Cuarto Diseño Experimental 2021

Universidad Técnica de Cotopaxi
Facultad de ciencias Agropecuarias y Recursos Naturales
TEMA: MANUAL DE DISEÑO EXPERIMENTAL
Docente: Ing. Emerson Jácome
2020
ÍNDICE DE CONTENIDOS
1) DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)....................................................1
2) DCA CON DIFERENTE NÚMERO DE OBSERVACIONES.............................................10
3) DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA)...............................................16
4) DISEÑOS CUADRADO LATINO (DCL).............................................................................24
5) PRUEBAS DE SIGNIFICACIÓN..........................................................................................31
6) COMPARACIONES ORTOGONALES................................................................................35
7) POLINOMIOS ORTOGONALES..........................................................................................41
8) TRANSFORMACIÓN DE DATOS.......................................................................................48
9) ARREGLO FACTORIAL AXB.............................................................................................54
10) ARREGLO FACTORIAL AXBXC....................................................................................61
11) AXBXC EN UN BDCA......................................................................................................68
12) DISEÑO DE PARCELA DIVIDIDA.................................................................................84
13) DISEÑO DE PARCELA DOS VECES DIVIDIDA...........................................................95

ÍNDICE DE CUADROS
Cuadro 1 Modelo del ADEVA DCA..............................................................................................3
Cuadro 2 Porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro
tratamientos pre germinativos frente a un control (sin tratamiento)................................................4
Cuadro 3 ADEVA porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro
tratamientos pre germinativos frente a un control (sin tratamiento). Salache-cotopaxi-2020.........5
Cuadro 4 Matriz organizada para ingresar al InfoStat....................................................................5
Cuadro 5. Resultados del ADEVA en InfoStat...............................................................................8
Cuadro 6 modelos DCA con diferente número de observaciones................................................10
Cuadro 7 Número de tallos en la evaluación de cinco variedades de papa...................................11
Cuadro 8 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa........11
Cuadro 9 Matriz del número de tallos en cinco variedades de papa organizada para ingresar al
InfoStat...........................................................................................................................................12
Cuadro 10 Modelo ANOVA DBCA.............................................................................................18
Cuadro 11 Peso mg, en la evaluación de 3 fenotipos de coleóptero (Triboleum castaneum)
criados a una densidad de 20 individuos por gramo de harina.......................................................19
Cuadro 12 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneum)
........................................................................................................................................................20
Cuadro 13 Datos ordenados en matriz para ser ingresados al Infostat.........................................21
Cuadro 14 Modelo ANOVA DCL................................................................................................25

Cuadro 15 Resultados del incremento diario de peso en gramos de una especie.........................26
Cuadro 16 Datos arreglados para ingresar al Infostat...................................................................27
Cuadro 17 Datos del Infostat y clasificación de variables............................................................28
Cuadro 18 Seleccionamos el modelo, análisis de varianza...........................................................29
Cuadro 19 Datos a usar en el presente estudio..............................................................................35
Cuadro 20 Rendimiento de cada variedad....................................................................................35
Cuadro 21 Comparaciones de las variedades y contrastes a insertar en el infostat......................35
Cuadro 22 Matriz organizada para ingresar a Infostat..................................................................36
Cuadro 23 Evaluación de 6 niveles de EM, para mejorar la calidad del agua del río San Juan,
Salache 2020...................................................................................................................................42
Cuadro 24 Coeficientes para polinomios ortogonales de cuarto grado aplicados para 5
tratamientos....................................................................................................................................43
Cuadro 25 Matriz organizada para ingresar al Infostat.................................................................43
Cuadro 26 DBO en la evaluación de 6 niveles de EM, para mejorar la calidad del agua del río
San Juan, Salache 2020..................................................................................................................46
Cuadro 27 Matriz organizada de datos sin transformar para ingresar al Infostat.........................49
Cuadro 28 Modelo ANOVA A x B en un DCA...........................................................................55
Cuadro 29 Organización de la matriz para Infostat o R................................................................57

Cuadro 30 Número de colonias formadoras de bacterias degradantes de plástico, en la
evaluación de dos tipos de bacterias, a tres temperaturas y dos humedades relativas. Salache-
Cotopaxi 2020................................................................................................................................62
Cuadro 31 Modelo ANOVA A x BxC en un DCA.......................................................................65
Cuadro 32 Rendimiento kg/pn, en la evaluación de tres variedades de maíz (Zea mays), con la
aplicación de dos sistemas de desinfección sembradas a tres densidades. Salache Cotopaxi 2020.
........................................................................................................................................................71
Cuadro 33 Organización de datos para la solución en el Infostat.................................................71
Cuadro 34 Esquema del Adeva para Parcela Dividida.................................................................86

ÍNDICE DE GRÁFICOS
Gráfico 1 Porcentaje de germinación de Achira (Canna edulis).....................................................4
Gráfico 2 Promedio de Tallos de las Cinco Variedades de papa...................................................11
Gráfico 3 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa en
InfoStat...........................................................................................................................................15
Gráfico 4 Promedio de peso de de 3 fenotipos de coleóptero (Triboleum castaneum)................20
Gráfico 5 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneu).. 22
Gráfico 6 ANOVA para los resultados del incremento diario de peso en g de una especie.........29
Gráfico 7 Pruebas de significación o Tukey..................................................................................34
Gráfico 8 Análisis de varianza.......................................................................................................39
Gráfico 9 Cuadro de los contraste, y de los coeficientes de los contrastes...................................39
Gráfico 10 Coeficientes de los contrastes y Prueba Tukey...........................................................39
Gráfico 11 Datos arrojados por infostat para DBO en la evaluación de 6 niveles de EM, para
mejorar la calidad del agua del río San Juan, Salache 2020...........................................................46
Gráfico 12 Resultado de infosta para AxBxC en un BDCA.........................................................75
Gráfico 13 Resultado del Control de Ortogonalidad.....................................................................76
Gráfico 14 Pruebas Tukey para las Variables...............................................................................76
Gráfico 15 Pruebas Tukey para las Interacciones.........................................................................77

1) DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)
El diseño completamente al azar es el más sencillo de los diseños de experimentos que
tratan de comparar dos o más tratamientos, puesto que sólo considera dos fuentes de
variabilidad: los tratamientos y el error aleatorio o error experimental.
USOS.
Se utilizan en experimentos de laboratorio, invernadero o bien donde las condiciones
ambientales sean relativamente controladas, se puede utilizar en el campo en parcelas
experimentales con características ambientales similares.
VENTAJAS.
Permite el uso de un elevado número de tratamientos y un gran número de repeticiones
llamadas observaciones. Los grados de libertad del error experimental, son generalmente
altos de tal modo que garantizan una buena precisión del experimento, de hecho, este
diseño asegura el máximo número de grados de libertad para el error experimental,
mientras más grados de libertad existan en el error experimental más confiable se vuelve
la investigación, se debe procurar que no existan menos de 10 de libertad ya que ese
experimento pierde confianza. Una forma de asegurar más grados de libertad es
incrementar las réplicas de tratamientos.
RESTRICCIONES.
Sortear todos los tratamientos y observaciones (repeticiones) de una sola vez (Sortear
todas las parcelas experimentales una sola vez).

IMPLEMENTACIÓN EN CAMPO.
Los tratamientos y observaciones se asignan completamente al azar en el campo, usando
las tablas aleatorias, o realizando un sorteo de la disposición de las unidades
experimentales que van ir a campo. La forma del experimento en conjunto se debe
procurar que sea de un cuadrado o rectángulo y se dibuja el croquis.
UBICACIÓN EN CAMPO.
1. Supone una mesa de invernadero con 20 lugares para contener macetas de arcilla, se desea
distribuir sobre ella las macetas con 4 tratamientos y cada uno repetido 5 veces.
Tratamientos observaciones
I II III IV V
A A A A A A
B B B B B B
C C C C C C
D D D D D D
Ilustración 1 Unidades experimentales dispuestas al sorteo.
2. Sortear todas las 20 unidades experimentales, como en el esquema que sigue. Para obtener
el croquis de campo. Como se observa en el gráfico las unidades están dispuestas
aleatoriamente, siendo el resultado de un sorteo.
B A C D D
D B C B A
A D B D B
C C A A C
Ilustración 2 Disposición de unidades experimentales en el campo.
MODELO MATEMÁTICO DEL DCA.

El modelo matemático implica únicamente 2 fuentes de variación (los tratamientos y el
error) y una constante (u).
X ij + µ+ Ʈ i +ɛ ij
Donde:
X ij −µ = Total.
Ʈ i = Tratamientos.
ɛ ij = Error experimental.
ESQUEMA DEL ADEVA PARA EL DCA.
Cuadro 1 Modelo del ADEVA DCA.

F de V GL SC
TOTAL n–1 ∑(x1 2 +….xn 2) –Fc
∑( xi 12+ xin2)– Fc
TRATAM 0
. t-1 - Fc
Diferenci
E. EXP. a SC TOT – SC TRAT.
CV%=
Ejemplo:
Porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro tratamientos
pre germinativos frente a un control (sin tratamiento). Salache-cotopaxi-2020
FACTOR: Tratamientos pregerminativos de semillas de Achira (Canna edulis)
Observaciones o repeticiones: 3
VARIABLE o PÁRAMETRO: Porcentajes de germinación
HIPOTESIS:
Ho: Son iguales los tratamientos.
Ha: Al menos uno de los tratamientos es diferente.
Cuadro 2 Porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro tratamientos pre germinativos
frente a un control (sin tratamiento).
Observaciones
Tratamientos I II III IV Suma Promedio
T1 54,9 61,1 59,4 57,2 232,6 58,15

T2 70,3 72,2 78,1 68,2 288,8 72,2
T3 3,2 4,5 3,5 3,8 15 3,75
T4 47,3 57,6 51,7 54,6 211,2 52,8
T5 3,6 3,7 3,2 4,2 14,7 3,675
Total 179,3 199,1 195,9 188 762,3 38,115
80 72.2
70
58.15
60 52.8
% Germinació
50
40
30
20
10 3.75 3.68
0
T1 T2 T3 T4 T5
Tratamientos
Gráfico 1 Porcentaje de germinación de Achira (Canna edulis).

Cálculos:
1. FC SUMA^2/n 29055,06
2. SCTOT (x1^2+.. xn^2)-FC 16718,95
3. SCTRA (xi1^2+..xin^2)/r -FC 16583,62
4. SC E. EXP: SCTOT-SCTRA 135,33
Cuadro 3 ADEVA porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro
tratamientos pre germinativos frente a un control (sin tratamiento). Salache-cotopaxi-2020.
F DE V GL GL SC CM F CAL p
TOTAL n-1 19 16718,95
TRATAMIENTOS t-1 4 16583,62 4145,90 459,54 0,00 **
ERROR
EXPERIMENTAL GLT-GLTR 15 135,33 9,02
CV%= 7,88
PROMEDIO= 38,12
EN INFOSTAT
Cuadro 4 Matriz organizada para ingresar al InfoStat.

