UNIVERSIDAD NACIONAL “SAN LUIS GONZAGA DE ICA”

FACULTAD DE AGRONOMÍA
DEPARTAMENTO ACADÉMICO DE CIENCIAS AGRÍCOLAS

ASIGNATURA:

MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN

PREPARADO POR:

Ing. M. Sc. LUZ ESPINOZA DE ARENAS

Docente Principal

ICA – 2019
 MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN
PRESENTACIÓN
Como se anuncia en el propósito de la presente asignatura, se trata de lograr que el
estudiante de Agronomía, se prepare para la investigación científica, utilizando los
métodos estadísticos y diseños experimentales agrícolas, fortaleciendo sus
conocimientos previos sobre una adecuada recolección de datos, su organización,
para realizar también un adecuado análisis e interpretación de datos que permita una
acertada toma de decisiones sobre un determinado problema planteado.
La agricultura está sujeta a continuos cambios. Actualmente, se está asistiendo a la
transición de una agricultura convencional, cuya productividad ha estado basada en
la aplicación masiva de los agroquímicos para el control de la sanidad y la
productividad de los cultivos, hacia una agricultura sostenible basada en la obtención
de productos de calidad competitiva respetando el medio ambiente y conservando los
recursos naturales. Estos cambios se logran gracias al avance de los conocimientos
generados por la investigación, que permiten desarrollar de manera confiable,
técnicas apropiadas para esos fines.
El desarrollo de nuevas técnicas aplicables en la agricultura pasa necesariamente por
la experimentación. No basta hoy en día con que destacados técnicos agrícolas
sugieran sobre la bondad de una nueva técnica o la utilización de un determinado
producto, sin que dichas recomendaciones transferibles estén soportadas por datos
sujetos a un riguroso examen.
Toda nueva tecnología que se desarrolle dentro del proceso productivo, viene a ser
el resultado de la investigación, para lo cual se ha tenido que generar información
confiable a través de los diseños experimentales, planificando de tal manera que el
experimento genere datos adecuados que puedan analizarse con métodos
estadísticos y lleven a conclusiones válidas.
Es lamentable que por falta de conocimiento o por negligencia se utilicen diseños
estadísticos no adecuados; es decir que no respondan realmente a los objetivos de la
investigación; porque sin duda, esto generará un análisis estadístico equivocado y
conclusiones erradas; por lo tanto, se habrá invertido, tiempo, dinero y esfuerzo en
una investigación que no tendrá ninguna validez.
Cuando se quiere investigar sobre un problema que incluye datos que están sujetos a
errores experimentales, los métodos estadísticos son la única forma de analizar dicho
problema de manera objetiva. Todo experimento incluye dos aspectos fundamentales:
el diseño del experimento y el análisis estadístico de los datos.
Como se sabe, hoy en día es difícil que un trabajo de investigación sea aceptado en
una revista agronómica de cierto impacto si no se ha utilizado los procedimientos
estadísticos adecuados para el diseño de los experimentos y el análisis de los datos.
Ing. M. Sc. Luz Espinoza

1
1. DEFINICIONES IMPORTANTES
La Estadística
“Es una ciencia que estudia la recolección, análisis e interpretación de datos, ya
sea para ayudar en la resolución de la toma de decisiones o para explicar
condiciones regulares o irregulares de algún fenómeno o estudio aplicado, de
ocurrencia en forma aleatoria o condicional”.
“Estadística es una ciencia que proporciona un conjunto de métodos que se utilizan
para recolectar, resumir, clasificar, analizar e interpretar el comportamiento de los
datos con respecto a una característica, materia de estudio o investigación. En
primera instancia se encarga de obtener información, describirla y luego usa esta
información a fin de predecir algo respecto a la fuente de información”.
“La estadística es el arte de aprender a partir de los datos. Está relacionada con la
recopilación de datos, su descripción subsiguiente y su análisis, lo que nos lleva a
extraer conclusiones”.
Definiciones, según el punto de vista de diversos autores, lo fundamental es tener
en cuenta la importancia que tiene la estadística, debido al gran campo de
aplicación que posee y reconocer que es el vehículo que permite llevar a cabo el
proceso relacionado con la investigación científica.
La Ciencia
Es el conjunto de conocimientos sistemáticamente estructurados obtenidos
mediante la observación de patrones regulares, de razonamientos y de
experimentación en ámbitos específicos, de los cuales se generan preguntas, se
construyen hipótesis, se deducen principios y se elaboran leyes generales y
esquemas metódicamente organizados. Se basa en un criterio de verdad y una
corrección permanente.
Método
En general, se define como método el proceso mediante el cual
una teoría científica es validada o bien descartada.
La Investigación
Es un proceso que, mediante la aplicación del método científico, procura obtener
información relevante y fidedigna (digna de fe y crédito), para entender, verificar,
corregir o aplicar el conocimiento. Es la actividad de búsqueda que se caracteriza
por ser reflexiva, sistemática y metódica; tiene por finalidad obtener conocimientos
y solucionar problemas científicos, filosóficos o empírico-técnicos, y se desarrolla
mediante un proceso.
La Investigación Científica
La investigación científica es la búsqueda intencionada de conocimientos o
de soluciones a problemas de carácter científico; el método científico indica el

2
camino que se ha de transitar en esa indagación y las técnicas precisan la manera
de recorrerlo.
Método Científico
El Método Científico está constituido por un conjunto de pasos o etapas bien
establecidas que posibilitan dirigir el proceso de investigación de forma óptima, de
modo que permita alcanzar su propósito, el conocimiento científico, de la manera
más eficiente. El método científico es un rasgo característico de la ciencia: donde
no hay método científico no hay ciencia.
El método científico experimental es un conjunto de técnicas que se utilizan para
investigar fenómenos, adquirir nuevos conocimientos o corregir e integrar
conocimientos previos.
Diseños Experimentales
Es una técnica estadística que permite identificar y cuantificar las causas de un
efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas, para medir el efecto
que tienen en otra variable de interés. Se decide qué variables hay que manipular,
de qué manera, cuántas veces hay que repetir el experimento y en qué orden
para poder establecer con un grado de confianza predefinido la necesidad de una
presunta relación de causa-efecto.
Ronald Fisher es considerado el padre del diseño experimental por sus estudios
de agronomía en el primer tercio del siglo XX. Muchas de las aplicaciones
originarias del diseño experimental estuvieron relacionadas con la agricultura y
la biología.
El Diseño de un Experimento
Es la secuencia completa de los pasos que se deben tomar de antemano, para
planear y asegurar la obtención de toda la información relevante y adecuada al
problema bajo investigación, la cual será analizada estadísticamente para obtener
conclusiones válidas y objetivas con respecto a los objetivos planteados.
Un Diseño Experimental
Es una prueba o serie de pruebas en las cuales existen cambios deliberados en las
variables de entrada de un proceso o sistema, de tal manera que sea posible
observar e identificar las causas de los cambios que se producen en la respuesta
de salida.
Un proceso suele visualizarse como una caja negra en donde existe una
transformación de lo que entra al proceso, y que se observa en las salidas que
produce.
Algunas de las variables del proceso digamos X1, X2,…..Xp son controlables,
mientras que otras como Z1, Z2,……,Zp son incontrolables (no controlables).

3
 Figura 01. Esquema de un proceso o sistema
Propósitos de un Diseño Experimental
El propósito de un diseño experimental, es proporcionar una cantidad máxima de
información pertinente al problema que se está investigando. El diseño debe ser lo
más simple y efectivo; para ahorrar dinero, tiempo y recursos que se van a utilizar.
La mayoría de los diseños estadísticos simples, no sólo son fáciles de analizar, sino
también son eficientes en el sentido económico y en el estadístico.
Diseño
Consiste en planificar la forma de hacer el experimento, materiales y métodos a
usar.
El diseño implica un modelo, y este a su vez implica análisis estadístico, pues la
más importante función del diseño es controlar la varianza. Estadísticamente debe
ser posible maximizar la varianza sistemática, regular la varianza sistemática es
minimizar la varianza del error.
Experimento
Un experimento es una interrogante planeada a través de un conjunto de pruebas
o ensayos para obtener información, nuevos factores o para confirmar o denegar
los resultados de experimento previos, que ayudará a una decisión correcta como
recomendar una variedad, o la aplicación de un producto.
Factor
Es un tipo particular de tratamiento, que varía según el deseo del investigador. Son
factores por ejemplo, Temperatura, humedad, tipos de suelos, etc.
Niveles del Factor
Son diversas categorías de un factor. (Por ejemplo, los niveles de temperatura son
20 °C, 30 °C, etc.). Un factor Cuantitativo tiene niveles asociados con puntos
ordenados en alguna escala de medición, como temperatura; mientras que los
niveles de un factor cualitativo representan distintas categorías o clasificaciones,
como tipo de suelo, que no se puede acomodar conforme a alguna magnitud.
4
Repeticiones
Entre mayor sea el número de repeticiones para cada experimento, se puede
estimar mejor el error experimental y mejor será el resultado obtenido.
Unidad experimental y Tratamientos
Una unidad experimental es la mínima unidad de material a la que se aplica un
tratamiento; puede ser una parcela en el campo, una maceta, una planta, un caldo
de cultivo, una solución, etc. Se conoce también como parcela elemental.
El tratamiento es el procedimiento cuyo efecto se mide y se compara con otros
tratamientos, y puede ser una ración alimenticia, una variedad de semillas, un
programa de aspersión, la concentración de un fármaco, una combinación
temperatura/humedad, una marca de fertilizante, cantidad de fertilizante,
profundidad de sembrado, etc. La combinación de cantidad de fertilizante y
profundidad de sembrado es una combinación de tratamientos.
Unidad Muestral
Es una fracción de la unidad experimental que se utiliza para medir el efecto de un
tratamiento.
Error Experimental
Es una medida de variación que existe entre dos o más unidades experimentales,
que han recibido la aplicación de un mismo tratamiento de manera idéntica e
independiente.
Variabilidad Natural
Es la variación entre las unidades experimentales, que el experimentador no puede
controlar ni eliminar.
Variable Dependiente
Es la variable que se desea examinar o estudiar en un experimento. (Variable
Respuesta).
Hipótesis
Es una suposición que se plantea el investigador sobre una realidad desconocida.
Es el supuesto que se hace sobre el valor de un parámetro (constante que
caracteriza a una población) el cual puede ser validado mediante una prueba
estadística.
Es muy importante que cuando se elijan los tratamientos, éstos deben dar
respuesta a una hipótesis de investigación. Así, es necesario identificar los
tratamientos con el papel que cada uno tiene en la evaluación de la hipótesis de
investigación. Por lo tanto, el investigador debe asegurarse que los tratamientos
elegidos concuerden con la hipótesis de investigación.

