Diseno Experiental 2

Diseño experimental
en el desarrollo del conocimiento científico

de las ciencias agropecuarias
TOMO 2
Luis A. Condo Plaza
José M. Pazmiño Guadalupe

Diseño experimental en el desarrollo
del conocimiento científico de las ciencias agropecuarias
© 2015 Luis A. Condo Plaza y José M. Pazmiño Guadalupe
© 2015 Escuela Superior Politécnica de Chimborazo
Panamericana Sur, kilómetro 1 ½
Instituto de Investigaciones
Riobamba, Ecuador
Teléfono: (593 3) 2998-200
Código Postal: EC060155
Aval ESPOCH
Resolución.115-CD.FCP.10-03-2009 Resol.024.CA-21-07-2009
Resol.221.CP.21-07-2009
CERTIFICACIÓN IEPI No. 037856 Trámite No. 000110.
Informe favorable de pares evaluadores externos según Oficio

Nº. 00227.VIP.2015, emitido por el Director de Publicaciones
Científicas. Ing. PhD. Eduardo Fidel Héctor Ardisana. ES-
POCH. Marzo 3 de 2015.
Corrección, diseño y diagramación:

La Caracola Editores
Impreso en Ecuador
Prohibida la reproducción de este libro, por cualquier medio, sin la previa

autorización por escrito de los propietarios del copyright.
CDU: 519.2+631
Diseño experimental en el desarrollo del conocimiento cientí-
fico de las ciencias agropecuarias. Tomo 2.
Riobamba: Escuela Superior Politécnica del Chimborazo.
Instituto de Investigaciones; 2015
104 p. vol: 17 x 24 cm
ISBN: 978-9942-21-569-7
1. Estadística
2. Diseño experimental
3. Ciencias agropecuarias
CONTENIDO TOMO 2
CAPÍTULO IV ..................................................................................... 9
EXPERIMENTOS SIMPLES .................................................. 11
DISEÑO COMPLETAMENTE AL AZAR (DCA) .............. 11
Diseño completamente al azar con submuestras.......................... 37
DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA) .... 47
Recuperación de parcelas perdidas .............................................. 57
Diseño de bloques completamente al azar con submuestras ........ 74
Diseño cuadrado latino (DCL) ................................................... 85
Diseño cuadrado latino modificado ............................................. 99
7
CAPÍTULO IV.
EXPERIMENTOS SIMPLES
El fracaso no me sobrecogerá nunca

si mi determinación
para alcanzar el éxito
es lo suficientemente peligrosa.
(Anónimo)
EXPERIMENTOS SIMPLES
Para el análisis de varianza, se han formulado diferentes tipos de ex-

perimentos, como los simples y factoriales, en que es necesario tener en
cuenta la conceptualización estadística examinando minuciosamente la
complicidad que resultará ilustrativa y fácil.
Los experimentos simples son aquellos que se caracterizan por uti-
lizar modelos matemáticos sencillos, los cuales permiten analizar de una
forma fácil los resultados obtenidos en el campo experimental y comprobar
la hipótesis alternativa que se plantea como solución a un determinado
problema.
Los experimentos simples se planean y analizan bajo los siguientes
diseños:
R5 #-Ą)5)'*&.'(.5&54,
R5 #-Ą)55&)+/-5)'*&.'(.5&54,
R5 #-Ą)5/,)5&.#()
Diseño complatamente al azar
Más conocido como de ordenación simple (One Way), es el diseño

más simple y se aplica cuando las unidades experimentales son homo-
géneas y cuando la variación (CV ) entre estas es mínima. Tal es el caso
de experimentos de laboratorio, cámaras de crecimiento, invernadero,
galpones, plantas de producción, cámaras de maduración, etc., en los
que las condiciones ambientales sean controladas. Esta es una prueba
con solo un criterio de clasificación equivalente a la prueba no pareada
de t.
Este diseño es útil cuando las unidades experimentales son ho-
mogéneas, es decir cuando las variaciones entre ellas son pequeñas y
agrupadas en bloques sería poco más que un proceso aleatorio. Este es
el caso de muchos experimentos de laboratorio, en los que una cantidad
11
en el desarrollo del conocimiento científico de las ciencias agropecuarias
de material está completamente mezclado y luego se divide en por-

ciones pequeñas para formar las unidades experimentales a las cuales
se les asigna los tratamientos en forma aleatoria, o en experimentos
con animales y plantas con condiciones ambientales muy parecidas. La
aleatorización es un proceso que hace aplicable las leyes del azar. Se
logra asignando tratamientos a las unidades experimentales de manera
completamente aleatoria. No impone restricciones a la aleatorización
como cuando se necesita que un bloque contenga todos los tratamien-
tos (Stihll y Torrie, 1988).
Este diseño se origina por la asignación aleatoria de tratamientos a
un conjunto de unidades experimentales, no es eficiente para experimentos
a campo abierto con especies agrícolas o pecuarias. Puede probarse con
cualquier número de tratamientos resultando deseable, aunque no es esen-
cial, asignar el mismo número de unidades experimentales a cada trata-
miento (Little y Hill, 1976).
Entre las ventajas podemos citar:
R5 -5 á#&55*&(,8
R5 -5ł2#&5(5/(.)5&5(Ě',)55'.-5)5/(#-52*,#-
mentales, en general.
R5 )5 -5 (-,#)5 +/5 &5 (Ě',)5 5 .,.'#(.)-5 -5 #!/&5 &5
número de repeticiones.
R5 )5-5&/&5*,&-5*,#-8
R5 ),5()5.(,5'/"-5,-.,##)(-65/'(.5&5(Ě',)55!,-
dos de libertad para el error.
R5 (á&#-#-5-.ù-.#)5-#'*&
Entre las desventajas:
R5 )5-5ŀ#(.5)(5'.,#&5".,)!ï()8
R5 /-.)5+/5()52#-.5,-.,##)(-5(5/(.)55&5&.),#4#ĉ(65
el error experimental incluye la variación total entre las unida-
des experimentales, excepto aquellas debido a tratamientos. Es
12
Luis A. Condo Plaza
necesario agrupar las unidades experimentales, de modo que

la variación entre estas dentro de cada grupo sea menor que la
variación entre unidades experimentales en diferentes grupos.
Esta condición se cumple en el diseño de bloques completos al
azar y cuadrado latino.
Modelo I o fijo.- De acuerdo al cual el conjunto de tratamientos es-

tudiados constituye toda la población y las inferencias obtenidas de los
resultados son válidas solo para esa población o experimento. Es decir, los
efectos de tratamientos son fijos y ∑ = 0. La repetición del experimento
incluiría el mismo juego de tratamientos.
Modelo II o al azar.- La repetición del experimento incluiría un nue-
vo juego de i; es decir que los i estudiados, constituyen una muestra sa-
cada de una gran población de i y las inferencias obtenidas se aplican a
esta última. En cada experimento tendríamos una muestra al azar de la
población total.
Supuestos del modelo estadístico (Eizaguirre, 2004)
R5 Aditividad: los efectos del modelo son aditivos

R5 Linealidad: las relaciones entre los efectos del modelo son li-
neales
R5 Normalidad: los errores del modelo deben tener una distribu-
ción normal con media cero y varianza común
R5 Independencia: los resultados obtenidos en el experimento son
independientes entre sí
R5 Homogeneidad de varianzas: las diferentes poblaciones genera-
das por la aplicación de diferentes tratamientos tienen varianza
iguales
13
Cuadro 4. Cuadrados medios esperados para los modelos I y II
Fuentes de Grados de
Modelo I Modelo II
variación libertad
Total n-1
Tratamiento t-1 r∑ i
t-1
Error t(r - 1)
Stihll y Torrie (1988) relatan que, durante el curso del experimento,

todas las unidades experimentales se han de tratar de manera análoga; por
ejemplo, la siembra de lechuga en parcelas de terreno debe hacerse en or-
den aleatorio, si es posible que el orden afecte los resultados, como cuando
una técnica mejora debido a la práctica.
El análisis de un diseño completamente aleatorio también es aplica-
ble a los datos en los que el tratamiento implica una variable de clasificación
y cuando puede ser necesario suponer la aleatoriedad.
Variaciones en la aplicación del DCA
En aprovechamiento de la condición de homogeneidad de las uni-

dades experimentales, se puede trabajar con igual y desigual número de
repeticiones por tratamiento, sin que medie la necesidad de recuperación
de parcelas o unidades experimentales inexistentes, para lo cual es preciso
hacer una ponderación en la suma de cuadrados y en el cálculo de los gra-
dos de libertad.
Modelo lineal aditivo o ecuación de rendimiento en DCA
El modelo lineal aditivo o ecuación de rendimiento en el que se basa

el DCA es el siguiente:
Y ij = µ + i
+ Cij
14
Luis A. Condo Plaza
Yij: valor estimado de la variable

µ : media general
: efecto del tratamiento T1, T2, ... , Tiavo
C : error experimental
En su conjunto, la ecuación representa a la media general, más el

efecto proveniente de los tratamientos, más la presencia de un efecto al
azar, que es el error experimental para cada observación.
Una suposición básica dentro del ADEVA es que este elemento al
azar (C) es normal e independientemente distribuido, con µ = 0 y común.
La independencia es necesaria para poder estimar la µ y y la nor-
malidad para poder realizar pruebas de significancia. Dependiendo de los
efectos de los tratamientos, podemos tener los siguientes modelos:
Modelo matemático en DCA
En el cuadro 5, se reporta el conjunto de expresiones matemáticas

que se aplicarán para lograr en última instancia la determinación del va-
lor Fisher calculado que, al ser comparado con los valores Fisher críticos
(tabulares), servirá para tomar la decisión estadística de significancia o no
significancia entre medias de tratamientos.
En todos los diseños, el modelo define, en primer lugar, el cálculo de
la suma de cuadrados del total, luego de los tratamientos y finalmente del
error y posteriormente los grados de libertad, cuadrados medios y valores
Fisher.
Cálculo de sumas de cuadrados corregidos
Suma de cuadrados totales
(∑x)2
SCTotal = ∑x -
rt
SCTotal = ∑(X - X)2
15
Un equivalente a la expresión anterior se puede resumir en:
SC = ∑X2 - FC
La suma de cuadrados totales es igual a elevar al cuadrado de cada

uno de los valores obtenidos en el campo y restar el factor de corrección
como se presenta en la ecuación. De la misma manera se puede decir que
es igual a la sumatoria de las desviaciones elevadas al cuadrado.
El factor de corrección, en definitiva, enmienda la información, para
lo cual se calcula de la siguiente manera:
(∑x)2
FC =
rt
Los valores obtenidos en el campo se suman, y se eleva al cuadrado,

para luego dividir por el número de unidades experimentales que es igual
al producto del número de tratamientos por el número de repeticiones
(n = r*t).
Suma de cuadrados de los tratamientos
Es igual a la suma del total de cada tratamiento elevado al cuadrado

dividido para el número de repeticiones, finalmente restado del factor de
corrección, como se muestra en la ecuación; de la misma manera se puede
calcular elevando al cuadrado las desviaciones de las sumas de los trata-
mientos sobre el número de repeticiones.
∑(∑xTrat)2
SCtratamientos = - FC
r
∑(∑XTrat - ∑XTrat)2
SCtratamientos =
r
16
Luis A. Condo Plaza
La expresión más sintética de esta suma de cuadrados es:
∑Ti2
SCTratamientos = - FC
r
La suma de cuadrados del error se calcula a través de la diferencia

entre la suma de cuadrados totales de la suma de cuadrados de los trata-
mientos como se observa en la siguiente ecuación:
SCError = SCTotal - SCTratamientos
∑(∑XTrat - ∑XTrat)2
SCError = ∑(X -X) -2
;
r
Esta es una variación equivalente de la anterior.
El diseño completamente al azar da la posibilidad de procesar los da-

tos aun cuando el número de repeticiones sea diferente, ya que a veces se da
el caso de que, por insuficiencia de material para todos los tratamientos o
porque se han perdido unidades experimentales para ciertos tratamientos,
no se dispone de igual número de observaciones por tratamiento. Esta es
una de las ventajas del DCA para que se pueda analizar los datos direc-
tamente, sin tener que calcular parcelas perdidas, en aprovechamiento del
material experimental homogéneo.
Cuadrados medios
Los cuadrados medios o varianzas únicamente se calculan para

los tratamientos y el error, los mismos que se definen de la siguiente
manera:
17
18
Cuadro 5. Modelo matemático para el ADEVA en DCA
Fuente de Grados de Cuadrado Fisher

variación Libertad Suma de cuadrados medio o Calc. 0,05 0,01
varianza
Total n-1 (∑Xi)2
SCTotal = ∑Xi2 -
n
Tratamiento t-1 SCTratamientos CMTratam. TABLA VALORES
∑Ti)2
SCTotal = -FC FISHER (g.l. numera-
r gl Tratamientos CN Error
dor y g.l. denominador
SCError
Error (n - 1) - (t- 1) SCError = SCTotal - SCTrat
gl Error
n : número total de
2 observaciones
√S2Error (∑xi)
CV = * 100 FC = t : número de tratamientos n=t*r
X n r: número de
repeticiones/tratamiento
Luis A. Condo Plaza
(∑xTrat)2 (∑x)2
-
r rt
CMTratamientos =
gl
∑(∑xTrat - ∑xTrat)2
r
CMTratamientos =
glTratamientos
La expresión sintética y sencilla corresponde a:
SCTratamientos
CMTratamientos = ;
glTratamientos
Se recomienda facilitar el cálculo con esta expresión.
En resumen, el cuadrado medio (S2) de cada fuente de variación

es igual a la suma de cuadrados sobre sus correspondientes grados de
libertad.
Si el cuadrado medio de los tratamientos es menor que el cuadra-
do medio del error, se declara que las diferencias entre medias de trata-
mientos no son significativas. El valor de significancia de F implica que
los tratamientos no pertenecen a poblaciones con media común. Cuando
hay significancia, nos dice que las medias de los tratamientos difieren en
forma significativa, pero no indica entre qué medias de tratamientos hay
o no estas diferencias y entre cuáles no las hay; es decir como difieren
unos de otros. Para poder saberlo, aplicamos la separación de medias o a
las comparaciones entre medias de tratamientos, base de algunas de las
cuales son los valores como error típico de la media SX y el error típico de
la diferencia entre medias de tratamientos Sd
19
CMerror
Sx =
r
2CMerror
Sd =
r
Valores Fisher
Fisher calculado corresponde a la referencia por medio de la cual

se acepta o rechaza la hipótesis alternativa o nula. Se calcula a partir del
cuadrado medio de los tratamientos sobre el cuadrado medio del error y
finalmente se compara con los Fisher teórico al 5% y 1% y al nivel P< ,05 o
P< ,01 (apéndice 3); como se demuestra en la siguiente expresión.
CMTratamientos
FCalculado =
CMError
Criterios para aceptar o rechazar las hipótesis
Si el Fcal es < que el Teórico al 5% no existen diferencias significati-

vas entre las medias de los tratamientos, al nivel P > ,05, entonces se acepta
Ho y se rechaza H1, con el 95% de certeza y el 5% de error.
Si el Fcal es > que el Teórico al 5% y < al 1% existe diferencia signifi-
cativa al nivel P < 0,05, entonces se rechaza Ho y se acepta H1, con el 95%
de certeza y el 5% de error.
Si el Fcal es > que el Teórico al 1% la diferencia es altamente signifi-
cativas al nivel P < 0,01, entonces se rechaza Ho y se acepta H1, con el 99%
de certeza y el 1% de error.
20
Luis A. Condo Plaza
Coeficiente de variación (CV)
Otro de los estadísticos que se puede calcular a partir del cuadrado

