experimental
seleccionado.
Cuando se concluya el trabajo de campo o de laboratorio los datos recabados deben analizarse de
acuerdo al diseo experimental seleccionado aunque los resultados no sean de nuestro completo
agrado.
Nota: No deben analizarse los datos bajo un diseo experimental que no fue llevado a cabo en el
campo o el laboratorio con tal de obtener resultados satisfactorios.
13

Infostat
3. DISEO COMPLETAMENTE AL AZAR DCA

Este diseo constituye una excepcin dentro de los diseos de bloque por el hecho de que en su
estructura no existe una organizacin en bloques de los tratamientos experimentales.
Exige unidades experimentales homogneas. Los tratamientos y las rplicas se asignan al azar a las
unidades experimentales. Este diseo puede ser utilizado para experimentos unifactoriales y
multifactoriales. Es propio para experimentos de laboratorios y semilaboratorios.
La principal dificultad del mismo es su bajo grado de precisin, por cuanto no tiene restricciones
en lo que se refiere a la ubicacin de los tratamientos, por lo que stos no aparecen en grupos
ms homogneos. Como la aleatorizacin no es restringida de manera alguna, para asegurar que
las unidades que reciben un tratamiento sean similares a las que reciben otro tratamiento, toda la
variacin entre las unidades experimentales se refleja en el error experimental. Sin embargo esto
es compensado en parte por el mayor nmero de grados de libertad que se logran para el error,
con un mismo nmero de tratamientos y unidades experimentales.
3.1.
Modelo matemtico.
Yij = + Ti + Eij
Donde:
Yij= es el j simo elemento perteneciente al i simo tratamiento.
= es la media general.
Ti = efecto debido al i-simo tratamiento.
Eij= error experimental asociado al j-simo elemento del i-simo tratamiento.
3.2.
Ventajas
El diseo al completo azar tiene varias ventajas entre estas se pueden mencionar las siguientes:
1. Su sencillez (estadstico fcil). Aun cuando el dato de algunos tratamiento se hayan
perdido, o rechacen por alguna causa el mtodo de anlisis sigue siendo sencillo. La
prdida relativa de informacin debida a los datos faltantes, es de menos importancia que
en cualquier otro sistema.
2. La flexibilidad. Puede utilizarse cualquier nmero de tratamientos y repeticiones y
pueden variar a voluntad del investigador el nmero de repeticiones de un tratamiento a
otro, pero no es recomendable sino existe una buena razn.
3. Todo el material experimental disponible puede usarse, lo cual es una ventaja en
experimentos preliminares pequeos donde el material experimental de que se dispone es
escaso.
4. El nmero de grados de libertad es mximo en comparacin con otros modelos, el
modelo estadstico sigue siendo fcil an cuando se pierdan unidades experimentales.
5. An cuando el dato de algn tratamiento se hayan perdido, o rechacen por alguna causa el
mtodo de anlisis sigue siendo sencillo
14

Infostat
3.3.
Desventajas
1. La principal estriba en su grado de precisin, algn otro diseo suele ser capaz de estimar
el error estndar por unidad experimental (error experimental) con un mayor grado de
precisin.
2. No siempre puede garantizarse condiciones de homogeneidad.
3. No se asegura, ninguna forma para aseverar que las unidades reciben un tratamiento
similar a aquellas que reciben otro tratamiento, toda la variacin que existe entre las
unidades pasa a formar parte del error experimental.
3.4.
1. Determinar el nmero de unidades experimentales (n) y numerarlas. Es posible obtener

n al multiplicar el nmero de tratamientos por el nmero de repeticiones n = ( t * r).
2. Asignar el nmero de unidades experimentales a cada tratamiento utilizando una tabla de
nmeros aleatorios o bien cualquier otra herramienta que sirva para el mismo propsito.
Por ejemplo si cada tratamiento ha de repetirse cuatro veces, los primeros cuatro
nmeros aleatorios obtenidos se asignarn al tratamiento A, los siguientes cuatro nmeros
aleatorios al tratamiento B, y as sucesivamente.
3. Una vez hecha la distribucin anterior (liberal b) se numeran las unidades experimentales y
se localizan los tratamientos de acuerdo al nmero que les corresponde y se obtiene as
las distribucin de campo.
3.4.1. Hiptesis a probar
Hiptesis Nula Ho: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en
estudio)
Hiptesis Alterna Ha: ti 0 (No todos los tratamientos tienen el mismo efecto sobre la
variable en estudio, al menos uno produce un resultado distinto)
3.4.2. Esquema de Datos
Cuadro 2. Esquema de datos Diseo completamente al azar
Repeticiones
Tratamientos
1
2
3
4
R
Yi.
Y11
Y12
Y12
. . .
Y1r
Y1 .
Y21
Y22
Y23
. . .
Y2r
Y2 .
Y31
Y32
Y33
. . .
Y3r
Y3 .
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. . .
.
.
.
.
.
.
Yt1
Yt2
Yt3
. . .
Ytr
Y ..
15

Infostat
3.4.3. Supuestos
Los supuestos que validan el anlisis varianza son:
1. Los errores son independientes
2. Los errores estn normalmente distribuidos con media cero y varianza constante
3. Existe homogeneidad de varianza entre los tratamientos.
3.4.4. Fuentes de variacin y grados de libertad.
Para el anlisis de varianza se construye una tabla de anlisis de varianza y se completan los
datos. Existen slo dos fuentes de variacin en el diseo completamente aleatorio: entre unidades
experimentales dentro de un tratamiento, la cual denominamos error experimental y aquella
entre medias de tratamiento.
3.5.
Anlisis de Varianza para un Diseo Completamente al Azar.
Cuadro 3. Anlisis de varianza para un Diseo Completamente al Azar.

Cuadrados
Fuentes de
Grados de
Ft
Suma de Cuadrados
Fc Calculada
Variacin
Libertad
Requerida
Medios
Tratamientos
Error
Total
t1
[(Y2../r Y2..)/(tr)]
Sctrat/gltotal
t ( r 1)
Sctotal - SCtrat
Scerror/glerror
Scmedios/Cmerror
Y2..)/
t r -1
[ (Yij(tr) ]
Fuente: Castillo, L. (2008). Introduccin a la Estadstica Experimental. p. 24
Los grados de libertad son uno menos que el nmero de observaciones para cada fuente de
variacin.
3.5.1. Regla de Decisin
Rechazar la hiptesis Ho. Si Fc > Ft (Gltrat, Gl error )
Aceptar la Hiptesis Ha. Si Fc < Ft (Gltrat, Gl error )
Ft = Valor tabular.
3.5.2. Coeficiente de Variacin
Se puede considerar como medida relativa de la variacin que no es posible controlar en el
experimento (error experimental), por costumbre se utiliza como que se control adecuadamente
el error cuanto el coeficiente de variacin es menor de 20.
El coeficiente de variacin se calcula por medio de la frmula siguiente:
CV = (Raz (CM) / Y.. )*100
Y.. = Y.. / tr
16

Infostat
3.6.
Ejercicio de aplicacin
Se desea evaluar el efecto de dos fungicidas sobre el desarrollo del hongo Uromyces sp., en
laboratorio.
Los fungicidas a evaluar fueron: Zineb, Maneb y un testigo. Se tuvieron 8 repeticiones para el
fungicida Zineb, 12 para el Maneb y 7 para el testigo.
Unidad experimental: Caja petri
Cuadro 4. Factores en estudio experimento.
Factor en estudio
A: Fungicidas
a1: Zineb
a2: Maneb
a3: Testigo
Variable respuesta: Diametro promedio ( ) de las colonias por caja petri.
Ho: Efecto de Zineb = Efecto de Maneb = Efecto de Testigo
Ha: Efecto de Zineb Efecto de Maneb Efecto de Testigo
Prueba de significancia al 5% dado que el experimento es en condiciones controladas en

invernadero.
Cuadro 5. Resultados obtenidos del experimento del efecto de dos fungicidas en el
hongo Uromyces sp.
Fungicidas
Caja Petri
Zineb
Maneb
Testigo
1
49
34
31
2
30
4
34
3
26
41
28
4
53
19
27
5
27
19
43
6
39
36
24
7
41
29
18
8
38
36
9
33
10
34
11
32
12
39
Fuente: Castillo, L. (2008). Introduccin a la Estadstica Experimental. p.25
3.6.1. Anlisis mediante el uso de Excel
17

Infostat
En el programa Excel, luego de la elaboracin del Cuadro 5, se selecciona el grupo de datos e
ingresa al men Datos, se escoge la opcin Anlisis de Datos,
Luego escogemos la opcin Anlisis de varianza de un factor:
Se despliega el siguiente men:
Nivel de significancia
determinado por el investigador
Los resultados se presentan en el

rango seleccionado
A continuacin Excel nos presenta los resultados de la siguiente manera:
18

Infostat
3.6.2. Anlisis mediante Infostat

Para el anlisis de los datos, primero se debe convertir el Cuadro 5 en un formato de dos
columnas de forma que sea comprensible para el InfoStat.
Fungicida
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
Dimetro ()
49
30
26
53
39
41
38
34
4
41
19
36
29
36
33
34
32
39
31
34
28
27
43
24
18
19

Infostat
Estas columnas, incluyendo sus ttulos, se copian mediante la funcin Copiar de Excel, y se los
llevan al InfoStat.
En InfoStat, se crea un nuevo documento: en el men Archivo, y se selecciona la opcin Nueva
Tabla:
Al aparecer la tabla vaca, vamos

nombres de columnas:
al men Edicin, y seleccionamos la opcin Pegar con
Con la base lista se procede a realizar los clculos.
20

Infostat
A continuacin se selecciona la opcin Estadsticas y se elige la celda Anlisis de varianza:
Est despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificacin:
Variable analizar
Tratamientos
Despus el programa nos despliega el men de Modelo y Comparaciones, pero dado que slo
estamos trabajando en el modelo Diseo completamente al azar DCA, aceptamos la pantalla tal
como se presenta:
21

Infostat
A continuacin Infostat nos presenta los resultados siguientes:
En este momento, se hace la comparacin del valor de la probabilidad de p, contra el nivel de

significancia seleccionado, para definir la aceptacin o no de la Hiptesis Nula.
Ho: Efecto de Zineb = Efecto de Maneb = Efecto de Testigo
Ha: Efecto de Zineb Efecto de Maneb Efecto de Testigo
NS = 5% (0,05) dado que las condiciones son en laboratorio.
22

Infostat
Posteriormente se exporta los resultados a Excel, para darle el formato en el que se debe
presentar.
Cuadro 6. Anlisis de varianza Efecto de dos fungicidas en el dimetro promedio de
las colonias de Uromyces sp.
Grados
Fuentes de
Suma de
Cuadrados
Valor de
de
p-valor
variacin
cuadrados
Medios
F
libertad
Fungicida
445,35
2
222,676
2,404ns
0,114
Error
2037,69
22
92,622
Total
2483,04
24
C.V: 29.41
x=32,72
gl: Grados de libertad
C.V.: Coeficiente de variacin
x: Promedio
Prueba de Significancia:
Si P > 0,05
=
Acepto Ho
Si P <0,05
=
Acepto Ha
(Si f tabulada > f calculada = Acepto Ho)
Inicialmente se defini que el NS = 5% (0,05) dado que el estudio se hizo en laboratorio, bajo
condiciones controladas.
En este caso, P > 0,05, por lo tanto acepto la Ho que indica que el efecto de los fungicidas en el
dimetro del hongo Uromyces sp. No tienen diferencia significativa, al resultar estadsticamente
iguales al Testigo. El coeficiente de variacin es elevado de 29,41%.
El valor significativo de F indica que no hay diferencia entre los fungicidas probados.
Por tal motivo no es necesario realizar la comparacin de medias.
23

Infostat
4. DISEO DE BLOQUES COMPLETOS AL AZAR

El diseo en bloques completos al azar DBA toma en cuenta los tres principios bsicos de la
experimentacin: repeticin, aleatorizacin y control local. En este diseo las unidades
experimentales se distribuyen en grupos homogneos. Cada uno de estos grupos es llamado:
bloque.
El nmero de unidades experimentales dentro de cada bloque es igual al nmero de tratamientos
incluidos en el experimento. Los tratamientos son distribuidos en las unidades experimentales
dentro de cada bloque aleatoriamente, as, cada bloque ir a 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.
Despus de identificar la fuente de variabilidad, el tamao y forma del bloque deben ser
seleccionados de acuerdo a estos lineamientos:
1. Cuando la gradiente es unidireccional (existe slo una gradiente) usar bloques largos y
angostos; adems los bloques deben estar orientados de tal forma que su longitud sea
perpendicular a la direccin de la gradiente.
2. Cuando la gradiente de fertilidad ocurre en dos direcciones, con una direccin ms fuerte
que otra, ignorar la gradiente ms dbil y seguir las instrucciones del punto anterior
3. Si la gradiente de fertilidad se presenta en dos direcciones, con las dos gradientes
igualmente fuertes y perpendiculares una a otra, escoger una de estas alternativas:
a. Use bloques que sean tan cuadrados como sea posible
b. Utilice bloques largos y angostos con su longitud perpendicular a la direccin de
una gradiente (punto 1) y use la tcnica de covarianza para controlar a la otra
gradiente.
c. Use el Diseo Cuadrado Latino
4. Cuando el patrn de variabilidad no es predecible, los bloques deben ser cuadrados y
compactos
En cultivos perennes si el terreno es relativamente homogneo se puede bloquear por fisonoma
de rbol. Otra opcin es bloquear por producciones similares de los rboles.
En ocasiones es particularmente til debido al efecto de manejo, sobre todo en situaciones tales
como: el material se trasplanta por lotes, y no alcanza para toda la plantacin. Tambin por
perodo de cosecha, si esta es prolongada y se debe hacer bloque por bloque.
En ensayos de campo, todo cambio en la tcnica u otra condicin que pueda afectar los resultados
debe hacerse en todo el bloque. Ejemplo, si la cosecha de las parcelas se extiende en un periodo
de tiempo, todas las parcelas de un bloque debern cosecharse el mismo da.
Los bloques pueden estar ubicados uno al lado del otro, o uno debajo del otro, separados o an
se podran disponer en campos experimentales diferentes, o en pocas diferentes. Mientras mayor
24