5
 Ejemplos:
Si: La hipótesis es: La reproducción de los microbios del suelo depende de las
condiciones de humedad. Para responder a esta hipótesis, se establecen
tratamientos con distintos niveles de humedad para medir la reproducción de los
microbios.
Si La hipótesis es: El rendimiento de variedades de frijol depende de la estación
en que se siembre. Para responder a esta hipótesis, los tratamientos serás las
estaciones de siembra y se debe probar la siembra de las variedades de frijol en
varias estaciones.

2. UTILIZACIÓN DE LOS MÉTODOS ESTADÍSTICOS EN LA EXPERIMENTACIÓN

El uso de los métodos estadísticos puede incrementar la eficiencia de los
experimentos y, ayudar a justificar las conclusiones que se obtienen. La utilización
de las técnicas estadísticas en la experimentación requiere que el investigador
considere los siguientes puntos:
 Uso del conocimiento no estadístico del problema
Se debe tomar en cuenta que los investigadores conocen a fondo su campo de
especialidad. Este tipo de conocimiento no estadístico se debe tomar en cuenta
para elegir los factores y las respuestas, también al decidir el número de
repeticiones que se quieren realizar, al analizar los datos, etc. Es por tanto que la
estadística no puede sustituir el hecho de reflexionar sobre el problema.
 Mantener el Diseño y el Análisis tan simple como sea posible
Es recomendable el uso de técnicas estadísticas poco complejas. Si se realiza el
diseño cuidadosamente de manera correcta, s espera que el análisis sea
relativamente sencillo. Sin embargo, es poco probable que aun la estadística más
compleja y elegante corrija la situación si se ha actuado indebidamente en la
elaboración del diseño.
 Reconocer la diferencia entre la significación práctica y estadística
No hay seguridad de que una diferencia sea suficientemente grande, desde el
punto de vista práctico, por el sólo hecho de que dos condiciones experimentales
producen respuestas medias, estadísticamente diferentes.
 Usualmente los experimentos son iterativos.
En las primeras etapas de un estudio no es conveniente diseñar experimentos
demasiado extensos; ya que sólo se requiere que se conozcan los factores
importantes, los intervalos en que estos factores van a ser investigados, el número
apropiado de niveles para cada factor y las unidades de medición adecuadas a
cada factor y la respuesta. Esto favorece al empleo del enfoque iterativo o
secuencial; pero por regla general, la mayoría de los experimentos son iterativos
(se repiten).

6
3. LA EXPERIMENTACIÓN AGRÍCOLA
La realización de experimentos relacionados a la actividad agrícola, sea en campos
experimentales propiamente o en campo de agricultores, se conoce como
experimentación agrícola. Lo mejor es que estos experimentos agrícolas se realicen
en campos experimentales de Centros de investigación o experimentación públicas
o privadas, a fin de que sean ejecutados por personas que conocen la terminología
experimental, como bloques, parcelas, unidades experimentales; conocen la
metodología de toma de datos en cada parcela experimental, y generalmente
integran un equipo investigador: Pero cuando es necesario realizar los
experimentos en campo de agricultores, porque en el Centro de investigación no se
cuenta con los elementos necesarios para plantear un buen experimento, o, en
experimentos relacionados con la transferencia de tecnología, entonces es
importante tener en cuenta la participación del agricultor en el proceso productivo
del cultivo, lo que podría incrementar la variabilidad del cultivo o del suelo;
entonces, es de vital importancia seleccionar al agricultor para hacer este tipo de
experimentos y garantizar que se logre buenos resultados. Se debe lograr que el
agricultor se involucre en la experimentación, sea cooperativo con el experimento,
que lo entienda y comprenda los objetivos, de manera que pueda identificarse con
ellos y los vea de utilidad en su explotación, a fin de evitar que se abandone por
falta de interés o falta de experiencia, o se cometan errores en la conducción del
estudio y con ello, los resultados dejen de ser confiables.
Entonces, es aconsejable compartir los resultados con el agricultor, haciéndole
saber lo importante de su participación como parte del equipo investigador.
OBJETIVO DE LA EXPERIMENTACIÓN
El objetivo de la experimentación es obtener datos fiables que permitan establecer
comparaciones entre tratamientos diferentes y apoyar o rechazar hipótesis de
trabajo. El proceso experimental comprende diversas etapas hasta su conclusión.
De forma breve, el proceso exige la definición del problema a resolver, el estable-
cimiento de los objetivos, la selección correcta de los tratamientos a aplicar, del
material vegetal a emplear en el experimento, el diseño experimental, la toma co-
rrecta de datos, su análisis, y la interpretación y presentación correcta de los resul-
tados. No basta, pues, con recopilar y presentar datos, sino que hay que obtenerlos
de forma correcta y buscarle un sentido a los mismos. El componente estadístico
representa tan solo una parte, aunque importante, de la experimentación; es la he-
rramienta útil para el diseño correcto del experimento y el análisis de los datos.

CÓMO REALIZAR UN BUEN EXPERIMENTO

Para realizar un buen experimento, como toda investigación, debe basarse en el
método científico, que se basa en establecer hipótesis a partir de hechos
observados, es decir, formular una idea de cómo se interpretan y se explican esos
hechos. Para confirmar si la hipótesis establecida de esa manera es o no cierta, se
diseña un experimento que permita probar su validez y, con los datos obtenidos,

7
que aportan nuevos hechos a los ya conocidos, se interpreta si estos apoyan,
rechazan o alteran la hipótesis de partida.
En el caso más simple de la experimentación de campo, que consiste en comparar
una técnica usual con otra nueva, las hipótesis que pueden establecerse son dos,
la que considera que ambas dan el mismo resultado y la que considera que ambas
difieren en los resultados. Se denomina hipótesis nula, y se designa por Ho, a
aquella que se formula en el sentido de que no hay diferencia entre las técnicas,
es decir, que las diferencias que puedan observarse se deben a diferencias en el
muestreo de la misma población. Esta suele ser la hipótesis de trabajo, en contrapo-
sición con la denominada hipótesis alternativa (H1), que es la complementaria de
la hipótesis nula, o lo que es lo mismo, la que establece que ambas técnicas en
estudio son diferentes. El experimento puede complicarse al incluir diversos
métodos de aplicación o al comparar varias técnicas simultáneamente, pero el
procedimiento no varía.
Los métodos estadísticos exigen la repetición de los tratamientos para estimar el
error experimental, a la vez que aleatoriedad, es decir, que cada unidad
experimental tenga la misma probabilidad de recibir un tratamiento determinado.
Esta manera de proceder asegura un procedimiento objetivo de evaluación de los
datos, y al diseñar un experimento hay que pretender reducir en lo posible el error
experimental para magnificar las posibles diferencias entre los tratamientos.
La falta de repetición y de aleatoriedad es, con frecuencia, señal de un mal diseño
estadístico, lo que a veces se justifica por cuestiones prácticas.
La simplicidad es un aspecto que hay que considerar al planificar un experimento.
La información se debe obtener de la forma más sencilla y fácil posible y aumentar
la complejidad en caso necesario, por requerimiento de la planificación del
experimento o de los objetivos perseguidos, no para argumentar mayor precisión o
mejor planteamiento del experimento. El experimento debe tener precisión y
sensibilidad para distinguir las posibles diferencias entre los tratamientos y evitar
errores sistemáticos, es decir, que determinadas unidades experimentales que
reciban un tratamiento difieran sistemáticamente de las que reciben otro
tratamiento.
Pearce (1976) sugiere que un buen experimento debe responder a las siguientes
cuestiones: ¿es practicable?, ¿es estadísticamente correcto?, ¿son los
tratamientos realmente lo que se proponen ser?.
Evitar resultados desastrosos por no cuidar todos los detalles necesarios para una
buena experimentación.
CLASES DE EXPERIMENTOS
Los experimentos, según su etapa de evolución, pueden clasificarse en:
Experimentos preliminares: Son aquellos en los que se prueba un gran número
de tratamientos con el objeto de obtener indicios para trabajos futuros.

8
 Experimentos críticos o decisorios: Son aquellos en los que el investigador
compara las respuestas a diferentes tratamientos, utiliza un número suficiente de
observaciones para tener la seguridad razonable de que detecta o no diferencias
significativas.
Experimentos demostrativos: Son aquellos en los que se compara uno o más
tratamientos nuevos con un testigo, por lo general el tratamiento convencional.
En cualquiera de estos experimentos será necesario definir la población a la que se
aplicarán las inferencias, diseñar el experimento apropiado y realizar las medidas
de las variables en estudio.
4. DISEÑOS EXPERIMENTALES
Es la técnica estadística que permite identificar y cuantificar las causas de un
efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas, para medir el efecto
que tienen en otra variable de interés. Se decide qué variables hay que manipular,
de qué manera, cuántas veces hay que repetir el experimento y en qué orden
para poder establecer con un grado de confianza predefinido la necesidad de una
presunta relación de causa-efecto.
Los Diseños experimentales más utilizados son:
Diseño Completo al Azar – Diseño Completamente al Azar (DCA)
Diseño en Bloques Completos al Azar – Diseño en Bloque Completamente al Azar
(DBCA).
Diseño en Cuadrado Latino (DCL)
Experimentos Factoriales
Parcelas Divididas

4.1 DISEÑO COMPLETO AL AZAR – DISEÑO COMPLETAMENTE AL AZAR

GENERALIDADES
El diseño completamente al azar (DCA) es una prueba basada en el análisis de
varianza, en donde la varianza total se descompone en la “varianza de los
tratamientos” y la “varianza del error”. El objetivo es determinar si existe una
diferencia significativa entre los tratamientos, para lo cual se compara si la “varianza
del tratamiento” contra la “varianza del error” y se determina si la primera es lo
suficientemente alta según la distribución F.
CARACTERÍSTICAS DEL DISEÑO
Se definen los t tratamientos que se van a aplicar a las n unidades experimentales,
de tal forma que a r unidades experimentales les va a corresponder un tipo de
tratamiento. Las unidades experimentales se sortean para la asignación a cada
tratamiento. Se define la variable a medir.

