Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Johanna Mantilla L.
I Programa de Maestra en Suelos y
Nutricin Vegetal
01/01/2015
Manual de Diseo
Experimental Infostat
Contenido
INTRODUCCIN ________________________________________________________________ 4
1. DISEO EXPERIMENTAL _______________________________________________________ 5
1.1.
MTODO CIENTFICO ____________________________________________________ 5
1.2.
Experimento_____________________________________________________________ 5
1.3.
Caractersticas de un experimento bien planeado __________________________________ 6
1.4.
Procedimientos para la experimentacin ________________________________________ 6
1.4.1.
Definicin del problema_________________________________________________ 7
1.4.2.
Revisin de bibliografa _________________________________________________ 7
1.4.3.
Diseo o planteamiento del experimento ____________________________________ 7
1.4.4.
Anlisis de los datos e interpretacin de los resultados __________________________ 7
1.4.5.
Elaboracin del informe de la experimentacin ________________________________ 7
1.5.
Definiciones generales ______________________________________________________ 8
1.5.1.
Experimento_________________________________________________________ 8
1.5.2.
Factor _____________________________________________________________ 8
1.5.3.
Niveles de un factor ___________________________________________________ 8
1.5.4.
Tratamiento _________________________________________________________ 8
1.5.5.
Unidad experimental ___________________________________________________ 9
1.5.6.
Variable ____________________________________________________________ 9
1.5.7.
Repeticiones _________________________________________________________ 9
1.5.8.
Muestra ____________________________________________________________ 9
1.5.9.
Muestra aleatoria _____________________________________________________ 9
1.5.10.
Testigo _____________________________________________________________ 9
1.5.11.
Efecto______________________________________________________________ 9
1.5.12.
Error Experimental ___________________________________________________ 10
1.6.
Principios bsicos del Diseo experimental ______________________________________ 10
1.7.
Prueba de hiptesis _______________________________________________________ 10
1.7.1.
Hiptesis Nula ______________________________________________________ 11
1.7.2.
Hiptesis Alternativa __________________________________________________ 11
1.7.3.
Error tipo I _________________________________________________________ 11
1.7.4.
Error tipo II ________________________________________________________ 11
1.7.5.
Nivel de Significancia __________________________________________________ 11
2. ANLISIS DE VARIANZA ______________________________________________________ 13
2.1.
Estructura general ________________________________________________________ 13
2.2.
Procedimiento de anlisis __________________________________________________ 13
3. DISEO COMPLETAMENTE AL AZAR DCA _______________________________________ 14
3.1.
Modelo matemtico. ______________________________________________________ 14
3.2.
Ventajas _______________________________________________________________ 14
3.3.
Desventajas ____________________________________________________________ 15
3.4.
Procedimiento de anlisis __________________________________________________ 15
3.4.1.
Hiptesis a probar ___________________________________________________ 15
3.4.2.
Esquema de Datos ___________________________________________________ 15
3.4.3.
Supuestos __________________________________________________________ 16
3.4.4.
Fuentes de variacin y grados de libertad. ___________________________________ 16
3.5.
Anlisis de Varianza para un Diseo Completamente al Azar._________________________ 16
3.5.1.
Regla de Decisin ____________________________________________________ 16
3.5.2.
Coeficiente de Variacin _______________________________________________ 16
3.6.
Ejercicio de aplicacin _____________________________________________________ 17
3.6.1.
Anlisis mediante el uso de Excel _________________________________________ 17
3.6.2.
Anlisis mediante Infostat ______________________________________________ 19
4. DISEO DE BLOQUES COMPLETOS AL AZAR _____________________________________ 24
4.1.
Modelo matemtico ______________________________________________________ 25
25
25
25
25
26
26
26
26
26
27
29
36
36
36
36
37
37
37
37
37
38
38
38
46
46
46
47
48
48
48
48
49
57
57
57
58
58
59
59
60
60
61
71
71
72
72
72
81
81
82
82
83
92
92
92
93
INTRODUCCIN
El diseo experimental es una tcnica estadstica que permite
identificar y cuantificar las causas de un efecto dentro de un
estudio experimental. En un diseo experimental se manipulan
deliberadamente una o ms variables, vinculadas a las causas,
para medir el efecto que tienen en otra variable de inters. El
diseo experimental prescribe una serie de pautas relativas qu
variables hay que manipular, de qu manera, cuntas veces hay
que repetir el experimento y en qu orden para poder
establecer con un grado de confianza predefinido la necesidad
de una presunta relacin de causa-efecto.
El diseo experimental encuentra aplicaciones en la industria, la
agricultura, la mercadotecnia, la medicina, la ecologa, las
ciencias de la conducta, etc. constituyendo una fase esencial en
el desarrollo de un estudio experimental.
Entre los programas estadsticos ms conocidos en nuestro
medio se pueden mencionar al MSTAT, INFOSTAT, MINITAB,
SPSS, y SAS, entre otros.
En la maestra de Suelos y Nutricin Vegetal se ha utilizado
EXCELL (de Office) e INFOSTAT para resolver la mayora de
ejercicios vinculados a la agropecuaria, suelos y la nutricin de
plantas, por ser stos los ms asequibles de obtenerlos y de
fcil manejo
Bajo este contexto, se ha desarrollado el presente Manual de
Diseo Experimental con el objetivo de ser un instrumento de
aprendizaje y consulta, que apoye al proceso de investigacin y
planificacin de experimentos.
1. DISEO EXPERIMENTAL
El diseo experimental ha sido una herramienta til en la generacin de conocimiento cientfico. El
diseo de un experimento en el cual el investigador tiene un control total sobre la variable
independiente y adems de que tiene un ambiente controlado difumina la confusin y permite
establecer asociaciones con menor incertidumbre de cometer un error. Esto ha sido
particularmente til en la experimentacin con animales y plantas, lo que ha permitido el
desarrollo de nuevas tecnologas. El desarrollo de nuevas tecnologas dentro del proceso
productivo, sea este de tipo agropecuario o de tipo industrial, surge del proceso de investigacin o
del mtodo cientfico. Es por esto que los diseos experimentales generan informacin confiable.
El diseo estadstico de experimentos se refiere al proceso para planear el experimento de tal
forma que se recaben datos adecuados que puedan analizarse con mtodos estadsticos que
lleven a conclusiones vlidas y objetivas. Cuando el problema incluye datos que estn sujetos a
errores experimentales, la metodologa estadstica es el nico enfoque objetivo de anlisis. Por lo
tanto, cualquier experimento incluyendo aspectos: El diseo del experimento y el anlisis
estadstico de los datos. Es comn que durante el proceso de investigacin se utilicen diseos
experimentales no adecuados, es decir que no responden al objetivo de la investigacin y por lo
tanto, su anlisis estadstico tambin ser equivocado, por lo que se llegan a conclusiones
errneas, cuando esto ocurre la investigacin no tiene ninguna validez.
1.1.
MTODO CIENTFICO
1.2.
Experimento
1.3.
1.4.
1.5.
Definiciones generales
Para el entendimiento del diseo experimental es necesario definir algunos conceptos, que
permitan contextualizar el marco terico de la experimentacin.
1.5.1. Experimento
Se define como una prueba o serie de pruebas en la cual se hacen cambios deliberados en
las variables independientes de un proceso o sistema para observar e identificar las razones de los
cambios que puedan observarse en la variable de respuesta, dependiente o de salida.
