Professional Documents
Culture Documents
EXPERIMENTACIN AGRCOLA
INTRODUCCION
La Universidad Jose Carlos Mariategui, entre muchos de sus objetivos academicos, es precisamente la formacion de Investigadores, que puedan aportar nuevos conocimientos tecnico - cientifico y con esto contribuir al desarrollo sostenible de la agricultura de la Region y del pa{is. Para esto dentro del plan de estudios curricular de la Carrera Profesional de Ingenieria Agronomica tiene insertado el curso de Diseos Experimentales con la finalidad de darle a los estudiantes las herramientas y tecnicas necesarias para investigacion. Podemos decir tambin que los diseos experimentales son las formas que se han ideado para arreglar las parcelas y satisfacer las necesidades de cada experimento, sus objeti vos y el cultivo de que se trate. No es ms que el esquema de distribucin de las variantes en el experimento. El objetivo fundamental que se persigue la tasignatura es conocer los fundamentos teoricos y practicos para interpretar las evaluaciones de la poblacion. El contenido esta orientado a estudiar las tecnicas y principios para planear y ejecutar experimentos, analisis de regresion, diseos en bloques, cuadrado latino, parcelas divididas o parcelas separadas entre otras.
INDICE
Pgina DISEOS EXPERIMENTALES..3 TRANSFORMACIN DE DATOS..4 PROCESAMIENTO ESTADSTICO E INTERPRETACIN DE RESULTADOS EXPERIMENTALES..6 DISEO COMPLETAMENTE AL AZAR CON DESIGUAL NMERO DE OBSERVACIONES POR TRATAMIENTO..6 DISEO COMPLETAMENTE AL AZAR CON IGUAL NMERO DE OBSERVACIONES POR TRATAMIENTO.11 DISEO DE BLOQUES AL AZAR14 COMPARACIN DE MEDIAS..18 MNIMA DIFERENCIA SIGNIFICATIVA..18 PRUEBA DE DUNCAN...19 PRUEBA DE TUKEY...21 STUDENT- NEWMAN KEULS..22 PRUEBA DE SHEFF.24. DISEO DE BLOQUES AL AZAR CON UNA PARCELA FALTANTE.26. CONTRASTES ORTOGONALES.28 POLINOMIOS ORTOGONALES..31 DISEO CUADRADO LATINO.36 CUADRADO LATINO CON UNA PARCELA FALTANTE...39 RECTNGULO LATINO40 EXPERIMENTO BIFACTORIAL CON DISEO COMPLETAMENTE AL AZAR...42 EXPERIMENTO BIFACTORIAL CON DISEO DE BLOQUES AL AZAR..47 EXPERIMENTO TRIFACTORIAL CON DISEO COMPLETAMENTE AL AZAR.51
EXPERIMENTO TRIFACTORIAL CON DISEO DE BLOQUES AL AZAR59 FACTORIAL MODIFICADO O CON TESTIGO DE REFERENCIA65 BLOQUE AL AZAR EN LOCALIDADES..68 PARCELA DIVIDIDA71 PARCELA SUBDIVIDIDA 77 DISEO ANIDADO PARA DOS FACTORES 87 DISEO ANIDADO PARA TRES FACTORES89 ANLISIS DE COVARIANZA EN UN DISEO DE BLOQUES AL AZAR.92 ANLISIS DE COVARIANZA EN EXPERIMENTOS FACTORIALES...97 LTICE.103 DISEO CONFUNDIDO.114 BIBLIOGRAFA116
DISEOS EXPERIMENTALES En la experimentacin Agrcola, conjuntamente con la adecuada definicin de los elementos fundamentales que componen el experimento, la decisin acerca del diseo experimental que deber ser aplicado constituye uno de los aspectos decisivos dentro de la fase de planificacin de las investigaciones. El diseo experimental como tal puede ser definido como la disposicin en tiempo y espacio de las variantes o tratamientos. Podemos decir tambin que los diseos experimentales son las formas que se han ideado para arreglar las parcelas y satisfacer las necesidades de cada experimento, sus objetivos y el cultivo de que se trate. No es ms que el esquema de distribucin de las variantes en el experimento. El objetivo fundamental que se persigue al seleccionar el diseo experimental es asegurar condiciones iguales para la comparacin de las variantes, eliminando al mximo la variabilidad de la fertilidad del suelo. Requisitos que debe satisfacer un diseo experimental: 1) Debe asegurar condiciones iguales para todas las variantes experimentales. 2) De ajustarse a los principios de la aleatoriedad que permitan analizar los mismos por mtodos estadsticos. 3) Debe ser simple y que posibilite la conduccin adecuada de los mismos. DISEOS DE BLOQUES En este grupo se encuentran los diseos de mayor utilizacin en la prctica de la experimentacin agrcola actual. Estos diseos poseen tres caractersticas fundamentales. 1. La replicacin. 2. El control local o tcnicas de los bloques. 3. La aleatorizacin. La influencia de la replicacin de los tratamientos experimentales fue analizada por Cochran y Cox (1965) quienes sealan que la rplica resultan importantes para hacer coincidir el resultado estadstico y biolgico de los datos experimentales bajo ciertas condiciones de investigaciones. La repeticin de cada tratamiento en el experimento reduce, de forma general el error tpico y por tanto incrementa la precisin experimental. La caracterstica del control local o tcnicas de bloqueo le confiere a estos diseos la ventaja de poder detectar y la posibilidad de eliminar o remover del error experimental, en el caso de los experimentos de campo, la variabilidad por la heteroneidad del suelo entre esos bloque. La aleatorizacin de los tratamientos permite la utilizacin de mtodos estadsticos en el procesamiento de los datos, ofrece la posibilidad de cualquier unidad elemental tenga la misma probabilidad de recibir un tratamiento u otro, puede tener otra ventaja como es evitar el efecto de la variante vecina, puesto que no siempre un tratamiento experimental tendr a su lado el mismo tratamiento. Los diseos de bloques pueden ser agrupados en diseo de bloques completos y diseo de bloques incompleto. Los diseos de bloque completo contienen en cada bloque todos los tratamientos experimentales, por lo que cada bloque constituye una rplica del experimento. Los diseos de bloques incompletos contienen solo una parte de los tratamientos experimentales en cada bloque, por ello cada bloque no constituye una rplica del experimento. 3
TRANSFORMACIONES DE DATOS. Entre las suposiciones del anlisis de varianza estn las siguientes: a). Que las distintas muestras se han sacado de poblaciones cuyas distribuciones son normales. b). Que las poblaciones de dichas muestras cuentan con varianza iguales. Existen ciertos casos en los cuales desde un principio se puede afirmar que los datos disponibles no cuentan con una distribucin normal, por lo que se deben llevar a cabo transformaciones para acercar dichos datos a una distribucin normal. Para verificar si los datos siguen una distribucin normal se somete a una prueba de X2 . I. NMEROS DGITOS. A veces se obtienen resultados con nmeros pequeos, en su mayora nmeros dgitos ejemplo conteo de frutos, conteo de insectos en campos bien tratados etc. En este caso los datos originales (nmeros dgitos se sustituyen por su raz cuadrado. Cuando hay valores de cero, se aade 0,5 a todos los datos originales antes de sacar la raz cuadrada. Transformaciones para nmeros dgitos X ' = X (sin valores cero) X ' = 0.5 + X (con valores de cero)
Ejemplo: Conteo de nmeros de frutos por plantas: a). Datos originales: Variedades V1 5 6 1 V2 0 3 2 V3 2 1 0 V4 7 3 8
b). Datos transformados: X ' = 0.5 + X Variedades V1 2.34 2.55 1.22 V2 0.71 1.97 1.58 V3 1.58 1.22 0.71 V4 2.74 1.67 2.92
II. CAMPO GRANDE DE VARIACIN. En los casos donde existen diferencias muy grandes entre los diferentes valores de los tratamientos se recomienda una transformacin logartmica. Por ejemplo se pueden encontrar unos pocos insectos en una parcela tratada con una sustancia efectiva, mientras que en otras no tratadas la cantidad de insectos pudren alcanzar valores muy grandes.
Transformaciones para un campo grande de variacin en los datos X ' = log . X (sin valores cero) X ' = log( X + 1) (con valores de cero)
Ejemplo: Conteos de insectos en 8 parcelas. 100; 1000; 200; 500; 300; 50; 2000 y 400. Estos datos no presentan una distribucin normal, sin embargo si se consideran los logaritmos se aproximan a una distribucin normal. Log. 2.0; 3.0; 2.3; 2.7; 2.5; 1.7; 3.3 y 2.6.
INTERPRETACIN
DE
RESULTADOS
CON
DESIGUAL
NMERO
DE
Este diseo constituye una excepcin dentro de los diseos de bloque por el hecho de que en su estructura no existe una organizacin en bloques de los tratamientos experimentales. Exige unidades experimentales homogneas. Los tratamientos y las rplicas se asignan al azar a las unidades experimentales. Este diseo puede ser utilizado para experimentos unifactoriales y multifactoriales. Es propio para experimentos de laboratorios y semilaboratorios. La principal dificultad del mismo es su bajo grado de precisin, por cuanto no tiene restricciones en lo que se refiere a la ubicacin de los tratamientos, por lo que stos no aparecen en grupos ms homogneos. Como la aleatorizacin no es restringida de manera alguna, para asegurar que las unidades que reciben un tratamiento sean similares a las que reciben otro tratamiento, toda la variacin entre las unidades experimentales se refleja en el error experimental. Sin embargo esto es compensado en parte por el mayor nmero de grados de libertad que se logran para el error, con un mismo nmero de tratamientos y unidades experimentales. Modelo matemtico. Yij = + Ti + eij Yij= es el j simo elemento perteneciente al i simo tratamiento. = es la media general. Ti = efecto debido al i simo tratamiento. Eij= error experimental asociado al j simo elemento del i simo tratamiento.
EJEMPLO: En un experimento bajo el diseo completamente al azar se compararon 4 cepas nativas de Azotobacter, en el cultivo del pimiento variedad Verano 1, donde se evalu como variable principal la altura de las plantas a los 35 das
TRATAMIENTOS Tunas 19 Tunas 52 46 45 48 43 51 47 52 44 50 45 247 224
Tunas1 45 47 42 44
178
Tunas 27 38 39 40 37 38 40 232
881
De acuerdo al modelo, los datos pueden representarse en una tabla de la siguiente forma: TRATAMIENTOS
La hiptesis que se va a probar es: H0: T1 = T2 = T3 = T4 vs Hl : Al menos 2 tratamientos diferentes. Esta hiptesis se prueba con un anlisis de varianza, como se muestra a continuacin:
SDCTotal =
X i2
2
( X i )2
N
2
SDCTrat . =
( trat.)
2 Xi ) (
Gltotal = N 1
= 20 1 = 19
Gltrat . =# Trat . 1
=41=3
2 S trat .=
2 S error =
Fcaltrat . =
2 S error
F. de variacin
3 16 19
106.87222 3.27083
32.67
En la tabla de anlisis de varianza se encontr que la Fcal es mayor que la Ftab a ambos niveles de significacin, por lo tanto se rechaza la hiptesis nula, entonces se concluye que al menos un tratamiento es diferente a los dems, sin embargo, no se sabe que tratamientos son iguales o diferentes, por lo que es necesario hacer una comparacin de medias. Para comparar las medias de los tratamientos hay diferentes mtodos los que estudiaremos con ms detalle despus del diseo bloques al azar. Desarrollaremos el ms simple que es el de la mnima diferencia significativa. Calculamos las medias de todos los tratamientos.
x trat .1 =
x trat .2 =
x trat .3 =
x trat .4 =
EE =
1 1 2 EE = Serror + ni n j
ni = # de observaciones en el tratamiento i nj = # de observaciones en el tratamiento j
Buscamos el valor en la tabla de t de student. t,gle = t de student se busca en la tabla con el nivel de significacin dado y los grados de libertad del error. Para = 0.05 y gl del error = 16, el valor de la tabla es 2.12 Calcular el valor de diferencia mnima significativa
DMS = t,gl . EE Comparar las diferencias entre las medias de los tratamientos con el valor de la DMS. Si la diferencia entre las medias es mayor que DMS entonces las medias difieren significativamente.
En el caso del ejemplo: Para la comparacin de los tratamientos 2 y 3:
49.50 44.80 = 4.6> 2.42 por lo que existe diferencia entre los tratamientos 2 y 3.
Para la comparacin de los tratamientos 3 y 1:
ni 5 5 4 6
Significacin a b b c
Las cepas 52 y 1 tienen un comportamiento similar existiendo diferencias entre estas y las dems, siendo la de mejor comportamiento la 19 al recibir una mayor estimulacin en el crecimiento las plantas y la peor la 27.
10
EJEMPLO: 1.-Se realiz un experimento en el cultivo del pltano fruta (Musa AAAB), clon FHIA 01v1 utilizando un diseo completamente al azar con el objetivo de evaluar 3 frecuencias de riego. Los tratamientos fueron los siguientes: T1: Regar diariamente (7riegos). T2: Regar interdiario (3,5 riegos) T3: Regar cada 3 das (2 riegos semanales). Se prob cada frecuencia en un campo de una unidad rotacional en un sistema de riego localizado. En cada campo se muestrearon 20 plantas. Para evaluar los tratamientos se utiliz como variable: a) Peso del racimo en Kg. Trat 1 Trat 2 35.5 35.5 36.1 38.9 38.3 43.3 33.7 46.7 39.2 40.1 42.3 38.2 45.1 36.5 36.7 34.2 35.1 33.8 36.9 33.9 42.3 35.1 45.6 32.1 40.1 32.3 38.7 36.6 39.1 35.7 33.7 44.3 38.9 41.1 33.2 40.6 36.6 33.5 45.1 34.7 772.2 747.1
Trat 3 Total 28.6 29.1 25.5 33.2 24.3 25.5 26.2 25.1 24.7 23.2 21.4 25.6 28.7 29.3 22.5 27.7 29.9 28.6 27.2 25.7 532.4 2051.7
11
SDCTotal =
X i2
( X i )2
N
2051.7 2 60
SDCTrat . =
SDCTrat =
( trat.)
2 2
2 ( Xi )
Gltotal = N 1
= 60 1 = 59
Gltrat . =# Trat . 1
=31=2
2 = S error
Fcal trat . =
12
Gl 2 57 59
S2 871.050667 13.360842
Fcal 65.19
Como se observa en la tabla 1 la Fcal es mayor que la Ftab por lo que podemos concluir diciendo que existen diferencias significativas entre los tratamientos, pero no sabemos entre cuales por lo que debemos aplicar una prueba de comparacin de medias. Nota: la explicacin en detalles de cada prueba de comparacin de medias aparece despus del diseo de bloques al azar. Comparacin de medias por la prueba de Duncan. Tratamientos 1 2 3 Medias 38.6 37.36 26.6 Significacin A A B 0.817338. EE
Como podemos observar en la prueba de comparacin de medias entre el tratamiento 1 y 2 no existen diferencias; ambos tratamientos difieren del tratamiento 3, por lo que podemos aplicar cualquiera de los dos normas de riego o sea T1 o T2.