9
 La asignación de los t a las a las UE es completamente al azar, no existe ninguna
restricción en la aleatorización.
El DCA es el mejor diseño cuando las UE son homogéneas (Se usa comúnmente
en ensayos de laboratorio o cuando se pueden establecer un mayor número de
repeticiones).
VENTAJAS DEL DCA
• Flexible en cuanto al número de t
• El número de repeticiones de cada t puede ser diferente
• Fácil análisis estadístico, especialmente si el número de r de cada t es igual
• Es el diseño con el que se obtiene mayor número de GL para el error. La precisión
de un experimento aumenta con el número de GL para el error.
DESVENTAJA DEL DCA
En realidad tiene ninguna desventaja
• Cuando la variación entre UE es grande se debe escoger otro diseño porque el
Error Experimental resulta muy inflado.
ESQUEMA DEL ANÁLISIS DE VARIANZA (ANVA)

Fuentes de Grados de Libertad

Variación (G. de L.)
(F. de V.)
Entre tratamientos t–1
Error experimental t(r-1)
Total rt - 1

EJERCICIO DE APLICACIÓN DEL DISEÑO COMPLETO AL AZAR

Se ha instalado el siguiente experimento:
Respuesta del cultivar Blanco Larán de frijol (Phaseolus vulgaris L.) a diferentes
sustratos en Chincha.
Sustratos: Tratamientos
S1 = Humus de lombriz
S2 = Compost
S3 = Compost + arena
S4 = Suelo agrícola
El experimento se instaló en casa de malla, utilizando macetas para los sustratos.

10
 CROQUIS EXPERIMENTAL

S1 S4 S3 S2

S3 S2 S1 S4 1.80 m

S4 S3 S2 S1

2.40 m
Variable a evaluar: Número de hojas trifoliadas a los 15 dde (dde = días después de
la emergencia). A los 15 dde, se han tomado los siguientes datos:
∑ --
Réplicas r1 r2 r3
trat X
Tratamientos
1 3 4 3 10 3.33
2 2 3 3 8 2.67
3 3 3 4 10 3.33
4 2 2 1 5 1.67
∑ 10 12 11 33 2.75

OPERACIONES PARA EL ANÁLISIS DE VARIANZA:

1) Hallar el Término de Corrección (TC):
(33)2 1089
TC = ----------- = -------- = 90.75
4x3 12
2) Hallar la Suma de Cuadrados (SC)
Suma de Cuadrados Total (SCT)
SCT = (3)2 + (4)2 + (3)2 + ………….+ (2)2 + (2)2 + (1)2 – TC
SCT = 99 – 90.75 = 8.25

Suma de Cuadrados de Tratamientos (SCtr)

SCtr = (10)2 + (8)2 + (10)2 + (5)2 – TC
r=3
SCtr = 96.33 – 90.75 = 5.58
Suma de Cuadrados del Error experimental (SCee)
SCee = SCT – SC tr
SCee = 8.25 – 5.58 = 2.67

11
 3) Hallar los Cuadrados Medios (CM)
Cuadrados Medios de Tratamientos (CMtr)
CMtr = SCtr = 5.58 = 1.86
GLtr 3

Cuadrados Medios del Error experimental (CMee)

CMee = SCee = 2.67 = 0.33
GLee 8

4) Hallar el F calculado (Fc)

F calculado de tratamientos
Fc tr = CMtr = 1.86 = 5.583
CMee 0.33
5) Buscar los valores de F tabulado (tabla de distribución de F)
Ubicar la intersección entre los GLee (1ra. Columna) y los GLtr (1ra. Fila)
En el ejemplo: con 8 GL ee y 3 GLtr………………….4.07 (0.05)
7.59 (0.01)
Si la F calculada es mayor que la F de la tabla al 0.05 de significación, se
concluye que sí hay diferencia entre tratamientos. Se coloca un asterisco (*) en
el Cuadrado medio de tratamientos.
Si la F calculada es mayor que la F de la tabla al 0.01 de significación, se
concluye que hay diferencia altamente significativa entre tratamientos. Se
coloca dos asteriscos (**) en el Cuadrado medio de tratamientos.
Si la F calculada es menor que la F de la tabla, se concluye que no hay
diferencia significativa entre tratamientos. Se coloca NS en el Cuadrado medio
de tratamientos.

6) Presentar todos los datos en un cuadro de Análisis de Varianza (ANVA)

Cuadro N° 01: Análisis de varianza del Número de hojas trifoliadas a los 15 dde, en
el cultivar de frijol Blanco Larán en diferentes sustratos.

Suma Grados Cuadrados F tabular

F
Fuentes de Variación de de Medios
calculado
(F de V) Cuadrados Libertad (CM) 0.05 0.01
(Fc)
(SC) (GL)
Tratamientos 5.58 3 1.86 * 5.583 4.07 7.59
Error experimental 2.67 8 0.33
Total 8.25 11

*.- Existe diferencia significativa (95% de confiabilidad)

Inferencia estadística: Al menos un tratamiento es diferente a los demás

12
PRUEBAS DE COMPARACION DE MEDIAS
Luego de realizar el ANVA, se recurre a otras pruebas estadísticas, con el objeto
de comparar los efectos de los Tratamientos, estas pruebas son las siguientes:
1. Prueba de “t” de Student.
2. Prueba de D.L.S. (Diferencia Limite Significación).
3. Prueba de Tukey.
4. Prueba de Duncan
5. Prueba de Dunnett.
6. Prueba de Contrastes Ortogonales

1) PRUEBA DE “t” DE STUDENT.

Se utiliza para comparar dos medias de tratamientos, los requisitos para aplicar
esta prueba son:
a) La prueba de F del Análisis de Variancia debe ser significativa.
b) Las Variancias son homogeneas (Homogeneidad de Variancias).
c) Las muestras son extraídas al azar.
d) La prueba es planeada antes del experimento

2) PRUEBA D.L.S. (Diferencia Limite Significación).

Es una prueba eficiente para comparaciones planeadas antes del experimento.
Constituye una variación de la prueba t y está sujeta a las mismas condiciones:
a) Homogeneidad de Variancias.
b) Muestras extraídas al azar.
c) Prueba de F, en ANVA, significativa.

3) PRUEBA DE TUKEY.
La prueba de Tukey es la prueba más aplicada y preferida por los estadísticos,
pues controla de mejor manera los dos errores ampliamente conocidos en la
estadística (α y β). Esta prueba permite hacer todas las posibles comparaciones
de tratamientos de dos en dos, y por eso se considera la más completa de las
pruebas de comparaciones.

Condiciones:
a) Homogeneidad de Variancias.
b) Muestras extraídas al azar.
c) No es necesario que la prueba F del ANVA sea significativa.
d) La prueba es exacta si todos los Tratamientos tienen el mismo número de
repeticiones.
Procedimiento:
1.- Planteamiento de la hipótesis.
Hp: µ1 = µ2 (hipótesis planteada o hipótesis nula)
Ha: µ1 ≠ µ2 (hipótesis alternante o del investigador)

13
 2.- Nivel de significación (α )
3.- Hallar en la “Tabla de Tukey” (Student -Newman-Keul) el valor de la
“Amplitud Estudiantizada Significativa de Tukey” [AES(T)] para los valores de
P, α y GL ee.
Donde:
P = t = Número de tratamientos en el experimento.
α = Nivel de Significación.
G.L.ee = Grados de libertad del error experimental.
4.- Ordenar los tratamientos en forma ascendente según los promedios.
5.- Hallar los valores de las “Amplitudes Limites de Significación de Tukey”
[A.L.S.(T)] para cada comparación de medias.
6.- Hallar las diferencias de promedios de tratamientos, de acuerdo a lo
obtenido en el paso 4.
7.- Comparar las diferencias de promedios (encontrados en el paso 6) con los
valores de A.L.S.(T), para tomar una decisión sobre la hipótesis:
Hp: µ1 = µ2 Ha: µ1 ≠ µ2
Si: La diferencia de promedios es mayor (>) que ALS (T), entonces, hay
diferencias ( * ó **); por lo tanto, se rechaza la hipótesis planteada o nula (Hp).
Si: La diferencia de promedios es menor o igual (≤) que ALS (T), entonces, no
hay diferencias (NS); por lo tanto, se acepta la hipótesis planteada o nula (Hp).

4) PRUEBA DE COMPARACIONES MULTIPLES DE DUNCAN – PRUEBA DE

RANGO MÚLTIPLE DE DUNCAN – PRUEBA DE DUNCAN
Se utiliza para efectuar comparaciones múltiples entre dos medias de
tratamientos del experimento.
La prueba de DUNCAN permite comparar tratamientos no relacionados, es
decir todos los tratamientos contra todos a fin de establecer un orden de mérito.
La prueba de Duncan, también conocida como la prueba de rango múltiple, es
conveniente aplicarla cuando los tamaños de las muestras son iguales y los
tratamientos presentan una relación ordinal, es decir, pueden ordenarse de
manera ascendente o descendente en una escala no numérica, a diferencia de
los tratamientos que responden a variables continuas en las que procede un
análisis de regresión.
Condiciones:
a) Homogeneidad de varianzas
b) No requiere que el Fc del ANVA sea significativo.
c) De preferencia el número de tratamientos no debe ser tan alto, dado que el
nivel de significación α se modifica en función a ellos.