Tratamientos % de germinación
t1 54,9
t2 70,3
t3 3,2
t4 47,3
t5 3,6
t1 61,1
t2 72,2
t3 4,5
t4 57,6
t5 3,7
t1 59,4
t2 78,1
t3 3,5
t4 51,7
t5 3,2
t1 57,2
t2 68,2
t3 3,8
t4 54,6
t5 4,2
1. Abrimos el software InfoStat vamos a la Barra de tareas y seleccionamos “Archivo” y
luego damos clic en “Nueva Tabla”.
2. Ubicamos el cursis sobre “Columna 1” damos clic derecho, nos saldrá una menú donde
buscaremos y daremos clac a la opción “Pegar incluyendo nombre de columnas” anterior
a esto se debe copiar la tabla.
3. Una vez pegada la Tabla vamos a la barra de herramientas damos clic en “Estadísticas” en
el menú desplegado buscamos ya damos clic a “Análisis de la varianza”.
4. Clasificamos las Variables y damos clic en “Aceptar”.

5. Damos clic a “Aceptar” y obtendremos la ADEVA.
Cuadro 5. Resultados del ADEVA en InfoStat
Discusión: Nuestro p-valor es altamente significativo en cuanto a los tratamientos, por
ellos se hace efecto la Hipótesis alternativa en donde nos dice que hay diferencia entre los
tratamientos de germinación. Se determinó el número medio de días a total germinación
(NMDTG) y el índice de la velocidad de germinación (IVG) así como el porcentaje de
plantas perdidas (PPP) (Caicedo G, 2012).
DCA En R
En R, el archivo debe ser guardo en formato delimitado por tabulaciones.

PARA R
##DISEÑO COMPLETAMENTE AL AZAR##
dca<-read.table(file=file.choose(),header=TRUE,sep="\t")
dca
View(dca)
head(dca)
#llamado del paquete requerido
##INSTALAR PAQUETES##
install.packages("ExpDes.pt")
library(ExpDes.pt)
?ExpDes.pt
help ExpDes.pt
###Se selecciona el script que se necesita###
##Para realizar el cálculo, no se necesita cargar de los paquetes sino
##se necesita de la función require y así se evita mucho tiempo de instalar paquetes###
require (ExpDes.pt)
require(MASS)
require (agricolae)
##Se consulta y el internet te da el modelo###
###dic(trat, resp, quali = TRUE, mcomp = "tukey", nl = FALSE,
hvar='bartlett', sigT = 0.05, sigF = 0.05) ##
##Una vez obtenido el modelo se realiza el cálculo con la tabla que le pusimos de nombre
dca###
with(dca,dic(A, E, quali = TRUE, mcomp = "tukey", nl = FALSE,
hvar='bartlett', sigT = 0.05, sigF = 0.05))
Bibliografía:
Caicedo, G., (2012). Colombia, El cultivo de achira: Alternativa de producción para el
pequeño productor. Consultado en: http://cipotato.org/wp-
content/uploads/2014/06/11_El_cultivo_achira_alternat_produc.pdf
2) DCA CON DIFERENTE NÚMERO DE OBSERVACIONES
Cuadro 6 modelos DCA con diferente número de observaciones.
F de V GL SC
TOTAL n–1 ∑(x1^2+….xn^2) – Fc
TRATAM. t–1 ∑(xi1^2/o1+….xin^2/on) – Fc
E. EXP. Diferencia SC TOT – SC TRAT.
Ejemplo
Evaluación del número de tallos, en de cinco variedades de papa Salache-Cotopaxi 2020
Factor en estudio: Variedades de papa (v)
Tratamientos:
Niveles del factor en estudio
V1= chola
V2= superchola
V3= leona
V4= gabriela
Variable:
Número de tallos
Hipótesis:
Ho: igualdad
Ha: Diferencia en al menos un promedio

Cuadro 7 Número de tallos en la evaluación de cinco variedades de papa.
VARIEDADES I II III IV OBSERVACIONES SUMA PROMEDIO
v1 3 2 3 3 8 2,67
v2 4 4 3 4 4 15 3,75
v3 2 2 2 4 2
v4 6 6 6 3 18 6
v5 3 3 2 3 8 2,67
53 3,53
7.00
6.00
6.00
5.00
Numero de Tallos
4.00 3.75
3.00 2.67 2.67
2.00
2.00
1.00
0.00
1 2 3 4 5
Variedades de Papa
Gráfico 2 Promedio de Tallos de las Cinco Variedades de papa.

Cálculos:
Cuadro 8 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa.

G F
F DE V GL L SC CM CM FCAL F CAL CAL p
sctot/glt 2,123809
Total n-1 14 29,7333 ot 5

Tratamient cmtr/cm 17.29/0.3 9,54E- *
os t-1 4 27,65 sctr/gltr 6,9125 e 4 33,18 06 *
diferenci 2,08333 0,208333
E. Exp a 10 3 sce/gle 3
CV% 12,9
C.V. % = ((√ C.MEE) / media general) * 100
promedio 3,5
EN INFOSTAT
Cuadro 9 Matriz del número de tallos en cinco variedades de papa organizada para ingresar al InfoStat.
TRATAMIENTOS OBSERVACIONES RENDIMIENTO
1 1 2,5
2 1 1,2
3 1 4,3
4 1 6,5
1 2 3
2 2 1,4
3 2 4,5
4 2 6,6
1 3 2,8
2 3 1
3 3 5
1 4 3,4
2 4 1,6
2 5 1,1
1. Ingresamos nuestra matriz a InfoStat
2. Clasificamos las Variables y damos Clic a “Aceptar” a las dos ventanas que aparecen.
Gráfico 3 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa en InfoStat.
Discusión: El p-valor es altamente significativo en cuanto a las variedades de papa, por
ellos se hace efecto la Hipótesis alternativa en donde nos dice que hay diferencia entre las
variedades de Papa (solanum tuberosum). En el crecimiento y en la composición por
calibres del número de tubérculos en una plantación de papa dedicada a la obtención de
´semilla´ nacional. (Jerez E, Roberquí M, 2015).
DCA con diferente observación en R
PARA R
##DISEÑO COMPLETAMENTE AL AZAR##
pepito<-read.table(file=file.choose(),header=TRUE,sep="\t")
pepito
View(pepito)
library(ExpDes.pt)
?ExpDes.pt
require (ExpDes.pt)
require(MASS)
require (agricolae)
###dic(trat, resp, quali = TRUE, mcomp = "tukey", nl = FALSE,
hvar='bartlett', sigT = 0.05, sigF = 0.05) ##
dca###
with(pepito,dic(A, E, quali = TRUE, mcomp = "tukey", nl = FALSE,
hvar='bartlett', sigT = 0.05, sigF = 0.05))
Bibliografía:
Jerez E, Roberquí M., (2015). Colombia. Evaluación del crecimiento y composición por
tamaño de tubérculos de plantas de papa para semilla. Consultado en:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362017000400015
3) DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA)
Este tipo de diseño experimental es el más popular de todos por su facilidad de implementación
en el campo experimental y versatilidad de cálculo, puede agrupar un grupo considerable de
tratamientos, además de asumir una fuente de variabilidad bien determinada en el sitio
experimental.
En este diseño el experimentador agrupa las unidades experimentales en bloques, a continuación,
determina la distribución de los tratamientos en cada bloque y, por último, asigna al azar las
unidades experimentales a los tratamientos dentro de cada bloque. En el análisis estadístico de un

diseño en bloques, éstos se tratan como los niveles de un único factor de bloqueo, aunque en
realidad puedan venir definidos por la combinación de niveles de más de un factor o más. (Otero,
2006)
UBICACIÓN EN EL CAMPO DEL DBCA
1. Ubicar una fuente de variabilidad en el sitio experimental
ILUMINACIÓN
R1
R2
R3
R4
2. Ubicar los tratamientos en bloques de forma perpendicular a la fuente externa
ILUMINACIÓN
R1 HOMOGENEIDAD
R2
HETEROGENEIDAD
R3
R4
3. Ubicar los tratamientos al interior del bloque en forma aleatoria
ILUMINACIÓN
R1 l4 l2 l1 l3
R2 l3 l2 l1 l4
R3 l1 l3 l4 l2
R4 l2 l1 l4 l3 HETEROGENEIDAD
Se debe procurar que al interior del bloque exista la mayor HOMOGENEIDAD, pudiendo existir
entre los bloques la mayor HETEROGENEIDAD
Modelo matemático
Xij-u = xi + xj + ∑ij
Xij-u= TOTAL
Xi= TRATAMIENTO
Xj= REPETICIONES O BLOQUES
∑ij = ERROR EXPERIMENTAL
Cuadro 10 Modelo ANOVA DBCA

F de V GL SC
TOTAL (t*r ) – 1 ∑(x1 +….xn )–Fc
2 2
TRATAM. t–1
BLOQUES r–1
E. EXP. Diferencia SC TOT – SC TRAT – SC REP
Ejemplo:
Evaluar el peso mg de 3 fenotipos de coleóptero (Triboleum castaneum) criados a una
densidad de 20 individuos por gramo de harina.
Factor en estudio: Peso seco en mg. de coleóptero (Triboleum castaneum)
Tratamientos:
Genotipo 1 a1
Genotipo 2 a2
Genotipo 3 a3
Variable:
Fenotipos de coleóptero (Triboleum castaneum)
Repeticiones:
4 repeticiones
Hipótesis:
Tratamientos:
H0: igualdad de promedios
Ha: por lo menos un promedio es diferente
Repeticiones:
H0: igualdad en promedios en las repeticiones
Ha: por lo menos un promedio de repeticiones es diferente
Cuadro 11 Peso mg, en la evaluación de 3 fenotipos de coleóptero (Triboleum castaneum) criados a una
densidad de 20 individuos por gramo de harina.
GENOTIP ∑Tratamient
OS I II III IV os promedio
a1 0,958 0,971 0,927 0,971 3,827 0,95675
a2 0,986 1,051 0,891 1,01 3,938 0,9845
a3 0,925 0,952 0,829 0,955 3,661 0,91525
∑repeticion 0,9
es 2,869 2,974 2,647 2,936 11,426 5
1
0.98
0.96
Peso mg.
0.94
0.92
0.9
0.88
1 2 3
Genotipos
Gráfico 4 Promedio de peso de de 3 fenotipos de coleóptero (Triboleum castaneum).

Calculo:
FC (TOTAL^2)/n (t*r) 10,87945633

SCTOTALES (3^2+…5^2)-FC 0,035291667
SCTRA (10^2+…25^2)/4 -FC 0,01
SCREP (23^2+…19^2)/6 -FC 0,02
SCEEXP SCT-SCTR-SCR 4,18E-03
Cuadro 12 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneum)

FCA
F DE V GL SC CM L p
TOTAL 11 0,04
TRATAMIENTO 4,9E-
S 2 0,01 03 6,97 0,027 *
REP 3 0,02 0,01 10,23 0,009 ns
7,0E-
E.EXP 6 4,2E-03 04
CV% 2,77
PROMEDIO 0,95
EN INFOSTAT
Cuadro 13 Datos ordenados en matriz para ser ingresados al Infostat.

