T11998 Teran Baeza, Omar Tesis

UNIVERSIDAD AUTÓNOMA AGRARIA
ANTONIO NARRO
DIVISIÓN DE CIENCIA ANIMAL
Métodos para el Análisis y Evaluación de Respuestas

en el Área Pecuaria
POR:
Omar Terán Baeza
MONOGRAFÍA
Presentada como Requisito Parcial para

Obtener el Titulo de:
Ingeniero Agrónomo Zootecnista

Buenavista, Saltillo, Coahuila, México.
Octubre del 2000
45
UNIVERSIDAD AUTÓNOMA AGRARIA
ANTONIO NARRO
DIVISION DE CIENCIA ANIMAL

Métodos para el análisis y Evaluación de Respuestas
en el Área Pecuaria
Por:
Omar Terán Baeza
Que somete a la consideración del H. Jurado examinador como requisito parcial

para obtener el titulo de:
Ingeniero Agrónomo Zootecnista
APROBADA
Asesor principal
MC. Jaime M Rodríguez Del Ángel

Asesor Asesor
MC. Luis Pérez Romero ING. Jesús Macias Hernández
El Coordinador de la División de Ciencia Animal
ING. José Rodolfo Peña Oranday
Buenavista, Saltillo, Coahuila octubre del 2000
46
CONTENIDO
Hoja
• Introducción 1
• Conceptos básicos de Diseños Experimentales. 3
• Regresión Lineal Simple. 7
• Ejemplo práctico 9
• Transformación de datos (arcoseno) 9
• Pruebas de hipótesis sobre para correlación y regresión. 10
• Ecuación de predicción y gráficos. 11
• Conclusión 11
• Diseño Completamente al Azar 12
• Ejemplo practico con diferente numero de repeticiones por tratamiento 15

• Transformación logarítmica de datos 15
• Análisis de varianza 16
• Contrastes ortogonales, Comparación de medias (prueba de Tukey) 17
• Conclusión 19
• Ejemplo práctico con igual numero de repeticiones por tratamiento 20
• Transformación de datos (raíz cuadrada) 20
• Contrastes ortogonales, Comparación de medias (prueba DMS) 22
• Conclusión 23
• Ejemplo práctico con submuestreo 24
47
• Contrastes ortogonales, comparación de medias 26
• Conclusión 27
• Diseño Bloques al Azar 28
• Calculo de datos faltantes 31

• Contrastes ortogonales, pruebas de medias (prueba de Tukey) 34
• Conclusión 36
• Diseño Bloques al Azar con submuestreo ejemplo practico 38
• Contrastes ortogonales, pruebas de medias (SNK) 41
• Conclusiones 43
• Experimentos Factoriales 45
• Factorial con dos factores 47

• Transformación de datos (raíz cuadrada) 49
• Modelo y análisis de varianza (Diseño Bloques al Azar) 50
• Pruebas de medias para factores e interacción 52
• Conclusión 55
• Polinomios ortogonales para el factor cuantitativo 57
• Factorial con tres factores 59
• Transformación de datos (logaritmo) 61
• Pruebas de medias para los efectos significativos 66
48
• Conclusión 68
• Experimentos factoriales con un tratamiento extra 70
• Pruebas de medias incorporando el testigo (Tukey, T student) 71
• Conclusión 72
• Análisis de Covarianza 73
• Ajuste de medias y comparación de las mismas (prueba de Scheffe) 77
• Conclusión 78
• Literatura revisada
49
INTRODUCCION
Primeramente, considero importante advertir que el objetivo de estas notas

intituladas como monografía, por cuestión de reglamentación académica, no es el
establecer un tratado sobre la aplicación de los Diseños Experimentales en los
aspectos pecuarios, debido a que estas posiblemente no contienen nada nuevo
para las personas que en su diario hacer se dedican a la investigación o
evaluación de fenómenos en el campo de la zootecnia y que obviamente poseen
un mayor cumulo de conocimientos y experiencias que mi persona. Sin embargo
por interés propio y el demostrado por algunos de mis compañeros de estudios
para los que nos pareció interesante este tema, es que me decidí a compilar y
organizar estas notas.
En la actualidad la Estadística, forma parte de nuestra vida diaria, basta con que
leamos la prensa escrita o cualquier medio electrónico para darnos cuenta que la
información esta dada en términos de porcentajes, medias, varianzas, coeficientes
de variación etc. No hace muchos días tuvimos elecciones en nuestro país y
observamos, como el muestreo estadístico de encuesta y la probabilidad jugaron
un papel preponderante al grado tal de omitir en algunos casos el error, sin
embargo, para nosotros como estudiantes, la palabra Estadística, Probabilidad o
Diseños Experimentales siempre represento un tema reservado solo para las
personas con una gran preparación matemática y con dedicación meramente
científica. Durante los cursos formales de esta materia en la Universidad, nos
dimos cuenta que en nuestra especialidad como en muchas la Estadística es una
herramienta importante para el estudio y evaluación de los fenómenos dentro del
método científico y que no necesariamente se requiere ser un especialista en la
materia para hacer uso de la misma en la explicación de las respuestas, sino mas
bien, es importante el comprender la correcta aplicación de las técnicas
estadísticas al estudio del fenómeno. Lo anterior es comprensible si consideramos
la definición que Snedecor y Cochran, en su libro Métodos Estadísticos dan para
50
Diseños Experimentales, ahí mencionan que el procedimiento Estadístico para la
evaluación de respuestas debe estar considerado de antemano al pretender
estudiar correctamente el comportamiento de un fenómeno dentro del método
científico.
Otro aspecto que también contribuye a que la estadística no sea una de las
materias mas comprendidas y apreciadas durante nuestros estudios
Universitarios, se refiere al volumen de datos, simbología y ecuaciones que por
normatividad deberán utilizarse; Por principio de cuentas no manejamos los
programas estadísticos contenidos en las calculadoras portátiles, por demás decir
los computacionales. Con respeto dicho, algunos maestros pretenden que de
memoria tengamos presente la simbología y formularios que deberán utilizarse en
cada uno de los procedimientos, además de que pocos son los ejemplos que
contemplan algún aspecto relacionado con los procesos agropecuarios, debido
principalmente a que pocos son los estadísticos, que tienen un perfil profesional
relacionado con la Agronomía.
De los objetivos de esta monografía podríamos decir lo siguiente;
Mediante la recopilación, ordenamiento y presentación de los temas aquí

expuestos, se obtendrá una experiencia que será útil en el ejercicio profesional.
Considerando que los ejemplos contenidos en los temas se refieren a aspectos

agropecuarios, se tendrá un conocimiento más acorde respecto a la aplicación de
las técnicas estadísticas y su interpretación.
Teniendo en cuenta lo estipulado en el REGLAMENTO ACADEMICO PARA

ALUMNOS DE NIVEL LICENCIATURA DE LA U A A A N, articulo 85° fracción IV,
obtener el Titulo Profesional de Ing. Agrónomo Zootecnista.
51
CONCEPTOS BASICOS DE DISEÑOS EXPERIMENTALES
.
Diseño experimental.
Es la secuencia completa de pasos tomados de antemano para asegurar que
los datos apropiados se obtendrán de modo que permitan un análisis objetivo
que conduzca a deducciones válidas con respeto al problema establecido.
Esta determinado por el tipo de aleatorizacion que se asigna los tratamientos a
las unidades experimentales.
Importancia del diseño experimental.

Proporciona una cantidad máxima de información al problema en investigación.
Y nos hace ahorrar tiempo y esfuerzo al aplicar el diseño en una sola muestra
y no en toda la población que se desea estudiar.
Principios básicos del diseño experimental.

Repetición.- significa que el experimento básico se efectúa dos o más veces,
su función es suministrar una estimación del error experimental y brindar una
valoración mas precisa de los efectos del tratamiento reduciendo el margen de
error.
Aleatorizacion.- Es la asignación de tratamientos a unidades experimentales,
de modo que todas ellas tengan iguales probabilidades de recibir un
tratamiento. Su función es asegurar estimaciones imparciales de medida de
tratamiento y del error experimental.
Control Local.- Permite ciertas restricciones sobre la selección aleatoria a fin de
reducir el error experimental. El control local hace mas extensiva cualquier
prueba de significancía.
Variables que intervienen en la respuesta de un fenómeno.

Variables experimentales, son los estímulos o modificaciones aplicadas a las
unidades experimentales.
52
variables endógenas, no están en estudio pero pueden ser controladas,
variables exógenas no están en estudio y no es posible controlarlas en forma
económica o no se consideran importantes en la manifestación de la
respuesta.
Variables continuas y variables discretas.

Variable continua.- Puede tomar cualquier valor en un intervalo dado y es
infinita.
Variable discreta.- Puede tomar cuando más valores numerables y finitos.
Tipos de tratamientos
Tratamiento es el estimulo o modificacion que se aplicara a las unidades
experimentales, (sustancia, técnica, un proceso), mediante la aplicación de uno
o mas tratamientos a las unidades experimentales se generara una respuesta
a cada unidad (Infante, 1997).
Es el estudio de dos grupos o dos procedimientos que van a compararse
(Snedecor, 1979).
Es el elemento o sujeto sometido a estudio o a ensayo de comparación
(Reyes, 1978).
Implica el conjunto particular de condiciones experimentales que deben
imponerse a una unidad experimental dentro de los confines del diseño
seleccionado, tratamiento es cualquier procedimiento, método o estimulo cuyos
efectos se desean estimar y comparar. (Rodríguez, 1991).
Supuestos del análisis de varianza

Homogeneidad de varianza.- Las varianzas de las diferentes medias son
homogéneas. En el análisis de varianza utilizamos un promedio de n varianzas
para obtener la mejor estimación de la varianza común. Pero si las varianzas
dentro de tratamientos fuesen distintas, no tendríamos justificación para
combinarlas, ya que el promediar varianzas de tratamientos mayores y
menores podría arrojar resultados engañosos.
53
Normalidad.- Las desviaciones del supuesto de normalidad no afectan muy
seriamente la validez del análisis de varianza, sin embargo es importante hacer
notar que el error experimental se debe distribuir normalmente lo anterior se
logra si tomamos en cuenta los principios básicos del diseño experimental, los
cuales son repeticiones suficientes del experimento básico, respeto a la
aleatorizacion en la asignación de los tratamientos a las unidades
experimentales y control local de las variables endogenas.
Aditividad y linealidad del modelo.- los efectos principales son aditivos, para
cada diseño experimental existe un modelo matemático denominado modelo
lineal aditivo el cual resume la totalidad de variables endogenas y
experimentales que intervendrán en el estudio.
Independencia.- Las varianzas y las medias de las distintas muestras no están
correlacionadas. En algunos datos existe una relación definida entre las
medias de las muestras y sus varianzas. Una correlación positiva entre medias
y varianzas suele encontrarse cuando existe un amplio rango de medias de la
muestra o bien cuando se presenta heterogeneidad de varianza entre los
tratamientos considerados en el estudio de algun fenómeno de respuesta.
(Rodríguez, 1991).
El ANVA proporciona un buen resumen de los cálculos acerca de la
variabilidad, resulta de gran utilidad en el estudio de regresiones curvas, así
como para hacer comparaciones entre mas de dos medios. (Snedecor,
Cochran, 1979).
Error experimental
Son variaciones extrañas que tienden a encubrir ciertos efectos (Cochran,
Cox,1980).
Son variaciones que se manifiestan en los resultados al aplicar los tratamientos
a las unidades experimentales, se clasifican en 2 grupos:
Variaciones pertinentes: variaciones debidas a los efectos de los tratamientos
si estos producen efectos distintos.
54
Variaciones no pertinentes: debidas a causas extrañas que disfrazan los
efectos del tratamiento (Reyes, 1978).
Describe el fracaso de llegar a resultados idénticos con dos unidades
experimentales tratadas idénticamente.( Rodríguez, 1991)
Es importante aclarar que el error experimental no es sinónimo de
equivocación, sino que es la medida de la variabilidad entre unidades
experimentales homogéneas a las cuales se les aplico un mismo tratamiento.
Lo anterior en zootecnia es muy común, ocasionalmente trabajamos con
individuos que provienen de una misma camada, mismo sexo y que son
sometidos al mismo tratamiento y encontramos que la respuesta no es
ideática, esto se debe a que cada individuo esta sujeto a variables exógenas
como el código genético y de esa manera responden diferente a las variables
experimentales y endogenas.
Diferencia entre un modelo matemático y un estadístico

