CURSO: Métodos estadísticos (AI 448)

PROFESOR: Antonio Matos Alejandro

DISEÑO CUADRADO LATINO

Es el agrupamiento de las unidades experimentales en 2 direcciones (filas o bloques y columnas) y

la asignación de los tratamientos al azar en las unidades, de tal forma que en cada fila y
en cada columna se encuentran todos los tratamientos.

Características:

1. Las unidades experimentadas se distribuyen en grupos, bajo 2 criterios de homogeneidad

dentro de la fila y dentro de la columna y heterogeneidad en otra forma.
2. En cada fila y en cada columna, el número de unidades es igual al número de tratamientos.
3. Los tratamientos son asignados al azar en las unidades experimentales, dentro de cada fila
y dentro de cada columna.
4. El número de filas es igual al número de columnas e igual al número de tratamientos.
5. Los análisis estadísticos de pruebas de comparación múltiple y pruebas de contraste, se
procede como en el diseño completo al azar y el diseño de bloques. La desviación estándar
de la diferencia de promedios y la desviación estándar del promedio, están en función del
cuadrado medio del error experimental, bajo la misma forma de los diseños mencionados.

Formación de cuadrados latinos

Suponga 4 tratamientos A, B, C y D; con estos tratamientos se pueden formar 4 cuadrados

diferentes llamados típicos o estándar (en la primera fila y en la primera columna se tiene la misma
distribución).

De cada cuadrado se tiene 144 formas diferentes, en total se obtiene 576 cuadrados diferentes.

La siguiente tabla permite relacionar el número de cuadrados en función del tamaño.

Tamaño de cuadrado N° formas típicas Valor de n!(n-3)! N° total de cuadrados

diferentes

3x3 1 12 12

4x4 4 144 576

5x5 56 2880 161280

6x6 9408 86400 812851200

n = Tamaño del cuadro

Asignación de tratamientos

Los tratamientos deben asignarse empleando uno de los posibles cuadros, es decir si son 4
tratamientos, escoger entre los 576 posibles.

Modelo Estadístico

Cada observación del experimento es expresado como una relación lineal de los efectos
involucrados (tratamientos, fila y columna), así:

yij  k   μ + f i + CJ + TK + ε ij K 

Donde:
μ = Media general (parámetro)
fi = Efecto de la fila (parámetro)
Cj = Efecto de la columna (parámetro)
Tk = Efecto del tratamiento (parámetro)
Εij(k) = Es el error experimental de la unidad observada. Es aleatorio y su distribución
es normal e independiente con media cero y variancia σ.

El subíndice k indica que tratamiento fue aplicado en la unidad experimental.

El modelo está compuesto por n2 ecuaciones, una para cada observación del experimento y
expresan el modelo del diseño cuadrado latino.

Estimación de parámetros

El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse por mínimos
cuadrados del error, siendo:

SCTotal = ∑∑Y2ij – (Y..)2/r2

SCTratam. = ∑Y2(k)/r - (Y..)2/r2

SCFila = ∑Y2i./r - (Y..)2/r2

SCColumna = ∑Y2.j/r - (Y..)2/r2

SCError = SCTotal – SCTratam. – SCFila - SCColumna

Hipótesis:

1. Para columnas:

H0: μ1 = μ2 = … = μr (no hay diferencia entre las columnas)

Ha: μ1 = μ2 = … = μr (hay diferencia entre las columnas)

2. Para filas o bloques:

H0: μ1 = μ2 = … = μr (no hay diferencia entre filas o bloques)

Ha: μ1 = μ2 = … = μr (hay diferencia entre filas o bloques)

3. Para tratamientos:

H0: μ1 = μ2 = … = μr (no hay diferencia entre tratamientos)

Ha: μ1 = μ2 = … = μr (hay diferencia entre tratamientos)

ANVA
F.V G.L SC CM Fc
Columnas (r-1)
y 2
j   y  ij
2 2 CM.Bloq. CMBloq./CMerror
CMtrat/CMerror

Bloques (r-1) t rt CM.Trat.

Tratamientos (r-1)
y 2
i

  y  i
2

CM. Error.
r rt
Error (r-1)(r-2) Por, diferencia
( yij ) 2
Total r2-1  y 2
ij 
rt

Representación simbólica de los datos correspondientes a una u.e. por tratamiento en diseño

cuadrado latino.