TRATAMIENTO REPETICIONES DATOS
S
1 1 0,958
1 2 0,971
1 3 0,927
1 4 0,971
2 1 0,986
2 2 1,051
2 3 0,891
2 4 1,01
3 1 0,925
3 2 0,952
3 3 0,829
3 4 0,955
1. Ingreso de la matriz de datos ordenada en Infostat.

2. Clasificación de las variables para el Esquema del ANOVA DBCA en InfoStat.
Gráfico 5 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneu).

Discusión: El ANOVA para la variable incremento de masa en mg, se observa alta
significación estadística lo que demuestra, que entre los 3 tipos de genotipos hay
diferencia en el incremento del peso seco, en concordancia con lo que manifiesta (Otero,
2006). Desarrollo poblacional de (Triboleum castaneum) en diferentes dietas y su
influencia sobre la toxicidad y resistencia a malatión. Muestran resultados de los
estudios poblacionales indican que la evolución de la población dela cepa susceptible
fue muy similar a la de la cepas resistentes. (CASADÍO A & ZERBA E, 2017).
DBCA en R
PARA R
##DISEÑO DE BLOQUES COMPLETOS AL AZAR##
morita<-read.table(file=file.choose(),header=TRUE,sep="\t")
morita
View(morita)
library(ExpDes.pt)
?ExpDes.pt
require (ExpDes.pt)
require(MASS)
require (agricolae)
###dbc(trat, provador, aparencia, quali = TRUE, mcomp="lsd",hvar='oneillmathews',

sigT = 0.05, sigF = 0.05) ##
morita ###
with(morita, dbc(ABONOS, REPETICIONES, RENDIMIENTO, quali = TRUE,
mcomp="lsd",hvar='oneillmathews', sigT = 0.05, sigF = 0.05)))
Bibliografía:
CASADÍO , A., & ZERBA, E. (2020). Desarrollo poblacional de Tribolium castaneum
(Herbst) (Coleoptera: Tenebrionidae), en diferentes dietas y su influencia sobre la
toxicidad y resistencia a malatión. Obtenido de miteco.gob:
https://www.miteco.gob.es/ministerio/pags/Biblioteca/Revistas/pdf_plagas%2FBSVP-22-
03-511-520.pdf
4) DISEÑO CUADRADO LATINO (DCL)
En algunas ocasiones se está interesado en estudiar la influencia de dos (o más) fuentes que
influyen en la variabilidad del sitio experimental, para ello se hace un diseño que asume esta
variación en filas y columnas, es decir se tiene más rigor científico ya que hay más restricciones
para el error experimental, lo que le vuelve a este diseño como el más confiable.[ CITATION
Sán16 \l 21514 ]
El número de tratamientos es igual al número de hileras y de columnas, dando un cuadrado

perfecto t^2 para la cantidad de unidades experimentales, donde tratamientos=hileras=columnas,
así el número de unidades experimentales resulta ser un cuadrado perfecto es decir t^2, si tengo 5
tratamientos tendré 25 unidades experimentales, si tengo 14 tratamientos tendré 196 unidades
experimentales, lo que le complica a este diseño cuando hay un elevado número de tratamientos.
IMPLEMENTACION EN CAMPO DEL DCL

1. Generar un cuadrado latino patrón (CLP)
1C 2C 3C 4C 5C
1H A B C D E
2H B C D E A
3H C D E A B
4H D E A B C
5H E A B C D
2. Sortear las hileras o filas

1C 2C 3C 4C 5C
2
H B C D E A
3
H C D E A B
1
H A B C D E
4
H D E A B C
5
H E A B C D
3. Sorteo de columnas
5C 2C 1C 3C 4C
2H A C B D E
3H B D C E A
1H E B A C D
4H C E D A B
5H D A E B C
Modelo matemático
xikj- u=x i + xj +xk + ∑ijk
xijk- u= TOTAL
xi= TRATAMIENTOS
xj= HILERAS
xk= COLUMNAS
∑ijk= ERROR EXPERIMENTAL
Cuadro 14 Modelo ANOVA DCL
F de V GL SC
TOTAL t^2 - 1 ∑(x12+….xn2)–Fc
TRATAM. t–1 ∑ ( Xi 12 + Xin 2 )

−Fc
h
HILERAS h–1 ∑ ( Xj 12 + Xjn 2 )
−Fc
t
COLUMNAS c–1 ∑ ( Xk 12+ Xkn2 )
−Fc
t
E. EXP. Diferencia SC TOT – SC TRAT – SC H –
SC C
Ejemplo:
En el experimento de Cuadrado Latino, cuyos resultados se presentan en el cuadro, se
requiere realizar el ANOVA, para observar los resultados del incremento de peso en
gramos de una especie. (Otero, 2006)
Cuadro 15 Resultados del incremento diario de peso en gramos de una especie.
L M M J V S
TRA OBS TRA OBS TRA OBS TRA OBS TRA OBS TRA OBS
LOT1 3 21 1 14 4 11 6 28 2 18 5 10
LOT2 2 28 6 33 3 27 5 18 1 24 4 14
LOT3 5 12 3 31 6 28 2 30 4 17 1 20
LOT4 4 13 2 24 5 8 1 16 3 24 6 23
LOT5 1 8 5 11 2 20 4 22 6 24 3 17
LOT6 6 26 4 13 1 26 3 24 5 19 2 18
Fuente: (Otero, 2006)
Factor: Dietas ( D )
Tratamientos:
d1
d2
d3
d4
d5
d6
Variable: Peso
Hipótesis para tratamientos, hileras y columnas
H0: las dietas alimenticias no afectan en el incremento de peso del semoviente
Ha: las dietas alimenticias afectan en diferente forma en el incremento de peso de los
semovientes
Cuadro 16 Datos arreglados para ingresar al Infostat.
FILAS COLUMNAS TRATAMIENTOS DATOS

1 1 3 21
1 2 2 28
1 3 5 12
1 4 4 13
1 5 1 8
1 6 6 26
2 1 1 14
2 2 6 33
2 3 3 31
2 4 2 24
2 5 5 11
2 6 4 13
3 1 4 11
3 2 3 27
3 3 6 28
3 4 5 8
3 5 2 20
3 6 1 26
4 1 6 28
4 2 5 18
4 3 2 30
4 4 1 16
4 5 4 22
4 6 3 24
5 1 2 18
5 2 1 24
5 3 4 17
5 4 3 24
5 5 6 24
5 6 5 19
6 1 5 10
6 2 4 14
6 3 1 20
6 4 6 23
6 5 3 17
6 6 2 18

Cuadro 17 Datos del Infostat y clasificación de variables.
Cuadro 18 Seleccionamos el modelo, análisis de varianza.

Gráfico 6 ANOVA para los resultados del incremento diario de peso en g de una especie.
Análisis: en la ANOVA para los resultados del incremento diario de peso en g de una especie.
Sea precia alta significación de los tratamientos esto hace valida la hipótesis Ha. que nos dice que
las dietas alimenticias si diferencia en el aumento de peso de una especie, para las filas no
presenta significación, y para las columnas hay significación moderada. En concordancia con lo
que manifiesta [ CITATION Sil18 \l 21514 ] En la importancia de la leche de la madre en las
primeras semanas de vida de un niño.
DCL en R
PARA R
##DISEÑO DE CUADRADO LATINO##
##DISEÑO DE CUADRADO LATINO##
taty<-read.table(file=file.choose(),header=TRUE,sep="\t")
taty
View(taty)
library(ExpDes.pt)
?ExpDes.pt
require (ExpDes.pt)
require(MASS)
require (agricolae)
##Se coculta el modelo##
##dql(trat, linha, coluna, resp, quali = TRUE, mcomp = "tukey",
sigT = 0.05, sigF = 0.05)###
with(taty,dql(TRATAMIENTO, HILERA, COLUMNA, COLIFORMES, quali = TRUE,

mcomp = "tukey",
sigT = 0.05, sigF = 0.05))
Bibliografía:
Dias, S. (14 de Junio de 2018). Bebes y mas. Obtenido de

https://www.bebesymas.com/desarrollo/aumento-peso-bebe-mes-mes-durante-su-primer-n-vida
5) PRUEBAS DE SIGNIFICACIÓN
De acuerdo con Gonzáles se necesita complementar el adeva con la información para saber
cuál o cuáles tratamientos son los mejores, donde al tener significación o alta significación
estadística se realizan pruebas de significación, en las que se comparan los promedios de los
tratamientos.
Cuando existen varios tratamientos en un experimento, la comparación de pares de
tratamientos, en forma separada, puede ser Un trabajo tedioso y largo. Seguidamente se
presenta algunas comparaciones entre tratamientos, las que tienen como base un principio
similar y difieren en el grado de estrictez, en cuanto a declarar más o menos diferencias
significativas entre medias de tratamientos. De acuerdo a esto, podemos decir que, en orden de
mayor a menor liberalidad, es decir de menor a mayor estrictez, podemos ordenar a las
pruebas más comúnmente usadas, en la siguiente forma: Diferencia mínima significativa
(DMS), Duncan y Tukey.
Fórmula de las pruebas de significación.
Son fáciles de calcular comúnmente usadas para comparar promedios de tratamientos,
PS = Q x Sx
Q= (valor alfa de los grados de libertad de los tratamientos y del e.
Sx = √CMEE/r En experimentos simples
Sd = √CMEE/(r x….) En experimentos factoriales

PRUEBAS DE SIGNIFICANCIAS EN INFOSTAT.
1. Distribución de variables para la prueba de significancia
Fuente: (Guaman, 2020)
2. Selecciónanos la pestaña “Comparaciones” en esta ventana marcaremos “Tukey”.
Fuente: (Guaman, 2020)

3. Luego marcamos las variables de las que se quiere obtener la prueba de significación.
4. Marcamos en la opción “Presentación” En lista descendente y en “Nivel significación”

0,05 y finalmente damos clic en “Aceptar”.
Gráfico 7 Pruebas de significación o Tukey
6) COMPARACIONES ORTOGONALES
Son aquellas comparaciones de carácter lógico que se realizan entre los diferentes niveles de un
factor o como se diría entre los distintos tratamientos aplicados, una cualidad es que no contienen
información redundante y ayudan a una mejor comprensión del estudio realizado. La información
que proporciona una comparación con otra está en función de las cualidades de los tratamientos.
Las C.O., se las puede aplicar en cualquier tipo de factor en estudio de preferencia deben se
aquellos factores que indican cualidades como los son: localidades, variedades, tipos de suelos,
tipos de fungicidas, fraccionamiento de fertilizantes, entre otros ejemplos.
A cada comparación le corresponde un grado de libertad, entonces habrá tantas comparaciones

como grados de libertad exista en el factor en estudio.
Se deben generar identidades lógicas que respondan a las necesidades de la investigación, dichas
identidades deben ser equilibradas a 0, a cada valor de cada identidad se conocerá como un Ci,
cuya sumatoria y producto entre las sumatorias deben ser iguales a 0.
Para en tender de mejor forma el uso de comparaciones ortogonales se va a realizar la sugerencia

de una investigación que se desea realizar para evaluar el uso de fungicidas para el control de
lancha en el cultivo de papa:
A. Manzathe (Mn)
B. Alliete (Fosetil Al)
C. Oxixloruro de Cu (Cu)
D. Curzate (Cynamoxanil)
E. Ridomild (Metalaxilil)
F. SO4Cu (Sal de cobre)
G. Phyton (Cu pentahidratado)
H. Arobat MZ (Dimetomorf + mancozeb)
Clasificación de los fungicidas