Infostat
sea la variacin entre bloques y se incrementa la homogeneidad dentro de ellos, se reducir el
error experimental
4.1.
Modelo matemtico
Yij= + i + Tj + eij
Donde:
i= 1, 2, ., b
j= 1, 2, ., t
b= Nmero de bloques
t= Nmero de tratamientos
Yij= Respuesta obtenida en el j-simo tratamiento del i-simo bloque.
= Efecto medio general
i= Efecto atribuido al i-simo bloque.
Tj= Efecto atribuido al j-simo tratamiento.
Eij= Trmino de error aleatorio. Donde los eij tienen una distribucin normal e independiente con
la media 0 y varianza 2
4.2.
Ventajas
1. Es ms preciso que el DCA porque renueve la variabilidad total existente en todas las
unidades experimentales pertenecientes a un mismo bloque o repeticin.
2. Se caracteriza por ser flexible, puesto que se puede usar un amplio nmero de
tratamientos (25) y bloques o repeticiones por tratamiento.
3. El anlisis estadstico es relativamente sencillo, quiz un poco ms complicado que el DCA.
4. Si por algn motivo se pierde datos de las parcelas, pueden usarse tcnicas estadsticas
como la frmula de Yates para su clculo, sin que ello complique el clculo estadstico
4.3.
Desventajas:
1. No es el diseo ms adecuado cuando el nmero de tratamientos sobrepasa los 25, ya que

aumenta el tamao del bloque y por consiguiente hay problemas con la heterogeneidad del
suelo.
2. No es el diseo ms conveniente, cuando existe heterogeneidad dentro de los bloques, o
cuando hay alta variabilidad en el material experimental
4.4.
4.4.1. Criterios de bloqueo

Este diseo es conveniente cuando se logra determinar una gradiente de variabilidad en un
sentido, que ste influyendo sobre los tratamientos, por ejemplo: grado de inclinacin del terreno
donde se realizar el experimento, direccin del viento, gradiente de temperatura, etc. Los
bloques se construyen perpendiculares a la direccin de la gradiente de variabilidad.
25

Infostat
1. Ho: 1 = 2 =.= t
Ha: Al menos el efecto de un bloque es diferente al de los dems.
2. Ho: T1 = T2 = .=Tt
Ha: Al menos el efecto de un tratamiento es diferente al de los dems.
4.4.3. Aleatorizacin
Se aleatorizan los tratamientos dentro de cada bloque. Debe considerarse que la aleatorizacin se
realizar de forma independiente para cada bloque.
4.5.
Anlisis de varianza del Diseo en Bloques Completamente al

Azar (DBCA)
Cuadro 7. Anlisis de varianza para Diseo en Bloques Completamente al Azar (DBCA)

Fuentes de
Variacin
Grados de
Libertad
Suma de
Cuadrados
Total
tr 1
Xij2-(Xij)2 /rt
Tratamientos
t1
Xi2 /r - FC
SCTratamientos/glTratamientos CMTratamiento/CMError
r -1
Xj2 /t - FC
SCRepeticiones/glRepeticiones CMRepeticiones/CMError
(t 1)(r -1)
Diferencia
Repeticiones
Bloques
Error
experimental
Cuadrados
Medios
Fc
Calculada
SCError/glError
Fuente: Castillo. 2008: P. 32

FC: Factor de correccin
SC: Suma de cuadrados
gl: Grados de libertad
CM: Cuadrados Medios
4.5.1. Reglas de decisin
1. Se rechaza Ho si Fcal Blo> F(v1, v2) = Ftab Blo
2. Se rechaza Ho si Fcal Trat > F(v3, v2) = Ftab Trat
v1 = Grados de libertad de los bloques
v2= Grados de libertad del error
v3= Grados de libertad de los tratamientos.
4.6.
Ejercicio de Aplicacin
En un experimento en camote se aplicaron seis niveles de potasio (K1=0, K2=10, K3=15, K4=30,
K5=45, K6=60). Se requiere evaluar el rendimiento en kg/100m 2 en los diferentes niveles de
26

Infostat
potasio. Las repeticiones fueron realizadas en cuatro suelos con diferente fertilidad; los resultados
son presentados en el siguiente cuadro.
Cuadro 8. Datos de rendimiento (kg/ 100m2) obtenidos de la aplicacin de seis niveles
de potasio en el cultivo de Camote.
NIVELES DE POTASIO
BLOQUES
I
II
III
IV
Total
Promedio
K1
K2
K3
K4
K5
K6
Total
40
38
35
25
30
36
35
26
29
39
25
28
25
31
29
27
40
37
38
29
23
25
24
26
187
206
186
161
138
34,5
127
31,75
121
30,25
112
28
144
36
98
24,5
740
30,83
Unidad experimental: terreno de 100m2.

Factores en estudio: los factores de estudio son presentados en el siguiente cuadro.
Cuadro 9. Factores en estudio.
Factor A
Niveles de Potasio(kg)
a1= 0
a2=10
a3=15
a4=40
a5=45
a6=60
Variable de respuesta: Rendimiento (kg/100m2) de camote
Hiptesis:
Ho: K1 = K2 = K3 = K4 = K5 = K6
Ha: Al menos un tratamiento desigual
Ho: R1 = R2 = R3 = R4
Ha: Al menos una rplica desigual.
4.6.1. Anlisis mediante el uso de Excel
Luego de la elaboracin del Cuadro 8, en el programa Excel se lo selecciona e ingresa al men
Datos, se escoge la celda Anlisis de Datos, luego la opcin Anlisis de varianza de dos
factores con una sola muestra por grupo:
27

Infostat
Selecciono los datos a analizar:
Posteriormente se despliega la siguiente pantalla:
Grupo de datos
seleccionados para el
ANOVA
Elijo la celda donde

quiero ver los datos
del ANOVA
Excel arroja los siguientes datos:
28

Infostat
4.6.2. Anlisis de datos en el Infostat
Los datos anteriores los disponemos de forma que el Infostat pueda procesarlos, para el caso del
DBCA (Diseo en bloques completamente al azar), los ordeno en tres columnas.
Bloques
1
2
3
4
1
2
3
4
1
2
3
4
1
Tratamientos
1
1
1
1
2
2
2
2
3
3
3
3
4
Rendimiento
40
38
35
25
30
36
35
26
29
39
25
28
25
llevan al InfoStat.
Tabla:

Con la base lista se procede a realizar los clculos
29

Infostat
de clasificacin:
Variable analizar
Tratamientos y
bloques
30

Infostat
Despus el programa nos despliega el men de Modelo y Comparaciones, aceptamos la
pantalla tal como se presenta, ya que para el DBCA ms de tratamientos se toma en cuenta los
Bloques o repeticiones
Fuentes de
variacin DBCA
En este momento, se hace la comparacin del valor de la probabilidad de p, contra el nivel de

significancia seleccionado, para definir la aceptacin o no de la Hiptesis Nula.
Posteriormente selecciono la opcin Generar tabla:
31

Infostat
Generar tabla
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opcin Copiar incluyendo nombre de columnas.
A continuacin se presenta los resultados exportados a Excel.

Cuadro 10. Anlisis de varianza efecto de la aplicacin de seis niveles de potasio en el
cultivo de Camote.
Fuentes de
Variacin
Suma de
cuadrados
Grados de
libertad
Cuadrado
medio
F
calculada
pvalor
Modelo.
528,16667
BLOQUES
170,33333
66,021
4,247
0,008
56,778
3,653*
0,037
TRATAMIENTOS
357,83333
71,567
4,604**
0,01
Error
233,16667
15
15,544
Total
761,33333
23
C.V: 12,78%
C.V: Coeficiente de variacin.

* : Diferencias significativas
**: Diferencias altamente significativas
Al existir diferencias altamente significativas nos demuestra que por lo menos uno de los
tratamientos es diferente a los dems, por tanto se acepta la hiptesis alternativa.
Por tal motivo, se hace la comparacin de las medias de los tratamientos mediante la prueba de
Tukey para determinar sus diferencias, para lo cual se selecciona la pestaa de Comparaciones,
en la cual se escoge en el Mtodo de comparacin la prueba de significancia Tukey, con el Nivel
de significacin de 5% (0,05) y se selecciona Mostrar medias segn: Tratamientos.
Se seleccion Tukey al ser una prueba rigurosa. Al ser la variable independiente el rendimiento se
selecciona la forma de presentacin En lista descendente, para determinar cules fueron mejores
de forma ordenada.
32

Infostat
Prueba de
significacia
Medias de los
tratamientos
Infostat presenta los resultados de la siguiente forma:
Para la presentacin de resultados, seguimos el procedimiento anterior de Generar tabla, en el

cual se debe seleccionar la opcin Copiar incluyendo nombre de columnas y se exporta la tabla
al Excel, cuyo resultado se presenta en el siguiente cuadro:
Cuadro 11. Resultados Prueba de Tukey para las medias de los tratamientos en el
cultivo de Camote
Tratamientos
0
10
15
40
45
60
Medias
34,5
31,75
30,25
28
36
24,5
Rangos
A
AB
AB
AB
A
B
Medias con letra comn no son significativamente diferentes (p>0,05)
33

Infostat
Con el mencionado cuadro, en Excel una vez que se ha seleccionado el rango del grupo de datos,
se selecciona en el Men de la Barra de Tareas Insertar, seleccionamos Grfico, y
posteriormente Lnea, debido a que el factor en estudio es cuantitativo (niveles de potasio, K).
A continuacin seleccionamos la opcin Seleccionar origen de datos, en donde en el eje X se

Edita la serie correspondiente a los niveles de potasio.
Agregar la serie de
Rendimientos (Y)
Editar los niveles de
potasio (X)
Mientras que para el eje Y, se selecciona Agregar, en donde se coloca el nmero de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los tratamientos, en los Valores de la serie.
Seleccionar las
medias de los
tratamientos
Seleccionar la celda de
Tratamientos
A continuacin se presenta el grfico generado por Excel:
34

Infostat
Figura 1Comparacin de las medias de los niveles de potasio, con la Prueba de Tukey al 5%.
Medias con letra comn no presentan diferencias significativas(p>0,05), como se observa en el
grfico, los mejores niveles de potasio para el efecto rendimiento (kg/100m2) de cultivo de camote
son: 0kg/ha, 10kg/ha, 15kg/ha, 40kg/ha y 45kg/ha de potasio.
35

Infostat
5. DISEO CUADRADO LATINO

Este diseo presenta las siguientes caractersticas:
1. La disposicin de las variantes del experimento sobre el terreno se hace en dos
direcciones perpendiculares recprocas y esto es lo que lo diferencia del bloque al azar.
2. En este las variantes se agrupan adems de bloques en columnas lo que es un nuevo
elemento en ste diseo.
3. Se puede utilizar en experimentos agrotcnicos, as como de seleccin de variedades, pero
no es recomendable en experimentos donde se utilice la mecanizacin.
4. Elimina la variabilidad de la fertilidad del suelo en dos direcciones.
5. En este diseo el nmero de filas y columnas y de tratamientos son iguales.
6. Presenta la dificultad de que el mismo no se puede estudiar un nmero grande de variante
o tratamiento.
5.1.
Modelo matemtico
Yijk = + Hi + Cj + T(ij)K + eijk
Donde:
i = 1,2,.,t
j =1,2,.,t
K =1,2,.,t
t = Nmero de tratamientos
Yijk = Respueta para el K-simo tratamiento ubicado en la i-sima hilera y la j-sima columna.
= Efecto medio general
Hi = Efecto de la i-sima hilera(primer factor de confusin)
Cj = Efecto de la j-sima columna (segundo factor de confusin)
T(ij)K = Efecto del k-simo tratamiento(siendo una funcin de i y j)
eijk = trmino de error aleatorio, donde los eijk tienen una distribucin normal e independientes
con media = y varianza 2.
5.2.
Ventajas
1. La estratificacin en hileras y columnas permite eliminar una mayor cantidad de

variabilidad, incrementando la precisin del experimento.
2. Anlisis estadstico sencillo, un poco ms complicado que el DBCA.
3. Ms eficiente que el DCA y el DBCA
5.3.
Desventajas
1. El nmero de tratamientos est limitado por el nmero de columnas e hileras, no debe ser
mayor de 10 ni menor de 4.
36

Infostat
5.4.
5.4.1. Criterios de Bloqueo

Se tiene un experimento planeado en un diseo cuadrado latino, con cinco tratamientos,
identificados como: A, B, C, D y E, por lo que se deben tener cinco filas y cinco columnas.
La localizacin de las parcelas en el rea experimental se muestra en el siguiente croquis:
Gradientes de heterogeneidad
Columna 1
Fila 1
Fila 2
Fila 3
Fila 4
Fila 5
Columna 2
Columna 3
Columna 4
Columna 5
5.4.2. Supuestos
1. No existe interaccin entre filas y tratamientos.
2. No existe interaccin entre columnas y tratamientos.
5.4.3. Hiptesis
Ho: t = t1 Todos los tratamientos producen el mismo efecto
Ha: t t1 para al menos i; i = 1, 2, t. Al menos uno de los tratamientos produce efectos
distintos.
5.5.
Anlisis de varianza para el Diseo Cuadrado Latino
Cuadro 12. Tabla de anlisis de variancia para el Diseo de Cuadrado Latino

Fuentes de Variacin
Total
Tratamientos
Hileras
Columnas
Error Experimental
T=h=c
Grados de
Libertad
tr - 1
t1
n -1
c-1
(t - 1)(r -1)
Suma de
Cuadrados
Cuadrados
Medios
Xijk2-(Xijk)2 /t2
Xi2 /t - FC
SCTratamientos/glTratamientos
Xj2 /t - FC
SCHileras/glHileras
Xk2 /t - FC
SCColumnas/glColumnas
Diferencia
SCError/glError
T2 = nmero de parcelas en el ensayo
Fc Calculada
CMTratamiento/CMError
CMHileras/CMError
CMColumnas/CMError
Fuente: Universidad Jos Carlos Maritegui, Experimentacin Agrcola. (2009).