a) El modelo estadístico es un modelo matemático en el cual interviene un
elemento aleatorio que denotaremos por medio de una Eij y que se refiere
al error experimental.
b) El modelo estadístico, en contraste con el modelo matemático, no se aplica
a un solo evento, sino a un conjunto de ellos.
c) En el modelo estadístico, a causa de un elemento aleatorio que interviene
en él, no se puede determinar con exactitud el valor de una variable en
función de otra. En el modelo matemático, si es posible determinar el
resultado, por esta razón se le llama modelo determinístico.
55
REGRESIÓN LINEAL SIMPLE
En los procesos biológicos a relación y el efecto entre dos variables pueden
ser no muy exactos cuando la variación o los errores son mínimos o
despreciables, Por otra parte, la relación puede ser aproximada, así cuando la
tendencia de las observaciones puede ser descrita por una línea recta, decimos
que la relación es un caso particular de la regresión lineal simple, la cual puede
ser descrita por el siguiente modelo.
ŷ = α + β( x ) + ε
Cuando se hace referencia a n observaciones, el modelo equivalente se
expresa de la siguiente manera:
ŷ = α + β( xi ) + εi i = 1,2,3, ...... n
donde:
ŷ = la estimación de la i-esima observación de la variable dependiente
xi = la i-esima observación de la variable independiente
α = intercepto (intersección de la línea de regresión n con el eje Y)
β =coeficiente de regresión (pendiente de la línea de regresión)
εi = error aleatorio de la I-esima observación.
La importancia de la regresión lineal simple se puede resumir de la siguiente
manera:
Nos permite estimar los parámetros α y β a partir de mínimos cuadrados
Permite medir la relación entre dos variables.
Permite estimar el impacto de una variable sobre otra.
Mediante el modelo descrito, nos permite calcular valores esperados de las
variables involucradas en el proceso y evaluar las características de la relación
entre dos variables.
SUMA DE CUADRADOS Y PRODUCTOS.
56
Se obtiene e la siguiente manera:
Sxy = ∑xiyi – ( ∑xi ) ( ∑yi ) Sxx =∑xi2 – ( ∑xi )2 Sxy = ∑yi2 – ( ∑yi )2
n n n
COEFICIENTE DE CORRELACION:
Define si existe relación entre las variables involucradas, cuyo parámetro
esta definido por p, estimado por mínimos cuadrados como r. Él mismo nos
describe el grado de relación entre las variables, dado que –1 ≤ p ≤ 1, esto
implica que puede ser una relación positiva o negativa y conforme p 0 la
relación entre las variables se minimiza. La hipótesis a probar se define: Ho:
p=0, Ha: p ≠ =. El estadístico de pureba esta basado en una t-student, bajo las
siguientes características:
Tc = r √ n – 2 ⁄√ 1 – r2 ~ tα/2 (n – 2)gl donde r2 = (Sxy)2 / (Sxx)(Syy) así r =√ r2
Si tc > tα/2 (n – 2)gl rechazamos Ho (existe relación)
Si tc < tα/2 (n – 2)gl rechazamos Ha (no existe relación)
Coeficiente de determinación (r2) expresa su valor numeral en porcentajes, nos da
una idea de la adecuación del modelo lineal a los datos observados.
ECUACIÓN DE PREDICCION:
ŷi = α + β( x )
donde: α = y - βxσy – (Sxy / Sxx) x β = Sxy / Sxx
Esta ecuación permite predecir los valores de una de las variables dentro de los
rangos comprendidos en la muestra, podemos estimar los valores de la variable
no definida. La pendiente de la recta (β), generada por la relación entre las
variables, se define como coeficiente de regresión, por tanto regresión es el grado
de cambia suscitado en la variable dependiente por cada cambio unitario en la
variable independiente.
ANÁLISIS DE REGRESIÓN.
El coeficiente de regresión puede ser de gran cuantía, en ocasiones el
cambio que la variable independiente provoca sobre la dependiente puede no ser
muy drástico o significativo. Si queremos saber que tan impactante es el efecto de
57
la variable independiente tendremos que probar una hipótesis sobre el coeficiente
de regresión, realizando un análisis de varianza.
EJEMPLO PRACTICO
Los siguientes datos se refieren a un muestreo en donde se midió el
porcentaje de perrito de la pradera y la cobertura vegetal en los potreros del
sur de Nuevo León.
Datos en porcentaje Datos transformados, (arcoseno)
1. 13.4 36.2 1. 21.472 36.989
2. 15.2 30.1 2. 22.946 33.273
3. 7.4 45.2 3. 15.785 42.245
4. 16.2 28.3 4. 23.743 32.139
5. 10.3 38.5 5. 18.719 38.351
6. 8.2 42.1 6. 16.639 40.454
7. 10.3 37.8 7. 18.719 37.938
8. 7.6 46.2 8. 16.002 42.820
9. 8.2 41.9 9. 16.639 40.338
10. 7.8 46.5 10. 16.217 42.993
11. 5.1 52.4 11. 13.051 46.375
12. 4.0 60.2 12. 11.536 50.885
13 17.4 26.3 13. 24.653 30.852
14 18.5 24.3 14. 25.474 29.534
15 20.1 18.4 15. 26.636 25.401
n=15
∑x= 288.222
∑x2 = 5843.183 media de X= 19.214
∑y = 570.587 media de Y = 38.039
∑y2 = 22357.793
∑xy = 10523.883
58
Sxy = ∑xiyi – ( ∑xi ) ( ∑yi ) = - 439.831
n
Sxx =∑xi2 – ( ∑xi )2 = 305.055

n
Sxy = ∑yi2 – ( ∑yi )2 = 653.158

n
r= Sxy = -.985 r2 = .970

(Sxx) (Syy)
tt = .05/2(15-2)gl = 2.160
tc = r n–2 tt = .01/2(15-2)gl = 3.012
= - 20.53
1 – r2
.01 .01
**
-3.012 -2.160 0 2.160 3.012
Si existe gran relación entre las variables.
y = α + β (Xi)
α = y - β = 65.743
β = Sxy = -1.44
Sxx
y = (65.743) + (-1.44)(22.786)
y = 32.930
Por una infestación del 15% de perrito de las praderas se espera que exista una
cobertura vegetal de 29.55%.
59
ANALISIS DE VARIANZA
Fuentes de
Variación g.l SC CM FC
Regresión 1 634.152 634.152 434.053 **
Residual 13 19.005 1.461
Total 14 653.158
Ho: β ≠ 0 Fc>Fα (p<.01) **
9.07
Conclusión: existe gran efecto el perrito de las praderas sobre la cobertura
vegetal.
∧
β = -1.44
∧
S β = CM residual = 0.069
Sxx
P β - Sβt α/2 < β < β + Sβtα/2 =1-α
P -1.44 – (0.069)(2.160) < β < -1.44 + (.069)(2.160) = 1 - .05
-1.589 < β < -1.290

DISEÑO COMPLETAMENTE AL AZAR
60
El tipo más sencillo de un arreglo es aquel en que los tratamientos están
asignados completamente al azar a las unidades experimentales. Mas
específicamente, si un tratamiento por ejemplo se aplica a 4 unidades
experimentales, la aleatorizacion da a cada grupo 4 unidades del material
experimental la misma probabilidad de recibir el tratamiento. Además las unidades
deben ser procesadas en un orden al azar en todas las etapas subsecuentes del
experimento, donde este orden puede afectar a los resultados.
Este diseño tiene varias ventajas:
1. permite flexibilidad completa. Puede usarse cualquier numero de
tratamientos y de repeticiones. Puede variarse a voluntad el numero de
repeticiones de un tratamiento a otro. Todo el material experimental
disponible puede usarse, lo cual es una ventaja en experimentos
preliminares pequeños donde el material experimental de que se dispone
es escaso
2. El análisis estadístico es fácil, aun si el numero de repeticiones no es el
mismo para todos los tratamientos, o si los errores experimentales difieren
de un tratamiento a otro.
3. Aun cuando los datos de alguna de sus unidades o algunos de sus
tratamientos completos se hayan perdido o se rechacen por alguna causa,
el método de análisis sigue siendo sencillo. Por otra parte, la perdida
relativa de información debida a los datos faltantes, es de menor
importancia que en cualquier otro diseño.
El objetivo principal a los diseños completamente al azar estriba en su grado de
precisión. Ya que la aleatorizacion no se restringe en ninguna forma para asegurar
que las unidades que reciben un tratamiento sean similares a aquellas que reciben
otro tratamiento, toda la variación que existe entre las unidades pasa a formar
parte del error experimental.
Análisis de varianza.- Ya se indico que ese diseño puede usarse para igual o
diferente numero de repeticiones por tratamiento. Entonces, el cuadro del ANVA
para diferente numero de repeticiones quedaría de la siguiente manera:
61
F.V gl Sc CM Fc
t
∑ Yi2 – Y2…
Tratamientos t–1 SC trat CM trat
I=1
ri n t-1 CM error
Error n–t Sctotal– sc trats Sc error
t r
n-t
∑∑ yij2 – y2..
Total n–1 I=1 j=1
n
El cuadro de análisis de varianza para un diseño completamente al azar con igual

numero de repeticiones por tratamiento, quedaría como sigue:
F.V gl Sc CM Fc
t
∑ Yi2 – Y2…
I=1
r tr t-1 CM error
Error t(r – 1) Sctotal– sc trats Sc error
t r
t(r – 1)
∑∑ yij2 – y2..
Total rt – 1 I=1 j=1
tr
Hipótesis y regla de decisión:
El propósito principal del análisis de varianza es descubrir las posibilidades
entre los tratamientos, par lo cual se requiere plantear una hipótesis: Ho: δi = δj
Ha: δi ≠ δj
Las hipótesis serán elegidas de acuerdo con una regla de decisión que dependerá
de la confrontación entre la Fc, obtenida en el análisis de varianza y de una Ft
obtenida de una tabla de F con los grados de libertad para tratamientos y grados
de libertar para el error:
Si Fc > Ft (0.05) * ( se rechaza Ho)
Si Fc > Ft (0.05, 0.01) ** ( se rechaza Ho)
Si Fc < Ft (0.05)NS (se rechaza Ha)
62
SUBMUESTREO EN UN DISEÑOS COMPLETAMENTE AL AZAR.
En casos especiales de la experimentación, a veces resulta difícil y
antieconómico cuantificar el efecto del tratamiento en la totalidad de la unidad
experimental. Tal es el caso de algunos cultivos en los que, por la heterogeneidad
de sus respuestas a los estímulos, se requiere utilizar grandes superficies como
unidad experimental. En estas situaciones es permisible modificar el modelo
original, lo cual nos permitirá cuantificar el efecto mediante muestras de cada
unidad experimental. Lógicamente, la modificación en la recolección de lo datos
acarreará un error extra al ya mencionado en el modelo, le denominaremos error
de muestreo (EM). El modelo se analiza enseguida.
Yijk = µ + δi + λik + εijk I = 1,2,3… t
j = 1,2,3… r
k = 1,2,3… m
En el modelo, m es el numero de muestras a tomas de cada unidad experimenta,
el cual estará en función de la heterogeneidad de la unidad experimental, además
de la precisión con que se quiera valorar el parámetro.
F.V gl Sc CM Fc
t
∑ Yi..2– Y2…
I=1
rm trm t-1 CM error
Error Sc EE CMEE
t r
experimental t(r – 1) ∑∑ yij.2 – y2.. - Sct t(r – 1) CM EM
I=1 j=1
m trm
Error de
muestreo rt(m – 1 ) Sctotal– (Sc EE/sC t)
t r m
Total rtm - 1 ∑ ∑ ∑ Y2ijk – Y2…

I=1 j=1 k=1
rtm
63
EJEMPLO PRACTICO DIFERENTE NUMERO DE REPETICIONES POR
TRATAMIENTO
Los siguientes datos se refieren al contenido de materia seca (%), en forraje de
Kochia scoparia segada a 70 cm de altura en 5 diferentes localidades.
Considerando variabilidad en la altura sobre el nivel del mar y el tipo de suelo (los
datos se evaluaron porcentualmente.)
Localidad/repetici R1 R2 R3 R4 R5
ones
Arteaga 23.4 25.2 24.1 23.3
Parras 28.3 29.1 28.4 26.5 27.4
Ramos 30.1 31.1 32.4 32.4
G. Cepeda 36.2 37.4 36.5 35.2 34.2
Paila 21.3 20.3 21.4
Analice los datos con el diseño que considere adecuado, de ser necesario,
particione la suma de cuadrados de tratamientos para concluir en forma
preliminar y practique una prueba de medias para concluir.
1
Datos transformados a arco-Sen -1
R1 R2 R3 R4 R5
Arteaga δ1 28.929 30.132 29.400 28.861
Parras δ2 32.139 32.645 32.202 30.982 31.563
Ramos δ3 33.273 33.895 34.695 34.695
G.Cepeda δ4 36.989 33.702 37.167 36.391 35.789
Paila δ5 27.485 26.779 27.555
Ha: δ1 = δt yi.
Ho: δ1 ≠ δt 117.322
t = localidad 159.531
yij = µ + δ1 + ε ij 136.558
i = 1,2…5 184.038
1
Se utiliza la transformación en arcoseno en cuando los datos están expresados en porcentaje,
para eliminar el efecto de las varianzas en las medias.
64
j = 1,2 … rt εij N (µ σ2 ε) 81.819 y.. 679.268
ANALISIS DE VARIANZA.
F. V G.L SC CM FC Fα1 .05
.01
16
Localidades 4 226.941 56.735 136.382 ** 3.01
4.77
Repeticiones (E.E) 16 6.658 .416
Total 20 233.599
Cálculos para el análisis de varianza

t
SCδ = ∑ Yi. 2 - y.. 2 = 117.3222 + 159.5312 + 136.5582 + 184.0382
+81.8192 - I=1
rj n 4 5 4
5 3
679.268
21
SCδ = 22198.609 – 21971.667
SCδ = 226.941
t r
SCtotal = ∑ ∑ Yij 2 - y.. 2 28.9292 + …. + 27.5552 - 679.268 2

I=1 I=1
n 21
SCtotal = 22205.267 – 219743667
SCEE = SCtotal - SCδ
SCEE = 233.599 – 226.941 = 6.658
CMδ = S.C. / G.L.
CMδ = 226.941/ 4 = 56.735
CMEE = 6.658/16 = .416
FC = CMδ/ CMEE
FC = 56.735 / .416 = 136.382
65
CONTRASTES ORTOGONALES.
δ1 δ2 δ3 δ4 δ5
4 5 4 5 3 CM
117.322 159.531 136.558 184.038 81.819 SC SC/GL
C1δ3 δ4 & δ1δ2δ5 -2 -2 3 3 -2 168.998168.998
C2δ4 & δ3 0 0 -1 1 0 15.819 15.819
C3δ2 & δ1δ5 -1 2 0 0 -1 34.866 34.866
C4δ1 & δ5 1 0 0 0 1 7.256
7.256
FC =
CMc / CMEE 1 δ1 d
C1 406.245 ** Fα16 .05 .01 δ2 c
C2 38.026 ** 4.49 8.53 δ3 b
C3 83.812 ** δ4 a
C4 17.442 ** δ5 e
Cálculos de los contrastes ortogonales

SCC1 = (136.550 + 184.038)2 + (117.322 + 159.531 + 81.819)2 – 679.2682
4+5 4+5+3 21
SCC1 = 11420.199 + 10720.466 – 21971.667 = 168.998
SCC2 = (84.038)2 + (136.558)2 - (184.038 + 136.558)2
5 4 5+4
SCC2 = 6773.977 + 4662.021 – 11420.199 = 15.819
SCC3 = (159.531)2 + (117.322 + 81.819)2 – (159.531 + 117.322 + 81.819)2
5 4+3 5+4+3
SCC3 = 5090.027 + 5665.305 – 10720.466 = 34.866
66
SCC4 = (117.322)2 + (81.819)2 – (117.322 + 81.819)2
4 3 4+3
SCC4 = 3441.112 + 2231.449 – 5665.305 = 7.256
PRUEBA DE MEDIAS (TUKEY)

5 4 5 4 3
δ4 δ3 δ2 δ1 δ5
36.807 34.139 31.906 29.330 27.273
27.273 9.534(5,3) * 6.866(4,3) * 4.633(5,3) * 2.057(4,3) NS 0
29.330 7.477(5,4) * 4.809(4,4) * 2.576(5,4) * 0
31.906 4.901(5,5) * 2.233(4,4) * 0
34.139 2.668(5,4) * 0
36.807 0
σx = S2 ó S2 + S2
r r r
σx(5,3) = .416 + .416 = .0832 + .138 = .470 * 4.33 = 2.035