Sistémicos
B. Fosetil Al
H. Dimetomorf
E. Metalaxilil
D. Cinamoxanil
Protectantes
F. SO4Cu
A. Mn
C. Oxicloruro de Cu
G. Cu pentahidratado
Comparaciones ortogonales deben ser lógicas y comparar a los tratamientos por sus cualidades
asi si tenemos 8 tratamientos en el adeva habrán 7 grados de libertad de donde las comparaciones
sugeridas serán las siguientes:
B, H, E, D vs. F, A, C, G
B, H vs. E, D
B vs H
E vs D
A vs. F, C, G
F vs C, G
C vs G
Esquema del adeva para el ensayo si se desean tener 4 repeticiones

FDV GL
TOTAL 31
FUNGICIDAS 7
REPETICIONES 3
E. EXP 21
Esquema del Adeva haciendo notar que las comparaciones deben ir al interior del adeva, y a cada
comparación le debe corresponder 1 GL
Ci
F DE V GL A B C D E F G H
TOTAL 31
FUNGICIDAS 7
B, H, E, D vs. F, A, C, G 1 -1 1 -1 1 1 -1 -1 1
B, H vs. E, D 1 0 1 0 -1 -1 0 0 1
B vs H 1 0 1 0 0 0 0 0 -1
E vs D 1 0 0 0 1 -1 0 0 0
A vs. F, C, G 1 3 0 -1 0 -1 0 -1 0
F vs C, G 1 0 0 -1 0 0 2 -1 0
C vs G 1 0 0 1 0 0 0 -1 0
REPETICIONES 3
E. EXP. 21
Ejemplo:
En un supuesto que se desea realizar una investigación en campo en el sector de Salache en la

Universidad Técnica de Cotopaxi, para determinar la respuesta de cinco variedades de papa,
teniendo en cuenta que en el tubérculo mencionado existen muchas especies en la región andina,
para lo cual se tomó en cuenta aquellas variedades más utilizadas en el sector y asumiendo las
especies en forma arbitraria.
Cuadro 19 Datos a usar en el presente estudio.
VARIEDADE
S CODIGO ESPECIE CARACTERISTICA
Chola v1 St 4n
Gabriela v2 St 4n
Chaucha VARIEDADES
v3 S p 2n
COMPARACIONES
Leona B v1 v4 v2S a v3 4n v4 v5
3 VS 1,2,4,5 1 1 -4 1 1
Leona N v5 Sa 4n
1,2 VS 4,5 1 1 0 -1 -1
1 VS 2 1 -1 0 0 0
4 VS 5 0 0 0 1 -1
Los coeficientes observados en la matriz lógica del cuadro anterior al igual que el cálculo
del adeva pueden ser escritos en un Word y luego utilizados en el infostat
Para el ADEVA sería el siguiente script
TRATAMIENTOS
REPETICIONES
Y para poder generar las comparaciones o contrastes del programa se pueden escribir
directamente en el Word
1 1 -4 1 1
1 1 0 -1 -1
1 -1 0 0 0
0 0 0 1 -1
Cuadro. Coeficientes Ci de las diferentes comparaciones

Cuadro 20 Rendimiento kg/pn de las variedades de papa
Variedade
I ii iii iv
s
v1 6 7 8 11
v2 3 4 6 5
v3 3 2 3 2
v4 9 12 14 13
v5 13 14 12 11
EN INFOSTAT
Arreglo de los datos para ingresar la matriz al infostat
TRATAMIENTOS REPETICIONES RENDIMIENTO

1 1 6
2 1 3
3 1 3
4 1 9
5 1 13
1 2 7
2 2 4
3 2 2
4 2 12
5 2 14
1 3 8
2 3 6
3 3 3
4 3 14
5 3 12
1 4 11
2 4 5
3 4 2
4 4 13
5 4 11
1. Ingresamos Matriz de datos en Infostat.
2. Clasificación de variables
3. Seleccionamos “Comparaciones” luego seleccionamos “Tukey” y marcamos las
comparaciones que se desea realizar según el caso.
4. Seleccionamos la pestaña “Contrastes” e ingresamos los contrastes analizados.
Gráfico 8 Análisis de varianza.

Gráfico 9 Calculo de las comparaciones ortogonales
.
Cuadro. Integración de las comparaciones ortogonales al interior del Adeva

F DE V GL SC CM F P
TOTAL 19 353.8
TRATAMIENTO 32.342465 2.42794E-
S 4 314.8 78.7 8 06 **
59.917808 5.26003E-
3 vs 1,2,4,5 1 145.8 145.8 2 06 **
59.178082 5.60155E-
1,2 vs 4,5 1 144 144 2 06 **
10.068493 0.00802347
1 vs 2 1 24.5 24.5 2 9 **
0.2054794 0.65842158
4 vs 5 1 0.5 0.5 5 6 ns
3.2666666 1.3424657 0.30688308
REPETICIONES 3 9.8 7 5 9 ns
2.4333333
E. EXP 12 29.2 3
CV% 19.75
Gráfico 9 Prueba Tukey al 5% de los tratamientos estudiados.

Conclusión:
Según las comparaciones ortogonales realizadas se obtuvo que la variedad 5 que es la Leona
Negra es la que tiene mayor productividad en comparación con las otras variedades, siendo así
que la variedad 4 que es la Leona Blanca es la que le sigue a la Leona negra, se da anotar que las
dos variedades mencionada son las más productivas, pero de allí le sigue la variedad 1 que es la
Súper Chola que se queda en tercer puesto va bajando de productividad, de ahí tenemos en el
cuarto lugar a la variedad 2 que es la Gabriela y en quinto lugar tenemos a la variedad 3 que es la
Chaucha , mirando así estas dos están en los últimos puestos por su bajo rendimiento.
En cuanto a las comparaciones ortogonales se observan claras diferencias entre la variedad
diploide correspondiente a la papa chaucha, este valor observado puede estar relacionado a la
composición genética puesto que la variedad en mención es diploide y las otras variedades son
tetraploides, así mismo se observó diferencias de tipo entre las distintas papas tetraploides debido
a que son diferentes especies las dos primeras corresponden a Solanum tuberosum y las dos
últimas son perteneciente al grupo de Solanum andigenum, debiendo recordar que el presente
ejemplo fue un supuesto que nos ayudó a entender lo que es y cómo se construyen comparaciones
ortogonales de tipo lógico.

El tipo de papa más común en el país es la papa chola, esta tiene forma ovalada y un tono rojizo
en la cascara con color crema en sus ojuelos. La papa chaucha también es muy común pese a que
por su pequeño tamaño se la usa más para entradas o como acompañante.[CITATION GAS16 \l
21514 ]
Bibliografía:
GASTRONOMIA. (2016). Ecuador paraiso de la papa. GASTRONOMIA.COM,

https://ecuador.gastronomia.com/noticia/7806/ecuador-paraiso-de-la-papa#:~:text=La
%20papa%20es%20el%20tub%C3%A9rculo,o%20caldos%2C%20hornado%2C
%20etc.&text=Estas%20papas%20son%20las%20m%C3%A1s,su%20consumo%20no
%20es%20alto.
Sánchez-Otero. (2016). Introducción al diseño experimental. Quito: Quality print.
Ejemplo para R
ANÁLISIS DE CONTRASTES ORTOGONALES CON R
ANÁLISIS DE CONTRASTES ORTOGONALES CON R
Ing. Luis Manfredo Reyes
En un análisis de varianza ordinario, se prueba la hipótesis que "Todos los
tratamientos son iguales". En el caso de encontrar diferencias significativas, se debe
proceder a realizar una prueba adicional, llamada Prueba de Medias.

Sin embargo, a veces se desea comparar grupos de tratamientos. Aquí es donde se
emplea la prueba de Contrastes Ortogonales.
Existe mucha literatura disponible sobre los detalles de la prueba, pero el objetivo en
el presente documento es mostrar cómo se realiza dicha prueba utilizando el paquete
R.
Para ello, se parte del siguiente ejercicio:
Tres profesores utilizan distintos métodos de enseñanza con estudiantes repitentes

de matemática I. CARLOS usa el método tradicional (pizarrón y marcadores) , JUAN
un método participativo y MARÍA un método computarizado. Al final del semestre se
comparan las calificaciones obtenidas (la nota máxima posible es 100 puntos)
PROF. CALIFICACIONES:
CAR

LOS 4 66 78 23 18 55 48
5
JUA

N 3 38 69 17 55 66 48
3
MAR

ÍA 6 59 88 48 76 17 90
0
a) pruebe la hipótesis de que las calificaciones son iguales para cada profesor (= 1%)
b) Plantee dos contrastes que sean prácticos y analícelos.
Primero , se definen las subhipótesis y sus coeficientes:
El número máximo de comparaciones es t-1= 3-1=2

Primera subhipótesis: Método tradicional contra métodos modernos
T1=T2+T3
2T1-T2-T3=0
[2 -1 -1]
Segunda subhipótesis: Método participativo versus método computarizado
T2=T3
T2-T3=0
[0 1 -1] (el coeficiente de T1 es cero porque no participa en la comparación)
Luego, se debe crear el archivo de datos en R. En éste ejemplo, la creación del archivo
se hará EN Microsoft Excel y será almacenado en formato CSV (texto separado por
comas). Se crea una columna para cada contraste, donde se colocan los coeficientes
de cada tratamiento.
Se leen los datos en R importando tabla de texto
Datos <- read.table("E:/CONTRASTE.csv", header=TRUE, sep=",")
En el ejemplo el archivo está localizado en la memoria USB (unidad E)
Declarar como factores las variables C1 y C2
Esto es importante para que sean reconocidos como variables independientes
Datos$C1 <- factor(Datos$C1, labels=c('-1','2'))
Datos$C2 <- factor(Datos$C2, labels=c('-1','0','1'))
Especificar el andeva
AnovaModel.1 <- aov(NOTA ~ PROFESOR, data=Datos)
summary(AnovaModel.1)
Df Sum Sq Mean Sq F value Pr(>F)
PROFESOR 2 1125 562.3 1.153 0.338
Residuals 18 8779 487.7
Andeva para los contrastes
AnovaModel.2 <- aov(NOTA ~ C1, data=Datos)
C1 1 229 228.7 0.449 0.511
Residuals 19 9675 509.2
>
Eliminar los datos que tienen coeficiente cero (filas 1 a 7 del archivo) y nombrarlo como
Datos2
Datos2 <- Datos[-c(1,2,3,4,5,6,7),]
Nuevamente definir C2 como factor
Datos2$C2 <- factor(Datos$C2, labels=c('-1','1'))
AnovaModel.3 <- aov(NOTA ~ C2, data=Datos2)
ssummary(AnovaModel.3)