13
Es el de ms fcil ejecucin. El bloque es la unidad bsica y es igual a las rplicas porque contiene todas las variantes, las que estn distribuidas al azar. La forma de los bloques puede ser cuadrada o rectangular. El diseo es idneo para experimentos de variedades, as como experimentos agrotcnicos. Puede ser utilizado en experimentos unifactoriales y multifactoriales. La forma, el tamao y la orientacin de los bloques se deben hacer buscando la homogeneidad dentro de ellos. Los tratamientos se asignan al azar dentro de cada bloque. El nmero de tratamientos no deben ser muy grande, con el fin de garantizar la homogeneidad de cada bloque. Este diseo tiene el inconveniente que solo se puede eliminar la variabilidad entre rplicas. Entre sus ventajas podemos sealar: Economa en el trabajo experimental. Puede utilizarse tanto un numero pequeo o grande de variantes. Puede aplicrsele anova a loa datos (elimina el efecto de la desigualdad de la fertilidad y establece la diferencia entre variantes con mayor seguridad. El diseo tiene el inconveniente, que solo se puede eliminar la variabilidad de la fertilidad del suelo entre rplicas, siendo en este sentido inferior a otros diseos ms complejos. Modelo matemtico. Yij = + Ti + j + eij Yij= es la j sima parcela dentro del i simo tratamiento. = es la media general. Ti = efecto debido al i simo tratamiento. j = efecto del j simo bloque Eij= error experimental asociado al j simo bloque del i simo tratamiento.
EJEMPLO: 1.- En un experimento bajo el diseo de bloques al azar se compararon 4 normas de riego en el cultivo del pltano fruta cln Cavendish giganteen el ciclo de fomento.
Los tratamientos evaluados fueron: T1- Regar cuando la humedad en el suelo llegue a 0,40 bar (40 centibar). T2- Regar cuando la humedad en el suelo llegue a 0,45 bar.(45 centibar) T3- Regar cuando la humedad en el suelo llegue a 0,5 bar (50 centibar). T4- No regar. Para evaluar los tratamientos se utiliz como variable principal: Rendimiento expresado en toneladas por hectrea, los datos son los siguientes.
14
Rplicas Tratamientos 1 2 3 4 I 47,99 44,22 42,58 37,66 172.45 II 48,0 44,01 42,30 37,30 171.61 III 47,98 44,45 42,86 38,02 173.31 IV 48,78 44,13 42,11 37,25 172.27 V 47,20 44,31 43,06 37,0 171.57
De acuerdo al modelo los datos pueden expresarse en una tabla de la siguiente forma: RPLICAS TRATAMIENTOS 1 2 3 4 I X11 X21 X31 X41 II X12 X22 X32 X42 III X13 X23 X33 X43 IV X14 X24 X34 X44 V X15 X25 X35 X45
Las hiptesis que se van a probar son: H0 : T1 = T2 = T3 = T4 vs Al menos un tratamiento desigual H0 : R1 = R2 = R3 = R4 vs Al menos una rplica desigual. Estas hiptesis se prueban mediante un anlisis de varianza. Realizaremos el anlisis del rendimiento expresado en toneladas por hectrea. Pasos a seguir: Clculo de las sumas de las desviaciones cuadradas.
SDCTotal =
X i2
( X i )2
N
15
SDCTotal
= 289.6289
SDCTrat . =
( trat .)
2 ( Xi )
SDCTrat
SDC Re p . =
( Re p.)
2 ( Xi )
SDC Re p
Gltotal = N 1
= 20 1 = 19
Gltrat . =# Trat . 1
=41 =3
Gl Re p . =# Re p . 1
=51 =4
)
16
CM trat .
= 12 SDCtrat . = = Gltrat
287.0274 = 95.6778 3
CM Re p. =
SDCRe p GlRe p
0.5117188 = 0.129297 4
CM error =
Fcal trat . =
Fcal Re p. =
La tabla de anlisis de varianza es: Ftab. Fcal 5% 0.735 549.376 3.26 3.49 1% 5.41 5.95
GL 4 3 12 19
En el anlisis de varianza podemos observar que para el caso de los 3 tratamientos, en este caso las 4 normas de riego, existen diferencias ya que la Fcal es mayor que la Ftab, con probabilidad de error menor de 0.01. Por lo tanto al menos uno de los tratamientos es diferente a los dems. Para encontrar cuales tratamientos difieren significativamente es necesario hacer una comparacin de medias. Entre las rplicas no existen diferencias. Como no sabemos entre cuales tratamientos existen diferencias, debemos aplicar una prueba de comparacin de medias.
17
COMPARACIONES DE MEDIAS
En el caso de los tratamientos sin estructura, que son los tratamientos entre los cuales no existe ninguna relacin entre ellos, ejemplo un conjunto de variedades se pueden comparar por cualquiera delos mtodos de comparacin de medias como son: MDS, Duncan, Tukey, SNK, Scheff, etc. Los tratamientos cualitativos con estructura, que son los tratamientos que pueden ser agrupados en cuanto a alguna caracterstica, por ejemplo un conjunto de 4 variedades, dos precoces y dos tardas, se comparan con contrastes ortogonales. En los tratamientos cuantitativos, por ejemplo niveles de fertilizacin (0, 40, 80, Kg./ha de N), se utilizan los polinomios ortogonales, para estudiar las tendencias: lineal, cuadrtica, cbica, etc No quiere esto decir que no podamos aplicar en cada uno de estos casos otros mtodos de comparacin de medias, siendo recomendable para tratamientos cualitativos la prueba de Duncan, y para cuantitativos Tukey u otra prueba. La MDS debe ser aplicada para pocos tratamientos.
MTODO DE COMPARACIN SIGNIFICATIVA DE MEDIAS POR LA MNIMA DIFERENCIA
x trat .1 =
xtrat .2 =
x trat .3 =
Trat.3
n3
212.91 = 42.582 5
x trat .4 =
Trat.4
n4
187.23 = 37.446 5
2 0.1741536 = 0.2639 5
18
t,gle = t de student se busca en la tabla con el nivel de significacin dado y los grados de libertad del error. Para = 0.05 y gl del error = 12, el valor de la tabla es 2.18 Calcular el valor de diferencia mnima significativa DMS = t,gl . EE DMS = 2.18 X 0.2639 = 0.575302 Comparar las diferencias entre las medias de los tratamientos con el valor de la DMS. Si la diferencia entre las medias es mayor que DMS entonces las medias difieren significativamente y lo identificamos con un asterisco, de no haber diferencias ponemos NS. Confeccionamos una tabla de doble entrada. T4 37.446 10.544 * 6.778 * 5.136 * T3 42.582 5.408 * 1.642 * T2 44.224 3.766 *
T1 T2 T3 T4 DMS
A B C D 0.5751
a b c d 0.8063
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4 normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
COMPARACIN DE MEDIAS POR DUNCAN Pasos a seguir: Calculamos las medias Se calcula el error Standard
19
2 S error 0.1741536 EE = = = 0.1866 # de obs. por trat. 5 Buscamos los percentiles en la tabla de Duncan con: Nivel de significacin p (pasos entre las medias) = 2; 3; .....t Grados de libertad del error En nuestro ejemplo
=5%
p 2 3 4 q 3.08 3.22 3.31 p 2 3 4
=1%
q 4.32 4.50 4.62
Se obtienen los rangos mnimos estudentizados (RME) multiplicando q por el error standard.
=5%
p 2 3 4 q 3.08 3.22 3.31 RME 0.574728 0.600852 0.617646
=1%
p 2 3 4 q 4.32 4.50 4.62 RME 0.806112 0.8397 0.862092
Se comparan las medias, de tal forma de que si el valor absoluto de la diferencia de dos medias es mayor que el RME correspondiente, entonces hay diferencias entre los tratamientos y se simboliza con un asterisco. Confeccionamos una tabla de doble entrada.
T4
37.446 10.544 *
T3
42.582 5.408 *
T2
44.224 3.766 *
T1
47.99 6.778 * 1.642 *
T2
44.224 5.136 *
T3
42.582
20
TRATAMIENTOS
MEDIAS
SIGNIFICACIN
5% 1% a b c d 0.1866 a b c d 0.1866
T1 T2 T3 T4 EE
Como podemos observar existen diferencias entre los 4 tratamientos, siendo el de mejor comportamiento regar cuando la humedad del suelo es de 0.40 bar
COMPARACIN DE MEDIAS POR TUKEY Pasos a seguir: Clculo de las medias Se calcula el error standard de igual forma que en Duncan
EE =
Se busca en la tabla de Tukey, con el nivel de significacin, los grados de libertad del error y el nmero de medias que estamos comparando el valor de Tukey (rango estudentizado, RE) RE = 4.20 Se obtiene el rango mnimo estudentizado (RME) multiplicando RE por el error standard. RME = RE X EE = 4.20 X 0.1866 = 0.78372
21
T4
37.446 10.544 *
T3
42.582 5.408 *
T2
44.224 3.766 *
T1
47.99 6.778 * 1.642 *
T2
44.224 5.136 *
T3
42.582 Los resultados de esta tabla se muestran a continuacin:
SIGNIFICACIN 5% 1%
TRATAMIENTOS
MEDIAS
a b c d 4.20 0.7838
a b c d 5.50 1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4 normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
Esta prueba es similar a la prueba de Duncan pero con las tablas de Tukey. Pasos a seguir: Calculo de las medias, Se calcula el error standard de igual forma que en Duncan
22
2 S error 0.1741536 = = 0.1866 EE = # de obs. por trat. 5 Se obtiene en la tabla de Tukey, con el nivel de significacin, los pasos entre las medias y los grados de libertad del error los rangos estudentizados (RE). En nuestro ejemplo
=5%
p 2 3 4 RE 3.08 3.77 4.20 p 2 3 4
=1%
RE 4.32 5.05 5.50
Se obtienen los rangos mnimos estudentizados (RME) multiplicando q por el error standard.
=5%
p 2 3 4
=1%
RME 0.574728 0.703482 0.78372 p 2 3 4
Se comparan las medias, de tal forma de que si el valor absoluto de la diferencia de dos medias es mayor que el RME correspondiente, entonces hay diferencias entre los tratamientos y se simboliza con un asterisco. Confeccionamos una tabla de doble entrada.
T4
37.446 10.544 *
T3
42.582 5.408 *
T2
44.224 3.766 *
T1
47.99 6.778 * 1.642 *
T2
44.224 5.136 *
T3
42.582 Los resultados de esta tabla se muestran a continuacin:
23
TRATAMIENTOS
T1 T2 T3 T4 VALORES DE LA TABLA TUKEY
MEDIAS
47.99 44.224 42.582 37.446
SIGNIFICACIN 5% 1%
a b c d 4.20 0.7838 a b c d 5.50 1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4 normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
El procedimiento de la prueba es el siguiente: Se ordenan las medias de mayor a menor: Tratamientos Medias T1 47.99 T2 44.224 T3 42.582 T4 37.445 Se calcula
Scheff =
(t 1)F ,t 1, n CM e
r
F , t 1, n =VALOR TABULADO DE F CON T-1 Y N GRADOS DE LIBERTAD DEL ERROR CON UN NIVEL DE SIGNIFICACIN
t-1= No de tratamientos 1= 4 1 = 3. CMe= cuadrado medio del error. r= No de observaciones en cada tratamiento. Si el nivel de significacin es del 1 %, entonces F=5.95 0.1741536 = 0.79 Scheff = 3(5.95) 5 Se comparan las medias, de tal forma que si el valor absoluto de la diferencia de dos medias es mayor que Scheff entonces hay diferencias.
24
T4
37.446 10.544 *
T3
42.582 5.408 *
T2
44.224 3.766 *
T1
47.99 6.778 * 1.642 *
T2
44.224 5.136 *
T3
42.582 Los resultados de esta tabla se muestran a continuacin:
TRATAMIENTOS
T1 T2 T3 T4 VALORES DE LA TABLA Scheff
MEDIAS
47.99 44.224 42.582 37.446
SIGNIFICACIN 5% 1%
a b c d 3.49 0.871 a b c d 5.95 1.0276
Como resultado de la comparacin de medias podemos observar que existen diferencias entre las 4 normas de riego aplicadas, siendo la mejor regar cuando la humedad del suelo sea de 0,40 bar.
25
EJEMPLO: Se realiz un experimento con un diseo de bloques al azar con el objetivo de evaluar el Biostn comercial en 4 variedades de tomate. La segunda rplica del tratamiento 2 hubo que eliminarlo. Estime el valor de la parcela faltante y realice el anlisis de varianza.
I II III IV
T2 T1 T3 T4
T1 T3 T4 T2
T3 T4 T2 T1
T4 T2 T1 T3
TABLA DE DATOS VARIABLE: rendimiento Bloques Tratamientos I 1 15 2 21 3 20 4 17 Total 73 Total II 20 18 15 58 III 25 16 25 19 85 IV 18 15 15 22 70 78 52 79 73 281
Yij =
tTi + rR j G ( t 1 )( r 1 )
Donde: Yij= Valor estimado. Ti Valor del tratamiento que contiene a la parcela perdida. 26
Rj Valor de la rplica que contiene a la parcela perdida. G Total de todas las observaciones. Nmero de tratamientos = t Nmero de rplicas = r Para estimar el dato perdido.
Yij =
4( 52 ) + 4( 53 ) 281 ( 4 1 )( 4 1 )
=15.4444 VARIABLE: Tratamientos 1 2 3 4 rendimiento Bloques I 15 21 20 17 II 20 15.444 18 15 CM 6.326986 14.067546 14.236206 III 25 16 25 19 Fcal 0.4444 0.9882 IV 18 15 15 22 Ftab 5% 3.34 3.34 1% 5.56 5.56
ANALISIS DE VARIANZA Fuentes de Gl SDC Variacin Tratamientos Bloques Error Total 14 3 3 8 18.980957 42.202637 113.889648 175.073242
Como Fcal es menor que Ftab no existen diferencias entre tratamientos ni entre rplicas. De encontrarse diferencias, o sea si Fcal es mayor que Ftab para el caso de los tratamientos realizamos la comparacin de medias. Para la comparacin de medias de tratamientos con todas las observaciones completas se utiliza:
DMS = t( ; gle )
2CMerror Nodeobserv.encadaTto.
(1)
Para la comparacin de medias del tratamiento que contiene la parcela perdida contra cualquier otro tratamiento se utiliza:
(2)
El criterio de prueba es: si el valor absoluto de la diferencia entre dos medias de tratamientos en donde no est incluido el tratamiento de la parcela perdida es mayor que la DMS calculada en (1) entonces las medias son diferentes. Si el tratamiento de la parcela perdida est incluido en la prueba, entonces el valor de la DMS para la comparacin se calcula por (2). 27
CONTRASTES ORTOGONALES.