medio del error o varianza del error es el coeficiente de variación, el mismo
que nos permite analizar la variabilidad o grado de dispersión (%) de la
información. Se calcula obteniendo la raíz cuadrada del cuadrado medio
de error dividiendo para el promedio general de los datos obtenidos en la
investigación para luego multiplicar por 100.
El coeficiente de variación es una medida relativa de variabilidad, in-
dependiente de las unidades de medida, en concordancia con la desviación
típica, la que expresa la dispersión de cada una de las observaciones con
relación a la media, dentro de cada tratamiento. Se define al CV entonces,
como la desviación típica de la muestra, expresada como porcentaje de va-
riabilidad de la muestra.
El coeficiente de variación es generalmente mayor en ensayos con
animales que con plantas y en el campo, con ensayos de invernadero, donde
las condiciones ambientales son controladas.
El investigador usa el CV para evaluar resultados de diferentes expe-
rimentos que tratan sobre el mismo factor y que han sido llevados a cabo
por diferentes personas. El CV mide también el grado de precisión del
diseño de la conducción del experimento.
Para decidir si un coeficiente de variación es grande (alto) o pequeño
(bajo), es necesario tener experiencia sobre datos similares; sin embargo, si
un CV es mayor a 16%, se debe deducir que la información en su conjunto
presenta una alta variabilidad, la misma que debe ser tratada y corregida
mediante transformación de datos antes de someterla a un análisis más
prolijo como el ADEVA. Es de recalcar que, dependiendo de las condicio-
nes experimentales, los CV pueden variar en su consideración de aceptables;
por ejemplo, en ensayos de laboratorio, se espera que una estandarización
debe enmarcarse en CV menores al 5%.
CMerror
CV = x100
x
21
Para didactizar el diseño completamente al azar con desigual número

de repeticiones, una vez obtenido los resultados del experimento, se revisa
la hipótesis la misma que está planteada de la siguiente manera:
H0595&5/.#&#4#ĉ(55# ,(.-5(#0&-554("),#5()5#(ł/35-#!(#-
ficativamente en la mortalidad de los pollos
H1595&5/.#&#4#ĉ(55# ,(.-5(#0&-554("),#65#(ł/3(5-#!(#-
ficativamente en la mortalidad de los pollos
Cuadro 6. Mortalidad de pollos de carne (%) al someter a diferentes

niveles de zanahoria como fuente de caroteno en la etapa de engorde
Nivel de Repeticiones
∑Ti X
zanahoria I II III
Testigo 5,60 5,00 5,00 15,60 5,20
T1 5,10 5,00 - 10,10 5,05
T2 5,00 5,00 - 10,00 5,00
T3 4,50 4,00 - 8,50 4,25
T4 4,00 - - 4,00 4,00
Total ∑ x1 = ∑x : 48,20 4,82
(∑X)2
FC =
r
(48,2)
FC = = 232,324
10
STotal = ∑x2 - FC
STotal = (5,6 + 5 + 5 + ........ 4) - 232,324
22
Luis A. Condo Plaza
STotal = 234,62 - 232,324 = 2,296
∑(∑X)2
r
SCTratamientos =
( 15,6 + 10,1 +
3 2
10
2
+
8,5
2
+
4
2 ( - 232,324
SCTratamientos = 234,250 - 232,324 = 1,926
SCError = SCTotal - SCTratamientos
SCError = 2,296 - 1,926 = 0,370
Cuadro 6.1. ADEVA para el DCA con desigual

número de repeticiones
Fuente de Grado de Suma de Cuadrado Fisher

variación libertad cuadrados medio CAL P0,05 P0,01
Total 9 2,296
Entre
6,514
niveles de 4 1,926 0,481 5,19 11,39
*
zanahoria
Error 5 0,370 0,074
Promedio 4,82
C.V. 5,64%
Habiendo iniciado el ensayo con 15 observaciones totales, no se re-

gistra mortalidad en cinco unidades experimentales; por esta razón, los gra-
dos de libertad para el error son restringidos.
23
Como se observa en el cuadro del ADEVA, Fisher calculado es ma-

yor que Fisher teórico al 5% y menor al 1%; por tanto, existe diferencia
significativa (P < 0,05), y por ende se acepta, con el 95% de certeza y el 5%
de error, la hipótesis alternativa (H1) que manifiesta que “la utilización de
zanahoria como fuente de caroteno en la alimentación reduce significativa-
mente la mortalidad de los pollos en la fase de acabado”.
En lo que se refiere al coeficiente de variación, existe una mínima
variabilidad de la información recogida en el campo, lo que significa que
existe una dispersión aceptable en las respuestas y los resultados denotan
confiabilidad de la investigación realizada.
Comparación de medias según Duncan
Es una de las primeras oportunidades para demostrar la separación

de medias según Duncan al 5% en la cual, tomando las sugerencias del ca-
pítulo correspondiente, en primer lugar se calcula el Sx , luego se identifica
en la tabla de Duncan los valores correspondientes sobre la base del grado
de libertad del error (apéndice 4), multiplicamos por el valor tabular al 5%
y se forma los diferentes grupos de significancia entre los tratamientos.
Paso 1. Cálculo del error estándar ( Sx )
El número de repeticiones se define por el número de observaciones

totales (n) dividido para el número de tratamientos.
n 10
r= = = 2
t 5
CMerror
Sx =
r
24
Luis A. Condo Plaza
0,074
Sx =
2
Sx = 0,192
Paso 2. Medias de los tratamientos ordenados de menor a mayor
Nivel de zanahoria T4 T3 T2 T1 St
X 4,00 4,25 5,00 5,05 5,20
Paso 3. Valores rango mínimo de Duncan (RMD) al nivel P < 0,05

(apéndice 4) (según significancia del ADEVA); de esta manera, el valor
mínimo se asigna para el T4 el mismo que representa al promedio más bajo,
seguido de T3, T2, T1 y St, respectivamente
Tratamientos T4 T3 T2 T1 St
RMD 3,54 3,74 3,79 3,83
Paso 4. Obtención del rango mínimo de significancia (RMS) para lo

cual los valores RMD se multiplica por el Sx como se observa a continua-
ción
Tratamientos T4 T3 T2 T1 St
RMD 3,54 3,74 3,79 3,83
Sx = 0,192
RMS = RMD * Sx 0,680 0,718 0,730 0,735
Con los rangos calculados, se puede agrupar los promedios, determi-

nando su diferencia significativa entre los valores promedios de los trata-
mientos.
25
Paso 5. Asignación de rangos
Si se resta la media más alta y el valor del RMS correspondiente

(5,20 – 0,735=4,465), este valor de la diferencia se ubica entre dos valo-
res de medias que contengan, es decir entre T3 = 4,25 y T2 = 5,00; que de
acuerdo a la ubicación del valor de la diferencia 4,465, se asigna la letra a
desde este valor hasta la media con la que obtuvimos esta diferencia, es de-
cir, la del Tratamiento St y se asumirá que, entre estas medias (T2, T1 y St),
las diferencias no son significativas; los mismos están dentro de un mismo
grupo de significancia a.
Con el mismo procedimiento se sigue con la siguiente media que
corresponde al T1 = 5,05 menos RMS correspondiente = 0,730. La dife-
rencia es = 4,320, valor que vuelve a ubicarse entre las mismas medias que
la primera diferencia; por tanto, no se asigna una nueva letra o rango, por
estar dentro del mismo rango (letra) anterior.
La siguiente diferencia entre la media del T2 – RMS (5,00 – 0,718),
es 4,282; este valor vuelve a ubicar en el mismo lugar de las diferencias
anteriores, razón por la que no se asigna otra letra (rango) por pertenecer al
mismo rango definido desde el inicio.
Cuando se resta el valor 4,25 – 0,680 (T3-RMS), su diferencia equi-
valente al valor 3,570 se ubica por debajo del valor de la media T4, es decir
fuera del valor más bajo (4,00), razón por la que se asigna la siguiente letra
minúscula del alfabeto, desde esta media hasta la media 4,25 inclusive, que
fue con la que se obtuvo la última diferencia.
Cuando el valor de la diferencia se ubica por fuera del valor de
la media más baja, la prueba ha concluido, con la premisa: letras iguales
junto a las medias no difieren significativamente y letras distintas junto a
las medias difieren significativamente, al nivel de significancia estadística
que se propuso ( 0,05), es decir que las diferencias no significativas o
significativas, se ciñen al 95% de certeza y el 5% de error para hacer estas
afirmaciones.
26
Luis A. Condo Plaza
Cuadro 6.2. Distribución de medias según rango de Duncan ( ,05)
Tratamientos Media RMS Límite inferior Rango

Testigo 5,20 0,735 4,465 a
T1 5,05 0,730 4,320 a
T2 5,00 0,718 4,282 a
T3 4,25 0,680 3,570 b
T4 4,00 b
Letras iguales junto a las medias no difieren significativamente (P >

0,05). Letras distintas junto a las medias difieren significativamente (P <
0,05). Nótese que cuando las diferencias no son significativas, la probabili-
dad equivalente se la representa con P > 0,05 y cuando las diferencias son
significativas la probabilidad es P < 0,05.
Al analizar el cuadro 6.2, de acuerdo al objetivo de presentación, se
puede mencionar que: según Duncan al 5%, los niveles de caroteno de los
tratamientos T4 y T3 presentan mortalidades que no difieren significativa-
mente; son los que menos mortalidad provocaron frente a los tratamientos
T2, T1 y testigo en los que se pudo observar que existió mayor mortalidad.
Finalmente se puede concluir que al aplicar zanahoria como fuente
de caroteno en una dosis T4 y T3 (lo que corresponda), la mortalidad se
,/65 /#()5 +/5 &5 )'*)-##ĉ(5 +/ù'#5 5 -.5 0#.'#(5 #(ł/35
positivamente en la resistencia de ciertas enfermedades que provocan la
muerte a las aves.
Diseño completamente al azar con igual número de repeticiones
Una de las ventajas del diseño completamente al azar es la utilización

de igual número de repeticiones, al respecto se señala el presente ejercicio
partiendo de la hipótesis alternativa que se plantea aplicar a los resultados
de la investigación:
H1: el peso de pollos parrilleros en la etapa de engorde es diferente al
aplicar disparejos niveles de caroteno
27
Cuadro 7. Peso de los pollos (lb) de carne al someter

a diferentes niveles de zanahoria como fuente
de caroteno en la etapa de engorde
∑Ti X
zanahoria I II III
Testigo 4,5 4,2 4,4 13,10 4,36
T1 4,8 4,9 4,8 14,50 4,83
T2 5,1 5,0 5,2 15,30 5,10
T3 5,5 5,4 5,5 16,40 5,46
T4 5,6 5,5 5,5 16,60 5,53
Total ∑ x1 = ∑x : 75,9 5,06
Al observar un testigo o tratamiento control en la investigación, au-

tomáticamente amerita realizar comparaciones ortogonales, lo que significa
que al menos debemos comparar el testigo versus al resto de tratamientos,
desglosando inicialmente los grados de libertad; paralelamente, la suma de
cuadrados de los tratamientos y finalmente determinar diferencia signifi-
cativa dentro de estos.
(∑X)2
FC =
n
(75,9)
FC = = 384,054
15
STotal = ∑x2 - FC
STotal = (4,5 + 4,2 + 4,4 + ........ +5,5) - 384,054
STotal = 386,910 - 384,054 = 2,856
28
Luis A. Condo Plaza
∑(∑X)2
r
SCTratamientos = 13,1 + 14,5 + 15,3 + 16,4 + 16,6 - 384,054

3
SCTratamientos = 386,823 - 384,054 = 2,769
De otra manera la suma de cuadrados de las diferentes fuentes de

variación para el DCA se calcula a través de los cuadrados corregidos:
SCTotal = ∑(X - x)2
SCTotal = (4,50 - 5,06)2 + ....... + (5,50 - 5,06)2 = 2,856
∑(∑XTrat - ∑xTrat)2
SCTratamientos =
r
(13,1 - 15,18)2 + ....... + (16,6 - 15,18)2

SCTratamientos =
3
SCError = SCTotal - SCTrat
SCError = 2,865 - 2,76 = 0,087
29
Cuadro 7.1. Desdoblamiento de la varianza de los tratamientos
Tratamiento Suma Ts vs. resto T1 vs. T2T3T4 T2 vs. T3T4 T3 vs. T4

Testigo 13,10 -4 -52,40 0 0,00 0 0,00 0 0,00
T1 14,50 1 14,50 -3 -43,50 0 0,00 0 0,00
T2 15,30 1 15,30 1 15,30 -2 -30,60 0 0,00
T3 16,40 1 16,40 1 16,40 1 16,40 -1 -16,40
T4 16,60 1 16,60 1 16,60 1 16,60 1 16,60
Suma 20 10,40 12 4,80 6 2,40 2 0,20
Cuadrados 60 108,16 36 23,04 18 5,76 6 0,04
SC 1,803 0,64 0,32 0,01
De acuerdo a lo establecido en la forma del cálculo, tomamos en con-

sideración la suma de los tratamientos, luego asignamos un valor negativo
al tratamiento que vamos a comparar, considerando que al resto de trata-
mientos se debe asignar un valor positivo con la finalidad de cumplir con la
ley de la igualdad ecuaciones, o sea que la sumatoria debe ser igual a cero.
Cada valor asignado se debe elevar al cuadrado y sumar su totalidad,
para posteriormente multiplicar por el número de repeticiones; en el pre-
sente caso, sería tres repeticiones.
D 0 (-42 + ....... + 12)3 = 60
A continuación se debe multiplicar la suma de cada tratamiento por

el valor de contraste y sumar sus resultados, para posteriormente elevar al
cuadrado.
M = [(13,10x(-4)) + ....... +(16,6x1)]2 = 108,16
Luego de obtenidos estos resultados, se debe relacionar los valores

calculados, quedando de la siguiente manera:
30
Luis A. Condo Plaza
D
SC =
M
108,16
SCts.vs.Resto = = 1,803
60
De la misma manera se debe realizar con cada una de las compara-

ciones, sin olvidarse que los valores que fueron comparados se eliminan
automáticamente o se les asigna la comparación cero; la condición es que
la sumatoria de estas comparaciones ortogonales en primera instancia debe
ser igual a la suma de cuadrado de los tratamientos.
Finalmente podemos calcular el cuadrado medio, que en definitiva
es igual a la suma de cuadrados, los mismos que deben relacionarse con el
cuadrado medio del error para determinar el nivel de significancia entre los
tratamientos y concluir de acuerdo al ADEVA, no siendo necesario realizar
separación de medias, ya que se ha desdoblado cada uno de los tratamientos.
Cuadro 7.2. ADEVA para el DCA con igual número

de repeticiones y comparaciones ortogonales
Fuente de g.l. Suma de Cuadrado Fisher

variación cuadrados medio CAL P0,05 P0,01
Total 14 2,856 0,317
Tratamiento 4 2,769 0,692 79,68** 3,48 5,99
T0 vs. resto 1 1,802 1,803 207,203** 4,96 4,96
T1 vs. T2T3T4 1 0,640 0,640 73,563** 4,96 4,96
T2 vs. T3T4 1 0,320 0,320 36,782** 4,96 4,96
T3 vs. T4 1 0,007 0,007 0,766ns 4,96 4,96
Error 10 0,087 0,0087
Promedio 5,060
C.V. 1,84%
31
Como se puede observar, en los dos casos de ADEVA, tanto para