C2 1 896 896.0 1.8 0.205
Residuals 12 5973 497.8
>
CONCLUSIONES DEL ANÁLISIS
1. Como en el Andeva el p es mayor que el alfa (0.01), se concluye que todos los
métodos producen el mismo resultado
2. Para el primer contraste, como el p es mayor que el alfa, se concluye que el método
tradicional produce el mismo resultado que los métodos modernos
participativo produce el mismo resultado que el método computarizado

4. El coeficiente de variación obtenido indica que hay fuentes de variación que no
fueron controladas apropiadamente. (ES UN ERROR DECIR COMO ALGUNOS
PROFESORES ENSEÑAN QUE HUBO MAL MANEJO DEL EXPERIMENTO)....
RECOMENDACION: Seguir usando el método de pizarrón y marcadores, ya que los

nuevos métodos no mejoran las notas, además posiblemente tengan costos más
elevados.
7) POLINOMIOS ORTOGONALES
Son aquellas tendencias que se marcan para observar el efecto de un factor cuantitativo en
el que se desea observar su tendencia y estar separado ortogonalmente, es decir deben los
niveles del factor estar separados en forma equidistante.
Los PO, son aquellos efectos obtenidos de los factores en estudio de tipo cuantitativo,
como ejemplo se pueden citar a las dosis de un producto, el trabajo de planificación debe
considerar que los niveles del factor sean ortogonales, es decir deben estar separados entre
ellos con el mismo rango.
A cada polinomio le corresponde un grado de efecto, además de un grado de libertad que
viene de los niveles del factor en estudio. El valor de los polinomios ortogonales está dado
por tablas donde se encontrarán los coeficientes Ci, mismos que al igual que en las
comparaciones proporcionarán una identidad equilibrada a 0. Entonces se debe recordar
que la suma de los Ci, siempre debe ser igual a 0 y el producto de la suma también debe
cumplir con el requisito mencionado. Además, recordar que el principal requisito para
ejecutar un polinomio ortogonal es que los tratamientos estén igualmente espaciados.
Ejemplo:
Se realizó una investigación utilizando cinco dosis de microorganismos eficientes para la
mejora de un cuerpo de agua, el trabajo se realizó en laboratorio si para esto se tuvo una
cantidad de cuatro observaciones. La viable analizada fue DBO (mg O 2 /l).

Factor en estudio: dosis de microorganismos eficientes ( D )
Tratamientos:
d1: 5cc/l
d2: 10 cc/l
d3: 15 cc/l
d4: 20 cc/l
d5: 25cc/l
Hipótesis:
H0: Que no hay diferencias estadísticas entre los promedios de los tratamientos.
Ha: Al menos un promedio entre los tratamientos es diferente.
Cuadro 21 Evaluación de 6 niveles de EM, para mejorar la calidad del agua del río San Juan, Salache 2020
TRATAMIENTO i ii iii iv
d1 3.5 3.3 3.9 4
d2 3 2.8 3 2.9
d3 3 3 2.8 2.8
d4 2.7 2.6 2.9 2.8
d5 2.2 2.2 2 2.5
Esquema del diseño requerido
F DE V GL
TOTAL 19
TRATAMIENTOS 4
E. EXP 15
Esquema del adeva con los polinomios ortogonales
F DE V GL
TOTAL 19
TRATAMIENTOS 4
e. lineal 1
e. cuadrático 1
e. cúbico 1
e. cuártico 1
E. EXP 15
Cuadro 22 Coeficientes para polinomios ortogonales de cuarto grado aplicados para 5 tratamientos.
Lineal -2 -1 0 +1 +2
Cuadrático +2 -1 -2 -1 +2
Cúbico -1 +2 0 -2 +1
Cuártico +1 -4 +6 -4 +1
Los coeficientes observados en la matriz lógica del cuadro anterior al igual que el cálculo del
adeva pueden ser escritos en un Word y luego utilizados en el infostat
Para el ADEVA sería el siguiente script
TRATAMIENTOS
Y para poder generar las comparaciones o contrastes del programa se pueden escribir
directamente en el Word
-2 -1 0 1 2
2 -1 -2 -1 2
-1 2 0 -2 1
1 -4 6 -4 1
EN INFOSTAT
Cuadro 23 Matriz organizada para ingresar al Infostat.
TRATAMIENTO
S O DBO
1 1 3.5
2 1 3
3 1 3
4 1 2.7
5 1 2.2
1 2 3.3
2 2 2.8
3 2 3
4 2 2.6
5 2 2.2
1 3 3.9
2 3 3
3 3 2.8
4 3 2.9
5 3 2
1 4 4
2 4 2.9
3 4 2.8
4 4 2.8
5 4 2.5
1. Ingreso de Matriz organizada en Infostat.

2. Clasificación de las variables
3. En la pestaña Contrastes, seleccionamos controlar ortogonalidad en base a T

(Tratamientos).
4. Insertamos los respectivos contrastes en base a los Coeficientes para polinomios
ortogonales.
Gráfico 10 Datos arrojados por infostat para DBO en la evaluación de 6 niveles de EM, para mejorar la
calidad del agua del río San Juan, Salache 2020.
Cuadro 24 DBO en la evaluación de 6 niveles de EM, para mejorar la calidad del agua del río San Juan,
Salache 2020.
F DE V GL SC CM F P
TOTAL 19 4.89
DOSIS 4 4.32 1.08 2,84E+08 7,61E-02 **
lineal 1 3.78 3.78 9,95E+08 5,17E-03 **
cuadrático 1 0.03 0.03 0.78947368 0.388285901 ns
cúbico 1 0.48 0.48 1,26E+08 0.002884904 **
cuártico 1 0.02 0.02 0.52631579 0.479326392 ns
ERROR 15 0.57 0.038
CV 6.75%
Análisis. En el Cuadro 3 DBO se muestra que en hay alta significación para P en las dosis lo que
nos dice es que hay diferencia entre los distintos tratamientos, para los polinomios ortogonales
tenemos alta significación en, el efecto lineal y efecto cubico, mientras que, para los efectos
cuadrático y cuártico no muestran significación. Esto comprueba que de acuerdo a las dosis el
efecto será mayor o menor, es decir no por incrementar las dosis de un fertilizante se va a lograr
incrementar el rendimiento, este análisis nos indica cual es la dosis optima de acuerdo a la
significación, indicando nuevamente si hay significación estadística hay incremento del
rendimiento y si no hay significación se indica que el incrementar una dosis no va elevar el
rendimiento (Peñafiel B, 2005).
Bibliografía:
Peñafiel Cruz, B. R. (2005). Evaluación de diferentes dosis de Microorganismos Eficientes (ME)
en el cultivo de pepino (Cucumis sativus) híbrido Atar Ha-435 (Bachelor's thesis).
Ejemplo 2. Ejercicio tomado del libro Germán González Bahamonde, donde indica el efecto de
cinco niveles de Azufre, para el rendimiento del trébol blanco
CUADRO N° Respuesta del trébol blanco a la aplicación de cinco niveles de azufre.
REPETICIÓN
Nivel (kg./ha) I II III IV ∑ X
0 2 1 4 3 10 2,50
5 3 2 5 4 14 3,50
10 4 3 6 3 17 4,25
15 6 8 4 5 23 5,75
20 8 6 7 4 25 5,00
CUADRO N° Polinomios ortogonales para cinco tratamientos.
niveles de s y respuesta (totales)

Función M Kr SC F
0 5 10 15 20
(10) (14) (17) (23) (25)
Lineal -2 -1 0 +1 +2 39 10(4) 38,02 15,64
Cuadrát +2 -1 -2 -1 +2 -1 14(4) 0,02 ‹1
Cúbica -1 +2 0 -2 +1 -3 10(4) 0,22 ‹1
Cuartica +1 -4 +6 -4 +1 -21 70(4) 0,43 ‹1
8) TRANSFORMACIÓN DE DATOS
La transformación de datos se la utiliza para variables que no poseen una distribución normal
como el conteo de macro invertebrados, se deben hacer artificios estadísticos que se conoce como
la transformación de datos, que sirve para ajustar y dar una supuesta normalidad al conjunto
estudiado.
Hay varios tipos de transformaciones que el investigador deberá seleccionar de acuerdo al caso
como son: ascenso de x, raíz cuadrada de x, raíz cuadrada de x+1, logaritmo de x.
Se debe recordar que el reporte de las pruebas de significación debe ser realizada con los datos
originales y no los transformados.
La transformación solo se debe hacer en variables atípicas es decir aquellas que no corresponden
a una normalidad. Se realiza con el fin de reducir los coeficientes de variación
Ejemplo:
Se realizó una investigación para evaluar el efecto de la contaminación existente en el río Cutuchi
en varias localidades, para esto se tomaron muestras de macro invertebrados durante algunos
meses del año.
ENERO FEBRERO MARZO ABRIL MAYO

MULALO 240 60 250 320 400
ALAQUEZ 200 180 150 220 220
CARCEL 120 40 180 130 150
LATACUNGA 80 70 90 50 110
Cuadro 25 Matriz organizada de datos sin transformar para ingresar al Infostat.
LOCALIDADES REPETICIONES MACROINVERTEBRADOS
1 1 240
2 1 200
3 1 120
4 1 80
1 2 60
2 2 180
3 2 40
4 2 70
1 3 250
2 3 150
3 3 180
4 3 90
1 4 320
2 4 220
3 4 130
4 4 50
1 5 400
2 5 220
3 5 150
4 5 110
1. Matriz organizada en Infostat con datos sin transformar.
2. ADEVA con datos sin

transformar.
TRANSFORMACIÓN DE DATOS
1. Transformación de datos de MACROINVERTEBRADOS, calculando la raíz cuadrada de

datos de MACROINVERTEBRADOS y la raíz cuadrada de datos de Macro
MACROINVERTEBRADOS +1.
LOCALIDADE
REPETICIONES MACROINVERTEBRADOS MAC2 MAC2
S
15,49193
1 1 240 15,524175
3
14,14213
2 1 200 14,177447
6
10,95445
3 1 120 11
1
8,944271
4 1 80 9
9
7,745966
1 2 60 7,8102497
7
13,41640
2 2 180 13,453624
8
6,324555
3 2 40 6,4031242
3
8,366600
4 2 70 8,4261498
3
15,81138
1 3 250 15,84298
8
12,24744
2 3 150 12,288206
9
13,41640
3 3 180 13,453624
8
4 3 90 9,486833 9,539392
17,88854
1 4 320 17,916473
4
14,83239
2 4 220 14,866069
7
11,40175
3 4 130 11,445523
4
7,071067
4 4 50 7,1414284
8
1 5 400 20 20,024984
14,83239
2 5 220 14,866069
7
12,24744
3 5 150 12,288206
9
10,48808
4 5 110 10,535654
8
2. Ingreso de Matriz organizada con datos transformados en Infostat.
3. En Clasificación de las variables seleccionamos la variable transformada es la que tiene

valores bajos.
4. ADEVA con datos transformados. En donde nuestro CV tiene una cifra dentro del rango.
EJEMPLO 2 DE TRANSFORMACIÓN DE DATOS
Cuadro 1. Incidencia de huevos de parásitos gastrointestinales en alpacas
ALPACAS GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4 GRUPO 5