Los contrastes ortogonales se utilizan cuando se tienen un conjunto de tratamientos cualitativos con estructura, de tal forma que es conveniente comparar un tratamiento contra el promedio de otros tratamientos o un conjunto de tratamientos contra otro conjunto de tratamientos. Es decir, se prueban hiptesis de la forma: HO: 3T1 T2 T3 T4 = 0 vs Hl : 3T1 T2 T3 T4 0 Esta hiptesis compara el efecto del tratamiento 1 contra el promedio de los efectos de los tratamientos 2, 3, 4. HO: T1 + T2 T3 T4 = 0 vs Hl : T1 + T2 T3 T4 0 Esta hiptesis compara el efecto conjunto del tratamiento 1 y 2 contra el efecto conjunto de los tratamientos 3 y 4. En general se prueban hiptesis de la forma:
H 0 : i ti = 0 vs H l : i ti 0 ; con
i =1 i =1
i =1 t
i = 0 i ti
t
se le llama contraste, en donde los i son los
A la combinacin lineal de tratamientos coeficientes del contraste. Dos contrastes (C1 y C2) son ortogonales si
i =1
Por ejemplo si los contrastes son: C1 = T1 + T2 T3 T4 C2 = T1 T2 C3 = T3 T4 Entonces la tabla de coeficientes de los contrastes es: T1 T2 C1 1 1 C2 1 -1 C3 0 0 Los contrastes C1 y C2 son ortogonales porque: t
i =1
i1 i 2 = 0
T3 -1 0 -1
T4 -1 0 1
i =1
i1 i 2 = 1112 + 21 22 + 31 32 + 41 42
= (1)(1) + (1)(-1) + (-1)(0) + (-1)(0) = 0
i =1
i1 i3 = 1113 + 21 23 + 31 33 + 41 43
= (1)(0) + (1)(0) + (-1)(-1) + (-1)(1) = 0 28
= (1)(0) + (-1)(0) + (0)(-1) + (0)(1) = 0 En un conjunto de tratamientos se pueden obtener conju7nto de t-1 contrastes ortogonales.
i =1
i 2 i3 = 1213 + 22 23 + 32 33 + 42 43
EJEMPLO: Consideremos un experimento donde se compararon 4 variedades de maz con un diseo de bloques al azar. Variedad 1. Precoz resistente. Variedad 2. Precoz susceptible. Variedad 3. Tarda resistente. Variedad 4. Tarda susceptible. Los datos del rendimiento son: Tratamientos Rplica T1 T2 T3 T4 Total I 6 5 7 8 26 II 7 6 7 9 29 III 7 7 8 8 30 IV 8 8 9 10 35 V 7 8 9 9 33 Total 35 34 40 44 153
El anlisis de varianza se calcula de acuerdo al anlisis del diseo de bloques al azar: Fuentes de Gl SDC CM Fcal Ftab variacin 5% 1% Rplicas 4 12.30 3.075 11.18 3.26 5.41 Tratamientos 3 12.95 4.3166 15.70 3.49 5.95 Error 12 3.3 0.2750 Total 19 28.55 Las hiptesis que se desean probar son: H0: T1 + T2 T3 T4 = 0 vs Hl : T1 + T2 T3 T4 0 H0: T1 - T2 = 0 vs Hl : T1 - T2 0 H0: T3 T4 = 0 vs Hl : T3 T4 0 La primera hiptesis compara las variedades precoces contra tardas la segunda hiptesis compara las dos variedades precoces y la tercera hiptesis compara las dos variedades tardas. Estas hiptesis se prueban en un anlisis de varianza. La suma de cuadrados de tratamientos se particiona en tres partes, una para cada contraste. La tabla de los contraste es la que vimos anteriormente. La suma de cuadrados para contraste es:
SC (contrastej ) =
C2 j
2 r Cij i =1 t
Donde:
29
C j = Cij Ti
i =1
Ti = Total del tratamiento i. La suma de los cuadrados son: 2 (T1 + T2 T3 T4 )2 C1 = SC(Contraste1) = t 2 2 2 2 2 r C11 + C21 + C31 + C41 r Ci1 i =1 (35 + 34 40 44)2 = = 11.25 2 2 2 2
5 (1) + (1) + ( 1) + ( 1)
2 C2
SC(Contraste 2) =
r Ci2 2
i =1
(T1 T2 )2
] = 0.1
)
SC(Contraste3) =
2 C1
r Ci2 3 i =1
(T3 T4 )2
] = 1.6
CM Fcal 11.18 15.70 40.90 0.36 5.82 Ftab 3.26 3.49 4.75 4.75 4.75 5.41 5.95 9.33 9.33 9.33
La tabla de anlisis de varianza es: Fuentes de Gl SC Variacin Bloques Tratamientos C1 C2 C3 Error Total 4 3 1 1 1 12 19 12.30 12.95 11.25 0.10 1.60 3.30 28.55
El anlisis de varianza muestra que el efecto conjunto de los tratamientos 1 y 2 es diferente al efecto conjunto de los tratamientos 3 y 4. Los tratamientos 1 y 2 no son diferentes. Los tratamientos 3 y 4 difieren significativamente.
30
POLINOMIOS ORTOGONALES
Los polinomios ortogonales se utilizan cuando se tiene un conjunto de tratamientos cuantitativos y nos interesa saber la tendencia de la respuesta. Las tendencias pueden ser lineal, cuadrtica, cbica, etc. En el anlisis de polinomios ortogonales, la suma de cuadrados de tratamientos se descompone en t-1 suma de cuadrados, cada una con un grado de libertad. Cada suma de cuadrados representa un efecto: lineal, cuadrtico, etc. La tendencia para la particin de la suma de cuadrados de tratamientos es igual a la de contrastes ortogonales. Cuando los tratamientos estn igualmente espaciados, los coeficientes de los tratamientos de los contrastes son: Para tres tratamientos: Efecto T1 T2 T3 Lineal -1 0 1 Cuadrtico 1 -2 1 Para cuatro tratamientos: Efecto Lineal Cuadrtico Cbico Para cinco tratamientos: Efecto Lineal Cuadrtico Cbico Curtico Para seis tratamientos: Efecto Lineal Cuadrtico Cbico Curtico Quinto T1 -5 5 -5 1 -1 T2 -3 -1 7 -3 5 T3 -1 -4 4 2 -10 T4 1 -4 -4 2 10 T5 3 -1 -7 -3 -5 T6 5 5 5 1 1 T1 -2 2 -1 1 T2 -1 -1 2 -4 T3 0 -2 0 6 T4 1 -1 -2 -4 T5 2 2 1 1 T1 -3 1 -1 T2 -1 -1 3 T3 1 -1 -3 T4 3 1 1
Para ms de 6 tratamientos los coeficientes aparecern al final del ejercicio resuelto (es importante aclarar que aparecern los coeficientes en sentido vertical).
31
EJEMPLO: Se realiz un experimento con un diseo de bloques al azar, con el objetivo de comparar 4 normas de riego en pltano fruta, clon Cavendish gigante. Las normas fueron:
T1: 20 mm semanales T2: 40 mm semanales T3: 60 mm semanales T4: 80 mm semanales TABLA DE DATOS VARIABLE: Tratamientos 1 2 3 4 Rendimiento final Rplicas I 38.3 69.2 53.7 45.6 II 37.8 65.6 52.8 44.3 III 38.1 67.8 54.1 46.1 IV 38.4 69.1 55.6 44.8
ANALISIS DE VARIANZA F. de variacin Tratamientos Rplicas Error Total C.V. = Gl 3 3 9 15 SDC 1976.332031 8.179688 6.484375 1990.996094 CM 658.777344 2.726563 0.720486 Fcal 914.3512 3.7843 Ftab 5% 3.86 3.86 1% 6.99 6.99
1.653602%
TABLA DE MEDIAS Tratamientos Medias 1 38.150002 2 67.924995 3 54.050003 4 45.200001 T A B L A D E COEFICIENTES Tratamiento T1 C1 -3 C2 1 C3 -1
T2 -1 -1 3
T3 1 -1 -3
T4 1 1 1
32
SDC (Lineal )
=10.599710
SDC (Cuadrtica ) =
2 C2
r SDC
( T1 T 2 T 3 + T 4 )2
2 2 2 2 r( C12 + C 22 + C 32 + C 42 )
i =1
C i2 2
( Cuadrtica )=
=1491.503784
SDC
( Cbica )=
C32 r Ci 3
2 i =1 t
2 [ 152.6 + 3( 271.7 ) 3( 216.2 ) + 180.8 ) ] SDC( Cbica ) = 4[( 1 ) 2 + 3 2 + ( 3 ) 2 + 12 ] =473.558899 ANALISIS DE F. de variacin Lineal Cuadrtico Cbico Error VARIANZA Gl SDC 1 10.599710 1 1491.503784 1 473.558899 9 6.484374 CM 10.599710 1491.503784 473.558899 0.720486 Fcal 14.711889 2072.135734 657.277044 Ftab 5.12 10.56 5.12 10.56 5.12 10.56
Los resultados muestran que los efectos lineal, cuadrtico y cbico son altamente significativos, por lo que los datos se pueden ajustar al siguiente modelo de regresin:
33
Yij = B0 + B1 N i + B2 N i2 + eij
i = 1, 2......t j = 1, 2......r Donde:
Yij es la observacin del tratamiento i en la rplica j B0 , B1 y B2 son los coeficientes de regresin N i es la norma de riego aplicada a la unidad experimental ij eij es el error experimental.
Con este modelo se puede hacer una estimacin de la dosis ptima fisiolgica. Coeficientes de polinomios ortogonales. Para N = 7. -3 -2 -1 0 1 2 3 N=8 -7 -5 -3 -1 +1 +3 +5 +7 N=9 -4 -3 -2 -1 0 +1 +2 +3 +4 +28 +7 -8 -17 -20 -17 -8 +7 +28 -14 +7 +13 +9 0 -9 -13 -7 +14 +14 -21 -11 +9 +18 +9 -11 -21 +14 -4 +11 -4 -9 0 +9 +4 -11 +4 34 +7 +1 -3 -5 -5 -3 +1 +7 -7 +5 +7 +3 -3 -7 -5 +7 +7 +13 -3 +9 +9 -3 -13 -7 -7 +23 -17 -15 +15 +17 -23 +7 5 0 -3 -4 -3 0 5 -1 +1 +1 0 -1 -1 +1 +3 -7 +1 +6 +1 -7 +3 -1 +4 -5 0 +5 -4 +1
N = 10 -9 -7 -5 -3 -1 +1 +3 +5 +7 +9 N = 11 -5 -4 -3 -2 -1 0 +1 +2 +3 +4 +5 N = 12 -11 -9 -7 -5 -3 -1 +1 +3 +5 +7 +9 +11 +55 +25 +1 -17 -29 -35 -35 -29 -17 +1 +25 +55 -33 +3 +21 +25 +19 +7 -7 -19 -25 -21 -3 +33 +33 -27 -33 -13 +12 +28 +28 +12 -13 -33 -27 +33 -33 +57 +21 -29 -44 -20 +20 +44 +29 -21 -57 +33 +15 +6 -1 -6 -9 -10 -9 -6 -1 +6 +15 -30 +6 +22 +23 +14 0 -14 -23 -22 -6 +30 +6 -6 -6 -1 +4 +6 +4 -1 -6 -6 +6 -3 +6 +1 -4 -4 0 +4 +4 -1 -6 +3 +6 +2 -1 -3 -4 -4 -3 -1 +2 +6 -42 +14 +35 +31 +12 -12 -31 -35 -14 +42 +18 -22 -17 +3 +18 +18 +3 -17 -22 +18 -6 +14 -1 -11 -6 +6 +11 +1 -14 +6
35
CUADRADO LATINO.
Este diseo presenta las siguientes caractersticas: La disposicin de las variantes del experimento sobre el terreno se hace en dos direcciones perpendiculares recprocas y esto es lo que lo diferencia del bloque al azar. En este las variantes se agrupan adems de bloques en columnas lo que es un nuevo elemento en ste diseo. Se puede utilizar en experimentos agrotcnicos, as como de seleccin de variedades, pero no es recomendable en experimentos donde se utilice la mecanizacin. Elimina la variabilidad de la fertilidad del suelo en dos direcciones. En este diseo el nmero de filas y columnas y de tratamientos son iguales. Presenta la dificultad de que el mismo no se puede estudiar un nmero grande de variante o tratamiento. El modelo matemtico de este diseo es el siguiente: Yijk = + Ti + F j + CK + ijk Donde: = media general Ti = es el efecto del i-simo tratamiento. Fj =es el efecto de la j-sima fila. Ck =es el efcto de la k-sima columna. ijk = es la variacin aleatoria del i-simo tratamiento, la j-sima fila y la k-sima columna (error experimental.
EJEMPLO: En un experimento bajo el diseo de Cuadrado Latino se compararon 5 tipos de fertilizantes: F1- NPK + 30 mg bb-16 F2- NPK + 45 mg bb-16 F3- NPK + 60 mg bb-16 F4-NPK. F5- Sin fertilizantes. La tabla siguiente muestra los datos del rendimiento de la soya para los 5 fertilizantes.
Filas I II III IV V Total 1 22(F1) 24(F2) 19(F3) 16(F4) 5(F5) 86 2 20(F2) 17(F3) 14(F4) 4(F5) 23(F1) 78 Columnas 3 4 19(F3) 10(F4) 12(F4) 6(F5) 8(F5) 20(F1) 25(F1) 21(F2) 25(F2) 11(F3) 89 68 5 10(F5) 21(F1) 23(F2) 16(F3) 14 (F4) 84 Total 81 80 84 82 78 405
En la tabla anterior obtenemos los totales de filas y columnas, pero debemos obtener los totales por cada tratamiento.
36
SDCTotal = X
( X )
N
4052 = 1010.000 25
2
SDCTrat = SDCTrat =
( Trat )
Nodedatosportramiento
2 2 2 2
( X )
N
2
SDCFila = SDCFila =
( Fila )
2
NodedatosporFila
2 2 2
( X )
N
2
( Columna )
2
NodedatosporColumna
2 2 2 2
( X )
N
2
Gltotal = N 1
Gltrat . =# Trat . 1
=51 =4 GlFila = Nodefila 1 =51 =4 GLCol = NodeColumna 1 =51 =4 37 = 25 1 = 24
CM trat .
CM COL =
SDCCol 55.197 = = 13.799 4 GlCol SDCFila 3.997 = = 0.999 4 GlFila SDCError 60.006 = = 5.00 12 GlError
CM Fila =
CM Error =
FTrat =
222.699 CM Trat = = 44.536 5.00 CM Error 13.799 CM Col = = 2.76 5.00 CM Error 0.999 CM Fila = = 0.200 5.00 CM Error
FCol =
FFila =
Tabla de anlisis de varianza. Fuentes de Gl Variacin. Total Filas Columnas Tratamientos Error CV = 13.80 % 24 4 4 4 12
Para el caso de los tratamientos existen diferencias, por lo que debemos aplicar una prueba de comparacin de medias.