37

Infostat
5.5.1. Regla de decisin:
Rechazar Ho.
No Rechazar Ho.
5.6.
S el valor de F al valor crtico de F(gl trat; gl error;)

S el valor de F < al valor crtico de F(gl trat; gl error;)
Se desean evaluar el rendimiento de tres variedades promisorias de maz y un testigo en un diseo

de cuadrado latino 4 x 4.
Cuadro 13. Datos de la evaluacin de rendimiento de tres variedades de maz (A, B y
D) y un testigo C, en un diseo en cuadrado latino 4 x 4.
Rendimiento en grano(t/ha)
Hileras
Columna1
Columna2
Columna3
Columna4
Total hileras
1,640(B)
1,210(D)
1,425( C )
1,345 (A)
5,62
1,475( C )
1,185(A)
1,400(D)
1,290(B)
5,35
1,670(A)
0,710(C )
1,665(B)
1,180(D)
5,225
1,565(D)
1,290(B)
1,655(A)
0,660(C )
5,17
6,35
4,395
6,145
4,475
21,365
Total columnas
Factores en estudio:
Cuadro 14. Factores en estudio

Factor A
A: Variedades de maz
a1: A
a2: B
a3: D
a4: C
Variable respuesta: rendimiento en grano de maz (t/ha)

Hiptesis:
Ho: A = B = D = C
Ha: A B D C
En primer lugar se genera en Excel la disposicin de los datos de los resultados de la
experimentacin.
38

Infostat
Hileras
Columnas
Tratamientos Rendimiento
1,64
1,21
1,425
1,345
1,475
1,185
1,4
1,29
1,67
0,71
1,665
1,18
1,565
1,29
1,655
0,66
llevan al InfoStat.
Tabla:

Con la base lista se procede a realizar los clculos
39

Infostat
de clasificacin:
Variable respuesta
Variables clasificacin
para el DCL
40

Infostat
Se genera el siguiente cuadro de anlisis de la varianza, en la pestaa Modelo aceptamos las
especificaciones que nos presenta.
Fuentes de
variacin DBCA
Posteriormente selecciono la opcin Generar tabla:
Generar tabla
41

Infostat
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opcin Copiar incluyendo nombre de columnas.
A continuacin se presenta los resultados exportados a Excel.

Cuadro 15. Anlisis de varianza evaluacin del rendimiento de tres variedades de
maz en un diseo en cuadrado latino.
Fuente de Suma de Grados de Cuadrados
F
p-valor
Variacin cuadrados libertad
Medios
calculada
Hileras
0,03015
3
0,01
0,465ns
0,717
Columnas
0,82734
3
0,276
12,769**
0,005
Tratamientos 0,42684
3
0,142
6,588*
0,025
Error
0,12958
6
0,022
Total
1,41392
15
C.V.: 11,01%
**Diferencias altamente significativas
*Diferencias significativas
El cuadro muestra que hay diferencias significativas entre las variedades de maz.es decir se acepta
la hiptesis alternativa y se rechaza la hiptesis nula.
Por tal motivo, es necesario realizar una prueba de significancia para determinar cul es la mejor
para el efecto rendimiento en t/ha. Para lo cual se hace la comparacin de las medias de los
tratamientos mediante la prueba de Tukey para determinar sus diferencias.
Se selecciona la pestaa de Comparaciones, en la cual se escoge en el Mtodo de comparacin
la prueba de significancia Tukey, con el Nivel de significacin de 5% (0,05) y se selecciona
Mostrar medias segn: Tratamientos.
42

Infostat
Se seleccion Tukey al ser una prueba rigurosa. Al ser la variable independiente el rendimiento se
selecciona la forma de presentacin En lista descendente, para determinar cules fueron mejores
de forma ordenada.
Prueba de
significacia
Medias de los
tratamientos
Infostat presenta los resultados de la siguiente forma:
Para la presentacin de resultados, seguimos el procedimiento anterior de Generar tabla, en el

cual se debe seleccionar la opcin Copiar incluyendo nombre de columnas y se exporta la tabla
al Excel, cuyo resultado se presenta en el siguiente cuadro:
Cuadro 16. Comparacin de las medias de las variedades promisorias de maz,
mediante la Prueba de Tukey al 5% de nivel de significancia
Tratamientos
Medias
Rangos
B
1,47
A
A
1,46
A
D
1,34
AB
C
1,07
B
Medias con letra comn no presentan diferencias significativas (p>0,05)
43

Infostat
posteriormente Columna, debido a que el factor en estudio es cualitativo (variedades de maz).

Edita la serie correspondiente a las variedades promisorias como factor discreto.
Agregar la serie de
Rendimientos (Y)
Editar las variedades

de maz
Mientras que para el eje Y, se selecciona Agregar, en donde se coloca el nmero de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los rendimientos de las variedades, en los Valores de la serie.
Seleccionar las
medias de los
Seleccionar la celda de
Tratamientos
tratamientos
44

Infostat
Rendimiento de maz(t/ha)
Este es el grfico generado por Excel:

1,7
1,5
A
AB
1,3
B
1,1
0,9
0,7
0,5
B
A
D
Variedades de maz
Figura 2. Comparacin de medias de variedades de maz mediante la prueba de

significacia de Tukey con una confiabilidad del 5%.
Medias con letras en comn no poseen diferencias significativas(p>0.05). Como se puede observar
en el grfico, las variedades B, A, D logran el mismo efecto sobre el rendimiento de maz (t/ha),
por lo que para la seleccionar cual es la mejor se debe determinar otras caracterstica que busca el
investigador para la eleccin.
45

Infostat
6. DISEO FACTORIAL A X B COMPLETAMENTE AL AZAR

Los diversos factores no actan nica y exclusivamente en forma independiente, sino que
interaccionan entre s de forma complicada e inesperada, por lo cual los experimentos con un solo
factor son frecuentemente criticados por su estrechez y limitaciones
A diferencia de los experimentos que se realizan en DCA, DBCA DCL, los experimentos
factoriales no son diseos experimentales, sino constituyen arreglos de tratamientos o factores
que se disponen en cualquiera de los diseos experimentales conocidos.
Por ejemplo, se indica que se est usando un diseo de Bloques Completos al azar en arreglo
factorial 3 x 4 (Factor A con tres niveles y Factor B con cuatro niveles), con 4 repeticiones.
6.1.
Notacin
Los factores se definen con letras maysculas que pueden ser las primeras letras del alfabeto o las
iniciales del factor en estudio, (N, P, K). Los niveles dentro de cada factor se identifican con letras
minsculas acompaadas con subndices numricos, ejemplo:
Variedad (3) FA = a1, a2, a3 V = v1, v2, v3
Fertilizante Potsico (4) FB = b1, b2, b3, b4 F = f1, f2, f3, f4
Tratamientos = 3 x 4
a1b1 a1b2 a1b3 a1b4
a2b1 a2b2 a2b3 a2b4
a3b1 a3b2 a3b3 a3ba
En algunos experimentos se acostumbra a definir la notacin de los niveles empezando desde
cero, para indicar la no aplicacin de un elemento o producto.
N= 2 P = 3 K = 2 Factorial: 2 x 3 x2
no = 0 kg/ha po = 0 kg/ha ko = 0 kg/ha
n1 = 60 kg/ha p1 = 70 kg/ha k1 = 80 kg/ha
p2 = 140 kg/ha
6.2.
Ventajas y Desventajas
Se puede indicar como ventaja y muy importante al hecho que al estudiar algunos factores
simultneamente se obtiene informacin de cada uno de ellos en forma independiente, adems de
las posibles interacciones que puedan existir.
Sin embargo, si se consideran muchos factores, no solo que el anlisis de complica, sino que las
inferencias, conclusiones y recomendaciones pueden ser confusas y no valederas. Adems como el
nmero total de tratamientos es el resultado del producto de factores por sus niveles, su nmero
aumentar grandemente.
46

Infostat
En casos complicados, es mejor hacer experimentos previos que nos reduzcan el nmero de
factores o niveles, por ejemplo, evaluar variedades y escoger las cinco mejores.
6.3.
Interacciones
Es el efecto recproco entre 2 o ms factores, o la modificacin de efecto de un factor por la

accin de otro u otros. El estudio de la interaccin entre los factores es una de las caractersticas
importantes en los experimentos factoriales.
La posibilidad de estudios en forma conjunta de dos o ms factores con sus correspondientes
niveles, hace a los factoriales muy tiles para investigaciones exploratorias y como un paso previo
para concentrar posteriormente la atencin en los aspectos que puedan ser de mayor inters, de
acuerdo a las conclusiones generales que proporcionan estos experimentos. Se dice que existe
interaccin de dos factores si el efecto entre los niveles de uno de los factores cambia, cambia el
nivel del otro factor.
Figura 3. Interacciones del diseo factorial

La interaccin de dos factores puede ser medida si solamente los dos factores se evalan
conjuntamente en el mismo experimento.
Cuando no existe interaccin el efecto simple de un factor, es el mismo para todos los niveles de
los otros factores e igual al efecto principal.
Analizar primero las interacciones y su significancia para luego analizar los factores individuales.
47

Infostat
6.4.
Diseo factorial A x B completamente al azar.
6.4.1. Modelo matemtico.

Yijk = + Ai + j + (AB)ij + eijk
Donde:
Yijk= es el k-simo elemento perteneciente al j-simo nivel del factor y al i-simo tratamiento del
nivel del factor A.
= es la media general.
Ai = es el efecto debido al i-simo nivel del factor A.
j = es el efecto debido al j-simo nivel del factor .
(AB)ij= efecto de la interaccin entre el j simo nivel del factor y el i-simo del factor .
6.4.2. Anlisis de varianza Diseo Factorial Completamente al azar A x B
Cuadro 17. Anlisis de varianza Diseo Factorial Completamente al azar A x B
Fuente de
Variacin
Total
Grados de
libertad
rab 1
Tratamientos
ab 1
Factor A
a1
Factor B
b1
Suma de Cuadrados
..
. .
AxB
(a 1)(b -1)
SCTrat SCA SCB
Error
experimental
(t 1)(t 2
Diferencia
Cuadrados medios
F calculada
SC Tratamientos
G. L. Tratamientos
SC FactorA
G. L. Factor A
SC FactorB
G. L. Factor B
SC A x B
G. L. A x B
SC E. Experimental
G. L. E. Experimental
CM Tratamientos
CM E. Experimental
CM Factor A
CM E. Experimental
CM Factor B
CM E. Experimental
CM A x B
CM E. Experimental
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
6.5.
En una investigacin utilizando DBCA se evaluaron tres variedades de arroz y tres niveles de
nitrgeno, siembra con cuatro repeticiones.
Cuadro 18. Factores en estudio del experimento factorial A x B.
FACTORES EN ESTUDIO
Factor A: Variedades
Factor B: Densidad de
de arroz
siembra (plantas/ha)
a1: INIAP 13
b1: 50000
a2: INIAP 14
b2: 55000
a3: DONATO
b3: 60000
48

Infostat
La variable a evaluar fue la altura de la planta en cm., a los 90 das despus de la siembra.
Cuadro 19. Datos de la altura de tres variedades de arroz con tres densidades de
siembra distintas, en un diseo en Factorial A x B con cuatro repeticiones.
Repeticiones
Tratamiento
I
II
III
IV
T1
a1b1
56
45
43
46
T2
a1b2
60
50
45
48
T3
a1b3
66
57
50
50
T4
a2b1
65
61
60
63
T5
a2b2
60
58
56
60
T6
a2b3
53
53
48
55
T7
a3b1
60
61
50
53
T8
a3b2
62
68
67
60
T9
a3b3
73
77
77
65
Hiptesis:
Para el Factor A (variedades de arroz):
1. Ho1 : a1 = a2 = a3
2. Ha1 : a1 a2 a3
Para el Factor B (niveles de nitrgeno):
1. Ho2 : b1 = b2 = b3
2. Ha2 : b1 b2 b3
Para la interaccin de los factores (A x B):
1. Ho1 : No hay interaccin entre los factores.
2. Ha2 : Hay interaccin entre los factores.
Los datos del cuadro anterior se los disponen de manera que sean comprendidos por el infostat
REPETICIN
1
1
1
1
1
1
1
1
1
2
2
A
1
1
1
2
2
2
3
3
3
1
1
B
1
2
3
1
2
3
1
2
3
1
2
ALTURA
56
60
66
65
60
53
60
62
73
45
50
Posteriormente se selecciona la opcin Nueva tabla y se copian los datos
49

Infostat
Luego escogemos de la pestaa Estadsticas, la opcin Anlisis de varianza:
Y se despliega el siguiente men:
Variable
respuesta
A: variedades de arroz
B: densidad de siembra
50

Infostat
En este caso no se escoge las repeticiones puesto que es un factorial con Diseo Completamente
Al Azar.
Se genera el siguiente cuadro de Anlisis de varianza en la pestaa Modelo a ms de las
especificaciones presentes se deben Agregar interacciones para el diseo que estamos aplicando.
Incluir
interacciones
Al agregar las interacciones en el Men desplegado de Anlisis de Varianza aparece la interaccin