1 9.00 16.00 4.00 16.00 9.00
2 9.00 0.00 9.00 9.00 16.00
3 0.00 0.00 9.00 9.00 25.00
4 0.00 0.00 0.00 9.00 9.00
5 0.00 0.00 9.00 0.00 4.00
6 0.00 0.00 9.00 16.00 9.00
7 0.00 0.00 0.00 25.00 16.00
8 0.00 0.00 0.00 16.00 4.00
9 0.00 0.00 0.00 4.00 0.00
10 0.00 0.00 0.00 25.00 1.00
11 0.00 0.00 0.00 1.00 0.00
Organizamos los datos de acuerdo al modelo establecido
GRUPOS REPETICIONES PARASITOS

1 1 9.00
1 2 9.00
1 3 0.00
1 4 0.00
1 5 0.00
1 6 0.00
1 7 0.00
1 8 0.00
1 9 0.00
1 10 0.00
1 11 0.00
2 1 16.00
2 2 0.00
2 3 0.00
2 4 0.00
2 5 0.00
2 6 0.00
2 7 0.00
2 8 0.00
2 9 0.00
2 10 0.00
2 11 0.00
3 1 4.00
3 2 9.00
3 3 9.00
3 4 0.00
3 5 9.00
3 6 9.00
3 7 0.00
3 8 0.00
3 9 0.00
3 10 0.00
3 11 0.00
4 1 16.00
4 2 9.00
4 3 9.00
4 4 9.00
4 5 0.00
4 6 16.00
4 7 25.00
4 8 16.00
4 9 4.00
4 10 25.00
4 11 1.00
5 1 9.00
5 2 16.00
5 3 25.00
5 4 9.00
5 5 4.00
5 6 9.00
5 7 16.00
5 8 4.00
5 9 0.00
5 10 1.00
5 11 0.00
Observamos el adeva y su coeficiente de variación, al ser muy elevado, este coeficiente

invalida el experimento por lo que se ejecuta una transformación para reducir el coeficiente
REPETICIONE TRANSFORMACION
GRUPOS S PARASITOS (RAIZ x+1)
1 1 9.00 3.16
1 2 9.00 3.16
1 3 0.00 1.00
1 4 0.00 1.00
1 5 0.00 1.00
1 6 0.00 1.00
1 7 0.00 1.00
1 8 0.00 1.00
1 9 0.00 1.00
1 10 0.00 1.00
1 11 0.00 1.00
2 1 16.00 4.12
2 2 0.00 1.00
2 3 0.00 1.00
2 4 0.00 1.00
2 5 0.00 1.00
2 6 0.00 1.00
2 7 0.00 1.00
2 8 0.00 1.00
2 9 0.00 1.00
2 10 0.00 1.00
2 11 0.00 1.00
3 1 4.00 2.24
3 2 9.00 3.16
3 3 9.00 3.16
3 4 0.00 1.00
3 5 9.00 3.16
3 6 9.00 3.16
3 7 0.00 1.00
3 8 0.00 1.00
3 9 0.00 1.00
3 10 0.00 1.00
3 11 0.00 1.00
4 1 16.00 4.12
4 2 9.00 3.16
4 3 9.00 3.16
4 4 9.00 3.16
4 5 0.00 1.00
4 6 16.00 4.12
4 7 25.00 5.10
4 8 16.00 4.12
4 9 4.00 2.24
4 10 25.00 5.10
4 11 1.00 1.41
5 1 9.00 3.16
5 2 16.00 4.12
5 3 25.00 5.10
5 4 9.00 3.16
5 5 4.00 2.24
5 6 9.00 3.16
5 7 16.00 4.12
5 8 4.00 2.24
5 9 0.00 1.00
5 10 1.00 1.41
5 11 0.00 1.00
RESOVEMOS EL ADEVA Y OBSERVAMOS EL COEFICIENTE, AL SER MENOR DA A

NOTAR UNA MAYOR NORMALIDAD DE LOS DATOS Y YA SE PUEDE PUBLICAR EL
ENSAYO
LAS PRUEBAS DE SIGNIFICACIÓN DEBEN SER CON LOS DATOS ORIGINALES
9) ARREGLO FACTORIAL AXB
En el estudio sobre la mejora de procesos industriales (control de calidad) es usual
trabajar en problemas en los que hay muchos factores que pueden influir en la variable de
interés. La utilización de experimentos completos en estos problemas tiene el gran
inconveniente de necesitar un número elevado de observaciones, además puede ser una
estrategia ineficaz porque, por lo general, muchos de los factores en estudio no son
influyentes y mucha información recogida no es relevante. (Otero, 2006)

El factor A tiene cuatro "niveles" (a1, a2, a3 y a4) y e1 factor B tiene tres niveles (b1, b2 y
b3), a esta combinación se la llama factorial: (A x B) o (4 x 3), donde se obtendrían 12
interacciones que se les denomina tratamientos, entonces los tratamientos resultan ser de
las combinaciones que se realizan entre los niveles de los factores en estudio. Según sea el
caso se utilizarán repeticiones u observaciones.
Entonces las interacciones se las construye de la siguiente manera:
Si el factor A tiene cuatro "niveles" (a1, a2, a3 y a4) y e1 factor B tiene tres niveles (b1,
b2 y b3), se tiene que seguir combinando a partir de A: a1 (b1, b2 y b3); a2 (b1, b2 y b3)
y así se culmina la combinación hasta llegar a: a4(b1, b2 y b3).

INTERACCIONES FACTOR A FACTOR B
T1 b1
T2 a1 b2
T3 b3
T4 b1
T5 a2 b2
T6 b3
T7 b1
T8 a3 b2
T9 b3
T10 b1
T11 a4 b2
T12 b3
En esta forma se cumple con el principio de diseño experimental que se refiere a que todos los
cuatro niveles del factor A, tienen tres niveles del factor B y se hallen sujetas a los mismos
tratamientos. Un factor tiene varios niveles del que puede haber varios subniveles.
Los arreglos factoriales son artificios que se integran en cualquier modelo básico , como sería el
diseño de completamente al azar con igual o diferente número de observaciones, diseños de
bloques completos al azar, diseño de cuadrados latinos. Es decir que hay que tomar en cuenta que
en la F de V tratamientos, se va a desglosar según la cantidad de factores e interacciones que
existan en el trabajo de investigación, es importante hacer notar que el análisis funcional también
debe ser incluido en los arreglos factoriales, así se tendrá comparaciones y polinomios
ortogonales en el mismo adeva considerando que dichos análisis corresponderán según la
naturaleza del factor en estudio.
Modelo matemático para un arreglo A x B x C en un DCA
Yij- u= xi (a; b; a x b) + ∑ij
Cuadro 26 Modelo ANOVA A x B en un DCA

F de V GL SC
∑(x12+….xn2)–Fc
TOTAL (a x b x r) – 1
TRATAM. (a x b) – 1
A a – 1
B b – 1
AxB (a – 1) x (b – 1) SC TRAT – FC- SC A – SC B
E. EXP. Diferencia SC TOT – SC TRAT
Cuadro 27 Modelo ANOVA A x B en un DBCA

F de V GL SC
∑(x12+….xn2)–Fc
TOTAL (a x b x r) – 1
TRATAM. (a x b) – 1
A a – 1
B b – 1
AxB (a – 1) x (b – 1) SC TRAT – FC - SC A – SC B
REPETICIONES. r–1
Ejemplo:
En un experimento realizado en DCA se quiso determinar el tiempo de coagulación de la
sangre en ovejas, utilizando cinco repeticiones. Se estudió dos factores; hora de
recolección y el factor estrógeno. (Otero, 2006)
TRATAMIENTOS
OBSERVACIONE a1b1 a1b2 a2b1 a2b2
S
I 8,53 17,53 39,14 32
II 20,53 21,07 26,2 23,8
III 12,53 20,8 31,33 28,87
IV 14 17,33 45,8 25,06
V 10,8 20,07 40,2 29,33
PARA INFOSTAT
Cuadro 28 Organización de la matriz para Infostat o R
A B OBSERVACIONES DATOS
1 1 1 8.53
1 1 2 20.53
1 1 3 12.53
1 1 4 14
1 1 5 10.8
1 2 1 17.53
1 2 2 21.07
1 2 3 20.8
1 2 4 17.33
1 2 5 20.07
2 1 1 39.14
2 1 2 26.2
2 1 3 31.33
2 1 4 45.8
2 1 5 40.2
2 2 1 32
2 2 2 23.8
2 2 3 28.87
2 2 4 25.06
2 2 5 29.33
El script para infostat lo podemos construir previamente en el Word y pegarlo en el
programa como ocurre en el programa R
Nuestra matriz está dada por A; B; DATOS
A*B
Hay que recordar que los tratamientos no son reconocidos en los programas de cálculo
1. Ingreso de Matriz organizada en Infostat.
2. Clasificación de las variables

3. Agregar Interacciones, pestaña Modelo
4. Análisis de varianza en Infostat.

5. Pruebas Tukey para Interacciones A, B y A*B
##ARREGLO A * B EN R EN DCA##
##ARREGLO A * B EN R##
dany<-read.table(file=file.choose(),header=TRUE,sep="\t")
dany
View(dany)
library(ExpDes.pt)
?ExpDes.pt
require (ExpDes.pt)
require(MASS)
require (agricolae)
##fat2.dic(fator1, fator2, resp, quali = c(TRUE, TRUE), mcomp = "tukey",
fac.names = c("F1", "F2"), sigT = 0.05, sigF = 0.05)###
with(dany,fat2.dic(A, B, DATOS, quali = c(TRUE, TRUE), mcomp = "tukey",

fac.names = c("F1", "F2"), sigT = 0.05, sigF = 0.05))
Análisis. Cuadro 2 del ADEVA para el Factor A observamos que influye mucho en el tiempo de
coagulación de sangre en las ovejas. Mientras que para el factor B no tiene mucha influencia en
el tiempo de coagulación de sangre de las ovejas. Y para AxB no tenemos significación por lo
que se puede interpretar que las características del Factor A no inciden en el efecto de la
coagulación de la sangre de las ovejas con respecto al Factor B, en concordancia con lo que
manifiesta (Mejia VÁásquez G. 2018) & (Otero, 2006).
Cuadro 3. Factor A se presenta dos rangos de significación, el b2 se encuentran como la
mejor con un promedio de 32,17 con respecto al b1 que se ubica en la categoría B con un
promedio de 16,32
Cuadro 3, para el factor B se muestra un solo Rango A pero con promedios variados
mínimamente el primer lugar lo ocupa el b1 con un promedio de 24,91 con respecto al b2 que
presenta un promedio de 29,56, ambos se mantienen en la categoría A.
Bibliografía:
Mejia Vásquez, G. (2018). Valores hematológicos de referencia en ovinos {Ovis aries) criollos
de Cajamarca, 2018. Obtenido de http://repositorio.unc.edu.pe/handle/UNC/2736
Ejemplo 2: Del libro de Douglas Montgomery “Diseño y Análisis de Experimentos”, 1993. Un