5 3
σx(4,5) = .416 + .416 = .432 * 4.33 = 1.870

4 5
σx(5,5) = .416 = .288 * 4.33 = 1.247

5
σx(4,3) = .416 + .416 = .492 * 4.33 = 2.130
4 3
σx(4,4) = .416 = .322 * 4.33 = 1.394
4
δ1 = 29.330 d
δ2 = 31.906 c
67
δ3 = 34.139 b
δ4 = 36.807 a
δ5 = 27.273 d
CONCLUSIONES
1. Se encontró diferencia significativa (p< 0.05) entre los porcentajes de
materia seca de la Kochia scoparia en las 5 localidades.
2. En los contrastes ortogonales se encontró que en las localidades de

Arteaga, parras, Ramos, G. Cepeda y paila, el contenido de materia seca
en Kochia scoparia fueron diferentes (p<0.05).
3. Se realizo una prueba de medias (tukey) para el contenido de materia seca

de Kochia scoparia. Encontrándose que en General Cepeda fue mayor el
contenido de materia sé Kochia scoparia (35.89%) siguiendo la localidad de
Ramos y Parras, (31.50 y 27.93% respectivamente) en tanto que en la
localidad de Arteaga y Paila el contenido de materia seca de Kochia
scoparia fue similar. (23.99, 21.00% respectivamente) (p< 0.05)
68
EJEMPLO PRACTICO IGUAL NUMERO DE REPETICIONES POR
TRATAMIENTO
A continuación se presenta el numero de plantas de sábila, que se logro

rescatar de siembras efectuadas en cinco épocas del año, en una zona
semiárida teniendo en cuenta solo plantas buen desarrolladas
EPOCA R1 R2 R3 R4 R5
Enero 3 2 3 1 3
Marzo 7 8 9 9 8
Mayo 10 12 12 13 10
Junio 7 8 7 9 7
agosto 5 5 4 3 4
Pruebe la hipótesis de que Ti = Tj (p< 0.05, 0.01), concluye utilizando
contrastes ortogonales y prueba de medias.
2
Datos ajustados a raíz cuadrada.
Época R1 R2 R3 R4 R5
Enero 1.732 1.414 1.732 1 1.732
Marzo 2.645 2.828 3 3 2.828
Mayo 3.162 3.464 3.464 3.605 3.162
Junio 2.645 2.828 2.645 3 2.645
Agosto 2.236 2.836 2 1.732 2
Ha: δI = δj yi.
Ho: δI ≠ δ 7.610
y = µ + δi + ε ij 14.301
2
Se realizo la transformación a raíz cuadrada cuando los valores expresan variables discretas ó
valores enteros como por ejemplo, plantas, colonias de bacteria numero de animales y cuando los
valores son muy pequeños, se realiza este tipo de transformación ya que las varianzas pueden
hacerse relativamente independientes de las medias a través de su transformación.
69
I = 1,2,.. 5 16.857
J = 1,2..4 N (µ, σ2 ε) 13.763
10.204
y.. 62.735
ANALISIS DE VARIANZA.
F. V G.L SC CM FC Fα1 .05
.01
20
Meses 4 10.598 2.649 56.361 ** 2.87
4.43
Repeticiones (E.E) 20 .941 0.0470
Total 24 11.539

t
SCδ = ∑ Yi. 2 - y.. 2 = 7.612 + …10.2042 - 62.735 2
I=1
r tr 5 25
SCδ = 168.026 – 157.427

SCδ = 10.598
t r
SCtotal = ∑ ∑ Yij 2 - y.. 2 = 1.7322 + … + 2 2 - 62.735 2

I=1 I=1
tr 25
SCtotal = 168.966 – 157.427
SCtotal = 11.539
SCEE = SCtotal - SCδ
SCEE = 11.539 – 10.598 = .941
CMδ = S.C. / G.L.
CMδ = 10.598/ 4 = 2.649
CMEE = .941/20 = .0470
FC = CMδ/ CMEE
FC = 2.649/0.0470 = 56.361
70
δ1 δ2 δ3 δ4 δ5
5 5 5 5 5 CM
7.61 14.301 16.857 13.763 10.204 SC SC/GL
C1δ3 δ2 & δ1δ4δ5 -2 3 3 -2 -2 6.128 6.128
C2δ3 & δ2 0 -1 1 0 0 0.653 0.653
C3δ1 & δ4δ5 2 0 0 -1 1 2.550 2.550
C4δ4 & δ5 0 0 0 1 -1 1.266 1.266
FC =
CMc / CMEE 1 δ1 d
C1 130.382 ** Fα16 .05 .01 δ2 c
C2 13.890 ** 4.35 8.10 δ3 b
C3 54.255 ** δ4 a
C4 26.936 ** δ5 e
PRUEBA DE MEDIAS
3.371 2.860 2.752 2.040 1.522

1.522 1.849** 1.338** 1.230** 0.518** 0
2.040 1.331** 0.820** 0.712** 0
2.752 0.619** 0.108NS 0
2.860 0.511** 0
71
3.371 0
σx = 2(.047) = .137 t.05(20) = (2.086)(.137) = 2.85

5 t.01(20) = (2.847)(.137) = .390
CONCLUSIONES.
1. Se encontró diferencia significativa (p<.05 y p< .01) entre el numero de
plantas de sábila sembradas en enero, marzo, mayo, junio y agosto, en una
zona semiárida.
2. Al realizar una prueba de contrastes ortogonales se encontró que el numero

de plantas de sábila sembradas en 5 diferentes épocas del año (enero,
marzo, mayo, junio y agosto) fueron diferentes (p< .01)
3. Al realizar una prueba de medias (DMS), con un nivel de significancía de

p<.01 se encontró que en el mes de mayo se encontraba el mayor numero
de plantas de sábila (11) siguiendo el mes de marzo y junio donde,
estadísticamente, se encontró el mismo numero de plantas de sábila. En el
mes de enero y agosto se encontró el menor numero de plantas de sábila (
2 y 4 respectivamente)
época medias contrastes Prueba Datos

de reales
medias
Enero 1.522 E D 2
Marzo 2.860 B B 8
Mayo 3.371 A A 11
Junio 2.752 C B 7
72
agosto 2.040 D C 4
EJEMPLO PRACTICO CON SUBMUESTREO
Los resultados son muetreo efectuados en plantas de maíz para el contenido de

carbohidratos solubles en diferentes estados fisiológicos en un mismo sembradío.
Pruebe una hipótesis sobre la igualdad en estadios (p< .01, .05) concluyendo
mediante contrastes y prueba de medias.
Cultivo 1 12.3,11.4,13.2 12.5,13.4,12.6 13.2,13.5,14.1

14.1,13.6,15.4
Cultivo 2 11.0,10.9,11.3 9.9,10.3,12.1 9.8,9.7,10.1
10.2,10.3,11.0
Espiga 7.2,7.3,7.0 7.2,7.5,7.4 7.6,7.4,7.8
7.4,8.0,7.2
Jilote 6.3,6.4,6.5 6.0,6.3,6.4 6.5,6.9,6.8
6.8,6.9,7.0
Masoso, lechoso 4.1,4.2,4.3 4.0,4.3,4.5 4.5,4.6,4.5
4.0,4.2,4.1
Datos convertidos a logaritmo.
REPETICIONES
δ1 Cultivo 1 1.089 1.096 1.120 1.149
1.056 1.127 1.130 1.133
1.120 1.100 1.149 1.187
δ2 Cultivo 2 1.041 0.995 0.991 1.008
1.037 1.012 0.986 1.012
1.053 1.082 1.004 1.041
73
δ3 Espiga 0.857 0.857 0.880 0.869
0.863 0.875 0.869 0.903
0.845 0.869 0.892 0.857
δ4 Jilote 0.799 0.778 0.812 0.832
0.806 0.799 0.838 0.838
0.812 0.806 0.832 0.845
δ5 Masoso 0.612 0.602 0.653 0.602
lechoso 0.623 0.633 0.662 0.623
0.633 0.653 0.653 0.612
Ho: δi = δj yijk = µ + δi + εij + λijk
Ha: δi ≠ δj i = 1,2,... 5
j = 1,2,.. 4
k = 1,2,3
F,V G.L SC CM FC Fα4 .05 .01
15
Entre TX 4 1.731 0.432 480 ** 3.06
4.89
Error experim. 15 0.014 0.0009 1.80 NS Fα15 .05
.01
40
Error muestreo 40 0.02 0.0005 2.52
Total 59 1.765

t
SCδi = ∑ yi..2 – y…2

I=1
rm trm
SCδI = 13.4562 + . . . + 7.5612 – 53.5122 = 1.731
t r m (4)(3) (5)(4)(3)
SCtotal = ∑ ∑ ∑ yijk – y…2
74
I=1j=1k=1
trm
SCtotal = 1.0892 + .6122 - 53.5122 = 1.765
t r 60
SCEE = ∑ ∑ yij. 2 – y…2 - SCtotal
I=1j=1
m trm
SCEE = 3.2652 + …+ 1.8372 – 53.5122 – ( 1.765) = 0.014
3 60
SCEM = SCtotal – (SCδI + SCEE)
SCEM = 1.765 – (1.731 + 0.014) = 0.02
5 1 5 2
δ1 δ2 δ3 δ4 δ5 ∑ CijYi.2 ∑ Cij2 SC
I=1 I=1
13.456 12.262 10.436 9.797 7.561 1/2
C1: δ1δ2& δ3δ4δ5 3 3 -2 -2 -2 465.092 360
1.291
C2: δ3 & δ4δ5 0 0 2 -1 -1 12.348 72
0.171
C3: δ1 & δ2 1 -1 0 0 0 1.425 24
0.059
C4: δ4 & δ5 0 0 0 1 -1 4.999 24
0.208
1
CM FC = Fα15 .05 .01 δ1 a

SC/GL CM/CMEE 4.54 8.28 δ2 b
75
1.291 1434.44 ** δ3 c
0.171 190.00 ** δ4 d
0.059 65.55 ** δ5 e
0.208 231.11 **
PRUEBA DE MEDIAS
1.121 1.021 0.869 0.816 0.629
0.629 0.492** 0.392** .240** 0.187** 0 σx = CMEE
0.816 0.305** 0.205** .053** 0 rm
0.869 0.252 ** 0.152** 0 σx = .0009 = .0086
1.021 0.100** 0 12
1.121 0
tα.05 (15) (2.31)(.0086) = 0.0198

tα.01(15) (2.947)(.0086) =0.025
CONCLUSIONES.
1. Se encontró diferencia significativa (p<.05 y p< 0.01) entre el contenido de

carbohidratos solubles en las plantas de maíz en diferentes estados
fisiológicos. Pero no se encontró diferencia significativa (p<.05) entre las
repeticiones en cuanto al porcentaje de carbohidratos solubles.
2. En la prueba de contrastes ortogonales se encontró que en cuanto al

porcentaje de carbohidratos solubles en los diferentes estados fisiológicos
de las plantas de maíz todos son diferentes. (p< .05 y p<.01).
3. Al realizar de prueba de medias con diferencia mínima significativa sobre la

cantidad de carbohidratos solubles en diferentes estadios fisiológicas de
maíz, se encontró que el cultivo 1 contenida la mayor cantidad de
76
carbohidratos solubles (13.21%) seguido del cultivo 2, la espiga, jilote y el
maíz masoso lechoso (10.49, 7.39, 6.54 y 4.25% respectivamente)
Planta de medias contrastes Prueba Datos
maíz de reales
medias
Cultivo 1 1.121 a a 13.21
Cultivo 2 1.021 b b 10.49
espiga 0.869 c c 7.39
Jilote 0.816 d d 6.54
Masoso 0.629 e e 4.25
lechoso
Se realizo transformación logarítmica para estabilizar la varianza, cuado la desviación estándar en

la escala original varia directamente con las medias. Se utiliza este tipo de transformación cuando
los datos están expresados en porcentaje y son menores de 40%. Se menciona que este tipo de
transformación tiende a normalizar la distribución
77
DISEÑO EN BLOQUES AL AZAR
Esta clase de diseños experimentales se caracteriza porque todos los tratamientos aparecen
representados una vez en cada uno de los bloques. Los tratamientos se asignan al azar sobre las
unidades experimentales, sorteando los tratamientos independientemente en cada bloque.
Las unidades experimentales deben ser homogéneas dentro de cada bloque, salvo por variaciones
aleatorias. Dos unidades experimentales de bloques diferentes pueden exhibir heterogeneidad,
siendo de hecho el propósito de los bloques, absorber en máximo grado la variabilidad del material
experimental. (Martinez, 1996).
Los bloques pueden estar constituidos por áreas compactas de un campo, grupos de animales
que pueden manipularse de modo uniforme o por diferentes tipos de aplicación de tratamientos a
unidades experimentales (Rodríguez, 1991)
Las unidades experimentales trabajadas de acuerdo con este diseño pueden ser representadas
por el siguiente modelo:
Yij = µ + σi + βj + εij I = 1,2,3,…, t
j = 1,2,3…., r
El análisis de varianza para el diseño de bloques al azar es el siguiente
F.V GL SC CM FC
t
∑ Yi..2– Y2…
I=1
r tr t-1 CM error
t
Sc B CM B
∑ y.j2 – y2..
Bloques (B) r–1 I=1 r–1 CM EE
t tr
Error SCEE
Sctotal -(ScB + Sc t)
Experimental (t – 1)(r – 1 ) (t – 1)(r -1)
t r
(EE)
∑ ∑ Y2ij – Y2…
Total rtm - 1 I=1 j=1
rt
Como se observa en el ANVA, existen dos Fc, la primera nos indica las posibles significancias
entre tratamientos y con ella probaremos las siguientes hipótesis:
Ho: ti = tj y Ha: ti ≠ tj
78
La segunda Fc nos proporciona información acerca del comportamiento entre bloques a través de
las hipótesis siguientes, siempre y cuando éstas sean aleatorizadas:
Ho: Bi = Bj y
Ha: Bi ≠ Bj
Ambas hipótesis serán elegidas de acuerdo con la confrontación entre la F calculada y la F de

tablas para los grados de libertad de tratamientos y el error, en el primer caso y para los grados de
libertad de bloque y el error en el segundo.
SUBMUESTREO EN UN DISEÑOS BLOQUES AL AZAR.