Filas Columnas
1 2 3 4
I C D B A
II B A C D
II D C A B
IV A B D C
 EXPERIMENTOS FACTORIALES

Llámense experimentos factoriales aquellos experimentos en los que se estudian simultáneamente

dos o más factores, éstos se diferencian de los experimentos simples en los que sólo se estudia un
factor.

Los experimentos factoriales en sí no constituyen un diseño experimental como muchas veces se

cree, más bien ellos deben ser llevados en cualquiera de los diseños tal como DCR, DBCA, DCL,
etc.

Los factoriales son combinaciones de factores (variedades, sustancias, niveles de concentración,

etc.) para formar tratamientos, los cuales se aplican en los diseños experimentales (DCR, DBCA,
DCL). La información obtenida de estos experimentos son amplios, permiten comparar los niveles
de cada factor entre si y evaluar las interacciones que resulta como combinaciones de los factores,
también la comparación de niveles de un factor bajo un nivel de otro factor.

Según Yates mencionado por Pimentel (1978), experimentos factoriales son aquellos que incluyen
en todas las combinaciones de varios conjuntos de tratamientos o factores.

Los experimentos factoriales son más eficientes que los experimentos simples con un solo conjunto
de tratamientos, permitiendo obtener conclusiones más generales.

En un experimento de factoriales, si todos los niveles de un factor se combinan con todos los
niveles de otro factor, entonces se dice que estos factores están cruzados y si los niveles de un
factor que se combinan con ciertos niveles de otro factor se dice que estos factores están asociados,
ejm: un factor A con niveles a0, a1 y a2 se combinan con el factor B de niveles b0, b1, b2. b3, b4 y
b5 resulta:

Tratamientos: a0b0, a0b1, a1b2, a1b3, a2b4 y a2b5.

El factor B esta anidado en A, se representa como B(A).

* Sólo los factores cruzados serán tratados.

Conceptos generales

Factor: Es sinónimo de tratamiento e involucra diferentes niveles del tratamiento, por ejm el
sorbato de potasio como aditivo químico en conservación de alimentos, este puede utilizarse a
diferentes porcentajes, cada uno constituye un nivel que también representa un tratamiento.

Factorial: Es una combinación de factores para formar tratamientos.

Nivel: Es la dosis o cantidad del ingrediente (factor) empleado en el tratmiento. Ejm 2,5% de
cultivo madre en la elaboración de yogurt.

Efecto principal: Es efecto promedio del factor sobre los otros niveles del mismo factor
independiente de otros factores. Ejm efecto de la temperatura en las unidades experimentales al
aplicar en tratamiento térmico en la conservación de un producto por calor.

Efecto interacción: Es el efecto adicional debido a la influencia combinada de dos o más factores.
Ejm efecto conjunto de bisulfito de sodio y sorbato de potasio en la unidad experimental
(sinergismo).
Efecto simple: Es el efecto de los niveles del factor en un nivel de otro factor. Ejm efecto del BHA
bajo la presencia de 0,05% de tocoferol. Es un efecto derivado del efecto de la interacción.

Efecto simple simple: Es el efecto de los niveles del factor a una combinación de los otros
factores. Ejm el efecto del nitrógeno en las unidades experimentales bajo la presencia de 0,5% de
fósforo y 1% de potasio.

Tipos de factores:

Factores cuantitativos: Si sus niveles son cantidades cuantificables Ejm niveles de hierro a 0,01%;
0,05%; 0,1%.

Factores cualitativos: Si sus niveles no tienen orden natural y corresponden a clases o categorías.
Ejm variedades de leguminosas (frijol).

Los factoriales son expresados mediante la siguiente notación:

Serie 2A2B = 2x2 = 22 = 2 niveles de A por 2 niveles de B.
Serie 2A3B = 2x3 = 2 niveles de A por 3 niveles de B.
Serie 2A2B2C = 2x2x2 = 23 = 3 factores a 2 niveles cada uno.
Serie 2A3B3C = 2x32 = 2 niveles de A por 3 niveles de B y 3 niveles de C.
Serie: 3n = n factores con 3 niveles cada factor.
Serie: 4n, 5n, etc = n factores con 4, 5, etc niveles cada factor.
Serie mixta: pxqxr = 3 factores, cada factor con p, q ó r niveles. Si p = q = r = 3 3 (3 niveles).