Ingeniero diseñó una batería para su uso en un dispositivo que será sometido a ciertas variaciones
extremas de temperatura. El único parámetro de diseño que el puede seleccionar es la cubierta de
la batería y tiene 3 alternativas (factor A, a = 3). Cuando el dispositivo se manufactura y se envía
a campo, el Ingeniero no tiene control sobre los extremos de la Tº a que será expuesto el
dispositivo y sabe por experiencia que es probable que la Tº influya en la duración efectiva de la
batería. Sin embargo, es posible controlar la Tº en el laboratorio de desarrollo de productos para
los fines del ensayo. El Ing. decide probar los 3 niveles de cubierta a tres niveles de Tº ( 15º, 70º
y 125º F) consistentes en el entorno de la cubierta final (factor B, b = 3). Se prueban 4 baterías ( n
= 4) en cada combinación (material de cubierta, Tº ), y las 3 x 3 x 4 = 36 pruebas se ejecutan en
orden determinado al azar. El Ing. quiere contestar las siguientes preguntas: 1)- ¿Qué efecto
tienen el tipo de material y la Tº sobre la duración de la batería? 2)- ¿Existe un material que de
como resultado una duración uniforme sin importar la Tº? Esta pregunta es importante, o por el
contrario: ¿Existe la posibilidad de hallar un material que sea muy afectado por la Tº?. De ser así
el Ing. ¿puede hacer que la batería sea robusta a la variación de Tº en el campo?
Este es un diseño con dos factores La observación Yijk se encuentra en el i- iésimo nivel del
factor A(i =1,…,a) j- ésimo nivel de factor B (i =1,…,b) k-iésimo rep. de la combinaciones(ij) k =
(1,…,n)
Cuadro…: duración en horas de baterías con 3 cubiertas distintas y sometidas a 3

temperaturas de trabajo
ARREGLAMOS LOS DATOS PARA INGRESAR EN CUALQUIER PROGRAMA SE VA
UTILIZAR UN DBCA
A B R DURACIÓN
1 1 1 130
1 2 1 34
1 3 1 20
2 1 1 150
2 2 1 136
2 3 1 25
3 1 1 138
3 2 1 174
3 3 1 96
1 1 2 155
1 2 2 40
1 3 2 70
2 1 2 188
2 2 2 122
2 3 2 70
3 1 2 110
3 2 2 120
3 3 2 104
1 1 3 70
1 2 3 80
1 3 3 85
2 1 3 159
2 2 3 106
2 3 3 58
3 1 3 168
3 2 3 150
3 3 3 82
1 1 4 180
1 2 4 75
1 3 4 58
2 1 4 106
2 2 4 115
2 3 4 45
3 1 4 160
3 2 4 139
3 3 4 60
SCRIPT DE UN A * B EN UN DBCA
B
A*B
##ARREGLO A * B EN R EN DBCA##
##ARREGLO A * B EN R##
david<-read.table(file=file.choose(),header=TRUE,sep="\t")
david
View(david)
library(ExpDes.pt)
?ExpDes.pt
require (ExpDes.pt)
require(MASS)
require (agricolae)
##fat2.dic(fator1, fator2, resp, quali = c(TRUE, TRUE), mcomp = "tukey",
fac.names = c("F1", "F2"), sigT = 0.05, sigF = 0.05)###
with(dany,fat2.dic(A, B, DATOS, quali = c(TRUE, TRUE), mcomp = "tukey",

Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
Bloco 3 349 116.2 0.1393 0.93553
F1 2 10637 5318.7 6.3748 0.00602
F2 2 37020 18510.2 22.1857 0.00000
F1*F2 4 9322 2330.4 2.7931 0.04902
Residuo 24 20024 834.3
Total 35 77352
------------------------------------------------------------------------
CV = 27.52 %
DEBER
https://es.slideshare.net/rbarriosm/7-arreglos-factoriales-2015
10) ARREGLO FACTORIAL A X B X C
Al igual que en los arreglos factoriales A x B, los arreglos A x B x C siguen las mismas
características de los diseños básicos es decir es un artificio que saldrá de los tratamientos.
Los tratamientos para el presente caso serán también generados por la interacción de los niveles
de cada factor.
Los niveles de los factores se deben procurar que no sean muy grandes porque esto incrementará
en gran cantidad el número de los tratamientos.
Si tenemos 2 niveles de A, 3 niveles de B y 5 niveles de C, tendremos 30 interacciones o
tratamientos. Por lo tanto, se debe procurar seleccionar los niveles en una forma práctica para no
tener un gran número de tratamientos.
Al igual que el arreglo factorial A x B , en los arreglos factoriales A x B x C, los tratamientos
resultan der una combinación entre los niveles de cada factor

Así por ejemplo se desea evaluar el efecto de dos variedades de papa, aplicando dos tipos de
violes y con el uso de tres abonos orgánicos, el factorial sería nombra como un A x B x C ó a su
ves en un factorial 2 x 2 x 3, el número de interacciones será de 12
A B C
2 x 2 x 3
v1 chaucha b1 vaca a1 humus
v2 chola b2 chancho a2 compost
a3 gallinaza
INTERACCION A B C
1 v1 chaucha b1 vaca a1 humus
2 v1 chaucha b1 vaca a2 compost
3 v1 chaucha b1 vaca a3 gallinaza
4 v1 chaucha b2 chancho a1 humus
5 v1 chaucha b2 chancho a2 compost
6 v1 chaucha b2 chancho a3 gallinaza
7 v2 chola b1 vaca a1 humus
8 v2 chola b1 vaca a2 compost
9 v2 chola b1 vaca a3 gallinaza
10 v2 chola b2 chancho a1 humus
11 v2 chola b2 chancho a2 compost
12 v2 chola b2 chancho a3 gallinaza
Modelo matemático para un arreglo A x B x C en un DCA
Yij- u= xi (a; b; c; a x b; a x c; b x c; a x b x c) + ∑ij
Esquema del ADEVA para un arreglo A x B en un DCA

Cuadro 29 Modelo ANOVA A x BxC en un DCA
F de V GL SC
TOTAL (a * b * c * r) – 1 ∑(x1 +….xn2)–Fc
2
TRATAM. (a * b) – 1
A a–1
r*b*c
B b–1
r*a*c
C c–1
r*a*b
AxB (a – 1) x (b – 1) SC A x B/r*c -FC – SC A – SC B
AxC (a – 1) x (c – 1) SC A x C/r*b -FC– SC A – SC C
BxC (b – 1) x (c – 1) SC B x C/r*a –FC- SC B – SCC
AxBxC (a-1) (b – 1) x (c – SC A x B x C/r – SCA - SCB – SCC – SCAB –

1) SCAC -SCBC
Ejemplo:
Para el supuesto se propone realizar una investigación para evaluar el comportamiento de

dos tipos de bacterias, para la degradación de plástico en donde se necesitó de tres
temperaturas y dos humedades relativas para observar el comportamiento de los
microorganismos en el ambiente, en la presente investigación necesitamos de cuatro
observaciones.
En el ejemplo se van a tener 2 niveles de A, 3 niveles de B, 2 niveles de C. Donde solo