Una situación común en la experimentación agrícola, es la de estimar ciertas características
cuantitativas, por medio de muestras dentro de las unidades experimentales (Martinez. 1996).En
algunos casos experimentales resulta antieconómico o no es posible cuantificar el efecto de los
tratamientos en la totalidad de la unidad experimental. En estas circunstancias es permisible
modificar el modelo original, lo cual nos permitirá cuantificar el efecto por medio de muestras de
una misma unidad experimental. Lógicamente, lo anterior acarreará un error extra al ya
cuantificado en el error experimental, se denominará error de muestreo (EM) (Rodríguez, 1991)
Modelo estadístico:
Yijk = µ + σi + βj + εij + δijk
i = 1, 2, 3, . . . , t
j = 1, 2, 3, . . ., r
k = 1, 2, 3, . . ., m
El análisis de varianza en este diseño quedaría así:

F.V GL SC CM FC
t
∑ Yi..2– Y2…
79
I=1
Tratamientos t–1 rm trm SC trat CM trat
t t-1 CM error
2 2
∑ y.j – y ..
Sc B CM B
I=1
tm trm
Bloques (B) r–1 r–1 CM EE
t r
Error ∑ ∑Y2ij. – Y2…- Sc+ Scb SCEE CM EE

I=1 j=1
Experimental (t – 1)(r – 1 ) m rtm (t – 1)(r -1) CM EM
(EE)
Sctotal –(Sct+scB+ScEE) SC EM
Error de tr(m-1) tr(m-1)
Muestreo EM t r m
∑ ∑ ∑ Y2ijk – Y2…
I=1 j=1 k=1
Total rtm - 1 rtm
Las hipótesis a probar en este análisis básicamente corresponden, al efecto de tratamientos, el

error de muestreo solo será un indicador de la magnitud del mismo en función de el tipo de
muestreo utilizado y el numero de muestras, de esta manera el error experimental que
básicamente se refiere a la variabilidad entre las unidades experimentales tratadas bajo el mismo
efecto o, no serán afectadas.
EJEMPLO PRACTICO
Cinco variedades de trigo fueron evaluadas con el objetivo de estratificarlos
respecto a su calidad molinera y su calidad de esquilmos. Considerando que las
80
variedades fueron sembradas en diferentes localidades, concluye en forma
preliminar.
bloques
Var/loc saladito La luz San jame La mula San luisito
martín
Cajeme 75.4 59.5 45.3 78.4 74.7 55.3
Chich 70.1 48.7 42.1 69.3 61.11 47.3
Cuaut 1 78.3 68.3 67.1 78.74 75.3 65.7
Norte 0 65.8 58.7 54.3 61.7 63.5 55.3
Chich 2 89.5 74.8 79.6 83.9 85.9 73.2
Calculos de datos faltantes.
X1 = ƒw1 – w2 X2 = ƒw2 – w1 ƒ = (t – 1)(r – 1)

ƒ2 – 1 ƒ2 – 1 ƒ = (5 – 1)(6 – 1) = 20
X1=(20)(1636)–(1301) X2=(20)(1301)–(1636) w1 = tT1 + r(R1) – G
(20)2 – 1 (20)2 – 1 w1=(5)(354.7)+(6)(287.3)-1861
X1 = 78.74 X2 = 61.11 w2=(5)(299.4)+(6)(277.5)-1861
w1= 1636 w2 = 1301
Datos trasformados sen -1
Var/local saladito La luz Sn martin jame La mula Sn luisito yi.
Cajeme 60.265 50.476 42.303 58.307 59.801 48.042 319.194
Chich 1 56.851 44.255 40.454 56.352 51.419 43.452 292.783
Cuaut 1 62.235 55.734 54.999 62.542 60.198 54.150 349.858
Norte 0 54.210 50.010 47.466 51.766 52.832 48.042 304.326
Chich 2 71.092 59.867 63.149 66.343 67.944 58.822 387.217
y.j 304.653 260.342 248.371 295.31 292.194 252.508 y..1653.378
yij = µ + δi + βj + εij Ho: ti = tj Ho:βi = βj
i= 1,2…5 Ha: ti ≠ tj Ha:βi ≠ βj
j = 1,2...6 εij ИΝ(µσ2ε)
81
ANÁLISIS DE VARIANZA
4
F.V G.L SC CM FC Fα18 .05 .01
Entre Var(tx) 4 971.144 242.786 31.461 5 2.93 4.58
Entre loc (β) 5 603.075 120.615 15.629 Fα18 2.77 4.25
E.E. 18 138.906 7.717
Total 27 1713.124
Cálculos para el análisis de varianza.

t
SCtx = ∑ yi.2 – y..2 = 319.1942 + . . . +387.2172 – 1653.3782 = 971.144

I=1
r tr 6 (5)(6)
r
Scβ = ∑ y.j2 – y..2 = 304.6532 + . . . + 252.5082 – 1653.3782 = 603.075

i=1
t tr 5 30
r t
SCtotal = ∑ ∑ yij2 – y..2 = 60.2652 + … + 58.822 – 1653.3782 = 1713.125

I=1j=1
tr 30
SCEE = SCtotal – (Sctx +scβ) = 1713.125 – (971.144 + 603.075) = 138.906
CMTx = SCtx ÷ G.LTx = 971.144 ÷ 4 = 242.786
CMβ = SCβ ÷ G.Lβ = 603.075 ÷ 5 = 120.615
CMEE = SCEE ÷ G.LEE = 138.906 ÷ 18 = 7.717
FC = CMTx ÷ CMEE = 242.786 ÷ 7.717 = 31.461
FC = CMβ ÷ CMEE = 120.615 ÷ 7.717 = 15.629
Para variedades (tx = δ)
82
δ1 δ2 δ3 δ4 δ5
319.194 292.783 349.858 304.326 587.217
C1: δ5δ3 & δ1δ2δ4 -2 -2 3 -2 -3
C2: δ3 & δ5 0 0 1 0 -1
C3: δ1 & δ2 δ4 2 -1 0 -1 0
C4: δ2 & δ4 0 1 0 -1 0
t 1 t 2
∑ Cij Yi.2 ∑ Cij2 SC= CM = FC 1
i=1 I=1
1/2 SC/GL CM/CMEE Fα18 .05 .01
C1 143352.347 180 796.401 796.401 103.200**
4.41 8.28
C2 1395.694 12 116.307 116.307 15.071**
C3 1703.955 36 47.332 47.332 6.133NS
C5 133.240 12 11.103 11.103 1.430NS
Para localidades (β)
β1
β2 β3
β4
β5
β6
304.653 260.342 248.371 295.31 292.194 252.508

C1:β1β4β5&2β3β6 1 -1 -1 1 1 -1
C2:β1 & β4 β5 2 0 0 -1 -1 0
C3:β4 & β5 0 0 0 1 -1
0
C4:β2 & β3 β6 0 2 -1 0 0
-1
C5:β3 & β6 0 0 1 0 0
-1
83
r 1 r 2
∑ Cij Y.j2 ∑ Cji2 SC= CM = FC 1
j=1 j=1
1/2 SC/GL CM/CMEE Fα18 .05 .01
C1 17144.236 30 571.474 571.474 74.053 **
4.41 8.28
C2 475.327 30 15.844 15.844 2.053 NS
C3 9.709 10 0.970 0.970 0.125NS
C4 392.238 30 13.074 13.074 1.694NS
C5 17.355 10 1.735 1.735
0.224NS
PRUEBA DE MEDIAS POR EL METODO DE DUNCAN

Para variedades (tx)
δ5 δ3
δ1
δ4
δ2
64.536
58.309 53.199
50.721 48.797
δ2 48.797 15.739 5**9.512 4**
4.402 3**1.924 2NS
0
δ4 50.721 13.815 4**7.588 3**
2.478 2NS 0
δ1 53.199 11.337 3**5.110 2**
0
δ3 58.309 6.227 2** 0
δ5 64.536 0
σx = CMEE σx = 7.717 = 1.134

r
6
84
RMS0.05 = (R0.05)(σx)
R0.05 2
3
4
5
2.97
3.12
5.21
3.27
σx = 1.134
1.134
1.134
1.134
RMS0.05 3.367
3.538
3.640
3.708
Prueba de medias para localidades (β)
β1 β2
β3
β4
β5
β6
60.930
59.062 58.438
52.068 50.501 49.674
β3 49.674 11.256 6**9.388 5**
8.764 4**2.394 3NS
0.827 2NS 0
β6 50.501 10.429 5**8.561 4**
7.937 3**1.567 2NS
85
β2 52.068 8.862 4**6.994 3**
6.370 2**
0
β5 58.438 2.492 3NS0.624 2NS
0
β4 59.062 1.868 2NS 0
β1 60.930 0
σx = CMEE σx = 7.717 = 1.242

t
5
RMS0.05 = (R0.05)(σx)
R0.05 2
3
4
5
6
2.97
3.12
5.21
3.27
3.32
σx = 1.242
1.242
1.242
1.242
1.242
RMS0.05 3.686
3.875
3.986
4.061
4.123
Prueba Medias para variedad prueba de medias para localidad
86
δ1 53.199a
β1 60.930a
δ2 48.797b
β2 52.068b
δ3 58.309c
β3 49.674b
δ4 50.721cd
β4 59.062a
δ5 64.536d
β5 58.438a
β6 50.501b
CONCLUSIONES
1. al efectuar el análisis de varianza se encontró diferencia significativa (p<0.05 y p<0.01)

entre la calidad molinera y la calidad de esquilmos de las 5 variedades de trigo que fueron
evaluadas en 6 localidades diferentes.
2. Al efectuar la prueba de contrastes ortogonales entre las 5 variedades de trigo, se encontró

que las variedades Chich 2, Cuaut 1 y Cajeme tienen diferente porcentaje de calidad
molinera y de esquilmos (p< 0.05) y las variedades Chich 1 y Norte 0 son similares en
cuanto a su calidad molinera y de esquilmos (p<0.05). (Cuadro 1) En cuanto a la calidad de
molinera y de esquilmos de las variedades de trigo en las diferentes localidades se
encontró que la localidad de saladito, Jame y la Mula, la calidad molinera y de esquilmos
de las variedades de trigo son similares entre si pero diferentes de la localidad de La luz,
San martín y San luisito que también en estas son similares. (p< 0.05) (Cuadro 2)
87
3. En la prueba de medias (p< 0.05) para las variedades de trigo se encontró que la variedad
Chich 2 es la de mejor en cuanto a calidad molinera y calidad de esquilmos siguiendo la
variedad cuaut 1, entre tanto la variedad Cajeme y Norte 0 son similares en cuanto a
calidad molinera y de esquilmos y la de menor calidad es la variedad Chich 1 (Cuadro 1).
En cuanto a la calidad molinera y de esquilmos(p< 0.05) existente en las localidades se
encontró que en las localidades de Saladito, Jame y la mula la calidad molinera y de
esquilmos de las variedades de trigo es similar y mayor que las que se producen en la luz,
San Martín y San luisito. (Cuadro 2)
Cuadro 1 Contrastes ortogonales y prueba de medias de las variedades de trigo

(Datos reales)
Variedad Medias % contrastes Prueba de

medias
Cajeme 64.11 C C
Chich 1 56.60 D D
Cuaut 1 72.40 B B
Norte 0 59.91 D CD
Chich 2 51.51 A A
Cuadro 2. Contrastes ortogonales y prueba de medias para las localidades (datos reales.
Localidades Medias % Contrastes Prueba de

medias
Saladito 76.39 A A
La luz 62.19 B B
San martín 58.12 B B
Jame 73.56 A A
La mula 72.60 A A
San luisito 59.54 B B
88
EJEMPLO PRACTICO SUBMUESTREO
Con el propósito de determinar la deficiencia de fósforo en los animales en una región de
zonas se efectuó un muestreo donde se considero etapa de desarrollo de los caprinos y
majadas. Se tomaron muestras de sangre para determinar la cantidad de fósforo (ppm).
Etapas 1º 2° 3° 4 Yi..
Triponas 21.4 22.6 25.6 31.4
22.3 24.5 24.9 32.6
21.5 23.9 28.5 33.5
23.5 25.4 29.3 38.3
24.3 24.9 27.9 34.9
Yij. 113 121.3 136.2 170.7 541.2
Primales 18.7 19.7 23.5 29.5
19.1 20.1 24.1 28.9
17.8 21.3 22.9 29.6
18.0 20.6 24.1 30.1
19.2 19.9 23.0 29.8
Yij. 92.80 101.60 117.60 147.90 459.90
Parto 1 22.4 24.5 26.7 32.4
23.1 26.4 27.1 33.2
22.9 24.5 26.5 31.6
23.5 23.9 26.4 33.4
22.8 24.1 25.9 32.9
Yij. 114.70 123.4 132.6 163.5 534.2
Parto 2 22.9 26.7 28.3 33.2
22.6 27.1 29.4 32.1
23.1 28.1 29.8 33.5
23.4 27.0 28.5 32.1
23.0 28.1 27.9 33.0
Yij. 115 137 143.9 163.9 559.8
Y.j. 435.5 483.3 530.0 646 2095.1 y...
Yijk = µ + δi + βj + εij + λijk

i = 1, 2, .. 4
Ho: δi = δj
Ho: βI = βj
89
j = 1, 2, .. 4
Ha: δI ≠ δj
Ha: βI ≠ βj
k = 1, 2, 3
F.V.
G.L SC
CM
FC
Fα 0.05
Estados fisiol. (δ) 3 289.506
96.502 23.514**
3, 9 gl 3.86
Entre majadas (β) 3 1220.661 406.661 99.088**
3, 9 gl 3.86
Error experimental 9 36.937
4.104 3.609
3, 64 gl
Error de muestreo 64 72.784
1.137
Total
79

t
SCδ = ∑ yi.. – y... = 541.2 +…+ 559.80 – 2095.12 = 289.506

2 2 2 2
I=1
rm trm (4)(5)
(4)(4)(5)
r
SCβ = ∑ y.j. – y... = 435.5 + . . .+ 646 – 2095.12 = 1220.161

2 2 2
J=1
tm trm
(4)(5) 80
t r
SCE=∑∑yij. –y… – (SCβ+SCδ)= 113 +… + 163.92 –2095.12 - (289.506+1220.661)

2 2 2
I=1j=1
tm trm
(4)(5) 80
90
SCEE = 36.937
t r
SCtotal = ∑ ∑ yijk – y... = 21.4 + . . +33.0 – 20952 = 1619.379

2 2 2 2
I=1 j=1
trm
80
SCEM= SCtotal – (SCβ + SCδ + SCEE) = 1619.379 – (1220.661+289.506+36.937)
SCEM = 72.784
CMδ = SCδ ÷ G.L = 289.506 ÷ 3 = 96.502
CMβ = SCβ ÷G.L. = 1220.661 ÷ 3 = 406.661
CMEE = SCEE ÷ G.L. = 36.937 ÷ 9 = 4.104
CMEM = SCEM ÷ G.L = 72.784 ÷ 64 = 1.137
FCδ = CMδ ÷ CMEE = 96.502 ÷ 7.104 = 23.514