A x B:
Interaccin A x B
51

Infostat
El infostat nos arroja los siguientes resultados:
Como el factor A (Var. Arroz) y la interaccin A x B son altamente significativos, sometemos los
datos a contrastes ortogonales y comparacin de medias.
De esta manera volvemos al Men desplegado de Anlisis de Varianza, y seleccionamos la
pestaa Contrastes, en donde generamos los comparaciones ortogonales para las variedades, en
este caso comparamos: Donato (T1) vs Iniap13 (T2), Iniap 14 (T3) (+1 +1 -2); e, Iniap14 vs Iniap13
(+1 -1 0), debido a que se elimina a Donato de la comparacin), como se presenta en el siguiente
grfico. Nos aseguramos que se marque la opcin Controlar ortogonalidad.
Controlar
ortogonalidad
Comparaciones
ortogonales
A continuacin se presentan los resultados arrojados por Infostat:
52

Infostat
Los datos arrojados por el Infostat los llevamos a Excel para la presentacin de resultados.
Cuadro 20. Anlisis de varianza evaluacin del rendimiento de tres variedades de
arroz, con tres densidades de siembra en un diseo factorial A x B.
Suma de Grados de Cuadrados
F
Fuentes de Variacin
p-valor
Cuadrados libertad
Medios
calculada
Modelo.
2203,53
11
200,32
11,336
0,000
Variedades
1027,39
2
513,69
29,069**
0,000
Donato vs Iniap 13,
Iniap14
786,72
1
786,7222
31,249**
0,000
Iniap 14 vs Iniap13
240,67
1
240,6667
9,5594**
0,0046
Densidad de siembra
155,06
2
77,53
4,387*
0,024
AxB
765,44
4
191,36
10,829*
0,000
Error
424,11
24
17,67
Total
2627,64
35
C.V.
7,27%
A x B: Interaccin Variedades de arroz x Densidad de siembra
p-valor: Valor de la probabilidad
* : Diferencias significativas
** : Diferencias altamente significativas
El valor de P es altamente significativo para el Factor variedades de arroz y para la interaccin de
los dos factores, es decir que esta interaccin causa efecto en la altura de las variedades de arroz,
con lo cual se acepta la Hiptesis alternativa y se rechaza la hiptesis nula.
Posteriormente realizamos la comparacin de medias mediante la Prueba de Tukey con una
confiabilidad del 5% tanto para el factor A (Variedades) como para la interaccin A x B, puesto
que encontramos en estas diferencias altamente significativas.
No analizamos las densidades de siembra debido a que el valor de F es menor al de la interaccin
y que el valor de las variedades.
53

Infostat
Prueba
Tukey
Se selecciona A y la
interaccin A x B
El infostat nos arroja los siguientes resultados al 5% de nivel de significancia:
Con todos los datos listos generamos las tablas de datos para llevarlas a Excel y realizar la
presentacin de resultados.
Cuadro 21. Comparacin de las medias de las tres variedades de arroz, mediante la
Prueba de Tukey al 5%
Variedades
Medias
Rangos
Donato
64,42
Iniap14
57,67
Iniap 13
51,33
Medias con letra comn no poseen diferencias significativas (p>0,05)

54

Infostat
posteriormente Columna, debido a que el factor en estudio es cualitativo.
Y se genera el siguiente grfico:
Figura 4. Comparacin de medias de las variedades de arroz mediante la prueba de

Significancia de Tukey con una confiabilidad del 5%.
Medias con letra comn no poseen diferencias significativas (p>0,05). Como se observa en el
grfico la variedad Donato es la mejor para el efecto altura de planta.
Con los datos de la Interaccin procedemos a generar el grfico en Excel:
Cuadro 22. Comparacin de medias de las Interacciones mediante la prueba de
Tukey con un nivel de significancia al 5%.
Variedades Densidad de siembra
Medias
Rangos
Iniap14
50000
47,5
E
Iniap14
55000
50,75
DE
Iniap14
60000
55,75
B-E
Iniap 13
50000
62,25
BC
Iniap 13
55000
58,5
B-D
Iniap 13
60000
52,25
C-E
Donato
50000
56
B-E
Donato
55000
64,25
AB
Donato
60000
73
A
Medias con letra comn no presentan diferencias significativas (p>0,05)
55

Infostat
Con el mencionado cuadro, una vez que se ha seleccionado el rango del grupo de datos, se
selecciona Insertar, seleccionamos Grfico, y posteriormente Lnea.

Edita la serie correspondiente a las densidades de las variedades, y en el eje Y los rendimientos
de cada una de las variedades (series)
Y se genera el siguiente grfico
Figura 5. Comparacin de medias de la interaccin de los factores Variedades de

arroz x Densidad de siembra.
El cruzamiento de las lneas nos muestra con claridad la interaccin de los factores y que el mejor
tratamiento es el de la variedad Donato a 55000 y 60000 plantas/ha.
56

Infostat
7. DISEO EN PARCELA DIVIDIDA

Este experimento est especialmente formulado con dos factores, donde a uno de los factores,
por razn de su naturaleza, es asignado a parcelas experimentales grandes, este factor se
denomina factor principal.
Esta parcela principal est a su vez dividida en subparcelas en donde se evalan los niveles de otro
factor. As cada parcela principal se convierte en un bloque para los niveles del factor evaluado en
las subparcelas.
La precisin de los efectos del factor principal es sacrificada para mejorar la precisin en la medida
de los efectos del subfactor.
La medida del efecto del subfactor y de la interaccin entre los dos factores es ms precisa que la
que se puede obtener en un Diseo DBCA, mientras que la medida del efecto del factor principal
es menos precisa que la que se puede obtener en el DBCA
Una unidad experimental de este tipo puede ser un grupo de rboles, y la subparcela cada rbol
del grupo de rboles.
Dado que la medida de los dos factores es diferente, el escoger cul de los factores se evala en la
parcela principal y cul en la subparcela es muy importante. Para decidir esto se siguiere los
siguientes lineamientos:
7.1.
Grado de Precisin
Si se requiere investigar con ms precisin los efectos de un factor, asigne ese factor a las
subparcelas y el otro factor a la parcela principal.
Por ejemplo: si se desea evaluar a diez variedades promisorias de arroz con tres niveles de
fertilizacin en un experimento factorial 10 x 3, se busca mayor precisin entre variedades que la
respuesta a los fertilizantes; por tanto se deber asignar las variedades a la subparcela y los niveles
de fertilizacin a la parcela principal.
Pero si se desea estudiar la respuesta a la fertilizacin de diez variedades promisorias,
probablemente se quiera mayor precisin en la respuesta a los fertilizantes que la comparacin
entre variedades, entonces asignar las variedades a la parcela principal y los niveles de fertilizacin
a la subparcela.
7.2.
Tamao relativo de los efectos principales
Si el efecto principal de uno de los factores (factor B) se espera sea ms grande y ms fcil de
detectar que el del otro factor (factor A), el factor B debe ser asignado a la parcela principal y el
factor A a las subparcelas. Esto incrementa la oportunidad de detectar las diferencias para el factor
A, el cual tiene el efecto ms pequeo.
57

Infostat
Ejemplo: si en un experimento de fertilizacin x variedad se puede asignar las variedades a las
subparcelas y la fertilizacin a la parcela principal debido a que se espera que el efecto para
fertilizacin sea ms grande que el efecto de las variedades.
7.3.
Prcticas de manejo
Las labores culturales requeridas para un factor pueden orientar o definir el uso de parcelas
grandes. Por conveniencia prctica, un factor puede ser asignado a la parcela principal.
Ejemplo, en un experimento en que se desea evaluar el manejo de agua y variedades, sera
deseable asignar el manejo de agua (riego) a la parcela principal para minimizar el movimiento de
agua entre parcelas adyacentes. En un experimento para evaluar algunas variedades de arroz con
diferentes dosis de fertilizacin, se puede asignar la fertilizacin a la parcela grande para minimizar
la necesidad de separar parcelas que reciban diferentes niveles de fertilizacin.
7.4.
Sorteo y Diseo
Se deben realizar dos sorteos: uno para la parcela principal y otro para las subparcelas. En cada
nivel, el procedimiento de sorteo de un DBCA es aplicable. En cada repeticin, los niveles del
factor principal son sorteados primero y son asignados a las parcelas principales al azar; luego, los
niveles del subfactor son sorteados y asignados a las subparcelas.
Para ejemplificar, se muestra a como el nmero de niveles del factor principal (6 niveles), y b
como el nmero de niveles del subfactor (4 niveles), y r como el nmero de repeticiones (3
repeticiones).
1. Dividir el rea experimental en tres bloques (repeticiones) y cada uno de ellos dividirlo en
seis parcelas principales.
2. Siguiendo el procedimiento de sorteo del DBCA con seis tratamientos y repeticiones,
asignar los seis niveles a a las seis parcela principales en cada uno de los tres bloques
(repeticiones).
Repeticin I
Repeticin II
Repeticin III
n4 n3 n1 n6 n5 n2
n1 n6 n5 n2 n4 n3
n6 n1 n4 n5 n3 n2
3. Dividir cada una de las seis parcelas principales, dentro de cada repeticin, en cuatro
subparcelas, siguiendo el procedimiento de sorteo de DBCA con cuatro tratamientos,
asignas las cuatro variedades a las cuatro subparcelas dentro de cada parcela principal.
n4 n3 n1 n6 n5 n2
n1 n6 n5 n2 n4 n3
n6 n1 n4 n5 n3 n2
V2 V1 V1 V2 V4 V3
V1 V4 V3 V1 V1 V3
V4 V3 V3 V1 V2 V1
V1 V4 V3 V2 V3 V2
V3 V1 V4 V2 V4 V2
V2 V4 V2 V3 V3 V4
V3 V2 V1 V4 V2 V1
V2 V2 V1 V4 V2 V4
V1 V1 V4 V4 V4 V2
V4 V3 V4 V3 V1 V4
V4 V3 V2 V3 V3 V1
V3 V2 V1 V1 V1 V3
Comentarios:
58

Infostat
1. El tamao de la parcela principal es b veces el tamao de la subparcela. En el ejemplo,
cuatro variedades (b=4) el tamao de la parcela principal es 4 veces el dao de la
subparcela.
2. El nivel de cada subparcela es evaluado r veces, mientras que los niveles de cada
subparcela son evaluados (a)(r) veces. As el nmero de veces que el niel de una
subparcela es evaluada siempre ser mayor que el de la parcela principal. As cada uno de
los seis niveles de a es evaluado 3 veces, pero cada uno de b fue evaluado 18 veces.
7.5.
Modelo matemtico
Yijk = + Bi + Tj + ij + SK + (TS)jk + eijk

Donde
i= 1,2,.,b
j=1,2,.,t
K=1,2,.,s
b= nmero de bloque
t= Nmero de tratamientos
s= nmero de subtratamientos
Yijk = Respueta para el K-simo tratamiento ubicado en la i-simo subtratamiento y la j-simo
bloque.
: Efecto medio general
Bi= Efecto de la i-simo bloque
Tj = Efecto de la j-simo tratamiento
ij = Error aleatorio de la parcela grande
SK = Efecto del k-simo subtratamiento
(TS)jk = Efecto de la interaccin entre el j-simo tratamiento y el k-simo subtratamiento.
eijk =Error aleatorio de la parcela chica.
7.6.
Fuente de
Variacin
Anlisis de varianza diseo Parcela Dividida

Cuadro 23. Anlisis de varianza Diseo en Parcelas divididas
Grados de
libertad
Suma de Cuadrados
rab 1
SC Total
Repeticiones
r1
SC Repeticiones
Factor A Parcela
Grande
a1
SC Parcela Grande
(a 1)(r 1)
SC Error(a)
Total
Error en Parcela
Grande
Factor B Parcela
Pequea
b1
SC Parcela pequea
AxB
(a 1)(b 1)
SC A x B
Error
Experimental
a(r 1)(b -1)
SC Error (b)
Cuadrados medios
SC Repeticiones
G. L. Repeticiones

. .

. .