Formación de factoriales:

Para el planeamiento de los experimentos factoriales deben contestarse las siguientes preguntas:
1. ¿Qué factores deben incluirse?
2. ¿Qué factores son fijos (modelo I) y cuáles al azar (modelo II)?
3. ¿Cuántos tratamientos o niveles de cada factor deben ser considerados?
4. Si son factores cuantitativos, ¿cuál debe ser el espaciamiento de los niveles de cada factor? 0%,
5% y 10% de enzimas, tienen igual espaciamiento.

Ventajas y desventajas en experimentos factoriales:

El experimento factorial nunca origina pérdida de información, ni aun cuando no hay interacción,
pues esto ya resulta una información. En cambio, si existe interacción, el experimento factorial es
de lo más interesante, pues la interpretación de los resultados da lugar a conclusiones más amplias.

La limitación de los experimentos factoriales sería el número elevado de unidades experimentales

requerido, hecho que aumenta el tamaño del experimento.

Ventajas:
1. Permite el estudio de los efectos principales, efectos de interacción de los factores, efectos
simples y efectos cruzados.
2. Todas las unidades experimentales intervienen en la determinación de los efectos principales y
de los efectos de interacción de los factores, por lo que el número de repeticiones es elevado
para estos casos.
3. El número de grados de libertad del error es alto comparándolo con los experimentos simples de
los mismos factores, lo que contribuye a disminuir la variancia del error, aumentando por este
motivo la precisión del experimento.

Desventajas:
1. El número de unidades experimentales utilizadas es mayor que en experimentos simples y es
más difícil contar con un número suficiente de unidades homogéneas.
2. El análisis se complica, a medida que el número de factores y niveles se incrementa.
3. Algunas combinaciones tal vez no tienen importancia en el análisis pero deben incluirse para
completar el factorial, esto obliga usar más material experimental.
4. El análisis estadístico es más complicado que en los experimentos simples, y la interpretación de
los resultados se hace más difícil a medida que aumenta el número de factores y tratamientos
en el experimento.

Elección de los factores

Llámase factor a una serie de tratamientos relacionados entre si o que pertenecen a una misma
clasificación; por ejm: un factor dopaje puede estar constituido por 0 cc, 3 cc, 6 cc y 9 cc; un factor
raza puede estar constituido por cerdos Criollo y Polan Chine. En general no es recomendable ir a
más de 3 factores en los experimentos por la complicación que esto entraña en la conducción e
interpretación de los resultados especialmente.

a. Factores cuantitativos:
Son aquellos factores cuyos tratamientos son cantidades numéricas de una variable cuantitativa.
Estos factores son frecuentes en experimentos de economía, física, química, tecnología, medicina,
agricultura, etc. Ejm: diferentes dosis crecientes de nitrógeno aplicados con un abono en
experimentos agrícolas; temperaturas crecientes, presiones creciente, concentraciones cada vez
mayores, cantidades crecientes de un reactivo, etc, en experimentos de física y química; duraciones
crecientes en la aplicación de una droga o un estimulantes en medicina, etc.

a. Factores cualitativos:
Son aquellos cuyos tratamientos no tienen orden natural establecido, y cada nivel tiene un interés
intrínseco. Ejm: variedades de trigo; diferentes tratamientos de una enfermedad; diferentes técnicas
de poda de árboles, etc. Pertenecen a este grupo también los factores constituidos por unidades
experimentales clasificadas; por ejm: diferentes clases de lana, diferentes grupos temperamentales
en experimentos de sicología, diferentes laboratorios en ensayos interlaboratorios en los que cada
laboratorio usa su propio personal, equipo y material, etc.

b. Factores cualitativos ordenados:

Son aquellos en los que los niveles están constituidos en cierto orden, pese a que no pueden
describirse cuantitativamente, o aquellos cuyos niveles se han constituido como consecuencia de un
agrupamiento grosero en una variable cuantitativa.
Como ejm tenemos los siguientes: los pacientes pueden haber sido clasificados en ligeramente
enfermos, moderadamente enfermos, severamente enfermos y muy severamente enfermos. En
experimentos de sicología puede ser conveniente agrupar los individuos en grupos de diferentes
edades, digamos: de menos de 25 años, entre 25 y 35 años y más de 35 años.

c. Factores cualitativos muestreados:

Son aquellos cuyos tratamientos están formados por partes diferentes de una materia prima que se
va a usar en un proceso industrial. Estos niveles pueden servir para hacer comparaciones,
considerando cada parte muestreada como u tratamiento de interés intrínseco. La razón de estos
factores es estudiar la variabilidad de la materia prima a emplearse en la industria.