la mortalidad como para el peso de los pollos, existen diferencias signi-
ficativas; por tal motivo es necesario realizar una prueba de comparación
de medias, para lo cual se utiliza diferentes métodos, de los cuales los más
utilizados en nuestro medio son Tukey y Duncan.
Cuando se compara mediante contrastes los tratamientos, según el
ADEVA, entonces se menciona que, al comparar, el testigo alcanzó un
promedio de 4,36 lb, que difiere significativamente de los tratamientos al-
ternativos que alcanzaron un promedio de 5,23 lb, lo que significa que la
utilización de diferentes niveles de zanahoria en la alimentación de pollos
de carne, mejora considerablemente el peso de los pollos, descartando el
testigo.
De la misma manera, al comparar dentro de los tratamientos alter-
nativos, el T1 vs. el T2, T3 y T4, existen diferencias significativas, lo que nos
permite rechazar al tratamiento T1 y aceptar el promedio de los tratamien-
tos 2, 3 y 4; al comparar los tratamientos T2 vs. T3 y T4, el T2 obtuvo 5,10 lb,
menor que los tratamientos T3T4; por tanto existe diferencia significativa.
Y finalmente al comparar T3 vs. T4, no existe diferencias significativas; esta
prueba sustituye al resto de comparaciones de medias; sin embargo para
demostrar de manera práctica lo describimos a continuación:
Al existir diferencias significativas para los tratamientos, entonces
aceptamos la hipótesis alternativa y sometemos en esta oportunidad a la se-
paración de medias según Tukey al 5%, tomando las sugerencias de las me-
dias y siguiendo los pasos, calculamos el Sx, luego identificamos en la tabla
de Tukey los valores correspondientes sobre la base del grado de libertad
del error; posteriormente multiplicamos por el valor teórico al 5% (apéndi-
ce 5) y determinamos la significancia entre las medias de los tratamientos.
Paso 1. Cálculo del error estándar
0,0087
Sx = = 0,054
3
32
Luis A. Condo Plaza
Paso 2. Ordenar las medias de los tratamientos de menor a mayor
Tratamientos Testigo T1 T2 T3 T4
Medias 4,00 4,83 5,10 5,46 5,53
Paso 3. Identificar en la tabla de Tukey los valores teóricos (rango

múltiple de Tukey) al 5% (apéndice 5) de acuerdo al número de grados
de libertad del error en el presente caso para cinco tratamientos y 10
g.l. error.
RMT al 5% 3,64 4,60 5,22 5,67
Si estos valores multiplicamos con el Sx y obtenemos el RMS como

observamos a continuación
RMT al 5% 3,64 4,60 5,22 5,67
Sx = 0,0538
RMS = RMT* Sx 0,196 0,247 0,281 0,305
De acuerdo a la comparación de medias según Tukey al 5%, se puede

mencionar que, entre los tratamientos T4 y T3, no existe diferencia signifi-
cativa, ya que se encuentran dentro de un rango significativo, se diferencian
estadísticamente del resto de tratamientos, principalmente del testigo que
alcanzó un peso de 4,36 libras de peso vivo.
33
Cuadro 7.3. Distribución de medias según Tukey 5%
Rango
Límite
Tratamientos Media significativo Grupo
inferior
de Turkey 5%
T1 5,53 0,305 5,225 a
T2 Me 0,281 5,179 a
T3 Me 0,247 4,853 b
T4 Me 0,196 4,634 c
Testigo Me d
Gráfico 1. Relación entre el peso en libras y el tratamiento aplicado
6
5,46 5,53
5,10
5 4,83
4,36
Peso de los pollos lb
0
Testigo T1 T2 T3 T4
Niveles de zanahoria
34
Luis A. Condo Plaza
Lo descrito en los cuadros se puede observar en el gráfico 1, en el

cual existe casi un mismo nivel entre el tratamiento 4 y el tratamiento 5, los
cuales, mediante los contrastes P < 0,05 y 0,01 y Tukey al 5% no tuvieron
significancia.
La aplicación de la informática en la estadística inferencial en los
últimos años ha tomado impulso; desde este punto de vista, podemos plan-
tear que la utilización del paquete SAS, posiblemente el más completo para
desarrollar diferentes pruebas de hipótesis basados en el diseño experimen-
tal, se demuestra a partir de ejemplos prácticos.
Una de las formas más fáciles para desarrollar el diseño completa-
mente al azar es utilizando los paquetes informáticos como el SAS. En
nuestro concepto, el más fácil y que permite modelar el diseño acorde a las
necesidades, se utiliza en modo de DOS en los paquetes tanto para MS
DOS como WINDOWS.
Con la finalidad de ilustrar, se toma un ejemplo práctico (Camacho,
2007) procesado en el sistema computarizado (SAS).
Porcentaje de proteína del yogur como respuesta a la utilización de
diferentes niveles de suero de leche.
data rolando;
input t resp;
cards;
1 2,21 1 2,13 1 1,89
1 1,83
2 2,59
2 2,11 2 1,95
2 1,95
3 3.09
3 2,13 3 1,85
3 1,99
4 2,37
4 2,22
4 2,17
4 2,09
35
proc glm;
class t;
model resp = t;
means t/Duncan;
run;
Los resultados que arroja este paquete informático son los siguien-
tes:
The SAS
15:25 Wednesday, May 21, 2007 1
The GLM Procedure

Class Level Information
Class Levels Values
t 4 1 2 3 4
Number of observations 16
The SAS System
15:25 Wednesday, May 21, 2007 2
The GLM Procedure
Dependent Variable: resp

Sum of
Source DF Squares Mean Square F Valu Pr
>F
Model 3 0.13961875 0.04653958 0.41
0.7493
CTotal 15 1.50429375
t 3 0.13961875 0.04653958 0.41
0.7493
Error 12 1.36467500 0.11372292
36
Luis A. Condo Plaza
0.092813 15.60790 0.337228 2.160625
The GLM Procedure

Duncan’s Multiple Range Test for resp
NOTE: This test controls the Type I comparisonwise

error rate, not the experimentwise error
rate
Alpha 0.05
Error Degrees of Freedom 12
Error Mean Square 0.113723
Number of Means 2 3 4
Critical Range .5196 .5438 .5585
Duncan Grouping Mean N t

A 2.2650 4 3
A 2.2125 4 4
A 2.1500 4 2
A 2.0150 4 1
Los resultados obtenidos tanto del ADEVA como de la separación

de medias se ordenan e interpretan acorde los conocimientos vistos en su
respectivo capítulo.
En diseño completamente al azar con submuestras
El la mayoría de las investigaciones, cuando se utiliza más de una especie

por unidad experimental, se incluye involuntariamente la submuestra en la fuen-
te de variación, y asoma un error muestral importante en la experimentación.
37
Para mayor entendimiento, nos permitimos exponer un ejemplo,

principalmente en experimentos pecuarios en las cuales con mayor fre-
cuencia se utiliza más de un animal por unidad experimental, pudien-
do analizar estos valores como submuestra; en cuyes en reproducción se
considera 10 hembras y un macho; esto significa que tenemos 10 sub-
muestras que analizar; en caso de pollos de carne, se utilizan 10 pollos
por unidad experimental; en lechones se puede utilizar tres o cuatro por
unidad experimental. En estos casos, cada animal es una submuestra que
perfectamente se debe analizar; de la misma manera, en experimentos
agrícolas, en una parcela experimental, se colocan más de un surco, ex-
cluyendo a los de orillas o bordes. Esto no ocurre en especies mayores
cuando utilizamos un animal por unidad experimental como es el caso de
bovinos, ovinos, porcinos.
González (1985) señala que, cuando se aplica fungicidas a las plantas
en macetas, podemos estudiar la media, algunas o todas las plantas dentro
de la maceta; esta última constituye la unidad experimental. Dos fuentes
de variación contribuyen a la varianza y se aplican a comparaciones entre
medias de tratamientos.
R5 -50,#(4-5(.,5'/-.,-5$)5&5'#-')5.,.'#(.)65-5-
cir entre especies dentro de la misma unidad experimental.
R5 50,##ĉ(5(.,5*&(.-5(5# ,(.-5/(#-52*,#'(-
tales bajo el mismo tratamiento, es decir la variación entre ma-
cetas dentro de tratamientos.
Los cuadrados medios para los dos tipos de variación se conocen

como error de muestreo y error experimental, respectivamente.
En el ADEVA, se incluye las fuentes de variación, los grados de li-
bertad y la suma de cuadrados para cada una de ellas. No consta en el cua-
dro del cálculo de unidad experimental, aun cuando es indispensable cono-
cer la suma de cuadrados respectivos para poder calcular por diferencia la
suma de cuadrados de la fuente unidad experimental dentro del tratamiento y
que constituye el error experimental, así como para obtener la suma de cua-
drados del error de muestreo. El cuadrado medio de tratamientos se divide
38
Luis A. Condo Plaza
para el cuadrado medio del error experimental, a fin de obtener el valor de

Fisher y establecer si hay diferencias significativas entre tratamientos.
Modelo lineal aditivo o ecuación de rendimiento
Yijk = µ + i
+ Cij + ijk
donde:
µ = media general
= efecto - tratamientos
C = error - experimental
= error - muestral
i = iesimo - tratamiento
j = jotaésima - repetición
k = kaésima - muestra
Modelo matemático DCA con submuestras
El resumen del ADEVA se precisa mediante las expresiones para

sumas de cuadrados, grados de libertad, cuadrado medio, valores Fisher
calculados y tabulares para la determinación de la significancia y la acepta-
ción o rechazo de las hipótesis.
(∑x)2
SCTotal = ∑x2 -
rts
(∑xTrat)2
rs
∑Ti2
rs
39
∑(∑xRep)
SCSubmuestra = - FC
s
∑(∑xRep - ∑xRep)2
SCSubmuestra =
s
SCError(Experimental) = SCTratamientos - SCSubmuestra
SCError(Muestral) = SCTotal - SCSubmuestra
Cuadros medios o varianzas
SCTratamientos
CMTratamientos =
gl
SCError(Experimental)
CMError(Experimental) =
gl
SCError(Muestral)
CMErros(Muestral) =
gl
CMTratamientos
FCal(Tratamientos) =
CMError(Experimental)
Finalmente, si no existe diferencia significativa para los tratamientos,

la hipótesis alternativa se rechaza, caso contrario se acepta, quedando pen-
diente realizar la comparación de medias.
Para el DCA, con submuestras, el que nos permite utilizar todas las
observaciones de la investigación, se emplea la investigación “Restricción
cuantitativa de alimentación para el control del síndrome ascítico en po-
llos parrilleros” en la comunidad de Pisicaz (Espinoza, 2005). Acatando
40
Luis A. Condo Plaza
las reglas del diseño completamente al azar y al modelo lineal matemático,

desarrollamos de la siguiente manera.
Cuadro 8. Peso de pollitos a los 56 días con diferentes

restricciones alimenticias
Restricción Sub- Repeticiones

de alimento muestra Suma Media
I II III IV
1 2325 2400 2350 2330 9405 2351.25
2 2375 2275 2330 2325 9415 2353,75
Ca
3 1890 2375 2330 2480 9170 2292,50
voluntad
4 2450 2450 2330 2450 9795 2448,75
5 2500 2450 2330 2400 9700 2425,00
47485
1 2365 2305 2375 2325 9370 2342,50
2 2275 2475 2555 2425 9730 2432,50
Restricciones
3 2345 2350 2400 2300 9395 2348,75
18 H
4 2300 2300 2450 2500 9550 2387,50
5 2200 2250 2350 2300 9100 2275,00
47145
1 2250 2200 2325 2275 9050 2262,50
2 2300 2250 2100 2300 8950 2237,50
Restricciones
3 2350 2225 2315 2250 9140 2285,00
17 H
4 2325 2200 2250 2250 9025 2256,25
5 2200 2350 2300 2100 8950 2237,50
45115
1 2125 2050 2000 2075 8250 2062,50
2 2075 2075 2000 2150 8300 2075,00
Restricciones
3 2075 2075 2100 2050 8300 2075,00
16 H
4 1975 2075 2025 2000 8075 2018,75
5 2150 1800 2050 1950 7950 1987,50
40875 2257,75
41
SCTotal = ∑(x - x)2
SCTotal = (2325 - 2257,75)2 + ...... + (1959 - 2257,75)2 = 2063245
∑[(∑xTrat - ∑xTrat)2]
SCTratamientos =
r(sb)
SCTrat = (47485 - 45155)2 + ...... + (40875 - 45155)2 = 1385450
∑(∑xSubm - ∑xSubm)2
SCSubMuestras =
r.t
SCSubm = (9405 - 9031)2 + ...... + (7050 - 9031)2 = 1533657,50
SCErrorExperimental = SCSubm - SCTrat
SCErrorExp = 1533657,50 - 1385450 = 148207,50
SCError.m = SCTotal - SCSubm
SCErrorMuestral = 2063245 - 1533657,50 = 529587,50
Para demostrar la equivalencia de las fórmulas de suma de cuadrados

de González (1985) y Reyes (1978) aplicamos los cálculos respectivos.
(∑x)2
FC =
n
1806202
FC = = 407794805,00
80
42
Luis A. Condo Plaza
(∑x)2
SCTotal = ∑(x)2 -
n
SCTotal = (2325)2 + ...... + (1950)2 - FC = 2063245,00
∑(∑xTrat)2 (∑x)2
SCTratamientos = -
r.x.sb n
(45115)2 + ..... + (47485)2 (9031)2

SCTratamientos = - = 1385450,00
4x5 80
∑(∑xSubm)2 (∑x)2
SCSubmuestras = -
r.x.sb n
(9405)2 + ..... + (7950)2 (9031)2

SCSubm= - = 1533657,50
4x4 80
SCError.Experimental = SCSubMuestras - SCTrat
SCErrorExp = 1533657,50 - 1385450 = 148207,50
Cuadro 8.1. ADEVA para el DCA con submuestras
Fuente de variación g.l. Suma de Cuadrado Fisher

Cuadrados Medio Cal 0,05 0,01
Total 79 2063245,00
Tratamientos 3 1385450,00 461816,67 55,81 3,49 5,95
Submuestras 4 1533657,50 383414,38
Error experimental 12 148207,50 12350,63
Variación 64 529587,50 8274,80
** Diferencia altamente significativa F cal > F5% y 1%
43
SCError.Muestral = SCTotal - SCSub.Muestr
SCErrorMuestral = 2063245 - 1533657,50 = 529587,50
Uno de los cálculos importantes de la estadística inferencial en el di-

seño experimental es el coeficiente de variación, el mismo que nos permite
determinar el porcentaje de variabilidad de la información en el campo con
la que se ha recogido la información calculándose de la siguiente manera:
CMerror
CV = x100
x
13473,92
CV = x100 = 5,14%
2257,75
La variación de la información recogida en el campo según el coefi-

ciente de variación fue del 5,14%, que se encuentra dentro de los paráme-
tros normales.
Únicamente basados en estos resultados podemos mencionar que
existe una diferencia altamente significativa cuando se compara con Fi-
sher teórico al 5% y 1% (apéndice 3); por tal razón, es necesario realizar la
comparación de medias que nos permitirá determinar el mejor tratamiento.
En el presente análisis utilizamos la prueba de Tukey al 5%, para lo
cual procedemos de la siguiente manera a calcular el error estándar:
CMerror
Sx =
r
13473,92
Sx = = 58,038
4
44
Luis A. Condo Plaza
Una vez obtenido el error estándar, se multiplica el valor tabular de

Tukey o Duncan, producto que nos sirve de fuente de comparación según
rangos o límites permitidos para formar grupos de significancia.
Para realizar el respectivo agrupamiento y determinar el tratamiento
que permitió el mejor peso de los pollos a los 56 días, realizamos la siguien-
te operación:
Cuadro 8.2. Distribución de medias según rango de Tukey
Tratamiento Media Q RSQ LIS Grupo

C a voluntad 2374,25 4,20 243,757 2130,493 a
Restricción 18 H 2357,25 3,77 218,803 2138,447 a
Restricción 17 H 2255,75 3,08 178,759 2076,991 a
Restricción 16 H 2043,75 b
Restamos el promedio del mejor tratamiento del valor calculado de