. .
SC A x B
G. L. A x B

( )
. .
( )
F calculada
( )
CM Factor B
CM E. Experimental
CM A x B
CM E. Experimental
59

Infostat
1. Ho: B1 = B2 = = Bb
Ha: Al menos en uno de los bloques se tiene un efecto diferente a los dems
2. Ho: T1 = T2 = = Tt
Ha: Al menos un tratamiento tiene un efecto diferente al de los dems
3. Ho: S1 = S2 ==Ss
Ha: Al menos un subtratamiento tiene un efecto diferente al de los dems
4. Ho: (TS)11 = (TS)12 == (TS)ts
Ha: Al menos una interaccin entre tratamiento y subtratamiento tiene un efecto
diferente al de los dems.
7.7.
Se quiere evaluar el rendimiento (kg/ha) en grano de cuatro variedades de arroz con seis niveles
de N. Donde el Nitrgeno es el factor de difcil manejo.
Cuadro 24. Factores en estudio
Factores en estudio
A: Variedades
B: Nitrgeno
a1: IR8
b1: 0kg/ha
a2: IR5
b2: 60kg/ha
a3: C4-63
b3: 90kg/ha
a4: Peta
b4: 120kg/ha
b5: 150kg/ha
b6: 180kg/ha
Variable respuesta: rendimiento (kg/ha) en grano de arroz
Hiptesis:
1. Para las variedades:
Ho: IR8 = IR5 = C4-63 = Peta
Ha: IR8 IR5 C4-63 Peta
2. Para el Nitrgeno:
Ho: 0kg/ha = 60kg/ha = 90kg/ha = 120kg/ha = 150kg/ha = 180kg/ha
Ha: 0kg/ha 60kg/ha 90kg/ha 120kg/ha 150kg/ha 180kg/ha
3. Para la interaccin
Ho: no existe interaccin entre los factores
Ha: hay interaccin entre los factores.
60

Infostat
Cuadro 25. Datos de rendimiento (kg/ha) en grano cuatro variedades de arroz con
seis niveles de Nitrgeno en un diseo en parcelas divididas
Rendimiento en grano (hg/ha)
Repeticin Repeticin
Repeticin
Variedad
I
II
III
N0 (0kgN/ha)
V1(IR8)
4430
4478
3850
V2(IR5)
3944
5314
3660
V3(C4-63)
3464
2944
3142
V4(Peta)
4126
4482
4836
N1 (60kgN/ha)
V1
5418
5166
6432
V2
6502
5858
5586
V3
4768
6004
5556
V4
5192
4604
4652
N2 (90kgN/ha)
V1
6076
6420
6704
V2
6008
6127
6642
V3
6244
5724
6014
V4
4546
5744
4146
N3 (120kgN/ha)
V1
6462
7056
6680
V2
7139
6982
6564
V3
5792
5880
6370
V4
2774
5036
3638
N4 (150kgN/ha)
V1
7290
7848
7552
V2
7682
6594
6576
V3
7080
6662
6320
V4
1414
1960
2766
N5 (180kgN/ha)
V1
8452
8832
8818
V2
6228
7387
6006
V3
5594
7122
5480
V4
2248
1380
2014
Los datos anteriores se ordenan para que sean comprensibles en el Infostat.
Variedad
1
2
3
N
1
1
1
Repeticin
1
1
1
Rendimiento
4430
3944
3464
61

Infostat
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
2
2
2
3
3
3
3
4
4
4
4
5
5
5
5
6
6
6
6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4126
5418
6502
4768
5192
6076
6008
6244
4546
6462
7139
5792
2774
7290
7682
7080
1414
8452
6228
5594
2248
llevan al InfoStat.
Tabla:

Con la base lista se procede a realizar los clculos. A continuacin se selecciona la opcin
Estadsticas y se elige la celda Anlisis de varianza:
62

Infostat
de clasificacin:
Variable
respuesta
Factores en
estudio
63

Infostat
Se genera el siguiente cuadro de anlisis de la varianza, en la pestaa Modelo seleccionamos la
pestaa Agregar interacciones y escogemos las que necesitamos para la solucin del diseo en
parcelas divididas.
Especificaciones
del modelo
Infostat nos presenta los siguientes resultados:
Como se observa tanto el Nitrgeno como la variedad y la interaccin poseen diferencias

altamente significativas (p<0,01) y los valores de F para las variedades y el Nitrgeno son mayores
que el valor de la interaccin, por tal razn debemos hacer los respectivos anlisis para cada uno.
Con la ayuda de la tabla de Polinomios ortogonales, hacemos comparaciones para el Nitrgeno
64

Infostat
Coeficientes para 6
tratamientos
Usamos los valores que presenta la tabla de coeficientes de polinomios ortogonales para comparar
6 tratamientos, ya que el N, tiene 6 tratamientos en nuestro experimento.
Valores copiados de la
tabla de Polinomios
ortogonales
El infostat nos presenta los resultados que se presentan a continuacin. En los cuales, se puede
observar el p-valor para el Contraste 1(N lineal), Contraste 2(N cuadrtico) y Contraste 3(N
cbico) son altamente significativos (p<0,01), es decir la tendencia de la curva del Nitrgeno es
lineal, cuadrtica y cbica.
65

Infostat
Posteriormente realizo comparaciones ortogonales para el caso de las variedades: Peta

vsIR8,IR5,C4-63; IR8 vs IR5 y C4-63 vs IR8,IR5.
Comparaciones
ortogonales
El infostat nos presenta los siguientes resultados
66

Infostat
Como vemos hay diferencias altamente significativas (p<0,01) tanto para la comparacin Peta vs
IR8, IR5, C4-63 como para la comparacin C4-63 vs IR8, IR5.
Posteriormente trasladamos los resultados obtenidos a Excel, como se presenta en el siguiente
cuadro.
Cuadro 26. Anlisis de varianza del diseo en parcelas divididas del rendimiento de
cuatro variedades de arroz con seis niveles de Nitrgeno.
Fuentes de
Suma de
Grados de Cuadrados
F
p-valor
Variacin
cuadrados
libertad
Medios
calculada
Modelo.
192163043,15
35
5490372,66
15,706
0,000
Repeticin
1082576,694
2
541288,347
1,548ns
0,226
Nitrgeno
30429199,56
5
6085839,91
42,868**
0,000
Nitrgeno lineal
16143851,67
1
16143851,67 113,715**
0,0000
Nitrgeno cuadrtico 11443001,19
1
11443001,19
80,603**
0,0000
Nitrgeno cbico
2709445,834
1
2709445,84
19,085**
0,0010
Nitrgeno cuartico
132765,003
1
132765,003
0,935ns
0,3560
Nitrgeno quntico
135,873
1
135,873
0,001ns
0,9760
Error A
1419678,806
10
141967,881
Variedad
89888101,153
3
29962700,4
85,711**
0,000
Peta vsIR8,IR5,C4-63
80971287,04
1
80971287,0
231,62**
0,000
IR8 vs IR5
1426034,03
1
1426034,03
4,08*
0,050
C4-63 vs IR8,IR5
7490780,08
1
7490780,08
21,43**
0,000
Variedad x Nitrgeno 69343486,93
15
4622899,12
13,224**
0,000
Error
12584873,167
36
349579,810
Total
204747916,39
71
C.V(a): 6.87%
C.V(b): 10,79%
x: 5478.90
*Diferencias significativas
**Diferencias altamente significativas
C.V: Coeficiente de variacin
x: promedio
Luego realizo la comparacin de las medias mediante la prueba de Tukey con un nivel de
significacin del 5% para determinar los mejores tratamientos para el Nitrgeno, Variedades y la
mejor Interaccin.
67

Infostat
Infostat nos arroja los siguientes resultados
Luego trasladamos los datos a Excel y generamos los siguientes grficos de resultados.
68

Infostat
Figura 6. Comparacin de medias de los niveles de Nitrgeno mediante la prueba de

Tukey con un nivel de significancia al 5%.
Medias con letra comn no presentan diferencias significativas (p>0,05), como podemos ver en el
grfico los mejores tratamientos del Nitrgeno para el efecto sobre el rendimiento del cultivo de
arroz son 90kg/ha, 120kg/ha, 150kg/ha, 180kg7ha y 60kg/ha.
Figura 7. Comparacin de medias de las Variedades mediante la prueba de Tukey

con un nivel de significancia al 5%.
Medias con letra comn no presentan diferencias significativas(p>0,05), como podemos ver en el
grfico las mejores variedades para el efecto sobre el rendimiento del cultivo de arroz son las
variedades IR8 e IR5.
69

Infostat
10000
A
9000
Rendimiento(kg/ha)
8000
7000
B-F
6000
5000
4000
E-H
F-H
F-H
H-J
B-G
C-G
B-D
B-E
B-F
D-H
A-C
BC
B-F
AB
A-C
B-D
B-D
B-F
IR8
IR5
G-H
D-H
C4-63
3000
Peta
I-J
2000
1000
0
0
60
90
120
150
180
Niveles de Nitrgeno(kg/ha)
Figura 8. Comparacin de medias de las Interacciones NitrgenoxVariedades

mediante la prueba de Tukey con un nivel de significancia al 5%.
Medias con letra comn no presentan diferencias significativas (p>0,05), como podemos ver en el
grfico las mejores Interacciones para el efecto sobre el rendimiento del cultivo de arroz son IR8
x 180kg/ha de N, IR8 x 150kg/ha de N, IR5 x 150kg/ha de N, IR5 x 120kg/ha de N.
70

Infostat
8. DISEO FACTORIAL A X B X C
Los diversos factores no actan nica y exclusivamente en forma independiente, sino que
interaccionan entre s de forma complicada e inesperada, por lo cual los experimentos con un solo
factor son frecuentemente criticados por su estrechez y limitaciones
Es una variante de la aplicacin factorial A x B, donde se introduce un factor adicional
8.1.
Modelo matemtico
Yijk = + Ai + Bj + Ck + (AB)ij + (AC)ik + (BC)jK + (ABC)jk + eijkl
Donde:
i= 1,2,.,a
j=1,2,.,b
K=1,2,.,c
l= 1,2,,r
a= nmero de niveles del factor A
b= nmero de niveles del factor B
c= Nmero de niveles del factor C
r= nmero de repeticiones
Yijk = Respueta obtenida en la l-sima repeticin del i-simo nivel del factor Apara , el j-simo nivel
del factor B y el ksimo nivel del factor C.
: Efecto medio general
Ai= Efecto de la i-simo nivel del factor A
Bj = Efecto de la j-simo nivel del factor B
CK = Efecto del k-simo nivel del factor C
(AB)ij= Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el j-simo nivel del
factor B.
(AC)ik = Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el k-simo nivel del
factor C.
(BC)jK = Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el k-simo nivel del
factor C.
(ABC)jk = Efecto atribuido a la interaccin entre el i-simo nivel del factor A , el j-simo nivel del
factor B y el k-simo nivel del factor C.
eijkl= Trmino de error aleatorio, donde los eijkl tienen una distribucin Normal e independientes
con medias O y una varianza 2.
71

Infostat
8.2.
Fuente de
Variacin
Anlisis de varianza Diseo factorial A x B x C

Cuadro 27. Anlisis de Varianza Diseo Factorial A x B x C
Grados de
Suma de
Cuadrados medios
libertad
Cuadrados
rabc 1
Total
Repeticiones
r1
Tratamientos
abc 1
Factor A
a1
Factor B
b1
Factor C
c1
..
..
. .
. .
..
AxB
(a 1)(b -1)
SCTrat SCA SCB
AxC
(a 1)(c 1)
SCTrat SCA SCC
BxC
(b a)(c 1)
SCTrat SCB SCC
AxBxC
(a 1)(b 1)(c 1)
SCTrat SCA SCB

SCC
Error
experimental
(t 1)(t 2)(t 3)
Diferencia
SC Repeticiones
G. L. Repeticiones
SC Tratamientos
G. L. Tratamientos
SC FactorA
G. L. Factor A
SC FactorB
G. L. Factor B
SC Factor C
G. L. Factor C
SC A x B
G. L. A x B
SC A x C
G. L. A x C
SC B x C
G. L. B x C
SC A x B x C
G. L. A x B x C
SC E. Experimental
G. L. E. Experimental
F calculada

.
CM Tratamientos
CM E. Experimental
CM Factor A
CM E. Experimental
CM Factor B
CM E. Experimental
CM Factor C
CM E. Experimental
CM A x B
CM E. Experimental
CM A x C
CM E. Experimental
CM B x C
CM E. Experimental
CM A x B x C
CM E. Experimental
8.3.
Se realiz un experimento el cultivo del pltano fruta con el objetivo de evaluar 3 dosis de
mutgeno fsico, 2 porciento de humedad de la semilla y 2 edades de la semilla, con las siguientes
consideraciones:
1. Las dosis del mutgeno fsico fueron las siguientes: Rayos Ganma: D1 100 gy; D2 200gy y
D3 300 gy.
2. Los porcientos de humedad fueron: H1: 40 % y H2 20 %.
3. Las edades de la semilla; E1 6 meses y E2 12 meses.
4. Se utiliz un diseo completamente al azar con 4 observaciones por tratamiento.
5. Se ofrecen los datos del porciento de supervivencia de plantas en la generacin M2.
72

Infostat
Cuadro 28. Datos de porcentaje de supervivencia de plantas en el cultivo de pltano
en Diseo factorial A x B x C completamente al azar.
REPETICIONES
TRATAMIENTOS
I
II
III
IV
D1H1E1
80,1
82,3
82,5
78,5
323,4
D1H1E2
75,3
75,6
76,2
75
302,1
D1H2E1
75,3
74,8
74,5
76,7
301,3
D1H2E2
73,1
70,3
72,7
71,8
287,9
D2H1E1
54,6
56,6
54,7
55,1
221
D2H1E2
50,8
51,3
52,6
50,9
205,6
D2H2E1
74,7
73,8
74
72,6
295,1
D2H2E2
69,5
68,6
70,1
68
276,2
D3H1E1
64,3
62,6
63
63,8
253,7
D3H1E2
60,6
61,1
62
61
244,7
D3H2E1
43,2
45,4
44
44,9
177,5
D3H2E2
40,8
39,9
40
40,1
160,8
762,3
762,3
766,3
758,4
3049,3
Fuente: Universidad Carlos Jos Muritegui. (2009) Experimentacin Agrcola. Moquegua Per. P. 51
D: Rayos gamma,
H: Humedad,
E: edad de semilla.
Cuadro 29. Factores en estudio del experimento
Factores en estudio
A: Dosis de mutgeno B: Humedad
C: Edad
a1: 100gy
a2: 200gy
a3: 300gy
b1: 40%
b2:20%
c1: 6 meses
c2: 12 meses
Variable respuesta: Porcentaje de supervivencia de plantas en la generacin M2

Hiptesis: Para cada una de las variables que se desea estudiar en el experimento, se prueban las
siguientes hiptesis:
1. Para las dosis de mutgeno:
Ho: a1=a2 = a3
Ha: a1 a2 a3
2. Para la humedad:
Ho: b1=b2
Ha: b1 b2
3. Para la edad de la semilla
Ho: c1=c2
Ha: c1 c2
73

Infostat
4. Para las interacciones
Ho: no hay interaccin AB
Ha: hay interaccin AB
Ho: no hay interaccin BC
Ha: hay interaccin BC
Ho: no hay interaccin AC