Elección de los tratamientos

Los niveles o tratamientos que deben escogerse para cada factor de un experimento, es una de las
tareas más delicadas que tiene el experimentador. En la elección debe tenerse en cuenta todos los
elementos de juicio a su alcance, incluyendo los resultados de experimentos similares realizados en
el mismo lugar o en otros lugares de condiciones similares. También debe analizarse la bibliografía
disponible al respecto.
La elección de los niveles de un factor, no solo depende del factor en sí mismo, sino también de las
características del material experimental (que constituirá las unidades experimentales a las que se
aplicarán los niveles), sea éste un terreno agrícola, enfermos de un hospital, alumnos de un colegio,
vacas de un establo, etc. Es necesario estudiar anticipadamente el material, realizando por ejm
análisis, estudiando características, tomando datos (edad, peso, estado de salud, nivel intelectual,
etc), para determinar los niveles del factor de acuerdo a los resultados de este estudio. Es frecuente
ver que se hacen por ejm experimentos de niveles de abonamiento de nitrógeno en suelos que
resultan ser ricos en este elemento, esto solo por no haberse realizado un análisis previo de suelo.
As así pues, cómo muchas veces se lleva a cabo experimentos con niveles que no encajan en
absoluto con el material experimental empleado.
Los niveles de un factor pueden ser igualmente espaciados o no; sin embargo, para facilitar el
análisis estadístico, y en especial, el estudio de las respuestas lineal y curvilínea de los niveles, es
preferible que éstos estén igualmente espaciados; así por ejm, en un estudio de medicina para
investigar el efecto de una droga, los niveles podrían ser 3, 6, 9, 12 unidades.
Supongamos que tenemos:

Experimento factorial pq = (3)(3) = 32

- Factor A y B que es la representación simbólica generalizada

- Niveles: 3 niveles del factor A: a1, a2,a3
3 niveles del factor B: b1, b2, b3
- Total de tratamientos, combinaciones 3x3 = 9 tratamientos, siendo:

a1 a2 a3

b1 a1b1 a2b1 a3b1

b2 a1b2 a2b2 a3b2
b3 a1b3 a2b3 a3b3

Suponiendo:

Diseño bloque completo al azar (DBCA): r = 5

Esquema:

a1b3 a2b3 a2b1 a3b1 a2b2 a3b3 a1b2 a1b1 a3b2

a1b2 a2b1 a2b2 a1b3 a3b2 a3b1 a1b1 a3b3 a2b3

a3b2 a1b3 a3b1 a3b3 a2b3 a2b1 a2b2 a1b1 a1b2

a2b2 a3b1 a1b2 a2b3 a1b3 a3b2 a3b3 a1b1 a2b1

a1b1 a1b3 a3b2 a2b3 a2b2 a3b1 a2b1 a1b2 a3b3

Modelo aditivo lineal de los experimentos factoriales de dos factores y análisis de variancia

Debe definirse las fuentes de variación que influyen en cada valor de Yijk de los experimentos,
pues constituyen la guía para el análisis de la variancia, así como para la determinación de los
componentes de los valores esperados de los cuadrados medios, de los cuales dependen las pruebas
de F.

Para los experimentos factoriales de dos factores, el modelo aditivo lineal para el caso de que los
factores A y B interaccionen entre sí, es el siguiente:
i = 1,2,…,a
Yijk = µ + αi + βj + (αβ)ij + ρk + εijk j = 1,2,…,b
k = 1,2,…,k
Donde:
a : Es el número de niveles del factor A en estudio
b : Es el número de niveles del factor B en estudio
k : Es el número de bloques considerados en el diseño
Yijk = Observación de la unidad experimental (variable respuesta o dependiente) correspondiente
al i-ésimo nivel de A, j-ésimo nivel de B evaluado en el k-ésimo nivel del bloque.
µ = Efecto de la media general.
αi = Efecto del i-ésimo nivel de A.
βj = Efecto del j-ésimo nivel de B.
(αβ)ij = Efecto de la interacción correspondiente al i-ésimo nivel de A y j-ésimo nivel de B.
ρk = Efecto del k-ésimo nivel bloques.
εijk = Efecto del error experimental correspondiente al i-ésimo nivel de A, j-ésimo nivel de B
evaluado en el k-ésimo nivel del bloque.

