DISEÑOS EXPERIMENTALES

Un diseño estadístico de experimentos es el proceso de planificación del experimento mediante el cual se

recolectan datos apropiados que al ser analizados por métodos estadísticos estos nos conducen a conclusiones
metodológicamente válidas.
 Diseño del experimento
 El análisis estadístico de los datos.
PROPOSITO DE UN DISEÑO EXPERIMENTAL
El propósito de un diseño experimental es proporcionar métodos que permitan obtener la mayor cantidad
de información válida acerca de una investigación, teniendo en cuenta el factor costo y el uso adecuado del
material disponible mediante métodos que permitan disminuir el error experimental.
PREGUNTAS QUE PUEDAN FORMULARSE ANTES DE PROPONER UN DISEÑO
Pueden formularse muchas preguntas antes de que los estadísticos puedan proponer un diseño adecuado, pero las
preguntas típicas son:
1. ¿Cómo se va a medir el efecto? Es decir, ¿Cuáles son las características que se van a analizar?
2. ¿Qué factores afectan las características que se van analizar?
3. ¿Cuál de esos factores se estudiarán en esta investigación?
4. ¿Cuántas veces se debería ejecutarse el experimento básico?
5. ¿Cuál sería la forma de los análisis?
6. ¿a partir de qué valor se considera importante un efecto?
Cuando reconozcamos que las preguntas anteriores son sólo una pequeña muestra de las que puedan formularse,
será evidente que debe meditarse ampliamente la etapa de planeación de cualquier investigación experimental.

ERROR EXPERIMENTAL
El error experimental viene a constituir la variabilidad motivada por las diferencias que se producen en los
resultados de unidades experimentales tratadas en forma similar.
Las principales fuentes de error experimental son:
 La variabilidad inherente al material experimental (unidades experimentales).
 Falta de homogeneidad en la técnica experimental.
 Errores de experimentación.
 Errores de observación y medición.
 Efectos combinados de todos los factores extraños que puedan influir sobre los resultados del experimento
FORMAS DE DISMINUCIÓN DEL ERROR EXPERIMENTA

El error experimental puede ser reducido mediante.

 El uso de un diseño experimental apropiado.
 La selección minuciosa del material experimental a usarse (lo más homogéneo posible).
 Si el material experimental es heterogéneo se deberá agrupar en forma homogénea (formar estratos).
 Incremento del número de repeticiones en el experimento.
 El perfeccionamiento de la técnica experimental y el mayor cuidado al dirigir el experimento.
 La utilización de la información proporcionada por variables relacionadas a la variable en estudio (uso de la
técnica de covarianza).

CONCEPTOS BASICOS DE DISEÑOS DE EXPERIMENTOS

TRATAMIENTO
Los tratamientos vienen a constituir los diferentes procedimientos, procesos, factores o materiales y cuyos
efectos van a ser medidos y comparados.
El tratamiento establece un conjunto de condiciones experimentales que deben imponerse a una unidad
experimental dentro de los fines del diseño seleccionado.
Ejemplos: Dosis del fertilizante, ración alimentaria, profundidad del sembrado, distanciamiento entre
plantas, variedad de un cultivo
TESTIGO
El testigo es el tratamiento de comparación adicional, que no debe faltar en un experimento; por ejemplo, si
se usan cinco tratamientos con fertilizante, el testigo puede ser aquel tratamiento que no incluye fertilizante. La
elección del tratamiento testigo es de gran importancia en cualquier investigación, este se constituye como
referencial del experimento y sirve para la comparación de los tratamientos en prueba.
UNIDAD EXPERIMENTAL
La unidad experimental, es el objeto o espacio al cual se aplica el tratamiento en donde se mide y analiza la
variable que se investiga. En los experimentos pecuarios la unidad experimental por lo general esta conformada
por un animal (cuy, cerdo, pato, etc.), en los experimentos forestales la unidad experimental en la mayoría de los
casos esta conformada por un árbol y en la mayor parte de las pruebas de campo agrícolas, la unidad experimental
es una parcela de tierra en lugar de una planta individual; es en este último caso que con frecuencia se presenta lo
que se llama efecto de borde.
FACTOR
Es un conjunto de tratamientos de una misma clase o característica.
Ejemplo. Tipos de Riego, Dosis de fertilización, variedades de cultivo, manejo de crianzas, etc.
TIPOS DE FACTORES: Son de tipo cuantitativos y cualitativos.
1. Factores Cuantitativos. Son aquellos factores cuyos niveles son cantidades numéricas.
Ejemplo:
Factor A: Dosis de Fertilización.
Niveles: 10 kg/Ha (ao), 20kg/Ha(a1), 30kg/Ha(a2).