Tukey 5% x el error estándar y tenemos: 2374,25 – 243,757 = 2130,493; de
esta manera podemos mencionar que 2130,493 es el límite inferior y todas
las medias que estén dentro de este rango no difieren significativamente y
pertenecen al grupo a, mientras que el resto de tratamientos se diferencian
significativamente. En el siguiente cálculo tenemos: 2357,25 – 218,803 =
2138,447; en este caso no abarca a otro valor adicional que el del grupo a;
por lo tanto, descartamos este valor y procedemos al siguiente cálculo.
Finalmente calculamos 2255,75 – 178,759 = 2076,991 gramos, de la
misma manera este cálculo no abarca la media de tratamiento restricción a
las 16 horas, quedando fuera de este rango; por tal razón esta media perte-
nece a un grupo adicional b, por no estar dentro de los rangos que permite
Tukey al 5%. Luego de haber realizado las comparaciones de medias según
Tukey al 5%, se puede observar que los tratamientos que alcanzaron el me-
jor peso fueron el testigo, restricción a las 18 y 17 horas que se diferencian
significativamente de la restricción 16 horas que alcanzó el menor peso que
el resto de tratamientos.
45
Ejercicios de refuerzo
Conversión alimenticia de pollos como respuesta a la aplicación de

diferentes sistemas de alimentación en la etapa final (28 – 49 días).
Repeticiones
Tratamientos Suma Media
I II III IV V VI
T1 2,471 2,588 2,564 2,469 2,588 2,540 15,220 2,537
T2 2,531 2,227 2,329 2,343 2,195 2,288 13,913 2,319
T3 2,337 2,370 2,327 2,306 2,234 2,306 13,880 2,313
T4 2,132 2,288 2,260 2,196 2,303 2,350 13,529 2,255
T5 2,198 2,355 2,453 2,255 2,299 2,481 14,141 2,357
Fuente: Tapia, 2005
'Ą)55&5'55/3-5$)5&5#(ł/(#55# ,(.-5(#0&-5
de afrecho de maíz en dietas para cuyes en las etapas de crecimiento, engor-
de y gestación, lactancia.
Repeticiones
Afrecho de maíz
I II III IV V VI
Control 3,00 4,00 3,00 3,00 5,00 4,00
10% a. de maíz 3,00 3,00 3,00 3,00 2,00 3,00
20% a. de maíz 4,00 4,00 4,00 4,00 4,00 4,00
30% a. de maíz 4,00 2,00 4,00 3,00 3,00 3,00
Fuente: Villa, 2014
Peso al empadre de cuyes como efecto de la utilización de diferentes

relaciones de energía - azúcar.
Niveles de ener- Repeticiones

Suma Media
gia Kcal I II III IV V
2600 1290,00 1045,00 1170,00 1147,50 1027,50 5680,00 1136,00
2800 1432,50 1197,00 1162,50 1212,50 1050,00 6054,50 1210,90
3000 1100,00 1157,00 1010,00 1215,00 1110,00 5592,00 1118,40
Fuente: Ricaurte, 2006
46
Luis A. Condo Plaza
Peso a la canal de cuyes sometidos a diferentes tipos de alimentación.
Repeticiones Suma Media

Tratamientos
I II III IV V Ti x
A1 0,594 0,603 0,640 0,588 0,614 3,039 0,608
A2 0,808 0,858 0,862 0,865 0,783 4,176 0,835
A3 0,981 0,868 0,942 0,769 0,850 4,410 0,882
A3 0,981 0,805 0,888 0,841 0,873 4,313 0,863
Fuente: Zárate, 2005
Diseño de bloques completos al azar (DBCA)
A este diseño se le conoce como diseño de clasificación de dos vías

(ordenamiento múltiple o Two Ways). El objetivo del diseño es reunir las
unidades experimentales –a las que aplicará los tratamientos– en bloques
de cierto tamaño, de tal modo que los tratamientos participen por igual,
con condiciones tan uniformes como sea posible, dentro de cada bloque.
La variabilidad entre unidades experimentales de diferentes bloques será
mayor que entre unidades dentro del mismo bloque. En consecuencia, las
diferencias que se encuentren entre unidades se deberá en su mayor parte a
diferencias entre tratamientos; la diferencia que no se debe a tratamientos
es removida por el diseño y forma parte del error experimental.
En el diseño de bloques completamente al azar, los tratamientos
también se asignan aleatoriamente, a un grupo de unidades experimenta-
les denominado bloque o repetición. El término bloque es más adecuado
puesto que evita confusión con las repeticiones del DCA (Little y Hill,
1976), la finalidad es mantener la variabilidad entre unidades experimen-
tales dentro de un bloque tan pequeño como sea posible y maximizar la
diferencia entre tratamientos.
Durante el curso del experimento, todas las parcelas dentro del blo-
que deben ser tratadas en igual forma, exceptuando la aplicación de los
tratamientos cuyo efecto se trata de medir. Así, si los tratamientos son fer-
47
tilizantes, todos los otros aspectos, como preparación del suelo, sistema,
época y densidad de siembra, labores culturales, uso de pesticidas, riegos,
variedad, etc., deben ser exactamente iguales para todas las parcelas. Si no
fuera así, estaríamos introduciendo fuentes adicionales de variación, cuyo
efecto sería imposible de medir, las que enmascararían el efecto de los tra-
tamientos en estudio. Los tratamientos deben ser randomizados dentro de
cada bloque.
Este diseño se caracteriza por el equilibrio que se presenta, por ser
fácil de planear y por su procedimiento de cálculo simple. Sus ventajas son:
R5 !,/*'#(.)55&-5/(#-52*,#'(.&-5(5&)+/-65-
bido a la existencia real de variabilidad, aumenta la precisión
del experimento con relación al DCA.
R5 )52#-.(5,-.,##)(-5(5/(.)5&5(Ě',)55.,.'#(.)-5
o bloques.
R5 (á&#-#-5-.ù-.#)5-#'*&8
R5 #5-5*#,(5&)-5.)-55/(5&)+/65-.)-5*/(5,/*,,-5
sin complicaciones para el análisis y se estiman vía fórmula.
De contraparte, hay desventajas que pueden presentarse:
R5 /()5&50,##&#5(.,5/(#-52*,#'(.&-5(.,)5
de los bloques es grande, resulta un error experimental consi-
derable. Esto ocurre usualmente cuando el número de trata-
mientos es muy grande.
R5 #52#-.(5#(.,#)(-5(.,5&)+/-535&)-5.,.'#(.)-65-.-5
van incluidas en el error experimental.
R5 #5()52#-.5/(5,&5# ,(#5(.,5&)+/-65",á5/(5*ï,#-
da de precisión en el experimento con relación al DCA, debido
a la disminución de los grados de libertad del error.
R5 /()5&5(Ě',)55.,.'#(.)-5-5&.)65/'(.5&5-/*,-
ficie de terreno dentro de cada bloque y, en consecuencia tam-
bién el tamaño del error experimental.
48
Luis A. Condo Plaza
En el siguiente cuadro se presenta la nomenclatura que se usará en

el caso de ordenación doble, es decir cuando se tiene dos variables como la
situación de BCA, con tratamientos y repeticiones.
Cuadro 9. Ordenación doble de entrada para bloques y tratamientos
Bloques
Tratamientos ∑(trat) Media(trat)
I II III IV
t1 Xt1r1 Xt1r2 Xt1r3 Xt1r4 ∑Xt1 Media t1
∑(bloque) ∑Xr1 ∑Xr2 ∑Xr3 ∑Xr4 ∑Xti Media G
En donde señalamos que: la sumatoria de los tratamientos se identi-

fica con el símbolo de sumatoria con el subíndice (Trat) o con la t minús-
cula y podemos señalar que dicha sumatoria se realiza en forma horizontal
de igual manera para las medias, mientras que la sumatoria de los bloques
se nota al pie con el símbolo de sumatoria y el subíndice (bloque) que se
puede representar con la letra r minúscula por referirse a las repeticiones.
No colocamos la nomenclatura b minúscula o mayúscula para evitar con-
fusión con los experimentos factoriales.
(Xt1r1 + Xt1r2 + Xt1r3 + Xt1r4)

Xt1 =
r
Con relación al valor F de los bloques, este no debe ser tomado en

consideración, ya que las repeticiones por cada tratamiento son tomadas en
cuenta únicamente como fuente de variación con la finalidad de reducir el
error experimental, mas no para determinar el nivel de significancia de los
bloques o repeticiones.
En realidad, un valor de F significativo para los bloques nos está
indicando que al usar el DBCA se ha incrementado el grado de precisión
49
en comparaciones con el DCA, puesto que ha existido heterogeneidad en

el suelo y hemos tenido éxito al estratificar o agrupar los tratamientos en
bloques, reconociéndolas como fuente adicional de variación, la misma que
ha sido eliminada por medio del error experimental.
Por otro lado, al existir heterogeneidad en el suelo, ha sido posible
probar las variedades, bajo condiciones diferentes y así se puede ampliar el
alcance de las inferencias; es decir, las conclusiones servirán para áreas más
amplias, que en el caso de que el terreno hubiera sido uniforme.
Es preciso verificar si el CV es bajo, en cuyo caso no existe la necesi-
dad de recurrir a este diseño y más bien hay que optar por un DCA.
Modelo lineal aditivo o ecuación de rendimiento en DBCA
En el diseño de BCA, una observación Xij está formada por
Y ij = µ + i
+ j
+ Cij ; donde:
Yij : valor estimado de la variable

µ : media general
j
: efecto del bloque B1, B2, ... , Bjavo
i
: efecto del tratamiento T1, T2, ... , Tiavo
Cij : error experimental
La ecuación está entonces definida por la media general, más el efec-

to de tratamientos, más el efecto promedio de bloques, más un elemento
al azar, que es el error experimental para cada observación. Dependiendo
de los efectos de los tratamientos y bloques, podemos tener dos modelos:
Modelo I o fijo.- Efecto de los tratamientos y bloques fijos, cuando

los tratamientos estudiados constituyen toda la población, en cuyo caso, los
resultados se aplican al lugar y año en que se llevó a cabo el ensayo.
Modelo II o al azar.- Los tratamientos y bloques del ensayo han

sido escogidos al azar de una población grande de tratamientos y bloques;
50
Luis A. Condo Plaza
las conclusiones se aplican a toda esta población de la que fueron seleccio-

nados.
Ejemplo de distribución de tratamientos en DBCA
Para la evaluación de la utilización de dietas con diferentes niveles de

gallinaza (0%, 5%, 10% y 15%) en la alimentación de corderos de engorde,
se dispone de los siguientes datos de 20 unidades experimentales, donde la
gradiente de variabilidad adicional a los niveles de gallinaza es el peso de
los corderos. Por lo tanto, debe bloquearse según peso:
Cuadro 10. Serie de pesos ordenados ascendentemente
15,6 15,9 17,4 17,8 18,1 22,6 22,9 30,3 30,5 31,5
1 2 3 4 5 6 7 8 9 10
11 12 13 14 15 16 17 18 19 20
31,9 32,3 32,9 33,0 33,7 34,2 35,0 35,4 35,5 35,8
Se debe procurar disponer en cada bloque a los animales que se ha-

yan agrupado en condiciones de peso; así:
Cuadro 11. Disposición de los bloques
Bloque I Bloque II Bloque III Bloque IV

15,6 - 18,1 22,6 - 31,5 31,9 - 33,7 34,2 -32,8
Bloques
I II III IV
(1) 15,6 (t5%) (6) 22,6 (t10%) (11) 31,9 (t20%) (16) 34,2 (t15%)
(2) 15,9 (t0%) (7) 22,9 (t20%) (12) 32,3 (t15%) (17) 35,0 (t10%)
(3) 17,4 (t10%) (8) 30,3 (t15%) (13) 32,9 (t10%) (18) 35,4 (t5%)
(4) 17,8 (t20%) (9) 30,5 (t0%) (14) 33,0 (t5%) (19) 35,5 (t0%)
(5) 18,1 (t15%) (10) 31,5 (t5%) (15) 33,7 (t0%) (20) 35,8 (t20%)
51
Nótese que los (numerales) corresponden a la identificación que se

asignó a las unidades experimentales (corderos), luego consta el peso y final-
mente el sorteo de los tratamientos. De esta manera se logra poner en igual-
dad de condiciones a todas las unidades experimentales en grupos de peso
constituido por los bloques. Así se controla el efecto de la variación en peso
de estas unidades, conformando cuatro bloques de distinto rango de peso.
Modelo matemático en DBCA
En igual forma que cuando se aplicó DCA, se reportan las expresio-

nes matemáticas que responden a la implementación del ADEVA para este
importante diseño experimental.
Cálculo de las sumas de cuadrados
Suma de cuadrados totales
(∑x)2
SCTotal = ∑x -
rt
SCTotal = ∑(x - x)2
La suma de cuadrados del total se calcula al igual que en el caso del

diseño completamente al azar; de esta manera se eleva al cuadrado cada
uno de los valores obtenidos en el campo y se resta el factor de corrección,
como se exhibe en la ecuación. De la otra manera se puede realizar con la
sumatoria de las desviaciones elevadas al cuadrado.
El factor de corrección se calcula elevando al cuadrado la sumatoria
de los valores obtenidos en el campo, divididos para el número de unidades
experimentales.
(∑x)
FC =
rt
52
Luis A. Condo Plaza
Suma de cuadrados de los tratamientos
Se obtiene elevando al cuadrado las sumas de cada uno de los tra-

tamientos, y obteniendo la sumatoria de estos resultados la misma que se
relaciona con el número de repeticiones; finalmente se resta del factor de
corrección. De la misma manera se puede calcular elevando al cuadrado las
desviaciones de la suma de los tratamientos, sobre el número de repeticio-
nes como se aprecia en la siguiente ecuación.
∑(∑xTrat)2
r
SCTratamientos =
r
Suma de cuadrados de los bloques se calcula sumando el total de

cada bloque elevado al cuadrado y dividido para el número de tratamientos
y restando el factor de corrección o sumando las desviaciones al cuadrado
de los bloques, como se presenta en la siguiente fórmula.
∑(∑xRep)2
SCRepeticiones = - FC
t
SCRepeticiones =
t
La suma de cuadrados del error se calcula por simple diferencia en-

tre la suma de cuadrados totales de la suma de cuadrados de los bloques y
la suma de cuadrados de los tratamientos, como se observa en la siguiente
ecuación:
SCError(experimental) = SCTotal - (SCBloques + SCTratamientos)
53
∑(∑xTrat - ∑xTrat)2 ∑(∑xRep - ∑xRep)2