Ha: hay interaccin AC
Ho: no hay interaccin ABC
Ha: hay interaccin ABC.
Para el clculo en el Infostat los datos deben estar dispuestos de la siguiente manera:
Al aparecer la tabla vaca en Infostat, vamos al men Edicin, y seleccionamos la opcin Pegar
con nombres de columnas:
En la barra de herramientas seleccionamos Estadsticas y luego la opcin Anlisis de varianza:
74

Infostat
Donde aparece la siguiente pantalla:
Variable
dependiente
Factores en
estudio
No incluimos a las repeticiones debido a que el diseo es un DCA
Interacciones
necesarias para el
DCA de tres factores
El infostat nos presenta los siguientes resultados que luego los trasladamos a Excel, para darles un
mejor formato:
75

Infostat
Generar tabla de
resultados
Posteriormente elegimos la celda Copiar incluye nombre de columnas y trasladamos los datos a
Excel y generamos el cuadro de Anlisis de varianza.
Cuadro 30. Anlisis de varianza Diseo factorial A x B x C Completamente al Azar

del experimento para determinar la supervivencia de plantas (%)
Grados
Suma de
Cuadrados
F
Fuentes de Variacin
de
p-valor
cuadrados
Medios
calculada
libertad
Mutgeno(A)
4497,33
2
2248,663
2322,03**
0,000
Humedad(B)
55,69
1
55,685
57,502**
0,000
Edad( C )
186,84
1
186,835
192,93**
0,000
Mutgeno*Humedad(A x B)
2937,3
2
1468,651
1516,6**
0,000
Mutgeno*Edad (A x C)
3,23
2
1,616
1,669ns
0,203
Humedad*Edad(B x C)
0,23
1
0,227
0,234ns
0,631
Mutgeno*Humedad*Edad
8,14
2
4,072
4,205*
0,023
(AxBxC)
Error
34,86
36
0,968
Total
7723,61
47
C.V.: 1,55%
x: 63,53
* p<0,05>0,01 significativo
** p<0,01 altamente significativo
ns > 0,05 no significativo
C.V.: Coeficiente de Variacin, x: promedio
76

Infostat
Luego analizamos los factores, al ser los valores de los factores A (Mutgeno), altamente
significativos se acepta la hiptesis alternativa, es decir las dosis de mutgeno presentan
diferencias.
B (Humedad): Existen diferencias altamente significativas entre las dos humedades probadas.
C (edad): Existen diferencias altamente significativas entre las dos edades de semilla evaluadas.
Interaccin AxB: Se acepta la hiptesis alternativa, es decir hay interaccin entre el Mutgeno y
Humedad.
Interaccin A x C: se acepta la hiptesis nula, no hay interaccin entre Mutgeno y edad.
Interaccin B x C: se acepta la hiptesis nula, no hay interaccin entre humedad y edad.
Interaccin A x B x C: Se acepta la hiptesis alternativa, es decir hay interaccin entre los tres
factores.
Para determinacin de las diferencias entre los tratamientos realizamos Prueba de Tukey para la
comparacin de medias a un nivel de significancia del 5%.
Se selecciona los factores e

interaccin que en el ADEVA
me dieron valores significativos
para el respectivo anlisis
El infostat nos presenta los resultados de la siguiente maner:
77

Infostat
Luego trasladamos cada una de las tablas de resultados para las distintas comparaciones de medias
realizadas con el Infostat.
Generar tabla de
resultados
% Supervivencia plantas
En Excel generamos los respectivos grficos con los resultados obtenidos en el Infostat. Grfcos
en Barra para los factores cualitativos y Grficos en Lnea cuando al menos uno de los factores
es cuantitativo.
80
70
60
50
40
30
100gy
200gy
300gy
Rayos Gamma
Figura 9. Comparacin de medias de la aplicacin de mutgeno(rayos gamma)

mediante la prueba de Tukey con una confiabilidad del 5%.
78

Infostat
Como se observa en la figura la aplicacin de mutageno hay diferencias entre las 3 dosis de
mutgeno. La dosis de 100gy es la que mostr mejor respuesta para el efecto en porcentaje de
supervivencia de las plantas de platano. Se eligi el grafico para la presentacin de los resultados,
ya que se puede observar ms claramente la diferencia entre las 3 dosis.
Cuadro 31. Comparacin de medias respecto al porcentaje de Humedad mediante la
prueba de significancia de Tukey con una confiabilidad del 5%.
Humedad
Medias
Rango
40%
64,6
A
20%
62,45
B
Medias con una letra comn no son significativamente diferentes (p>0,05)
Se puede observar que existe diferencias entre los porcentajes de humedad probados para el
efecto de porcentaje de supervivencia en plantas. El mejor porcentaje para el efecto deseado es el
de 40% de humedad.
Cuadro 32. Comparacin de medias de la edad de semilla mediante la prueba de
significancia de Tukey con una confiabilidad del 5%.
Edad
Medias
Rango
6 meses
65,5
A
12 meses
61,55
B
Se puede observar que existe diferencias entre la edad de semilla probados para el efecto de
porcentaje de supervivencia en plantas. La edad de semilla para el efecto deseado es a los 6 meses.
A continuacin los resultados obtenidos infostat de las comparciones de las medias de las
interacciones hacemos los respectivos grficos o cuadros en Excel para la presentacin de los
resultados.
79

Infostat
%Supervivencia plantas
90
A
80
70
C
D
60
50
40%Humedad
F
20%Humedad
40
30
100gy
200gy
300gy
Mutgeno
Figura 10. Comparacin de medias de la interaccin Mutgeno x %Humedad

mediante la prueba de significancia de Tukey al 5%.
Como se aprecia en el grfico existe interaccin entre los dos factores, la mejor interaccin se da
por los factores100gy x 40% de Humedad, es decir a estos niveles existe un mejor efecto sobre el
porcentaje de supervivencia de las plantas de pltano en el estado M2.
Cuadro 33. Comparacin de medias de la interaccin Mutgeno x %Humedad x Edad
de la semilla mediante la prueba de Tukey con una confiabilidad del 5%.
Mutgeno Humedad
Edad
Medias
Rangos
100gy
40%
6 meses
80,85
A
100gy
40%
12 meses
75,53
B
100gy
20%
6 meses
75,33
B
200gy
20%
6 meses
73,78
BC
100gy
20%
12 meses
71,97
C
200gy
20%
12 meses
69,05
D
300gy
40%
6 meses
63,42
E
300gy
40%
12 meses
61,17
E
200gy
40%
6 meses
55,25
F
200gy
40%
12 meses
51,4
G
300gy
20%
6 meses
44,38
H
300gy
20%
12 meses
40,2
I
Medias con letra comn no son significativamente diferentes (p>0,05)
Como se puede observar en el cuadro existe interaccin entre los tres factores en estudio, la
interaccin 100gy X 40% de humedad X Edad de semilla fue la que tuvo mayor efecto para el
porcentaje de supervivencia de las plantas de pltano en el estado M2.
80

Infostat
9. DISEO EN PARCELAS SUBDIVIDIDAS

Los experimentos en parcelas subdivididas se utilizan cuando se desea evaluar 3 factores, pero es
conveniente de parcelas grandes en un factor, parcelas medianas en el segundo factor y parcelas
chicas en el tercer factor.
El croquis del experimento se construye de la siguiente forma:
1. Se asignan al azar los niveles del factor A, a las parcelas grandes dentro de cada bloque.
2. Se aleatorizan los bloques.
3. Se asignan al azar los niveles del factor B, dentro de cada subparcela.
4. Se asignan al azar los niveles del factor C a cada sub-sub parcela.
El experimento se lleva a cabo como cualquier experimento con un diseo de bloques al azar.
9.1.
Modelo matemtico
El modelo es el siguiente:
Yijk= + i + Sj+ Eij(a) + Hk + (SH)jk + Eijk(b) + Ml + (SM)jl + (HM)kl + (SHM)jkl + Eijkl(c).
Donde:
Yijkl es la observacin de la distancia k, en el mtodo de control l, en el sistema de labranza j, en el
bloque i.
= es la media verdadera general.
Bi es el efecto del bloque i
Sj es el efecto del sistema j
Eij(a) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHjk es el efecto de la interaccin del sistema j espacio k
Eijk(b) es el error experimental de las subparcelas
Ml es el efecto del mtodo l
SMjl es el efecto de la interaccin de la distancia j mtodo l
HMkl es el efcto de la interaccin del espacio k y el mtodo l
SHMjkl es el efcto de la interaccin del sistema j, espacio k, mtodo l
Eijkl(c) es el error experimental en sub-sub parcelas.
81

Infostat
9.2.
Anlisis de varianza Diseo en parcelas subdivididas
Cuadro 34. Formato del anlisis de varianza para el diseo en parcelas subdivididas
Fuente de Variacin
Grados de
libertad
Suma de
cuadrados
Cuadrado medio
F
p - valor
calculada
r-1
a-1
(r -1)(a - 1)
SC Repeticin
SC Parcela grande
SCError(a)
CM Repeticin
CM Parcela grande
CMError(a)
Fcalrep
FcalPG
b-1
(a - 1)(b - 1)
a(r - 1)(b - 1)
SC Parcela intermedia
SC A x B
SC Error(b)
CMParcela intermedia
CMA x B
CM Error(b)
FcalPI
FcalAxB
c-1
(a - 1)(c - 1)
(b - 1)(c - 1)
(a - 1)(b - 1)(c 1)
SCParcela pequea
SC AxC
SC BxC
CMParcela pequea
CM AxC
CM BxC
FcalPP
FcalAxC
FcalBxC
SCAxBxC
CMAxBxC
FcalAxBxC
Anlisis de la parcela
grande:
Repeticin
Parcela grande factor (A)
Error (a)
Anlisis Parcela
intermedia:
Parcela intermedia (B)
AxB
Error (b)
Anlisis de Parcela
pequea:
Parcela pequea ( C )
AxC
BxC
AxBxC
Total
rabc
Fuente: Gomez & Gomez, (1983), p. 142.

SC: Suma de cuadrados
CM: Cuadrados medios
PG: Parcela grande
PI: Parcela intermedia
PP: Parcela pequea
9.3.
Se desea evaluar el rendimiento en granos (t/ha) de tres variedades de arroz cultivadas bajo tres
prcticas de Manejo y con cinco niveles de Nitrgeno.
Cuadro 35. Rendimiento en granos de tres variedades de arroz con tres prcticas de
Manejo y cinco niveles de Nitrgeno; en diseo de parcelas subdivididas con el
nitrgeno como la parcela grande, el manejo como la parcela mediana y las
variedades como la parcela pequea, con tres repeticiones.
V1
Manejo Rep.I Rep.II
Rep.III
M1
M2
M3
3,320
3,766
4,660
3,864
4,311
5,915
4,507
4,875
5,400
M1
M2
M3
3,188
3,625
5,232
4,752
4,809
5,170
4,756
5,295
6,046
Rendimiento en granos t/ha

V2
Rep.I
Rep.II
Rep.III
N1(0kgN/ha)
6,101
5,122
4,815
5,096
4,873
4,166
6,573
5,495
4,225
N2(50kgN7/ha)
5,595
6,78
5,39
6,357
5,925
5,163
7,016
7,442
4,478
Rep.I
V3
Rep.II
Rep.III
5,355
7,442
7,018
5,536
6,462
8,02
5,244
5,584
7,642
6,706
8,592
8,48
6,546
7,646
9,942
7,092
7,212
8,714
82

Infostat
V1
Manejo Rep.I Rep.II
Rep.III
M1
M2
M3
5,468
5,759
6,215
5,788
6,130
7,106
4,422
5,308
6,318
M1
M2
M3
4,246
5,255
6,829
4,842
5,742
5,869
4,863
5,345
6,011
M1
M2
M3
3,132
5,389
5,217
4,375
4,315
5,389
4,678
5,896
7,309
Rendimiento en granos t/ha

V2
Rep.I
Rep.II
Rep.III
N3(80kgN/ha)
5,442
5,988
6,509
6,398
6,533
6,569
6,953
6,914
7,991
N4 (110kgN/ha)
6,209
6,768
5,779
6,992
7,856
6,164
7,565
7,636
7,362
N5 (140kgN/ha)
6,860
6,894
6,573
6,857
6,974
7,422
7,254
7,812
8,950
Rep.I
V3
Rep.II
Rep.III
8,452
8,662
9,112
6,698
8,526
9,140
8,650
8,514
9,320
8,042
9,080
9,660
7,414
9,016
8,966
6,902
7,778
9,128
9,314
9,224
10,360
8,508
9,680
9,896
8,032
9,294
9,712

M1: Manejo mnimo, M2: Manejo ptimo; M3: Manejo Intensivo,
Rep.: repeticin,
V1: Variedad 1, V2: Variedad 2, V3: Variedad 3
Los datos del cuadro anterior se ordenan de manera que sean comprensibles para el infostat.
Variedad
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
Manejo
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
Repeticin
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
N
1
1
1
2
2
2
3
3
3
4
4
4
5
5
5
1
1
1
Rendimiento
3,320
3,766
4,660
3,188
3,625
5,232
5,468
5,759
6,215
4,246
5,255
6,829
3,132
5,389
5,217
6,101
5,096
6,573
Luego en la barra de herramientas de Infostat seleccionamos la celda Nueva tabla y elegimos la

opcin Pegar con ttulos en columnas. Posteriormente seleccionamos la pestaa Estadsticas y
elegimos la opcin anlisis de varianza.
83

Infostat
Se despliega el siguiente cuadro en la pantalla:
Variable
respuesta
Variables
clasificacin
84

Infostat
Despus aparece en la pantalla de anlisis de varianza Modelo y en especificaciones agregamos
todas las interacciones necesarias para el Diseo de parcelas subdivididas
Especificaciones
Parcelas
subdivididas
Infostat nos da los siguientes resultados.
Con la ayuda de la tabla de Polinomios ortogonales analizamos los tratamientos del Nitrgeno.
85