38
Prueba de comparacin de medias por el mtodo de Duncan. Tratamientos NPK + 30 mg bb-16 NPK + 45 mg bb-16 NPK + 60 mg bb-16 NPK Sin fertilizantes Medias 22.2 22.6 16.4 13.2 6.6 Significacin. A A B C D
SX
1.00
P 0.01 Como podemos observar entre el tratamiento 1 y 2 no existen diferencias, pero si entre estos dos y los restantes.
PARCELA FALTANTE EN DISEO CUADRADO LATINO. Al igual que para el diseo de bloques al azar la frmula para determinar aproximadamente un dato que se perdiese en un experimento conducido con el diseo cuadrado latino es la siguiente: r ( F + C + T ) 2G y= (r 1)(r 2) Donde: Y=es el valor calculado para el dato perdido. r = Nmero de rplicas. F = es la suma de todos los datos de la fila donde se encontraba el dato perdido. C = es la suma de todos los datos de la columna donde se perdi el dato. T = es la suma de todos los datos restantes del tratamiento al que se le perdi el dato. G = es la suma de todos los datos del experimento que se quedaron.
La determinacin del error estndar de la diferencia para comparar la media del tratamiento que posee el dato perdido y cualesquier otro tratamiento es la siguiente:
2 1 ES D = S 2 r + (r 1)(r 2) Donde: S = es el cuadrado medio del error o varianza del error. R = No de rplicas.
39
RECTNGULO LATINO.
El diseo rectngulo latino o cuadrado latino modificado tiene las caractersticas de que abarca la variabilidad de la fertilidad del suelo en dos sentidos, en el sentido de la fila y la columna, permite el uso de un nmero grande de tratamientos, en este el nmero de columnas es igual al nmero de filas, pero desigual al nmero de tratamientos, siendo este un mltiplo de filas y columnas, cada columna est formado por ms de una hilera, los tratamientos no se pueden repetir ni en el sentido de las columnas, ni las filas. Ejemplo. Los datos obtenidos por parcela en el rendimiento industrial de 8 variedades de caa montada en un diseo rectngulo latino es el siguiente: Rplicas I II III IV Total Col 1 V6 V2 12.3 15.3 V3 V1 13.4 12.1 V7 V4 13.7 11.2 V5 V8 15.4 14.1 107.5 Col 2 V4 V3 11.2 13.6 V8 V5 14.1 15.2 V2 V1 15.5 12.6 V6 V7 12.4 13.7 108.3 Col 3 V5 V1 15.6 12.7 V7 V6 13.4 12.2 V8 V3 14.1 13.5 V2 V4 15.5 11 108 Col 4 V7 V8 13.8 14.3 V2 V4 15.2 11.5 V6 V5 12.7 15.3 V3 V1 13.5 12.6 108.9 Total 108.8 107.1 108.6 108.2 432.7
Determine si existen diferencias significativas en cuanto al comportamiento de las variedades. Variedades Total V1 50 V2 61.5 V3 54 V4 44.9 V5 61.5 V6 49.6 V7 54.6 V8 56.6
SDCTotal = X
"2
( X )
N
432.7 2 = 60.214844 32
SDCTrat = SDCTrat
Trat
( X )
40
SDCFila =
Fila
NodedatosporFila
( X )
N
SDCFila
SDCColumna =
Columna
NodedatosporColumna
( X )
N
SDCColumna =
SDCError= 60.214844 - 59.432129 - 0,2159375 - 0,1284375 = 0,44268375 Fuente de variacin Total Tratamiento Fila Columna Error Gl 31 7 3 3 18 SDC 60.214844 59.432129 0,2159375 0,1284375 0,44268375 CM 8.49 0.072 0.043 0.025 Fcal Ftab 5% 1% 2.58 3.16 3.16 3.85 5.09 5.09
Como podemos observar en el anlisis de varianza existen diferencias entre los tratamientos por lo que debemos aplicar la comparacin de medias. Comparacin de medias por el mtodo de DUNCAN. Tratamientos T2 T4 T8 T7 T1 T6 T5 T3 Prueba de Duncan Medias Significacin 15.4 a 15.3 a 14.1 b 13.6 c 12.5 d 12.3 d 12.3 d 11.2 e EE 0.079
Como podemos observar en la prueba de Duncan no existen diferencias entre los tratamientos 2 y 4, pero estos difieren de los restantes tratamientos, entre los tratamientos 1, 6 y 5 no existen diferencias, siendo el de peor comportamiento el 3. 41
EJEMPLO: Se realiz un experimento en el cultivo del pltano fruta (Musa AAAB) con el objetivo de evaluar 2 clones con 3 normas riego. Los clones fueron: C1 FHIA 01 C2 FHIA 18 Las normas de riego fueron: N1: 25 mm semanales N2: 44 mm semanales N3: 80 mm semanales Se muestre un campo por cada tratamiento midindose el peso del racimo (expresado en kg) en 10 m plantones de cada campo.
Los resultados son los siguientes: C1N1 C1N2 C1N3 C2N1 C2N2 C2N3 33.0 26.8 30.0 40.0 30.0 33.0 TOTAL C1N1 C1N2 C1N3 C2N1 C2N2 C2N3 333.1 264.5 310.4 401.6 315.2 329.5 33.2 26.7 31.0 40.6 29.9 33.6 32.9 25.9 30.8 39.6 29.8 33.2 33.7 26 30.7 40.8 30.3 33.9 33.4 26.9 31.8 38.6 30.4 34.8 32.6 27.0 31.9 39.9 39.2 33.6 34 27.8 30.6 40.3 30.8 33.1 33.5 26.5 30.3 41.2 31.6 30.5 33.9 25.9 31.1 40.6 31.5 30.4 32.9 25 32.2 40.0 31.7 33.4
TOTAL 1954.3 42
N1
N2
264.5 315.2 579.7
N3
310.4 329.5 639.9
C1
C2
SDC total = X
2
(1954.3)2
60
SDCtotal = 1096.941833
SDCtrat =
TRAT 2
# obs en cada trat
2 ( X)
60
SDCtrat =
SDCtrat = 991.978833
SDC FactorA ( clon ) =
SDCFactorA =
Niveles de A 2
# obs. en c/nivel A
2 X) (
SDC FactorB
SDCFactorB
Niveles de B ( Riego ) =
# obs. en c/nivel B
2 X) (
SDC Error = SDCtotal (SDC InterAxB + SDC A + SDC B ) SDC Error = 1096.941833 (62.596 + 318.7815 + 610.601333) = 104.963
Gl total = N-1 = 60-1= 59 Gl factor A(clones)= Niveles de A 1= 2-1=1 Gl factor B (normas de riego)= Niveles de B 1= 3-1=2 Gl interaccin AxB= Gl A x Gl B = 1 x 2 = 2 Gl error= Gl total ( Gl a + Gl B + Gl AxB) Gl error=59 ( 1+2+2) = 54
SDC A 318.7815 = = 318.7815 1 Gl A
CM A =
CM B =
CM AxB =
CM error =
Fcal A=
F cal B=
F cal AxB=
44
ANLISIS DE VARIANZA. Fuentes de GL Variacin Total 59 Tratamientos 5 Factor A 1 Factor B 2 Int A x B 2 Error 54
CM
Fcal
Ftab
Media General = 32.571667 Desviacin Standard = 1.394188 Coeficiente de variacin 4.280369 Se puede observar que para el caso de los tratamientos no buscamos la significacin ya que en los experimentos factoriales en los tratamientos estn incluidos los factores en estudio y la interaccin entre los factores. Como resultado del anlisis de varianza podemos observar que existen diferencias entre la interaccin entre los factores clones y normas de riego as como entre los clones y entre las normas de riego. La interpretacin de un anlisis de varianza de un experimento factorial se inicia observando el efecto de la interaccin. Puede ocurrir cualquiera de los siguientes casos: 1) Si la interaccin es significativa entonces debe de compararse las medias de los niveles de un factor dentro de los niveles del otro factor. En el ejemplo, se deben de comparar las medias de las dosis dentro de cada variedad; y/o las medias de las variedades dentro de cada densidad. Tambin podemos comparar todas las medias entre s. El error estndar para la comparacin de medias es 2CM Error Para aplicar MDS r CM Error EE = Para aplicar otra prueba que no sea MDS r r = No de rplicas.
EE =
2) Si la interaccin no es significativa y los efectos principales si lo son, entonces debe de compararse las medias de los efectos principales. El error estndar para la comparacin de las medias es: Para comparar medias del factor A: 2CM Error Para aplicar MDS. EE = rb CM Error Para aplicar otra prueba que no sea MDS. EE = rb rb= No de rplicas por Niveles de A.
Para comparar medias del factor B:
45
2CM Error Para aplicar MDS. ra CM Error Para aplicar otra prueba que no sea MDS. EE = ra rb = No de rplicas por Niveles de A. EE = 3) Si no hay diferencia en la interaccin ni en los efectos principales, no se comparan las medias. En nuestro ejemplo se encontr diferencia significativa en la interaccin, por lo que es necesario comparar las medias de la s normas de riego dentro de cada clon y/o las medias de cada clon dentro de cada norma o tambin comparar todas contra todas..
Factor A
A1 A2 Clones FHIA 01 FHIA 18 Normas de riego 25 mm semanales 44 mm semanales 80 mm semanales Medias 40.16 33.31 32.95 31.52 31.04 26.45 Media 30.266667 34.876667 Media 36.735 28.985 31.995 Significacin a b b c c d ES 0.254543 0.254543 ES 0.311750 0.311750 0.311750 ES
Factor B
B1 B2 B3
0.440881
Medias con letras diferentes difieren significativamente, P < 0.05 Como podemos observar existen diferencias entre la combinacin A2B1 con el resto de las combinaciones, no existen diferencias entre A1B1 y A2B3, ni entre A2B2 y A1B3, as como entre A1B2 y el resto de las combinaciones resultando la mejor combinacin A2B1 y la peor A1B2.
46
EJEMPLO. En el CAI Majibacoa se realiz un experimento en la cepa de caa planta, en un suelo pardo sin carbonatos para evaluar la efectividad del Biobrs 16 en el crecimiento de dos variedades de caa de azcar. El diseo utilizado fue de bloques al azar con 4 rplicas. Las variedades utilizadas fueron: V1= C 1051-73 y V2=Ja 60-5. Las dosis de Biobrs: D1=0.5 mg/ha y D2=1.0 mg/ha La variable analizada fue el rendimiento en T/Ha.
Esquema del experimento: Rplicas I T2 II T4 III T1 IV T4 Tratamientos T4 T1 T2 T3 TI T3 T4 T1 T3 T2 T3 T2
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes hiptesis: Ho: V1 = V2 vs Hl: V1 V2 Ho: D1 = D2 vs Hl: D1 D2 Ho: No hay interaccin vs Hl: si hay interaccin. V1D1 V1D2 V2D1 V2D2 I 70 75 72 70 287 II 71 74 68 69 282 III 72 76 71 72 291 D2 300 282 582 IV 68 75 69 71 283 281 300 280 282 1143 581 562 1143 47
SDCTotal = X
( X )
N
SDCRe p =
SDCTto = SDCTto
Tto
( X )
SDCV = SDCVar
Var
( X )
SDCDosis = SDCDosis
Dosis
( X )
SDCError= SDCTotal SDCTto - SDCRep SDCError =93.9375 68.1875 12.6875 = 13.0625 GlTotal= No observ. Total 1 = 16 1 = 15 GlRep= No Rp 1 = 4 1 = 3 GlVar= Niveles de V 1 = 2 1 = 1 GlDosis= Niveles de D 1 = 2 1 = 1 GlVar x Dosis=GlVar x GlDosis= 1 x 1 = 1 GlError= GlTotal GlRp Gl V GLDosis GlVar x Dosis GlError= 15 3 1 1 1 = 9
CM Rp = SDCRp GlRp
12.6875 = 4.229167 3
48
CM Var =
SDCVar 22.5625 = = 22.5625 GlVar 1 SDCDosis 27.5625 = = 27.5625 GlDosis 1 SDCVarxDosis 18.0625 = = 18.0625 GlVarxDosis 1
CM Dosis =
CM VarxDosis =
CM Error =
FRp =
CM Rp CM Error
FVar =
CM Var 22.5625 = = 15.5455 CM Error 1.451389 27.5625 CM Dosis FDosis = = = 18.9904 CM Error 1.451389 18.0625 CM Int . FInt . = = = 12.4450 CM Error 1.451389
ANALISIS DE VARIANZA Ftes de Variacin Rplica Tratamiento Var Dosis Interaccin Error Total C.V. = Gl 3 3 1 1 1 9 15 SDC 12.6875 68.1875 22.5625 27.5625 18.0625 13.0625 93.9375 CM 4.229167 22.5625 27.5625 18.0625 1.451389 Fcal 2.9139 15.5455 18.9904 12.445 Ftab 5% 1% 3.86 6.99 5.12 10.56 5.12 10.56 5.12 10.56
1.686420%
La interpretacin de los resultados es similar al ejemplo para bifactorial para bloques al azar. TABLA DE MEDIAS DEL FACTOR A Variedades C 1051-73 Ja 60-5 Media 72.625000 70.250000
49
TABLA DE MEDIAS DEL FACTOR B Dosis de Biobrs 0.5 mg/ha 1.0 mg/ha
Como se conoce en los experimentos factoriales, cuando existe diferencias en la interaccin podemos aplicar las pruebas de comparacin de medias comparando las medias todas contra todas, o tambin comparando los niveles de un factor dentro del otro factor y es lo que realizaremos en este caso. Comparacin de medias por la MDS. D1 V1 70.250A V2 70.000A Media 70.125 D2 75.000 A 70.500B 72.750 Media 72.625 70.250 71.4375
Los resultados muestran que no hay diferencias entre las variedades cuando se aplica la dosis 1, sin embargo cuando se aplica la dosis 2 la mejor variedad es la 1.
50
EJEMPLO. Se realiz un experimento el cultivo del pltano fruta con el objetivo de evaluar 3 dosis de mutgeno fsico, 2 porciento de humedad de la semilla y 2 edades de la semilla. Las dosis del mutgeno fsico fueron las siguientes: Rayos Ganma: D1 100 gy; D2 200gy y D3 300 gy. Los porcientos de humedad fueron: H1: 40 % y H2 20 %. Las edades de la semilla; E1 6 meses y E2 12 meses. Se utiliz un diseo completamente al azar con 4 observaciones por tratamiento. Se ofrecen los datos del porciento de supervivencia de plantas en la generacin M2.