Esquema del análisis de variancia:

FV GL SC CM Fc Sign.
Bloques (k-1) SCBLOQUES CMBLOQUES CMBLOQ./CMERROR
Efecto de A (a-1) SCA CMA CMA./CMERROR
Efecto de B (b-1) SCB CMB CMB./CMERROR
Interacción AB (a-1)(b-1) SCAB CMAB CMERROR./CMERROR
Error Por diferencia SCERROR CMERROR
Total k x a x b -1 SCTOTAL

Fc, comparamos con Ft(tabular) buscado

1. Para bloques: G.Lbloques(k-1) y G.L error
2. Para A : G.LA(a-1) y G.L error
3. Para B : G.LB(b-1) y G.L error
4. Para AB : G.Lbloques(a-1)(b-1) y G.L error

Pautas generales para deducir conclusiones

Si es que en un experimento, resulta significativa la Int. AB, las conclusiones mas importantes
serán las que se deduzcan de los efectos simples de A (en los niveles de B) y de los efectos simples
de B (en los niveles de A) que lleguen a alcanzar a la significación (0,05) y a la alta significación
(0,01).
Pero, si en el experimento no resulta significativa la Int. AB, las conclusiones más importantes son
las que se deduzcan de los efectos principales de A y de los efectos principales de B, que sean
significativas, así como las que se deduzcan de los efectos simples de A y de los efectos simples de
B si es que resultan altamente significativas (0,01).
En aquellos experimentos en los que los efectos principales y la Int. AB resulten significativos, las
conclusiones que puedan deducirse de los efectos principalmente pierden su interés, adquiriendo
por el contrario importancia las conclusiones que se deduzcan de la significación de los efectos
simples, ya que al ser significativa la Int. AB esto está indicando que no se puede considerar las
diferencias entre los niveles de un factor sin tener que tomarse en cuenta con qué nivel del otro
factor se combinan.

Ejemplo de factorial 32:

Se analiza un experimento en cultivo de soya; las características que interesan del experimento son
las siguientes:

v1 = Sao Paulo (planta alta)

Variedades v2 = X. L. M. (planta media)
v3 = Seminole (planta baja)

c1 = 2 plantas cada 20 cm en surcos de 80 cm de ancho

Cantidad de plantas c2 = 3 plantas cada 20 cm en surcos de 80 cm de ancho
c3 = 4 plantas cada 20 cm en surcos de 80 cm de ancho

El experimento se llevó a cabo con 5 repeticiones mostrándose en cuadro siguiente:

Cuadro 1: Rendimientos parcelarios ordenados expresados en décimos de kg

Bloques v1 v2 v3 Total
c1 c2 c3 c1 c2 c3 c1 c2 c3 bloques
I 9 10 10 10 12 13 6 10 9 89
II 10 13 12 9 10 11 7 12 13 97
III 11 15 12 12 9 9 9 14 16 107
IV 11 16 13 12 16 17 12 16 19 132
V 14 15 11 15 13 14 10 14 17 123
Comb.VC 55 69 58 58 60 64 44 66 74 548
V 182 182 184 48
C 157 195 196 548

Cuadro 2: Análisis de variancia y resultados de la prueba de F

Fuentes GL SC CM Fc F0,05 SIG.
Bloques 4 141 3,53 1,21 2,67 NS
Variedades 2 1 0,50 0,17 3,30 NS
Cant. de plantas 2 66 33,00 11,34 3,30 *
Int. VC 4 56 14,00 4,81 2,67 *
Error 32 93 2,91
Total 44 357

Hipótesis:

a. Para el factor V:
H0: αi = 0
H1: αi ≠ 0
Conclusiones:
Existe suficiente evidencia estadística a un nivel de significación de 0,05 para aceptar la H 0.
Por lo tanto podemos afirmar que al menos a un nivel de V no se produce un rendimiento
medio distinto a los demás.

b. Para el factor C:
H0: βj = 0
H1: βj ≠ 0
Conclusiones:
 Existe suficiente evidencia estadística a un nivel de significación de 0,05 para rechazar la
H0.
Por lo tanto podemos afirmar que al menos un nivel de cantidad de plantas produce un
rendimiento medio distinto a los demás.

c. Para interacción VC:

H0: (αβ)ij = 0
H1: (αβ)ij ≠ 0
Conclusiones:
Existe suficiente evidencia estadística a un nivel de significación de 0,05 para rechazar la
H0.
Por lo tanto podemos afirmar que existe interacción entre las variedades y la cantidad de
plantas.