FCβ = CMβ ÷ CMEE = 406.661 ÷ 4.104 = 99.088
FCEE = CMEE ÷ CMEM = 4.104 ÷ 1.137 = 3.609
Para etapas de desarrollo (δ)
t
1 t 2
δ1 δ2
δ3 δ4
2
∑Cij yi.. rm ∑ C2ij
541.20
459.9 534.20
i=1
559.80
I =1
C1 δ1 & δ2δ3δ4 3 -1
-1
-1 4858.09
240
C2 δ2 & δ3 δ4 0
2 -1
-1
30345.64 120
91
C3 δ3 & δ4 0
0 1
-1
655.36 40
SC = CM = FC =
1/2 SC /G.L CM/CMEE Fα 0.05 1 y 19 Gl
C1 20.240 20.240 4.931 NS
5.12
C2 252.880 252.880 61.617 **
C3 16.384 16.384 3.992 NS
Contrastes ortogonales para majadas. (β)
1 t 2
β1 β2
β3 β4
∑Cij yi..2 rm ∑ C2ij
541.20
459.9 534.20
i=1
559.80
I =1
C1 β1 & β2β3β4 3 -1
-1
92
-1 124679.6 240
C2 β2 &β3 β4 0
2 -1
-1
43974.09 120
C3 β3 & β4 0
0 1
-1
13386.49 40
SC = CM = FC =
1/2 SC /G.L CM/CMEE Fα 0.05 1 y 19 Gl =
C1 519.498 519.498 126.582 ** 5.12
C2 366.450 366.450 89.290 **
C3 334.662 334.662 81.545 **
PRUEBA DE MEDIAS (SNK)

Para etapas de desarrollo (δ)
δ4
δ1
δ3
δ2
27.990
27.060 26.710
22.995
δ2 22.995 4.995 4*4.065 3*
3.715 2* 0
93
δ3 26.710 1.280 3NS0.350 2NS
0
δ1 27.060 0.930 2NS 0
δ4 27.990 0
σx = CMEE σx = 4.104 = 0.452

rm
(4)(5)
SNK0.05 = (q0.05)(σx)
q0.05 2
3
4
3.20
3.95
4.42
σx = .452
.452
.452
SNK0.05 1.446
1.785
1.997
Para majadas ( β )
β4
β3
β 2
β1
32.300
26.515 24.165
21.775
δ1 21.775 10.525 4*4.740 3*
2.390 2* 0
94
δ3 24.165 8.135 3*2.350 2*
0
δ1 26.515 5.785 2* 0
δ4 27.990 0
σx = CMEE σx = 4.104 = 0.452

tm
(4)(5)
SNK0.05 = (q0.05)(σx)
q0.05 2
3
4
3.20
3.95
4.42
σx = .452
.452
.452
SNK0.05 1.446
1.785
1.997
CONCLUSIONES
1. Se encontró diferencia significativa (p<0.05 y p< 0.01) en cuanto a las deficiencia de
fósforo entre los diferentes etapas de desarrollo (triponas, primales, parto 1 y parto 2) y
majadas de caprinos en una región árida
.
2. En la prueba de contrastes ortogonales para las diferentes etapas de desarrollo se
encontró que en los caprinos primales la deficiencia de fósforo es diferente de la etapa de
triponas, parto 1 y parto 2 en donde las deficiencias de fósforo son similares (p< 0.04)
95
(cuadro 1) En lo referente al análisis de las deficiencias de fósforo realizadas a majadas se
encontró que la deficiencia de fósforo es diferente en las 4 majadas. (p<0.05) (cuadro 2)
3. En la realización de la prueba de medias por el método de SNK (p<0.05) para las etapas
de desarrollo de los caprinos se encontró que en la etapa en la que se encuentra mayor
deficiencias de fósforo fue en la etapa de primales (22.995 ppm), y en las etapas de parto
1, parto 2 y triponas estadísticamente fueron similares (26.71, 27.99 y 27.06 ppm
respectivamente) Cuadro 1. En los resultados de pruebas de medias (por el método de
SNK ) (p<0.05) para las majadas de caprinos se encontró que donde se encuentra la
mayor deficiencia de fósforo de en la majada 1 siguiendo la majada 2, después la majada
3, en donde se encontró la menor deficiencia de fósforo fue en la majada 4 con 32.3 ppm
de fósforo en suero sanguíneo. (cuadro 2)
Cuadro 1. contrastes ortogonales y prueba de medias de deficiencias de fósforo en suero

sanguíneo para las diferentes etapas de desarrollo de los caprinos.
Etapa de Medias (ppm) contrastes Prueba de
desarrollo medias
Triponas 27.06 B B
Primales 22.995 A A
Parto 1 26.71 B B
Parto 2 27.990 B B
Cuadro 2. contrastes ortogonales y prueba de medias de deficiencias de fósforo en suero

sanguíneo, para las diferentes majadas de caprinos.
majadas Medias ppm contrastes Prueba de
medias
1° 21.775 A A
2° 24.165 B B
3° 26.515 C C
4° 32.300 D D
96
EXPERIMENTOS FACTORIALES
Los experimentos factoriales son arreglos de tratamientos que permiten
aplicar de una sola vez una serie de estímulos o tratamientos que se consideran
intervengan en la respuesta dada por unidad experimental.
Los experimentos factoriales son de importancia práctica, a que permiten el
estudio de un estimulo tal y su respuesta combinatoria respecto de otras
condiciones generadas por la interacción con otros factores, dando así información
más completa, aun cuando los efectos interaccionados no sean significativos.
(Rodríguez, 1991)
La experimentación factorial puede ser adecuada en trabajos de
exploración, donde el objeto es determinar rápidamente los efectos de cada uno
de cierto número de factores dentro de un intervalo específico, en investigaciones
de las interacciones entre los efectos de varios factores, en experimentos
diseñados para poder llegar a recomendaciones que deben aplicarse a una gran
variedades de condiciones. (Cocharn, cox, 1983)
Se pueden realizar experimentos factoriales con diferentes diseños, como
diseño completamente al azar ó bloques al azar. En este caso mencionaremos
arreglos factoriales en un diseño bloque al azar.
Para los arreglos de tratamientos de dos y tres factores en un diseño
bloques al azar, solo se efectuarán algunas consideraciones debido a su similitud
con el cálculo del diseño completamente al azar. Primero es necesario mencionar
que el efecto de bloques es un control local que permite agrupar las unidades
experimentales bajo alguna variable endogena, de tal manera que exista
homogeneidad dentro de cada bloque y una gran heterogeneidad entre los
mismos. Esto permitirá una mayor eficiencia en el análisis de los datos,
justificando así la reducción de los grados de libertad del error experimental.
El modelo estadístico de un arreglo factorial con dos factores en un diseño
bloques al azar es: Yijk = µ + αi + βj + αβij + Bk + εijk i = 1,2,3,... a
j = 1,2,3,... b
k = 1,2,3,.... r (numero de bloques)
97
El análisis de varianza se realiza de la siguiente manera:
F.V GL SC CM FC
Tratamientos ab - 1 Sc A + Sc B + Sc AB ScT / glT CMT/CMEE
r
∑ y..k2 – y2...
Bloques (B) r–1 k=1 ScB /glB CMB/CMEE
ab abr
a
Factor A a–1 ∑ yi..2 – y2... Sc A / gl A CMA/CMEE
i=1
br abr
b
Factor B b–1 ∑ y.j.2 – y2... SC B /gl B CMB/CMEE

j=1
ar abr
Interaccion AxB (a – 1)(b – 1) a b

∑∑ yij.2 –y2... -(ScA+ScB
i=1 j=1
ScAxB/glAxB CMAB/CME
r abr
Error
experimental (ab – 1)(r – 1) ScEE / glEE
Sc total – (Sctrats. + sc B)
a b r
Total abr – 1 ∑∑∑ yijk2 – y2...
i=1j=1k=1
abr
ARREGLO FACTORIAL CON TRES FACTORES.

El modelo estadístico de un arreglo factorial con tres factores, en un diseño
de bloques al azar es el siguiente:
Yijk = µ + αi + βj + αβij + λk + αλik + βλjk + αβλijk + Bl + εijkl
i = 1,2,3,... a
j = 1,2,3,... b
98
k = 1,2,3,.... c
l = 1,2,3,......r (numero de bloques)
Los efectos producto de la combinación de los factores, en este caso tres,
dan como resultado que la partición de los tratamientos sea en siete elementos. El
ANVA quedará de la siguiente manera.
F.V Gl Sc* CM FC
Tratamientos abc - 1 ScT / glT CMT/CMEE
Bloques (B) r–1 ScB /glB CMB/CMEE
Factor A a–1 Sc A / gl A CMA/CMEE
Factor B b–1 SC B /gl B CMB/CMEE
Interaccion AxB (a – 1)(b – 1) ScAxB/glAxB CMAB/CME
Factor C c-1 Sc C / gl C CMC /CMEE
Interaccion AxC (a – 1)(c – 1) ScAxC/glAxC CMAC/CMEE
Interaccion BxC (b – 1)(c – 1) ScBxC/glBxC CMBC/CMEE
AxBxC (a-1)(b-1)(c-1) ScABC/glABC CMABC/CMEE
Error
experimental (abc – 1)(r-1) ScEE / glEE
total abcr – 1
* Las formulas de sumas de cuadrados se definen en el ejemplo que se presenta a

continuación
EJEMPLO PRACTICO CON DOS FACTORES

El estudio de un fenómeno fue diseñado para ser analizado en un arreglo factorial
considerando como parámetro él numero de frutos de primera exportación, por
planta de chile, al inicio de cosecha; el primer factor distancia entre plantas fue 15,
20, 25 y 30 cm, siendo el segundo factor el tipo de pepena utilizado, leve.
99
Mediano, riguroso y extremo, es importante aclarar que el trabajo se efectúo en
cuatro diferente épocas de siembra (variable endógena).
tipo Épocas de siembra

pepena Temprana medio tardío general
Leve 7 5 6 4
Mediano 8 9 8 5
15 Riguroso 11 12 12 9
extremo 5 6 7 4
leve 9 10 9 8
mediano 12 13 14 10
20 Riguroso 15 16 17 14
Extremo 7 8 7 6
Leve 7 6 7 5
Mediano 9 8 7 6
25 Riguroso 11 11 13 10
Extremo 5 5 6 2
Leve 12 13 12 11
Mediano 14 15 15 12
30 Riguroso 16 17 18 17
Extremo 9 9 10 7
100
Datos transformados a raíz cuadrada
Época de siembra
Tipo pepena Temprana medio tardío general Yijk
Leve 2.645 2.236 2.449 2 9.33
Mediano 2.828 3 2.828 2.236 10.892
15 Riguroso 3.316 3.464 3.464 3 13.244
Extremo 2.236 2.449 2.645 2 9.33
Leve 3 3.162 3 2.828 11.99

Mediano 3.464 3.605 3.741 3.162 13.972
20 Riguroso 3.875 4 4.123 3.741 15.736
Extremo 2.645 2.828 2.645 2.449 10.567
Leve 2.645 2.449 2.645 2.236 9.975

Mediano 3 2.828 2.645 2.449 10.922
25 Riguroso 3.316 3.316 3.605 3.162 13.399
Extremo 2.236 2.236 2.449 2 8.921
Leve 3.464 3.605 3.464 3.316 13.849

Mediano 3.741 3.872 3.872 3.464 14.949
30 Riguroso 4 4.123 4.242 4.123 16.488
Extremo 3 3 3.162 2.645 11.807
y..k 49.408 50.173 50.979 44.811
Y... 195.371
Yijk = µ + αi +βj + αβij + Βk + εijk
I = 1,2,…4 a
J = 1,2…4 b
K = 1,2..4 k и Ν (µ, σ2ε)
101
Factor A
a1 a2 a3 A4 y.j.
b1 9.33 11.990 9.975 13.849 45.144
b2 10.892 13.972 10.922 14.949 50.735
b3 13.244 15.736 13.394 16.488 58.867
b4 9.33 10.567 8.921 11.807 40.625
Yi.. 42.796 52.265 43.217 57.093 195.371
F.V G.L SC CM FC Fα
Factor A 3 9.249 3.083 205.533 Fα3 y 45 gl 2.815 **
Factor B 3 11.580 3.860 257.333 Fα3 y 45 gl 2.815 **
AXB 9 0.476 0.052 3.466 Fα 9 y 45 gl 2.0975 **
Tx 15 21.305 1.420 94.666 Fα15 y 45 gl 1.900 **
Bloques 3 1.431 0.477 31.800 Fα 3 y 45 gl 2.815 **
E.E 45 0.715 0.015
Total 63 23.450

a
SCFA = ∑ yi..2 – y...2 = 42.7962 + . . . + 57.0932 – 195.3712
I=1
br abr 4x4 64
SCFA = 9.249
a
SCFB = ∑ y.j. 2 – y…2 = 45.1442 + . . . +40.6252 – 195.3712 = 11.58
J=1
ar abr 4x4 64
SCFB = 11.580
102
a b
SCIAxB = ∑ ∑ yij.2 – y...2 - [ SCFA + SCFB]
I=1 j=1
r abr
= 9.332 + . . .+11.8072 – 195.3712 - [ 9.248 + 11.580] = .476
4 64
r
SCB = ∑ y..k2 – y…2 =49.4082 + ... +44.8112 – 195.3712 = 1.431
k=1
ab abr 4x4 64
SCTtx = SCFA + SCFB + SCIAxB = 9.249 + 11.580 + 0.476 = 21.305

a b c
SCtotal = ∑ ∑ ∑ yijk2 – y…2 = 2.6452+ . . .+ 2.6452 – 195.3712 = 23.612
I=1j=1k=1
abr 64
SCEE = Sctotal – [ SCTtx + SCB] = 23.451- [ 21.305 + 1.431] = 0.715
CMFA = SCFA ÷ GLFA = 9.249 ÷ 3 = 3.083

CMFB = SCFB ÷ GLFB = 11.580 ÷ 3 = 3.860
CMIFxB = SCIFAxB ÷ GLIAxB = 0.476 ÷ 9 = 0.052
CMTtx = SCTtx ÷ GLTtx = 21.305 ÷ 15 = 1.420
CMB = SCCMB ÷ GLCMB = 1.431 ÷ 3 = 0.477
CMEE = SCEE ÷ GLEE = 0.715 ÷ 45 = 0.015
FCFA = CMFA ÷ CMEE = 3.083 ÷ 0.015 = 205.533