2. Factores Cualitativos. Son aquellos factores cuyos niveles son procedimientos o cualidades.
Ejemplo:
Factor A: Variedad de Cultivo
Niveles: Variedad1 (a0), Variedad 2(a1).
Hipótesis Estadística.- Es el supuesto que se hace sobre el valor de un parámetro (constante que caracteriza a una
población) el cual puede ser validado mediante una prueba estadística.
En la investigación agraria al realizar un análisis estadístico utilizando el ANOVA de un diseño experimental, la
hipótesis a probar es si los tratamientos tienen el mismo efecto sobre la variable que se estudia, es casi como se
tienen las hipótesis nula (H0) e hipótesis alterna (H1):
H0: ti = 0 (los i tratamientos tienen el mismo efecto sobre la variable en estudio).
H1: ti  0 (No todos los i tratamientos tienen el mismo efecto sobre la variable en estudio).
Al probar la hipótesis estadística el investigador está propenso a cometer los siguientes tipos de errores:
Tipos de Error
Error tipo I: Se comete cuando se rechaza la hipótesis nula, siendo está hipótesis falsa; la magnitud de este error es
fijado por el investigador y constituye el "nivel de significación de la prueba"; usualmente los valores usados
como nivel de significación son  = 0.05 ó  = 0.01.
Error tipo II: Se comete cuando se acepta la hipótesis nula, siendo está hipótesis falsa; la magnitud de este error
no se puede fijar, pero si es posible minimizar utilizando un tamaño adecuado de muestra.
PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL
Los principios básicos del diseño experimental son: repetición, aleatorización, y control local.
 Repetición: Viene hacer la reproducción o réplica del experimento básico (asignación de un tratamiento a una
unidad experimental). Las principales razones por las cuales es deseable la repetición son: Primero que nos
proporciona una estimación del error experimental, siendo tal estimación confiable a medida que aumenta el
número de repeticiones, y segundo permite estimaciones más precisas del tratamiento en estudio.
 Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio a las unidades experimentales
con el propósito de asegurar que un determinado tratamiento no presente sesgo.
Por otro lado la aleatorización hace válidos los procesos de inferencia y las pruebas estadísticas.
 Control Local (Control de error experimental): consiste en tomar medidas dentro del diseño experimental para
hacerlo más eficiente, de tal manera que pueda permitir la reducción del error experimental y así hacerla más
sensible a cualquier prueba de significación.
SUPUESTOS ACERCA DEL MODELO ESTADISTICO
 Aditividad: Los factores o componentes del modelo estadísticos son aditivos, es decir la variable respuesta es la
suma de los factores del modelo estadístico.
 Linealidad: La relación existente entre los factores o componentes del modelo estadístico es del nivel lineal.

 Normalidad: Los valores resultados del experimento provienen de una distribución de probabilidad "Normal"
con media  y varianza 2.

 Independencia: Los resultados observados de un experimento son independientes entre sí.

 Varianzas Homogéneas (Homocedasticidad): Las diversas poblaciones generadas por la aplicación de dos ó más
tratamientos tienen varianzas homogéneas (Varianza común).
TIPOS DE MODELOS ESTADISTICOS
1. Modelo I (efectos fijos):
Se presenta cuando los tratamientos y demás factores que intervienen en un experimento son fijados por el
investigador; es decir, no se efectúa una elección aleatoria. En estos casos las conclusiones del análisis de
varianza solamente son válidas por los tratamientos y otros factores usados en el experimento. En el presente
trabajo se ha considerado únicamente el caso del modelo de efectos fijos, por ser el que se presenta con mayor
frecuencia en la experimentación agraria.
2. Modelo II (Efectos aleatorios):
Se presenta cuando los tratamientos y demás factores que intervienen en un experimento son fijados al azar
por la población. En estos casos las conclusiones del análisis de variancia son válidos tanto para los
tratamientos y demás factores usados, así como para todas las poblaciones de tratamientos y factores.
3. Modelo III (Modelo Mixto):
Este modelo es la combinación de los dos anteriores y se presenta cuando algunos factores son fijados y otros
son elegidos al azar. En estos casos las conclusiones del análisis de varianza son válidas para toda la población
de factores cuando estos son elegidos al azar, y solamente para los factores usados cuando estos son fijados.
PASOS A SEGUIR EN EL DISEÑO DE UN EXPERIMENTO

1. Enunciado del problema

2. Formulación de las hipótesis.
3. Sugerencia de la técnica experimental y el diseño.
4. Examen de los sucesos posibles y referencia en que se basan las razones para la indagación que asegure que el
experimento proporciona la información requerida y en tal extensión adecuada.
5. Consideración de los posibles resultados desde el punto de vista de los procedimientos estadísticos que se les
aplicará, para asegurar que satisfagan las condiciones necesarias para que sean válidos estos procedimientos.
6. Ejecución del experimento.
7. Aplicación de las técnicas estadísticas a los resultados experimentales.
8. Extracción de las conclusiones con medidas de las conclusiones para las estimaciones de cantidades valuadas
cualesquiera. Deberá darse cuidadosa consideración a la validez de las conclusiones para la población de
objetos o eventos a la cual se van a aplicar.
9. Valuación de la investigación completa, particularmente con otras investigaciones del mismo problema o
similares.

PRUEBAS DE COMPARACION DE MEDIAS

Es propósito de todo investigador que realiza un análisis de varianza de un experimento en particular, realizar la
prueba sobre el efecto de los tratamientos en estudio, para ello hace uso de la prueba F el cual indicará si los
efectos de todos los tratamientos son iguales o diferentes; en caso de aceptar la hipótesis de que todos los
tratamientos no tienen el mismo efecto, entonces es necesario realizar pruebas de comparación de promedios a fin
de saber entre que tratamientos hay diferencias, y para esto es necesario realizar pruebas de comparación múltiple
como las siguientes:
Prueba de Rangos Múltiples de Duncan:
Este procedimiento es utilizado para realizar comparaciones múltiples de medias; para realizar esta prueba no es
necesario realizar previamente la prueba F y que ésta resulte significativa; sin embargo, es recomendable efectuar
esta prueba después que la prueba F haya resultado significativa, a fin de evitar contradicciones entre ambas
pruebas.
Prueba de Rangos Múltiples de Tukey:
Este procedimiento es llamado también «Diferencia Honestamente Significativa », se utiliza para realizar
comparaciones múltiples de medias; esta prueba es similar a la prueba de Duncan en cuanto a su procedimiento y
además es más exigente.