SCError = ∑(∑x - ∑x) - 2
-
r t
Se ha supuesto que los errores aleatorios provienen de una sola po-

blación; a veces este supuesto es falso y la varianza del error será mayor
para algunos tratamientos que para otros. Esto puede crear un problema en
una prueba de hipótesis. A veces se dispone una solución sencilla para el
problema como cuando se utilizan diferencias para observaciones pareadas
con sentido, sin importar si la varianza está o no relacionada con otros tra-
tamientos. Esta última puede generalizarse para aplicarla a comparaciones
para este tipo de heterogeneidad de la varianza (Stihll y Torrie, 1988).
Cuadrados medios
La varianza o cuadrado medio es la relación que existe entre la suma

de cuadrados y los grados de libertad; únicamente se calcula para los blo-
ques, tratamientos y error, como se ve en la siguiente fórmula:
∑(∑xTrat)2 ∑(∑x)2
-
r rt
CMTratamientos =
glTrat
r
CMTratamientos = ; o en su defecto
gl
SCTratamientos
CMTratamientos =
glTratamientos
54
Cuadro 12. Modelo matemático del DBCA
Fuente de Suma de Grados de Cuadrado Fisher

variación cuadrados libertad medio Calc. 0,05 0,01
(960)2
5320,200 -
Total 178 rt -1
2
S yx
= = 47,5
3
2 SCRep
∑ j (∑x)2
Bloques SCBloques = - r -1
t n glRep
t -1 CMTrat TABLA VALO-
∑T2i (∑x)2 SCTrat
Tratamiento STratamientos = - RES FISHER
t n glTrat CMError (g.l. numerador y
gl denominador
SCerror
(n-1) - (r -1) -
Error SCTotales - SCRepeticiones - SCTratamientos
(t-1) glerror
NOTA: los demás elementos del modelo son similares a los del DCA
55
Luis A. Condo Plaza
De la misma manera que para los tratamientos, los bloques y el error,

se divide la suma de cuadrados para los grados de libertad de cada una de
las fuentes de variación.
Al igual que en el DCA, si el cuadrado medio del tratamiento es me-
nor que el cuadrado medio del error, se declara los resultados no significa-
tivos; caso contrario, la diferencia es significativa o altamente significativa,
luego de comparar con Fisher teórico al 5% y 1% respectivamente. Esta
significancia implica que los tratamientos no pertenecen a poblaciones con
media común, y los tratamientos difieren en forma significativa, pero no
nos indica entre qué medias de tratamientos hay o no diferencias estadís-
ticamente significativas. Recurrimos a la separación de medias o compa-
raciones entre tratamientos, base de algunas de las cuales son los valores
como error típico de la media SX error típico de la diferencia entre medias
de tratamientos Sd
CMerror
Sx =
r
2CMerror
Sd =
r
Valores Fisher
Fisher calculado, por el cual se acepta o rechaza la hipótesis plan-

teada, se calcula a partir del cuadrado medio de los tratamientos sobre
el cuadrado medio del error y se compara con los Fisher teórico al 5%
y 1%.
CMTratamientos
FCalculado =
CMError
56
Luis A. Condo Plaza
Recuperación de parcelas pérdidas
Una de las ventajas del DBCA es la recuperación de valores de una

unidad experimental cuando se ha perdido durante el desarrollo de una in-
vestigación, o no existieron todas las unidades experimentales (en extremo
caso); esto significa que la estimación de un valor no disponible, permite
controlar la precisión del análisis estadístico, con la condición de provocar
un ajuste de observaciones en los grados de libertad, puesto que es necesa-
rio en el ADEVA disminuir el número de parcelas o unidades recuperadas
a los grados de libertad totales normales. Este particular no se requiere en
el DCA, puesto que se asume que las unidades experimentales son homo-
géneas.
Cuando esta parcela se pierde en un DCA, simplemente se toma el
mismo diseño, pero con diferente número de repeticiones, cosa que no se
puede realizar en el DBCA. Como pueden darse casos en los que se mue-
ran todos los pollitos de una unidad experimental, una vaca, un cerdo, una
oveja, una parcela, el consumo de la semilla de pasto por aves, entre otros.
Para estos casos, es necesario estimar el valor inexistente, antes de proceder
a realizar el ADEVA. Para ello, se utiliza la siguiente fórmula:
rB + tT - G
Xp = ; donde:
(r - 1)(t - 1)
Xp = parcela perdida
r = número de repeticiones
B = suma del total del bloque donde se perdió
t = número de tratamientos
T = suma del total del tratamiento donde se perdió
G = gran total
Una vez calculado el valor perdido, se reemplaza la celda respecti-

va con ese valor y se inicia con el cálculo del ADEVA, en forma normal,
restando un grado de libertad para el total por cada parcela recuperada y
57
consecuentemente mermarán en ese número los grados de libertad para el

error.
Con el conocimiento de la variabilidad del experimento, se podría
eliminar las parcelas perdidas y analizar los datos como si se tratará de un
DCA. En caso de existir parcelas pérdidas con el BCA, el valor de Sd es igual:
Sd =
s
[ 2
r
+
t
r(r - 1)(t - 1) [
Cuando se quiere comparar el grado de eficiencia conseguido con
DBCA, en comparación con DCA, se usa la siguiente ecuación, para cal-
cular el error del DCA.
nbEe + (n1 + ne)Ee

Ee(DCA) =
nb + nt + ne
Donde Eb y Ee son los cuadrados medios para los bloques y para el

error, y nb, nt y ne, son los grados de libertad para bloques, tratamientos y
para el error. La eficacia relativa (ER), del DBCA en relación al DCA, está
dada por:
Ee(DCA) (n1 + 1)(n2 + 3)100

ER =
Ee(DBCA) (n1 + 3)(n2 + 1)
Donde n1 son los grados de libertad para DBCA y n2, los grados de
libertad para el DCA.
Si el resultado fuera el 80%, esto significaría que 80% en condición
de repeticiones con DCA son tan eficientes, o dan tanta información, como
100 repeticiones con DBCA. Si el valor fuera 200%, diríamos que DBCA
es dos veces más eficiente que el DCA.
58
Luis A. Condo Plaza
Con la finalidad de sustentar el diseño en bloques completamente

al azar (DBCA), tomamos el experimento “Levante y engorde de toretes,
suplementados con diferentes niveles de pollinaza” (Segovia, 2000).
H1: la ganancia de peso de los toretes criados con distintos niveles de
pollinaza presenta diferencias significativas
Cuadro 13. Ganancia de peso (kg) de toretes de levante

(1-156 días de edad) alimentados con dietas a base de pollinaza
Repeticiones
Tratamientos ∑Ti x
I II III IV
Testigo 0,554 0,216 0,390 0,615 1,775 0,444
0,20 0,443 0,676 0,510 0,510 2,139 0,535
0,40 0,694 0,489 0,757 0,702 2,642 0,661
0,60 0,626 0,460 0,676 0,772 2,534 0,634
0,80 0,694 0,997 0,708 0,633 3,032 0,758
∑ 3,011 2,838 3,041 3,232 12,122 0,606
Fuente: Segovia, 2000
Para iniciar el cálculo de la suma de cuadrados de las diferentes fuen-

tes de variación, se vale de la suma de cuadrados corregidos.
SCTotal = (0,554 - 0,606)2 + ..... + (0,663 - 0,606)2 = 0,531
SCTratamientos =
r
(1,775 - 2,424)2 + .... + (3,032 - 2,424)2

SCTratamientos = = 0,233
4
59
SCRepeticiones =
t
(3,011 - 3,030)2 + .... + (3,232 - 3,030)2

SCRepeticiones = = 0,016
5
SCError = SCTotal - SCTrat - SCBloq
SCError = 0,531 - 0,233 - 0,016 = 0,282
El cálculo de sumas de cuadrados, al igual que en el diseño comple-

tamente al azar, en el DBCA, se pueden calcular de la forma simple, utili-
zando el factor de corrección para el total, bloques y tratamientos.
(∑x)2
FC =
rt
(12,12)2
FC = = 7,347
20
(∑x)2
SCTotal = ∑(x)2 -
n
(12,12)2
SCTotal = (0,554)2 + .... + (0,633)2 - = 0,531
20
∑(∑xTrat)2 (∑x)2
SCTratamientos = -
r.x.sb n
60
Luis A. Condo Plaza
(1,775)2 + .... + (3,032)2 (12,12)2

4 20
∑(∑xRep)2 (∑x)2
SCRepeticiones = -
t n
(3,011)2 + .... + (3,232)2 (12,12)2

SCRepeticiones = - = 0,016
5 20
Una vez obtenida la suma de cuadrados para las diferentes fuentes de

variación, se procede a calcular los cuadrados medios, como sigue a conti-
nuación:
SCTratamientos
CMTratamientos =
glTratamientos
0,232
CMTratamientos = = 0,058
4
SCRepeticiones
CMRepeticiones =
glRepeticiones
0,015
CMRepeticiones = = 0,005
3
61
SCError
CMError =
glError
0,282
CMError = = 0,016
17
Obtenidos los cuadrados medios, se calcula el valor Fisher para cada

una de las diferentes fuentes de variación y finalmente se contrasta con los
valores Fisher tabulares al nivel P < 0,05 y P < 0,01 y decidir estadística-
mente sobre las diferencias entre medias de tratamientos, si el procesa-
miento estadístico es manual o a través de Excel de MS-Office para aceptar
o rechazar la hipótesis alternativa planteada.
Si el procesamiento es a través de los sistemas estadísticos compu-
tarizados, la probabilidad viene expresada en proporción de significancia.
Cuadro 13.1. Desdoblamiento de la varianza de los tratamientos
Tratamientos Suma Ts vs. resto T1 vs. T2T3T4 T2 vs. T3T4 T3 vs. T4

Testigo 1,775 -4 -7,10 0 0,00 0 0,00 0 0,00
T1 2,139 1 2,14 -3 -6,42 0 0,00 0 0,00
T2 2,642 1 2,64 1 2,64 -2 -5,28 0 0,00
T3 2,534 1 2,53 1 2,53 1 2,53 -1 -2,53
T4 3,032 1 3,03 1 3,03 1 3,03 1 3,03
Suma 20 3,25 12 1,79 6 0,28 2 0,50
Cuadrados 80 10,54 48 3,21 24 0,08 8 0,25
SC 0,132 0,067 0,003 0,031
CMTrat
Fcal(Tratamientos) =
CMError
0,058
Fcal(Tratamientos) = = 3,507
0,016
62
Luis A. Condo Plaza
CMBloq
Fcal(Repeticiones) =
CMError
0,005
Fcal(Repeticiones) = = 0,313
0,016
Al existir un testigo en la presente investigación, se compara los tra-

tamientos mediante contrastes, valiéndonos del siguiente cuadro de apoyo.
La suma de cuadrados de las comparaciones ortogonales se calcula de
manera similar que en el diseño de bloques completos al azar.
Al existir diferencias significativas para los tratamientos, se acepta la
hipótesis alternativa y se rechaza la hipótesis nula, aduciendo que sí existió
efecto de los diferentes niveles de pollinaza en la alimentación de toretes;
por tanto, las ganancias de peso fueron diferentes.
Cuadro 13.2. ADEVA para el DBCA

cuadrados medio Cal 0,05 0,01
Total 19 0,531
Repeticiones 3 0,016 0,005 ns 0,208 3,490 5,952
Tratamientos 4 0,233 0,058* 2,476 2,259 5,411
T1 vs. resto 1 0,132 0,132* 5,500 4,75 9,33
T1 vs. T2T3T4 1 0,067 0,067 ns 2,792 4,75 9,33
T2 vs. T3T4 1 0,003 0,003 ns 0,125 4,75 9,33
T3 vs. T4 1 0,031 0,031 ns 1,292 4,75 9,33
Error 12 0,282 0,024
CV% 25,31%
Media 0,606 g
* Diferencia significativa
F cal y > 1%
63
CMerror
CV = x100
x
0,024
CV = x100 = 25,56%
0,606
Uno de los indicadores claves de la recopilación de la información

en el campo es el coeficiente de variación, que en este caso está fuera de los
límites permitidos, lo que significa que existe el 25,31% de variación, siendo
demasiado amplia, por lo que es necesario transformar la información obte-
nida con la finalidad de que la variación de los datos en el campo sea mínima
o esté dentro de los parámetros permitidos, para lo cual debemos tomar en
cuenta las diferentes formas de transformar como la raíz cuadrada + 1, muy
utilizada para homogenizar la información.
X= x+1
En el presente caso, la base de datos se procede a transformar con

la raíz cuadrada más uno, quedando los resultados de la siguiente manera:
SCTotal = (1,25 - 1,27)2 + ..... + (1,28 - 1,27)2 = 0,083
SCTratamientos =
r
64
Luis A. Condo Plaza
Cuadro 13.3. Valores ajustados de la ganancia de peso (kg) a la

utilización de diferentes niveles de pollinaza en la alimentación
de toretes durante la etapa total de levante (1 – 156 días)
pollinaza, %
Suma Media
I II III IV
Testigo 1,25 1,10 1,18 1,27 4,80 1,20
0,20 1,20 1,29 1,23 1,23 4,95 1,24
0,40 1,30 1,22 1,33 1,30 5,15 1,29
0,60 1,28 1,21 1,29 1,33 5,11 1,28
0,80 1,30 1,41 1,31 1,28 5,30 1,32
(4,80 - 5,06)2 + .... + (5,30 - 5,06)2

4
SCRepeticiones =
t
(6,33 - 6,33)2 + .... + (6,41 - 6,33)2

5
SCError = SCTotal - SCTrat - SCBloq
SCError = 0,083 - 0,037 - 0,003 = 0,043
Si se desarrolla únicamente el cuadrado medio del error, tenemos:
SCError
CMError =
glError
65
0,043
CMError = = 0,00358
12
CMerror
CV% = x100
x
0,00358
CV = x100 = 4,73%
1,265
Como se observa en este caso, el coeficiente de variación bajó com-

pletamente de 25,56% a 4,72%, que está dentro de los parámetros permiti-
dos de evaluación de la recopilación de datos de una investigación.
Con esta información transformada, nuevamente se procede a desa-
rrollar el ADEVA, con la finalidad de obtener un coeficiente de variación
permitido en investigaciones agropecuarias.
Una vez que se ha determinado diferencia significativa, necesitamos rea-
lizar la prueba de separación de medias, para lo cual se utiliza la teoría de Dun-
can al 5% para poder recomendar el mejor resultado sobre la base de al mejor
nivel de pollinaza como suplemento en la dieta para el engorde de toretes.
CMerror
Sx =
r
0,024
Sx = = 0,077
4
Una vez obtenido el error estándar, multiplicamos por el valor tabular

de Duncan; este producto que nos sirve de fuente de comparación según
rangos o límites permitidos para formar grupos de significancia.
66
Luis A. Condo Plaza
Los valores de separación de medias teóricos se disponen en los

apéndices, las mismas que están sujetas a integración con el error estándar.
2 3 4 5
RMD 5% 3,08 3,23 3,33 3,36
Sx = 0,077
RMD* Sx = 0,237 0,249 0,256 0,259
Para realizar el respectivo agrupamiento y determinar el mejor trata-

miento que permitió la mayor ganancia de peso de los toretes, realizamos
la siguiente operación:
Restar el promedio más alto del tratamiento del valor calculado de
Duncan al 5% producto del error estándar por el Duncan teórico y tene-
mos:
0,758 – 0,259 = 0,533
Cuadro 13.4. Distribución de medias según rango de Duncan 5%
Nivel de pollinaza, % x RSD LIS Grupo

0,80 0,758 0,259 0,499 a
0,40 0,660 0,256 0,404 ab
0,60 0,633 0,249 0,384 ab
0,20 0,534 0,237 0,279 ab
Testigo 0,443 b
Lo que significa que el límite inferior 0,499 kg de ganancia de peso

y todos los tratamientos que estén dentro de este rango no difieren signifi-
cativamente y pertenecen al grupo a, mientras que el resto de tratamientos,
pertenecen a otro grupo que se diferencian estadísticamente.
Al realizar el siguiente cálculo tenemos:
0,660 – 0,256 = 0,404; en este caso se agrupa al resto de tratamientos

incluido el testigo (0% de pollinaza).
67
De esta manera se puede concluir que el tratamiento que mayor ga-

nancia de peso permitió fue aquel en que se proporcionó 0,80% de polli-
naza, aunque no difiere estadísticamente de los niveles 0,60%; 0,40% y
0,20% de pollinaza en la dieta de los toretes, asumiendo que el nitrógeno
35'á-5-/-.(#-5+/5-5(/(.,(5#-*)(#&-5(5&5*)&&#(45#(ł/3(5
positivamente en la generación de masa muscular de los bovinos gracias a
su capacidad de aprovechamiento en el rúmen.
Cuadro 14. Porcentaje de grasa de la leche obtenida

de diferentes procedencias procesadas
en la Industria Láctea Lorenita en el cantón Riobamba
Bloques
Procedencia ∑Ti X
I II III IV V VI
San Luis 2,70 2,80 1,50 2,00 3,20 2,50 14,70 2,45
Corazón de Jesús 3,10 3,30 3,20 3,20 3,00 15,60 3,12
Guaslán 2,70 1,50 1,50 1,50 1,50 2,30 12,20 2,03
∑Bj 8,50 7,60 3,00 7,70 7,90 7,80 G: 42,50
Fuente: Pancho, 2004
6 * 3 + 3 * 15,6 - 42,5
Xp = = 2,23
(6 - 1)(3 - 1)
Una vez obtenido el valor calculado de porcentaje de grasa en este

experimento se procede a tabular y calcular el ADEVA como si fuese un
valor normal obtenido en el campo, con la previsión de que, en el campo
de grados de libertad, se disminuya el número de datos recuperados de la
expresión (n-1).
68
Luis A. Condo Plaza
Cuadro 14.1. Porcentaje de grasa de la leche obtenida de

diferentes procedencias procesadas en la Industria Láctea
Lorenita en el cantón Riobamba con la unidad experimental recuperada
Repeticiones
Procedencia ∑Ti X
I II III IV V VI
San Luis 2,70 2,80 1,50 2,00 3,20 2,50 14,70 2,45
Corazón de Jesús 3,10 3,30 2,23 3,20 3,20 3,00 15,60 3,12
Guaslán 2,70 1,50 1,50 1,50 1,50 2,30 12,20 2,03
∑ j 8,50 7,60 3,00 7,70 7,90 7,80
SCTotal = (2,70 - 2,49)2 + ..... + (2,30 - 2,49)2 = 7,049
SCRepeticiones =
t
(8,50 - 7,455)2 + .... + (7,80 - 7,455)2

3
SCTratamientos =
r
(14,70 - 14,91)2 + .... + (12,20 - 14,91)2

6
SCError = SCTotal - SCRep - SCTrat
SCError = 7,049 - 2,147 - 2,652 = 2,250
SCError = 2,250
69
Cuadro 14.2. Resumen del ADEVA (DBCA)

Total 17 7,049
Bloques 5 2,147 0,429 ns 1,909 3,326 5,636
Procedencia 2 2,652 1,326 5,896* 4,103 7,559
Error 10 2,250 0,225
De acuerdo al valor Fisher calculado, en el ADEVA, estadísticamente

se decide o se deduce que existen diferencias significativas entre las medias
de las procedencias. Por tanto es necesario realizar la separación de medias
de acuerdo a Tukey al 5%.
A partir del cuadrado medio del error, podemos calcular la variación de
la información en el campo, para lo cual utilizamos el coeficiente de variación.
CMerror
CV = 100
x
0,225
CV = 100 = 19,04%
2,49
Por existir diferencias significativas a P < 0,05, para los tratamientos,

realizamos la correspondiente separación de medias según Tukey al 5%,
para lo cual se calcula el error estándar.
CMerror
Sx =
r
0,225
Sx = = 0,194
6
70
Luis A. Condo Plaza
Cuadro 14.3. Distribución de medias según Tukey al 5%
Procedencias Media Q RSD LIS Grupo

Corazón de Jesús 2,70 3,88 0,751 2,22 a
San Luis 2,45 3,15 0,610 1,84 ab
Guaslán 2,03 b
En conclusión, se menciona que la leche procedente de las comuni-

dades Corazón de Jesús y San Luis tiene mayor porcentaje de grasa y no
difiere estadísticamente o pertenece al mismo rango de significancia, pero
es diferente de la leche que proviene de Guaslán, cuyo porcentaje de grasa
es de 2,03%.
Para la aplicación informática (SAS) del diseño de bloques comple-
tamente al azar nos valemos del siguiente experimento en el cual se analiza
&5^55&5*,ł),#ĉ(55&5Poa palustres sometida a la aplicación de
diferentes niveles de té de estiércol de conejo” (Ausay, 2007).
data vicen;
input t r resp;
cards;
0 1 31,00
0 2 32,00
0 3 33,00
1 1 30,00
1 2 31,00
1 3 32,00
2 1 29,00
2 2 30,00
2 3 30,00
3 1 28,00
3 2 29,00
3 3 29,00
proc glm;
class t r;
71
model resp = t r;
contrast ‘t1 vs resto’ t -3 +1 +1 +1;
means t/Duncan;
run;
Como se puede observar, en la base de datos que se ingresa al com-

putador, se incluye como fuente de variación los bloques con la finalidad de
que sea procesado como tal para posteriormente manifestar que, por existir
un tratamiento 0, significa que existe un tratamiento control; por tal razón
se utiliza la prueba de contrastes como fuente de variación y procesamiento
de tal manera que permita identificar la diferencia significativa con el resto
de tratamientos.
The SAS System 15:44 Wednesday, May 21, 2007

1
The GLM Procedure
Class Levels Values
t 4 0 1 2 3
r 3 1 2 3
2
The GLM Procedure
Sum of
Source DF Squares Mean Square F Value Pr >
F
Model 5 24.0000 4.800000 43.20 0.0001
C Total 11 24.666
t 3 19.3333 6.4444 58.00 <.0001
r 2 4.66667 2.3333 21.00 0.0020
t0 v re 1 11.1111 11.111 100.00 <.0001
72
Luis A. Condo Plaza
Error 6 0.66667 0.1111
0.972973 1.098901 0.333333 30.33333
The GLM Procedure

Duncan’s Multiple Range Test for resp
NOTE: This test controls the Type I comparisonwise
error rate, not the experimentwise error
rate
Alpha 0.05
Number of Means 2 3 4
Critical Range0.6660 0.6902 .7022
Duncan Grouping Mean N A

32.0000 3 0
B 31.0000 3 1
C 29.6667 3 2
D 28.6667 3 3
De esta forma se pudo procesar los resultados para el diseño de blo-

ques completamente al azar, de una manera fácil, lo que significa que pro-
cesar mediante paquete informático no basta tener mucho conocimiento
sobre el proceso; sin embargo de ello, es necesario tomar decisiones en
función de los resultados del ADEVA y la separación de medias y su res-
pectivo ranqueo.
73
Diseño de bloques completamente al azar con submuestras
Quizá en muchos casos por imposibilidad de lograrlo, por comodi-

dad, falta de tiempo o simplemente porque no le interesa al investigador
tomar información de cada una de las especies, ya sean animales o vegeta-
les, por diferentes factores, no se calcula submuestras; sin embargo, el rigor
científico podría justificar estas mediciones con las llamadas submuestras
de cada una de las unidades experimentales que se deben realizar. En este
caso, para el ADEVA, es necesario distinguir entre el error experimental,
tal como se vio en el DCA, y el error muestral, al que dan lugar las sub-
muestras tomadas de la unidad experimental. Se espera que el error expe-
rimental sea de mayor magnitud que el error muestral o de la variación en-
tre submuestras dentro de la unidad experimental. Para determinar si hay
significancia entre bloques o tratamientos, se divide el cuadrado medio de
estas fuentes de variación para el cuadrado medio del error experimental.
Modelo lineal aditivo o ecuación de rendimiento

para DBCA con submuestras
Yijk = µ + i
+ j
+ Cij + ijk
donde:
M = media general
: efecto - tratamientos
: efecto del bloque
C = error - experimental
error - muestral
i = iésimo - tratamiento
j = jotaésimo - bloque
k = kaésima - muestra
Modelo matemático en DBCA con submuestras
Sobre la base del modelo matemático descrito anteriormente en el

DBCA, se implementa el sumario del ADEVA considerando, en las fuen-
74
Luis A. Condo Plaza
tes de variación, el componente del error de muestreo, como fuente impor-

tante de evaluación.
Suma de cuadrados
(∑x)
SCTotal = ∑x -
rts
∑Ti2
rs
Otra manera:
SCTratamientos =
rs
∑ 2
j
SCBloques = - FC
ts
O también:
∑(∑xBloques - ∑xBloques)2
SCBloques =
ts
Entonces, para obtener la suma de cuadrados del error experimental,

se calcula la suma de cuadrados de las unidades experimentales y se resta la
suma de cuadrados de las repeticiones y de los tratamientos. Para el cálculo
de la suma de cuadrados de la unidad experimental se aplica la siguiente
fórmula:
75
∑(∑x(UE) - ∑x(UE))2
SCUnidad(Experimental) =
s
∑(∑x(UE))2
SCUnidad(Experimental) = - FC
s
Una vez calculado el error experimental se puede restar de la suma

de cuadrados total, la suma de cuadrado de las repeticiones, de tratamien-
tos y error experimental, para obtener la suma de cuadrados del error de
muestreo.
∑(∑x(UE))2
SCError(Muestreo) = ∑x ijk -
2
s
∑(∑x(UE) - ∑x(UE))2
SCError(Muestreo) = ∑x ijk -
2
SCError(Muestreo) = SCTotal - SCUnidad(Experimental)
∑(∑x(UE) - ∑x(UE))2 ∑(∑x(UE) - ∑x(UE))2 ∑(∑x(UE) - ∑x(UE))2

SCError(Exp) = - -
s rs ts
SCError(Experimental) = SCUE - SCTrat - SCRep
Este diseño es de uso frecuente en experimentos simples; sin embar-

go, al utilizar el término submuestras, lo vuelve un tanto complejo. Por tal
razón no es utilizado en nuestro medio, a pesar de registrar varios datos por
unidad experimental, lo que viene a ser una submuestra. Nos permitimos
tomar el ejercicio de González (2010).
76
Luis A. Condo Plaza
Cuadro 15. Respuesta del trigo a la aplicación de

dos insecticidas (g/submuestra)
Repeticiones
Tratamientos Suma
1 2 3 4 5 6
45,00 30,00 17,00 43,00 32,00 53,00
A 50,00 40,00 57,00 23,00 39,00 46,00
39,00 35,00 42,00 11,00 47,00 43,00
Total UE 134,00 105,00 116,00 77,00 118,00 142,00 692,00
68,00 50,00 51,00 60,00 85,00 83,00
B 40,00 84,00 83,00 64,00 74,00 74,00
49,00 74,00 66,00 65,00 87,00 64,00
Total UE 157,00 208,00 200,00 189,00 246,00 221,00 1221,00
53,00 54,00 24,00 57,00 76,00 62,00
C 46,00 63,00 85,00 33,00 48,00 57,00
43,00 112,00 88,00 28,00 42,00 59,00
Total UE 142,00 229,00 197,00 118,00 166,00 178,00 1030,00
T. Bloques 433,00 542,00 523,00 384,00 530,00 541,00 2943,00
Fuente: González, 2010
(∑x)2
FC =
rt
2943
FC = = 160393,50
54
(∑x)2
SCTotal = ∑x -
2
29432
SCTotal = [45 + ...... + 59 ] -
2 2
= 22149,50
54
77
∑(∑xTrat)2 (∑x)2
SCTratamientos = -
r.x.sb n
[6922 + 12212 + 10302] 29432

6x3 54
∑(∑xRep)2 (∑x)2
SCRepeticiones = -
t.x.sb n
[4332 + .... + 5412] 29432

SCRepeticiones = - = 2435,28
3x3 54
∑(∑xUE)2 (∑x)2
SCUE = -
sb n
[1342 + .... + 1782] 29432

SCUE = - = 12947,50
3 54
SCError-Experimental = SCUE - SCTrat -SCBloq
SCError-Experimental = 12947,50 - 2435,28 - 7973,44 = 2538,78
SCError-Muestral = SCTot - SCUE -SCTrat - SCRep - SCError-Exp
SCError-Muestral = 22149,50 - 2435,28 - 7973,44 - 2538,78 = 9202,00
De otra manera se puede demostrar el cálculo de la suma de cua-

drados mediante el modelo de la suma de los cuadrados corregidos que se
expone a continuación:
78
Luis A. Condo Plaza
SCTotal = (45 - 54,5)2 + ..... + (59 - 54,5)2 = 22149,50
SCTratamientos =
r.x.sb
(692 - 981)2 + .... + (1030 - 981)2

6x3
SCRepeticiones =
t.x.sb
(433 - 490,5)2 + .... + (541 - 490,5)2

6x3
SCUE =
sb
(134 - 163,5)2 + .... + (178 - 163,5)2

SCUE = = 12947,5
6x3
La suma de cuadrados de los errores se obtiene mediante diferencia.

Como se observa en el ADEVA al comparar con Fisher tanto al 5%
como al 1%, el valor calculado es mayor; por tal motivo, mencionamos que
existen diferencias significativas para los tratamientos, siendo necesario
79
realizar separación de medias, para lo cual tomamos Duncan (P < 0,05), y

determinar el mejor tratamiento.
CMerror
Sx =
r.sb
253,88
Sx = = 0,194
18
Cuadro 15.1. ADEVA para el DBCA con submuestras
Suma de Cuadrado Fisher

Fuente de variación GL medio
cuadrados Cal 0,05 0,01
Total 22149,5 53
Repeticiones 2435,28 5 487,06 ns 1,908 3,326 5,6364
Tratamientos 7973,44 2 3986,72** 15,7 4,103 7,5595
U. experimental 12947,50 17 761,62
E. experimental 2538,78 10 253,88
Error muestral 9202,00 36 255,61
CV 29,34%
Media general 54,50
ns No existe diferencia significativa
** Diferencias altamente significativas
CMError-Exp
CV = 100
n
253,88
CV = 100 = 29,50%
54
80
Luis A. Condo Plaza
La variabilidad de la información en el campo en donde se ha reco-

pilado la información es 29,50%, lo que significa que existe variación, la
misma que debe ser ajustada de acuerdo a las recomendaciones anotadas
en secciones anteriores; sin embargo de ello, es necesario analizar minu-
ciosamente, y atribuir que, si ajustamos los valores naturales tal como se
recogió en el campo y como resultado de ello existe una alta variabilidad en
el coeficiente de variación, esto no cambia en las medias, y la información
natural, por ello es que en el presente ejercicio no ajustamos la información
y aceptamos este indicador que mide la variabilidad de la información en
el campo experimental.
Desde otro punto de vista se puede decir que la información no es
confiable, por lo que sería mejor repetir la investigación; sin embargo, cabe
/(5,ł2#ĉ(95(5&-5)(##)(-5(5&-5+/5-5&&055)5&52*,#'(.)5
y dada la dispersión fuerte propia de estas condiciones, conviene mantener
estos resultados, con la recomendación complementaria de manéjese la in-
formación con la previsión y la reserva que corresponda.
Para realizar el respectivo agrupamiento de medias de acuerdo a Dun-
can al 5% y determinar el mejor tratamiento, se realiza la siguiente operación:
Restar el promedio del mejor tratamiento del valor calculado de
Duncan al 5% producto del error estándar por el Duncan teórico y tene-
mos: 67,83 – 12,40 = 55,43, valor que indica que este es el límite en donde
forma el primer grupo (a), o sea, agrupa a los tratamientos B y C, quedando
fuera del límite el tratamiento A; cuando restamos 57,22 – 11,84, de la
misma manera, no abarca al promedio 38,44 que corresponde al tratamien-
to en mención, por tal motivo se forma otro grupo denominado (b) que
significa que es diferente que el resto de tratamientos.
Cuadro 15.2. Distribución de medias según rango de Duncan 5%
Tratamientos X Q RSQ LIS Grupo

B 67,83 3,30 12,40 55,43 a
C 57,22 3,15 11,84 45,38 a
A 38,44 b
81
Desde este punto de vista de separación de medias según Duncan