El rendimiento promedio por parcela del experimento es:

R = Y… = 548 = 12,18
rpq 45

El coeficiente de variabilidad es = (2,91)1/2/12,18 = 14%

Los rendimientos promedios por parcela son los siguientes:

Cuadro 3: Rendimientos promedio por parcela

Cantidad de Variedades Promedio
plantas v1 v2 v3
c1 11,0 11,6 8,8 10,47
c2 13,8 12,0 13,2 13,00
c3 11,6 12,8 14,8 13,07
Promedio 12,13 12,13 12,27 12,18

Al ser significativa la Int. VC, es necesario estudiar los efectos simples del experimento. Así, las
SC de los efectos simples de los niveles de C en cada nivel de V están dadas por:

SC de C en v1 = (552 + 692 + 582)/5 - 18282/15 = 21,7

SC de C en v2 = (582 +602 +642)/5 - 1822/15 = 3,7

SC de C en v3 = (442 +662 +742)/5 – 1822/15 = 96,5

Cuadro 4: Efectos simples del experimento

Fuentes
Efectos simples GL SC CM Fc F0,05 SIG.
de C
Entre C en v1 2 21,7 10,85 3,73 3,30 *
Entre C en v2 2 3,7 1,85 0,64 3,30 NS
Entre C en v3 2 96,5 48,25 16,58 3,30 *
Error 32 93,0 2,91

Conclusión:
Hay evidencia estadística para afirmar que entre los niveles de C hay diferencias significativas con
las variedades v1 y v3.

* Suponiendo: A, B, C
 1) Efecto de otros factores:
A
B
C

2) Efecto de la interacción de primer orden.

AB
AC
BC

3) Efecto de la interacción de 2do orden

ABC

*Suponiendo, 4 factores: A, B, C, D
(1) Efecto de factores: A,B,C,D
(2) Efecto de la interacción de primer orden.

AB, AC, AD
BC, BD, CD

DISEÑO DE PARCELAS DIVIDIDAS

Son útiles en aquellos experimentos factoriales en los que los tratamientos de uno o más de los
factores, por razón de su naturaleza, deben aplicarse a unidades experimentales grandes; por
ejemplo factores como sistemas de cultivos, riego, etc. En los que cada tratamiento tiene que
aplicarse forzosamente en parcelas grandes. En estos casos para el mejor aprovechamiento del
material experimental cada unidad o parcela se subdivide en 2 o más sub unidades para dar cabida
a la serie de tratamientos de otro factor que no tenga esa limitación, de aquí vienen el nombre de
parcelas divididas.

Características:

- Una u.e ( unidad experimental) puede ser una parte de terreno, un camada de cerdos, la
fundición de un horno, un árbol y las subunidades serían las sub-parcelas de cada parcela, los
cerdos de cada camada, los moldes en que se hecha la fundición de un horno, las ramas de un
árbol,

- Este tipo de diseños puede utilizarse en agricultura, zootecnia, industria, laboratorio,

invernadero, etc.

- En los experimentos de este tipo, las comparaciones entre los tratamientos que van en parcelas
(unidades). Es menor precisa que las comparaciones entre tratamientos que van en sub-parcelas
(sub-unidades); esto se debe al menor número de repeticiones de los que van en parcelas.

Ejemplo Si se tratase de estudiar 3 sistemas de riego(r 1, r2,r3) en un algodonero, y 4 unidades (V1

V2 V3 V4) en tres bloques, la distribución de los sistemas de riego debe buscarse al
azar en los 3 parcelas de cada bloque, y también al azar la distribución de los cuatro
unidades en los sub parcelas de cada parcela.
I II III

r1 r2 r3 r2 r3 r1 r3 r2 r1
V1 V2 V4 V3 V2 V3 V4 V1 V4
V3 V4 V1 V2 V3 V1 V2 V3 V2
V2 V3 V2 V1 V4 V2 V1 V4 V1
V4 V2 V3 V4 V3 V4 V3 V2 V3
3 R en parcelas, 4 V en subparcelas en el BCR.