Prueba de Comparación de Dunnet:

Esta prueba es útil cuando el experimentador está interesado en determinar que tratamiento es diferente de un
testigo, control o tratamiento estándar, y no en hacer todas las comparaciones posibles (que pasarían a una
segunda prioridad); es decir, cuando se quiere comparar el testigo con cada uno de los tratamientos en estudio.
TRANSFORMACION DE DATOS
La razón principal de la transformación de datos es que de llevarse a cabo un análisis estadístico con resultados que
no cumplan con los supuestos acerca del modelo estadístico, se puede llegar a una conclusión equivocada.
Un cambio de escala puede variar la media y la varianza de la variable así como su relación con respecto a otras
variables. La forma de la distribución de una variable cambia con la escala. Mediante una transformación adecuada
puede conseguirse que un variable que no se distribuye normalmente pase a tener una distribución casi normal.
Las poblaciones con variancias desiguales pueden convertirse en homocedásticas (varianzas homogéneas)
mediante una transformación apropiada.
Las transformaciones mas usadas son:
a. Transformación logarítmica
El modelo lineal (por ejemplo Yij = μ + τi + βj + eij) indica que el efecto del bloque, el efecto del tratamiento y el error
experimental, son todos ellos aditivos. Si los bloques y los tratamientos aumentan o disminuyen las mediciones en
un determinado porcentaje en lugar de una determinada cantidad, entonces se dice que los efectos son
multiplicativos y no aditivos. En estos casos, una transformación logarítmica transformará en aditiva la relación
multiplicativa y en consecuencia el modelo lineal podrá ser aplicado a los nuevos datos.
Para ciertos tipos de análisis, el investigador prefiere la escala que elimina las interacciones mientras que para otras
puede preferir la escala que restituye los efectos lineales. Lo que hay que recordar es que la relación entre las
variables está muy influenciada por las escalas con las que se miden dichas variables. Las interpretaciones de los
datos sólo son válidas en relación con la escala particular adoptada en un caso determinado.
b. Transformación de la raíz cuadrada
Cuando los datos están dados por números enteros procedentes del conteo de objetos, como por ejemplo el
número de manchas en una hoja o el número de bacterias en una placa, los números observados tienden a
presentar una distribución de Poisson más que una distribución normal. Las consideraciones teóricas conducen a la
transformación de la raíz cuadrada de los números observados.
Normalmente esta transformación determina que las varianzas de los grupos sean más iguales. También es
aplicable a las distribuciones sesgadas puesto que acorta la cola larga.
Si y es el número observado, para el análisis estadístico y la prueba de significación utilizaremos y1/2. Cuando los
números observados son pequeños (de 2 a 10), se prefiere la transformación (y+0.5)1/2, en especial cuando algunos
de los números observados son cero.
COEFICIENTE DE VARIABILIDAD
Es una medida de variabilidad relativa (sin unidades de medida) cuyo uso es para cuantificar en términos
porcentuales la variabilidad de las unidades experimentales frente a la aplicación de un determinado tratamiento.
En experimentación no controlada (condiciones de campo) se considera que un coeficiente de variabilidad mayor a
35% es elevado por lo que se debe tener especial cuidado en las interpretaciones y ó conclusiones; en condiciones
controladas (laboratorio) se considera un coeficiente de variabilidad mayor como elevado. La expresión estimada
del coeficiente de variabilidad es:
√𝑐𝑚𝑒
𝑐𝑣 = ∗ 100
𝑌

ANALISIS DE LA VARIANZA

Es una técnica estadística que sirve para determinar si diversos conjuntos de muestras aleatorias de una
determinada variable proceden de una misma población o bien de poblaciones distintas. En general, cada conjunto
muestral se caracteriza por estar afectado por un tratamiento específico, que eventualmente puede influir en los
valores que tome la variable que es objeto de estudio.

ANALISIS DE DISEÑO DE EXPERIMENTOS COMPLETAMENTE ALEATORIZADO

DISEÑO COMPLETAMENTE ALEATORIZADO (D.C.A)
Con Una Sola Observación Por Unidad Experimental
En este diseño, los tratamientos en estudio se distribuyen al azar en todas las unidades experimentales; siendo el
número de repeticiones por tratamiento igual ó diferente. Este diseño se emplea cuando la variabilidad en todo el
material experimental es relativamente pequeña y uniformemente distribuida.
 Ventajas:
Fácil de planear y analizar; además es flexible en el empleo del número de tratamientos y repeticiones.
Finalmente, permite tener dentro del análisis de varianza el máximo número de grados de libertad para la
suma de cuadrados del error.
 Desventaja:
La principal desventaja que presenta este diseño está relacionada a la homogeneidad del material
experimental; el cual es difícil de encontrar en experimentos de campo, por lo que su uso se restringe con
mucha frecuencia a experimentos de laboratorio, ó allá donde se pueda tener control de los efectos no
considerados en el estudio (ambiente, temperatura, luz, etc.)

 Aleatorizacion.-En este diseño, la aleatorización de los tratamientos se realiza en forma irrestricta sobre las
unidades experimentales, así pues si tenemos 3 tratamientos T1, T2, T3, una posible distribución podría ser:
T1 T3 T2

T1 T1 T2

T2 T3 T1

T2 T2 T3
 Modelo Estadístico

Tratamientos
Total
1 2 ... t
Y11 Y21 ... Yt1
Y12 Y22 ... Yt2
Observaciones
... ... ... ...
Y1n Y2n ... Ytn
𝑡
Totales
T1 T2 … Tt 𝑇 = ∑ 𝑇𝑖
𝑖=1
Número de Observaciones n n n tn
Medias 𝑌̅1 𝑌̅2 𝑌̅𝑡 𝑌 = 𝑇⁄𝑡𝑛

Modelo: 𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗

Suma de cuadrados = Myy + Tyy + Eyy

PASOS PARA EL CONTRASTE DE HIPOTESIS EN UN DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)

Paso Nº1: Planteamiento de Hipótesis.
En un Diseño Completamente Aleatorizado, frecuentemente estamos interesados en contrastar la hipótesis
nula de que todas las muestras proceden de una misma población N (, 2) o no, esto es:
H0: i = 0: (Todos los tratamientos tienen el mismo efecto sobre la variable en estudio). i = 1,2,..., t o 1 = 2 = ...
= k
H1: i  0: (No todos los tratamientos tienen el mismo efecto sobre la variable en estudio). o 1  2  ... k
Paso Nº 2: Nivel de significancia:  (0  1)
Paso Nº 3: Construcción de la Tabla del ANOVA.

1) Suma Total de Cuadrados.

∑ 𝑌 2 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠
 𝑡 𝑛𝑖
2
∑ 𝑌 2 = ∑ ∑ 𝑦𝑖𝑗 ∶ 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑖=1 𝑗=1
n: Número de observaciones

2) Suma de Cuadrados debido a la Media (Myy)

2
൫σ𝑡𝑖=1 𝑇𝑖 ൯ 𝑇2
𝑀𝑦𝑦 = =
𝑡𝑛 𝑡𝑛

3) Suma de Cuadrados entre Tratamientos (Tyy)

𝑡
σ𝑡𝑖=1 𝑇𝑖2
𝑇𝑦𝑦 = − 𝑀𝑦𝑦 = ∑ 𝑛(𝑦ഥ𝑖 − 𝑌̅)2
𝑛
𝑖=1

4) Suma de Cuadrados del Error Experimental (Eyy)

𝐸𝑦𝑦 = ∑ 𝛴𝑌 2 − 𝑀𝑦𝑦 − 𝑇𝑦𝑦

TABLA DEL ANALISIS DE VARIANZA (ANVA) PARA IGUAL NUMERO DE OBSERVACIONES PARA
CADA TRATAMIENTO
Grados de Suma de
Fuente de Cuadrado Medio Razón
Libertad Cuadrados
Variación (C.M.) F
(g.l.) (S.C)
𝑇𝑦𝑦 𝑇
Entre Tratamiento t-1 Tyy 𝑇= 𝐹~
𝑡−1 𝐸
𝐸𝑦𝑦
Error Experimental t(n-1) Eyy 𝐸=
𝑡(𝑛 − 1)
Total tn-1 Tyy+Eyy

 Paso Nº 4 Región Crítica:

La región crítica de la prueba de tamaño  es dado por
C=  Fcal : Fcal  F[t –1; t (n-1)]

F[t –1; t (n-1)],

 Paso nº 5.- Conclusión.

Si Fcal  FTab= F[t –1; t (n-1)], se rechaza H0 y concluimos de que hay diferencia entre las medias y por
tanto hay influencia de los tratamientos sobre la variable analizada.

SUBMUESTREO EN UN DISEÑO COMPLETAMENTE ALEATORIZADO CON DESIGUAL NÚMERO DE MUESTRAS POR

UNIDAD EXPERIMENTAL. y ijk     i  eij  nijk

ESTIMACIÓN DE PARÁMETROS Suma Total de Cuadrados

t ni nij

 Y 2   yijk2
i 1 j 1 k 1
Suma de cuadrados de la Media.

T2
M yy 
N

Suma de Cuadrados entre Tratamientos.

 
t  2 
T
Tyy    ni i   M yy
i 1  
  nij 
 j 1 

Suma de Cuadrados del Error Experimental

t  Eij2 
ni
E yy      M yy  T yy
i 1 j 1 
 nij 

Suma de cuadrados entre muestras de la misma unidad experimental

S yy   y 2  M yy  Tyy  Eyy

Promedio de las nij observaciones en j-ésima unidad experimental sujeto al i-ésimo tratamiento:
Eij
Y ij 
nij

Ti
Promedio de todas las observaciones en el j-ésimo tratamiento: Y i  ni

n
i 1
ij

T
Promedio de todas las observaciones en todo el experimento: Y
N

Factor de Suma de
Grados de libertad Cuadrados medios Razón
Variación cuadrados

M yy
Media 1 M yy M
1

Tyy
Tratamientos t 1 Tyy T
t 1
T
Error t E yy FC 
experimental
 (n
i 1
i  1) E yy E
n 1 i
L

t ni S yy
Error de  (n ij  1) S yy
S t ni
muestreo i 1 j 1  (n
i 1 j 1
ij  1)
 TOTAL y 2

Coeficientes:

 ni 2 
t   ij 
n
N    ni j 1 
i 1  
  nij 
c1   j 1 
t

 (ni  1)
i 1

 ni 2  t ni 2
t   ij  
n nij
 
i 1 
j 
ni
1 

i 1 j

N
1

  nij 
c2   j 1 
t 1
2
 ni 
t

   nij 

i 1  j 1

N 
c3  N
t 1
Ejemplo: Se quiere investigar la conversión fermentativa del azúcar a ácido lácteo. Se desea comparar la capacidad de 2 micro
organismos para realizar esta conversión. Una cantidad de substrato es preparada y dividida en dos porciones desiguales. Cada
porción es dividida en un número de subporciones de 100 ml (unidades experimentales); cada una de las unidades
experimentales de 100 ml es mezclada con uno u otro de los micro organismos, 4 unidades fueron mezcladas con el micro
organismo Nº 1 y 3 unidades con el micro organismo Nº 2. La fermentación se dejó por un espacio de 24 horas y después cada
unidad es examinada respecto a la cantidad de azúcar residual expresada en ml por cm 3, para determinar la cantidad de cambio
producida por cada micro organismo, el azúcar previamente presentado será convertido y aparecerá como ácido lácteo. Los
datos se encuentran en la siguiente tabla

Micro organismo N° 1 Micro organismo N° 2

(T1) (T2)

Muestra N° 1 Muestra N° 2

U. experim. 1 2 3 4 1 2 3

5,6 5,0 5,4 5,3 7,6 7,4 7,5

5,7 5,0 5,4 5,5 7,6 7,0 7,6

Determinación 5,1 5,4 7,8 7,2 7,5

5,5 7,4

5,4

Sumas (Eij) 11,3 15,1 27,1 10,8 23,0 21,6 30,0

nij 2 3 5 2 3 3 4 N = 22
 Ti 64,3 74,6 T = 138,9

ni 4 3

H0 : i  0
1) Hipótesis:
H1 :  i  0

2) Nivel de Confiabilidad:  = 0,5

3) cálculo de parámetros

Y 2
 902,07

138,92
M yy   876,9641
22

 64,32 74,6 2 
Tyy      876,9641  24,0927
 12 10 

11,32 15,12 27,12 10,82 232 21,62 302 

E yy          876,9641  24,0927  0,8468
 2 3 5 2 3 3 4 
S yy  902.07  876,9641  24,0927  0,8468  0,1664

F.V. g.l. S.C. C.M.

Media 1 876,9641 M = 876,964

Tratamientos 1 24,0927 T = 24,0927

Error experimental 5 0,8468 E = 0,1694

Error de muestreo 15 0,1664 S = 0,0111

Total 22 902,07

Procedimiento de la prueba de Satterthwaite:

 22  32  52  22 32  32  42 
22    
 2  3  5  2 3  3  4   3,02
c1 
3 2
 2 2  32  5 2  2 2  32  32  4 2
6,9 
c2  22  3,45
1

c2  c 
L  a1E  a2 S  E  1  2 S
c1  c1 

3,45  3,45 
L (0,1694)  1  0,0111  0,191939
3,02  3,02 

L2
vˆ 
(a1E ) 2 (a2 S ) 2

v1 v2

0,191939 2
vˆ   5 g.l.
((1,14)(0,1694)) 2 (( 0,14)(0,0111)) 2

5 15

24,0927
Fc   125,5227
0,191939

F1,5;0,95  6,61

Decisión: Se rechaza H0 :  i  0

Conclusión: La capacidad fermentativa de los micro organismos es significativa.

SUBMUESTREO EN UN DISEÑO COMPLETAMENTE ALEATORIZADO CON IGUAL NÚMERO DE MUESTRAS

POR UNIDAD EXPERIMENTAL.

y ijk     i  eij  nijk

ESTIMACIÓN DE PARÁMETROS

Suma Total de Cuadrados

t n m

Y 2   yijk2i 1 j 1 k 1

Suma de cuadrados de la Media.

T2
M yy 
tnm

Suma de Cuadrados entre Tratamientos.

T i
2

T yy  i 1
 M yy
nm

Suma de Cuadrados del Error Experimental

t ni
Eij2
E yy    M yy  Tyy
i 1 j 1 m

Suma de cuadrados entre muestras de la misma unidad experimental

S yy   y 2  M yy  Tyy  Eyy

Grados de Suma de
Factor de Variación Cuadrados medios Razón
libertad cuadrados

M yy T
Media 1 M yy M Fc 
1 E
 Tyy
Tratamientos t 1 Tyy T
t 1

E yy
Error experimental t (n  1) E yy E
t (n  1)

S yy
Error de muestreo tn(m  1) S yy S
tn(m  1)

TOTAL y 2

Ejemplo: Un experimento tenía como finalidad la evaluación de las componentes de varianza para
verificar la variación de concentración de ácido ascórbico en plantas de nabo. Se tomaron dos hojas del
centro de cada una de 5 plantas y se determinó la concentración de ácido ascórbico para cada hoja. Esto
se repitió en seis días, empleando una nueva selección de plantas en cada día. Los datos obtenidos son
los siguientes:

Plantas
Día Hojas Ti
1 2 3 4 5

A 9,1 7,3 7,3 10,7 7,7

1 B 7,3 9,0 8,9 12,7 9,4

Eij 16,4 16,3 16,2 23,4 17,1 89,4

A 12,6 9,1 10,9 8,0 8,9

2 B 14,5 10,8 12,8 9,8 10,7

Eij 27,1 19,9 23,7 17,8 19,6 108,1

A 7,3 6,6 5,2 5,3 6,7

3 B 9,0 8,4 6,9 6,8 8,3

Eij 16,3 15,0 12,1 12,1 15,0 70,5

A 6,0 8,0 6,8 9,1 8,4

4 B 7,4 9,7 8,6 11,2 10,3

Eij 13,4 17,7 15,4 20,3 18,7 85,5

A 10,8 9,3 7,3 9,3 10,4

5 B 12,5 11,0 8,9 11,2 12,0

Eij 23,3 20,3 16,2 20,5 22,4 102,7

6 A 10,6 10,9 10,4 13,1 7,7 113,9

 B 12,3 12,8 12,1 14,6 9,4

Eij 22,9 23,7 22,5 27,7 17,1

119,4 112,9 106,1 121,8 109,9 T = 570,1

H 0 :  i2  0
1) Hipótesis:
H 1 :  i2  0

2) Nivel de Confiabilidad:  = 0,5

3) cálculo de parámetros

Y 2
 5706,55

570,12
M yy   5416,90
60

89,4 2  10,12  70,5 2  85,5 2  102,7 2  74.6 2  113,9

Tyy   5416,90  130,997
(5)(2)

16,4 2  27,12  ...  17,12

E yy   5416,90  130,997  113,078
2
S yy  5706,55  5416,90  130,997  113,078  45,575

F.V. g.l. S.C. C.M. Razón

Media 1 5416,90 M = 5416,90

Tratamientos 5 130,997 T = 26,19 24,19

Fc   5,56
Error experimental 24 113,078 E = 4,71 4,71

Error de muestreo 30 45,575 S = 1,52

Total 60 5706,55

F5, 24;0,95  2,62

Decisión: Se rechaza H 0

DISEÑO DE BLOQUES COMPLETOS ALEATORIZADO: DBCA

Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. Las
unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados
bloques.
Tratamientos A, B, C, D, E
Bloque I : B A E C D
Bloque II : C B D E A
Bloque III: B E A D C
Bloque IV: D C A E B

Las fuentes de variación para el análisis estadístico son:

Fuentes Grados de libertad

Tratamiento (t-1) = 4
Bloques (r-1) = 3
Error (t-1) (r-1)=12

Características:
1. Las unidades experimentales son heterogéneas.
2. Las unidades homogéneas están agrupadas formando los bloques.
3. En cada bloque se tiene un numero de unidades igual al numero de tratamientos (bloques
completos)
4. Los tratamientos están distribuidos al azar en cada bloque.
5. El número de repeticiones es igual al número de bloques.

MODELO

Cada observación del experimento es expresada mediante una ecuación lineal en los parámetros, el
conjunto conforma el modelo para el diseño de bloques completos aleatorizados:
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑗 + 𝛽𝑗 + 𝜀𝑖𝑗 ; 𝑖 = 1,2,3, … , 𝑡
𝑗 = 1,2,3, … , 𝑟

𝜇 = Parámetro, efecto medio

𝜏𝑗 = Parámetro, efecto del tratamiento I
𝛽𝑗 = Parámetro, efecto del bloque j
𝜀𝑖𝑗 = valor aleatorio, error experimental de la unidad experimental i,j
𝑌𝑖𝑗 = Observación en la unidad experimental

ESTIMACIÓN DE PARÁMETROS por Mínimos cuadrados del error

∑ 𝜏̂𝑗 = 0; ∑ 𝛽̂𝑗 = 0

𝜇̂ = 𝑌̅..

𝜏̂ 𝑖 = 𝑌̅𝑖. − 𝑌̅..

𝛽̂𝑗 = 𝑌̅𝑗. − 𝑌̅..

El error en cada unidad experimental puede ser encontrado por diferencia:

𝜀𝑖𝑗 = 𝑌𝑖𝑗 − 𝑌̅𝑖. − 𝑌̅.𝑗 + 2𝑌̅..

SUMAS DE CUADRADOS
2 𝑌..2
𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = ∑ ∑൫𝑌𝑖𝑗 − 𝑌̅. . ൯ = ∑ ∑ 𝑌𝑖𝑗2 −
𝑟𝑡

𝑌𝑖.2 𝑌..2
𝑆𝐶 𝑇𝑟𝑎𝑡. = ∑ ∑(𝑌𝑖. − 𝑌̅. . )2 = ∑ −
𝑟 𝑟𝑡

2 𝑌.𝑗2 𝑌..2
𝑆𝐶 𝑏𝑙𝑜𝑞𝑢𝑒 = ∑ ∑൫𝑌.𝑗 − 𝑌̅. . ൯ = ∑ −
𝑡 𝑟𝑡

2 𝑌𝑖.2 𝑌.𝑗2 𝑌..2

𝑆𝐶 𝑒𝑟𝑟𝑜𝑟 = ∑ ∑ 𝜀𝑖𝑗 = ∑ ∑ 𝑌𝑖𝑗2 −∑ − ∑ +
𝑟 𝑡 𝑟𝑡
𝑖 𝑗

𝑌..2
es el termino de corrección (TC) de las sumas de cuadrados, en las expresiones de sumas
𝑟𝑡
de cuadrados se acostumbra colocar sólo TC, por ejemplo:

APLICACIÓN: Estudio de Variedades forrajeras en Camote. Se realizo un ensayo de 4 nuevas

variedades forrajeras (V1, V2, V3 y V4) frente a una variedad ya conocida. Se dispuso realizar el
ensayo en la época de verano en Selva. Cada parcela de 10 m2 con un total de 15 parcelas. Se
formaron bloques de 5 parcelas homogéneas. Se midió el peso fresco y seco y se registro el peso en
kilos.

Follaje Fresco
V1 Testigo V2 V3 V4 Y.j
I 17.9 7.0 19.8 15.2 12.7 72.6
II 20.8 5.9 16.7 21.0 14.2 78.6
III 21.4 4.2 16.7 8.8 11.5 62.6
Yi. 60.1 17.1 53.2 45.0 38.4 213.8

El objetivo es comparar las nuevas variedades entre ellas y con el testigo.

CALCULO DE SUMAS DE CUADRADOS

Termino de corrección = TC = (213.8)²/15

(17.1)2 + ⋯ + (38.4)2
𝑆𝐶 𝑉𝑎𝑟𝑖𝑒𝑑𝑎𝑑𝑒𝑠 = − 𝑇𝐶
3
2 2
(72.6) + ⋯ + (62.6)
𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = − 𝑇𝐶
5
𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = (17.9)2 + ⋯ + (38.4)2 − 𝑇𝐶

SC_error Exp. = SC_total - (SC_Variedades + SC_Bloques)

Resultados del ANOVA:

Variable Follaje
grados de Suma de Cuadrados
Fuente Fc Pr > F
libertad Cuadrados Medios
bloque 2 26.1333 13.0666 1.51 0.2785
variedad 4 364.0440 91.0110 10.49 0.0029
Error 8 69.4000 8.6750
Total 14 14 459.5773
 CV = 20.6 %
Promedio = 14.25
F0.05 (4,8) = 3.84
F0.01 (4,8) = 7.01
DISEÑO CUADRADO LATINO: DCL
El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la asignación de los
tratamientos al azar en las unidades, de tal forma que en cada fila y en cada columna se encuentren todos los
tratamientos constituye un diseño cuadrado latino.
Características:
1. Las unidades experimentales se distribuyen en grupos, bajo dos criterios de homogeneidad dentro de la fila y
dentro de la columna y heterogeneidad en otra forma.
2. En cada fila y en cada columna, el número de unidades es igual al número de tratamientos.
3. Los tratamientos son asignados al azar en las unidades experimentales dentro de cada fila y dentro de cada
columna.
4. El número de filas = número de columnas = número de tratamientos.
5. Los análisis estadísticos T-student, Duncan, Tuckey y en pruebas de contraste se procede como el diseño
completo al azar y el diseño de bloques. La desviación estándar de la diferencia de promedios y la desviación
estándar del promedio, están en función del cuadrado medio del error experimental.
Formación de cuadrados latinos
Suponga 4 tratamientos A,B,C y D, con estos tratamientos se pueden formar 4 cuadros diferentes llamadas
típicas o estándar (en la primera fila y en la primera columna se tiene la misma distribución).

A B C D A B C D A B C D A B C D
B A D C B C D A B D A C B A D C
C D B A C D A B C A D B C D A B
D C A B D A B C D C B A D C B A
De cada cuadro se obtienen 144 formas diferentes, en total se tienen 576 cuadros diferentes.
La siguiente tabla permite relacionar el número de cuadros en función del tamaño.

Tamaño del Nº de formas Número total de

Valor de n!(n-1)!
cuadrado típica cuadrados diferentes
3x3 1 12 12
4x4 4 144 576
5x5 56 2880 161280
6x6 9408 86400 812851200

n = tamaño del cuadro.

Asignación de tratamientos.
Los tratamientos deben asignarse empleando uno de los cuadros de los posibles, es decir si son cuatro tratamientos,
escoger entre los 576 posibles.
Modelo Estadístico.
Cada observación del experimento es expresado como una relación lineal de los efectos involucrados (
tratamiento, fila y columna ), así:
𝑌𝑖𝑗(𝑘) = 𝜇 + 𝐹𝑖 + 𝐶𝑗 + 𝜏(𝑘) + 𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘) ; 𝑖𝑗𝑘 = 1,2, … , 𝑛

μ = efecto medio (parámetro del modelo)

F i = efecto de la fila i
C j = efecto de la columna j
 (k) = efecto del tratamiento k
𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘) = error experimental de la unidad experimental i,j
𝑌𝑖𝑗(𝑘) = Observación en la unidad experimental
El subíndice (k) indica que tratamiento k fue aplicado en la unidad experimental
El modelo esta compuesto por n2 ecuaciones, una para cada observación.
Estimación de parámetros
El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse por mínimos cuadrados del error,
máxima verosimilitud u otro método, en nuestro caso se utilizara el método de mínimos cuadrados del error.
La función a minimizar es:
 2 2
∑ ∑ 𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘) = ∑ ∑൫𝑌𝑖𝑗(𝑘) − 𝜇 + 𝐹𝑖 + 𝐶𝑗 + 𝜏(𝑘) ൯

La solución constituye el conjunto de estimadores de los parámetros del modelo, dado por:
(𝜇̂ + 𝐹̂𝑖 + 𝐶̂𝑗 + 𝜏̂ (𝑘) ) Para i, j, k = 1,2,...,n
El sistema de ecuaciones que darán solución constituye las ecuaciones normales, para tener una única solución, se
agregan al sistema las siguientes restricciones:

σ 𝐹̂𝑖 = 0 ; σ 𝐶̂𝑗 = 0 ; σ 𝜏̂𝑖 = 0

La solución son los estimadores mínimos cuadráticos:

𝜇̂ = 𝑌̅..

𝐹̂𝑖 = 𝑌̅𝑖. − 𝑌̅..

𝐶̂𝑗 = 𝑌̅𝑗. − 𝑌̅..

𝜏̂ (𝑘) = 𝑌̅(𝑘) − 𝑌̅..

MÉTODOS ESTADÍSTICOS Diseños de Experimentos

y el error en cada unidad experimental es:

𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘) = 𝑌𝑖𝑗(𝑘) − 𝑌̅𝑖. − 𝑌̅.𝑗 − 𝑌̅(𝑘) + 2𝑌̅..
̅
𝑌𝑖. : Promedio de la fila i
𝑌̅.𝑗 : Promedio de la columna j
̅
𝑌(𝑘) : Promedio del tratamiento k

Sumas de Cuadrados
A partir del modelo estimado, la suma de cuadrados del total es descompuesto en suma de
cuadrados de tratamientos, filas, columnas y error experimental:

∑ ∑(𝑌𝑖𝑗(𝑘) − 𝜇̂ )2
2
= ∑ ∑ 𝐹̂𝑖2 + ∑ ∑ 𝐶̂𝑖2 + ∑ ∑ 𝜏̂ 𝑖2 + ∑ ∑ 𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘)
+ 𝑑𝑜𝑏𝑙𝑒𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

Donde:
σ σ(𝑌𝑖𝑗(𝑘) − 𝜇̂ )2 : Suma de cuadrados del total
σ σ 𝐹̂𝑖2 : Suma de cuadrados de filas
̂
σ σ 𝐶𝑖 2
: Suma de cuadrados de columnas
σ σ 𝜏̂ 𝑖2 : Suma de cuadrados de tratamientos
2
σ σ 𝑒𝑟𝑟𝑜𝑟𝑖𝑗(𝑘) : Suma de cuadrados del error
Los dobles productos son iguales a cero.

Ejercicio de Aplicación:

"Evaluación del sistema de riego por exudación utilizando cuatro variedades de melón, bajo
modalidad de siembra, SIMPLE HILERA.". Se desea probar el comportamiento de tres variedades
híbridas de melón y uno estándar. (Tesis).- autor Alberto Ángeles L.

Variedades: V1: Híbrido Mission

V2: Híbrido Mark.
V3: Híbrido Topfligth.
V4: Híbrido Hales Best Jumbo.

Hipótesis: Ho: Efecto de variedades de melón en estudio es

nulo.
H1: Al menos dos variedades tienen efectos
distintos.

Datos: Rendimiento en Kgs. por parcela.

C1 C2 C3 C4 C1 C2 C3 C4
F1 45 50 43 35 F1 V1 V2 V3 V4
F2 29 53 41 63 F2 V4 V3 V2 V1
F3 37 41 41 63 F3 V2 V4 V1 V3
F4 38 40 35 41 F4 V3 V1 V4 V2

Solución:

pág. 18
MÉTODOS ESTADÍSTICOS Diseños de Experimentos

C1 C2 C3 C4 Y .j
F1 45 50 43 35 173
F2 29 53 41 63 186
F3 37 41 41 63 182
F4 38 40 35 41 154
Y i. 149 184 160 202 695

V1 V2 V3 V4
189 169 197 140 695
Estimación de parámetros:

μ : 695/16 = 43.4375
1 : 189/4 – 43.4375 = 3.81 ; 2 : -1.18 ; 3 : 7.57 ; 4 : -8.4375
C1 : 149/4 – 43.4375 = -6.1875 ;C2 : 2.5625 ; C3 : -3.4375 ; C4 : 7.0625
F1: 173/4 – 43.4375 = -0.1875; F2: 3.0625; F3: 2.0625; F4: -4.9375

CALCULO DE SUMAS DE CUADRADOS

Término de corrección TC = 695 ² /16 = 30189.1

SC (Total) = 45 ² + 50 ² +. . . 41 ² - TC = 1359.9375

SC (Filas) = (173 ² +… + 154 ²) / 4 - TC = 152.18750

SC (Columna) = (149 ² + … + 202 ²) / 4 – TC = 426.18750

SC (Melon) = (189 ² + … + 140 ²) / 4 – TC = 483.68750

SC (error) = SC (total) – SC (filas) – SC (columnas) = 297.8750

Promedio = 695 /16 = 43.438

CM (error) = SC(error) / [(t-1)(t-2)] = 49.6458

CV = Raíz (CM error) *100 / Promedio = 16.2 %

Análisis de Varianza:

grados de Suma de Cuadrados

Fuente Fc Pr > F
libertad cuadrados medios
FILA 3 152.1875 50.7291 1.02 0.4466
COLUMNA 3 426.1875 142.0625 2.86 0.1264
MELON 3 483.6875 161.2291 3.25 0.1022
Error 6 297.8750 49.6458
Total 15 1359.9375

Se acepta la H0, a un nivel de significancia de 0.05

Por lo tanto, no existen diferencias en el rendimiento de las variedades de melón tratadas con
el sistema de riego por exudación.

pág. 19
MÉTODOS ESTADÍSTICOS Diseños de Experimentos

El coeficiente de variación es de 16% aceptable para evaluación en campo.

El rendimiento promedio del melón en condiciones experimentales resulto 43.3 kilos por
parcela experimental.

El rendimiento por hibrido fue el siguiente:

V1: Híbrido Mission = 47.3 kilos

V2: Híbrido Mark. = 42.3 kilos
V3: Híbrido Topfligth. = 49.3 kilos
V4: Híbrido Hales Best Jumbo. = 35.0 kilos

pág. 20