5%, se puede mencionar que entre los tratamientos B y C no existe dife-
rencia significativa, lo que no sucede al comparar con el tratamiento A que
corresponde a otro grupo por estar fuera del límite inferior.
Ejercicios de refuerzo
Peso final de toretes Holstien mestizos por el efecto del bioensilaje

de residuos agroindustriales período 60 – 75 días.
Repeticiones
I II III
Pastoreo 274 171 287 732 244,00
Suero de leche 255 283 284 822 274,00
Estiércol 256 264 250 770 256,67
Mixto 235 183 279 697 232,33
Fuente: Veloz, 2005
Ganancia de peso de toretes Holstien mestizos por el efecto del

bioensilaje de residuos agroindustriales período 60 – 75 días (kg).
Repeticiones
I II III
Pastoreo 2,00 1,00 3,00 6,00 2,00
Suero de leche 10,00 8,00 6,00 24,00 8,00
Estiércol 8,00 2,00 5,00 15,00 5,00
Mixto 4,00 2,00 2,00 8,00 2,67
82
Luis A. Condo Plaza
Ganancia de peso a la utilización de diferentes niveles de pollinaza en

la alimentación de toretes durante la etapa total de levante (1 – 156 días).
Repeticiones
Tratamiento Suma Media
I II III IV
0% pollinaza 0,554 0,216 0,390 0,615 1,775 0,443
0,20% pollinaza 0,443 0,676 0,510 0,510 2,139 0,534
0,40% pollinaza 0,694 0,489 0,757 0,702 2,642 0,660
0,60% pollinaza 0,626 0,460 0,676 0,772 2,534 0,633
0,80% pollinaza 0,694 0,997 0,708 0,633 3,032 0,758
Conversión alimenticia a la utilización de diferentes niveles de polli-

naza en la alimentación de toretes durante la etapa total de levante (1 – 156
días).
Repeticiones
Tratamiento Suma Media
I II III IV
0% pollinaza 9,89 15,01 12,82 7,97 45,69 11,423
0,20% pollinaza 8,33 5,90 8,04 6,85 29,12 7,280
0,40% pollinaza 7,20 5,87 7,12 5,92 26,11 6,527
0,60% pollinaza 9,19 7,39 7,83 5,97 30,38 7,595
0,80% pollinaza 6,66 5,04 7,41 7,29 26,40 6,600
83
Ganancia de peso de toretes Brown Swis alimentados con caña en-

riquecida como respuesta a la adición del bagazo de caña de azúcar enri-
quecida.
Repeticiones
I II III
Pasto + Rechazo 53,00 51,00 52,00 156,00 52,00
10% caña enriquecida 63,00 62,00 63,00 188,00 62,67
Fuente: Armendáriz, 2002
Tamaño de la camada (Nº.) resultante de las ovejas Ramboullet sometidas

a tres niveles de dosis hormonales (500 UI, 650 UI y 800 UI) y Flushing (st).
Repeticiones
I II III
Flushing 2,00 2,00 1,00 5,00 1,67
PMSG 500 UI 3,00 1,00 2,00 6,00 2,00
PMSG 650 UI 1,00 2,00 1,00 4,00 1,33
PMSG 800 UI 2,00 1,00 1,00 4,00 1,33
Fuente: Peña, 1984
Conversión alimenticia de los toretes en la etapa de engorde someti-

dos a diferentes niveles de caña de azúcar y urea (DBCA).
Repeticiones
I II III
Gramalote 12,38 11,20 10,45 34,03 11,34
Gramalote + caña y urea 11,91 8,21 8,89 29,00 9,67
Setarea 29,81 9,94 11,18 50,92 16,97
Setarea + caña y urea 8,49 14,40 10,00 32,89 10,96
Fuente: Baldeón, 2005
84
Luis A. Condo Plaza
Densidad de la leche de diferentes procedencias (DBCA).
Repeticiones
Procedencia Suma Media
I II III IV V VI
San Luis 30,00 28,20 32,50 27,90 27,40 29,20 175,20 29,20
Corazón de Jesús 28,00 29,00 27,20 26,20 30,00 140,40 28,08
Guaslán 29,60 29,20 29,20 26,60 29,60 28,40 172,60 28,77
Sum Bloq. 87,60 86,40 61,70 81,70 83,20 87,60 488,20
Fuente: Pancho, 2004
Diseño cuadrado latino (DCL)
La condición para controlar la variabilidad está en dos direcciones

y surgen entonces: filas y columnas. Se utiliza cuando la gradiente de fer-
tilidad en el suelo va en dos direcciones. Arreglándose los tratamientos
en bloques en dos sentidos, apareciendo cada tratamiento una sola vez
en cada fila y en cada columna (González, 1985). El análisis de los datos
puede removerse del error, la variabilidad debida a diferencias entre filas
y columnas.
El diseño cuadrado latino (Stihll y Torrie, 1988) dispone los trata-
mientos de dos maneras diferentes, por filas y por columnas. Para cuatro
tratamientos, la disposición puede ser cada tratamiento se presenta una y
solo una vez en cada fila y columna; cada fila así como cada columna es un
bloque completo. Mediante un análisis apropiado, es posible eliminar del
error la variabilidad debida a diferencias tanto en filas como en columnas.
Este diseño se ha usado con ventaja en muchos campos de investigación
donde hay dos fuentes principales de variación en la realización de un ex-
perimento. En experimentos sobre el terreno, el esquema suele ser cuadra-
do, permitiendo así la eliminación de la variación proveniente de diferencia
en el suelo en dos direcciones. En el invernadero o en el terreno a campo
abierto, si hay una gradiente en una sola dirección, el experimento se enfoca
bajo un diseño cuadrado latino.
85
La distribución en el cuadrado latino es muy eficaz cuando el núme-

ro de tratamientos está entre 4 y 10 (Reyes, 1978). Se conoce la variabilidad
en dos sentidos perpendiculares, por lo cual es muy codiciado reducir o
controlar el efecto de dicha versatilidad para disminuir el valor del error ex-
perimental. Por otra parte, tiene la desventaja de que es rígido en el número
de repeticiones y en agrupar los tratamientos en hileras y columnas en tal
forma que no se repita ningún tratamiento en fila ni en columna; además
se reducen los grados de libertad para el error experimental.
Un cuadrado latino requiere de tantas repeticiones como tratamientos
existan (Little y Hill, 1976); por tanto, no resulta práctico para experimentos
con un gran número de tratamientos. Los cuadrados latinos más común-
mente utilizados son aquellos que tienen entre cuatro y ocho tratamientos,
con una sola unidad experimental por tratamiento en cada columna e hilera.
El DCL es usado en muchos campos de investigación donde hay
dos fuentes principales de variación en la realización del experimento. En
experimentos sobre el terreno, la disposición de las u.e. suele ser sobre
un área rectangular, permitiendo así la eliminación de la variación pro-
veniente de diferencias en el suelo en dos direcciones. El DCL ha sido
utilizado también en la industria, laboratorio y en las ciencias sociales
(Eizaguirre, 2004).
La existencia real de dos fuentes de variabilidad entre las unidades
experimentales y su separación en el análisis de variancia permite incre-
mentar la precisión del experimento. La pérdida de una o más unidades
2*,#'(.&-5()5#(ł/35-(#&'(.5(5&5(á&#-#-550,#(#65-#()5
posible estimar los resultados de las unidades experimentales perdidas.
El número de tratamientos, filas y columnas debe ser igual. Por esta
razón, no es recomendable para un número elevado de tratamientos ya que
se requeriría de un número elevado de unidades experimentales.
La principal desventaja de este diseño es que el número de trata-
mientos, filas y columnas debe ser el mismo. Los cuadrados más comunes
van de 5 x 5 a 8 x 8. Cuadrados muy pequeños dejan muy pocos grados de
libertad para la estimación del error experimental y cuadrados muy grandes
implican la utilización de muchas unidades experimentales además, al te-
ner bloques grandes, el error experimental aumenta.
86
Luis A. Condo Plaza
Este diseño experimental es usado en ganaderías, comercialización,

industrialización, agronomía, etc. Así, se puede medir la eficiencia de mar-
mitas por ejemplo, y se podría asignar las máquinas como tratamientos,
operadores o fórmulas como filas y tiempo o temperaturas de cocción como
columnas. Para ello, debe existir el mismo número de tratamientos, que
filas y columnas.
Este diseño resulta apropiado, cuando el número de tratamientos va
de 4 a 12. Como en el caso de BCA, si el tamaño del bloque aumenta, el
error por unidad también aumenta.
Para lograr las ventajas de esta distribución es indefectible lo siguien-
te:
R5 #0##,5&5&).5)5&/!,55&52*,#(#5(5/(5(Ě',)55/(#-
dades experimentales igual al cuadrado del número de trata-
mientos.
R5 &5(Ě',)55,*.##)(-55-,5#!/&5&5(Ě',)55.,.-
mientos.
R5 ),',5"#&,-535)&/'(-55/(#-52*,#'(.&-5#!/&-5
al número de repeticiones y de tratamientos.
R5 #-.,#/#,5&)-5.,.'#(.)-5(5.&5 ),'5+/5(#(!/()5-5,*#.5
en fila ni en columna
Para lograr lo anterior, se arreglan los tratamientos haciendo permu-

taciones horizontales a verticales. Supongamos que hay cinco tratamientos.
Cuadro 16. Permutaciones horizontales
A B C D E
E A B C D
D E A B C
C D E A B
B C D E A
87
Cuadro 17. Permutaciones verticales
A E D C B
B A E D C
C B A E D
D C B A E
E D C B A
Para aplicar el diseño cuadrado latino se debe sortear hileras y, en el

cuadro así obtenido, sortear las columnas. Esto tiene como finalidad hacer
una distribución de los tratamientos más dispersa en el campo y evitar que
AB, CD, DE, etc., estén juntos sistemáticamente.
Usando el cuadro base de permutaciones horizontales, sorteamos con
cualquier método hileras numeradas del 1 al 5; de la misma manera, sortea-
mos las columnas del 1 al 5.
Desde este punto de vista se podría mencionar que el ejemplo citado
quedaría con cinco tratamientos por cinco repeticiones o bloques, dando
un total de 25 unidades experimentales.
La distribución del diseño cuadrado latino es muy útil en experi-
mentos de campo, en donde se experimentan fertilizantes, herbicidas e in-
secticidas, la distribución de la variación en dos sentidos perpendiculares.
Cuando se tenga tres o cuatro tratamientos y sea conveniente usar cuadrado
latino, deberá hacerse varios cuadros latinos simultáneamente. El estudio se
hace en cada cuadro en particular y luego en conjunto.
Modelo lineal aditivo o ecuación de rendimiento en DCL
Y=µ+ i k
µ = media general C = error experimental

= efecto - tratamientos i = iésimo - tratamiento
= efecto - columnas j = jotaésima - columna
= efecto - hileras k = kaésima - hilera o fila
88
Cuadro 18. Modelo matemático del DLC
Fuente de Suma de Grados de Cuadrado Fisher

Variación cuadrados libertad medio Calc. 0,05 0,01
(∑x)2
Total SCTotal = ∑X - n -1
n
∑Ti2 (∑x)2 STrat CMTrat

Tratamientos SCTratamientos = - t -1
r n glTrat CMError
2 SCCol
∑ j (∑x)2 CMCol TABLA VALO-
Columnas SCColumnas = - r -1
r n RES FISHER
glCol CMError
(g.l. numerador
2 SCFilas
∑ k (∑x)2 CMFilas o trat. y gl
Filas SCFilas = - r -1
r denominador o
n glFilas CMError
error)
(n-1) - (r -1) - SCerror

Error SCTotales - SCTrat - SCcol - SCFilas
(t-1) glerror
No. Tratamientos = No. Columnas = Nº. Filas = Nº. Repeticiones; entonces n=t*r; n=t*c; n=t*f; n=c*f; n=r*c; n=r*f
NOTA: los demás elementos del modelo son similares a los del DCA
89
Luis A. Condo Plaza
Cuadro 19. ADEVA para el diseño cuadrado latino
Fuente de variación Grados de libertad

Total r-1
Filas r-1
Columnas r-1
Tratamientos t-1
Error (r - 1)(r - 2)
Modelo matemático en DCL
Resulta apropiado desglosar las expresiones matemáticas del mode-

lo para objetivamente desarrollar el cálculo para cada fuente de variación,
tanto de sumas de cuadrados, como de los grados de libertad, cuadrados
medios, valores Fisher y resumir el ADEVA para la deducción estadística y
la aceptación o rechazo de las hipótesis (cuadro 12).
Cálculo de sumas de cuadrados
(∑x)
SCTotal = ∑x -
n
La suma de cuadrados para los tratamientos, considera la informa-

ción de cada tratamiento, tal como se distribuyó en el campo experimental,
y se calcula en forma análoga a los diseños anteriores.
∑ i
2
(∑x)2
SCTratamientos = -
r n
Para la suma de cuadrados para las columnas se toma la información

tal como se ha distribuido en el campo experimental.
90
Luis A. Condo Plaza
∑ j
2
(∑x)2
SCColumnas = -
r n
La suma del cuadrado de las hileras o filas se toma de la misma ma-

nera como se ha distribuido en el campo experimental.
∑ k
2
(∑x)2
SCFilas = -
r n
Para el cuadrado medio, se considera el mismo cálculo que se efectuó

en los diseños anteriores, a través de la fórmula general para cada fuente de
variación:
SC
CM =
gl
Valores Fisher
El valor de Fisher calculado se obtiene al igual que el ADEVA de los

diseños anteriores. Únicamente hay que considerar que se calcula un solo
valor Fisher por considerar que los grados de libertad de estas fuentes de
variación (tratamientos, columnas y/o filas) t = r = c = f, son iguales (t - 1; c
– 1 o f – 1). La significancia para los tratamientos que es la que nos interesa,
servirá también para columnas y filas.
Los valores de Fisher a la probabilidad P 0,05 y P 0,01 en las tablas va
a ser el mismo para tratamientos, filas y columnas; por tanto se puede repor-
tar en el sumario del ADEVA un solo valor para estas fuentes de variación.
El ADEVA, como se manifestó en las unidades anteriores, solo re-
porta si las diferencias entre medias de tratamientos son o no significativas
y serán las comparaciones múltiples o las pruebas de separación de medias
las que nos permitan identificar entre qué medias hay o no esas diferencias
estadísticas, al nivel de significancia que registró el ADEVA.
91
Recuperación de parcelas
En DCL, se presenta la misma oportunidad que en DBCA en la recu-

peración de valores de una unidad experimental cuando, por cualquier razón,
no se dispone de un valor de unidad experimental al final de la investigación
para poder controlar la precisión del análisis estadístico, con la condición de
provocar un ajuste de observaciones en los grados de libertad, puesto que es
necesario en el ADEVA disminuir el número de parcelas o unidades recupe-
radas a los grados de libertad totales normales. Se hace necesario este ajuste
ponderado, para lograr la información completa, dado que el material expe-
rimental en este diseño tiene características mucho más heterogéneas que en
el DBCA y en ambos modelos, conviene estimar estos valores.
Para el efecto; en DCL, se aplica la siguiente expresión:
t(T + C +F) - 2G
Xp = ; donde:
(t - 1) * (t - 2)
t = número de tratamientos
T: total del tratamiento que contiene la unidad faltante

C: total de la columna que contiene la unidad faltante
F: total de la fila que contiene la unidad faltante
G: gran total de valores observados
Luego se efectúa el ADEVA, restando uno (1) a los grados de liber-

tad del total y del error experimental.
En las comparaciones de medias de tratamientos (González, 1985)
se deben observar que cuando se esté comparando el tratamiento al cual le
estimamos el valor se deberá usar el error estándar siguiente:
Sx =
1
2
CMError [ 2
r
+
t
r(r - 1)(t - 1) [
92
Luis A. Condo Plaza
El diseño cuadrado latino se ejemplifica con un experimento para

comparar la efectividad de cuatro abonos nitrogenados en el cultivo de
caña de azúcar (Eizaguirre, 2004). La nomenclatura para los tratamientos
(abonos) es:
R5 55(#.,.)55')(#)
R5 55-/& .)55')(#)
R5 55-&#.,5-ĉ#)
R5 55/,
Cuadro 20. Producción de caña de azúcar bajo la aplicación

de cuatro tipos de fertilizaciones nitrogenadas
Columnas
Filas
1 2 3 4 ∑Fi
1 432 SA 518 NA 458 SS 583 UR 1991
2 550 SS 724 UR 400 NA 524 SA 2198
3 556 UR 384 SS 400 SA 297 NA 1637
4 500 NA 506 SA 501 UR 494 SS 2001
∑Cj 2038 2132 1759 1898 7827
Fuente: Eizaguirre, 2004
Todos los abonos se aplicaron a razón de 100 kg/ha. El diseño fue un

cuadrado latino, donde las unidades experimentales fueron clasificadas en
filas y columnas según su ubicación con el terreno tal como se encuentra en
el siguiente cuadro, junto con los resultados del experimento.
Para esta investigación se plantea la siguiente hipótesis:
Ha: la aplicación de diferentes tipos de fertilización nitrogenada pro-

vocará diferentes producciones de caña de azúcar.
93
Cuadro 20.1. Reordenamiento de resultados
Repeticiones
Tratamiento Suma Trat
I II III IV
SA 432 506 400 524 1862
SS 550 384 458 494 1886
UR 556 724 501 583 2364
NA 500 518 400 297 1715
2038 2132 1759 1898 7827
Procesamiento de datos
SCTotal = (432 - 489,18)2 + ..... + (297 - 489,18)2 = 142856,43
∑(∑xFilas - ∑xFilas)2
SCFilas =
t
(1991 - 1956,75)2 + ..... + (2001 - 1956,75)2