En el experimento considerado el ANVA debe tener dos partes. La primera es para el estudio de los
sistemas de riego y la segunda para el de variedades y la interacción RV.

Los diseños de parcelas divididas deben adoptarse:

a. Si es que uno o varios factores no pueden ir en parcelas chicas sino grandes,
b. Si es que hay interés de parte del experimentador en estudiar con mayor precisión unos
factores que otros. Si este es el caso, los que se desea estudiar con más precisión deben ir
en las subparcelas y los que se desea estudiar con menos precisión en las parcelas.
Algunas veces los experimentadores se quejan de que el error que corresponde a las parcelas es
muy grande, lo que hace algunas veces que habiendo diferencias notables entre tratamientos de
est5as parcelas sin embargo no resulten significativas, sucediendo lo contrario con los tratamientos
de las subparcelas. A fin de aumentar la precisión de los factores que van en las parcelas, se
recomienda adoptar el cuadrado latino si es que existen dos fuentes de variabilidad distinguibles en
las parcelas. Las combinaciones de dos factores que se presentan para usar el CL son: 5x2, 5x3,
5x4, 6x2, 6x3, 7x2, 7x3, 8x2.
Así para un experimento de 5A2B los 5 niveles de A en parcelas pueden formar un GL de 5x5, con
un total de 25 parcelas y cada parcela en dos subparcelas para dar cabida a los niveles de B. Si
suponemos que un experimento de 5A2B fuese llevado en BCR y en CL, las fuentes y los GL para
cada uno de ellos sería:
  5A2B en BCR con 5 repeticiones.

F.V. G.L.
Bloques (r-1) = 4
A (p-1) = 4
Error (a) (p-1)(r-1) = 16
Total parcelas Pr-1 = 24
Bloque de subparcelas Pr-1 = 24
B (q-1) = 1
AB (p-1)(q-1) = 4
Error (b) P(r-1)(q-1) = 20
Total subparcelas rpq-1 = 49

 5A2B en CL con 5 repeticiones

F.V. G.L.
Bloques (p-1) = 4
Columnas (p-1) = 4
A (p-1) = 4
Error (a) (p-1)(p-2) = 12
Total parcelas (p2-1) = 24
Bloque de subparcelas (p2-1) = 24
B (q-1) = 1
AB (p-1)(q-1) = 4
Error (b) P(p-1)(q-1) = 20
Total subparcelas p2q-1 = 49

Si el experimento se conduce en el CR, entonces los G.L: del error (a) es igual a p(r-1), los demás
G.L. tanto de la primera como de la segunda parte no varía con respecto al BCR.

COVARIANCIA
Las diferentes formas de disminuir el error experimental en los experimentos pueden reunirse en
dos grandes grupos: directa e indirecta.

La forma directa incluye los siguientes procedimientos:

a. Selección homogénea de las unidades experimentales.
b. Estimación de las unidades en grupos homogéneos (DBCA) cuadrado latino, etc.
c. Refinamiento en la conducción de los experimentos.

Como forma indirecta de controlar el error experimental tenemos terrenos la covarianza.

Para realizar el análisis de covarianza se toma en los experimentos, además de los datos propios del
estudio que se realiza, otros datos concomitantes (acompañan otros datos) con ellos; ejm. el
número de plantas es concomitante del rendimiento de c/parcela; los pesos iniciales de los animales
al comienzo del experimento son concomitantes de los pesos finales, etc.

En el análisis de covarianza se combinan los análisis de varianza y el de regresión que hemos visto
en capítulos anteriores. El análisis de covarianza es posible aplicarlo en los más diversos diseños
experimentales y en las más variadas condiciones, incluso cuando se tiene desigual número de
unidades por tratamientos y cuando se dispone de subunidades por unidad.

Finalidades:

1) Disminuir el error experimental con el consiguiente aumento de la presión del

experimento.
2) Ajustar los promedios de los tratamientos por la diferencia entre los promedios de la
variable independiente.
3) Hacer una mayor interpretación de los resultados de los experimentos, especialmente
en cuanto se relaciona con la naturaleza de los efectos de los tratamientos.
4) Estimar los valores de las unidades perdidas en los experimentos.