FCFB = CMFB ÷ CMEE = 3.860 ÷ 0.015 = 257.333
FCIAxB = CMIAxB ÷ CMEE = 0.052 ÷ 0.015 = 3.466
FCTtx = CMTtx ÷ CMEE = 1.420 ÷ 0.015 = 94.666
FCB = CMB ÷ CMEE = 0.477 ÷ 0.015 = 31.800
103
PRUEBA DE MEDIAS.
(tukey)
Prueba de medias para la distancia de siembra (Factor A)
a4 a2 a3 a1
3.568 3.266 2.701 2.674
a1 2.674 0.894 * 0.592 * 0.027 NS 0
a3 2.701 0.867 * 0.565 * 0
a2 3.266 0.302 * 0
a4 3.568 0
tα.05(4,45) CMEE = 3.7775 0.015 0.115

br 4x 4
(15) a1 2.674c
(20) a2 3.568b
(25) a3 2.701c
(30) a4 3.568a
prueba de medias para el tipo de pepena (factor B)

b3(r) b2(m) b1(l ) b4(e)
3.679 3.170 2.821 2.539
b4(e) 2.539 1.140 * 0.631 * 0.282 0
b1(l) 2.821 0.828 * 0.349 * 0
b2(m)3.170 0.509 * 0
b3(r) 3.679 0
tα0.5(4,45) CMEE = 3.7775 0.015 0.115

br 4x 4
104
b1 leve 2.821d
b2 mediano 3.170b
b3 riguroso 3.679a
b4 extremo 2.539c
prueba de medias para épocas de siembra (Bloques)

B3(t) B2(m) B1(T) B4(g)
3.186 3.135 3.088 2.800
B4(g)2.800 0.386 * 0.335 * 0.288 * 0
B1(T)3.088 0.098 NS 0.047 NS 0
B2(m)3.135 0.051 NS 0
B3(t) 3.186 0
tα0.05(4,45) CMEE = 3.7775 0.015 0.115

br 4x 4
B1 Temprana 3.088 ab
B2 medio 3.135 ab
B3 tardía 3.186 a
B4 general 2.200 c
105
Prueba de medias de la distancia de siembra x el tipo de pepena (interacción AxB)
ab15 ab7 ab14 ab6 ab13 ab11 ab3 ab5 ab16 ab10 ab2 ab8 ab9 ab4 ab1 ab12
4.122 3.934 3.737 3.493 3.462 3.349 3.311 2.997 2.951 2.730 2.723 2.641 2.493 2.332 2.332 2.230
ab12 2.230 1.892* 1.704* 1.507* 1.263* 1.232* 1.119* 1.081* .767* .721* .500* .493* .411* .263* .102NS 0NS 0
ab1 2.332 1.790* 1.602* 1.405* 1.161* 1.130* 1.017* .979* .665* .619* .398* .391* .309NS .161NS 0NS 0
ab4 2.332 1.790* 1.602* 1.405* 1.161* 1.130* 1.017* .979* .665* .619* .398* .391* .309NS .161NS 0
ab9 2.493 1.629* 1.441* 1.244* 1.000* .969* .856* .818* .504* .458* .237NS .230NS .148NS 0
ab8 2.641 1.481* 1.293* 1.096* .852* .821* .708* .670* .356* .310NS .089NS .262NS 0
ab2 2.723 1.399* 1.211* 1.014* .770* .739* .626* .588* .274NS .228NS .007NS 0
ab10 2.730 1.392* 1.204* 1.007* .763* .732* .619* .581* .267NS .221NS 0
ab16 2.951 1.171* .983* .786* .542* .511* .398* .360* .046NS 0
ab5 2.997 1.125* .937* .740* .496* .465* .352* .314NS 0
ab3 3.311 0.811* .623* .426* .182NS .151NS .038NS 0
ab11 3.349 0.733* .585* .388* .144NS .113NS 0
ab13 3.462 0.660* .472* .275NS .031NS 0
ab6 3.493 0.629* .441* .244NS 0
ab14 3.737 0.385* .197NS 0
ab7 3.934 0.188NS 0
ab15 4.122 0
106
CONCLUSIONES
1. En el Análisis de varianza se encontró diferencia significativa (p< 0.05) en
las 4 distancias de siembra. Se encontró diferencia significativa (p< 0.05) en
el factor del tipo de pepena utilizado para la cantidad de frutos que fueron
ligero, moderado riguroso y extremo. Se encontró diferencia significativa
(p<0.05) también, en la época de siembra que fueron temprana, medio,
tardío y general.
2. Al realizar la prueba de medias utilizando la prueba de tukey (p< 0.05) para

el Factor A (distancia entre plantas) se encontró que la mejor distancia para
siembra de plantas de Chile fue a 30 cm siguiendo la distancia de 20 cm, si
se siembra a 15 ó 25 cm encontraremos igual numero de frutos. (cuadro 1)
Para el factor B (Tipo de pepena) encontramos que al utilizar el tipo de
pepena rigurosa el numero de frutos de primera exportación para plantas de
chile al inicio de la cosecha será el mejor que al utilizar el tipo de pepena
media, ligera ó extrema (p< 0.01) (cuadro 1)
Para la interacción distancia entre planta y tipo de pepena (AxB) se
encontró que fue mejor la distancia a 30 cm (factor A) y el tipo de pepena
rigurosa (p< 0.05). también se encontró que sembrar a 20 cm de distancia y
con un tipo de pepena rigurosa el numero de frutos fue mayor (tukey,
p<0.05).
AL realizar la prueba de medias para la época de siembra se encontró que
de las cuatro épocas, donde se encontró mayor numero de frutos por planta
de chile fue en la época Tardía, medio y temprana, en donde la media y
temprana fueron similares, quedando la época general como la peor época
para siembra, ya que el numero de frutos por planta de chile fue menor.
(Cuadro)
107
Cuadro 1. medias de distancia de siembra y tipo de pepena.
Distancia Media Media real Tipo de Media Media real
Transformada pepena transformada
15 2.674c 7c Leve 2.821c 8c
20 3.266b 10b Mediano 3.170b 10b
25 2.701c 7c Riguroso 3.679a 13a
30 3.568a 13a extremo 2.539d 6d
Cuadro 2. Medias de época de siembra. (datos reales y datos

transformados)
Epoca de siembra Medias Medias reales.
transformadas
Temprana 3.088ab 9ab
Media 3.135ab 9ab
Tardía 3.186a 10a
General 2.800c 8c
POLINOMIOS ORTOGONALES
En el trabajo agropecuario frecuentemente nos encontramos con que la respuesta
de un fenómeno, esta relacionada con una función de cuantía, misma que al ser
modificada afecta la tendencia. Así por ejemplo tenemos que la producción de
leche se ve afectada por el numero de días después del parto, esta relación de
causa y efecto puede ser expresada en un plano de coordenadas, donde la
variable dependiente se refiere a la respuesta y la variable independiente es la
causal de modificación.
A este tipo de relaciones se les designa comúnmente como Polinomios
Ortogonales, debido a las diferentes tendencias en el aspecto respuesta (Lineal,
108
Cuadratica, Cubica etc.) y a la independencia que entre las ecuaciones debe
existir para definir el efecto. Él calculo de estos modelos de respuesta será tan
grande como t-1, esto en función del numero de estímulos contemplados en la
variable independiente y los cálculos se facilitan cuando los valores de esta
variable están igualmente espaciados.
EJEMPLO PRACTICO
Superficie de respuesta para el factor cuantitativo (distancia entre plantas)

1 2 CM FC
42.796 52.265 43.217 57.03 ∑ cij yi.. r∑ cij Sc12/2 Sc /gl
CM/CME
Lineal -3 -1 1 3 33.843 320 3.572 3.572
238.60 **
Cuadrático 1 -1 -1 1 4.407 64 0.303 0.303
20.20 **
Cúbico -1 3 -3 1 41.441 320 5.366 5.366
357.73 **
Fα 1 y 45 g.l = 4.055
El modelo que ha de ajustarse es de grado cúbico.
Y = B0 + B1x + B2 x2 + B3x3 + εI
Ŷ = α0 + α1µ1ρ1(xi) + α2µ2ρ2(xi) + α3µ3ρ3(xi)

α = Y… = 195.371
abr 64
α1 = ∑ C1j Yi.. = 33.843 = .105

∑ Cij2 320
109
3
µ=2
ρ1 = xi –X X = Niveles de aplicación
d N° de niveles
= Xi – 22.5 = 15 + 20 + 25 + 30 = 22.5
5 5 4
= 0.2xi – 4.5 d = Esparciamiento entre niveles (5)
α2 = ∑ C2i Yi.. = 4.407 = 0.068

∑ Cij2 64
µ2=1
ρ2 = (ρ1)2 – t2 – 1 = (.2xi – 4.5)2 – 42 – 1 = .04x2 – 1.8xi + 19
12 12
α3 = ∑ C3j Yi.. = 41.411 = 0.129
∑ Cij2 320
µ 3 = 3.33
ρ3 = (ρ1)3 – 3t2 – 7 ρ1 = .008xi3 - .54xi2 + 12.15xi – 91.125 – 3(4)2 – 7 (2xi –
4.5)
20 20
= .008xi3 - .54xi2 + 12.15xi – 91.125 – (2.05) (2xi – 4.5)
= .008xi3 - .54xi2 + 12.15xi – 91.125 – .41xi – 9.225
= .008xi3 - .54 xi2 + 11.74xi – 81.9
Ŷ = α0 + α1µ1ρ1(xi) + α2µ2ρ2(xi) + α3µ3ρ3(xi)

Ŷ =3.052 +(.015)(2)(.2xi – 4.5)+(0.068)(1)(.04xi2 – 1.8xi+19)+(.129)(3.33)(.008xi3 -
.54xi2 + 11.74xi – 81.4)
= 3.052+.042xi -.945+.0027xi2 -.122xi + 1.292 + .0034 xi3 - .231 xi2 + 5.043xi –
34.966
3
Los valores de µ son constantes para el efecto k, obtenidos de tablas de coeficientes ortogonales.
110
= -31.567 + 4.963xi – 0.228xi2 + .0034xi3
Ŷ = -31.782 + 4.963(15) – 0.228(15)2 + .0034(15)3 = 2.838
Ŷ = -31.782 + 4.963(20) – 0.228(20)2 + .0034(20)3 = 3.478
Ŷ = -31.782 + 4.963(25) – 0.228(25)2 + .0034(25)3 = 2.918
Ŷ = -31.782 + 4.963(30) – 0.228(30)2 + .0034(30)3 = 3.708
EJEMPLO PRACTICO CON TRES FACTORES

La digestibilidad porcentual de cuatro forrajes fue evaluada con rumiantes
fistulados, utilizando tres formas físicas de presentación (trozo, molido y rolado) y
en tres tiempos después de la ingesta (3, 6 y 9), la edad de los animales fue
variable por lo que se utilizó un control local para las tres. Analice los datos bajo el
diseño que considere adecuado de ser necesario practique pruebas para concluir.
Si existe un testigo para digestibilidad general con los siguientes datos analice de
nueva cuenta, 22.3, 21.4, 23.2, 17.9, 21.3, 25.5, 26.1, 24.5.
Edades
Forrajes Proceso horas I II III
3 12.2 12.5 14.1
trozo 6 13.9 15.1 15.7
9 15.2 16.3 16.5
trigo 3 22.1 19.1 17.2
molido 6 23.2 23.2 19.6
9 24.5 25.9 25.8
3 24.2 20.1 18.4
rolado 6 24.5 24.1 21.6
9 25.7 26.3 27.4
111
3 13.5 13.4 14.7
trozo 6 14.2 14.1 15.6
9 16.1 15.9 16.8
Avena 3 21.2 18.5 17.4
Molido 6 22.9 22.6 20.1
9 24.1 25.6 25.6
3 23.9 19.9 18.6
rolado 6 23.9 23.6 21.4
9 24.5 26.9 26.8
Forraje proceso horas I II III

3 12.9 12.6 13.6
Trozo 6 13.4 13.5 14.2
9 15.4 15.4 15.8
Cebada 3 19.8 17.3 16.8
molido 6 21.0 21.0 19.3
9 23.1 21.2 23.2
3 21.3 18.5 17.5
rolado 6 22.6 22.3 21.5
9 24.5 23.4 24.2
3 14.1 15.1 15.9

trozo 6 15.2 17.1 17.1
9 16.9 18.7 19.1
Kochia 3 23.0 22.3 21.6
molido 6 25.6 25.3 25.3
9 28.7 28.1 27.9
3 24.5 24.1 23.6
rolado 6 26.1 26.4 26.3
112
9 29.1 29.1 30.1
Datos transformados a logaritmo.