1.5.2. Factor
Es la variable independiente que ser estudiada en una investigacin y est bajo control del
investigador. Pueden ser Cualitativos (Efecto de tres fertilizantes potsicos en la intensidad de
color en rosas rojas var. Freedom) o Cuantitativos (Ej. Influencia de los niveles de N en el largo de
tallo en rosas)
Ejemplo:
Tipo de Factor
Cuantitativo
A: Niveles de Nitrgeno
Cualitativo
B: Fertilizantes Potsicos
1.6.
1.7.
Prueba de hiptesis
Es una tcnica de la inferencia estadstica que permite que las comparaciones se hagan de forma
objetiva. La hiptesis de investigacin genera el diseo de los tratamientos.
La hiptesis de investigacin establece un conjunto de circunstancias y sus consecuencias. Los
tratamientos son la creacin de las circunstancias para el experimento. As, es importante
identificar los tratamientos con el papel que cada uno tiene en la evaluacin de la hiptesis de
investigacin. Si no se logra delinear con claridad esta hiptesis y el objetivo del estudio, puede
haber dificultades en la seleccin de los tratamientos y experimentos sin xito. Es forzoso que el
investigador se asegure de que los tratamientos elegidos concuerden con la hiptesis de
investigacin.
Para proponer hiptesis bien definidas y fundamentadas como posible solucin del problema, las
hiptesis deben cumplir las siguientes condiciones y consideraciones:
1. Ser empricas, sin prejuicios.
2. Ser conceptualmente claras.
3. Ser especficas, sin predicciones generales.
10
Ho ES FALSA
Decisin correcta
Error Tipo II
11
12
2. ANLISIS DE VARIANZA
En un diseo experimental la tcnica estadstica que se emplea para contrastar las hiptesis
derivadas del modelo lineal es el anlisis de varianza. Para un experimento especfico el anlisis de
varianza determina con un alto grado de confiabilidad, si la diferencia entre los valores que toma la
variable respuesta se debe realmente al efecto de alguna de las fuentes de variacin involucradas o
a efectos aleatorios (determinados por el azar).
El anlisis de varianza es la estadstica de prueba para el contraste de hiptesis acerca de las
fuentes de variacin en un diseo experimental.
2.1.
Estructura general
Fuentes de
Variacin
(F.V)
Grados de
libertad
(G.L.)
G.L.
Suma de
cuadrados
(S.C.)
S.C.
Error
G.L. Error
S.C. Error
Total
G.L Total
S.C. total
Cuadrado
medio (C.M.)
F calculada
(Fcal)
S.C. / G.L.
S.C. Error/G.L.
error
C.M./ C.M.error
F de
tablas
(Ftab)
F(v1,v2)
2.2.
Procedimiento de anlisis
13
3.1.
Modelo matemtico.
Yij = + Ti + Eij
Donde:
Yij= es el j simo elemento perteneciente al i simo tratamiento.
= es la media general.
Ti = efecto debido al i-simo tratamiento.
Eij= error experimental asociado al j-simo elemento del i-simo tratamiento.
3.2.
Ventajas
El diseo al completo azar tiene varias ventajas entre estas se pueden mencionar las siguientes:
1. Su sencillez (estadstico fcil). Aun cuando el dato de algunos tratamiento se hayan
perdido, o rechacen por alguna causa el mtodo de anlisis sigue siendo sencillo. La
prdida relativa de informacin debida a los datos faltantes, es de menos importancia que
en cualquier otro sistema.
2. La flexibilidad. Puede utilizarse cualquier nmero de tratamientos y repeticiones y
pueden variar a voluntad del investigador el nmero de repeticiones de un tratamiento a
otro, pero no es recomendable sino existe una buena razn.
3. Todo el material experimental disponible puede usarse, lo cual es una ventaja en
experimentos preliminares pequeos donde el material experimental de que se dispone es
escaso.
4. El nmero de grados de libertad es mximo en comparacin con otros modelos, el
modelo estadstico sigue siendo fcil an cuando se pierdan unidades experimentales.
5. An cuando el dato de algn tratamiento se hayan perdido, o rechacen por alguna causa el
mtodo de anlisis sigue siendo sencillo
14
3.3.
Desventajas
1. La principal estriba en su grado de precisin, algn otro diseo suele ser capaz de estimar
el error estndar por unidad experimental (error experimental) con un mayor grado de
precisin.
2. No siempre puede garantizarse condiciones de homogeneidad.
3. No se asegura, ninguna forma para aseverar que las unidades reciben un tratamiento
similar a aquellas que reciben otro tratamiento, toda la variacin que existe entre las
unidades pasa a formar parte del error experimental.
3.4.
Procedimiento de anlisis
Yi.
Y11
Y12
Y12
. . .
Y1r
Y1 .
Y21
Y22
Y23
. . .
Y2r
Y2 .
Y31
Y32
Y33
. . .
Y3r
Y3 .
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. . .
.
.
.
.
.
.
Yt1
Yt2
Yt3
. . .
Ytr
Y ..
15
3.5.
t1
[(Y2../r Y2..)/(tr)]
Sctrat/gltotal
t ( r 1)
Sctotal - SCtrat
Scerror/glerror
Scmedios/Cmerror
Y2..)/
t r -1
[ (Yij(tr) ]
Fuente: Castillo, L. (2008). Introduccin a la Estadstica Experimental. p. 24
Los grados de libertad son uno menos que el nmero de observaciones para cada fuente de
variacin.
3.5.1. Regla de Decisin
Rechazar la hiptesis Ho. Si Fc > Ft (Gltrat, Gl error )
Aceptar la Hiptesis Ha. Si Fc < Ft (Gltrat, Gl error )
Ft = Valor tabular.
3.5.2. Coeficiente de Variacin
Se puede considerar como medida relativa de la variacin que no es posible controlar en el
experimento (error experimental), por costumbre se utiliza como que se control adecuadamente
el error cuanto el coeficiente de variacin es menor de 20.
El coeficiente de variacin se calcula por medio de la frmula siguiente:
CV = (Raz (CM) / Y.. )*100
Y.. = Y.. / tr
Diseo Experimental Johanna Mantilla Enero 2015
16
3.6.
Ejercicio de aplicacin
Se desea evaluar el efecto de dos fungicidas sobre el desarrollo del hongo Uromyces sp., en
laboratorio.
Los fungicidas a evaluar fueron: Zineb, Maneb y un testigo. Se tuvieron 8 repeticiones para el
fungicida Zineb, 12 para el Maneb y 7 para el testigo.
Unidad experimental: Caja petri
Cuadro 4. Factores en estudio experimento.
Factor en estudio
A: Fungicidas
a1: Zineb
a2: Maneb
a3: Testigo
Variable respuesta: Diametro promedio ( ) de las colonias por caja petri.
Ho: Efecto de Zineb = Efecto de Maneb = Efecto de Testigo
Ha: Efecto de Zineb Efecto de Maneb Efecto de Testigo
17
Nivel de significancia
determinado por el investigador
18
Dimetro ()
49
30
26
53
39
41
38
34
4
41
19
36
29
36
33
34
32
39
31
34
28
27
43
24
18
19
20
Est despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificacin:
Variable analizar
Tratamientos
Despus el programa nos despliega el men de Modelo y Comparaciones, pero dado que slo
estamos trabajando en el modelo Diseo completamente al azar DCA, aceptamos la pantalla tal
como se presenta:
21
22
23
24
4.1.