TRATAMIENTOS D1H1E1 D1HIE2 DIH2E1 DIH2E2 D2H1E1 D2HIE2 D2H2E1 D2H2E2 D3HIE1 D3HIE2 D3H2E1 D3H2E2 i 80.1 75.3 75.3 73.1 54.6 50.8 74.7 69.5 64.3 60.6 43.2 40.8 810 RPLICAS II 82.3 75.6 74.8 70.3 56.6 51.3 73.8 68.6 62.6 61.1 45.4 39.9 819
III 82.5 76.2 74.5 72.7 54.7 52.6 74 70.1 63 62 44 40 796 IV 78.5 75 76.7 71.8 55.1 50.9 72.6 68 63.8 61 44.9 40.1 807 323,4 302,1 301,3 287,9 221 205,6 295,1 276,2 253,7 244,7 177,5 160,8 3049,3 51
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes hiptesis: H0: D1=D2 = D3 vs Hl: D1 D2 D3 H0: H1=H2 vs Hl: H1 H2 H0: E1=E2 vs Hl: E1 E2 H0: no hay interaccin DH vs Hl: hay interaccin DH H0: no hay interaccin DE vs Hl: hay interaccin DE H0: no hay interaccin HE vs Hl: hay interaccin HE H0: no hay interaccin DHE vs Hl: hay interaccin DHE. Estas hiptesis se prueban mediante el siguiente anlisis de varianza:
SDC total = X
SDCTotal
( X )2
N
2
D1 D2 D3
SDC FactorA
nivelesdeA 2 = NoobservenA
( X )2
N
SDC FactorA
SDC FactorB
( X )2
N
SDC FactorB =
1550.5 2 + 1498.8 2 24
E1 624.7 516.1 431.2 1572
3049.3 2 48
=107.046875
D1 D2 D3
SDC FactorC
nivelesdeC 2 =
NoobservenC
( X )2
N
SDC FactorC =
SDC IntA*B =
(A * B)
NoobservenA * B
( X )2
N
SDC A SDC B
SDC INtA*B
(A * C )
NoobservenA * C
( X )2
N
SDC IntA * C =
H1 H2
SDC IntB*C =
(B * C )
NoobservenB * C
( X )2
N
SDC B SDC C
SDC IntB*C
53
A* B *C
( X )2
N
SDC INtA*B*C
-274.031250-2549.187500-26.781250-5.875000
SDC IntA*B*C = 18.750000 SDC Error = SDCTotal SDC FactorA SDC FactorB SDC FactorC SDC IntA*B SDC IntA*C SDC IntB*C SDC IntA*B*C SDC Error = 328.875000
GL total=No observ. Toatl - 1=48-1=47 Gl factor A= Niveles de A-1=3-1=2 Gl factor B= Niveles de B - 1=2-1=1 Gl factor C= Niveles de C-1=2-1=1 Gl Interaccin A*B= Gl A * Gl B=2*1=2 Gl Interaccin A*C= Gl A * Gl C=2*1=2 Gl Interaccin B*C= Gl B * Gl C=1*1=2 Gl Interaccin A*B*C= Gl A * Gl B * Gl C=2*1*1=2
SDC A*B 2549.187500 = = 1274.593750 Gl A*B 2 SDC A*C 26.781250 = =13.390625 Gl A*C 2
54
CM IntB*C =
CM A*B*C = CM Error =
FcalA =
FcalB = FcalC =
FcalA*B =
FcalA*C =
FcalB*C =
FcalA*B*C =
55
ANALISIS DE VARIANZA FV FACTOR A FACTOR B FACTOR C AXB AXC BXC AXBXC ERROR TOTAL C.V. = GL 2 1 1 2 2 1 2 36 47 SC 4467.609375 107.046875 274.031250 2549.187500 26.781250 5.875000 18.750000 328.875000 7778.156250 CM 2233.804688 107.046875 274.031250 1274.593750 13.390625 5.875000 9.375000 9.135417 F 244.5214 11.7178 29.9966 139.5222 1.4658 0.6431 1.0262 Ftab 5% 1% 3.32 4.37 4.17 3.32 3.32 4.37 3.32 5.39 7.56 7.56 5.39 5.39 7.56 5.39
4.7268%
Interpretacin del anlisis de varianza. 1- Si la interaccin de segundo orden (AxBxC) es significativa, esto indica que la interaccin entre dos factores, por ejemplo BxC, es diferente en cada nivel del otro factor (A). En este caso es conveniente estudiar las interacciones BXC dentro de cada nivel de A. En estas interacciones es necesario comparar las medias de los niveles de un factor, por ejemplo C dentro de cada combinacin de los otros factores (AB). El error estndar de la diferencia de dos medias en esta comparacin es:
2CME Para aplicar MDS rc CME Para aplicar otra prueba. EE= rc
Si se desea comparar dos medias de los niveles del factor C en el mismo nivel de A, se usa el siguiente error estndar. EE=
2CME rb
56
EE=
Si se desea comparar dos medias de los niveles del factor C en el mismo nivel de B, se usa el siguiente error estndar.
2CME Para aplicar MDS rbc CME EE= Para aplicar otra prueba rbc
EE= Para comparar medias del factor B:
2CME Para aplicar MDS rac CME EE= Para aplicar otra prueba rac
EE= Para comparar medias del factor C:
2CME Para aplicar MDS rab CME Para aplicar otra prueba EE= rab
EE= 4- Si no hay diferencia significativa de la interaccin ni de los efectos principales, no se comparan las medias. Como resultado del anlisis de varianza, podemos observar que no existe diferencia en la interaccin A x B x C, debido a que Fcal es menor que Ftab, cuando analizamos las restantes interacciones vemos que no existen diferencias en las interacciones A x C y B x C, existiendo diferencias en la interaccin A x B y en el caso de todos los factores aislados por lo que comenzamos la prueba de comparacin por la interaccin y debemos aplicarla adems para el factor C. Factor A Dosis del mutgeno Dosis de 100gy Dosis de 200gy Dosis de 300gy Media 75.918747 63.618752 52.293747
57
TABLA DE MEDIAS DEL FACTOR B Factor B Porciento de humedad H1 40 % H2 20 % TABLA DE MEDIAS DEL FACTOR C Factor C Edad de la semilla E1 6 meses E2 12 meses
TABLA DE MEDIAS DE TRATAMIENTOS AB FACTOR Humedad FACTOR Dosis 1 2 1 78.1875 73.6500 2 55.8250 71.4125 3 62.3000 42.2875 MEDIA 65.4375 62.4500 TABLA DE MEDIAS DE TRATAMIENTOS AC FACTOR Edad FACTOR Dosis 1 2 1 78.0875 73.7500 2 67.0125 60.2250 3 53.9000 50.6875 MEDIA 66.3333 61.5542 TABLA DE MEDIAS DE TRATAMIENTOS BC FACTOR Edad FACTOR Humedad 1 2 1 68.1750 62.7000 2 64.4917 60.4083 MEDIA 66.3333 61.5542 TABLA DE MEDIAS DE TRATAMIENTOS ABC FACTOR Edad FACTOR Dosis x Humedad D1H1 D1H2 D2H1 D2H2 D3H1 D3H2 1 80.8500 75.3250 60.2500 73.7750 63.4250 44.3750
58
Yijkm = es la observacin l, en el nivel i del factor A, nivel j del factor B, nivel k del factor C = es la media general. Rl efecto debido a la rplica. Ai es el efecto del nivel i del factor A. Bj es el efecto del nivel j del factor B. Ck es el efecto del nivel k del factor C. ABij es el efecto de la interaccin del nivel i del factor A y el nivel j del factor B. ACik es el efecto de la interaccin del nivel i del factor A y el nivel k del factor C. BCjk es el efecto de la interaccin del nivel j del factor B y el nivel k del factor C. ABCijk es el efecto de la interaccin del nivel i del factor A, el nivel j del factor B y el nivel k del factor C. Eijkl es el error experimental. Se realiz un experimento en el cultivo de la caa, en una cepa de caa planta, donde se evaluaron 2 dosis de fertilizantes nitrogenados, dos variedades y dos dosis de Biobrs. Los dosis de fertilizantes fueron: 50 kg/ha y 75 kg/ha. Las variedades estudiadas: V1- C 8751 y C 1051-73. Las dosis de Biobrs 16: 40 ml/ hectrea y 100 ml/ hectrea. La variable evaluada fue el rendimiento en T/ha. I 65 58 75 71 68 70 85 78 570 II 68 60 72 74 65 72 86 75 572 V1 491 536 1027 B1 553 597 1150 III 62 57 75 72 60 69 85 79 559 V2 581 650 1231 B2 519 589 1108 IV 65 56 71 71 64 68 84 78 557
D1 D2
D1 D2
V1 V2
SDCTotal = X
( X )2
N 2258 2 =2103.875000 32
SDCTotal = 65 2 + ...... + 78 2
SDC Rp. =
Rp
No.observ.enC / Rp
( X )2
N
SDC Rp =
FactorA 2
No.observ.enA
( X )2
N
SDC FactorB =
FactorB 2
No.observ.enB
( X )2
N
SDC FactorB
SDC FactorC =
FactorC 2
No.observ.enC
( X )2
N
SDC FactorC
SDC IntA*B =
(A * B)
NoobservenA * B
( X )2
N
SDC A SDC B
60
SDC IntA*B
(A * C )
NoobservenA * C
( X )2
N
SDC A SDC C
SDC IntA*C
(B * C )
NoobservenB * C
( X )2
N
SDC B SDC C
SDC IntB*C
A* B *C
( X )2
N
SDC INtA*B*C =
Gl Interaccin A*B= Gl A * Gl B=1*1=1 Gl Interaccin A*C= Gl A * Gl C=1*1=1 Gl Interaccin B*C= Gl B * Gl C=1*1=1 Gl Interaccin A*B*C= Gl A * Gl B * Gl C=1*1*1=1
CM Rp =
SDC Rp GL Rp
21.165 = 7.208333 3
SDC B*C 24.5 = = 24.5 1 Gl B*C SDC A*B*C 180.5 = = = 180.5 1 Gl A*B*C SDC Error 76.375 = = 3.636905 21 Gl Error =
7.208333 = 1.9820 3.636905
CM Error =
FCalRp = FcalA =
CM Rp CM Error
62
FcalB =
FcalC =
FcalA*B =
FcalA*C =
FcalB*C =
CM B*C 24.5 = = 6.7365 CM Error 3.636905 CM A*B*C 180.5 = = 49.6301 3.636905 CM Error
Gl 3 1 1 1 1 1 1 1 21 31 SDC 21.625000 406.125000 1300.500000 55.125000 18.000000 21.125000 24.500000 180.500000 76.375000 CM 7.208333 406.125000 1300.500000 55.125000 18.000000 21.125000 24.500000 180.500000 3.636905 Fcal 1.9820 111.6678 357.5843 15.1571 4.9493 5.8085 6.7365 49.6301 Ftab
FcalA*B*C =
Fuentes de Variacin Rplicas Factor A (D) Factor B (V) Factor C (B) DxV DxB VxB DxVxB Error Total C.V. =
2.7027% Tabla de medias del factor A Dosis de fertilizantes D1 D2 Media 67.00 74.125
63
Tabla de medias del factor B Variedades V1 V2 Tabla de medias del factor C Dosis de Biobrs B1 B2 Tabla de medias de tratamientos AB Factor B(V) V1 V2 61.375 72.625 67.00 81.25 64.1875 76.9375 Tabla de medias de tratamientos AC Factor C(B) B1 B2 69.125 64.875 74.625 73.625 71.875 69.25 Media 71.875 69.250 Media 64.1875 76.9375
Tabla de medias de tratamientos BC Factor C(B) B1 B2 64.625 63.75 79.125 74.75 71.875 69.25
Tabla de medias de tratamientos ABC Factor C(B) Factor AB(DV) V1 V2 D1V1 65.00 c 57.75 c D1V2 73.25 b 72.00 b D2V1 64.25 c 69.75 b D2V2 85.00 a 77.50 a
64
I 3.17 2.04 2.92 3.22 2.81 4.49 3.52 2.56 3.59 28.32
II 4.87 4.51 3.68 2.60 3.41 3.34 2.54 3.07 4.71 32.73
III 4.81 4.02 3.43 3.81 3.10 4.03 2.90 2.93 3.90 31.93
Total 11.85 10.57 10.03 9.03 9.32 11.36 8.96 8.56 12.2 92.98
( X )
N
SDCTrat = SDCTrat =
Trat
2
Nodedatosportramiento
2
( X )
N
2
SDCRp = SDCRp =
Re p
2
Nodedatosporrplica
2
( X )
N
2
65
SDCError = 13.01 4.99 1.22 = 6.86 Luego se divide la SDC de los tratamientos en sus componentes. 1) Tratamientos factoriales. 2) Testigo contra tratamientos factoriales. Tratamientos factoriales. Se excluye el N0P0Ko y procedemos a determinar los efectos de cada elemento aislado y combinado: Tratamientos factoriales NPK. P1 P2 Total N1 22.42 19.66 42.08 N2 21.18 17.52 38.70 Total 43.60 37.18 80.78 N1 N2 Total P1 P2 Total K1 21.88 18.28 40.16 K1 21.17 18.99 40.16 K2 20.20 20.42 40.62 K2 22.43 18.19 40.62 Total 42.08 38.70 80.78 Total 43.60 37.18 80.78
Para esto se calcula otro trmino de correccin donde no se incluye el tratamiento N0P0Ko. 2 ( X) 80.782 = = 271.89 TC2 = 24 N N2 SDC N = TC NodedatosenN 42.082 + 38.70 2 SDC N = 271.89 = 0.48 12 SDCP = TC NodedatosenP 43.60 2 + 37.182 SDCP = TC = 1.71 12 TC NodedatosenK 40.16 2 + 40.62 2 SDCK = 271.89 = 0.01 12 SDC NP = SDCK =
NP
NodedatosenNP
TC SDCN SDCP
66
SDC NP =
SDC NK = SDC NK
TC SDC N SDCK NodedatosenNK 21.882 + ...... + 20.42 2 = 271.89 0.48 0.01 = 0.61 6
NK
SDCPK =
SDCPK
TC SDCP SDCK NodedatosenPK 21.17 2 + .... + 18.19 2 = 271.89 1.71 0.01 = 0.18 6
PK
TC NP NK PK N P K NodeobservenNPK 11.852 + ..... + 8.56 2 SDC NPK = 271.89 0.04 0.61 0.18 0.48 1.71 0.01 = 0.60 3 Trat factoriales= SDC N + SDCP + SDCK + SDC NP + SDC NK + SDCPK + SDC NPK Trat Factoriales=0.48+1.71+0.01+0.04+0.61+0.18+0.60=3.63 Testigo vs Trat Fac..=SDC todos los trat. -SDC trat. Factoriales =4.93 3.63=1.30 Ftes de variacin N P K NP NK PK NPK Trat Fac.. Testigo vs Trat Fac.. Todos Trat Rplica Error Total SDC 0.48 1.71 0.01 0.04 0.61 0.18 0.60 3.63 1.30 4.93 1.22 6.86 13.01 Gl 1 1 1 1 1 1 1 7 1 8 2 16 26 CM 0.48 1.71 0.01 0.04 0.61 0.18 0.60 0.518 1.30 0.61 0.61 0.43 Fcal 1.12 4.00 0.013 0.07 1.42 0.418 1.4 1.2 3.02 1.41 1.42 Ftab 5% 4.49 4.49 4.49 4.49 4.49 4.49 4.49 2.66 4.49 2.59 3.63 1% 8.53 8.53 8.53 8.53 8.53 8.53 8.53 8.53 4.03 5.53 3.89 6.23
SDC NPK =
NPK
Como podemos observar no existen diferencias en ninguno de los factores evaluados ni entre la interaccin entre los factores, de haberlas procedemos a una prueba de comparacin de medias.