Infostat
Valores de la tabla de
Polinomios ortogonales para
las comparaciones del N
Infostat presenta los siguientes resultados:
Posteriormente genero comparaciones ortogonales para el factor Manejo, donde comparo Manejo
Intensivo vs M. ptimo y M. mnimo; manejo ptimo vs manejo mnimo.
M. intensivo vs M. ptimo, M. mnimo

M. ptimo vs M. mnimo
86

Infostat
Infostat nos da los siguientes resultados:
Posteriormente se genera comparaciones ortogonales para el factor Variedades, donde comparo

V3 vs V1 y V2; V2 vs V1.
V3 vs V1, V2
V2 vs V1
Los resultados Infostat los presenta de la siguiente manera:
Con todos los datos obtenidos en el infostat, los llevamos a Excel para la presentacin de los
resultados en el cuadro a continuacin.
87

Infostat
Cuadro 36. Anlisis de varianza del efecto sobre el rendimiento(t/ha) de tres
variedades de arroz bajo tres prcticas de manejo y cinco niveles de nitrgeno; en
diseo de parcelas subdivididas con el nitrgeno como la parcela grande, el manejo
como la parcela mediana y las variedades como la parcela pequea.
Suma de
Grados de Cuadrados
F
Fuentes de Variacin
p-valor
Cuadrados
libertad
Medios
calculada
Repeticin
0,73396
2
0,367
0,74ns
0,481
Nitrgeno
61,64848
4
15,412
27,688**
0,000
Nitrgeno lineal
52,65
1
52,65
94,58**
0,000
Nitrgeno cuadrtico
7,05
1
7,05
12,67**
0,007
Nitrgeno cbico
0,46
1
0,46
0,83ns
0,388
Nitrgeno cuartico
1,48
1
1,48
2,66ns
0,141
Error(A)
61,65
4
15,41
Manejo
42,95055
2
21,475
82,139**
0,000
M. mnimo, M. ptimo vs M. intensivo
35,23
1
35,23
134,75**
0,000
M. mnimo vs M. ptimo
7,721
1
7,721
29,53**
0,000
Nitrgeno x Manejo
1,10315
8
0,138
0,278ns
0,971
Error(B)
5,22903
20
0,261
Variedad
206,01
2
103,005
207,82**
0,0000
V1, V2 vs V3
169,746
1
169,746
342,48**
0,0000
V1 vs V2
36,264
1
36,264
73,165**
0,0000
Nitrgeno x Variedad
14,14742
8
1,768
3,568**
0,002
Manejo x Variedad
3,84761
4
0,962
1,941ns
0,115
Nitrgeno x Manejo x Variedad
3,70065
16
0,231
0,467ns
0,954
Error
29,73833
60
0,496
Total
373,56227
134
C.V.(a):
11.38%
C.V.(b):
7.79%
C.V.(c):
10.74%
C.V.: coeficiente de variacin
ns : diferencias no significativas (p>0,05)
* : diferencias significativas (p>0,01<0,05)
**: diferencias altamente significativas (p<0,01)
Como observamos en el cuadro anterior existen diferencias altamente significativas para los
niveles de Nitrgeno, para las Variedades tambin hay diferencias altamente significativas, el
manejo tambin se presentan diferencias altamente significativas y para la interaccin Nitrgeno x
Variedades.
Al ser los valores de la f calculada de los factores Nitrgeno, Manejo, variedad mayores a la F
calculada de la interaccin se realiza el anlisis de las medias de todos.
88

Infostat
Infostat presenta los siguientes resultados:
89

Infostat
Posteriormente trasladamos los resultados a Excel para la presentacin de resultados en los

grficos y cuadros necesarios.
Rendimiento(kg/ha)
7,5
A
A
6,5
6
C
5,5
5
140kg/ha
80kg/ha
110kg/ha
50kg/ha
0kg/ha
Nitrgeno
Figura 11. Comparacin de medias de los niveles de Nitrgeno, mediante la prueba

de Tukey con un nivel de significancia del 5%
Medias con letras en comn no presentan diferencias significativas (p>0,05). Como se puede
observar en el grfico los mejores niveles de Nitrgeno para el efecto en el rendimiento en t/ha
de arroz son: 140t/ha, 80kg/ha y 110kg/ha de Nitrgeno.
90

Infostat
9
Rendimiento (kg/ha)
8
7
5
4
3
2
1
0
V3
V2
V1
Variedades
Figura 12. Comparacin de medias de las Variedades, mediante la prueba de Tukey

con un nivel de significancia del 5%
Medias con letras en comn no presentan diferencias significativas (p>0,05). Como se puede
observar en el grfico la mejor variedad de arroz por el efecto en el rendimiento es la Nro. 3.
Cuadro 37. Comparacin de medias del Manejo, mediante la prueba de Tukey con un
nivel de significancia al 5%.
Manejo
Medias Rangos
Manejo Intensivo
7,28
A
Manejo ptimo
6,49
B
Manejo mnimo
5,9
C
Medias con letras en comn no presentan diferencias significativas (p>0,05).
Como se observa en el cuadro existen diferencias significativas entre los tres tipos de manejo,
siendo el mejor para el efecto en el rendimiento en t/ha de arroz el Manejo Intensivo.
10
A
AB
Rendimiento (kg/ha)
9
8
7
6
5
ABC
BCD
EFG
EFG
FGH
HIJ
J
IJ
0kg/ha
50kg/ha
FGHI
DEF
FGHIJ
CDE
V1
HIJ
V2
V3
4
3
80kg/ha
110kg/ha
140kg/ha
N(Kg/ha)
Figura 13. Comparacin de medias de las Interacciones Nitrgeno x Variedad,

mediante la prueba de Tukey con un nivel de significancia al 5%.
Medias con letras en comn no presentan diferencias significativas (p>0,05). Las mejores
interacciones para el efecto en el rendimiento en t/ha de arroz son: V3 x 140kg/ha de nitrgeno,
V3 x 110kg/ha de nitrgeno, V3 x 80kg/ha de nitrgeno.
91

Infostat
10.
DISEO EN BLOQUES COMPLETOS AL AZAR CON

MUESTRAS REPETIDAS EN EL TIEMPO
El diseo de medidas repetidas implica el registro de la variable dependiente bajo diversas

condiciones. En un contexto manipulativo, estas condiciones pueden ser diferentes tratamientos
experimentales u ocasiones de medidas antes, durante o despus de la intervencin. En un
contexto no manipulativo, las medidas se registran en distintos intervalos temporales. Cuando el
factor tiempo es una variable de inters, el diseo se concibe como longitudinal.
El diseo de medidas repetidas factorial (diseo AB con medidas repetidas en B) introduce
adems un factor intersujeto, de agrupamiento, de forma que la variable dependiente se registra en
todos los sujetos bajo todas las condiciones del factor de medidas repetidas, pero slo bajo un
nivel del factor intersujeto. Cuando el diseo es no longitudinal suele ser ms fcil conseguir que
el diseo sea balanceado, incluyendo el mismo nmero de sujetos por grupo, que en los
longitudinales, ya que en estos se produce con ms frecuencia prdidas de sujetos a lo largo de los
distintos puntos temporales.
El anlisis de varianza (ANOVA) mixto univariado es el ms usado en el anlisis de los diseos de
medidas repetidas, asumiendo que el factor intrasujeto es fijo y los sujetos aleatorios, este
requiere satisfacer los supuestos de normalidad, independencia y esfericidad.
El primero requiere que las observaciones de cada unidad de anlisis sean extradas de una
poblacin con distribucin normal multivariada, el segundo supone la independencia entre las
observaciones correspondientes a los distintos sujetos y el tercero implica la igualdad de varianzas
de las diferencias entre los tratamientos, es decir, la matriz de covarianzas debe tener igual
varianza de diferencia entre todos los pares de puntuaciones.
10.1. Ventajas
Los principales puntos fuertes del diseo de medidas repetidas es que se realiza un experimento
ms eficiente y ayuda a mantener la variabilidad baja. Esto ayuda a mantener la validez de los
resultados ms altos, al tiempo que permite ms pequeo que los grupos de asignaturas habituales.
10.2. Desventajas
Una desventaja para el diseo de medidas repetidas es que puede que no sea posible que cada
participante est en todas las condiciones del experimento. Especialmente sujetos gravemente
enfermos tienden a abandonar un estudio longitudinal, la eliminacin de estos temas podra sesgar
el diseo. En estos casos, los modelos de efectos mixtos seran preferibles, ya que pueden hacer
frente a los valores perdidos.
Tambin hay varias amenazas a la validez interna de este diseo, a saber, una amenaza de
regresin, una amenaza maduracin y una amenaza historia.
92

Infostat
10.3. Anlisis de varianza Diseo en Bloques Completos al azar con

muestras repetidas en el tiempo
Es una variante de la aplicacin factorial A x B
Cuadro 38. Anlisis de varianza Diseo en Bloques Completos al Azar con muestras
repetidas en el tiempo.
Grados de
Suma de
Cuadrado
F
Fuente de Variacin
p - valor
libertad
cuadrados
medio
calculada
r-1
SC Repeticin
CMRep
Repeticin
t-1
SC Tratamiento CMTratamiento
Tratamiento
(r
-1)(t
1)
SC Error(a)
CMError(a)
Error (a)
p-1
SC Tiempo
CMTiempo
Tiempo
Tratamiento x Tiempo
(t - 1)(p - 1)
SC T x P
CMTxP
t(r - 1)(p - 1)
SC Error(b)
CMError(b)
Error (b)
rtp - 1
SCTotal
Total
10.4. Ejercicio de aplicacin

Cuadro 39. Datos del contenido de Nitrgeno del suelo, sujeto al tratamiento de
ocho fertilizantes en un diseo DBCA con cuatro repeticiones, colectados en tres
estados de crecimiento en el cultivo de arroz.
Contenido de nitrgeno(%) en el suelo
Repeticin 1
Repeticin 2
Tratamiento P1
P2
P3
P1
1
3,26 1,88 1,4 2,98
2
3,84 2,36 1,53 3,74
3
3,5
2,2 1,33 3,49
4
3,43 2,32 1,61 3,45
5
3,43 1,98 1,11 3,24
6
3,68 2,01 1,26 3,24
7
2,97 2,66 1,87 2,9
8
3,11 2,53 1,76 3,04
Fuente: Gomez & Gomez, (1983), p. 259
P1: 15 das despus del transplante,
P2: 40 das despus del transplante,
P3: Inicio del estado Panoja
P2
1,74
2,14
2,28
2,33
1,7
2,33
2,74
2,22
P3
1,24
1,21
1,54
1,33
1,25
1,44
1,81
1,28
Repeticin 3
P1
2,78
3,09
3,03
2,81
3,45
2,84
2,92
3,2
P2
1,76
1,75
2,48
2,16
1,78
2,22
2,67
2,61
P3
1,44
1,28
1,46
1,4
1,39
1,12
1,31
1,23
Repeticin 4
P1
2,77
3,36
3,36
3,32
3,09
2,91
2,42
2,81
P2
2
1,57
2,47
1,99
1,74
2
2,98
2,22
P3
1,25
1,17
1,41
1,12
1,2
1,24
1,56
1,29
93

Infostat
Cuadro 40. Factores en estudio experimento Diseo Bloques al azar con muestras
repetidas en el tiempo
FACTORES EN ESTUDIO
A: Fertilizantes
B: Estado
a1: F1
b1: 15 das despus del transplante
a2: F2
b2: 40 das despus del transplante
a3: F3
b3: inicio del estado panoja
a4: F4
a5: F5
a6: F6
a7: F7
a8: F8
Hiptesis a probar:
1. Para los fertilizantes
Ho: F1 = F2 = F3 = F4 = F5 = F6 = F7 = F8
Ha: F1 F2 F3 F4 F5 F6 F7 F8
2. Para los Estados de crecimiento
Ho: 15 das despus del transplante = 40 das despus del transplante = inicio estado panoja
Ha: 15 das despus del transplante 40 das despus del transplante inicio estado panoja
3. Para la interaccin
Ho: No existe interaccin entre los factores
Ha: Hay interaccin entre los factores
Los datos del cuadro de resultados se ordenan de manera que sean comprensibles para el infostat.
Repeticin
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Tratamiento
1
2
3
4
5
6
7
8
1
2
7
8
1
2
3
Estado Nitrgeno
1
3,26
1
3,84
1
3,5
1
3,43
1
3,43
1
3,68
1
2,97
1
3,11
2
1,88
2
2,36
2
2,66
2
2,53
3
1,4
3
1,53
3
1,33
94

Infostat
Al aparecer la tabla vaca, vamos al men Edicin, y seleccionamos la opcin Pegar con nombres
de columnas:
Con la base lista se procede a realizar los clculos:
Se despliega el cuadro a continuacin.
Variable analizar
Factores en estudio
95

Infostat
Posteriormente especificamos el formato para el Diseo:
El infostat arroja los siguientes resultados:
La tabla de resultados que presenta el infostat la trasladamos al Excel y le damos formato para la
presentacin de los resultados
96

Infostat
Cuadro 41. Anlisis de varianza de Medidas en el tiempo con diseo en Bloques al azar.
Suma de Grados de Cuadrado
Fuentes de Variacin
F
p-valor
Cuadrados libertad
Medio
Repeticin
0,84574
3
0,282
7,756**
0,0003
Tratamiento
1,26583
7
0,181
4,935**
0,002
Tratamiento x Repeticin
0,76949
21
0,037
1,008ns
0,4721
Estado
52,04286
2
26,021
715,871**
0,0000
Tratamiento x Estado
3,56644
14
0,255
7,008**
0,0000
Error
1,74477
48
0,036
Total
60,23513
95
C.V.(a): 8,57
C.V.(b):8,5
X: 2,24
C.V.: Coeficiente de variacin
ns: diferencias no significativas (p>0,05)
* : diferencias significativas (p<0,05>0,01)
**: diferencias altamente significativas (p<0,01)
Como se puede observar en el cuadro hay diferencias altamente significativas entre los
tratamientos, tambin hay diferencias altamente significativas entre los estados y entre la
interaccin Tratamiento x Estado.
Para realizar las pruebas de significancia, se analiza independientemente cada uno de los estados.
Prueba de significancia:
Se desactiva estado 2 y 3, para lo cual en la barra de herramientas selecciono la pestaa Datos al
desplegarse la pantalla elijo la opcin Desactivar casos seleccionados:
97

Infostat
Datos
desactivados
Y se vuelve a realizar el anlisis de varianza uno por uno a cada Estado:
En la pestaa de Comparaciones elijo la prueba de Duncan con un nivel de significancia del 5%,
para las comparaciones individuales de los Tratamientos del Estado 1 en estudio.
98

Infostat
El Infostat obtiene los siguientes resultados:
De la misma forma expuesta anteriormente desactivo los estados 1 y 3 y analizo el estado 2.