Modelo matemtico
Yij= + i + Tj + eij
Donde:
i= 1, 2, ., b
j= 1, 2, ., t
b= Nmero de bloques
t= Nmero de tratamientos
Yij= Respuesta obtenida en el j-simo tratamiento del i-simo bloque.
= Efecto medio general
i= Efecto atribuido al i-simo bloque.
Tj= Efecto atribuido al j-simo tratamiento.
Eij= Trmino de error aleatorio. Donde los eij tienen una distribucin normal e independiente con
la media 0 y varianza 2
4.2.
Ventajas
1. Es ms preciso que el DCA porque renueve la variabilidad total existente en todas las
unidades experimentales pertenecientes a un mismo bloque o repeticin.
2. Se caracteriza por ser flexible, puesto que se puede usar un amplio nmero de
tratamientos (25) y bloques o repeticiones por tratamiento.
3. El anlisis estadstico es relativamente sencillo, quiz un poco ms complicado que el DCA.
4. Si por algn motivo se pierde datos de las parcelas, pueden usarse tcnicas estadsticas
como la frmula de Yates para su clculo, sin que ello complique el clculo estadstico
4.3.
Desventajas:
4.4.
Procedimiento de anlisis
25
4.5.
Grados de
Libertad
Suma de
Cuadrados
Total
tr 1
Xij2-(Xij)2 /rt
Tratamientos
t1
Xi2 /r - FC
SCTratamientos/glTratamientos CMTratamiento/CMError
r -1
Xj2 /t - FC
SCRepeticiones/glRepeticiones CMRepeticiones/CMError
(t 1)(r -1)
Diferencia
Repeticiones
Bloques
Error
experimental
Cuadrados
Medios
Fc
Calculada
SCError/glError
4.6.
Ejercicio de Aplicacin
En un experimento en camote se aplicaron seis niveles de potasio (K1=0, K2=10, K3=15, K4=30,
K5=45, K6=60). Se requiere evaluar el rendimiento en kg/100m 2 en los diferentes niveles de
26
K1
K2
K3
K4
K5
K6
Total
40
38
35
25
30
36
35
26
29
39
25
28
25
31
29
27
40
37
38
29
23
25
24
26
187
206
186
161
138
34,5
127
31,75
121
30,25
112
28
144
36
98
24,5
740
30,83
27
Grupo de datos
seleccionados para el
ANOVA
28
Tratamientos
1
1
1
1
2
2
2
2
3
3
3
3
4
Rendimiento
40
38
35
25
30
36
35
26
29
39
25
28
25
Estas columnas, incluyendo sus ttulos, se copian mediante la funcin Copiar de Excel, y se los
llevan al InfoStat.
En InfoStat, se crea un nuevo documento: en el men Archivo, y se selecciona la opcin Nueva
Tabla:
29
Est despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificacin:
Variable analizar
Tratamientos y
bloques
30
Fuentes de
variacin DBCA
31
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opcin Copiar incluyendo nombre de columnas.
Suma de
cuadrados
Grados de
libertad
Cuadrado
medio
F
calculada
pvalor
Modelo.
528,16667
BLOQUES
170,33333
66,021
4,247
0,008
56,778
3,653*
0,037
TRATAMIENTOS
357,83333
71,567
4,604**
0,01
Error
233,16667
15
15,544
Total
761,33333
23
C.V: 12,78%
32
Prueba de
significacia
Nivel de significancia
Medias de los
tratamientos
Medias
34,5
31,75
30,25
28
36
24,5
Rangos
A
AB
AB
AB
A
B
33
Agregar la serie de
Rendimientos (Y)
Editar los niveles de
potasio (X)
Mientras que para el eje Y, se selecciona Agregar, en donde se coloca el nmero de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los tratamientos, en los Valores de la serie.
Seleccionar las
medias de los
tratamientos
Seleccionar la celda de
Tratamientos
34
Figura 1Comparacin de las medias de los niveles de potasio, con la Prueba de Tukey al 5%.
Medias con letra comn no presentan diferencias significativas(p>0,05), como se observa en el
grfico, los mejores niveles de potasio para el efecto rendimiento (kg/100m2) de cultivo de camote
son: 0kg/ha, 10kg/ha, 15kg/ha, 40kg/ha y 45kg/ha de potasio.
35
5.1.
Modelo matemtico
Yijk = + Hi + Cj + T(ij)K + eijk
Donde:
i = 1,2,.,t
j =1,2,.,t
K =1,2,.,t
t = Nmero de tratamientos
Yijk = Respueta para el K-simo tratamiento ubicado en la i-sima hilera y la j-sima columna.
= Efecto medio general
Hi = Efecto de la i-sima hilera(primer factor de confusin)
Cj = Efecto de la j-sima columna (segundo factor de confusin)
T(ij)K = Efecto del k-simo tratamiento(siendo una funcin de i y j)
eijk = trmino de error aleatorio, donde los eijk tienen una distribucin normal e independientes
con media = y varianza 2.
5.2.
Ventajas
5.3.
Desventajas
1. El nmero de tratamientos est limitado por el nmero de columnas e hileras, no debe ser
mayor de 10 ni menor de 4.
36
5.4.
Procedimiento de anlisis
Columna 1
Fila 1
Fila 2
Fila 3
Fila 4
Fila 5
Columna 2
Columna 3
Columna 4
Columna 5
5.4.2. Supuestos
1. No existe interaccin entre filas y tratamientos.
2. No existe interaccin entre columnas y tratamientos.
5.4.3. Hiptesis
Ho: t = t1 Todos los tratamientos producen el mismo efecto
Ha: t t1 para al menos i; i = 1, 2, t. Al menos uno de los tratamientos produce efectos
distintos.
5.5.
Grados de
Libertad
tr - 1
t1
n -1
c-1
(t - 1)(r -1)
Suma de
Cuadrados
Cuadrados
Medios
Xijk2-(Xijk)2 /t2
Xi2 /t - FC
SCTratamientos/glTratamientos
Xj2 /t - FC
SCHileras/glHileras
Xk2 /t - FC
SCColumnas/glColumnas
Diferencia
SCError/glError
T2 = nmero de parcelas en el ensayo
Fc Calculada
CMTratamiento/CMError
CMHileras/CMError
CMColumnas/CMError
37
5.6.
Ejercicio de aplicacin
Columna1
Columna2
Columna3
Columna4
Total hileras
1,640(B)
1,210(D)
1,425( C )
1,345 (A)
5,62
1,475( C )
1,185(A)
1,400(D)
1,290(B)
5,35
1,670(A)
0,710(C )
1,665(B)
1,180(D)
5,225
1,565(D)
1,290(B)
1,655(A)
0,660(C )
5,17
6,35
4,395
6,145
4,475
21,365
Total columnas
Factores en estudio:
38
Columnas
Tratamientos Rendimiento
1,64
1,21
1,425
1,345
1,475
1,185
1,4
1,29
1,67
0,71
1,665
1,18
1,565
1,29
1,655
0,66
Estas columnas, incluyendo sus ttulos, se copian mediante la funcin Copiar de Excel, y se los
llevan al InfoStat.
En InfoStat, se crea un nuevo documento: en el men Archivo, y se selecciona la opcin Nueva
Tabla:
39
Est despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificacin:
Variable respuesta
Variables clasificacin
para el DCL
40
Fuentes de
variacin DBCA
Generar tabla
Diseo Experimental Johanna Mantilla Enero 2015
41
Se copia los resultados a Excel, para darle el formato en el que se debe presentar, para lo cual se
debe seleccionar la opcin Copiar incluyendo nombre de columnas.
42
Prueba de
significacia
Nivel de significancia
Medias de los
tratamientos
Medias
Rangos
B
1,47
A
A
1,46
A
D
1,34
AB
C
1,07
B
Medias con letra comn no presentan diferencias significativas (p>0,05)
43
Con el mencionado cuadro, en Excel una vez que se ha seleccionado el rango del grupo de datos,
se selecciona en el Men de la Barra de Tareas Insertar, seleccionamos Grfico, y
posteriormente Columna, debido a que el factor en estudio es cualitativo (variedades de maz).
Agregar la serie de
Rendimientos (Y)
Mientras que para el eje Y, se selecciona Agregar, en donde se coloca el nmero de la celda
correspondiente al Nombre de la serie, es decir Tratamientos, y de igual forma el grupo de datos
correspondientes a las medias de los rendimientos de las variedades, en los Valores de la serie.
Seleccionar las
medias de los
Seleccionar la celda de
Tratamientos
tratamientos
44
Rendimiento de maz(t/ha)
A
AB
1,3
B
1,1
0,9
0,7
0,5
B
A
D
Variedades de maz
45
6.1.
Notacin
Los factores se definen con letras maysculas que pueden ser las primeras letras del alfabeto o las
iniciales del factor en estudio, (N, P, K). Los niveles dentro de cada factor se identifican con letras
minsculas acompaadas con subndices numricos, ejemplo:
Variedad (3) FA = a1, a2, a3 V = v1, v2, v3
Fertilizante Potsico (4) FB = b1, b2, b3, b4 F = f1, f2, f3, f4
Tratamientos = 3 x 4
a1b1 a1b2 a1b3 a1b4
a2b1 a2b2 a2b3 a2b4
a3b1 a3b2 a3b3 a3ba
En algunos experimentos se acostumbra a definir la notacin de los niveles empezando desde
cero, para indicar la no aplicacin de un elemento o producto.
N= 2 P = 3 K = 2 Factorial: 2 x 3 x2
no = 0 kg/ha po = 0 kg/ha ko = 0 kg/ha
n1 = 60 kg/ha p1 = 70 kg/ha k1 = 80 kg/ha
p2 = 140 kg/ha
6.2.
Ventajas y Desventajas
Se puede indicar como ventaja y muy importante al hecho que al estudiar algunos factores
simultneamente se obtiene informacin de cada uno de ellos en forma independiente, adems de
las posibles interacciones que puedan existir.
Sin embargo, si se consideran muchos factores, no solo que el anlisis de complica, sino que las
inferencias, conclusiones y recomendaciones pueden ser confusas y no valederas. Adems como el
nmero total de tratamientos es el resultado del producto de factores por sus niveles, su nmero
aumentar grandemente.
46
6.3.
Interacciones
47
6.4.
Fuente de
Variacin
Total
Grados de
libertad
rab 1
Tratamientos
ab 1
Factor A
a1
Factor B
b1
Suma de Cuadrados
..
. .
AxB
(a 1)(b -1)
Error
experimental
(t 1)(t 2
Diferencia
Cuadrados medios
F calculada
SC Tratamientos
G. L. Tratamientos
SC FactorA
G. L. Factor A
SC FactorB
G. L. Factor B
SC A x B
G. L. A x B
SC E. Experimental
G. L. E. Experimental
CM Tratamientos
CM E. Experimental
CM Factor A
CM E. Experimental
CM Factor B
CM E. Experimental
CM A x B
CM E. Experimental
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
6.5.
Ejercicio de aplicacin
En una investigacin utilizando DBCA se evaluaron tres variedades de arroz y tres niveles de
nitrgeno, siembra con cuatro repeticiones.
Factores en estudio:
Cuadro 18. Factores en estudio del experimento factorial A x B.
FACTORES EN ESTUDIO
Factor A: Variedades
Factor B: Densidad de
de arroz
siembra (plantas/ha)
a1: INIAP 13
b1: 50000
a2: INIAP 14
b2: 55000
a3: DONATO
b3: 60000
48
A
1
1
1
2
2
2
3
3
3
1
1
B
1
2
3
1
2
3
1
2
3
1
2
ALTURA
56
60
66
65
60
53
60
62
73
45
50
49
Variable
respuesta
A: variedades de arroz
B: densidad de siembra
50
Incluir
interacciones
Interaccin A x B
51
Como el factor A (Var. Arroz) y la interaccin A x B son altamente significativos, sometemos los
datos a contrastes ortogonales y comparacin de medias.
De esta manera volvemos al Men desplegado de Anlisis de Varianza, y seleccionamos la
pestaa Contrastes, en donde generamos los comparaciones ortogonales para las variedades, en
este caso comparamos: Donato (T1) vs Iniap13 (T2), Iniap 14 (T3) (+1 +1 -2); e, Iniap14 vs Iniap13
(+1 -1 0), debido a que se elimina a Donato de la comparacin), como se presenta en el siguiente
grfico. Nos aseguramos que se marque la opcin Controlar ortogonalidad.
Controlar
ortogonalidad
Comparaciones
ortogonales
52
Los datos arrojados por el Infostat los llevamos a Excel para la presentacin de resultados.
Cuadro 20. Anlisis de varianza evaluacin del rendimiento de tres variedades de
arroz, con tres densidades de siembra en un diseo factorial A x B.
Suma de Grados de Cuadrados
F
Fuentes de Variacin
p-valor
Cuadrados libertad
Medios
calculada
Modelo.
2203,53
11
200,32
11,336
0,000
Variedades
1027,39
2
513,69
29,069**
0,000
Donato vs Iniap 13,
Iniap14
786,72
1
786,7222
31,249**
0,000
Iniap 14 vs Iniap13
240,67
1
240,6667
9,5594**
0,0046
Densidad de siembra
155,06
2
77,53
4,387*
0,024
AxB
765,44
4
191,36
10,829*
0,000
Error
424,11
24
17,67
Total
2627,64
35
C.V.
7,27%
A x B: Interaccin Variedades de arroz x Densidad de siembra
p-valor: Valor de la probabilidad
* : Diferencias significativas
** : Diferencias altamente significativas
El valor de P es altamente significativo para el Factor variedades de arroz y para la interaccin de
los dos factores, es decir que esta interaccin causa efecto en la altura de las variedades de arroz,
con lo cual se acepta la Hiptesis alternativa y se rechaza la hiptesis nula.
Posteriormente realizamos la comparacin de medias mediante la Prueba de Tukey con una
confiabilidad del 5% tanto para el factor A (Variedades) como para la interaccin A x B, puesto
que encontramos en estas diferencias altamente significativas.
No analizamos las densidades de siembra debido a que el valor de F es menor al de la interaccin
y que el valor de las variedades.
53
Prueba
Tukey
Se selecciona A y la
interaccin A x B
Con todos los datos listos generamos las tablas de datos para llevarlas a Excel y realizar la
presentacin de resultados.
Cuadro 21. Comparacin de las medias de las tres variedades de arroz, mediante la
Prueba de Tukey al 5%
Variedades
Medias
Rangos
Donato
64,42
Iniap14
57,67
Iniap 13
51,33
54
55
56
7.1.
Grado de Precisin
Si se requiere investigar con ms precisin los efectos de un factor, asigne ese factor a las
subparcelas y el otro factor a la parcela principal.
Por ejemplo: si se desea evaluar a diez variedades promisorias de arroz con tres niveles de
fertilizacin en un experimento factorial 10 x 3, se busca mayor precisin entre variedades que la
respuesta a los fertilizantes; por tanto se deber asignar las variedades a la subparcela y los niveles
de fertilizacin a la parcela principal.
Pero si se desea estudiar la respuesta a la fertilizacin de diez variedades promisorias,
probablemente se quiera mayor precisin en la respuesta a los fertilizantes que la comparacin
entre variedades, entonces asignar las variedades a la parcela principal y los niveles de fertilizacin
a la subparcela.
7.2.
Si el efecto principal de uno de los factores (factor B) se espera sea ms grande y ms fcil de
detectar que el del otro factor (factor A), el factor B debe ser asignado a la parcela principal y el
factor A a las subparcelas. Esto incrementa la oportunidad de detectar las diferencias para el factor
A, el cual tiene el efecto ms pequeo.
57
7.3.
Prcticas de manejo
Las labores culturales requeridas para un factor pueden orientar o definir el uso de parcelas
grandes. Por conveniencia prctica, un factor puede ser asignado a la parcela principal.
Ejemplo, en un experimento en que se desea evaluar el manejo de agua y variedades, sera
deseable asignar el manejo de agua (riego) a la parcela principal para minimizar el movimiento de
agua entre parcelas adyacentes. En un experimento para evaluar algunas variedades de arroz con
diferentes dosis de fertilizacin, se puede asignar la fertilizacin a la parcela grande para minimizar
la necesidad de separar parcelas que reciban diferentes niveles de fertilizacin.
7.4.
Sorteo y Diseo
Se deben realizar dos sorteos: uno para la parcela principal y otro para las subparcelas. En cada
nivel, el procedimiento de sorteo de un DBCA es aplicable. En cada repeticin, los niveles del
factor principal son sorteados primero y son asignados a las parcelas principales al azar; luego, los
niveles del subfactor son sorteados y asignados a las subparcelas.
Para ejemplificar, se muestra a como el nmero de niveles del factor principal (6 niveles), y b
como el nmero de niveles del subfactor (4 niveles), y r como el nmero de repeticiones (3
repeticiones).
1. Dividir el rea experimental en tres bloques (repeticiones) y cada uno de ellos dividirlo en
seis parcelas principales.
2. Siguiendo el procedimiento de sorteo del DBCA con seis tratamientos y repeticiones,
asignar los seis niveles a a las seis parcela principales en cada uno de los tres bloques
(repeticiones).
Repeticin I
Repeticin II
Repeticin III
n4 n3 n1 n6 n5 n2
n1 n6 n5 n2 n4 n3
n6 n1 n4 n5 n3 n2
3. Dividir cada una de las seis parcelas principales, dentro de cada repeticin, en cuatro
subparcelas, siguiendo el procedimiento de sorteo de DBCA con cuatro tratamientos,
asignas las cuatro variedades a las cuatro subparcelas dentro de cada parcela principal.
n4 n3 n1 n6 n5 n2
n1 n6 n5 n2 n4 n3
n6 n1 n4 n5 n3 n2
V2 V1 V1 V2 V4 V3
V1 V4 V3 V1 V1 V3
V4 V3 V3 V1 V2 V1
V1 V4 V3 V2 V3 V2
V3 V1 V4 V2 V4 V2
V2 V4 V2 V3 V3 V4
V3 V2 V1 V4 V2 V1
V2 V2 V1 V4 V2 V4
V1 V1 V4 V4 V4 V2
V4 V3 V4 V3 V1 V4
V4 V3 V2 V3 V3 V1
V3 V2 V1 V1 V1 V3
Comentarios:
58
7.5.
Modelo matemtico
7.6.
Fuente de
Variacin
Suma de Cuadrados
rab 1
SC Total
Repeticiones
r1
SC Repeticiones
Factor A Parcela
Grande
a1
SC Parcela Grande
(a 1)(r 1)
SC Error(a)
Total
Error en Parcela
Grande
Factor B Parcela
Pequea
b1
SC Parcela pequea
AxB
(a 1)(b 1)
SC A x B
Error
Experimental
SC Error (b)
Cuadrados medios
SC Repeticiones
G. L. Repeticiones
. .
. .
. .
SC A x B
G. L. A x B
( )
. .
( )
F calculada
( )
CM Factor B
CM E. Experimental
CM A x B
CM E. Experimental
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
Diseo Experimental Johanna Mantilla Enero 2015
59
7.7.
Ejercicio de aplicacin
Se quiere evaluar el rendimiento (kg/ha) en grano de cuatro variedades de arroz con seis niveles
de N. Donde el Nitrgeno es el factor de difcil manejo.
Cuadro 24. Factores en estudio
Factores en estudio
A: Variedades
B: Nitrgeno
a1: IR8
b1: 0kg/ha
a2: IR5
b2: 60kg/ha
a3: C4-63
b3: 90kg/ha
a4: Peta
b4: 120kg/ha
b5: 150kg/ha
b6: 180kg/ha
Variable respuesta: rendimiento (kg/ha) en grano de arroz
Hiptesis:
1. Para las variedades:
Ho: IR8 = IR5 = C4-63 = Peta
Ha: IR8 IR5 C4-63 Peta
2. Para el Nitrgeno:
Ho: 0kg/ha = 60kg/ha = 90kg/ha = 120kg/ha = 150kg/ha = 180kg/ha
Ha: 0kg/ha 60kg/ha 90kg/ha 120kg/ha 150kg/ha 180kg/ha
3. Para la interaccin
Ho: no existe interaccin entre los factores
Ha: hay interaccin entre los factores.
60
N
1
1
1
Repeticin
1
1
1
Rendimiento
4430
3944
3464
61
1
2
2
2
2
3
3
3
3
4
4
4
4
5
5
5
5
6
6
6
6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4126
5418
6502
4768
5192
6076
6008
6244
4546
6462
7139
5792
2774
7290
7682
7080
1414
8452
6228
5594
2248
Estas columnas, incluyendo sus ttulos, se copian mediante la funcin Copiar de Excel, y se los
llevan al InfoStat.
En InfoStat, se crea un nuevo documento: en el men Archivo, y se selecciona la opcin Nueva
Tabla:
Con la base lista se procede a realizar los clculos. A continuacin se selecciona la opcin
Estadsticas y se elige la celda Anlisis de varianza:
Diseo Experimental Johanna Mantilla Enero 2015
62
Est despliega la siguiente pantalla, en la que se selecciona las variables dependientes y las variables
de clasificacin:
Variable
respuesta
Factores en
estudio
63
Especificaciones
del modelo
64
Coeficientes para 6
tratamientos
Usamos los valores que presenta la tabla de coeficientes de polinomios ortogonales para comparar
6 tratamientos, ya que el N, tiene 6 tratamientos en nuestro experimento.
Valores copiados de la
tabla de Polinomios
ortogonales
El infostat nos presenta los resultados que se presentan a continuacin. En los cuales, se puede
observar el p-valor para el Contraste 1(N lineal), Contraste 2(N cuadrtico) y Contraste 3(N
cbico) son altamente significativos (p<0,01), es decir la tendencia de la curva del Nitrgeno es
lineal, cuadrtica y cbica.
65
Comparaciones
ortogonales
66
Como vemos hay diferencias altamente significativas (p<0,01) tanto para la comparacin Peta vs
IR8, IR5, C4-63 como para la comparacin C4-63 vs IR8, IR5.
Posteriormente trasladamos los resultados obtenidos a Excel, como se presenta en el siguiente
cuadro.
Cuadro 26. Anlisis de varianza del diseo en parcelas divididas del rendimiento de
cuatro variedades de arroz con seis niveles de Nitrgeno.
Fuentes de
Suma de
Grados de Cuadrados
F
p-valor
Variacin
cuadrados
libertad
Medios
calculada
Modelo.
192163043,15
35
5490372,66
15,706
0,000
Repeticin
1082576,694
2
541288,347
1,548ns
0,226
Nitrgeno
30429199,56
5
6085839,91
42,868**
0,000
Nitrgeno lineal
16143851,67
1
16143851,67 113,715**
0,0000
Nitrgeno cuadrtico 11443001,19
1
11443001,19
80,603**
0,0000
Nitrgeno cbico
2709445,834
1
2709445,84
19,085**
0,0010
Nitrgeno cuartico
132765,003
1
132765,003
0,935ns
0,3560
Nitrgeno quntico
135,873
1
135,873
0,001ns
0,9760
Error A
1419678,806
10
141967,881
Variedad
89888101,153
3
29962700,4
85,711**
0,000
Peta vsIR8,IR5,C4-63
80971287,04
1
80971287,0
231,62**
0,000
IR8 vs IR5
1426034,03
1
1426034,03
4,08*
0,050
C4-63 vs IR8,IR5
7490780,08
1
7490780,08
21,43**
0,000
Variedad x Nitrgeno 69343486,93
15
4622899,12
13,224**
0,000
Error
12584873,167
36
349579,810
Total
204747916,39
71
C.V(a): 6.87%
C.V(b): 10,79%
x: 5478.90
*Diferencias significativas
**Diferencias altamente significativas
C.V: Coeficiente de variacin
x: promedio
Luego realizo la comparacin de las medias mediante la prueba de Tukey con un nivel de
significacin del 5% para determinar los mejores tratamientos para el Nitrgeno, Variedades y la
mejor Interaccin.
67
Luego trasladamos los datos a Excel y generamos los siguientes grficos de resultados.
68
69
9000
Rendimiento(kg/ha)
8000
7000
B-F
6000
5000
4000
E-H
F-H
F-H
H-J
B-G
C-G
B-D
B-E
B-F
D-H
A-C
BC
B-F
AB
A-C
B-D
B-D
B-F
IR8
IR5
G-H
D-H
C4-63
3000
Peta
I-J
2000
1000
0
0
60
90
120
150
180
Niveles de Nitrgeno(kg/ha)
70
8. DISEO FACTORIAL A X B X C
Los diversos factores no actan nica y exclusivamente en forma independiente, sino que
interaccionan entre s de forma complicada e inesperada, por lo cual los experimentos con un solo
factor son frecuentemente criticados por su estrechez y limitaciones
Es una variante de la aplicacin factorial A x B, donde se introduce un factor adicional
8.1.
Modelo matemtico
Yijk = + Ai + Bj + Ck + (AB)ij + (AC)ik + (BC)jK + (ABC)jk + eijkl
Donde:
i= 1,2,.,a
j=1,2,.,b
K=1,2,.,c
l= 1,2,,r
a= nmero de niveles del factor A
b= nmero de niveles del factor B
c= Nmero de niveles del factor C
r= nmero de repeticiones
Yijk = Respueta obtenida en la l-sima repeticin del i-simo nivel del factor Apara , el j-simo nivel
del factor B y el ksimo nivel del factor C.
: Efecto medio general
Ai= Efecto de la i-simo nivel del factor A
Bj = Efecto de la j-simo nivel del factor B
CK = Efecto del k-simo nivel del factor C
(AB)ij= Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el j-simo nivel del
factor B.
(AC)ik = Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el k-simo nivel del
factor C.
(BC)jK = Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el k-simo nivel del
factor C.
(ABC)jk = Efecto atribuido a la interaccin entre el i-simo nivel del factor A , el j-simo nivel del
factor B y el k-simo nivel del factor C.
eijkl= Trmino de error aleatorio, donde los eijkl tienen una distribucin Normal e independientes
con medias O y una varianza 2.
71
8.2.
Fuente de
Variacin
Total
Repeticiones
r1
Tratamientos
abc 1
Factor A
a1
Factor B
b1
Factor C
c1
..
..
. .
. .
..
AxB
(a 1)(b -1)
AxC
(a 1)(c 1)
BxC
(b a)(c 1)
AxBxC
(a 1)(b 1)(c 1)
Error
experimental
(t 1)(t 2)(t 3)
Diferencia
SC Repeticiones
G. L. Repeticiones
SC Tratamientos
G. L. Tratamientos
SC FactorA
G. L. Factor A
SC FactorB
G. L. Factor B
SC Factor C
G. L. Factor C
SC A x B
G. L. A x B
SC A x C
G. L. A x C
SC B x C
G. L. B x C
SC A x B x C
G. L. A x B x C
SC E. Experimental
G. L. E. Experimental
F calculada
.
CM Tratamientos
CM E. Experimental
CM Factor A
CM E. Experimental
CM Factor B
CM E. Experimental
CM Factor C
CM E. Experimental
CM A x B
CM E. Experimental
CM A x C
CM E. Experimental
CM B x C
CM E. Experimental
CM A x B x C
CM E. Experimental
Fuente: Gomez & Gomez, (1983). Statistical Procedures for Agricultural research
8.3.
Ejercicio de aplicacin
Se realiz un experimento el cultivo del pltano fruta con el objetivo de evaluar 3 dosis de
mutgeno fsico, 2 porciento de humedad de la semilla y 2 edades de la semilla, con las siguientes
consideraciones:
1. Las dosis del mutgeno fsico fueron las siguientes: Rayos Ganma: D1 100 gy; D2 200gy y
D3 300 gy.
2. Los porcientos de humedad fueron: H1: 40 % y H2 20 %.
3. Las edades de la semilla; E1 6 meses y E2 12 meses.
4. Se utiliz un diseo completamente al azar con 4 observaciones por tratamiento.
5. Se ofrecen los datos del porciento de supervivencia de plantas en la generacin M2.
8.3.1. Anlisis de datos en el Infostat
72
D1H1E1
80,1
82,3
82,5
78,5
323,4
D1H1E2
75,3
75,6
76,2
75
302,1
D1H2E1
75,3
74,8
74,5
76,7
301,3
D1H2E2
73,1
70,3
72,7
71,8
287,9
D2H1E1
54,6
56,6
54,7
55,1
221
D2H1E2
50,8
51,3
52,6
50,9
205,6
D2H2E1
74,7
73,8
74
72,6
295,1
D2H2E2
69,5
68,6
70,1
68
276,2
D3H1E1
64,3
62,6
63
63,8
253,7
D3H1E2
60,6
61,1
62
61
244,7
D3H2E1
43,2
45,4
44
44,9
177,5
D3H2E2
40,8
39,9
40
40,1
160,8
762,3
762,3
766,3
758,4
3049,3
Fuente: Universidad Carlos Jos Muritegui. (2009) Experimentacin Agrcola. Moquegua Per. P. 51
D: Rayos gamma,
H: Humedad,
E: edad de semilla.
Factores en estudio:
Cuadro 29. Factores en estudio del experimento
Factores en estudio
A: Dosis de mutgeno B: Humedad
C: Edad
a1: 100gy
a2: 200gy
a3: 300gy
b1: 40%
b2:20%
c1: 6 meses
c2: 12 meses
73
Para el clculo en el Infostat los datos deben estar dispuestos de la siguiente manera:
Al aparecer la tabla vaca en Infostat, vamos al men Edicin, y seleccionamos la opcin Pegar
con nombres de columnas:
74
Variable
dependiente
Factores en
estudio
Interacciones
necesarias para el
DCA de tres factores
El infostat nos presenta los siguientes resultados que luego los trasladamos a Excel, para darles un
mejor formato:
Diseo Experimental Johanna Mantilla Enero 2015
75
Posteriormente elegimos la celda Copiar incluye nombre de columnas y trasladamos los datos a
Excel y generamos el cuadro de Anlisis de varianza.
76
77
Luego trasladamos cada una de las tablas de resultados para las distintas comparaciones de medias
realizadas con el Infostat.
Generar tabla de
resultados
% Supervivencia plantas
En Excel generamos los respectivos grficos con los resultados obtenidos en el Infostat. Grfcos
en Barra para los factores cualitativos y Grficos en Lnea cuando al menos uno de los factores
es cuantitativo.
80
70
60
50
40
30
100gy
200gy
300gy
Rayos Gamma
78
79
%Supervivencia plantas
90
A
80
70
C
D
60
50
40%Humedad
F
20%Humedad
40
30
100gy
200gy
300gy
Mutgeno
80
9.1.
Modelo matemtico
El modelo es el siguiente:
Yijk= + i + Sj+ Eij(a) + Hk + (SH)jk + Eijk(b) + Ml + (SM)jl + (HM)kl + (SHM)jkl + Eijkl(c).
Donde:
Yijkl es la observacin de la distancia k, en el mtodo de control l, en el sistema de labranza j, en el
bloque i.
= es la media verdadera general.
Bi es el efecto del bloque i
Sj es el efecto del sistema j
Eij(a) es el error experimental en parcelas grandes
Hk es el efecto del espacio entre hileras k
SHjk es el efecto de la interaccin del sistema j espacio k
Eijk(b) es el error experimental de las subparcelas
Ml es el efecto del mtodo l
SMjl es el efecto de la interaccin de la distancia j mtodo l
HMkl es el efcto de la interaccin del espacio k y el mtodo l
SHMjkl es el efcto de la interaccin del sistema j, espacio k, mtodo l
Eijkl(c) es el error experimental en sub-sub parcelas.
81
9.2.
Cuadro 34. Formato del anlisis de varianza para el diseo en parcelas subdivididas
Fuente de Variacin
Grados de
libertad
Suma de
cuadrados
Cuadrado medio
F
p - valor
calculada
r-1
a-1
(r -1)(a - 1)
SC Repeticin
SC Parcela grande
SCError(a)
CM Repeticin
CM Parcela grande
CMError(a)
Fcalrep
FcalPG
b-1
(a - 1)(b - 1)
a(r - 1)(b - 1)
SC Parcela intermedia
SC A x B
SC Error(b)
CMParcela intermedia
CMA x B
CM Error(b)
FcalPI
FcalAxB
c-1
(a - 1)(c - 1)
(b - 1)(c - 1)
(a - 1)(b - 1)(c 1)
SCParcela pequea
SC AxC
SC BxC
CMParcela pequea
CM AxC
CM BxC
FcalPP
FcalAxC
FcalBxC
SCAxBxC
CMAxBxC
FcalAxBxC
Anlisis de la parcela
grande:
Repeticin
Parcela grande factor (A)
Error (a)
Anlisis Parcela
intermedia:
Parcela intermedia (B)
AxB
Error (b)
Anlisis de Parcela
pequea:
Parcela pequea ( C )
AxC
BxC
AxBxC
Total
rabc
9.3.
Ejercicio de aplicacin
Se desea evaluar el rendimiento en granos (t/ha) de tres variedades de arroz cultivadas bajo tres
prcticas de Manejo y con cinco niveles de Nitrgeno.
Cuadro 35. Rendimiento en granos de tres variedades de arroz con tres prcticas de
Manejo y cinco niveles de Nitrgeno; en diseo de parcelas subdivididas con el
nitrgeno como la parcela grande, el manejo como la parcela mediana y las
variedades como la parcela pequea, con tres repeticiones.
V1
Manejo Rep.I Rep.II
Rep.III
M1
M2
M3
3,320
3,766
4,660
3,864
4,311
5,915
4,507
4,875
5,400
M1
M2
M3
3,188
3,625
5,232
4,752
4,809
5,170
4,756
5,295
6,046
Rep.I
V3
Rep.II
Rep.III
5,355
7,442
7,018
5,536
6,462
8,02
5,244
5,584
7,642
6,706
8,592
8,48
6,546
7,646
9,942
7,092
7,212
8,714
82
Rep.III
M1
M2
M3
5,468
5,759
6,215
5,788
6,130
7,106
4,422
5,308
6,318
M1
M2
M3
4,246
5,255
6,829
4,842
5,742
5,869
4,863
5,345
6,011
M1
M2
M3
3,132
5,389
5,217
4,375
4,315
5,389
4,678
5,896
7,309
Rep.I
V3
Rep.II
Rep.III
8,452
8,662
9,112
6,698
8,526
9,140
8,650
8,514
9,320
8,042
9,080
9,660
7,414
9,016
8,966
6,902
7,778
9,128
9,314
9,224
10,360
8,508
9,680
9,896
8,032
9,294
9,712
Manejo
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
Repeticin
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
N
1
1
1
2
2
2
3
3
3
4
4
4
5
5
5
1
1
1
Rendimiento
3,320
3,766
4,660
3,188
3,625
5,232
5,468
5,759
6,215
4,246
5,255
6,829
3,132
5,389
5,217
6,101
5,096
6,573
83
Variable
respuesta
Variables
clasificacin
84
Especificaciones
Parcelas
subdivididas
Con la ayuda de la tabla de Polinomios ortogonales analizamos los tratamientos del Nitrgeno.
85
Valores de la tabla de
Polinomios ortogonales para
las comparaciones del N
Posteriormente genero comparaciones ortogonales para el factor Manejo, donde comparo Manejo
Intensivo vs M. ptimo y M. mnimo; manejo ptimo vs manejo mnimo.
86
V3 vs V1, V2
V2 vs V1
Con todos los datos obtenidos en el infostat, los llevamos a Excel para la presentacin de los
resultados en el cuadro a continuacin.
87
88
89
Rendimiento(kg/ha)
7,5
A
A
6,5
6
C
5,5
5
140kg/ha
80kg/ha
110kg/ha
50kg/ha
0kg/ha
Nitrgeno
90
Rendimiento (kg/ha)
8
7
5
4
3
2
1
0
V3
V2
V1
Variedades
A
AB
Rendimiento (kg/ha)
9
8
7
6
5
ABC
BCD
EFG
EFG
FGH
HIJ
J
IJ
0kg/ha
50kg/ha
FGHI
DEF
FGHIJ
CDE
V1
HIJ
V2
V3
4
3
80kg/ha
110kg/ha
140kg/ha
N(Kg/ha)
91
10.
10.1. Ventajas
Los principales puntos fuertes del diseo de medidas repetidas es que se realiza un experimento
ms eficiente y ayuda a mantener la variabilidad baja. Esto ayuda a mantener la validez de los
resultados ms altos, al tiempo que permite ms pequeo que los grupos de asignaturas habituales.
10.2. Desventajas
Una desventaja para el diseo de medidas repetidas es que puede que no sea posible que cada
participante est en todas las condiciones del experimento. Especialmente sujetos gravemente
enfermos tienden a abandonar un estudio longitudinal, la eliminacin de estos temas podra sesgar
el diseo. En estos casos, los modelos de efectos mixtos seran preferibles, ya que pueden hacer
frente a los valores perdidos.