67
Yijk = + Li + B j (i ) + TK + LTik + eijk Yijk = es la observacin del tratamiento k, en el bloque j, en la localidad i. = es la media general. Ll efecto debido a la i-sima localidad. Bj(i) es el efecto del j-simo bloque en la i-sima localidad. TK es el efecto del K-simo tratamiento. LTik efecto de la interaccin entre el tratamiento K y la localidad i Eijkl es el error experimental.
Ejemplo. Se realiz un experimento en el cultivo de la yuca con el objetivo de comparar cuatro variedades; el mismo se mont en el norte, centro y sur de la provincia, La variable evaluada fue el dimetro de las estacas, Las variedades estudiadas fueron: V1: seorita; V2: CMC-40; V3: CEMSA 746329 y V4: CEMSA 74725.
Localidad 2 TRATAMIENTOS
V1 V2 V3 V4 I 2,36 2,53 2,72 2,71 10,32
Localidad 3 TRATAMIENTOS
I
REPLICAS II
III 68
Variedades 1 2 3 4
V1 V2 V3 V4
( X )2
N
Locald .2
NoobservencadaLocalid .
( X )2
N
SDC Localidades
SDCTrat =
Trat 2
Noobservewnc / trat
( X )2
N
SDCTrat
SDC LxTrat =
(LxTrat )
NoobservenLxTrat
( X )2
N
SDC LxTrat =
88.6 2 36
69
SDC Rp / Localid =
RpxLoc
Noobservenc / Rp / Localid
( X )2
N
SDC Localid .
SDC Rp / Localid
SDC Error = SDCTotal SDC Localid SDCTrat SDC ( LxT ) SDC B / Localid
SDC Error = 2.177612 0.224655 1.673447 0.270447 0.001251 = 0.007813
GL 2 6 3 6 18 35
SC
0,224655 0,001251 1,673447 0,270447 0,007813 2,177612
CM
0,112328 0,000209 0,557816 0,045074 0,000434
Fcal 5%
12,3755 103,85 3,49 2,66
Ftab 1%
5,99 4,01
PARCELA DIVIDIDA.
Se realiz un experimento con un arreglo en parcelas divididas con el objetivo de evaluar tres variedades con dos sistemas de preparacin de suelos. Los sistemas de preparacin de suelos son los siguientes: S1con inversin del prisma y S2 sin inversin del prisma. Las tres variedades son las siguientes: V1 Seorita; V2 CMC-40 y Jagey Dulce. Los datos que se expresan a continuacin corresponden al rendimiento en toneladas por hectrea.
S1V2 20.6
SIV1 19.3
S1V3 16.5
S2V3 18.8
S2V1 22.2
S2V2 22.4
71
II
III
IV
El modelo es el siguiente:
Yijk = + Bi + S j + E ij ( a ) + V K + ( SV ) jk + E ijk (b )
Yijk es la observacin de la variedad k , en el sistema de labranza j, en el bloque i. = es la media verdadera general. Bi es el efecto del bloque i Sj es el efecto del sistema j Eij(a) es el error experimental en parcelas grandes Vk es el efecto de la variedad k SVjk es el efecto de la interaccin del sistema j variedad k Eijk(b) es el error experimental de las subparcelas Para cada una de las variables que se desean estudiar en el experimento, se prueban las siguientes hiptesis: H0: S1 = S2 vs Hl = Al menos un sistema diferente. H0: V1= V2 = V3 vs Hl: Al menos una variedad diferente. H0: no hay interaccin S x V vs Hl: si hay interaccin S x V
TABLA DE DATOS VARIABLE: Rendimiento Sistemas Variedades de preparacin I S1 V1 V2 V3 V1 V2 V3 19.3 20.6 16.5 56,4 22.2 22.4 18.8 63,4 II 19.9 21.3 17.6 58,8 23.1 21.9 18.6 63,6 122,4
Rplicas III 19.4 20.5 17.2 57,1 23.4 22.5 18.9 64,8 121,9 IV 20.3 21.1 17.1 58,5 22.9 22.3 19.6 64,8 123,3
S2
119,8
72
S1 S2
SDCTotal = X SDCTotal
( X )2
N
2
SDC Rplica =
Rplica 2
NoobservporRp
( X )2
N
119.8 2 + 122.4 2 + 121.9 2 + 123.3 2 487.4 2 SDC Rplica = = 1.102539 6 24 2 NivelesdeA 2 ( X ) SDC FactorA = N NoobserenA 2 2 230.8 + 256.6 487.4 2 SDC FactorA = = 27.736328 12 24
SDC ErrorA = SDC ErrorA SDC ErrorA SDC FactorB SDC FactorB
Rp * A
NoobservenRp * A
( X )2
N
NivelesdeB ( X ) =
73
SDC IntA*B =
AxB
NoobservenAxB
( X )2
N
SDC A SDC B
SDC IntA*B
SDC IntA*B
SDC ErrorB = SDCTotal SDC FactorA SDC Rp SDC ErrorA SDC FactorB SDC IntA*B SDC ErrorB = 96.539063 - 1.102539 -27.736328 -0.766602 -62.157227-3.375977 SDC ErrorB = 1.400391
Gl Total= N - 1=24-1=23 Gl Rplica= # Rplicas - 1= 4 - 1=3 Gl Factor A= Niveles de A - 1= 2 - 1=1 Gl Error A = Gl Rp x Gl Factor A= 3 x 1= 3 Gl Factor B= Niveles de B - 1 = 3 - 1 = 2 Gl Int A x B = Gl Factor A x Gl Factor B = 1 x 2 = 2 Gl Error B = Gl Total - Gl Rplica - Gl Factor A - Gl Error A - Gl Factor B - Gl Int A x B Gl Error B = 23 - 3 - 1 - 3 - 2 - 2 = 12
CM FactorA =
CM Rplica
SDC FactorA 27.736328 = = 27.736328 Gl FactorA 1 SDC Rplica 1.103529 = = = 0.367513 3 Gl Rplica
CM ErrorA =
CM FactorB = CM IntAxB =
CM ErrorB =
FCalRplica =
CM Rplica CM ErrorA
FCalFactorA =
CM FactorA 27.736328 = = 108.5427 CM ErrorA 0.255534 CM FactorB 31.078613 = = 266.3138 CM ErrorB 0.116699
FCalFactorB =
FCalIntAxB =
ANALISIS DE VARIANZA Causas de variacin Rplicas Factor A(S) Error A Factor B(V) Int A x B Error B Total Gl 3 1 3 2 2 12 23 SDC 1.102539 27.736328 0.766602 62.157227 3.375977 1.400391 96.539063 CM 0.367513 27.736328 0.255534 31.078613 1.687988 0.116699 Fcal Ftab
5% 1% 1.4382 9.28 29.46 108.5427 ** 10.13 34.12 266.3138 ** 14.4644 ** 3.89 3.89 6.93 6.93
C.V. (ERROR B) = 1.682% La interpretacin del anlisis de varianza es semejante a los experimentos factoriales. Si la interaccin es significativa entonces se comparan las medias de los niveles de un factor dentro de los niveles del otro factor . Si se desea compara dos medias de niveles del factor B en el mismo nivel de A; por ejemplo las medias de variedades en el mismo sistema se usa el error estndar siguiente: Para MDS Para las restantes pruebas. EE=
2CMerrorB r
EE=
CMerrorB r
75
Si se desean comparar dos niveles del factor A en el mismo nivel o en diferente nivel del factor B; por ejemplo, comparar dos medias de fechas en la misma o en diferente variedad, se usa el siguiente error estndar: Para MDS EE=
En este caso el valor de t tabulada para la comparacin de medias por el mtodo de la MDS se calcula mediante: T=
student con los grados de libertad del error a y el error b, respectivamente. Si la interaccin no es significativa y los efectos principales si lo son, entonces debe de compararse las medias de los efectos principales. El error estndar para la comparacin de medias es : Para comparar medias del factor a. Para MDS. Para las restantes pruebas EE=
2CMerrorA rb
EE =
CMerrorA rb
rb = # de rplicas por niveles de b. Para comparar medias del factor b. Para MDS. Para las restantes pruebas 2CMerrorB CMerrorB EE = EE = ra ra ra = # de rplicas por niveles de a.
Tabla de medias del factor A ( Sistema de preparacin) Factor A Media S1 19.233334 S2 21.383333
76
Tabla de medias del factor A ( Variedades) Factor B V1 V2 V3 Tabla de medias de los tratamientos AB Factor B Factor A V1 S1 19.7250 S2 22.9000 Media 21.3125
PARCELA SUBDIVIDIDA.
Los experimentos en parcelas subdivididas se utilizan cuando se desea evaluar 3 factores, pero es conveniente de parcelas grandes en un factor, parcelas medianas en el segundo factor y parcelas chicas en el tercer factor. El croquis del experimento se construye de la siguiente forma: a) Se asignan al azar los niveles del factor A, a las parcelas grandes dentro de cada bloque. b)Se aleatorizan los bloques. c) Se asignan al azar los niveles del factor B, dentro de cada subparcela. d) Se asignan al azar los niveles del factor C a cada sub-sub parcela. El experimento se lleva a cabo como cualquier experimento con un diseo de bloques al azar. El modelo es el siguiente:
SHMjkl es el efcto de la interaccin del sistema j, espacio k, mtodo l Eijkl(c) es el error experimental en sub-sub parcelas. Ilustraremos el anlisis con el experimento siguiente: Se realiz un experimento con un diseo en parcela subdividida donde se evaluaron: Dos sistemas de labranza: S1_ con inversin del prisma. S2- sin inversin del prisma. Tres espacios entre hileras: H1- 45 cm. H2- 60 cm. H3- 90 cm. Tres mtodos de control de malas hierbas: M1- con herbicidas. M2- manual. M3- no control. Se evalu el rendimiento en Kg / ha en la variedad de Soya INIFAT- V9. Las hiptesis que se prueban son: Ho: S1 = S2 == Sa vs Hl: Al menos un sistema diferente Ho: H1 = H2 == Ha vs Hl: Al menos un espacio diferente Ho: M1 = M2 == Ma vs Hl: Al menos un mtodo diferente Ho: no hay interaccin Sx H vs Hl: si hay interaccin S x H Ho: no hay interaccin Sx M vs Hl: si hay interaccin S x M Ho: no hay interaccin H x M vs Hl: si hay interaccin H x M Ho: no hay interaccin Sx H x M vs Hl: si hay interaccin S x H x M Estas hiptesis se prueban con el anlisis de varianza.
REPLICA I S1H2M1 3512 S1H2M2 3216 S1H2M3 2806 REPLICA II S2H1M1 3461 S2H1M2 2925 S2H1M3 2400 REPLICA III S1H3M2 2535 S1H3M3
S1H1M2 3749 S1H1M1 4736 S1H1M3 2967 S2H2M2 2595 S2H2M3 2381 S2H2M1 2123 S1H1M1 4746 S1H1M2
S1H3M3 3091 S1H3M2 2545 S1H3M1 3091 S2H3M3 1849 S2H3M1 2381 S2H3M2 2123 S1H2M1 3522 S1H2M3
S2H3M1 3086 S2H3M2 2913 S2H3M3 1814 S1H2M2 3206 S1H2M1 3502 S1H2M2 2793 S2H3M2 2907 S2H3M1
S2H1M2 2930 S2H1M3 2406 S2H1M1 3463 S1H3M1 3110 S1H3M3 2433 S1H3M2 2555 S2H2M2 2597 S2H2M3
S2H2M1 3119 S2H2M2 2593 S2H2M3 2379 S1H1M3 2961 S1H1M2 3743 S1H1M1 4730 S2H1M1 3465 S2H1M2 78
79
Replicas I 4736 3749 2967 11452 3512 3216 2806 9534 3091 2545 3091 8727 3463 2930 2406 8799 3119 2593 2379 8091 3086 2913 1844 7843 54446 II 4730 3743 2961 11434 3502 3206 2793 9501 3110 2553 2433 8096 3461 2925 2400 8786 2123 2595 2381 7099 3091 2918 1849 7858 52774 III 4746 3759 2977 11482 3522 3226 2817 9565 3081 2535 2413 8029 3465 2935 2410 8810 2117 2597 2376 7090 3080 2907 1838 7825 52801 IV 4726 3739 2957 11422 3506 3210 2801 9517 3085 2539 2413 8037 3463 2932 2410 8805 2121 2595 2780 7496 3076 2903 1834 7813 53090
18938 14990 11862 45790 14042 12858 11217 38117 12367 10172 10350 32889 13852 11722 9626 35200 9480 10380 9916 29776 12333 11641 7365 31339 213111
TOTALES DE SISTEMAS DE LABRANZAY BLOQUES. Total IV III II 116796 28976 29076 29031 96315 24114 23725 23743 213111 53090 52801 52774
S1 S2 Total
TOTALES DE ESPACIOS ENTRE HILERAS Y MTODOS DE CONTROL. Total 81012 71763 60336 213111 H3 24700 21813 17715 64228 H2 23522 23238 21133 67893 H1 32790 26712 21488 80990 M1 M2 M3 Total
80
TOTALES DE SISTEMAS DE LABRANZAY MTODOS DE CONTROL. Total 116796 96315 213111 M3 33429 26907 60336 M2 38020 33743 71763 M1 45347 35665 81012 S1 S2 Total
SDC Rp =
Rp 2
Noobsr / Rp
( X )2
N
SDC Rp =
SDC FactorA
NoobserenA
( X )2
N
SDC FactorA
SDC ErrorA =
( X ) 2
N
SDC Re p SDC A
29713 2 + ...... + 24114 2 2131112 SDC ErrorA = 16384.00 5270976 = 66624.00 9 72 2 FactorB 2 ( X ) SDC FactorB = NoObserenB N
SDC FactorB
SDC AxB =
AxB
NoobserenAxB
( X )2
N
SDC A SDC B
SDC AxB
( SHRp) 2
NoobserenSHRp SDC SH
( X )2
N
11452 2 + ....... + 7813 2 2131112 SDC ErrorB = 16384.00 5270976.00 3 72 66624.00 7066432 2313344.00 = 168384
SDC FactorC =
M 2
NoobserenC
( X )2
N
SDC FactorC
SDC SxM =
( SM ) 2
NoobservenSM
( X )2
N
SDC S SDC M
SDC HxM =
(HM )
NoobserenSM
( X )2
N
2
SDC H SDC M
SDC SxHxM =
(SHM )
NoobservenSHM
( X )2
N
18938 2 + ...... + 7365 2 2131112 5270976 7066432 4 72 9858688 = 1284544. SDC SxHxM =
82
SDC ErrorC = SDCTotal SDC Rp SDC S SDC ErrorA SDC H SDC SH SDC ErrorB SDC M SDC SM SDC HM SDC SHM . SDC ErrorB = 30066944.00 16384.00 5270976 66624.00 7066432.00 2313344 168384.00 9858688.00 667584.00 2652608.00 1284544.00 = 701376.00
Gl Total= No observ total -1= 72-1=71 Gl Rp =No Rp-1=4-1=3 Gl S=Niveles de S-1=2-1=1 Gl Error A= Gl Rp x Gl S. Gl H = Niveles de H-1= 3-1=2 Gl SH= GL S x GL H= 1x2=2 Gl Error B= Gl H x Gl Rp x Niveles de S= 2x3x2=12 Gl M= Niveles de M-1= 3-1=2 Gl SM= Gl S x Gl M= 1 x 2=2 Gl HM= Gl H x Gl M= 2 x 2= 4 Gl SHM= Gl s x Gl H x Gl M= 1 x 2 x 2 =4 Gl Error C= Niveles deS x Niveles de H x Gl Rp X Gl M =2 x 3 x 3 x 2=36 tambin. Gl Error C= Gl Total-Gl Rp-Gl S- Gl Error A- Gl H- Gl SH-Gl Error B-Gl M- Gl SM-Gl HM- Gl SHM. Gl Error C= 71-3-1-3-2-2-12-2-2-4-4=36
CM Rp =
SDC Rp GlRp
16384.00 = 5461.333 3
CM S =
CM ErrorA =
CM H =
83
CM SH =
CM ErrorB = CM M =
CM SM = CM HM =
CM SHM =
= 321136.00
CM ErrorC =
Para el clculo de F.