Forrajes proceso horas I II III yijk..
3 1.086 1.096 1.149 3.331
trozo 6 1.143 1.178 1.195 3.516
9 1.181 1.212 1.217 3.610
Trigo 3 1.344 1.281 1.235 3.860
Molido 6 1.365 1.365 1.292 4.022
9 1.389 1.413 1.411 4.213
3 1.383 1.303 1.264 3.950
rolado 6 1.389 1.382 1.334 4.105
9 1.409 1.419 1.437 4.265
3 1.130 1.127 1.167 3.424

trozo 6 1.152 1.149 1.193 3.494
9 1.206 1.201 1.225 3.632
avena 3 1.326 1.267 1.240 3.833
molido 6 1.359 1.354 1.303 4.016
9 1.382 1.408 1.408 4.198
3 1.378 1.298 1.269 3.945
rolado 6 1.378 1.372 1.330 4.080
9 1.389 1.429 1.428 4.246
3 1.110 1.100 1.133 3.343

trozo 6 1.127 1.130 1.152 3.409
9 1.187 1.187 1.198 3.572
3 1.296 1.238 1.225 3.759
cebada molido 6 1.322 1.322 1.285 3.929
9 1.363 1.326 1.365 4.054
3 1.328 1.267 1.243 3.838
rolado 6 1.354 1.348 1.332 4.034
9 1.389 1.369 1.383 4.141
113
3 1.149 1.178 1.201 3.528
trozo 6 1.181 1.232 1.232 3.645
9 1.227 1.271 1.281 3.779
kochia 3 1.361 1.348 1.334 4.043
molido 6 1.408 1.403 1.403 4.214
9 1.457 1.448 1.445 4.350
3 1.389 1.382 1.372 4.143
rolado 6 1.416 1.421 1.419 4.256
9 1.463 1.463 1.478 4.404
Y...l 46.916 46.687 46.578 Y....
140.181
Yijkl = µ + αi+ βj + αβij + λk + αλik + βλjk + αβλijk + Βl + εijkl

I = 1,2,..4 (a) k = 1,2,3 (c)
J = 1,2,3 (b) l = 1,2,3 r Bloques
Yij..
a1 a2 a3 a4 Y.j..
b1 10.457 10.550 10.324 10.952 42.283
b2 12.095 12.047 11.742 12.607 48.491
b3 12.320 12.271 12.013 12.803 49.407
Yi… 34.872 34.868 34.079 36.362 140.181
Y…
Yi.k.
a1 a2 a3 a4 Y..k
c1 11.141 11.202 10.940 11.714 44.997
c2 11.643 11.590 11.372 12.115 46.720
c3 12.088 12.076 11.767 12.533 48.464
Yi… 34.872 34.868 34.079 36.362 140.181
Y.jk.
114
b1 b2 b3 Y..k
c1 13.626 15.495 15.876 44.997
c2 14.064 16.181 16.475 46.720
c3 14.593 16.815 17.056 48.464
Y.j.. 42.283 48.491 49.407 140.181
Testigo 1.348 + 1.330 + 1.365 + 1.252 + 1.328 + 1.406 + 1.416 + 1.389 = 10.834
Factor A 3 0.101 0.033 42.307 Fα3 y 70gl 2.740**
Factor B 2 0.834 0.417 534.615 Fα2 y 70gl 3.130**
IAxB 6 0.003 0.0005 0.641 Fα6 y 70gl 2.230NS
Factor C 2 0.166 0.083 106.410 Fα2 y 70gl 3.313**
IAxC 6 0.001 0.0001 0.128 Fα6 y 70gl 2.230NS
IBxC 4 0.004 0.001 1.282 Fα4 y 70gl 2.500NS
I AxBxC 12 0.002 0.00016 0.205 Fα12y70gl 1.900NS
Bloques 2 0.001 0.0005 0.641 Fα2 y 70gl 3.130NS
Tratram 35 1.111 0.0317 40.641 Fα35y70gl **
Error (EE) 70 0.055 0.00078
Total 107 1.1679
Factor A = Forraje
Factor B = Tipo de procesamiento
115
Factor C = tiempo despues de la ingesta.
A X B = interaccion forraje x tipo de proceso
A X C = interaccion forraje x tiempo despues de la ingesta.
B X C = interaccion tipo de procesamiento x tiempo despues de la ingesta
A X B X C = interaccion forraje x tipo de proceso x tiempo despues de la ingesta
Bloque = Edad.

a
ScFA = ∑ yi...2 – y2... = (34.8722 + . . . 36.3622) – 140.1812 = 0.101
I=1
bcr abcr 3x3x3 108
b
ScFB = ∑ y.j..2 – y2... = (42.2832 + . . . 36.3622) – 140.1812 = 0.834
j=1
acr abcr 4x3x3 108
a b
ScAxB = ∑ ∑ yij..2 – y2... – (SCA + SCB) =
I=1j=1
cr abcr
= (10.457 + … + 12.8032) –
2
140.1812 – (.101 + .834) = 0.003
3x3 108
c
ScFC = ∑ y..k.2 – y2... = (44.9972 + . . . + 48.4642) – 180.1412 = 0.166
k=1
abr abcr 4x3x3 108
a c
ScAxC = ∑ ∑ yi.j.2 – y2... – (SCA + SCC) =
I=1k=1
br abcr
= (11.1412 + ….+ 12.5332) – 140.1812 – (0.101 + 0.166) = .001
116
3x3 108
b c
ScBxC = ∑ ∑ y.jk.2 – y2... – (SCB + SCC) =
j=1 k=1
ar abcr
= (13.6262 + . .. + 17.0562) – 140.1812 – (0.834 + 0.166) = .004
4x3 108
a b c
ScAxB = ∑ ∑ ∑ yijk.2 – y2... – (SCA + SCB + SCC + SCAB + SCAC +
SCBC) =
I=1j=1k=1
r abcr
= (3.3312 + . .+4.4042) – 140.1812 – (.101+.384+.166+.003+.001 + .004)
3 108
= 0.002
r
ScB = ∑ yij..2 – y2... = 46.9162 + 46.6872 + 46.5782 – 140.1812 = .001
l=1
abc abcr 4x3x3 108
a b c r
Sctot = ∑ ∑ ∑ ∑ yijkl2 – y2... = 1.0862 + …+ 1.4782 – 140.1812 = 1.1679
I=1j=1k=1
abcr 108
Sctrat = (SCA + SCB + SCC + SCAB + SCAC + SCBC + SCAXBXC) =
= (0.101 +0.834 + 0.003 + .166 + .001 + .004 + .002) = 1.111
SCEE = SCtotal – (Sctrart + SCBloques)
= 1.1679 – (1.111 + .001) = .055
CMFA = SCFA ÷ GLFA = 0.101 ÷ 3 = 0.033
CMFB = SCFB ÷ GLFB = 0.834 ÷ 2 = 0.417
CMFC = SCFC ÷ GLFB = 0.166 ÷ 2 = 0.083
CMAXB = SCAXB ÷ GLAXB = 0.003 ÷ 6 = 0.0005
CMAXC = SCAXC ÷ GLAXC = 0.001 ÷ 6 = 0.0001
CMBXC = SCBXC ÷ GLBXC = 0.004 ÷ 4 = 0.001
CMAXBXC = SCAXBXC ÷ GLAXBXC = 0.002 ÷ 12 = 0.00016
CMTratam = SCTratam ÷ GLTratam = 1.111 ÷ 35 = 0.0317
117
CMBloques = SCBloques ÷ GLBloques = 0.001 ÷ 2 = .0005
CMEE = SCEE ÷ GLEE = 0.055 ÷ 70 = 0.00078
FCFA = CMFA ÷ CMEE = 0.033 ÷ 0.055 = 42.307
FCFB = CMFB ÷ CMEE = 0.417 ÷ 0.055 = 534.615
FCFC = CMFC ÷ CMEE = 0.166 ÷ 0.055 = 106.410
FCAXB = CMAXB ÷ CMEE = 0.0005 ÷0.055 = 0.641
FCAXC = CMAXC ÷ CMEE = 0.0001 ÷0.055 = 0.128
FCBXC = CMBXC ÷ CMEE = 0.004 ÷ 0.055 = 1.282
FCAXBXC = CMAXBXC ÷ CMEE = 0.00016 ÷ 0.055 = 0.205
FCBloques = CMBloques ÷ CMEE = 0.0005 ÷ 0.055 = 0.641
FCTtratam = CMTratam ÷ CMEE = 0.0317 ÷ 0.055 = 40.641
PRUEBA DE MEDIAS.
Prueba de medias para el factor A
K T A C
1.345 1.29155 1.29140 1.262
C 1.262 0.866* 0.02955* 0.0294* 0
A 1.29140 0.0546* 0.00015 NS 0
T 1.29155 0.0544* 0
K 1.345 0
Tukey qα σx
σx = CMEE = 0.00078 = 0.00537
bcr 27
Tukey q(0.05) 4 y 70 gl (3.7317)(0.00537) = 0.0200
trigo 1.29155b
avena 1.29140b
cebada 1.262 c
118
Kochia 1.346 a
Prueba de medias del factor B

T M R
1.372 1.346 1.174
T 1.174 0.198** 0.172** 0
M 1.346 0.026** 0
R 1.372 0
Tukey qα σx
σx = CMEE = 0.00078 = 0.00465
acr 36
Tukey q(0.05) 3 y 70 gl (3.3934)(0.00465) = 0.0157
Trozo 1.174c
Molido 1.346b
Rolado 1.372a
Prueba de medias para el factor C

9 6 3
1.346 1.297 1.249
3 1.249 0.097 * 0.048 * 0
6 1.297 0.049 * 0
9 1.346 0
Tukey qα σx
σx = CMEE = 0.00078 = 0.00465
abr 36
Tukey q(0.05) 3 y 70 gl (3.3934)(0.00465) = 0.0157
119
3 1.249c
6 1.297b
9 1.346a
CONCLUSIONES
Se encontró diferencia significativa (p<0.05) para la digestibilidad porcentual
de los forrajes evaluados con rumiantes fistulados que fueron trigo, avena, cebada
y kochia. Se encontró diferencia significativa para la digestibidad porcentual (p>
0.05) en el segundo factor que fue el tipo de procesamiento del forraje (trozo,
molido y rolado) también se encontró diferencia significativa (p< 0.05) en los tres
tiempos de ingesta.
No se encontró diferencia significativa (p> 0.05) para la interacción forraje-
tipo de proceso, forraje-tiempos después de la ingesta, así como tampoco se
encontró diferencia significativa para la interacción forraje-tipo de proceso-horas
después de la ingesta.
No se encontró diferencia significativa (p> 0.05) en la digestibilidad general
para el control local de los animales que fue la edad.
Al realiza la prueba de medias de tukey con un nivel de significancía de

0.05 se encontró que la digestibilidad porcentual fue mayor en la Kochia, en el
trigo y avena la digestibilidad fue similar y la cebada fue la que obtuvo el
porcentaje mas bajo de digestibilidad.
120
En la prueba de medias para el factor tipo de procesamiento, la
digestibilidad fue diferente en los tres procesos siendo mejor en el forraje rolado.
Seguido del molido y por ultimo en trozo.
En la prueba de medias para los tiempos después de la ingesta, se

encontró que en la hora 9 se obtuvo el mayor porcentaje de digestilibidad. Esto es
lógico ya que el forraje estuvo mayor tiempo en el rumen, por lo que su
degradación fue mayor.(cuadro 1)
Por lo que en forma general podemos concluir que la Kochia con el tipo de
procesamiento rolado es la que obtiene mayor digestibilidad
Cuadro 1. Digestibilidad general de 4 pastos diferentes y con 3 tipos de

procesamiento a 3 tiempos después de la ingesta.
Pasto Media Tipo de Media Horas Media

después de
Factor A Real % proceso real % real %
la ingesta
Trigo 19.56b Trozo 14.92 c 3 17.74 c
Avena 19.56b Molido 22.18 b 6 19.81 b
Cebada 18.28c rolado 23.55 a 9 22.18 a
kochia 22.18a
(P< 0.05)
121
EJEMPLO PRACTICO
ANÁLISIS DE VARIANZA CON UN TRATAMIENTO EXTRA.
Test &fact 1 0.023 0.023 23.000 Fα1 y 70gl 3.980**
Factor A 3 0.101 0.033 33.000 Fα3 y 70gl 2.740**
Factor B 2 0.834 0.417 417.000 Fα2 y 70gl 3.130**
IAxB 6 0.003 0.0005 0.500 Fα6 y 70gl 2.230NS
Factor C 2 0.166 0.083 830.000 Fα2 y 70gl 3.313**
IAxC 6 0.001 0.0001 0.100 Fα6 y 70gl 2.230NS
IBxC 4 0.004 0.001 1.000 Fα4 y 70gl 2.500NS
I AxBxC 12 0.002 0.00016 0.160 Fα12y70gl 1.900NS
Bloques 2 0.001 0.0005 0.500 Fα2 y 70gl 3.130NS
Tratram 35 1.111 0.0317 31.700 Fα35y70gl **
Error (EE) 70 0.076 0.001
Total 108 1.211
La relación testigo-factorial es altamente significativo (p< 0.05)
Cálculos para el análisis de varianza incorporando el testigo.
a b c r
122
SCto = to2 + ∑ ∑ ∑ ∑ yijkl2 - (y… + to)2
I=1j=1k=1l=1
q abcr abcr + q
2
= 10.834 + 140.181 – (140.181 + 10.834)2
2
8 4x3x3x3 (108) + 8
= 0.023
Cmto = Scto ÷ Glto = 0.023 ÷ 1 = 0.023
Fcto = Cmto ÷CMEE = 0.023 ÷0.001
a b c r q
Sctot = ∑ ∑ ∑ ∑ yijkl2 + ∑ti2 – ( y... + to)2 =
I=1j=1k=1 t=1
abcr + q
= (1.0862 + …+ 1.4782) + (1.3482+ ..+1.4162) – (140.181+10.834)2 = 1.211
108 + 8
PRUEBA DE MEDIAS INCORPORANDO UN TESTIGO

Prueba de medias para el factor A
Tuquey = q α.σx
σx = CMEE = 0.001 = 0.0060

bcr 27
tc = to – yi... ≈ tα/2 (EE) tα 0.05/2 = 1.994

sd
sd = √s2 (1/q + 1/r) = √ 0.001 (1/8 + 1/27) 0.0127

tc to&trigo = 1.354 – 1.29155 ÷ 0.012 = 5.25 * b
tc to&avena = 1.354 – 1.29140 ÷ 0.012 = 5.216 * b
tc to&cebada = 1.354 – 1.26200 ÷ 0.012 = 7.660 * b
tc to& Kochia = 1.354 – 1.34600 ÷ 0.012 = 0.666 NS a
123
La digestibilidad del testigo es similar a la digestibilidad de la Kochia, pero
diferente del trigo, avena cebada y trigo (p< 0.05)
Prueba de medias para el factor B incorporando el testigo.

Sd = .0123 tα 0.05/2 = 1.994
Tc to&trozo = 1.354 – 1.174 ÷ 0.0123 = 14.634 * b
Tc to&molido = 1.354 – 1.346 ÷ 0.0123 = 0.650 NS a
Tc to& rolado = 1.354 – 1.372 ÷ 0.0123 = 1.463 NS a
La digestibilidad de la forma de presentación molido y rolado es similar al la

digestibilidad general del testigo, pero la presentación en trozo es diferente a la del
testigo. (p< 0.05)
Prueba de medias para el Factor C contra el testigo.