Tambin hay varias amenazas a la validez interna de este diseo, a saber, una amenaza de
regresin, una amenaza maduracin y una amenaza historia.
92
Repeticin 2
Tratamiento P1
P2
P3
P1
1
3,26 1,88 1,4 2,98
2
3,84 2,36 1,53 3,74
3
3,5
2,2 1,33 3,49
4
3,43 2,32 1,61 3,45
5
3,43 1,98 1,11 3,24
6
3,68 2,01 1,26 3,24
7
2,97 2,66 1,87 2,9
8
3,11 2,53 1,76 3,04
Fuente: Gomez & Gomez, (1983), p. 259
P1: 15 das despus del transplante,
P2: 40 das despus del transplante,
P3: Inicio del estado Panoja
P2
1,74
2,14
2,28
2,33
1,7
2,33
2,74
2,22
P3
1,24
1,21
1,54
1,33
1,25
1,44
1,81
1,28
Repeticin 3
P1
2,78
3,09
3,03
2,81
3,45
2,84
2,92
3,2
P2
1,76
1,75
2,48
2,16
1,78
2,22
2,67
2,61
P3
1,44
1,28
1,46
1,4
1,39
1,12
1,31
1,23
Repeticin 4
P1
2,77
3,36
3,36
3,32
3,09
2,91
2,42
2,81
P2
2
1,57
2,47
1,99
1,74
2
2,98
2,22
P3
1,25
1,17
1,41
1,12
1,2
1,24
1,56
1,29
Factores en estudio:
93
Tratamiento
1
2
3
4
5
6
7
8
1
2
7
8
1
2
3
Estado Nitrgeno
1
3,26
1
3,84
1
3,5
1
3,43
1
3,43
1
3,68
1
2,97
1
3,11
2
1,88
2
2,36
2
2,66
2
2,53
3
1,4
3
1,53
3
1,33
94
Variable analizar
Factores en estudio
95
La tabla de resultados que presenta el infostat la trasladamos al Excel y le damos formato para la
presentacin de los resultados
96
97
Datos
desactivados
En la pestaa de Comparaciones elijo la prueba de Duncan con un nivel de significancia del 5%,
para las comparaciones individuales de los Tratamientos del Estado 1 en estudio.
Diseo Experimental Johanna Mantilla Enero 2015
98
99
100
Para las comparaciones de medias de los tratamientos del Estado 2, tenemos los siguientes
resultados.
101
102
Con todos los datos obtenidos de los anlisis de cada Estado en estudio, procedemos a
trasladarlos a Excel, para realizar la presentacin de datos.
Cuadro 42 Prueba de significancia de Duncan al 5%, para la comparacin de medias
de ocho fertilizantes en interaccin con cada estado de crecimiento.
Contenido de Nitrgeno %
Tratamiento
P1
P2
P3
1
2,95
CD
1,84
E
1,33
BC
2
3,51
A
1,96
D
1,3
BC
3
3,35
AB
2,36
B
1,44
B
4
3,25
ABC
2,2
C
1,36
BC
5
3,3
ABC
1,8
E
1,24
C
6
3,17
ABCD
2,14
C
1,26
BC
7
2,8
D
2,76
A
1,64
A
8
3,04
BCD
2,4
B
1,39
BC
Medias con una letra comn no son significativamente diferentes (p>0,05)
Para el estado P1, los mejores tratamientos son los fertilizantes 2, 3, 4, 5 y 6, para el efecto sobre
el contenido de N (%) en el suelo del cultivo de arroz.
Para el estado P2 el mejor tratamiento es el 7, para el efecto sobre el contenido de N (%) en el
suelo del cultivo de arroz.
Para el estado P3 el mejor tratamiento es el 7, para el efecto sobre el contenido de N (%) en el
suelo del cultivo de arroz.
Se escogi cuadro para la representacin de los datos, puesto que el tratamiento es un factor
cualitativo y de esta forma se expresan mejor los datos.
103
Contenido de Nitrgeno(%)
3,5
3
2,5
2
C
1,5
1
0,5
0
15 das despus del
transplante
Estado
Contenido de N(%)
2,4
A
AB
2,3
AB
AB
BC
2,2
BC
2,1
2
1,9
1,8
F7
F3
F8
F4
F2
F6
F5
F1
Fertilizantes
104
11.
Grados de Libertad
Tratamientos
t-1
Error
t ( r 1)
Total
t r -1
25
1
1
24
20
22
18
Grados de Libertad
Suma de Cuadrados
tr 1
t1
Xij2-(Xij)2 /rt
Xi2 /r - FC
r -1
(t - 1)(r -1)
Xj2 /t - FC
Diferencia
Total
Tratamientos
Repeticiones
Bloques
Error Experimental
Disposicin de datos Infostat
Tratamientos
Repeticin
Rendimiento
1
1
1
2
2
1
2
3
1
2
25
24
20
22
18
105
Suma de Cuadrados
tr - 1
t-1
n -1
c-1
(t - 1)(r -1)
Hileras
1
2
3
1
2
Xijk2-(Xijk)2 /t2
Xi2 /t - FC
Xj2 /t - FC
Xk2 /t - FC
Diferencia
Columnas
1
1
1
2
2
Rendimiento
25
24
20
22
18
Grados de Libertad
Total
Repeticiones
Tratamientos
Factor A
Factor B
AxB
Error Experimental
Disposicin de Datos en el Infostat:
Repeticin
1
1
1
1
1
tr - 1
r-1
t-1
a -1
b-1
(a 1)(b-1)
(t - 1)(r -1)
A
1
1
1
2
2
B
1
2
3
1
2
Altura
56
60
66
65
60
106
Grados de libertad
rab 1
r1
a1
(a 1)(r 1)
b1
(a 1)(b 1)
a(r 1)(b -1)
1
1
1
1
2
2
Repeticin
1
1
1
1
1
1
Rendimiento
4430
3944
3464
4126
5418
6502
Grados de libertad
rabc 1
r1
abc 1
a1
b1
c1
(a 1)(b -1)
(a 1)(c 1)
(b a)(c 1)
(a 1)(b 1)(c 1)
(t 1)(t 2)(t 3)
107
Humedad
Edad
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
Repeticin Supervivencia
1
1
2
2
3
80,1
75,3
82,3
75,6
82,5
Grados de libertad
r-1
a1
(r -1)(a - 1)
b1
(a - 1)(b - 1)
a(r - 1)(b - 1)
c1
(a - 1)(c - 1)
(b - 1)(c - 1)
(a - 1)(b - 1)(c - 1)
Rabc
ab(r 1)(c-1)
N
1
1
1
2
2
2
3
Rendimiento
3,320
3,766
4,660
3,188
3,625
5,232
5,468
108
Grados de libertad
Repeticin
Tratamiento
Error (a)
Tiempo
Tratamiento x Tiempo
Error (b)
Total
r-1
t-1
(r -1)(t - 1)
p-1
(t - 1)(p - 1)
t(r - 1)(p - 1)
rtp - 1
1
2
3
4
1
1
1
1
3,26
3,84
3,5
3,43
109
BIBLIOGRAFA
-
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos. Anlisis
de la Varianza. Grupo Editorial Universitario.
Gomez & Gomez, (1983). Statistical Procedures for Agricultural research, Estados Unidos
110