SCFilas = = 40893,19
4
∑(∑xCol - ∑xCol)2
SCColumnas =
r
(2038 - 1956,75)2 + ..... + (1898 - 1956,75)2

SCColumnas = = 19967,68
4
SCTratamientos =
r
94
Luis A. Condo Plaza
(1862 - 1956,75)2 + ..... + (1715 - 1956,75)2

SCTratamientoss = = 59569,68
4
SCError = SCTotal - SCTrat - SCCol - SCFilas
SCError = 142856,43 - 40893,19 - 19967,68 - 59569,68 = 22425,88
Cuadro 20.2. ADEVA para el DCL

Total 15 142856,43 9523,76
Filas 3 40893,19 13631,06
Columnas 3 19967,68 6655,89 ns 1,780 4,757 9,779
Tratamientos 3 59569,68 19856,56 * 5,312 4,757 9,779
Error 6 22425,88 3737,64
CMerror
CV = 100
x
3737,64
CV = 100 = 12,49%
489,18
La información recogida en el campo tiene una variabilidad de

12,49% de acuerdo al coeficiente de variación calculado, lo que permite
mencionar que está dentro de los límites normales de dispersión.
Por existir diferencias significativas para los tratamientos de acuerdo
al ADEVA, es necesario realizar separación de medias según Tukey al 5%
(apéndice 5), para lo cual calculamos el error estándar.
95
CMerror
Sx =
r
3737,64
Sx = = 30,568
4
Ordenamiento de las medias
Cuadro 20.3. Distribución de medias según Tukey 5%
Tratamientos Medias Q RSQ LIS Grupo

UR 591,00 3,64 111,260 479,74 a
SS 471,00 3,58 109,433 362,067 ab
SA 465,00 3,46 105,765 359,735 ab
NA 428,00 b
A través de la separación de medias, se puede mencionar que existe

diferencias significativas, aduciendo que el tratamiento que más produjo
fue aquel al que se aplicó urea en el cultivo de caña, aunque comparte el
mismo rango de significancia con los tratamientos salitre sódico y sulfato
de amonio, pero difieren estadísticamente del tratamiento a base de nitrato
de amonio.
Para la aplicación informática del diseño cuadrado latino se ha utili-
zado el experimento (Ausay, 2007), que utiliza únicamente los tratamien-
.)-5&.,(.#0)-5*,5&5.#'*)55*&(5ł),#ĉ(55&5Poa palustris como
efecto de la aplicación de té de estiércol en tres niveles diferentes, obtenién-
dose los siguientes resultados:
data vicen;
input t c r resp;
cards;
96
Luis A. Condo Plaza
1 2 1 45.00
1 1 2 46.00
1 3 3 45.00
2 2 1 47.00
2 3 2 47.00
2 1 3 46.00
3 2 1 46.00
3 1 2 44.00
3 3 3 45.00
proc glm;
class t c r;
model resp = t r c;
means t/tukey;
run;

1
The GLM Procedure
Class Levels Values

t 3 1 2 3
c 3 1 2 3
r 3 1 2 3
2
The GLM Procedure

Sum of
Source DF Squares Mean Sq F Value Pr > F
Model 5 5.66666 1.13333 1.46 0.4020
97
C Total 8
t 2 4.66667 2.33333 3.00 0.1925
r 2 0.66667 0.33333 0.43 0.6859
c 1 0.33333 0.33333 0.43 0.5594
Error 3 2.33333 0.77778
0.708333 1.931205 0.881917 45.66667
The GLM Procedure

Tukey’s Studentized Range (HSD) Test for resp
NOTE: This test controls the Type I experimentwise
error rate, but it generally has a higher
Type II error rate than REGWQ
Alpha 0.05
Critical Value of Studentized Range 5.90959
Tukey Grouping Mean N t

A 46.6667 3 2
A 45.3333 3 1
A 45.0000 3 3
98
Luis A. Condo Plaza
Diseño cuadrado latino modificado
Para continuar con la instrucción en DCL, ejemplificaremos con los

resultados que nos demuestra el siguiente ejemplo (Reyes, 1978):
Como se muestra en la distribución, al formar los grupos G1, G2, G3,
G4, no se repite una variedad en la fila ni en la columna, por lo cual se puede
eliminar la variación para dichas causas.
Se ha tomado la variedad Carmen como testigo por ser una de las
mejores variedades del noreste de México para siembras en tierras bajas;
tiene como progenitores a Carmen y fueron obtenidos en tres ciclos de
selección masal. Método modificado.
Como no se repite en fila ni en columna ninguna variedad, se puede
eliminar la variación. La variación total tiene los siguientes componentes:
entre hileras, entre columnas, entre variedades y error experimental. Para
calcular la varianza, es necesario obtener la suma de los cuadrados de las
desviaciones por el método más usual.
Cuadro 21. Rendimiento de mazorca (peso seco en kg/parcela)

de 16 variedades de maíz sembradas en apodaca, n. l. en la
primavera de 1964, con distribución en cuadrado latino modificado
* 16 14 15 13 2 3 1 4 12 11 9 10 5 8 7 6 X1
** 2,7 2,6 3,5 2,8 2,4 2,4 4,1 2,5 2,9 3,9 2,8 2,0 2,1 3,0 1,9 2,7 44,3
12 9 10 11 14 15 13 16 8 7 5 6 3 4 1 2
3,2 2,7 2,2 2,2 3,4 3,9 2,6 2,9 2,7 2,6 2,8 2,6 2,3 3,0 3,5 3,2 45,8
7 6 5 8 9 11 10 12 4 2 3 1 15 14 13 16
2,4 1,7 2,6 3,6 2,8 3,4 3,2 2,2 2,5 2,9 2,7 3,4 2,9 2,6 2,7 3,2 44,8
3 4 1 2 5 8 6 7 16 15 14 13 9 11 12 10
2,6 2,8 3,3 2,6 3,1 3,0 2,9 2,5 2,9 3,9 3,0 2,9 3,0 3,1 2,7 2,6 46,9
Xk 43,5 47,3 46,5 44,5

* Variedad **Rendimiento
99
(∑x)2
FC =
n
181,92
FC = = 160393,50
64
SCTotal = ∑x2 - FC
SCTotal = (4,12 + ..... + 2,92) - 516,99 = 15,05
Cuadro 21.1. Ordenamiento de resultados
Grupo N.º Nombre Repeticiones

variedad variedad Media Total
I II III IV
1 A 511 W 4,1 3,5 3,4 3,3 3,58 14,30
2 NL T65 2,4 3,2 2,9 2,6 2,78 11,10
G1
3 NL T66 2,4 2,3 2,7 2,6 2,50 10,00
4 NL T67 2,5 3,0 2,8 2,8 2,78 11,10
5 NL T68 2,1 2,8 2,6 3,1 2,65 10,60
6 NL T71 2,7 2,6 1,7 2,9 2,48 9,90
G2
7 NL T72 1,9 2,6 2,4 2,5 2,35 9,40
8 Coah T5 3,0 2,7 3,6 3,0 3,08 12,30
9 Coah T9 2,8 2,7 2,8 3,0 2,83 11,30
10 Apodaca 1 2,0 2,2 3,2 2,6 2,50 10,00
G3
11 Apodaca 2 3,9 2,2 3,4 3,1 3,15 12,60
12 Guerito 2,9 3,2 2,2 2,7 2,75 11,00
13 Carmen 2,8 2,6 2,7 2,9 2,75 11,00
14 NL VS-2 2,6 3,4 2,6 3,0 2,90 11,60
G4
15 NL VS-1 3,5 3,9 2,7 3,9 3,50 14,00
16 H-412 2,7 2,9 3,2 2,9 2,93 11,70
Suma de repeticiones 44,3 45,8 44,9 46,9 2,84 181,90
Fuente: Reyes, 1978
100
Luis A. Condo Plaza
(∑xHileras)2
SCHileras = - FC
n
(44,42 + ..... + 46,92)

SCHileras = - 516,99 = 0,24
16
(∑xHileras)2
SCColumnas = - FC
n
(43,62 + ..... + 44,52)

SCColumnas = - 516,99 = 0,24
16
(∑xTratamientos)2
n
(14,32 + ..... + 11,72)

SCColumnas = - 516,99 = 7,70
4
Obtenido la suma de cuadrados mediante fórmulas, nos permitimos

armar el ADEVA y calcular los cuadrados, medios y Fisher para su respec-
tiva toma de decisión al comparar con el F teórico.
Cuadro 21.2. ADEVA para el DCL modificado
Suma de Cuadrado Fisher

Fuente de variación g.l. cuadrados medio Cal 0,05 0,01
Total 63 15,05
Hileras 3 0,24 0,080
Columnas 3 0,56 0,186
Variedades 15 0,70 0,513 3,29** 2,18 3,07
Error 42 6,55 0,156
C.V. 13,9%
Media 2,84
101
CMerror
CV = 100
x
0,156
CV = 100 = 13,9%
2,84
La variación de la información recogida en el campo es del 13,9%, lo

que significa que está dentro de los rangos permitidos según el cálculo del
CV.
Según la prueba de Fisher: el valor de F cal es mayor que el teórico tan-
to al 0,05 como al 0,01; por tanto existe diferencias altamente significativas,
lo que permite realizar la separación de medias según Duncan, para lo cual se
procede a calcular el error estándar.
CMerror
Sx =
r
0,156
Sx = = 30,568
4
Cuadro 21.3. Valores tabulares y calculados según Duncan al 5%
Nº. de tratamientos RMD Error estándar Rango significativo

de Duncan
2 2,86 0,975 0,564
3 3,01 - 0,594
4 3,10 - 0,612
5 3,17 - 0,626
102
Luis A. Condo Plaza
6 3,22 - 0,636
7 3,27 - 0,645
8 3,30 - 9,652
9 3,33 - 0,657
10 3,35 - 0,661
11 3,35 - 0,661
12 3,39 - 0,669
13 3,39 - 0,669
14 3,42 - 0,675
15 3,42 - 0,675
16 3,44 - 0,679
Cuadro 21.4. Distribución de los promedios y agrupamiento

en los diferentes rangos según Duncan 5%
Tratamiento Promedio RSD LIS Grupo

Asgrow H-511w 3,58 0,679 2,901 a
NL VS-1 3,50 0,675 2,825 ab
Apodaca 2 3,15 0,675 2,475 abc
Coah. T5 3,08 0,669 2,411 abc
H-412 2,93 0,669 2,261 abc
NL VS-2 2,90 0,661 2,239 bc
Coah. T9 2,83 0,661 2,169 bc
NL T65 2,78 0,657 2,123 bc
Güerito 2,75 0,652 2,098 bc
Carmen (Testigo) 2,75 0,645 2,105 bc
NL T67 2,70 0,636 2,064 bc
NL T68 2,65 0,626 2,024 bc
NL T66 2,50 0,612 1,888 bc
Apodaca 1 2,50 0,594 1,906 bc
NL T71 2,48 0,564 1,916 bc
NL T72 2,35 - - c
103
Según la prueba de Duncan (P < 0,05), las variedades de maíz que

produjeron los mejores rendimientos fueron: Asgrow H-511w, NL VS-1,
Apodaca 2, Coach T5, y H-412 que produjeron volúmenes de 3,58, 3,50,
3,15, 3,08, y 2,90 t/ha respectivamente, que diferencian significativamen-
te del resto de tratamientos, principalmente de la variedad NL T72, cuyo
rendimiento fue de 2,35 t/ha.
104

Diseno Experiental 2

Transféré par

Informations du document

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

Diseno Experiental 2

Transféré par

Droits d'auteur :

Formats disponibles

Diseño experimental

en el desarrollo del conocimiento científico

Luis A. Condo Plaza

José M. Pazmiño Guadalupe

CERTIFICACIÓN IEPI No. 037856 Trámite No. 000110.

Informe favorable de pares evaluadores externos según Oficio

Corrección, diseño y diagramación:

Prohibida la reproducción de este libro, por cualquier medio, sin la previa

El fracaso no me sobrecogerá nunca

Para el análisis de varianza, se han formulado diferentes tipos de ex-

Diseño complatamente al azar

Más conocido como de ordenación simple (One Way), es el diseño

de material está completamente mezclado y luego se divide en por-

Entre las ventajas podemos citar:

Entre las desventajas:

necesario agrupar las unidades experimentales, de modo que

Modelo I o fijo.- De acuerdo al cual el conjunto de tratamientos es-

Supuestos del modelo estadístico (Eizaguirre, 2004)

R5 Aditividad: los efectos del modelo son aditivos

Cuadro 4. Cuadrados medios esperados para los modelos I y II

Stihll y Torrie (1988) relatan que, durante el curso del experimento,

Variaciones en la aplicación del DCA

En aprovechamiento de la condición de homogeneidad de las uni-

Modelo lineal aditivo o ecuación de rendimiento en DCA

El modelo lineal aditivo o ecuación de rendimiento en el que se basa

Yij: valor estimado de la variable

En su conjunto, la ecuación representa a la media general, más el

Modelo matemático en DCA

En el cuadro 5, se reporta el conjunto de expresiones matemáticas

Cálculo de sumas de cuadrados corregidos

Suma de cuadrados totales

SCTotal = ∑(X - X)2

Un equivalente a la expresión anterior se puede resumir en:

La suma de cuadrados totales es igual a elevar al cuadrado de cada

Los valores obtenidos en el campo se suman, y se eleva al cuadrado,

Suma de cuadrados de los tratamientos

Es igual a la suma del total de cada tratamiento elevado al cuadrado

La expresión más sintética de esta suma de cuadrados es:

La suma de cuadrados del error se calcula a través de la diferencia

SCError = SCTotal - SCTratamientos

Esta es una variación equivalente de la anterior.

El diseño completamente al azar da la posibilidad de procesar los da-

Los cuadrados medios o varianzas únicamente se calculan para

Fuente de Grados de Cuadrado Fisher

La expresión sintética y sencilla corresponde a:

Se recomienda facilitar el cálculo con esta expresión.

En resumen, el cuadrado medio (S2) de cada fuente de variación

Fisher calculado corresponde a la referencia por medio de la cual

Criterios para aceptar o rechazar las hipótesis

Si el Fcal es < que el Teórico al 5% no existen diferencias significati-

Coeficiente de variación (CV)

Otro de los estadísticos que se puede calcular a partir del cuadrado

Para didactizar el diseño completamente al azar con desigual número

Cuadro 6. Mortalidad de pollos de carne (%) al someter a diferentes

STotal = (5,6 + 5 + 5 + ........ 4) - 232,324

STotal = 234,62 - 232,324 = 2,296

SCTratamientos = 234,250 - 232,324 = 1,926

SCError = SCTotal - SCTratamientos

SCError = 2,296 - 1,926 = 0,370

Cuadro 6.1. ADEVA para el DCA con desigual

Fuente de Grado de Suma de Cuadrado Fisher

Habiendo iniciado el ensayo con 15 observaciones totales, no se re-

Como se observa en el cuadro del ADEVA, Fisher calculado es ma-