Sd = 0.123 tα 0.05/2 = 1.994
Tc to&3 = 1.354 – 1.249 ÷ 0.0123 = 8.536* b
Tc to&6 = 1.354 – 1.297 ÷ 0.0123 = 4.634* b
Tc to&9 = 1.354 – 1.346 ÷ 0.0123 = 0.650 NSa
La digestibilidad presentada en la hora 9 resulto ser similar a la digestibilidad
general del testigo.
124
ANALISIS DE COVARIANZA.
El análisis de Covarianza es una combinación del análisis de varianza y la

regresión que permite evaluar las variables de respuesta, cuantificadas antes de la
aplicación de un estimulo y donde se considera una variable endógena –variable
concomitante- como modificadora del efecto real.
El análisis de Covarianza puede aplicarse en el contexto de cualquier
diseño básico, incluso del arreglo de tratamientos (factoriales) además, se ha
comprobado que la eficiencia de la covarianza en el análisis de respuesta supera
al análisis convencional.
Todo lo anterior se refiere al hecho de que en ocasiones, en el estudio de un
fenómeno encontramos variables que son propias de las unidades experimentales,
que creemos estén correlacionadas con la variable respuesta a evaluar, por
consiguiente su injerencia en el proceso de estudio u observación modificara la
evaluación; Bajo este contexto, es posible que pensemos en eliminar el efecto de
la variable endogena mediante Control Local, pero para ello tendríamos que
pensar que los agrupamientos en el bloqueo se dan para unidades experimentales
homogéneas dentro de grupo y heterogéneas entre los mismos, lo anterior en
ocasiones no es posible por la naturaleza y características del material con que se
trabaja.
Por lo anterior en el análisis de Covarianza resulta muy eficiente en este tipo de
situaciones. Es importante aclarar que la variable concomitante, deberá ser una
variable cuantitativa o susceptible de ser transformada, de otra manera el análisis
numérico no podrá ser aplicado. Las variables de respuesta y concomitante
deberán ser registradas en todas las unidades experimentales y además de ser
correspondientes a cada una de ellas, el flujo de análisis se inicia con obtener
información sobre si la variable concomitante realmente afecto a la variable
respuesta, lo anterior se hace mediante un análisis de regresión. Si existe efecto,
la variable respuesta es analizada mediante un ajuste que elimine el efecto
mencionado, de igual manera se modificaran los procesos de comparación de
medias y otros cálculos; Si por el contrario el análisis no fue significativo para la
125
variable concomitante la respuesta puede ser evaluada bajo el contexto normal del
Diseño Experimental que por las características del estudio se escogió.
Ejemplo.
En un sembradío de maíz infestado por araño roja se robaron 5 insecticidas
para el control de la misma, sin embargo, el grado de infestación en el área de
trabajo no fue homogénea, por lo que fue necesario registrar esta variable como
concomitante, por otro lado los tiempos de aplicación durante el día fueron
distintos y esta acción se definió como una variable endógena
Producto: ko, l8, u7, y7, w12
6:00 10:00 14:00 18:00

x y x y x y x y
ko 24 7 17 5 15 4 22 6
L8 31 12 25 10 26 10 13 5
U7 15 7 26 12 24 11 35 16
Y7 45 7 12 2 24 4 31 5
W12 14 3 13 3 16 4 9 2
yij = µ + Τi + βj + β(xi. – x..) + εij

i = 1,2, .. 5 t
j = 1,2,... 4 r (bloques) β = coeficiente de regresión.
Datos transformados a raíz2
6:00 10:00 14:00 18:00
X Y X Y X Y X Y xi. Yi.
Ko 4.898 2.645 4.123 2.236 3.872 2.000 4.690 2.449 17.583 9.33
L8 5.567 3.464 5.000 3.162 5.099 3.162 3.605 2.236 19.271 12.024
U7 3.872 2.645 5.099 3.464 4.898 3.316 5.916 4.000 19.785 13.425
Y7 6.708 2.645 3.464 1.414 4.898 2.000 5.567 2.236 20.637 8.295
126
W12 3.741 1.732 3.605 1.732 4.000 2.000 3.000 1.414 14.346 6.878
x.j 24.786 21.291 22.767 22.778 91.622

y.j 13.131 12.008 12.478 12.335 49.952
Suma de cuadrados y productos.

FV G.L SXX SXY SYY
Total 19 17.186 9.505 10.213
Tratam 4 6.189 3.973 7.232
Bloques 3 1.236 0.401 0.133
Error E 12 9.761 5.131 2.848
Gran total 16 15.950 9.104 10.080
Cálculos para la suma de cuadrados y productos.

tr
Txx = ∑∑ xij – x2.. = 4.8982 + . . . + 32 – 91.6222 = 17.186
I=1 j=1
tr 5 x4
t
txx = ∑ xi.2 – x2.. = 17.5832 + . . . + 14.3962 – 91.6222 = 6.189
I=1
r tr 4 20
r
Bxx = ∑ x.j2 – x2.. = 24.7862 + . . . + 22.7782 – 91.6222 = 1.236
j=1
r tr 5 20
EExx = Txx – (txx + Bxx) = 17.186 – (6.189 + 1.236) = 9.761
Sxx = txx + Exx = 6.189 + 9.761 = 15.950
tr
Txy = ∑∑ xij Yij – x.. y.. =(4.898 x 2.645)+ . .+(3 x 1.414) – (91.622x49.552)
I=1 j=1
tr 5 x4
Txy = 9.505
t
txy = ∑ xi. Yi. – x.. y.. =(17.583 x 9.33) + . .+(14.346 x 6.878) – (91.622x49.552)
127
I=1
r tr 4 5x4
txy = 3.973
t
Bxy = ∑ xij Yij – x.. y.. =(4.898 x 2.645)+ . .+(3 x 1.414) – (91.622x49.552)
j=1
t tr 5 5 x4
Bxy = 0.401
Exy = Txy – (txy + Bxy) = 9.505 – (3.973 + 0.401 ) =5.131
Sxy = txy + Exy = 3.973 + 5.131 = 9.104
tr
Tyy = ∑∑ Y2ij – Y2... 2.645 2 + . . . + 4.1412 - 49.5522 = 10.213
I=1 j=1
tr 5 x4
t
tyy = ∑ Y2ij – y..2 =9.33 2 + . . + 6.878 2 - 49.5522 = 7.232
I=1
r tr 4 5 x4
r
Byy = ∑ Y.j2 – y..2 =13.1312 + ... + 12.3352 – 49.5522 = 0.133
Ij=1
t tr 5 5 x4
EEyy = Tyy – (tyy + Byy) = 10.213 – (7.232 + 0.133) = 2.848
Syy = tyy + EEyy = 7.232 + 2.484 = 10.080
Análisis de regresión
F.V G.L SC CM FC FT
Regresion 1 2.697 2.697 196.861 Fα1y11gl = 2.86
Residual 11 0.151 0.137
Total 12 2.848
Screg = Exy2 = 5.131 2 = 2.697
128
Exx 9.761
Sctotal = Eyy = 2.848
Scresidual = Sctotal – Scregresion = 2.848 – 2.697 = 0.151
FCReg = 2.697 ÷ 0.0137 = 196.861
Existe una gran relación entre el efecto de la variable concomitante (x) y la

variable y
Análisis de varianza ajustado

F.V G.L SC CM FC FT
Tratam 4 4.681 1.170 65 Fα 4 y 11 gl = 3.36**
Bloques 3 0.0029 0.000966 0.053 Fα 3 y 11 gl = 3.59NS
Error E 11 0.199 0.0180
Total 18 4.883
ScTx = tyy – (txy) = 7.232 – (3.973)2 = 4.681
2
txx 6.189
ScB = Byy – (Bxy)2 = 0.133 – (0.401)2 = 0.0029
Bxx 1.236
Sctotal = Syy – (Sxy)2 = 10.080 – (9.104)2 = 4.883
Sxx 15.950
CMTx = SCTx ÷ GLTx = 4.681 ÷ 4 = 1.170
CMBl = SCBl ÷ GLBl = .0029 ÷ 3 = .000966
CMEE = SCEE ÷ GLEE = 0.199 ÷ 11 = 0.0180
FCTx = CMTx ÷ CMEE = 1.170 ÷ .0180 = 65
FCBl = CMBl ÷ CMEE = .000966 ÷ .0180
129
PRUEBA DE MEDIAS
Ajuste de medias
Ŷ i. = yi. – B(Xi. – X..) Yi = 9.990
B = Exy = 5.131 = .560 Xi = 18.324
Exx 9.161
Ŷ1 = 2.332 – 0.560(4.395 – 18.324) 10.132 bc
Ŷ2 = 3.006 – 0.560(4.817 – 18.324) 10.569 d
Ŷ3 = 3.356 – 0.560 (4.946 – 18.324) 10.847 d
Ŷ4 = 2.073 – 0.560(5.159 – 18.324) 9.445a
Ŷ5 = 1.724 – 0.560(3.586 – 18.324) 9.977 b
Fo0.05 = (t-1)F4y11 S2(1/4 + 1 /4)
= (4) (3.36)(.0180)(0.50) = 0.347

3 2 1 5 4
10.847 10.569 10.132 9.977 9.445
4. 9.495 1.402 ** 1.124** 0.687** 0.532** 0
5. 9.977 0.870** 0.592** 0.155NS 0
1. 10.132 0.715 ** 0.437** 0
2. 10.569 0.278NS 0
3. 10.847 0
Ko = 10.132 bc
L8 = 10.569 d
U7 = 10.847 d
Y7 = 9.445 a
W12= 9.977 b
130
Conclusiones
1. En el análisis de regresión se encontró alta significancia (p< 0.05) de la
relación entre la variable concomitante, grado de infestación por araña roja
antes del tratamiento (x) y la variable y (después del tratamiento).
2. En el análisis de varianza se encontró diferencia significativa (p< 0.05) entre los

tratamientos utilizados para el control de la araña roja en un sembradío de
maíz.
No se encontró diferencia significativa (p> 0.05) en los distintos tiempos de
aplicación.
3. En la prueba de medias se encontró el mejor insecticida contra la araña roja

fue el Y7, el insecticida Ko y W12 se comportaron se manera similar. Los
insecticidas L8 y U7 tambien se comportaron de manera similar entre ellos.
(Cuadro 1)
Cuadro 1 grado de infestación de la araña roja en sembradíos de maíz, medias

reales y medias ajustadas.
Insecticida Media Media Media real Media real
transformada ajustada ajustada
Ko 2.332 10.132 5 102 bc
L8 3.006 10.569 9 112 d
U7 3.356 10.847 11 117 d
Y7 2.073 9.445 4 89 a
W12 1.721 9.977 3 99 b
131
SUPERFICIE DE RESPUESTA
1 2 CM FC
13.131 12.008 12.478 12.335 ∑cijYi. 5∑c SC 1 / 2 SC/GL
CMc/CME
lineal -3 -1 1 3 3.678 100 0.0367 0.0367
2.038NS
cuadratico 1 -1 -1 1 0.960 20 0.0480 0.0480
2.660NS
cubico -1 3 -3 1 4.866 100 0.0486 0.0486
2.700NS
Fα0.056 1 y 11 = 4.840
No se encontró diferencia significativa para la superficie de respuesta por lo que

no puede hacerse una ecuación de respuesta
132
LITERATURA REVISADA
Castillo P.J, J.G.Arias. 1998. Estadística inferencial básica. Grupo editorial

Iberoamérica. México.
Cochran. G. William. 1980. Diseños experimentales. Editorial Trillas. México
Infante G. S. 1997. Métodos estadísticos. Editorial Trillas. México.
Kreyszig Erwin. 1979. Introducción a la estadística matemática. Editorial

Limusa. México
Montgomery D. C.1991.Diseño y análisis de experimentos. Grupo editorial

Iberoamérica. México.
Reyes C. P. 1978 Diseños de experimentos agrícolas. Editorial Trillas. México.
Rodríguez del A. J. 1991. Métodos de investigación pecuaria. Editorial Trillas.

México.
Snedecor W. George, W. G. Cochran. 1979 métodos estadísticos. Editorial

Continental. México.
Steel G.D Robert, J. H. Torrie.1981. 2ª. Principles and procedures of statistics a

biometrical approach. 2ª. Ed. Editorial Mc Graw-Hill. USA.
133
134

T11998 Teran Baeza, Omar Tesis

Cargado por

Copyright:

Formatos disponibles

T11998 Teran Baeza, Omar Tesis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

T11998 Teran Baeza, Omar Tesis

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA AGRARIA

DIVISIÓN DE CIENCIA ANIMAL

Métodos para el Análisis y Evaluación de Respuestas

Omar Terán Baeza

Presentada como Requisito Parcial para

Ingeniero Agrónomo Zootecnista

Octubre del 2000

DIVISION DE CIENCIA ANIMAL

Que somete a la consideración del H. Jurado examinador como requisito parcial

MC. Jaime M Rodríguez Del Ángel

MC. Luis Pérez Romero ING. Jesús Macias Hernández

El Coordinador de la División de Ciencia Animal

ING. José Rodolfo Peña Oranday

Buenavista, Saltillo, Coahuila octubre del 2000

• Conceptos básicos de Diseños Experimentales. 3

• Regresión Lineal Simple. 7

• Diseño Completamente al Azar 12

• Ejemplo practico con diferente numero de repeticiones por tratamiento 15

• Diseño Bloques al Azar 28

• Calculo de datos faltantes 31

• Factorial con dos factores 47

Primeramente, considero importante advertir que el objetivo de estas notas

De los objetivos de esta monografía podríamos decir lo siguiente;

Mediante la recopilación, ordenamiento y presentación de los temas aquí

Considerando que los ejemplos contenidos en los temas se refieren a aspectos

Teniendo en cuenta lo estipulado en el REGLAMENTO ACADEMICO PARA

Importancia del diseño experimental.

Principios básicos del diseño experimental.

Variables que intervienen en la respuesta de un fenómeno.

Variables continuas y variables discretas.

Supuestos del análisis de varianza

Diferencia entre un modelo matemático y un estadístico

SUMA DE CUADRADOS Y PRODUCTOS.

Sxx =∑xi2 – ( ∑xi )2 = 305.055

Sxy = ∑yi2 – ( ∑yi )2 = 653.158

r= Sxy = -.985 r2 = .970

Ho: β ≠ 0 Fc>Fα (p<.01) **

P β - Sβt α/2 < β < β + Sβtα/2 =1-α

P -1.44 – (0.069)(2.160) < β < -1.44 + (.069)(2.160) = 1 - .05

-1.589 < β < -1.290

El cuadro de análisis de varianza para un diseño completamente al azar con igual

Total rtm - 1 ∑ ∑ ∑ Y2ijk – Y2…

Cálculos para el análisis de varianza

SCtotal = ∑ ∑ Yij 2 - y.. 2 28.9292 + …. + 27.5552 - 679.268 2

Cálculos de los contrastes ortogonales

PRUEBA DE MEDIAS (TUKEY)

σx(5,3) = .416 + .416 = .0832 + .138 = .470 * 4.33 = 2.035

σx(4,5) = .416 + .416 = .432 * 4.33 = 1.870

σx(5,5) = .416 = .288 * 4.33 = 1.247

2. En los contrastes ortogonales se encontró que en las localidades de

3. Se realizo una prueba de medias (tukey) para el contenido de materia seca

A continuación se presenta el numero de plantas de sábila, que se logro

Cálculos para el análisis de varianza

SCδ = 168.026 – 157.427

SCtotal = ∑ ∑ Yij 2 - y.. 2 = 1.7322 + … + 2 2 - 62.735 2

3.371 2.860 2.752 2.040 1.522

σx = 2(.047) = .137 t.05(20) = (2.086)(.137) = 2.85

2. Al realizar una prueba de contrastes ortogonales se encontró que el numero

3. Al realizar una prueba de medias (DMS), con un nivel de significancía de