14
EJERCICIO DE APLICACIÓN DE LA PRUEBA DE RANGO MÚLTIPLE DE
DUNCAN EN EL DISEÑO COMPLETO AL AZAR (DCA)
Continuando con los datos del mismo ensayo o experimento sobre el Número de
hojas trifoliadas de frijol a los 15 dde (dde = días después de la emergencia).
OPERACIONES:
1) Hallar el error estándar (desviación estándar para Duncan) de cada
promedio, el cual es dado por la expresión:

S_ = 0.332
X
Donde el CMerror es obtenido de la tabla ANVA
2) En la Tabla de Amplitudes Estudiantizadas Significativas para 0.05 y 0.01
de Duncan.
Con los valores de p (t-1), al 0.05, con los GL ee = 8, para 2, 3, 4 tratamientos,
se ubica los valores de la A.E.S.(D), que se multiplican por la Desviación
estándar de la media (para Duncan) hallada y se obtiene la Amplitud Límite
Significativa de Duncan ALS(D) o RMS (Rango Mínimo Significativo).

p 2 3 4
A.E.S.(D) 3.26 3.39 3.47
Desv st D
(S_ ) 0.332 0.332 0.332
X
A.L.S.(D) 1.082 1.125 1.152

3) Ordenar los promedios en forma descendente (de > a <)

Promedios O.M.
Duncan
Clave Tratamientos (N° de hojas
α= 0.05
trifoliadas/planta
1 s1 3.33 a 1°
2 s3 3.33 a 1°
3 s2 2.67 a b 1°
4 s4 1.67 b 2°
Nota.- Los tratamientos que muestran la misma letra, no son significativamente
diferentes entre sí.
4) Realizar las comparaciones de las medias o promedios
1 – 4: 3.33 – 1.67 = 1.66 > 1.152 *
1 – 3: 3.33 – 2.67 = 0.66 < 1.125 NS
2 – 4: 3.33 – 1.67 = 1.66 > 1.125 *
2 – 3: 3.33 – 2.67 = 0.66 < 1.082 NS
3 – 4: 2.67 – 1.67 = 1.00 < 1.082 NS

15
5) Completar el cuadro y hacer las inferencias estadísticas pertinentes
Los tratamientos 1, 3 y 2, superan significativamente al tratamiento 4.
Los sustratos humus de lombriz, compost + arena y compost, superan
significativamente al sustrato suelo agrícola.

4.2 DISEÑO EN BLOQUES COMPLETOS AL AZAR – DISEÑO EN BLOQUES

COMPLETAMENTE AL AZAR (DBCA)
GENERALIDADES
En el diseño completamente al azar (DCA) se supone que las u.e. son
relativamente homogéneas con respecto a factores que afectan la variable de
respuesta. Sin embargo, algunas veces no tenemos disponibles suficiente
número de u.e. homogéneas. Cualquier factor que afecte la variable de
respuesta y que varíe entre u.e. aumentará la varianza del error experimental y
disminuirá la precisión de las comparaciones. Nuestro objetivo es tener
comparaciones precisas entre los tratamientos bajo estudio. Utilizar bloques es
una forma de reducir y controlar la varianza del error experimental para tener
mayor precisión.
Usar bloques estratifica a las u.e. en grupos homogéneos. Una buena elección
del criterio de bloqueo resulta en menor variación entre las u.e. dentro de los
bloques comparada con la variación entre u.e. de diferentes bloques.
CARACTERÍSTICAS DEL DISEÑO

1. Las unidades experimentales son heterogéneas.

2. Las unidades homogéneas están agrupadas formando los bloques.
3. En cada bloque se tiene un número de unidades igual al número de
tratamientos
4. Los tratamientos están distribuidos al azar en cada bloque.
5. El número de repeticiones es igual al número de bloques.
VENTAJAS DEL DISEÑO
 Puede incluir cualquier número de tratamientos y repeticiones. Es relativo.
 Es uno de los diseños más preciso
 Facilidad para realizar el ANVA y el análisis estadístico
DESVENTAJA DEL DISEÑO
 Cuando hay muchos tratamientos, al aumentar de tamaño el bloque, hay
más probabilidad de aumentar la variabilidad.
ESQUEMA DEL ANÁLISIS DE VARIANZA (ANVA)
Fuentes de Variación (F. de V) Grados de Libertad (GL)
Tratamientos t–1
Bloques o Repeticiones r-1
Error experimental (t-1) (r-1)
Total rt - 1

16
 EJERCICIO DE APLICACIÓN DEL ANVA EN DBCA
Se ha realizado un experimento sobre “Comparativo de rendimiento de 5 híbridos
de maíz (Zea mays L.) en Santiago – Ica”. Y se ha evaluado la variable: Diámetro
de mazorca. (Promedio de 10 mazorcas al azar de los dos surcos centrales).
El Diseño fue en Bloques completos al Azar (DBCA), con 5 tratamientos, 4
repeticiones o bloques. Se pide realizar el ANVA y la Prueba de Rango Múltiple de
Duncan.
CROQUIS EXPERIMENTAL:

5 3 1 2 4
4.0 m
IV
401 402 403 404 405

4 2 3 1 5
III
301 302 303 304 305

1.0 m 21.0 m
1 5 4 2 3
II
201 202 203 204 205

3 4 2 5 1
I
101 102 103 104 105

I-------I
3.20 m
I-------------------------------------------I
16.00 m
TABULACIÓN DE DATOS
Rep. ∑Total
I II III IV Promedio
Trat. Trat
1 5 4 4 5 18 4.500

2 5 5 5 3.5 18.5 4.625

3 4.5 5 4.5 5 19 4.750

4 3 3.5 3.8 4 14.3 3.575

5 5 4.5 5 5 19.5 4.875

∑ Total Bloque 22.5 22 22.3 22.5 89.3

4.465
Promedio 4.5 4.4 4.46 4.5

17
OPERACIONES PARA EL ANÁLISIS DE VARIANZA:
1) Hallar el Término de Corrección (TC):
(89.3)2 7974.49
TC = ----------- = -------------- = 398.72
5x4 20
2) Hallar la Suma de Cuadrados (SC)
Suma de Cuadrados Total (SCT)
SCT = (5)2 + (4)2 + (4)2 + (5)2+………….+ (5)2 + (4.5)2 + (5)2 + (5)2 - TC
SCT = 406.69 – 398.72 = 7.97

Suma de Cuadrados de Tratamientos (SCtr)

SCtr = (18)2 + (18.5)2 + (19)2 + (14.3)2 +(19.5)2 – TC
r=4
SCtr = 1611.99 – TC
4
SCtr = 403.0 – 398.72 = 4.27

Suma de Cuadrados de Repeticiones (Bloques) (SCB)

SCB = (22.5)2 + (22)2 + (22.3)2 + (22.5)2 – TC

T=5
SCB = 1993.79 – TC
5
SCB = 398.76 – 398.72 = 0.033

Suma de Cuadrados del Error experimental (SCee)

SCee = SCT – SC tr – SCB
SCee = 7.97 – 4.27 – 0.033 = 3.66
3) Hallar los Cuadrados Medios (CM)
Cuadrados Medios de Tratamientos (CMtr)
CMtr = SCtr = 4.27 = 1.068
GLtr 4
Cuadrados Medios de Bloques (CMB)
CMB = SCB = 0.033 = 0.011
GLB 3
Cuadrados Medios del Error experimental (CMee)
CMee = SCee = 3.66 = 0.305
GLee 12
4) Hallar el F calculado (Fc)
F calculado de tratamientos
Fc tr = CMtr = 1.068 = 3.503
CMee 0.305
18
 F calculado de Bloques
Fc B = CMB = 0.011 = 0.037
CMee 0.305
5) Buscar los valores de F tabulado (tabla de distribución de F)
Para tratamientos:
Ubicar la intersección entre los GLee (1ra. Columna) y los GLtr (1ra. Fila)
En el ejemplo: con 12 GL ee y 4 GLtr………………….3.26 (0.05)
5.41 (0.01)
Para Bloques:
Ubicar la intersección entre los GLee (1ra. Columna) y los GLB (1ra. Fila)
En el ejemplo: con 12 GL ee y 3 GLB………………….3.49 (0.05)
5.95 (0.01)
Si la F calculada de tratamientos es mayor que la F de la tabla al 0.05 de
significación, se concluye que sí hay diferencia entre tratamientos y se coloca
un asterisco (*) en el Cuadrado medio de tratamientos. Si es mayor que F de la
tabla al 0.01, se coloca dos asteriscos (**) y se concluye que hay diferencia
altamente significativa entre tratamientos.
Si la F calculada de bloques es mayor que F de la tabla al 0.05 de significación,
se concluye que sí hay diferencia significativa entre bloques y se coloca un
asterisco (*) en el CM de bloques. Si es mayor que F de la tabla al nivel 0.01,
se coloca dos asteriscos (**) y se concluye que hay diferencia altamente
significativa entre bloques.
Si la F calculada es menor que la F de la tabla, se concluye que no hay
diferencia significativa entre tratamientos o entre bloques. Se coloca NS en el
Cuadrado medio de tratamientos o en el CM de bloques.

6) Presentar todos los datos en un cuadro de Análisis de Varianza (ANVA)

Cuadro N° 01: Análisis de varianza del Diámetro de la mazorca en el comparativo

de rendimiento de híbridos de maíz en Santiago – Ica.

Fuentes de Ft
variación S.C. G.L. C.M. Fc
Tratamientos 4.273 4 1.068 * 3.503 3.259 5.412
Bloques 0.033 3 0.011 NS 0.037 3.490 5.953
Error experimental 3.659 12 0.305
Total 7.966 19
*.- Existe diferencia significativa.
NS.- No existe diferencia significativa

Inferencia estadística: Al menos un tratamiento es diferente a los demás con 95%

de confiabilidad. No hay diferencia significativa entre los bloques. La unidad
experimental, no era tan heterogénea como se supuso.
19
EJERCICIO DE APLICACIÓN DE LA PRUEBA DE RANGO MÚLTIPLE DE
DUNCAN EN EL DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA)
Se utilizarán los datos del experimento sobre híbridos de maíz en Santiago – Ica,
para el Diámetro de la mazorca.
OPERACIONES:
1) Hallar el error estándar (desviación estándar para Duncan) de cada
promedio, el cual es dado por la expresión:

S_ = 0.276
X
Donde el CMerror es obtenido de la tabla ANVA y r = 4.
2) En la Tabla de Amplitudes Estudiantizadas Significativas para 0.05 y 0.01
de Duncan.
Con los valores de p (t-1), al 0.05, con los GL ee = 12, para 2, 3, 4, 5 tratamientos,
se ubica los valores de la A.E.S.(D), que se multiplican por la Desviación
estándar de la media (para Duncan) hallada y se obtiene la Amplitud Límite
Significativa de Duncan ALS(D) o RMS (Rango Mínimo Significativo).

p 2 3 4 5
A.E.S.(D) 3.09 3.23 3.33 3.36
(S_ ) = 0.276
X
0.853 0.891 0.919 0.927
A.L.S.(D)

3) Ordenar los promedios en forma descendente (de > a <)

Diámetro de mazorca Duncan O.M.

Clave Tratamientos
Promedio (cm) α= 0.05
1 h5 4.88 a 1°
2 h3 4.75 a 1°
3 h2 4.63 a 1°
4 h1 4.50 a 1°
5 h4 3.58 b 2°
Nota.- Los tratamientos que muestran la misma letra, no son significativamente
diferentes entre sí.
4) Realizar las comparaciones de las medias o promedios
1 – 5: 4.88 – 3.58 = 1.30 > 0.927 *
1 – 4: 4.88 – 4.50 = 0.38 < 0.919 NS
2 – 5: 4.75 – 3.58 = 1.17 > 0.919 *
2 – 4: 4.75 – 4.50 = 0.25 < 0.891 NS
3 – 5: 4.63 – 3.58 = 1.05 > 0.891 *
3 – 4: 4.63 – 4.50 = 0.13 < 0.853 NS
4 – 5: 4.50 – 3.58 = 0.92 > 0.853 *
20
5) Completar el cuadro y hacer las inferencias estadísticas pertinentes
Los tratamientos 5, 3, 2 y 1, superan significativamente al tratamiento 4.
Los híbridos de maíz h5, h3, h2 y h1, superan significativamente al híbrido h4.

EJERCICIO DE APLICACIÓN DE LA PRUEBA DE TUKEY EN EL DISEÑO DE

BLOQUES COMPLETOS AL AZAR (DBCA)
Se utilizarán los mismos datos del experimento sobre híbridos de maíz en Santiago
– Ica, para el Diámetro de la mazorca.
OPERACIONES:
1) Hallar el error estándar de cada promedio, el cual es dado por la expresión:

S_ = 0.276
X
Donde el CMerror es obtenido de la tabla de ANVA y r = 4.
2) En la Tabla de Amplitudes Estudiantizadas Significativas para 0.05 y 0.01
de la prueba de Student – Newman – Keul (Tukey)
Buscar el valor de p (t-1) al 0.05, con los GL ee = 12, para 5 tratamientos
Y encontramos: AES(T) = 4.51
3) Hallar el valor crítico de Tukey:
W= 4.51 x 0.276 = 1.245
4) Ordenar los promedios de tratamientos en forma descendente (de > a <)

Diámetro de mazorca Tukey O.M.

Clave Tratamientos
Promedio (cm) α= 0.05
1 h5 4.88 a 1°
2 h3 4.75 a b 1°
3 h2 4.63 a b 1°
4 h1 4.50 a b 1°
5 h4 3.58 b 2°

5) Realizar las comparaciones de las medias o promedios

1 – 5: 4.88 – 3.58 = 1.30 > 1.245 *
1 – 4: 4.88 – 4.50 = 0.38 < 1.245 NS
2 – 5: 4.75 – 3.58 = 1.17 < 1.245 NS

6) Completar el cuadro y hacer las inferencias estadísticas pertinentes

Los tratamientos 5, 3, 2 y 1, superan significativamente al tratamiento 4.
Los híbridos de maíz h5, h3, h2 y h1, superan significativamente al híbrido h4.
Se destaca el promedio del híbrido h5, que presentó el máximo valor en el
diámetro de la mazorca. El h4 presentó las mazorcas más delgadas.
21
4.3 DISEÑO EN CUADRADO LATINO (DCL)
GENERALIDADES
Este diseño se utiliza para conducir experimentos en condiciones heterogéneas
donde las propiedades cambian en dos direcciones como ocurre en la toma de
muestras para análisis de laboratorio, donde las condiciones cambian entre
planta y planta (una dirección) y de hoja a hoja por tamaño o posición en la misma
planta (otra dirección).
El agrupamiento de las unidades experimentales en dos direcciones (filas y
columnas) y la asignación de los tratamientos al azar en las unidades, de tal
formaque en cada fila y en cada columna se encuentren todos los tratamientos
constituye un diseño cuadrado latino.
Diseño utilizado en invernaderos, viveros, laboratorios, en diversas áreas como
entomología, fitopatología, malezas, mejoramiento genético y fertilización de
cultivos agrícolas.
CARACTERÍSTICAS DEL DISEÑO
1. Las u.e. se distribuyen en grupos, bajo dos criterios de homogeneidad dentro
de la hilera (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. Cada tratamiento está representado una sola vez y al azar en cada bloque
(fila) y en cada columna.
4. El número de filas = número de columnas = número de tratamientos.
5. Es adecuado cuando el número de tratamientos está entre 3 y 9. Por eso se
pueden formar cuadrados de 3x3, 4x4, 5x5, 6x6, 7x7, 8x8 y 9x9.
6. La forma de las parcelas y del experimento en general, debe acercarse lo
más posible a un cuadrado, con dimensiones muy similares por ambos lados.
7. Para las pruebas de comparaciones de Duncan, Tuckey y otras, se procede
como el diseño completo al azar y el diseño completo de bloques.
Las primeras aplicaciones fueron en el campo agronómico, especialmente en
los casos de suelos con tendencias en fertilidad en dos direcciones.
VENTAJAS DEL DISEÑO
 Controla las fuentes de variación en las dos direcciones: hileras (filas) y
columnas, es decir, extrae del error experimental la variación debida a
tratamientos, hileras y columnas.
DESVENTAJA DEL DISEÑO
Se pierden grados de libertad en el error experimental, sacrificando la precisión
del diseño experimental.

22
Debido a que el número de hileras y columnas debe ser igual al de
tratamientos, el número de tratamientos es limitado.
RESTRICCIONES
• Un tratamiento cualquiera debe estar solamente una vez en una columna
• Un tratamiento cualquiera debe estar solamente una vez en una hilera (fila)
ESQUEMA DEL ANÁLISIS DE VARIANZA (ANVA)
Fuentes de Variación (F. Grados de Libertad (GL)
de V.)
Tratamientos t–1
Columnas c-1
Bloques (repeticiones) r-1
Error experimental (rt – 1) - [(t-1)+(c-1)+(r-1)]
Total rt - 1
El diseño permite partir la variación total en 4 componentes:
 Tratamientos
 Columnas
 Repeticiones
 Error experimental

FORMACIÓN DE CUADRADOS LATINOS

Suponga 4 tratamientos A, B, C y D, con estos tratamientos se pueden formar 4
cuadros diferentes llamadas típicas o estándar (en la primera fila y en la primera
columna se tiene la misma distribución). De cada cuadro se obtienen 144 formas
diferentes, en total se tienen 576 cuadros diferentes. La siguiente tabla permite
relacionar el número de cuadros en función del tamaño.
Algunas distribuciones típicas del DCL, son:

A B C D A B C D A B C D A B C D
B A D C B C D A B D A C B A D C
C D B A C D A B C A D B C D A B
D C A B D A B C D C B A D C B A

EJERCICIO DE APLICACIÓN DEL ANVA EN DCL

Un investigador quiere evaluar la productividad de cuatro variedades de palta
(primer año de cosecha) y decide realizar el ensayo en un terreno que posee una
gradiente de pendiente de oriente a occidente y además sabe que hay
diferencias en la disponibilidad de Nitrógeno de norte a sur.
Para controlar los efectos de la pendiente y la disponibilidad de Nitrógeno,
utilizó un diseño de cuadrado latino (DCL), las variedades son: A, B, C y D.

23
 CROQUIS EXPERIMENTAL:

A B C D

D A B C

24.00 m
C D A B

B C D A

l-------------l
6.0 m
l------------------------------------------------------l
24.00 m

TABULACIÓN DE DATOS (Número de frutos por planta)

A B C D
6.3 6.8 7.5 8.1
D A B C
8.9 7.5 7.9 8.4
C D A B
7.6 8.0 6.0 6.2
B C D A
9.4 9.9 10.5 8.0

∑ Trat Trat2 ∑ rep rep2

A
A B C D
27.8 772.84 28.7 823.69
1 6.3 6.8 7.5 8.1
B
D A B C
30.3 918.09 32.7 1069.29
2 8.9 7.5 7.9 8.4
C
C D A B
33.4 1115.56 27.8 772.84
3 7.6 8 6 6.2
D
B C D A
35.5 1260.25 37.8 1428.84
4 9.4 9.9 10.5 8
32.2 32.2 31.9 30.7 127 4066.74 127 4094.66
∑ col
1036.84 1036.84 1017.61 942.49 4033.78
col2 PromG = 7.94

24
OPERACIONES PARA EL ANVA:
TC (127)2 = 16129 = 1008.06
TC =
4X4 16

SC T = (6.3)2 + (6.8)2 + (7.5)2 + (8.1)2 + ……………..+ (8)2 – TC

SC T = 1033.04 – 1008.06
SC T = 24.98
SC Rep (Hileras o Filas) = (28.7)2 + (32.7)2 + (27.8)2 + (37.8)2 - TC
t=4
SC Rep = 4094.66 - TC
4
SC Rep = 1023.67 – 1008.06
SC Rep(Block, Filas, hilera) = 15.61
SC col = (32.2)2 + (32.2)2 + (31.9)2 + (30.7)2 - TC
t=4
SC col = 4066.74 - TC
4
SC col = 1016.69 – 1008.06
SC col = 8.63
SC tr = 4033.78 - TC
4
SC tr = 1008.45 – 1008.06
SC tr = 0.385
ANÁLISIS DE VARIANZA (ANVA)
Ft
F. de V. SC GL CM Fc
0.05 0.01
Tratamientos 0.385 3 0.128 NS 2.169 4.76 9.78
Columnas 8.63 3 2.877 ** 48.620 4.76 9.78
Rep (Block, filas) 15.61 3 5.203 ** 87.944 4.76 9.78
Error experimental 0.355 6 0.059
Total 24.98 15
NS.- No existe diferencia significativa
**.- Existe diferencia altamente significativa (99% de confiabilidad)

El C.V. = 0.243 x 100

7.94
CV = 3.06%

25
Para realizar la Prueba de Rango Múltiple de Duncan:
1) Hallar el error estándar (desviación estándar para Duncan)
S_ = 0.121
X
Donde el CM error es obtenido de la tabla ANVA y r = 4.
2) Con los G.L. del error y los GL de tratamientos, hallar los valores de (p), 0.05
(para 2, 3 y 4 tratamientos)

p 2 3 4
A.E.S.(D) 3.46 3.58 3.64
(S_ ) = 0.121
X
A.L.S.(D) 0.419 0.433 0.440

3) Ordenar los promedios en forma descendente (de > a <)

Número de frutos/planta Duncan O.M.

Clave Tratamientos
(Promedio) α= 0.05
1 D 8.88 a 1°
2 C 8.35 b 2°
3 B 7.58 c 3°
4 A 6.95 d 4°
Nota.- Los tratamientos que muestran la misma letra, no son significativamente
diferentes entre sí.
4) Realizar las comparaciones de las medias o promedios

Primera serie de comparaciones:

D – A = 8.88 – 6.95 = 1.93 > 0.440 *
D – B = 8.88 – 7.58 = 1.30 > 0.433 *
D – C = 8.88 – 8.35 = 0.53 > 0.419 *
Segunda serie de comparaciones:
C – A = 8.35 – 6.95 = 1.40 > 0.433 *
C – A = 8.35 – 7.58 = 0.77 > 0.419 *
Tercera serie de comparaciones:
B – A = 7.58 – 6.95 = 0.63 = 0.419 *

5) Completar el cuadro y hacer las inferencias estadísticas pertinentes

Las variedades A, B, C y D son significativamente diferentes entre sí.
La variedad D, destaca sobre las demás con 8.88 frutos promedio por planta,
en el primer año de cosecha, siendo la más productiva.
26
4.4 EXPERIMENTOS FACTORIALES (DISEÑOS EXPERIMENTALES CON
ARREGLO FACTORIAL)
GENERALIDADES
Los experimentos factoriales o diseños experimentales con arreglo factorial se
utilizan cuando existe la necesidad de estudiar conjuntamente varios factores;
debido a que es posible que el efecto de un factor cambie según los niveles de
otros factores, esto es, que los factores interactúen, o exista interacción.
También se utilizan los arreglos factoriales cuando se quiere optimizar la
respuesta o variable dependiente, esto es, se quiere encontrar la combinación
de niveles de los factores que producen un valor óptimo de la variable
dependiente. (superficie de respuesta)
Si se investiga un factor por separado, el resultado puede ser diferente al estudio
conjunto y es mucho más difícil describir el comportamiento general del proceso
o encontrar el óptimo.
CARACTERÍSTICAS DEL DISEÑO
El diseño permite estudiar de manera simultánea varios factores, tales como
variedades, densidad de siembra, fertilizantes, etc.
Hay que tener en cuenta que ningún factor actúa de forma independiente en el
cultivo, sino por el contrario se modifica ante el efecto del otro factor,
produciendo variaciones que es necesario estudiar.
Se usa exclusivamente en experimentos de fertilización de los cultivos, donde
las dosis vienen a ser los niveles de cada factor, y los tratamientos se forman
con las combinaciones de todos los niveles a estudiar.
VENTAJAS:
1. Se puede obtener información sobre varios factores sin aumentar el tamaño
del experimento; por lo tanto se genera un ahorro. Todas las u.e. se utilizan
para la evaluación de los efectos.
2. Se amplía la base de la inferencia en relación a un factor, ya que se estudia
en las diferentes condiciones representadas por los niveles de otros factores.
Se amplía el rango de validez del experimento.
3. Permite el estudio de la interacción, esto es, estudiar el grado y forma en la
cual se modifica el efecto de un factor por los niveles de los otros factores.
4. Al incrementar el grado de libertad del error, se disminuye el error
experimental, aumentando la precisión del experimento permitiendo encontrar
las diferencias significativas.
DESVENTAJA DEL DISEÑO
Requiere de un mayor número de parcelas y por consiguiente se necesita mayor
tamaño del terreno y trabajo de campo.

27
El análisis es algo más complejo que los experimentos simples, por lo tanto la
interpretación de resultados también tiene cierto nivel de complejidad.
ESQUEMA DEL ANÁLISIS DE VARIANZA (ANVA)
Si se desea analizar un factorial 2 x 2 = 2N x 2P, se tiene 4 tratamientos, dos
factores (N y P) y dos niveles dentro de cada factor (N: n1 y n2) y (P: p1 y p2).
Para este ejemplo, el esquema del ANVA, con 4 repeticiones sería:
Fuentes de Variación Grados de Libertad (GL)
(F. de V.)
Bloques (repeticiones) r–1=3
Tratamientos t–1=3
N n–1=1
P p–1=1
Interacción NP (n-1) (p-1) = 1
Error experimental (r-1) (t-1) = 9
Total rt – 1 = 15

EJERCICIO DE APLICACIÓN DEL ANVA DE UN EXPERIMENTO FACTORIAL

EN DBCA (DISEÑO EN BLOQUE COMPLETAMENTE AL AZAR CON
ARREGLO FACTORIAL)
Se desea analizar el efecto de la fertilización NP en el cultivo de pallar, en 3
repeticiones, en el fundo “Arrabales” con los factores y niveles siguientes:
Factor Factor
NITROGENO (N) FÓSFORO (P)
( kg/ha) (kg/ha)
no = 00 po = 00
n1 = 40 p1 = 80
El Diseño adoptado es el DBCA con arreglo factorial 2N x 2P x 3 R, con un total
de 12 unidades experimentales.
Las combinaciones que se forman son:
Clave Clave Detalle o descripción
numérica literal Nitrógeno - Fósforo
(kg/ha)
1 no po 00 - 00
2 no p1 00 – 80
3 n1 po 40 – 00
4 n1 p1 40 – 80
Las evaluaciones del rendimiento de grano por parcela se han tomado del
campo, teniendo en cuenta el croquis experimental.
El croquis experimental, tiene las siguientes características:

28
 Croquis experimental

2 4 1 3
III no p1 n1 p1 no po n1 po
301 302 303 304
1.0 m
1 3 2 4
II no po n1 po no p1 n1 p1 16.00 m
201 202 203 204

3 1 4 2
I n1 po no po n1 p1 no p1 4.0 m
101 102 103 104

3.2 m
12.80 m

TABULACIÓN DE DATOS:
Rendimiento de grano seco de pallar (kg/parcela). Área neta: 6.40 m2

N no n1 ∑
P po p1 po p1 Bloques
I 2.2 1.9 3.2 4.9 12.20
II 2.0 1.3 2.2 4.0 9.50
III 2.4 2.4 3.2 5.2 13.20
COMB NP 6.6 5.6 8.6 14.1 34.90
Promedio 2.2 1.9 2.9 4.7 2.91
N No = 12.2 n1 = 22.7
Promedio= 2.03 Promedio = 3.78
P po = 15.2 p1 = 19.7
Promedio = 2.53 Promedio= 3.28

OPERACIONES PARA EL ANVA:

TC (34.9)2 = 1218 = 101.50
TC =
3X4 12

SC T = (2.2)2 + (1.9)2 + (3.2)2 + …………..+ (5.2)2 - TC

SC T = 118.03 - 101.50 = 16.53
SC Bloques = (12.20)2 + (9.50)2 + (13.20)2 - TC
t=4
SC Bloques = 413.33 – 101.50
4
SC Bloques = 103.33 – 101.50 = 1.83

29
SC comb NP = (6.66)2 + (5.6)2 + ( 8.6)2 + (14.1)2 - TC
r=3
SC comb NP = 347.69 - 101.50
3
SC comb NP = 115.90 – 101.50 = 14.40

SC N = (12.2)2 + (22.7)2 - TC
pr= 6
SC N = 664.13 - 101.50
6
SC N = 110.69 – 101.50 = 9.19

SC P = (15.2)2 + (19.7)2 - TC
pr= 6
SC P = 619.13 - 101.50
6
SC P = 103.19 – 101.50 = 1.69

SC int NP = SC comb NP – (SC N) – (SC P)

SC int NP = 14.40 – 9.19 – 1.69 = 3.52

SC error = SC T – SC B – SC N – SC P – SC int NP

SC error = 16.53 – 1.83 – 9.19 – 1.69 – 3.52 = 0.30

ANVA: Rendimiento de grano seco de pallar (kg/parcela). Área neta: 6.40 m 2

Ft
F. de V. SC GL CM Fc
0.05 0.01
Bloques (repet) 1.83 2 0.92 ** 18.30 5.14 10.92
Tratamientos 14.40 3 4.80 ** 96.00 4.76 9.78
Factor N 9.19 1 9.19 ** 183.80 5.99 13.74
Factor P 1.69 1 1.69 ** 33.80 5.99 13.74
Interacción NP 3.52 1 3.52 ** 70.40 5.99 13.74
Error experimental 0.30 6 0.05 ---
Total 16.53 11 --- ---

**.- Existe diferencia altamente significativa (99% de confiabilidad)

S = 0.22 S_ = 0.13 CV = 7.56%

X

30
 Se ha encontrado diferencia altamente significativa en todas las Fuentes de
variación, con un coeficiente de variabilidad bueno, dando confianza a los
resultados obtenidos.

Para realizar la Prueba de Rango Múltiple de Duncan:

1) Hallar el error estándar (desviación estándar para Duncan)
S_ = 0.13
X
Donde el CM error es obtenido de la tabla ANVA y r = 3.
2) Con los G.L. del error y los GL de tratamientos, hallar los valores de (p), 0.05
(para 2, 3 y 4 tratamientos)

p 2 3 4
A.E.S.(D) 3.46 3.58 3.64
(S_ ) = 0.13
X
A.L.S.(D) 0.45 0.46 0.47

3) Ordenar los promedios en forma descendente (de > a <)

Rendimiento de grano/parcela Duncan O.M.

CLAVE
(Promedio) α= 0.05
NIVELES NITRÓGENO (N)
n1 3.8 a 1°
no 2.0 b 2°
NIVELES FÓSFORO (P)
p1 3.3 a 1°
po 2.5 b 2°
INTERACCIÓN NITRÓGENO/FÓSFORO (NP)
n1 p1 4.7 a 1°
n1 po 2.9 b 2°
no po 2.2 c 3°
no p1 1.9 c 3°

Nota.- Los tratamientos que muestran la misma letra, no son significativamente

diferentes entre sí.
4) Realizar las comparaciones de las medias o promedios

Primera serie de comparaciones:

n1 – no = 3.8 – 2.0 = 1.8 > 0.47 *
Segunda serie de comparaciones:
p1 – po = 3.3 – 2.5 = 0.8 > 0.47 *

31
 Tercera serie de comparaciones:
n1 p1 – no p1 = 4.7 – 1.9 = 2.8 > 0.47 *
n1 p1 – no po = 4.7 – 2.2 = 2.5 > 0.46 *
n1 p1 – n1 po = 4.7 – 2.9 = 1.8 > 0.45 *
Cuarta serie de comparaciones:
n1 po – no p1 = 2.9 – 1.9 = 1.0 > 0.46 *
n1 po – no po = 2.9 – 2.2 = 0.7 > 0.45 *
Quinta serie de comparaciones:
no po – no p1 = 2.2 – 1.9 = 0.3 < 0.45 *

5) Completar el cuadro y hacer las inferencias estadísticas pertinentes

Se obtienen mayores rendimientos aplicando n1 p1 (40N – 80P), alcanzando
4.7 kg/parcela, en promedio.
El nivel 1 de cada factor (N y P), supera significativamente al nivel o (cero): es
decir, es importante la fertilización.

4.5 PARCELAS DIVIDIDAS (DISEÑOS EXPERIMENTALES CON PARCELAS

DIVIDIDAS)
GENERALIDADES
Este tipo de diseño se utiliza frecuentemente en experimentos cuando uno de
los factores necesita, para ser evaluado, parcelas o unidades experimentales
grandes y el otro factor se puede evaluar sobre unidades más pequeñas y donde
existen restricciones de aleatorización que impiden la asignación aleatoria de los
tratamientos (combinación de factores) a las unidades experimentales.
El diseño recibe el nombre de parcelas divididas (DPD) ya que generalmente se
asocia uno de los factores a unidades experimentales de mayor tamaño (parcela
principal) y dentro de cada parcela principal se identifican “subparcelas” o
parcelas de menor tamaño sobre las cuales se asigna al azar el segundo factor.
Las parcelas pueden ser dispuestas en cualquier tipo de delineamiento, así entre
otros, se puede tener un diseño de parcelas divididas con estructura de parcelas
completamente aleatorizadas o un diseño de parcelas divididas con estructura
de parcelas en bloques al azar, o en cuadrado latino.
CARACTERÍSTICAS DEL DISEÑO
Ampliamente utilizados en experimentos agrícolas, ya que las parcelas
usualmente son grandes áreas de terreno y las subparcelas pequeñas
extensiones. Por ejemplo, algunas variedades de cultivo pueden plantarse en
diferentes campos (parcelas) una variedad por campo. Luego cada campo puede

32
dividirse, por ejemplo, en cuatro subparcelas, y tratarse cada una con un
fertilizante diferente.
A pesar de sus antecedentes agrícolas, los DPD son muy útiles en diferentes
experimentos de horticultura, zootecnia, industrias, laboratorio, invernadero, etc.
La aleatorización se realiza en dos etapas: primero se aleatorizan los niveles del
factor que se asignó a las parcelas principales, luego se aleatorizan los niveles
del factor que se asignó a las subparcelas de cada parcela principal. Es decir
que una vez diseñadas las parcelas se asigna en forma aleatorizada los niveles
del factor que se va a aplicar a las mismas. Luego se divide a cada parcelas de
forma tal de dar cabida a los niveles del segundo factor, los cuales se aleatorizan
en las subparcelas de cada parcela.
El análisis de varianza (ANVA) consta de dos partes, la primera parte es para el
estudio del factor que va en las parcelas y la segunda para el factor que va en
las subparcelas y para la interacción Tratamiento parcela x Tratamiento
subparcela.
Entonces, se observa que se tienen dos Errores distintos: el Error referente a las
parcelas [E(a)], y el Error correspondiente a las subparcelas dentro de las
parcelas [E(b)].
VENTAJAS
Este Diseño o tipo de arreglo se usa cuando
a) Hay restricciones de aleatorización en un experimento factorial,
b) Cuando uno de los factores no puede ir en parcelas chicas, es decir que sus
efectos no pueden probarse con pequeñas cantidades de material.
c) Cuando hay interés de parte del experimentador en estudiar con mayor
precisión un factor que otro.
d) Su análisis se realiza en dos partes: primero se analiza las parcelas y luego
las sub parcelas. Es más preciso que el factorial.
e) Es un diseño específico para experimentos de densidad de siembra con
variedades, épocas de siembra con variedades, riegos con volúmenes y
frecuencias de riego, riegos con fertilizantes, etc.
DESVENTAJAS
Puede suceder que los efectos del factor que va en las parcelas, aunque muy
notables, no sean significativos; mientras que los efectos del factor que va en las
subparcelas, aunque demasiado pequeños para ser de interés práctico, sean
estadísticamente significativos.
El hecho de que las diferentes comparaciones de tratamientos tengan distintas
varianzas del error hace el análisis más complejo.
Es un diseño más complejo por sus análisis e interpretación de resultados, es
muy similar a los experimentos factoriales, pero con más datos en estudio,
requiere de mayor tamaño, y por lo tanto de un mayor costo.
33
ESQUEMA DEL ANVA
Con el ejemplo siguiente: se va a estudiar tres densidades de siembra (D) en
parcelas y tres linajes de algodón (L) en sub parcelas, en 4 repeticiones, el
esquema del ANVA es:
Fuentes de Variación Grados de Libertad
(F. de V.) (GL)
Bloques (repeticiones) r–1=3
DENSIDAD (D) d–1=2
Error de parcela (a) (r – 1) (d-1) = 6
Total de parcelas dr-1 = 11
Total sub parcelas dlr – 1 = 35
Block o repet. Sub parcelas dr – 1 = 11
LINAJES (L) l–1=2
Interacción DL (d-1) (l-1) = 4
Error de sub parcelas (b) d (l-1) (r-1) = 18

EJERCICIO DE APLICACIÓN DEL ANVA DE UN EXPERIMENTO EN DBCA

EN PARCELAS DIVIDIDAS
Se desea analizar el efecto de 3 densidades de siembra (D) en 3 linajes de
algodón (L), en 4 repeticiones, con los factores y niveles siguientes:
Factor DENSIDAD (D) Factor LINAJES (L)
d1 = 1.00 m x 0.50 m l1 = cañetano
d2 = 1.20 m x 0.40 m l2 = chinchano
d3 = 1.40 m x 0.30 m l3 = iqueño
El Diseño adoptado es el DBCA con parcelas divididas, en 4 repeticiones, con
un total de 36 unidades experimentales. Cada sub parcela tiene 4 surcos y
durante la cosecha de tomaron 2 surcos centrales para la evaluación.
Las combinaciones que se forman son:
Clave Clave Detalle o descripción
numérica literal Densidad - Linajes
1 d1 l1 1.00 m x 0.50 m – cañetano
2 d1 l2 1.00 m x 0.50 m – chinchano
3 d1 l3 1.00 m x 0.50 m – iqueño
4 d2 l1 1.20 m x 0.40 m – cañetano
5 d2 l2 1.20 m x 0.40 m – chinchano
6 d2 l3 1.20 m x 0.40 m – iqueño
7 d3 l1 1.40 m x 0.30 m – cañetano
8 d3 l2 1.40 m x 0.30 m – chinchano
9 d3 l3 1.40 m x 0.30 m – iqueño

34
 Las evaluaciones del rendimiento de algodón rama por sub parcela se han
tomado del campo, teniendo en cuenta el croquis experimental.

D1 D2 D3
IV L1 L2 L3 L2 L3 L1 L1 L3 L2

401 402 403 404 405 405 407 408 409

D3 D2 D1
III L3 L2 L1 L1 L3 L2 L1 L2 L3

301 302 303 304 305 306 307 308 309

D2 D3 D1 2.0 m 50.0 m

II L2 L1 L3 L3 L2 L1 L2 L3 L1

201 202 203 204 205 206 207 208 209

D1 D2 D3
I L1 L3 L2 L2 L3 L1 L3 L1 L2
10.0 m
101 102 103 104 105 106 107 108 109

12.00 m 14.40 m 16.80 m

43.20 m
TABULACIÓN DE DATOS:
El rendimiento de algodón rama (kg/sub parcela), tomado del área neta, es
como sigue:

D D1 D2 D3
L ∑ ∑ ∑ ∑ BLOCK
BLOCK L1 L2 L3 D1 L1 L2 L3 D2 L1 L2 L3 D3
I 21 29 22 72 19 31 25 75 13 15 24 52 199
II 17 18 20 55 23 28 16 67 12 20 12 44 166
III 27 22 17 66 27 28 14 69 24 23 15 62 197
IV 25 20 22 67 18 25 20 63 19 20 13 52 182
COMB DL 90 89 81 260 87 112 75 274 68 78 64 210 744
_
Promedio 23 22 20 22 28 18.8 17 19.5 16 XG1 = 20.67
D D1= 260 D2= 274 D3 = 210
_
Promedio 260/12= 21.67 274/12= 22.83 210/12= 17.5 XG2 = 62.00
L L1 = 245 L2= 279 L3= 220
Promedio 245/12= 20.42 279/12= 23.25 220/12= 18.33

35
 OPERACIONES PARA EL ANVA:
Hallar el Término de corrección:
TC (744)2 = 553536 = 15,376
TC =
3x3x4 36
SC Total
parcelas= (72)2 +(55)2 +(66)2 +(67)2 +(75)2 +(67)2 +(69)2 +(63)2 +(52)2 +(44)2 + (62)2+ (52)2
- TC
l=3
SC T parcelas= 47,086 - TC
3
SC T parcelas = 15,695.33 – 15,376 = 319.33
SC Block parcelas = (199)2 + (166)2 + (197)2 + (182)2 - TC
dl = 9
SC Block parcelas = 139090 - TC
9
SC Block parcelas = 15,454.44 – 15,376 = 78.44

SC Densidad = (260)2 + (274)2 + (210)2 - TC

lr = 12
SC Densidad = 186,776 - TC
12
SC Densidad = 15,564.67 – 15,376 = 188.67
SC error (a) = SC Tparcela – SC Block – SC Densidad – 15,376 = 319.33
SC error (a) = 319.33 – 78.44 – 188.67 = 52.22
=======================================================
SC Tsub parc = (21)2 +(29)2 +(22)2 +(19)2 +(31)2+(25)2 + …..…+(19)2 +(20)2+(13)2 - TC
SC Tsub parc = 16,282 – 15,376 = 906
SC Block sub parc = SC Total parcelas = 319.33

SC Linajes = (245)2 + (279)2 + (220)2 - TC

dr = 12
SC Linajes = 186,266 - TC
12
SC Linajes = 15,522.17 – 15,376 = 146.17
SC comb DL = (90)2 +(89)2 +(81)2 +(87)2 +(112)2+(75)2 + (68)2 +(78)2+(64)2 - TC
r=4
SC comb DL = 63,124 - TC
4
SC comb DL = 15,781 – 15,376 = 405
36
 SC int DL = 405 – 188.67 – 146.17 = 70.17
SC Error (b) = SC Tsub parc – SC Block sub p – SC L – SC DL
SC Error (b) = 906.00 – 319.33 – 146.17 – 70.17 = 370.33

ANVA: Rendimiento de algodón rama (kg/sub parcela).

Ft
F. de V. G.L. S.C. CM Fc
0.05 0.01
Bloques (repet.) 3 78.44 26.15 NS 3.00 4.76 9.78
DENSIDAD (D) 2 188.67 94.34 * 10.84 5.14 10.92
Error de parcela (a) 6 52.22 8.70 ---
Total de parcelas 11 319.33 --- ---
Total sub parcelas 35 906.00 --- ---
Block (repet.sub parc) 11 319.33 29.03 ---
LINAJES (L) 2 146.17 73.09 NS 3.55 3.55 6.01
Interacción DL 4 70.17 17.54 NS 0.85 2.93 4.58
Error de sub parc (b) 18 370.33 20.57 ---
NS.- No existe diferencia significativa
*.- Existe diferencia significativa (95% de confiabilidad)

Parcelas: S1 = 2.95

S1_ = 1.475
X

CV1=1.475 x 100 = 4.76%

62 (promedio de parcelas)

Sub parcelas: S2 = 4.54

S2_ = 1.309
X
CV2 = 1.475 x 100 = 21.94%
20.67 (promedio de sub p)
APLICACIÓN DE LA PRUEBA DE RANGO MÚLTIPLE DE DUNCAN:
1) Hallar los valores de (p), con 6 y 18 G.L. del error, a nivel 0.05, para
2,3,4,5,6,7,8,9 tratamientos
Valores p 2 3 4 5 6 7 8 9
A.E.S.(D) 3.45 3.58
(S_ ) = 1.475
X
5.089 5.281
A.E.S.(D) 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39
(S_ ) = 1.309
X 3.888 4.084 4.202 4.280 4.346 4.385 4.411 4.438

37
2) Ordenar los promedios de rendimiento de mayor a menor:
CLAVE Rendimiento de algodón rama Duncan O.M.
LITERAL (Promedio en kg) α= 0.05
DENSIDAD (D)
d2 22.83 a 1°
d1 21.67 a 1°
d3 17.50 b 2°
LINAJES (L)
l2 23.25 a --
l1 20.42 a --
l3 18.33 a --
DENSIDAD X LINAJE (DL)
d2 l2 28.00 a 1°
d1 l1 22.50 b 2°
d1 l2 22.25 b 2°
d2 l1 21.75 b 2°
d1 l3 20.25 b c 2°
d3 l2 19.50 b c 2°
d2 l3 18.75 b c 2°
d3 l1 17.00 c 3°
d3 l3 16.00 c 3°

3) Realizar las comparaciones de las medias o promedios

Primera serie de comparaciones: Densidad (D)
d2 – d3 = 22.83 – 17.50 = 5.33 > 5.281 *
d2 – d1 = 22.83 – 21.67 = 1.16 < 5.089 NS
Segunda serie de comparaciones: LINAJES (L)
l2 – l3 = 23.25 – 18.33 = 4.92 < 5.281 NS
Tercera serie de comparaciones: Interacción (DL)
d2 l2 – d3 l3 = 28.00 – 16.00 = 12 > 4.438 *
d2 l2 – d3 l1 = 28.00 – 17.00 = 11 > 4.411 *
d2 l2 – d2 l3 = 28.00 – 18.75 = 9.25 > 4.385 *
d2 l2 – d3 l2 = 28.00 – 19.50 = 8.50 > 4.346 *
d2 l2 – d1 l3 = 28.00 – 20.25 = 7.75 > 4.280 *
d2 l2 – d2 l1 = 28.00 – 21.75 = 6.25 > 4.202 *
d2 l2 – d1 l2 = 28.00 – 22.25 = 5.75 > 4.084 *
Cuarta serie de comparaciones:
d1 l1 – d3 l3 = 22.50 – 16.00 = 6.50 > 4.411 *
d1 l1 – d3 l1 = 22.50 – 17.00 = 5.50 > 4.385 *
d1 l1 – d2 l3 = 22.50 – 18.75 = 3.75 < 4.346 NS

38
 Quinta serie de comparaciones:
d1 l2 – d3 l3 = 22.25 – 16.00 = 6.25 > 4.385 *
d1 l2 – d3 l1 = 22.25 – 17.00 = 5.25 > 4.346 *
d1 l2 – d2 l3 = 22.25 – 18.75 = 3.50 < 4.280 NS
Sexta serie de comparaciones:
d2 l1 – d3 l3 = 21.75 – 16.00 = 5.75 > 4.346 *
d2 l1 – d3 l1 = 21.75 – 17.00 = 4.75 > 4.280 *
d2 l1 – d2 l3 = 21.75 – 18.75 = 3.00 < 4.202 NS
Séptima serie de comparaciones:
d1 l3 – d3 l3 = 20.25 – 16.00 = 4.25 < 4.280 NS
4) Completar el cuadro de ANVA y hacer las inferencias estadísticas pertinentes
Con las densidades 1.20 m x 0.40 m y 1.00 x 0.50 m, se obtuvo los mayores
rendimientos promedios por unidad experimental. Los tres linajes tuvieron un
comportamiento similar en el rendimiento de algodón rama promedio.
La mejor interacción se encontró entre la densidad de plantas de 1.20 m x 0.40
m con el linaje chinchano, alcanzando un promedio de 28 kg/sub parcela de
algodón rama. El rendimiento más bajo se obtuvo con la interacción 1.40 x 0.30
m con los linajes cañetano e iqueño, con promedios de 17 y 16 kg/sub parcela
de algodón rama.

4.6 TRANSFORMACIÓN DE DATOS

La transformación de datos es necesaria cuando se presentan los siguientes
casos:
1) Cuando los datos provienen de contadas: número de ninfas de pulgones por
terminal, número de gusanos por planta, número de gusanos por parcela,
etc., se dice que no existe una distribución normal y por lo tanto los análisis
estadísticos se complican; por lo que se debe realizar transformación de
datos extrayendo la raíz cuadrada a los números obtenidos, si éstos números
no exceden de 50. Pero si son menores de 10, llegando inclusive a cero (0),
es mejor primero sumar 0.5 ó 1.0 al número hallado, antes de extraer la raíz
cuadrada. El ANVA se realizará con la raíz cuadrada extraída.
2) Cuando los datos están expresados en porcentajes (%): porcentaje de
plantas enfermas, porcentaje de infección, porcentaje de infestación, etc., la
transformación de estos datos se hace en valores angulares que se extraen
de la tabla de SNEDECOR o de POISSON, donde se encuentra la
equivalencia correspondiente. Con los datos transformados, recién se realiza
el ANVA de la variable evaluada.
3) Cuando hay una gran amplitud en la dispersión de los promedios, se
recomienda realizar la transformación Logarítmica, ya sea contadas,
porcentajes o medidas.

39
40
41