FcalS =
FcalRp =
FcalH =
84
FcalSH =
FcalM =
CM M 4929344.00 = = 17.1328 CM ErrorC 19482.666016 CM SM 333792.00 = = 34.0381 CM ErrorC 19482.666016 CM HM 663152.00 = = 34.0381 CM ErrorC 19482.666016 CM SHM 321136.00 = = 16.4832 CM ErrorC 19482.666016
SC 16384.00 5270976.00 66624.00 7066432.00 2313344.00 168384.00 9858688.00 667584.00 2652608.00 1284544.00 Gl 3 1 3 2 2 12 2 2 4 4 36 71 CM 5461.333496 5270976.000000 22208.000000 3533216.000000 1156672.000000 14032.000000 4929344.000000 333792.000000 663152.000000 321136.000000 19482.666016 251.7970 82.4310 253.0118 17.1328 34.0381 16.4832 Fcal 0.2459 237.3458 Ftab
FcalSM = FcalHM =
FcalSHM =
Fuentes de variacin Bloques Factor A Error A Factor B AxB Error B Factor C AxC BxC AxBxC
Tabla de medias del factor A (Sistemas de labranza) Factor A Media S1 3216.555664 S2 2675.416748
85
Tabla de medias del factor B ( Espacio entre hileras) Factor B Media H1 3374.583252 H2 2828.875000 H3 2634.500000 Tabla de medias del factor C ( Mtodos de control) Factor B M1 M2 M3 Media 3375.500000 2990.125000 2472.333252
Tabla de medias de los tratamientos AB Factor B Factor A H1 S1 3815.8333 S2 2933.3333 Media 3374.5833 Tabla de medias de los tratamientos AC Factor C Factor A M1 S1 3778.9167 S2 2972.0833 Media 3375.5000 Tabla de medias de los tratamientos BC Factor C Factor B M1 H1 4098.7500 H2 2940.2500 H3 3087.5000 Media 3375.5000
TABLA DE MEDIAS DE TRATAMIENTOS ABC FACTORES A B 11 12 FACTOR C 1 4734.5000 3510.5000 2 3747.5000 3214.5000 3 2965.5000 2804.2500 86
13 21 22 23
DISEOS ANIDADOS.
Los diseos anidados se utilizan cuando un factor est contenido en cada nivel del factor que lo precede. Por ejemplo, si se desea estudiar la calidad la calidad de dos fbricas productoras de piezas de tractores, en cada fbrica se seleccionan al azar 5 lotes diferentes para hacer las pruebas y dentro de cada lote se seleccionan 10 piezas diferentes para hacer las pruebas. En este caso las piezas estn contenidas dentro de los lotes y los lotes dentro de las fbricas. Para ilustrar el anlisis de estos diseos, consideremos un experimento donde se desea comparar el rendimiento de la yuca en 2 regiones diferentes. El modelo para este experimento es: Y=+A +B +e Se desarroll un experimento en la regin norte y centro de la provincia de Las Tunas , en el cultivo de la yuca, dentro de cada regin se seleccionaron 3 UBPC y dentro de cada una de ellas se seleccionaron 4 campos y se midi el rendimiento en la variedad seorita. R1- regin norte R2- centro. Las UBPC fueron: En la regin norte: U1. Cascarero; U2. Santa Mara 1; y U3 Santa Mara 2. En la centro: U4. Calera 1; U5 Calera 2, y U6Almendares. Se midi el rendimiento de los campos en toneladas por hectrea. Regiones R1 UBPC 1 2 3 4 5 6 I 18.3 17.4 16.2 14.2 16.4 15.8 Campos II III 18.2 18.0 17.3 17.2 16.0 16.1 14.0 16.2 15.6 13.9 16.0 15.5 Total IV 18.2 17.3 16.0 13.8 16.1 15.9 72,7 69,2 64,3 206,2 55,9 64,7 62,8 183,4
R2 Total
SDCTotal = X
( X )2
N
87
( 183.4)2
24
= 41.653333
Re g 2
Nodeobserven Re g
( X )2
N
Re giones =
UBPC 2
NoobsenUBPC
Re g 2
Noobs / reg
SDC
UBPC =
SDC Error = SDCTotal SDC Re giones SDCUBPC SDC Error = 41.653 21.66 19.623 = 0.37
Gl Total= N-1= 24-1=23 Gl Regiones= # Regiones - 1= 2-1=1 Gl UBPC= # Regiones(# UBPC-1)=2(3-1)=4 Gl error= Gl Total- Gl Regiones-Gl UBPC= 23-1-4=18
CM Re giones =
21.66 = 21.66 1
CM UBPC = CM
Error =
FCal Re giones =
F
CM Re giones CM UBPC
CalUBPC =
88
Ftab FUENTES GL SDC CM Fcal DE 5% 1% VARIACIN Total 23 41.6233 Regiones 1 21.66 21.66 4.415 4.41 8.29 UBPC 4 19.623 4,90575 233.607 2.93 4.58 Error 18 0.37 0.021 En el anlisis no se encontr diferencias significativas, sin embargo , las UBPC fueron diferentes. Ejemplo de un Experimento anidado con Tres Factores. Si en el ejemplo anterior adems de las regiones y las UBPC, se evalan 2 variedades de yuca V1( variedad seorita) y V2( Variedad CMC-40) y en ellas se evala el peso de una raz en gramos que constituye las rplicas entonces estamos en presencia de un experimento anidado con 3 factores. El modelo para este experimento es: Yijkl = + Ai + Bj(i) + Ck(ij) + eijkl En este caso: i = 1,.....,a = 2 J = 1,....,b = 3 k = 1,,c = 2 l = 1,.,l = 4 En donde: Yijkl es la observacin de la repeticin l, en la variedad k, en la UBPC j, en la regin i es la media verdadera general. Ai es el efecto de la regin i Bj(i) es el efecto de la UBPC j en la regin i Ck(ij) es el efecto de la variedad k, en la UBPC j en la regin i eijkl es el error experimental o residual. Los datos del experimento son los siguientes: Variable( Peso de una raz en gramo) I R1 UBPC1 V1 396.2 V2 454.5 850,7 UBPC2 V1 395.3 V2 450.6 845,9 UBPC3 V1 394.8 V2 463.1 857,9 2554,5 R2 UBPC4 V1 345.8 V2 423.9 769,7
II 395.8 455.0 850,8 390.7 445.6 836,3 366.8 443.2 810.0 2497,1 345.2 424.1 769,3
III 394.6 453.7 848,3 387.6 443.6 831,2 396.5 438.2 834,7 2514,5 344.8 422.9 767,7
IV 395.9 453.2 849,1 383.6 442.3 825,9 393.6 445.8 839,4 2514,4 346.1 425.1 771,2
1582,5 1816,4 3398,9 1557,2 1782,1 3339.3 1551,7 1789,3 3342 10080,2 1381,9 1696 3077,9 89
UBPC5
V1 V2
UBPC6
SDCTotal = X
( X )2
N
2
V1 V2
19379.5 2 SDCTotal = 396.2 + ....... + 428.7 = 72315.5 48 ( X )2 Re giones 2 SDC Re giones = Noobservenc / Re g N
2
SDC Re giones =
SDCUBPC = SDCUBPC =
UBPC 2
NoobserenUBPC
Re giones 2
Noobserven Re giones
SDCUBPC = 384.6
SDCVAriedad =
SDCVaried . =
Variedad 2
Noobservenc / Varied .
UBPC 2
Noobservenc / UBPC
SDCVar. = 56890.2 SDC Error = SDCTotal SDC Re giones SDCUBPC SDCVar SDC Error = 72315.5 - 12704.2 - 384.6 - 56890.2 = 2336,5
Gl total = No observaciones total - 1= 48-1=47 GL regiones= No regiones - 1=2-1=1 90
Gl UBPC= # Regiones(# UBPC - 1) = 2 x 2 = 4 Gl Var = # Regiones(# UBPC )( # Var - 1) = 2 x 3 x 1 = 6 Gl Error = Gl total - Gl Reg - Gl UBPC - Gl Var. Gl Error= 47 - 1 - 4 - 6 = 38
CM Re giones =
SDC Re g Gl Re g
12704.2 = 12704.2 1
CM UBPC = CM Var =
SDCVar 56890.2 = = 9481,7 6 GLVar SDC Error 2336,5 = = 61.49 38 Gl Error CM Re g CM UBPC = 12704.2 = 132.13 96.15
CM Error = FCal Re g =
FCalUBPC = FCalVar =
91
Total
505
497
513
Rendimiento por parcela. Tratamientos V1 V2 V3 V4 V5 Total I 170 220 258 115 86 849
La suma de cuadrados y de productos cruzados son: 2 TratY 2 ( Y ) Tyy = r rt 2 2 580 + 1240 + 980 2 + 560 2 + 360 2 3720 2 Tyy = = 127480.00 4 20
T XX TXX
TratX =
( X )
T XY =
TratX * TratY X Y
r rt 4 4*5
T XY
B XX B XX
BloqueX =
( X )
BYY BYY
BloqueY =
( Y )
B XY = B XY
BloqueX * BloqueY X Y
t rt
5 4*5
SC (Total ) XX = X
( X )
r *t
SC (Total ) XX = 84 2 + ..... + 54 2
SC (Total )YY
( Y ) = Y r *t
2
X Y
r *t
(2020)(3720)
4*5
= 64897.00
=31520.00-280.40.00-25.59375 = 3454.40625
=64897.00-59720.00-(-132.8125) = 5309.8125 TABLA DE SUMAS DE CUADRADOS Y PRODUCTOS CRUZADOS Ftes de variacin XX XY YY BLOQUE 25.59375 -132.8125 2474.8125 TRATAMIENTO 28040.00 59720.00 127480.00 ERROR 3454.40625 5309.8125 30529.1875 B+E 3480.00 5177.00 33004.00 T+E 31494.40625 65029.8125 158009.1875 SC(Cov.) 5309.81252 E = XY = = 8161.78125 3454.40625 E XX
2
(TXY + E XY )2 (TXX + E XX )
94
SC Bloque SCBloque
2 E XY EYY E XX 5177.002 5309.81252 = 33004.00 30529.1875 = 2935.0625 3480.00 3454.40625 2 E XY 5309.8125 2 = 30529.1875 = 22367.40625 3454.40625 E XX
2 ( B XY + E XY ) = (BYY + EYY ) (B XX + E XX )
SC Error = EYY
ANALISIS DE VARIANZA Ftes de Gl SC variacin Covariable 1 8161.78125 Tratamiento t-1=4 1367.888916 Bloque r-1=3 29367.40625 Error 11 22367.40625 Total Tr-1=19 61264.482
C.V. = 24.243679% En la tabla de anlisis de varianza no se encontr diferencias para la covariable , lo que indica que no existe relacin entre el nmero de frutos y el rendimiento. En este caso no existen diferencias entre los tratamientos pero en caso de haberlas, las medias de los tratamientos hay que ajustarlas por medio de la siguiente ecuacin.
Y ai = Y i b( X i X ....)
Donde: Y ai = Media ajustada del tratamiento i. Y i = Media del tratamiento i con la variable Y. b = Coeficiente de regresin estimado. X i = Media del tratamiento i con la variable X.
b=
E xy E xx
Las medias de los tratamientos para las variables X y Y son: Tratamientos Media de Y 1 145 2 310 3 245 4 140 5 90 Media de las X
95
Las medias ajustadas son: Ya1 = 145 [(1.53711)(83 101)] = 172,66798 Ya 2 = 310 [(1.53711)(157 101)] = 223,92184 Ya 3 = 245 [(1.53711)(131 101)] = 198,8867 Ya 4 = 140 [(1.53711)(80 101)] = 172,27931
Ya 5 = 90 [(1.53711)(54 101)] = 162,24417 ESTIMADOR DEL COEFICIENTE DE REGRESION: 1 = TABLA DE MEDIAS Tratamiento 1 2 3 4 5 Medias Ajustadas 172.66798 223.92184 198.8867 172.27931 162.24417
1.53711
El error Standard para comparar las medias ajustadas depende de las medias de la variable x, por lo tanto es necesario calcular un error Standard diferente para cada comparacin.
2 ( X i X j )2 2 + Sd = S y .x E xx r
El valor de la diferencia mnima significativa para comparar las medias de i y j se calcula con la siguiente ecuacin.
2 ( X i X j )2 2 DMSij = t( , gle ) S y .x + E xx r
Donde: t( , gle ) valor de t de la tabla, el que se busca con el nivel de significacin y los grados de libertad del error. No de observaciones en cada tratamiento. = r Para el caso de desigual nmero de observaciones en cada tratamiento:
1 1 ( X i X j )2 2 Sd = S y + + .x n nj E xx i
96
siguientes:
I 60 62 68 61 251
II 60 64 60 58 242
V 56 69 50 60 235
VI 61 57 64 58 240
Y=Rendimiento V1 V2 D1 67 75 D2 75 84
142 159
97
142
159
301
733 713 1446
Para cada una de las variables que se desea estudiar en el experimento, se prueban las siguientes hiptesis: Ho: A1 = ......= Aa vs Hl: al menos un nivel de A diferente. Ho: B1 = ......= Bb vs Hl: al menos un nivel de B difernte. Ho: no hay interaccin AxB vs Hl: si hay interaccin AxB. Las hiptesis se prueban con un anlisis de varianza. Sumas de cuadrados y productos cruzados: R yy
RpY =
ab 2
( Y )
rab
RYY =
AYY
A =
rb
( Y )
rab
B =
( Y )
ABYY
rab
( Y )
rab
3012 = 105.958252 24
98
EYY = SC(Total )YY RYY AYY BYY ABYY EYY = 105.958252 29.708252 12.041748 12.041748 0.041504 = 52.125
R XX
RpX =
ab 2
2
( X )
rab
A =
rb
( X )
rab
AXX =
B XX
B =
ra
( X )
rab
rab
XX B XX
AB XX =
SC (Total ) XX = X
( X )
rab
2
E XX = SC (Total ) XX R XX AXX B XX AB XX
RpX * RpY X Y
R XY =
ab
rab
99
AXY =
AY
AXY =
B XY =
rb
X Y
rab
BY
B XY =
rb
X Y
rab
12
24
yy B yy r rab (67 )(358) + .... + (84)(346) (301)(1446) ( 14.16167969) ( 2.832031) AB XY = 6 24 AB XY = 1.582031 SC (Total )YY = XY
AB yy =
AB X ABY ( X )( Y ) A
X Y
rab
(301)(1446) = 76.75628931
24
TABLA DE SUMAS DE CUADRADOS Y PRODUCTOS CRUZADOS Ftes de variacin XX XY -15.750000 44.5000000 BLOQUE (R) -14.16167969 16.664063 FACTOR A -2.832031 0.664063 FACTOR B -1.582031 60.164063 AXB 111.082031 304.507813 ERROR R+E A+E B+E AB + E 349.007813 321.171875 305.171875 364.671875 95.332031 96.914063 108.25000 109.50000
100
SC A. = ( AYY
2 E XY EYY E XX
(B XY + E XY )2 (B XX + E XX )
E2 EYY XY E XX
( R XY + E XY )2 EYY + EYY ) (R XX + E XX )
2 E XY E XX
111.0820312 95.3320312 52.125 SC A = 81.833252 = 44.190002 304 . 507813 349.007813 109.5 2 111.0820312 52.125 SC AB = 52.166504 = 7.683789 364.671875 304 . 507813 SC AB . = ( ABYY
2 E XY 111.0820312 SC Error = EYY = 52.125 = 11.603157 E XX 304.507813 E 111.082031 b = XY = = 0.3648 E XX 304.507813
( AB XY + E XY )2 + EYY ) ( AB XX + E XX )
2 E XY EYY E XX
Gl 1 5
SC 40.521843 44.190002
CM 40.521843 8.838
F 5% 48.8924 10.6636
Ftab 1%
101
1 1 1 14 23
C.V. = 7.258866% La interpretacin de los resultados se hace igual que en los experimentos factoriales. TABLA DE MEDIAS DEL FACTOR A ---------------------------------------------FACTOR A MEDIA MEDIA AJ. ---------------------------------------------1 11.833333 11.529340 2 13.250000 13.553993 ----------------------------------------------
DMS PARA COMPARAR MEDIAS AJUSTADAS DE NIVELES DEL FACTOR A -------------------------------------------------------MEDIAS DMS(0.05) DMS(0.01) -------------------------------------------------------12 0.818742 1.136315 -------------------------------------------------------TABLA DE MEDIAS DEL FACTOR B ---------------------------------------------FACTOR B MEDIA MEDIA AJ. ---------------------------------------------1 11.833333 11.772534 2 13.250000 13.310799 ----------------------------------------------
DMS PARA COMPARAR MEDIAS AJUSTADAS DE NIVELES DEL FACTOR B -------------------------------------------------------MEDIAS DMS(0.05) DMS(0.01) -------------------------------------------------------12 0.798088 1.107649 -------------------------------------------------------TABLA DE MEDIAS DE TRATAMIENTOS AB 102
----------------------------------------------------------FACTOR B FACTOR A 1 2 MEDIA ----------------------------------------------------------1 11.1667 12.5000 11.8333 2 12.5000 14.0000 13.2500 ----------------------------------------------------------MEDIA 11.8333 13.2500 12.5417 TABLA DE MEDIAS AJUSTADAS DE TRATAMIENTOS AB ----------------------------------------------------------FACTOR B FACTOR A 1 2 MEDIA ----------------------------------------------------------1 11.3795 11.6792 11.5293 2 12.1656 14.9424 13.5540 ----------------------------------------------------------MEDIA 11.7725 13.3108 12.5417
DMS PARA COMPARAR MEDIAS DE NIVELES DEL FACTOR A NIVEL 1 DEL FACTOR B -------------------------------------------------------MEDIAS DMS(0.05) DMS(0.01) -------------------------------------------------------12 1.139860 1.581988 NIVEL 2 DEL FACTOR B -------------------------------------------------------MEDIAS DMS(0.05) DMS(0.01) -------------------------------------------------------12 1.250461 1.735489 --------------------------------------------------------
LTICE.
Este diseo pertenece al diseo de bloques incompletos, que permite analizar y comparar un nmero grande de variantes con precisin. 103
En ocasiones, el nmero de variantes con las que hay que trabajar no permite el empleo de diseos para que cada bloque o rplica contenga todas las variantes. En este caso, se emplean otros arreglos, como por ejemplo distribuir una rplica en ms de un bloque. El diseo de bloque incompleto ms sencillo es aquel en que el nmero de variantes es un cuadrado perfecto, este diseo que recibe el nombre de ltice. En este las filas y columnas no contienen todas las variantes como en el cuadrado latino o en los bloques al azar. Esta caracterstica facilita la comparacin de una gran cantidad de variantes con la mayor eficacia en el menor espacio. Cuando en un experimento se tienen muchos tratamientos no se debera usar el diseo de bloques completos al azar debido a que las unidades experimentales dentro de un bloque completo seran muy heterogneas. El uso ms comn de los diseos en ltice es en mejoramiento de plantas, en donde frecuentemente se tiene que evaluar una gran cantidad de lneas o variedades de un cultivo. Un ejemplo para ilustrar la preparacin de un ltice para 25 variantes y 3 rplicas es el siguiente. Las variantes se distribuyen en un cuadrado de 5 x 5 y se numeran al azar.
104
105
El primer paso que debemos desarrollar es un anlisis de varianza ordinario Para facilitar los clculos procederemos a la construccin de la siguiente tabla para ordenar los datos. Tabla 1 I Lneas 1 2 3 4 5 6 7 8 9 Total 7 6 4 3 4 3 4 2 1 34 II 7 6 4 4 3 5 3 3 2 37 III 7 6 5 4 4 4 3 3 2 38 IV 7 6 5 4 5 3 4 2 1 37 Total 28 24 18 15 16 15 14 10 6 146
El anlisis de varianza ser. Tabla 2 Causas de variacin Lneas Rplicas Error Total SDC 88.39 1.00 8.50 97.89 Gl 8 3 24 35 CM 11.05 0.33 0.35 Fcal 31.57
En el error experimental est incluida la variabilidad que puede haber ocasionado dentro de cada repeticin una posible heterogeneidad, en los diferentes bloques incompletos, establecidos en cada grupo X o Y en las dos repeticiones de cada uno. Para hacer un anlisis ms detallado del experimento debe tenerse en cuenta tambin este nuevo factor de variacin y al hacerlo reducir ms el error experimental y por tanto aumentar la precisin del experimento. Para estudiar esta variabilidad es preciso calcular la SDC de la desviacin atribuida a ella, esta SDC puede considerarse integrada por dos componentes, que llamaremos componente A y componente B. Componente A. Determinaremos primero el componente A, el que est constituido por dos grupos de diferencias, uno tomando el grupo X y el otro tomando el grupo Y, en cada uno de ellos se determina la diferencia que existe entre los bloques que tienen los mismos tratamientos.
106
Diferencia -1 0 -2 -3
107
Diferencia 0 2 -1 1
La SDC de las diferencias de estos dos grupos, nos dar la varianza para los bloques apareados. La SDC para el grupo X. 2 ( D) F .C = 2K 2
F .C =
( 3)
2*3
=
2
9 = 0.5 18
S .C X
D =
2K
F .C
S .C X
( 1)2 + ( 2 =
2*3
) (13)
2
2 * 32
S .C X =
1 = 0.056 18 2 02 + 22 + ( 1) S .CY = F .C = 0.833 0.056 = 0.77 2*3 G.L para cada grupo de diferencia ser 3-1=2 F .C =
108
L9 L8 L7 1 2 4 L2 L1 L3 6 7 4 L5 L4 L6 4 3 3
Grupo X Repeticin I
L4 L6 L5 4 4 3 L8 L7 L9 3 3 2 L1 L3 L2 7 4 6
109
Grupo Y Repeticin IV
L3 L9 L6 5 1 3 L2 L8 L5 6 2 5 L1 L7 L4 7 4 4
Diferencia
-2 -2 0 -4
110
Diferencia
-1 -2 -1 -1
La SDC de las 2 series de diferencias, darn una estimacin de la variabilidad entre bloques. Las divisiones de la SDC sern r x k y r x k2. R= No de repeticiones K= No de variantes en cada bloque o No de bloques en cada rplica. S.C Tabla No.6
2 ( 4) F .C =
r *k
16 16 = = 0.444 2 4*3 36
S .C =
S .C =
Gl 2 2 4
111
Tabla 9. Causas de variacin Lneas Rplicas Componente A Componente B Bloques Error Total SDC
88.29 1.00 1.10 0.28 1.38 7.12 97.89
Gl
8 3 4 4 8 16 35
CM
11.05 0.33 0.17 0.45
Fcal
24.25
Por ltimo para poder comparar los promedios de los tratamientos se hace necesario la correccin de estos promedios y la determinacin de 2 errores tpicos para la prueba T, uno para comparar las variantes que se encuentran dentro de un mismo bloque y otro para comparar las que se encuentran en bloques diferentes. Para ello es necesario la determinacin de 2 correcciones Cy y Cx. Para un promedio determinado Cx , es el resultado de dividir la diferencia del total de la columna del cuadro 2 (grupo Y) en que figura la variante promediada y el total de la fila del cuadro 1 (grupo X) que contiene dicha variante, por el producto r*k. CY es el resultado de dividir la diferencia del total de la columna del cuadro 1 (grupo X) en que figura la variante y el total de la fila del cuadro 2 (grupo Y) en que se encuentra dicha variante por el mismo producto.
Totalcolumna (Y ) Totaldefila ( X ) r *k Totalcolumna( X ) Totaldefila (Y ) r *k
CX = CY =
36 34 2 = = 0.17 4*3 12
28 29 1 = = 0.083 12 12
Como el promedio de la lnea 1 es 7 7 +0.17-0.083=7.087 Para mayor precisin se ha deducido un coeficiente que multiplicado por las correcciones CX y Cy de nuevas correcciones CX y CY.
112
W W ' W + W ' W=
1 Ve
3 4Vb Ve
1 = 2.222 0.45
3 3 3 = = = 13.043 4 * 0.17 0.45 0.68 0.45 0.23
W=
C=
En consecuencia para cada promedio las correcciones nuevas seraqn: Cx=-0.709 * Cx Pero como Cx y Cy eran el cociente de dividir la diferencia correspondiente entre el total de la columna y fila por r * k que en nuestro caso vale 3 *4=12, si representamos la diferencia de un modo general por D, tendremos: Cx=-0.709 *
Cy=-0.059 * -1=0.059 Y por tanto el promedio corregido es: 7-0.118+0.059=6.941 de modo, que con el nuevo mtodo de correccin, obtenemos un promedio corregido de 9.941, en lugar del promedio de 7.087 obtenido por el mtodo antiguo. De la misma forma se determinarn los promedios corregidos para las 9 lneas comparadas en el experimento. Para determinar la significacin de las diferencias existentes entre dos promedios de variantes por la prueba de t, es preciso calcular dos errores tpicos, una para el caso en que se trate de dos variantes pertenecientes al mismo bloque incompleto y otra para aquel en que hayan de compararse dos variantes pertenecientes a distinto bloque incompleto. La primera expresin por lo tanto es: EE=
2Ve 2 w ( ) + K 1 r* k w + w'
113
EE=
2Ve r* k
4w + (K 2) w + w'
Distribuciones en ltice triple. En este se establecen 3 grupos de parcelas , los grupos X y Y, en igual forma que en las distribuciones en ltice simple y un tercer grupo Z, con dos repeticiones, designadas repeticin 5 y repeticin 6 en las que se distribuyen tambin al azar los bloques incompletos y los tratamientos de cada bloque El anlisis e interpretacin de los resultados de este experimento es semejante a loa del ltice simple. En este caso, el nmero total de repeticiones es 6, en lugar de 4. La variabilidad entre bloques est integrada tambin por los componentes A y B, donde adems delas dos repeticiones de X y Y se incluyen las de Z.
114
BIBLIOGRAFA.
1- Cochram, W.G y G.M. Cox. 1991. Experimental design, Wiley. 2- Expsito, E. Irene y Gardn, C. D. 1988. Manual de clases prcticas. Universidad de Granma. 3- Fernndez, P. E y col. 1991. Manual de clases prcticas de Experimentacin Agrcola. UNAH. La Habana. 4- Guerra, B. Caridad. 1979. Estudio de la relacin modelo-diseo de tratamientos en la determinacin de las dosis ptimas de fertilizantes con experimentos de campo. Referencia para optar por el grado cientfico de Doctor en Ciencias Agrcolas. UNAH. 5- Guerra, D.J y Sevilla, P. lida 1987. Introduccin al anlisis estadstico para procesos. 6- Guzmn, C. A y J. C. Guzmn. Uso de planos antogonales en la investigacin caera. EPICA. Stgo de Cuba. 7- Guzmn, C.J. 1988. Diseos de experimentos para ingenieros mecnicos. ISPJAM. Stgo de Cuba. 8- Lerch G. 1977.La experimentacin en las ciencias biolgicas y agrcolas. Ed. Cientif. Tc. La Habana. 9- Lpez, P.R. 1988. Diseos estadsticos de experimentos. Ed. Cientif. Tc. La Habana. 10- Olivares, S.E. 1992. Nota de diseos experimentales con aplicacin a la experimentacin agrcola y primara. Universidad autnoma de nueva len. Mxico. 11- Sigarroa, A. 1991 Biometra y diseo experimental. La Habana.
115