Desplegamos nuevamente la celda Estadsticas y escogemos anlisis de varianza:
99

Infostat
Posteriormente se realiza el Anlisis de varianza para el estado 2:
100

Infostat
En la pestaa de Compaciones elijo la prueba de Duncan con un nivel de significancia del 5%, para
las comparaciones individuales de los Tratamientos del Estado 2 en estudio.
Para las comparaciones de medias de los tratamientos del Estado 2, tenemos los siguientes
resultados.
Desactivo estados 1 y 2, y analizo el estado 3

Desplegamos nuevamente la celda Estadsticas y escogemos anlisis de varianza
101

Infostat
Posteriormente se realiza el Anlisis de varianza para el estado 2:
102

Infostat
En la pestaa de Compaciones elijo la prueba de Duncan con un nivel de significancia del 5%, para
las comparaciones individuales de los Tratamientos del Estado 3 en estudio.
Infostat nos da los siguientes resultados para las comparaciones de medias de los tratamientos del
estado 3:
Con todos los datos obtenidos de los anlisis de cada Estado en estudio, procedemos a
trasladarlos a Excel, para realizar la presentacin de datos.
Cuadro 42 Prueba de significancia de Duncan al 5%, para la comparacin de medias
de ocho fertilizantes en interaccin con cada estado de crecimiento.
Contenido de Nitrgeno %
Tratamiento
P1
P2
P3
1
2,95
CD
1,84
E
1,33
BC
2
3,51
A
1,96
D
1,3
BC
3
3,35
AB
2,36
B
1,44
B
4
3,25
ABC
2,2
C
1,36
BC
5
3,3
ABC
1,8
E
1,24
C
6
3,17
ABCD
2,14
C
1,26
BC
7
2,8
D
2,76
A
1,64
A
8
3,04
BCD
2,4
B
1,39
BC
Para el estado P1, los mejores tratamientos son los fertilizantes 2, 3, 4, 5 y 6, para el efecto sobre
el contenido de N (%) en el suelo del cultivo de arroz.
Para el estado P2 el mejor tratamiento es el 7, para el efecto sobre el contenido de N (%) en el
suelo del cultivo de arroz.
Para el estado P3 el mejor tratamiento es el 7, para el efecto sobre el contenido de N (%) en el
suelo del cultivo de arroz.
Se escogi cuadro para la representacin de los datos, puesto que el tratamiento es un factor
cualitativo y de esta forma se expresan mejor los datos.
103

Infostat
Contenido de Nitrgeno(%)
3,5
3
2,5
2
C
1,5
1
0,5
0
15 das despus del
transplante
40 das despus del

transplante
inicio del estado panoja
Estado
Figura 14. Prueba de significancia de Duncan al 5%, para la comparacin de medias de

los estados de crecimiento.
Como se observa en la figura, hay diferencias significativas entre los Estados en estudio, y para el
efecto sobre el contenido de Nitrgeno el estado 15 das despus del transplante es con el que se
obtiene la mejor respuesta.
2,5
Contenido de N(%)
2,4
A
AB
2,3
AB
AB
BC
2,2
BC
2,1
2
1,9
1,8
F7
F3
F8
F4
F2
F6
F5
F1
Fertilizantes
Figura 15. Prueba de significancia de Duncan al 5%, para la comparacin de medias de

los Fertilizantes.
Como se observa en el grfico no existen diferencias significativas entre los fertilizantes F7, F3, F8,
F4 y F2 para el efecto contenido de N (%) en el suelo, y son los mejores para el mismo. Los
fertilizantes
F7
y
F3
presentan
diferencias
significativas
frente
al
F1.
104

Infostat
11.
RESUMEN DE ESPECIFICACIONES MODELO DE

DISEO EXPERIMENTAL
11.1. Diseo Completamente al azar

Esquema de anlisis de varianza:
Fuentes de Variacin
Grados de Libertad
Tratamientos
t-1
Error
t ( r 1)
Total
t r -1
Disposicin de datos Infostat:

Tratamientos Rendimiento
1
25
1
1
24
20
22
18
11.2. Diseo Bloques Completos al Azar

Fuentes de Variacin
Grados de Libertad
Suma de Cuadrados
tr 1
t1
Xij2-(Xij)2 /rt
Xi2 /r - FC
r -1
(t - 1)(r -1)
Xj2 /t - FC
Diferencia
Total
Tratamientos
Repeticiones
Bloques
Error Experimental
Disposicin de datos Infostat
Tratamientos
Repeticin
Rendimiento
1
1
1
2
2
1
2
3
1
2
25
24
20
22
18
105

Infostat
11.3. Diseo Cuadrado Latino

Fuentes de Variacin Grados de Libertad
Total
Tratamientos
Hileras
Columnas
Error Experimental
Disposicin de datos Infostat:
Tratamientos
1
1
1
2
2
Suma de Cuadrados
tr - 1
t-1
n -1
c-1
(t - 1)(r -1)
Hileras
1
2
3
1
2
Xijk2-(Xijk)2 /t2
Xi2 /t - FC
Xj2 /t - FC
Xk2 /t - FC
Diferencia
Columnas
1
1
1
2
2
Rendimiento
25
24
20
22
18
11.4. Diseo Factorial A X B

Fuentes de Variacin
Grados de Libertad
Total
Repeticiones
Tratamientos
Factor A
Factor B
AxB
Error Experimental
Disposicin de Datos en el Infostat:
Repeticin
1
1
1
1
1
tr - 1
r-1
t-1
a -1
b-1
(a 1)(b-1)
(t - 1)(r -1)
A
1
1
1
2
2
B
1
2
3
1
2
Altura
56
60
66
65
60
Especificaciones del modelo en Infostat:

- A
- B
- A*B
106

Infostat
11.5. Diseo Factorial Parcela Dividida

Fuente de Variacin
Total
Repeticiones
Factor A Parcela Grande
Error en Parcela Grande
Factor B Parcela Pequea
AxB
Error Experimental
Grados de libertad
rab 1
r1
a1
(a 1)(r 1)
b1
(a 1)(b 1)
a(r 1)(b -1)
Disposicin de Datos en el Infostat:

Variedad
1
2
3
4
1
2
1
1
1
1
2
2
Repeticin
1
1
1
1
1
1
Rendimiento
4430
3944
3464
4126
5418
6502
Especificaciones del modelo en Infostat

- Repeticiones
- A\A* Repeticiones
- A* Repeticiones
- B
- A*B
11.6. Diseo Factorial A x B x C

Fuente de Variacin
Total
Repeticiones
Tratamientos
Factor A
Factor B
Factor C
AxB
AxC
BxC
AxBxC
Error experimental
Grados de libertad
rabc 1
r1
abc 1
a1
b1
c1
(a 1)(b -1)
(a 1)(c 1)
(b a)(c 1)
(a 1)(b 1)(c 1)
(t 1)(t 2)(t 3)
107

Infostat
Disposicin de datos para el Infostat
Mutgeno
Humedad
Edad
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
Repeticin Supervivencia
1
1
2
2
3
80,1
75,3
82,3
75,6
82,5
Especificaciones del modelo en Infostat

- A
- B
- C
- A*B
- A*C
- B*C
- A*B*C
11.7. Diseo en Parcelas Subdivididas

Fuente de Variacin
Anlisis de la parcela grande:
Repeticin
Parcela grande factor (A)
Error (a)
Anlisis Parcela intermedia:
Parcela intermedia (B)
AxB
Error (b)
Anlisis de Parcela pequea:
Parcela pequea ( C )
AxC
BxC
AxBxC
Total
Error
Grados de libertad
Disposicin de datos para el Infostat:

Variedad Manejo Repeticin
1
1
1
1
2
1
1
3
1
1
1
1
1
2
1
1
3
1
1
1
1
r-1
a1
(r -1)(a - 1)
b1
(a - 1)(b - 1)
a(r - 1)(b - 1)
c1
(a - 1)(c - 1)
(b - 1)(c - 1)
(a - 1)(b - 1)(c - 1)
Rabc
ab(r 1)(c-1)
N
1
1
1
2
2
2
3
Rendimiento
3,320
3,766
4,660
3,188
3,625
5,232
5,468
108

Infostat
- Repeticin
- A\A*Repeticin
- A*Repeticin
- B\A > B* Repeticin
- A* B
- A > B*Repeticin
- C
- A*C
- B*C
- A* B*C
11.8. Diseo en Bloques Completos al Azar con muestras repetidas

en el tiempo
Fuente de Variacin
Grados de libertad
Repeticin
Tratamiento
Error (a)
Tiempo
Tratamiento x Tiempo
Error (b)
Total
r-1
t-1
(r -1)(t - 1)
p-1
(t - 1)(p - 1)
t(r - 1)(p - 1)
rtp - 1
Disposicin de datos para el Infostat:

Repeticin Tratamiento Estado Nitrgeno
1
1
1
1
1
2
3
4
1
1
1
1
3,26
3,84
3,5
3,43

- Repeticin
- Tratamiento\Tratamiento*Repeticin
- Tratamiento* Repeticin
- Tiempo
- Tiempo* Tratamiento
109

Infostat
BIBLIOGRAFA
-
Castillo, L. (2008). Introduccin a la Estadstica Experimental. Cuarta Edicin. Universidad

Autnoma de Chapingo. Mxico.
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos. Anlisis
de la Varianza. Grupo Editorial Universitario.
Gomez & Gomez, (1983). Statistical Procedures for Agricultural research, Estados Unidos
Jijon, D. (2012). Manual de Infostat para diseo de experimentos en palma Africana.

Universidad tecnolgica Equinoccial, Santo Domingo de los Tsachilas, ecuador.
Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Varianza y

Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur de Ediciones.
Lopez, E., Gonzlez, B.(2008) , Diseo y Anlisis de experimentos Fundamentos y

aplicaciones
en
Agronoma,
Guatemala.
Recuperado
de:
http://issuu.com/byrong/docs/diseno_y_analisis_experimentos
Mena, M.(2004). Alternativas de anlisis estadstico en los diseos de medidas repetidas.

Universidad
de
Malaga.
Faculdad
de
psicologa.
Recuperado
de:
http://www.psicothema.com/pdf/3025.pdf.
Molina, c. Apuntes seminario de investigacin diseo experimental facultad de medicina.

Unidad deposgrado. Maestria en ciencias mdicas. Sede Centro Mdico Nacional siglo
XXI. Recuperado en: https://www.academia.edu/7025537/Ensayo_sobre_dise%C3%B1os_experimental
Morales, J. Queme, J, Melgar, M. (2009), Infostat. Manual de uso: Ejemplos de los

principales mtodos estadsticos utilizados en la industria caera. Centro guatemalteco de
investigacin y capacitacin de la caa de azcar. Santa Lucia Cotz.
Universidad Jos Carlos Maritegui, Experimentacin Agrcola. (2009). Moquegua Per.
110

Manual Diseño Experimental Infostat

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Manual Diseño Experimental Infostat

Transféré par

Droits d'auteur :

Formats disponibles

2015

Manual de Diseo Experimental Infostat

Manual de Diseo Experimental

UNIVERSIDAD CENTRAL DEL ECUADOR

Aplicado a experimentos en suelos y nutricin de

MDULO DE DISEO EXPERIMENTAL - PHD. EDISON SILVA

Manual de Diseo Experimental

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

La aplicacin del mtodo cientfico es fundamental en la experimentacin y generacin de nuevo

Enunciado del problema

El trmino experimento puede verse de dos maneras:

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Caractersticas de un experimento bien planeado

El diseo de un experimento es sencillo, para la planeacin del mismo se requiere de lgica,

Procedimientos para la experimentacin

En la planeacin y la conduccin de un experimento, existe un gran nmero de consideraciones

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Ubicacin del experimento.

1.4.4. Anlisis de los datos e interpretacin de los resultados

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

1.5.3. Niveles de un factor

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

a1b1 a1b2 a1b3

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Principios bsicos del Diseo experimental

Los principios bsicos del diseo experimental son los siguientes:

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

1.7.5. Nivel de Significancia

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

La estructura general del anlisis de varianza es:

F (v1,v2)= Cuantil de la distribucin F

Los pasos para la correcta ejecucin de un experimento son los siguientes:

Manual de Diseo Experimental

3. DISEO COMPLETAMENTE AL AZAR DCA

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

1. Determinar el nmero de unidades experimentales (n) y numerarlas. Es posible obtener

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Anlisis de Varianza para un Diseo Completamente al Azar.

Cuadro 3. Anlisis de varianza para un Diseo Completamente al Azar.

Manual de Diseo Experimental

Prueba de significancia al 5% dado que el experimento es en condiciones controladas en

Diseo Experimental Johanna Mantilla Enero 2015

Manual de Diseo Experimental

Luego escogemos la opcin Anlisis de varianza de un factor: