Tema 18 PDF

UNIDAD V: DISEO EXPERIMENTAL
TEMA
DISEO Y ANLISIS DE EXPERIMENTOS

MONOFACTORIALES
Contenidos
18.1. Introduccin
18.2. Diseos experimentales bsicos
18.2.1.Dispositvo experimental
18.2.1.1. Diseo completamente aleatorizado (DCA)
18.2.1.2. Diseo de bloques completos al azar (DCBA)
18.2.1.3. Diseo cuadrado latino (DCL)
18.2.2. Anlisis comparativo de los diseos bsicos
18.3. Anlisis de los experimentos monofactoriales
18.3.1. Anlisis de la varianza (ADEVA)
18.3.1.1.Diseo completamente aleatorizado (DCA)
18.3.1.2.Diseo de bloque completo al azar (DCBA).
18.3.1.3.Anlisis de la varianza del cuadrado latino (DCL)
18.3.2. Anlisis a posteriori del ADEVA
18.3.2.1.Caso de un factor cualitativo
18.3.2.2. Caso de un factor cuantitativo.
18.1. INTRODUCCIN
En la Unidad de Inferencia Estadstica se presentaron problemas que implican el manejo de
datos numricos correspondientes a la observacin de una o ms variables aleatorias, y el inters se
focaliz en efectuar estimaciones puntuales o intervalares y en la aplicacin de pruebas de hiptesis
relacionadas con una o ms poblaciones. En esta unidad se trata el diseo experimental y el anlisis de
los datos experimentales.
El diseo experimental comprende un conjunto de procedimientos que se utilizan para obtener
datos numricos bajo condiciones controladas. Como ya se sabe slo es posible realizar inferencias
vlidas aplicando un diseo que cumpla con los principios bsicos de la experimentacin: repeticin,
aleatorizacin y control (por ejemplo, bloqueo). Para esto se requiere planificar la experimentacin y
disear un dispositivo experimental (esquema de distribucin de las unidades experimentales y los
tratamientos) que llevado a la prctica permita obtener datos empricos apropiados para el anlisis
estadstico posterior.
El anlisis de los datos experimentales se centra en realizar comparaciones. A partir de
experimentar con diferentes situaciones, los datos correspondientes se analizan mediante los
procedimientos del anlisis de la varianza y algunas pruebas complementarias. El concepto fundamental
de los experimentos estadsticos es la varianza residual. Esta es la variacin debida al error
experimental (variacin dentro) que mide la porcin de la variabilidad total de los datos no explicada por
la variacin debida a los tratamientos (variacin entre)
Se ha visto en el anlisis de la varianza que generalmente se utiliza la prueba de F, para tomar
una decisin con respecto a si varias muestras proceden de poblaciones que tienen la misma media
paramtrica. Adems que se utiliz el nombre genrico de grupos para referirse a las muestras, pero
en el contexto experimental los grupos se corresponden con tratamientos (j=1,2,,k) o los bloques
(r=1,2,... , n) y, se present la identidad fundamental del ADEVA que hace referencia a la particin
como:
SCG = SC entre grupos + SC dentro de grupos
A partir de las sumas de cuadrados entre y dentro, se obtuvieron dos estimaciones independientes de
la varianza poblacional 2 asociada al primer trmino de la ecuacin, que fueron el cuadrado medio
entre grupos y el cuadrado medio dentro de grupos. Bajo hiptesis nula de que los grupos proceden de
poblaciones con idntica media (Ho: 1 = 2 = = k ), los dos cuadrados medios toman el mismo valor,
luego la razn F =
CM entre grupos
, que en el muestreo sigue la distribucin F; 1 , 2 , resulta igual a
CM dentro grupos
1. Pero, si los datos observados aportan suficiente evidencia para rechazar Ho, se concluye a favor de la
hiptesis alternativa (H1: al menos existe una media que difiere de las restantes). Evidentemente en este
14
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2013

caso el CM del numerador resulta mayor al CM del denominador, F>1, y el valor resulta tanto mayor a la
unidad cuanto mayor sea la diferencia entre las medias de los grupos (tratamientos o bloques).
En el contexto del anlisis experimental se presentarn otras expresiones para explicar la
particin de la SCG, que reflejarn el tipo de dispositivo experimental utilizado y la naturaleza de los
tratamientos. En este captulo particularmente, se ver la aplicacin del ADEVA en el anlisis de datos
experimentales (valores observados de una variable respuesta Y) derivados de experimentos
monofactoriales, es decir, que se ha experimentado con un nico factor, cuyos tratamientos
(tratamientos simples) se han distribuido aleatoriamente, con diferente grado de control experimental
(DCA, DBCA y DCL).
No resulta difcil calcular las sumas de cuadrados con una calculadora manual, si se parte de una
tabla con datos correctamente organizados y se aplican frmulas operativas de clculo, aunque la tarea
puede resultar algo tediosa. Se pueden disear planillas de clculo MS EXCEL, tanto para realizar el
anlisis inicial exploratorio de los datos (anlisis descriptivo), que permitir vislumbrar el cumplimiento de
los supuestos del ADEVA, como para realizar los clculos que requiere el anlisis inferencial (Pruebas
de F y Pruebas de comparaciones mltiples de medias). Tambin se puede recurrir a paquetes
estadsticos para computadoras; en este curso se presentarn ejercicios con salidas obtenidas con el
INFOSTAT para su interpretacin.
18.2.
DISEOS EXPERIMENTALES BSICOS
18.2.1. Dispositivo experimental

Existen tres formas bsicas para distribuir aleatoriamente los tratamientos en las unidades
experimentales, que se diferencian por el grado en que controlan el error experimental:
Menor control
Diseo completamente aleatorizado (DCA)

Diseo de bloques al azar (DBA)
Diseo de cuadrado latino (DCL)
Mayor control
18.2.1. Diseo completamente aleatorizado (DCA)

El diseo completamente aleatorio es apropiado cuando se sabe que adems de la variacin
aleatoria entre las unidades experimentales, la nica fuente de variacin adicional que existe, es la
debida a la aplicacin aleatoria en ellas de diferentes tratamientos.
Caractersticas
Las unidades experimentales deben ser homogneas entre s (sustrato homogneo)

Los tratamientos se distribuyen al azar en las unidades experimentales, mediante un procedimiento
fsico (bolillero) o una tabla de nmeros aleatorios o dados de 10 caras (decaedro), sin ninguna
restriccin en el sorteo.
El nmero de repeticiones por tratamiento puede ser igual o diferente:
Ejemplo ilustrativo de un DCA con igual nmero de repeticiones por tratamiento: Sea el caso de un
ensayo en laboratorio, con cuatro dosis de fertilizante (A, B, C, D), aplicadas a terrinas con plantas de
tomate. El dispositivo experimental o plano de distribucin de los tratamientos de la Figura 18.1
puede ser un resultado posible, despus de sortear estos tratamientos en las distintas unidades o
terrinas. En el dispositivo se observan las 5 unidades que recibirn cada uno de los tratamientos
(repeticiones).
B1
A1
A2
C1
A3
B2
D1
B3
C2
C3
A4
D2
A5
D3
B4
C4
B5
D4
D5
C5
Figura 18.1. Distribucin de un experimento monofactorial en DCA,

4 dosis (A,B,C,D) ; r= 5 repeticiones (i=1,2,3,4,5)
15
18.2.2. Diseo de bloques completos al azar (DCBA)

En muchas situaciones se sabe de antemano que las unidades experimentales presentan
diferencias y entonces, an cuando se las trate posteriormente de igual modo (con un mismo
tratamiento), se debe esperar resultados diferenciados. Por ejemplo, en experimentos con animales, los
ejemplares que provienen de diferente cruza o de diferentes camadas tienen diferencias genticas y
esto puede determinar que ante una misma dieta alimentaria respondan en forma diferente. Tambin
podran encontrarse diferencias en el peso inicial, condicin de salud del animal, raza, sexo o edad,
etapa de lactancia, etc. En experimentos con plantas se pueden encontrar diferencias en el estado de
desarrollo, la exposicin al sol de los frutos, o bien en el suelo (pendiente, humedad, etc.), en tanto que
en experimentos industriales se puede considerar variaciones por la posicin en una cmara frigorfica,
la lnea de produccin, el turno laboral, etc.
En experimentos a campo con plantas, a veces no hay suficientes unidades experimentales
similares para realizar todas las repeticiones que se desean. Se pueden requerir parcelas grandes, y
entonces sucede que las parcelas adyacentes suelen responder de manera ms similar que las que
estn distanciadas por diversas razones (gradientes de fertilidad, textura, etc.), de modo que algunos
tratamientos pueden resultar favorecidos y otros perjudicados. Tambin ocurre, en experimentos
realizados en laboratorio, que las observaciones efectuadas en un da dado o usando cierto equipo
pueden parecerse ms que las hechas en das diferentes o con diferentes equipos, respectivamente.
En tales situaciones, se puede proceder de una manera anloga a la vista en el muestreo
estratificado. Con las unidades experimentales que presentan condiciones similares, se arman
agrupamientos o bloques, que seran equivalentes a los estratos: las unidades son homogneos dentro
del bloque, pero hay diferencia
entre los bloques. De esta manera, se puede controlar
experimentalmente alguna fuente de variabilidad, que de otro modo perturbara los resultados
experimentales, porque sus efectos quedaran englobados en el error experimental relacionado con el
denominador de la razn F (mayor valor, en detrimento de la significancia de los efectos de los
tratamientos).
Existen situaciones en las cuales, de entrada resulta que no es posible tener igual nmero de
unidades experimentales homogneas para tener una repeticin de todos los tratamientos por bloque,
entonces se recurre al diseo de bloques incompletos (no se estudiarn en este curso).
El objetivo del agrupamiento es lograr unidades en un bloque tan uniformes como sea posible, de
modo que las diferencias observadas se deban slo a los efectos de tratamientos.
En promedio, la variabilidad entre unidades de diferentes bloques ser mayor que la variabilidad
entre unidades del mismo bloque si no van a aplicarse tratamientos. Idealmente, la variabilidad
entre unidades experimentales se controla (recordar muestreo estratificado) de tal forma que,
simultneamente:
se maximice la variacin entre bloques
se minimice la variacin dentro de ellos
En el DBA, la variacin entre bloques no afecta claramente a las diferencias entre las medias de
tratamientos, ya que cada tratamiento aparece el mismo nmero de veces en cada bloque.
Cuatro importantes criterios para el bloqueo

Los cuatro criterios que se usan con ms frecuencia para armar bloques o agrupamientos de
unidades experimentales son:
1) proximidad en el espacio o en el tiempo (ej.: parcelas vecinas),
2) caractersticas fsicas (ej.: edad o peso),
3) proximidad cronolgica o en el tiempo,
4) administracin de tareas o manejo de las unidades experimentales.
El control del gradiente de heterogeneidad en un rea experimental, debe hacerse tal que:
los bloques resulten perpendiculares al gradiente
las parcelas dentro de un bloque, resulten paralelas respecto al gradiente (Figura 18.2.)
En el diseo de bloques completos al azar, cada tratamiento aparece igual nmero de veces,
usualmente una vez, en cada bloque y cada bloque contiene todos los tratamientos. Bloques y
tratamientos son ortogonales entre s, esta propiedad matricial lleva a los sencillos clculos
aritmticos que entran en el anlisis de los datos resultantes.
Cada observacin se puede clasificar de acuerdo con:
a) el bloque del que procede y,
b) el tratamiento al que corresponde,
Esto da lugar a una clasificacin doble, de ah que este diseo tambin sea conocido como
diseo de clasificacin de dos vas o de dos modos.
16
Los bloques se pueden mantener:

a) Compactos, disponiendo las parcelas, usualmente de forma larga y estrecha, cercanas a las
de otro bloque
b) no compactos (en diferentes lugares, por ejemplo), pero manteniendo la condicin de que sus
unidades experimentales sean homogneas.
El nmero de tratamientos debe ser lo menor posible; debe ser suficiente para lograr los objetivos
del experimento. Cuando el tamao del bloque aumenta, se incrementar la variabilidad dentro de
ste.
Es necesario que los bloques sean de la misma forma, puesto que las diferencias en las formas
de los bloques generalmente incrementan la variabilidad dentro del bloque.
Durante el transcurso del experimento, todas las unidades de un bloque deben tratarse tan
uniformemente como sea posible en todo aspecto diferente del tratamiento. Todo cambio en la tcnica u
otra condicin, que pueda afectar los resultados deben hacerse en todo en bloque: se trata de que las
diferencias que se observen se deban exclusivamente al efecto del tratamiento recibido. Por ejemplo, si
la cosecha abarca un perodo de varios das, se harn agrupamientos y los bloques se correspondern
con lo cosechado el mismo da o bien si personas diferentes hacen observaciones en el material
experimental, en lo posible una persona debe hacer todas las observaciones en un bloque. As, esta
variacin reconocida y controlada por bloqueo, quedar excluidas aritmticamente de la variacin
debida al error experimental.
N
(a)
////////////
////////////
II
//////////////////////// IIIIIIIIIIIIIIIIIIIIIIII OOOOOOOO

IIIIIIIIIIIIIIIIIIIIIIII OOOOOOOO
IIIIIIIIII
III
////////////
////////////
IIIIIIIIII
Bloques
incorrectos
IIIIIIIIII
(b)
//////////////////////
/// parte ///
/// alta ///
//////////////////////
IIIIIIIIIIIIIIIIIIIIIIIIIII
IIIIIIIIIIIII
IIII parte IIIIIII
IIII media IIIIII
IIIIIIIIIIIIIIIIIIIIIIIIIII
IIIIIIIIIIIII
OOOOOOO
OOOOOOOO
OO parte OO
OO baja OO
OOOOOOOOO
OOOOOOO
II
III
Bloques
correctos
(c)
Figura 18.2. (a)Seccin transversal de una porcin de terreno: La seccin que va de norte a sur es la
que va a utilizarse en el experimento, se supone que la fertilidad y la humedad del suelo aumentan
desde la parte alta (norte) a la parte baja (sur). (b) Divisin incorrecta del terreno en bloques. De esta
forma, todos los bloques son iguales, pero dentro del bloque cada parcela para los tratamientos es
heterognea, lo cual influye sobre la exacta valoracin de los efectos de los tratamientos. (c) Divisin
correcta del terreno en bloques. De esta forma, los bloques son todos diferentes pero dentro de un
bloque las parcelas son homogneas.
Aleatorizacin.
17
Cuando se han definido las unidades experimentales de los bloques, se numeran en cierto orden
conveniente. Los tratamientos tambin se numeran y luego se asignan aleatoriamente a las unidades
dentro de un bloque.
I
II
III
A
Fertilidad
Figura 18.3. Distribucin de un experimento en DBA,

4 variedades (A, B, C, D); n=3 bloques (I, II, III)
Este diseo se usa con mayor frecuencia que cualquier otro, aunque muchas veces se lo aplica
dogmticamente, sin hacer un anlisis adecuado del criterio de control de una variable determinada sino
porque da ms prestigio a un trabajo.
18.2.3. Diseo cuadrado latino (DCL)

El diseo cuadrado latino es usado con ventaja, cuando hay dos fuentes importantes de variacin
a controlar, al realizar un experimento.
El doble control lleva a disponer los tratamientos en las unidades experimentales de dos maneras
diferentes, por filas y por columna.
Cada tratamiento se presenta una y slo una vez en cada fila y columna; cada fila as como cada
columna, es un bloque completo. Mediante un anlisis apropiado, es posible eliminar del error la
variabilidad debida a diferencias tanto en filas como en columnas.
Los trminos filas y columnas son trminos generales que se refieren a criterios de clasificacin.
El nmero de tratamientos resulta igual al nmero de filas y al nmero de columnas.
El nmero de unidades experimentales ser igual al cuadrado del nmero de tratamientos.
El nmero de repeticiones resulta igual al de tratamientos
Para lograr la aleatorizacin en el dispositivo experimental o plano de distribucin de los

tratamientos de un cuadrado latino, se pueden utilizar dos procedimientos:
a) Recurrir a cuadrados latinos que estn disponibles en la bibliografa y sortear uno de ellos
entre todos los cuadrados latinos posibles. El texto de Fisher y Yates tiene el conjunto
completo de cuadrados latinos de tamao 4 x 4 hasta 6 x 6, y muestran cuadrados hasta 12 x
12. Cochran y Cox dan cuadrados latinos de muestra desde 3 x 3 hasta 12 x 12.
b) Disear un cuadrado latino. Supngase un experimento a campo con 5 tratamientos, donde
hay que controlar dos fuentes de variacin (humedad del suelo y nivel del terreno). Se debe
proceder de la siguiente manera:
Paso 1: el proceso de distribucin de los k tratamientos comienza con el anlisis de las unidades
experimentales para su clasificacin o agrupamiento en k bloques horizontales y k verticales.
Paso 2: distribuir los tratamientos en forma tal que ningn tratamiento se repita en filas ni en columna.
Para lograrlo hay que proceder como sigue:
1) partir de un cuadrado 5x5 con distribucin de los tratamientos en forma sistemtica (Figs. a y b)
A
E
D
C
B
B
A
E
D
C
C
B
A
E
D
D
C
B
A
E
E
D
C
B
A
Fig.a. Cuadrado sistemtico

Permutaciones horizontales
A
B
C
D
E
E
A
B
C
D
D
E
A
B
C
C
D
E
A
B
B
C
D
E
A
Fig.b. Cuadrado sistemtico

Permutaciones verticales
2) Primer cuadrado reordenado: reordenar, por sorteo, los bloques horizontales o filas (Ih, IIh, IIIh, IVh y
Vh) del cuadrado sistemtico elegido (Fig. c y d)
18
Iv
A
E
D
C
B
Ih
IIh
IIIh
IVh
Vh
IIv
B
A
E
D
C
IIIv
C
B
A
E
D
IVv
D
C
B
A
E
Vv
E
D
C
B
A
Iv
B
E
C
A
D
Vh
IIh
IVh
Ih
IIIh
Fig.c. Cuadrado sistemtico
IIv
C
A
D
B
E
IIIv
D
B
E
C
A
IVv
E
C
A
D
B
Vv
A
D
B
E
C
Fig. d. 1 Cuadrado reordenado
3) Segundo cuadrado reordenado : reordenar, por sorteo, los bloques verticales o columnas (Iv, IIv, IIIv,
IVv y Vv) del 1 cuadrado reordenado (Fig.e)
4) Tercer cuadrado reordenado: sortear las filas y trasponerlas como columnas, en el orden obtenido
(Fig.f).
IIIv
D
B
E
C
A
Vh
IIh
IVh
Ih
IIIh
Vv
A
D
B
E
C
IIv
C
A
D
B
E
IVv
E
C
A
D
B
Iv
B
E
C
A
D
IIv
B
D
A
C
E
Fig.e. 2 Cuadrado reordenado
Iv
C
E
B
D
A
IVv
E
B
D
A
C
Vv
D
A
C
E
B
IIIv
A
C
E
B
D
Fig. f. 3 Cuadrado reordenado
B11
C12
E13
D14
A15
(1/1)
D21
(1/2)
E22
(1/3)
B23
(1/4)
A24
(1/5)
C25
(2/6)
A31
(2/7)
B32
(2/8)
D33
(2/9)
C34
(2/10)
E35
(3/11)
C41
(3/12)
D42
(3/13)
A43
(4/14)
E44
(3/15)
B45
(4/16)
E51
(4/17)
A52
(4/18)
C53
(4/19)
B54
(4/20)
D55
(5/21)
(5/22)
(5/23)
(5/24)
(5/25)
Fig. 18.4. Cuadrado latino 5x5 aleatorizado: a) la letra indica el

tratamiento; (b) los subndices ij un ordenamiento matricial (para filas y
columnas o bien 1 y 2 variable controlada, respectivamente); (c) la
fraccin indica n de repeticin del tratamiento y n de unidad
experimental (numerador y denominador, respectivamente).
Llevado al terreno, el dispositivo generalmente adopta una forma compacta cuadrada, pero
tambin podra presentarse de otra, como ser la del siguiente DCL:
PI
PII
CI
CII
CIII
C
IV
CV
CI
CII
PIII
CIII
C
IV
CV
CI
CII
PIV
CIII
C
IV
CV
CI
CII
PV
CIII
C
IV
CV
CI
CII
CIII
C
IV
CV
En este caso el criterio para el doble bloqueo ha sido porque se experimenta bajo las siguientes
condiciones: 5 propiedades del Dpto. de Lujn de Cuyo (PI, PII, PIII, PIV, PV) y 5 cuadros en cada una
de ellas que se diferencias por la procedencia de las estacas de vid de la variedad Malbec (CI, CII, CIII,
CIV, CV). El factor en estudio es el tipo de fertilizacin (A, B, C, D, E). Ejemplos anlogos podran
tenerse al analizar la calidad de k diferentes mtodos (tratamientos) para recuento de microorganismos
controlando el laboratorio y el analista; o bien en un experimento con vacas lecheras para determinar si
existen diferencias entre las cantidades de leche producidas por el ordee de los cuatro pezones de los
cuartos (cuarterones) de sus ubres (tratamientos), controlando una posible variacin de la respuesta
(litros diarios) debido a los tiempos de ordee y el momento de ordee o posicin en el tiempo.
19
18.2.2. Anlisis comparativo de los diseos bsicos

Ventajas y desventajas del DCA.
VENTAJAS
a) Es fcil de planear y flexible en cuanto al nmero
de tratamientos y repeticiones. Su nica limitacin
es el nmero de unidades
experimentales
disponibles para el experimento.
b) El nmero de repeticiones puede variar de
tratamiento a tratamiento.
c) En el anlisis de varianza permite el mximo de
grados de libertad para el error experimental.
DESVENTAJAS
a) Es apropiado para pequeo nmero de
tratamientos y para un material experimental
homogneo.
b) Dado que la aleatorizacin es irrestricta, el error
experimental incluye toda la variabilidad entre las
unidades del experimento.
Ventajas y desventajas de un DBCA

VENTAJAS
a) Al responder todas las unidades experimentales
de cada bloque a un nivel diferente de una fuente
de variabilidad, se elimina la variabilidad total
existente en todas las unidades la debida a dicha
fuente. Por esta causa, es ms eficiente que un
DCA.
DESVENTAJAS
a) No es apropiado para un nmero elevado de
tratamientos, debido a que ello aumenta el tamao
del bloque y, como consecuencia, se incrementa la
variabilidad dentro de cada bloque y, por ende, el
error experimental.
b) Tampoco resulta aconsejable cuando existe gran
variabilidad
en
el
material
experimental
b) Se pueden estimar los datos de algunas (interacciones).
unidades experimentales si se pierden a travs de c) La principal desventaja de los bloques completos
la tcnica de Yates.
al azar es que cuando la variacin entre unidades
experimentales dentro de un bloque es grande,
resulta un trmino de error considerable. Eso ocurre
frecuentemente cuando el nmero de tratamientos
es grande; as puede no ser posible asegurar
grupos de unidades suficientemente uniformes para
los bloques. En tales situaciones, se dispone de
otros diseos para controlar una mayor proposicin
de la variacin: diseo de bloques incompletos.
Ventajas y desventajas del diseo en DCL

VENTAJAS
DESVENTAJAS
a) Mayor precisin que los diseos DCA y DBA; a) como el nmero de tratamientos depende del de
disminuye el error experimental como consecuencia bloques y columnas y, por consiguiente, del de
de considerar dos fuentes de variabilidad.
unidades experimentales, esto le resta flexibilidad al
diseo. Es por esta razn que no se recomienda
para ms de 10 tratamientos.
b) A igualdad de nmero de tratamientos y
b) Anlisis numrico sencillo.
repeticiones,
este diseo tiene menos grados de
libertad para el error experimental que el de DBA y
el DCA, diferencia ms pronunciada a medida que
disminuye el nmero de tratamientos.
c) Si se pierden todas las unidades experimentales c) Si hay interaccin entre los efectos de las dos
de un mismo tratamiento, el resto de los fuentes de variacin (filas y columnas), entonces el
tratamientos siguen ajustados a un DCL. Si se valor F no se distribuye de acuerdo con el valor
pierden una o varias unidades experimentales del tabular de F y como consecuencia no resulta vlida
mismo tratamiento, se pueden estimar sus valores. la prueba de significacin.
18.3.
ANLISIS DE LOS EXPERIMENTOS MONOFACTORIALES
18.3.1. Anlisis de la varianza

18.3.1.1. Diseo completamente aleatorizado (DCA)
Criterio
Datos con un solo criterio de clasificacin (segn tratamiento). Se considerar el anlisis de la varianza
para cualquier nmero de tratamientos con igual nmero de repeticiones, pero no resulta difcil adaptar
las frmulas para el caso en que se tenga diferente nmero de repeticiones.
Ecuacin fundamental para la particin
a) de las sumas de cuadrados
SCG = SC entre tratamientos + SC para el error experimental

20
g = t +
b) de los grados de libertad

Modelo
= + +
= 1, , ; = 1, ,
donde:
Yij : valor de la variable aleatoria respuesta para la unidad experimental que corresponde a la i-sima
repeticin del j-simo tratamiento
: media general
i : efecto del j-simo tratamiento

ij : error aleatorio de la unidad experimental que corresponde a la i-sima repeticin del j-simo
tratamiento
Suposiciones:
1. Las respuestas provienen de nk muestras aleatorias e independientes de las rk respectivas
poblaciones.
2. Las poblaciones se distribuyen normalmente con medias 1 , 2 ,... ... k.
3. Las varianzas poblacionales son iguales 11 = 22 = ... = 2k = e2 .
Prueba F para comparar k medias poblacionales.
1. Hiptesis estadsticas
H 0 : 1 = 2 = ... = k
j = 1,2,..., k
H 1 : no todas las medias son iguales, esto es, por lo menos una de las medias poblacionales difiere de alguna otra
2. Estadgrafo de prueba:
F= CMT/CME, en donde F se distribuye en el muestreo, bajo el supuesto de que Ho es verdadera,
como una distribucin F con grados de libertad 1 = (k 1) y 2 = (rk k )
3. Regla de decisin:
La regin de rechazo se encuentra en la F ( ;1 ; 2 ) y satisface la expresin P (F > Fc ) = , donde Fc
es un percentil que pertenece a la cola superior de la distribucin de probabilidad F. La regla de decisin
ser: Si Fm > Fc , se rechaza H 0
f(F)
f(F)
&(';() ;(* )
Fc
Tabla de ADEVA de un DCA

Una tpica tabla ADEVA para un anlisis de varianza para k tratamientos distribuidos segn un
DCA, se puede formalizar segn se muestra a continuacin:
Tabla 18.1. Tabla ADEVA para k tratamientos y r repeticiones
Fuente de
Variacin
Frmula procedim.
directo (definicin)

Total

Tratamientos
Error
Suma de Cuadrados
Frmula procedim.
abreviado (operativa)
r

Cuadrados
Medios
Fm
SCG = y ij2 C
rk 1
i =1 j =1

Grados de
libertad
2
j
SCT =
j =1
SCE = SCG SCT
k 1
!=
rk k
%=
"!
( 1)
CMT / CME
"%
( )
21

Una forma abreviada es la siguiente:
Fuente de
Variacin
Total
Suma de
cuadrados
SCG
Grados de
libertad
1
Factor
SCT
Error
SCE
Cuadrados medios
Fm
k 1
CMT = SCT t
CMT CME

CME = SCE e
Ejemplo ilustrativo de un DCA

En la tabla 18.2. se da el contenido del nitrgeno (mg) de plantas de trbol rojo que fueron inoculadas al
azar, con uno de cinco cultivos de Rhizobium trifolii (tratamientos 3 DOk1 a 3DOk13) y un compuesto de
cepas de Rhizobium meliloti + Cepa de R. trifolii. lo que da seis tratamientos en total. El experimento se
realiz en un invernadero empleando cinco terrinas por tratamiento.
Tabla 18.2. Contenido de nitrgeno, en mg, de plantas de trbol rojo inoculadas con combinaciones de cultivos de
cepas de Rhizobium trifolii y cepas de Rhizobium meliloti + Cepa de R. trifolii.
Tratamientos
Total
14,3
14,4
11,8
11,6
14,2
Compuest
o
17,3
19,4
19,1
16,9
20,8
99,6
66,3
93,5
y = 596,6
1.139,42
1.989,14
887,29
1.758,71
y ij = 12,994,36
24,0
14,6
19,9
13,3
18,7
57,07
67,77
5,11
8,15
10,26
Terrina
3DOk1
3DOk5
3DOk4
3DOk7
3DOk13
1
2
3
4
5
19,4
32,6
27,0
32,1
33,0
17,7
24,8
27,9
25,2
24,3
17,0
19,4
9,1
11,9
15,8
20,7
21,0
20,5
18,8
18,6
144,1
119,9
73,2
4.287,53
2.932,27
28,8
134,57
y j
2
ij
y j
(y
ij
y j
282,93
Para el clculo de las sumas de cuadrados, grados de libertad y cuadrados medios se

procede segn se vi en el captulo donde se present el Anlisis de la Varianza, como una prueba para
comparar k grupos. As se llega a:
Tabla 18.3. Anlisis de la varianza de los datos de la tabla 18.2.
Suma de
Grados de
Cuadrados
Fuentes de variacin
Fm
Cuadrados
libertad
medios
Total
1.129,98
29
Entre los cultivos
847,05
169,41
Dentro de los cultivos
282,93
24
11,79
14,37**
F0,01; 5, 24
3,90
El valor muestral del estadgrafo de prueba (Fm) se obtiene dividiendo el cuadrado medio de los
tratamientos por el cuadrado medio del error, esto es, CMT/CME. Estos cuadrados medios son
comparables, cada uno estima en forma independiente la variacin entre observaciones individuales. El
F muestral, se compara con el F crtico (percentil de la tabla de distribucin F) para grados de libertad t
y e , y en base a la comparacin entre los dos valores del estadgrafo (Fm y Fc) se decide si se rechaza
o no la hiptesis nula, que plantea la no diferencia entre las medias poblacionales. Si el experimento no
aporta suficiente evidencia para sostener la Ho, se pasa a sostener la hiptesis alternativa de que al
menos una diferencia de entre dos medias poblacionales resulta estadsticamente significativa (o por lo
menos hay una media poblacional de tratamiento que difiere de otra).
.
En el ejemplo Fm= 169,4/11,79 = 14,37 y el valor tabulado Fc para 5 y 24 grados de libertad es
3,90, al nivel de probabilidad del 0,01. Dado que Fm > Fc, se rechaza la Ho para el nivel de = 0,01 ,
dejndolo indicado cmo 14,37**, donde el doble asterisco indica que el resultado es altamente
significativo. En trminos del problema, los datos experimentales aportan evidencia de que hay
diferencia real entre al menos entre dos medias de tratamientos de inoculacin. Esto significa que por
ejemplo, el contenido medio de nitrgeno, en mg, de plantas de trbol rojo inoculadas, no es idntico
para todas las combinaciones de a pares con las diferentes cepas de Rhizobium trifolii y el complejo de
22

cepas de Rhizobium meliloti +Cepa de R. Trifolii. Pero esta es solo una de las varias posibilidades que
se podran dar.
NOTAR
En trminos estadsticos, o sea, en relacin a las hiptesis estadsticas y el nivel de significancia
se concluye como sigue:
Si Fm excede el Fc para un nivel de significancia igual a:
a)
b)
= 0,01, se concluye que al menos existe una diferencia altamente significativa entre las medias
poblacionales. Sintticamente se dice que el estadgrafo muestral tom un valor altamente

significativo, y se lo deja indicado en la tabla de ADEVA, colocndole a la derecha del valor de Fm
un doble asterisco (ejemplo 14,37**).
= 0,05, se concluye anlogamente con relacin a una diferencia significativa. Sintticamente se
dice que el estadgrafo muestral tom un valor significativo, y se lo deja indicado en la tabla de
ADEVA, colocndole a la derecha del valor de Fm un asterisco (ejemplo 14,37*).
18.3.1.2. Diseo de bloques completos al azar (DBCA)

Criterio
Datos con doble criterio de clasificacin (segn bloque y tratamiento). El anlisis estadstico de los datos
es simple y, si como resultado de un contratiempo, algunos datos o todos los datos de un bloque no
estuvieran disponibles (por ejemplo, por destruccin de una parcela) el bloque puede omitirse para el
anlisis con la sola complicacin de haber perdido una repeticin.
Modelo
Yij = + i + j + ij ;
j: 1, ...., k
i: 1, ..., r
donde
Yij : la respuesta en la unidad experimental del i-simo bloque a la que se
le aplic el tratamiento j
: media general
i : efecto del i-simo bloque
j : efecto del j-simo tratamiento
ij : error aleatorio de la observacin en la unidad experimental del i-simo
bloque a la que se le aplic el tratamiento j
Los supuestos para el modelo que explica los datos de un experimento monofactorial con los
tratamientos distribuidos segn un DBA son:
a) Distribucin normal de la variable en estudio Y ~. n (x; , 2 ) ;
b) Varianzas y medias no relacionadas o independientes;
c) Errores con distribucin normal (0 y 2);
d) Efectos aditivos en bloques y tratamientos, es decir no hay interaccin y si la hay se acumula en el
error experimental.
Una medida o valor esperado se define en trminos de una media general , una contribucin de
tratamiento i , y una contribucin de bloque j ; Esto es, la media de la celda i, j-sima es + i + j . Una
observacin est sujeta a un error aleatorio, donde los errores provienen de una sola poblacin con
media cero y varianza fija pero desconocida. As
Yij = + j + i + ij
Una media estimada de celda se denota porij , donde
= +
23

Pruebas F para comparar k medias poblacionales de tratamientos, y n medias poblacionales de
bloques.
1. Hiptesis estadsticas:
Para los tratamientos
Para los bloques
H0: j = 0
H0: i = 0
j = 1,..., k
H1: j 0
i = 1,..., n
H1: i 0
para algn j
para algn i
2. Estadgrafo de prueba:
Para los tratamientos: F = CMT CME , en donde F se distribuye en el muestreo, bajo el supuesto
de que Ho es verdadera, como una distribucin F con grados de libertad 1 = (k 1) y 2 = (rk k )
Para los bloques: F = CMB CME , en donde F se distribuye en el muestreo, bajo el supuesto de
que Ho es verdadera, como una distribucin F con grados de libertad = r 1
= rk r k + 1
f(F)
4. Regla de decisin:
La regin de rechazo se encuentra en la F ( ;1 ; 2 ) y satisface la expresin P (F > Fc ) = , donde Fc
es un percentil que pertenece a la cola superior de la distribucin de probabilidad F, y que se establece
con los correspondientes grados de libertad para tratamientos y error, y para bloques y error. La regla de
decisin ser: Si Fm > Fc , se rechaza H 0 , tanto para los tratamientos y los bloques.
Fc
Tabla de ADEVA de un DBCA

Una tpica tabla ADEVA para un anlisis de varianza para k tratamientos distribuidos segn un
DBCA, se puede formalizar segn se muestra a continuacin:
Tabla 18.4. Tabla ADEVA para k tratamientos distribuidos segn un diseo de bloque completo
al azar, en n bloques.
Suma de cuadrados
Fuente de
variacin
Frmula procedimiento
directo (definicin)
(y
Total
y )
ij
Frmula procedimiento
abreviado (operativa)
Libertad
SCG = y ij2 C
rk 1
SCB =
n ( y j y )
Tratamiento
Error
SCT =
(y
i
y j yi + y )
ij
k ( y i y )
Bloques
Grados de
2
i
k
2
y j
j
r 1
k 1
SCE = SCG SCT SCB
(r 1)(k 1)
Sea Yij la observacin del i-simo bloque bajo el j-simo tratamiento, donde i = 1,2,..., r bloques
y, j = 1,2,..., k tratamientos. La notacin de punto se usa siempre que sea posible. As, Y2j quiere
decir que se obtiene la suma total de los cuadrados de los totales de los k tratamientos. Luego
24
Y21 + Y22 + ... + Y2k indica el cuadrado del total tratamiento 1 + el cuadrado del total tratamiento 2 + + el
cuadrado del total tratamiento k .
La media general para los nk datos se representa comoY.. . La varianza de la distribucin de las
medias de muestras de tamao n es 2/n, siendo 2 =e2 .Los cuadrados medios estiman en forma
independiente la misma 2 y 2e , cuando no hay efectos de bloques o tratamientos.
Una forma abreviada es la siguiente:
Fuente de
variacin
Total
Bloques
Tratamientos
Error
Suma de
Cuadrados
SCG
SCB
SCT
SCE
Grados de
libertad
rk - 1
r-1
k-1
rk r k + 1
Cuadrados medios
CMB = SCB /( r 1)
CMT = SCT / (k 1 )
CME= SCE / (rk r k + 1)
Fm
CMB/CME
CMT/CME
En la prctica la suma de cuadrados del error se calcula restando a la suma de cuadrados total,
las sumas de cuadrados de bloques y tratamientos. Esto es posible ya que las sumas de cuadrados son
aditivas. La suma de cuadrados del error puede obtenerse directamente por
(Y
r
SC E=
ij
Yi Y j + Y )
Esta frmula de definicin proviene del modelo que define las medias de las varias poblaciones
muestreadas. Hay n medias en el caso del diseo de bloque completo al azar, uno por celda, con slo
una observacin necesariamente hecha en cada poblacin.
Ejemplo ilustrativo de un DBCA
Tabla 18.8. Contenido (%) de aceite de semillas de lino Redwing inoculadas en diferentes estados de
crecimiento (A: plntula, B: Florecimiento temprano, C: Florecimiento completo, D: Florecimiento
completo (1/100), E: Maduracin) y sin inocular (F: Control) con S.
Tratamientos
Totales para bloques
Bloques
I
II
III
IV
y j
y 2 j
y j
y 2 i
yi
4,4
3,3
4,4
6,8
6,3
6,4
31,6
998,56
5,9
1,9
4,0
6,6
4,9
7,3
30,6
936,36
6,0
4,9
4,5
7,0
5,9
7,7
36,0
1296,00
4,1
7,1
3,1
6,4
7,1
6,7
34,5
1190,25
20,4
17,2
16,0
26,8
24,2
28,1
y =132,7
y i2. = 4421,71
y .2j = 3061,49
y 2 = 17609,29
416,16 295,84 256,00 718,24 586,64 789,61

35,1
34,3
34,0
36,7
36,0
37,0
35,5
2
y ij = 788,23
En la tabla se observan los totales correspondientes: a los tratamientos ( y j = 20,4; 17,2; etc), a los
bloques ( yi = 31,6; 30,6; etc) y, el gran total o total general ( y = 132,7). Tambin se observa la suma
de los cuadrados de los k totales de tratamientos (3061,49) y de los n bloques (4421,71) as como el
cuadrado del total de los nk datos ( y 2 =17609,29), y finalmente la doble suma de los cuadrados de los
2
nk valores observados ( y ij = 788,23).
25

Clculo de la sumas de cuadrados (ajustadas por el trmino comn C):
Trmino comn = C =
r
Y..2
rk
SC total =
ij
2
2
= 31,6 + ... + 34,5 733,72 = 3,14
6
i.
SC bloques =
.j
SC tratamientos =
SC error = SC total SC tratamientos SC bloques

= 54,51 3,14 31,65 = 19,72
(132,7) 2
= 733,72
24
= 176,50 + + 213,09 733,72 = 54,51
20.4 2 + ... + 28,12

733,72 = 31,65
4
Clculo de los cuadrados medios (CM = SC/gl)

Clculo del valor del estadgrafo de prueba (F para bloques y tratamientos)
Tabla 18.9. Anlisis de la varianza de los datos de la tabla 18.8.
Fuente de
g.l.
SC
CM
variacin
Total
rk 1 =23
54,51
Bloques
r1=3
3,14
1,05
Tratamientos
k1=5
31,65
6,33
Error
(r - 1)(k 1) = 15
19,72
1,31
Fm
4,83**
a) Prueba de F para bloques. En nuestro ejemplo, no es significativa. Su interpretacin debe hacerse

con cuidado. En la mayora de los experimentos, la hiptesis nula de que no hay diferencias entre
bloques no es de importancia particular, ya que los bloques son una fuente de variacin
reconocida, a menudo, con base en experiencia pasada, que se espera produzca un efecto
considerable en la variacin de los datos. En algunos experimentos, los bloques pueden medir
diferencia en el orden de ejecucin de su conjunto de operaciones, en pares de un equipo, en
personas, etc. en tales casos, la prueba F para bloques en este caso puede tener significado
especial.
Si los efectos de los bloques son significativos, ello indica que la precisin del experimento ha
aumentado debido al uso del diseo en relacin con el diseo completamente aleatorizado. En efecto, la
ganancia en eficiencia puede ser de ms inters que los resultados de una prueba de significancia; la
eficiencia se estudia segn lo visto en el apunte anterior. Tambin el alcance de un experimento puede
haber aumentado cuando los bloques son significativamente diferentes, ya que los tratamientos han sido
probados en condiciones experimentales ms amplias. Una palabra de cautela es pertinente aqu: si las
diferencias de bloques son muy grandes, puede haber un problema de heterogeneidad de error.
Si los efectos de bloque son pequeos, ello indica o que el experimentador no tuvo xito en reducir la
varianza del error agrupando las unidades individuales o que las unidades experimentales eran
esencialmente homogneas desde un principio.
c)
Prueba de F para tratamientos. Para probar la hiptesis nula de que no hay diferencia entre
tratamientos es 6,33/ 1,31 = 4,83** con 5 y 15 grados de libertad es significante al 1 por ciento.
Esto comprueba que hat diferencias reales entre las medias de los tratamientos. Para determinar
donde se encuentran las diferencias, pueden usarse procedimientos generales como los vistos.
Anlisis de la varianza del Cuadrado Latino (DCL)

Modelo lineal para el cuadrado latino.
Sea Yij la observacin en la interseccin de la fila i-sima con la columna j-sima. Esto ubica
cualquier observacin, pero no dice nada respecto al tratamiento aplicado. Un tercer subndice
puede desorientar, haciendo pensar que se tiene r 3 en vez de r 2 observaciones. Por ejemplo, el
tratamiento aparece una vez en cada una de las r filas, una vez en cada una de las r columnas, pero
solamente r veces en total; as que t = 1 supone un conjunto de variables i, j, con un nmero r. Lo
mismo puede decirse para los otros valores de t.
26

Expresamos una observacin mediante
, = + - + . + , + ,
Los grados de libertad y las frmulas para las sumas de cuadrados para un cuadrado latino r x r se dan en
la tabla 18.10. Aqu Yij representa la observacin en la interseccin de la fila i-sima (bloques horizontales
o 1 variable controlada) y la columna j-sima (bloques verticales o 2 variable controlada). Las sumas de
filas y medias se representan como Yi . y Yi . ,para i = 1, ..., k. y las sumas de columnas y medias con Y .j
y Yj . , j = 1, ..., k. Si bien esta notacin es adecuada para localizar una observacin, no dice nada
respecto al tratamiento recibido, se usa Yijl donde l representa el tratamiento.
Ejemplo ilustrativo
En El anlisis estadstico de un cuadrado latino 4 x 4 se ilustra mediante los datos de rendimiento
en una prueba de evaluacin de una variedad de trigo efectuada por Ali A. El Khishen, Escuela de
Agricultura. Universidad de Alejandra, Alejandra, Egipto. Los datos, el anlisis y el plan de campo se
presentan en la tabla 18.11. Las variedades estn representadas por letras A = Baldi, B = Moktar, C=
Giza 139, y D = Thatcher. Los rendimientos estn en kilogramos por parcela de tamao 42 m2. El
procedimiento de clculo es como sigue.
Tabla 18.10. Anlisis de la varianza para un experimento monofactorial con tratamiento distribuidos segn un
cuadrado latino k x k.
Fuente de
g.l.
Sumas de cuadrados
variacin
Frmulas de definicin
Frmulas de
clculo

Total

2

k -1
,
/,

,

/

( )
Filas
k-1

Columnas
/

k-1

Tratamientos

/
,

(, )
k-1
Error
(k 1)(k 2)

, , + 2

,
Por sustitucin
Paso 1. Calcular:
a) los totales de filas Yi ..
b) los totales de columna Y.j.
c) los totales de tratamientos Y..k
d) el total general Y.. . Esta es la suma cuadrados total no ajustada
e) simultneamente hallar las sumas de los totales al cuadrado de filas, de columnas y de
tratamientos
Fila
1
2
3
4
Totales de /
Columna
/
Tabla 18.11. Plan de campo con los rendimientos de trigo, en kilogramos por
parcela, dispuestos en cuadrado latino 4 x 4.
Columna
Totales de fila
2
1
2
3
4
Yi.
Y ij
C= 10,5
D= 7,7
B= 12,0
A= 13,2
43,4
487,78
B= 11,1
A= 12.0
C= 10,3
D= 7,5
40,9
429,55
D= 5,8
C= 12,2
A= 11,2
B= 13,7
42,9
495,61
A= 11,6
B= 12,3
D= 5,9
C= 10,2
40,0
424,70
39,0
44,2
39,4
44,6
162,7
/ = 1837,64
401,66
503,42
410,34
,
522,22
Tabla 18.12. Totales y medias de variedades.

A
B
C
48,0
49,1
43,2
Totales = /,
12,0
12,3
10,8
Medias = /,
D
26,9
6,8
27

Tabla 18.13. Anlisis de la varianza
g.l.
SC
CM
2
(k 1)= 15
90,40
Fuente de variacin
Total
Filas
Columnas
Tratamientos
Error
(k 1)= 3
(k 1)= 3
(k 1)= 3
(k 1)(k 2)= 6
1,95
6,80
78,93
2,72
0,65
2,27
26,31
0,45
1,44
5,04
58,47**

/
48,0 + + 26,9
,
"!78 97:; =
=
1747,24 = 78,93

4
SC error = SC(total) (filas) SC(columnas) SC(tratamientos)
= 90,40 (1,95 + 6,80 + 78,93) = 2,72
Las sumas de cuadrados se llevan a una tabla de anlisis de la varianza y luego se encuentra los
cuadrados medios. El valor F para las variedades (tratamientos) es igual a 26,31/0,45 = 58,47**, con 3 y
6 grados de libertad; es mucho mayor que el valor tabulado, el 1 por ciento, 9,78. Entonces se dice que
hay diferencia altamente significante entre los rendimientos de las variedades.
Paso 2: Hallar el trmino de correccin y las sumas de cuadrados (ajustadas)
Factor de ajuste, C =
SC Total =
Y ...2 167,22
=
= 1,747.24
k2
42
C = 1,837.64 1,747.24 = 90,40
2
ijl
ijl
2
i
SC Filas=
C =
y
SC Columnas =
43,4 2 + ... + 40,0 2

1,747.24 = 1,95
4
2
j
C =
39,0 2 + ... + 44,6 2

1,747.24
4
El error estndar muestral para una media de tratamientos es sY = s2/r = 0,34 kg., donde s2 es
el cuadrado medio del error y r es el nmero de unidades experimentales por tratamiento. El error
estndar de una diferencia entre dos medias de tratamientos es sYr Yr. = 2s2/r = 0,47 kg. Si se
sospecha heterogeneidad de error, ste no puede dividirse tan fcilmente como en el caso del diseo
de bloques completos al azar.
Anlisis despus del ADEVA
Pruebas de hiptesis: El paso siguiente, dado que se trata de tratamientos de naturaleza cualitativa, es
recurrir a una prueba de comparaciones mltiples para determinar cul o cules medias difieren entre s.
Ya que F result significativo y a los efectos de brindar ejemplos, se aplicarn, a los efectos
demostrativos, las pruebas de Duncan y de Tukey para un = 0,05 .
18.1.1.1.1.
Prueba de Duncan
Primero, ordenar las medias de menor a mayor, o a la inversa. Puede ser til espaciarlas de acuerdo
a una escala, para reflejar mejor las medias que se aproximan y las que se alejan.
3Dok13
y 5 (A)
13,1
3Dok4
y 3 (B)
14,6
Compuesto
y 6 ( C)
18,7
3Dok7
y4 (D)
19,9
3Dok5
y2 (E)
24,0
3Dok1
y 1 (F)
28,8
Se calculan todas las posibles comparaciones

Se observa el nmero de medias que entran en la comparacin y se obtienen los valores de DMS en
la tabla de Duncan para el fijado y , en este caso sern 24 grados de libertad de la tabla de
ADEVA.
Diferencias Mnimas Significativas
para p: n de medias que entran en la comparacin
2
3
4
5
6
=0,05
2,92 3,07 3,16 3,23 3,28
=0,01
3,96 4,13 4,24 4,32 4,39
28

Se establece la significancia (la diferencia observada es mayor al valor DMS) o no entre medias
y 1 y 5 = 28,8 13,1 = 15,7 >> R 6 = 3,28 son significativamente diferentes


y 2 y 6 = 24,0 18,7 = 5,3 > R 3 = 3,07 son significativamente diferentes
y 4 y 6 = 19,1 18,7 = 0,4 << R 2 = 2,92 no son significativamente diferentes
y 5 y 3 = 14,6 13,1 = 1,5 < R 2 = 2,92 no son significativamente diferentes
Presentar los resultados: Se unen con un trazo las medias que no resultaron significativamente
diferentes.
13,3(A) 14,6(B)
18,7(C) 19,9(D)
24,0(E)
28,8(F)
=0,05
Por ejemplo:
a) 18,7 y 19,9 estn subrayados por la misma lnea, porque hay evidencia muestral de que las
correspondientes dos medias poblacionales son iguales;
b) 14,6 y 19,9 no estn unidas por una lnea, as que las dos poblaciones deben declararse diferentes;
c) 28,8 aparece solo, as que su media poblacional difiere de todas las otras.
18.1.1.1.2.
Prueba de Tukey:
La prueba de comparaciones mltiples de Tukey hace uso de la diferencia honestamente

significativa DHS y es aplicable a todos los posibles pares de medias. A diferencia de Duncan, se
necesita de un solo valor crtico para juzgar la significancia de todas las diferencias. Todos los pares de
medias constituyen una familia y la tasa de error es familiar, como lo es el coeficiente de confianza
relacionado con las estimaciones de la diferencia de dos medias poblacionales a travs de intervalos.
Para los datos de Rhizobium (k = 6; e = 24; qo.o5 = 4,37 y se = CME r = 11,79 5 = 1,54 ), el
valor crtico para comparar las diferencias de medias es 4,37(1,54) = 6,7mg.
Tabla 18.5. Diferencias entre medias de nitrgeno en un
experimento con Rhizobium.
(6)
(5)
(4)
(3)
(2)
(1)
15,5*
10,7*
6,6*
5,4
1,3
(2)
14,2*
9,4*
5,3
4,1
(3)
10,1*
5,3*
1,2
(4)
8,9*
4,1
(5)
4,8
18.1.1.1.3.
Estimacin intervalar de las diferencias de medias.
El procedimiento apropiado se determina mediante las preguntas que inicialmente se plantea en

experimentador. Varios procedimientos estn disponibles:
a) Pruebas de comparaciones mltiples (tratamientos cualitativos)
b) Anlisis de la tendencia (tratamientos cuantitativos)
c) Estimacin de parmetros
29

Tambin se puede calcular un conjunto de intervalos de confianza para las diferencias entre las
medias poblacionales, como se muestra a continuacin:
Intervalos de confianza de (1 - ) 100% para: 1) la media de un solo tratamiento y para 2) las
diferencias entre las medias de dos tratamientos a partir de muestras aleatorias independientes
1) La media de un solo tratamiento:
/ 7'
2) La diferencia entre dos medias de tratamientos:
1 1
/ /B 7' ;C +
B
donde
y t/2 se basa en (r k) grados de libertad.
; = D; = %
Intervalo de confianza de (1 - )100% para la diferencia entre parejas de medias de tratamientos y

de bloques
Diferencia entre dos medias de tratamientos :
Diferencia entre dos medias de bloques:
2
/ /B 7' ;C

2
(/ /B ) 7' ;C

Donde
k = nmero de tratamientos.
r = nmero de bloques
s = %
Y t/2 se basa en (rk r k + 1) grados de libertad.
30

Tema 18 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema 18 PDF

Uploaded by

Copyright:

Available Formats

UNIDAD V: DISEO EXPERIMENTAL

DISEO Y ANLISIS DE EXPERIMENTOS

UNIDAD V: DISEO EXPERIMENTAL

DISEOS EXPERIMENTALES BSICOS

18.2.1. Dispositivo experimental

Diseo completamente aleatorizado (DCA)

18.2.1. Diseo completamente aleatorizado (DCA)

Las unidades experimentales deben ser homogneas entre s (sustrato homogneo)

Figura 18.1. Distribucin de un experimento monofactorial en DCA,

UNIDAD V: DISEO EXPERIMENTAL

18.2.2. Diseo de bloques completos al azar (DCBA)

Cuatro importantes criterios para el bloqueo

los bloques resulten perpendiculares al gradiente

UNIDAD V: DISEO EXPERIMENTAL

Los bloques se pueden mantener:

//////////////////////// IIIIIIIIIIIIIIIIIIIIIIII OOOOOOOO

UNIDAD V: DISEO EXPERIMENTAL

Figura 18.3. Distribucin de un experimento en DBA,

18.2.3. Diseo cuadrado latino (DCL)

Para lograr la aleatorizacin en el dispositivo experimental o plano de distribucin de los

Fig.a. Cuadrado sistemtico

Fig.b. Cuadrado sistemtico

UNIDAD V: DISEO EXPERIMENTAL

Fig.c. Cuadrado sistemtico

Fig. d. 1 Cuadrado reordenado

Fig.e. 2 Cuadrado reordenado

Fig. f. 3 Cuadrado reordenado

Fig. 18.4. Cuadrado latino 5x5 aleatorizado: a) la letra indica el

UNIDAD V: DISEO EXPERIMENTAL

18.2.2. Anlisis comparativo de los diseos bsicos

Ventajas y desventajas de un DBCA

Ventajas y desventajas del diseo en DCL

ANLISIS DE LOS EXPERIMENTOS MONOFACTORIALES

18.3.1. Anlisis de la varianza

SCG = SC entre tratamientos + SC para el error experimental

UNIDAD V: DISEO EXPERIMENTAL

b) de los grados de libertad

i : efecto del j-simo tratamiento

Tabla de ADEVA de un DCA

SCE = SCG SCT

UNIDAD V: DISEO EXPERIMENTAL

Ejemplo ilustrativo de un DCA

Para el clculo de las sumas de cuadrados, grados de libertad y cuadrados medios se

Entre los cultivos

Dentro de los cultivos

UNIDAD V: DISEO EXPERIMENTAL

poblacionales. Sintticamente se dice que el estadgrafo muestral tom un valor altamente

18.3.1.2. Diseo de bloques completos al azar (DBCA)

UNIDAD V: DISEO EXPERIMENTAL

Para los bloques

Tabla de ADEVA de un DBCA

SCE = SCG SCT SCB

UNIDAD V: DISEO EXPERIMENTAL

Totales para bloques

416,16 295,84 256,00 718,24 586,64 789,61

nk valores observados ( y ij = 788,23).

UNIDAD V: DISEO EXPERIMENTAL

SC error = SC total SC tratamientos SC bloques

= 176,50 + + 213,09 733,72 = 54,51

20.4 2 + ... + 28,12

Clculo de los cuadrados medios (CM = SC/gl)

a) Prueba de F para bloques. En nuestro ejemplo, no es significativa. Su interpretacin debe hacerse

Anlisis de la varianza del Cuadrado Latino (DCL)

, , + 2