habrá 12 interacciones o tratamientos, lo cual hace más manejable el trabajo de campo y
de laboratorio o gabinete.
Cuadro 30 Número de colonias formadoras de bacterias degradantes de plástico, en la evaluación de dos
tipos de bacterias, a tres temperaturas y dos humedades relativas. Salache-Cotopaxi 2020
INTERACCIONES I ii iii iv
m1t1h1 3 6 4 4
m1t1h2 4 6 6 6
m1t2h1 5 6 6 5
m1t2h2 6 7 7 6
m1t3h1 6 7 7 7
m1t3h2 8 7 7 8
m2t1h1 2 2 3 2
m2t1h2 3 4 4 5
m2t2h1 4 5 5 4
m2t2h2 5 5 6 6
m2t3h1 6 6 7 6
m2t3h2 8 6 6 5
1. Para cada factor e interacción necesitamos generar hipótesis así tendíamos solo para
factores e interacciones en un arreglo A x B x C, un número de siete juegos de hipótesis.
HIPOTESIS:
TIPOS DE MICROORGANISMOS
Ho
Ha
TEMPERATURAS
Ho
Ha
HUMEDAD
Ho
Ha
MIC x TEM
Ho
Ha
MIC x HUM
Ho
Ha
TEM x HUM
Ho
Ha
MIC x TEM x HUM
Ho
Ha
2. Arreglamos la matriz para ingresar al Infostat al igual que se la ha realizado
anteriormente.
M T H OBSERVACIONES COLONIAS
1 1 1 1 3
1 1 2 1 4
1 2 1 1 5
1 2 2 1 6
1 3 1 1 6
1 3 2 1 8
2 1 1 1 2
2 1 2 1 3
2 2 1 1 4
2 2 2 1 5
2 3 1 1 6
2 3 2 1 8
1 1 1 2 6
1 1 2 2 6
1 2 1 2 6
1 2 2 2 7
1 3 1 2 7
1 3 2 2 7
2 1 1 2 2
2 1 2 2 4
2 2 1 2 5
2 2 2 2 5
2 3 1 2 6
2 3 2 2 6
1 1 1 3 4
1 1 2 3 6
1 2 1 3 6
1 2 2 3 7
1 3 1 3 7
1 3 2 3 7
2 1 1 3 3
2 1 2 3 4
2 2 1 3 5
2 2 2 3 6
2 3 1 3 7
2 3 2 3 6
1 1 1 4 4
1 1 2 4 6
1 2 1 4 5
1 2 2 4 6
1 3 1 4 7
1 3 2 4 8
2 1 1 4 2
2 1 2 4 5
2 2 1 4 4
2 2 2 4 6
2 3 1 4 6
2 3 2 4 5
SCRIPT DEL A X B X C PARA INFOSTAT EN UN DCA
M
T
H
M*T
M*H
T*H
M*T*H
1. Ingresar matriz organizada a Infostat y Clasificar las Variables.
2. Ingresamos las respectivas interacciones de las variables sin tomar en cuenta las
interacciones que se hacen con Repeticiones.
3. Seleccionamos las pruebas Tukey correspondientes.
4. ANOVA A x B x C en un DCA en Infostat
Análisis. Se puede observar que el modelo M, T, H; tienen una similitud es decir que son
significativos a comparación de M * T, es no significativo, T*H, es no significativo y M *
H, es no significativo. El presente estudio se realizó con la finalidad de evaluar bajo
condiciones de laboratorio, la influencia de tres parámetros físico-químicos sobre la
actividad microbiana en un suelo agrícola medida por la cuantificación de la producción
de CO2 y actividad deshidrogenasa. (Jenkinson, 1992)
Bibliografía:
Jenkinson D. 1992. La Materia Orgánica del Suelo: Evolución. En: Wild A. Condiciones
del suelo
###ARREGLO FACTORIAL A x B x C en R ###
factorial<-read.table(file=file.choose(),header=TRUE,sep="\t")
factorial
View(factorial)
head(factorial)
library(ExpDes.pt)
?ExpDes.pt
##se necesita de la función require y así se evita mucho tiempo
require (ExpDes.pt)
require(MASS)
require (agricolae)
###fat3.dic(fator1, fator2, fator3, resp, quali = c(TRUE, TRUE, TRUE), mcomp =
"tukey", fac.names = c("F1", "F2", "F3"), sigT = 0.05, sigF = 0.05)##
with(factorial,fat3.dic(M, T, H, COLONIAS, quali = c(TRUE, TRUE, TRUE), mcomp =
"tukey", fac.names = c("F1", "F2", "F3"), sigT = 0.05, sigF = 0.05))
-----------------------------------------------------------------------
Quadro da analise de variancia
------------------------------------------------------------------------
GL SQ QM Fc Pr>Fc
F1 1 17.52083 17.52083 29 0
F2 2 58.04167 29.02083 48.0345 0
F3 1 11.02083 11.02083 18.2414 1e-04
F1*F2 2 1.79167 0.89583 1.4828 0.2405
F1*F3 1 0.02083 0.02083 0.0345 0.8537
F2*F3 2 2.54167 1.27083 2.1034 0.1368
F1*F2*F3 2 0.79167 0.39583 0.6552 0.5254
Residuo 36 21.75000 0.60417
Total 47 113.47917
------------------------------------------------------------------------
CV = 37.07 %
------------------------------------------------------------------------
Teste de normalidade dos residuos (Shapiro-Wilk)
valor-p: 0.01742657
ATENCAO: a 5% de significancia, os residuos nao podem ser considerados normais!
------------------------------------------------------------------------
Interacao nao significativa: analisando os efeitos simples
------------------------------------------------------------------------
F1
Teste de Tukey
------------------------------------------------------------------------
Grupos Tratamentos Medias
a 1 6
b 2 4.791667
------------------------------------------------------------------------
F2
Teste de Tukey
------------------------------------------------------------------------
a 3 6.6875
b 2 5.5
c 1 4
------------------------------------------------------------------------
F3
Teste de Tukey
------------------------------------------------------------------------
a 2 5.875
b 1 4.916667
------------------------------------------------------------------------
11) AXBXC EN UN DBCA
Ejemplo:
Se realice una investigación donde se midió el rendimiento por parcela neta de tres
variedades de maíz con dos métodos de desinfección y a tres distancias de siembra. Para
el trabajo experimental se necesitó de tres repeticiones.
FACTORES EN ESTUDIO PARA EL CULTIVO DE MAÍZ
FACTOR A SISTEMAS DE LABRANZA
FACTOR B TIPO DE SEMILLA
FACTOR C VARIEDAD
FACTOR D TIPOS DE ABONOS
FACTOR E VARIEDAD
NIVELES DE DESINFECCIÓN
ABONO DENSIDAD
FACTOR F V1
LUMINOSIDAD D1 C1
FACTOR G LOCALIDAD
V2 D2 C2
FACTOR H SUELOS
V3 C3
FACTOR I LABORES CULTURALES
FACTOR J LAMINAS DE RIEGO
FACTOR K TIPOS DE RIEGO
FACTOR L ASOCIACIÓN
FACTOR M INTERACCIONES
HERBICIDAS
V1
FACTOR N D1
INSECTICIDAS C1
FACTORV1
O FUNGICIDAS
D1 C2
FACTORV1
P FOLIARESD1 C3
FACTORV1
Q DENSIDADES
D2 DE SIEMBRA
C1
FACTOR R TOPOGRAFIA DEL SUELO
V1 D2 C2
FACTOR S FRACCIONAMIENTO DE LA FERTILIZACION
FACTORV1
T D2
FASE LUNAR C3
FACTORV2
U USO DE D1
MAQUINARIA VSC1 LAB CULTURALES
FACTORV2
V DESINFECCIÓN
D1 DE SEMILLAS
C2
FACTORV2
W FRECUENCIA
D1 DE RIEGOC3
FACTORV2
X TIPOS DED2DESINFECCIÓN
C1 DEL SUELO
FACTOR Y TRATAMINETOS PREGERMINATIVOS
V2 D2 C2
FACTOR Z USO DE MICROORGANISMOS
V2 D2 C3
V3 D1 C1
V3 D1 C2
V3 D1 C3
V3 D2 C1
V3 D2 C2
V3 D2 C3
VARIABLE:
ALTURA
RENDIMIENTO
DIAS A LA COSECHA
NUMERO DE MAZORCAS
% EMERENCIA
DIAS A LA FLORACIÓN
IAF
INCIDENCIA DE PLAGAS
INCIDENCIA DE ENFERMEDADES
NUMERO DE GRANOS X MAZORCA
HIPÓTESIS
VARIEDAD
Ho
Ha
DESINFECCI
ÓN
Ho
Ha
DENSIDAD
Ho
Ha
V X D
Ho
Ha
V x DENSI
Ho
Ha
DES x DENSI
Ho
Ha
V x DES x
DENS
Ho
Ha
Cuadro 31 Rendimiento kg/pn, en la evaluación de tres variedades de maíz (Zea mays), con la aplicación
de dos sistemas de desinfección sembradas a tres densidades. Salache Cotopaxi 2020.
TRATAMIENTOS I ii Iii
a1b1c1 2 2 3
a1b1c2 3 4 3
a1b1c3 3 4 4
a1b2c1 3 5 3
a1b2c2 5 5 4
a1b2c3 6 6 6
a2b1c1 1 2 2
a2b1c2 2 2 2
a2b1c3 3 2 3
a2b2c1 4 4 5
a2b2c2 5 5 4
a2b2c3 5 6 6
a3b1c1 4 4 4
a3b1c2 5 5 6
a3b1c3 6 6 5
a3b2c1 7 6 6
a3b2c2 6 7 7
a3b2c3 7 7 6
Cuadro 32 Organización de datos para la solución en el Infostat

A B C R REND
1 1 1 1 2
1 1 2 1 3
1 1 3 1 3
1 2 1 1 3
1 2 2 1 5
1 2 3 1 6
2 1 1 1 1
2 1 2 1 2
2 1 3 1 3
2 2 1 1 4
2 2 2 1 5
2 2 3 1 5
3 1 1 1 4
3 1 2 1 5
3 1 3 1 6
3 2 1 1 7
3 2 2 1 6
3 2 3 1 7
1 1 1 2 2
1 1 2 2 4
1 1 3 2 4
1 2 1 2 5
1 2 2 2 5
1 2 3 2 6
2 1 1 2 2
2 1 2 2 2
2 1 3 2 2
2 2 1 2 4
2 2 2 2 5
2 2 3 2 6
3 1 1 2 4
3 1 2 2 5
3 1 3 2 6
3 2 1 2 6
3 2 2 2 7
3 2 3 2 7
1 1 1 3 3
1 1 2 3 3
1 1 3 3 4
1 2 1 3 3
1 2 2 3 4
1 2 3 3 6
2 1 1 3 2
2 1 2 3 2
2 1 3 3 3
2 2 1 3 5
2 2 2 3 4
2 2 3 3 6
3 1 1 3 4
3 1 2 3 6
3 1 3 3 5
3 2 1 3 6
3 2 2 3 7
3 2 3 3 6
1. Luego se abre el Infostat y se pega la tabla, y se hace la diferenciación entre factores y
variables dependientes.
2. Luego se verifica de acuerdo al esquema del ADEVA que es lo que debe ir en el

programa como se pone a continuación:
A
B
A*B
A*C
B*C
A*B*C
3. Seleccionamos las respectivas pruevas Tukey

4. En la pestaña Contrastes, seleccionamos controlar ortogonalidad en base a R
(Rendimiento).
Gráfico 11 Resultado de infosta para AxBxC en un BDCA

Gráfico 12 Resultado del Control de Ortogonalidad.
Gráfico 13 Pruebas Tukey para las Variables.

Gráfico 14 Pruebas Tukey para las Interacciones.
PARA R
#####ARREGLO_A x B x C EN DBCA####
factorial
View(factorial)
head(factorial)
library(ExpDes.pt)
?ExpDes.pt
fat3.dbc(fator1, fator2, fator3, bloco, resp, quali = c(TRUE, TRUE, TRUE),
mcomp = "tukey", fac.names = c("F1", "F2", "F3"), sigT = 0.05, sigF = 0.05)
##Para realizar el calculo, no se necesita cargar de los paquetes sino
##se necesita de la función require y asi se evita mucho tiempo
require (ExpDes.pt)
require(MASS)
require (agricolae)
###fat3.dbc(fator1, fator2, fator3, bloco, resp, quali = c(TRUE, TRUE, TRUE),
mcomp = "tukey", fac.names = c("F1", "F2", "F3"), sigT = 0.05, sigF = 0.05)##
with(factorial,fat3.dbc(M, T, H, R, COLONIAS, quali = c(TRUE, TRUE, TRUE),
mcomp = "tukey", fac.names = c("M", "T", "H"), sigT = 0.05, sigF = 0.05))
1. En Matriz de datos que tenemos en Excel, la guardamos como “Texto (delimitado por
tabulaciones)”
2. Abrimos R y en la barra de tareas seleccionamos “Archivo” y luego en Nuevo Script y en

la vetana que nos sale pegamos nuestro Script.
3. Corremos nuestro script y nos pedirá el archivo lo ubicamos y le damos “Abrir”
4. Corremos en línea los siguientes scripts.
5. Instalamos el Library respectivo, para ello corremos nuestro script seccionado y después
nos pedirá escoger el servido escogemos “Ecuador (Cuenca)” y esperamos a que se
instale.
6. Corremos en línea los siguientes scripts.

7. Marcamos y corremos los siguientes scripts.
8. Cambiamos los caracteres de acuerdo a nuestra tabla, luego seleccionamos y corremos en
línea para obtener los resultados.
9. Resultados
DEBER
Ejemplo 6.2 Supongamos de nuevo la situación del Ejemplo 6.2 en la que, en este caso, se
seleccionan tres niveles de la concentración de madera (τ 1, τ 2, τ 3) y dos niveles de la
presión (β1 , β2 ) y del tiempo de cocción (γ1 , γ2 ). Pueden considerarse todos los
factores fijos. Se realiza un experimento factorial con dos réplicas y se recopilan los
siguientes datos. Analizar los resultados y obtener las conclusiones apropiadas.
T Y B R VALOR X
1 1 1 1 -3
1 1 2 1 0
1 1 3 1 5
1 2 1 1 -1
1 2 2 1 2
1 2 3 1 7
2 1 1 1 -1
2 1 2 1 2
2 1 3 1 7
2 2 1 1 1
2 2 2 1 6
2 2 3 1 10
1 1 1 2 -1
1 1 2 2 1
1 1 3 2 4
1 2 1 2 0
1 2 2 2 1
1 2 3 2 6
2 1 1 2 0
2 1 2 2 3
2 1 3 2 9
2 2 1 2 1
2 2 2 2 5
2 2 3 2 11
1 1 1 3 -4
1 1 2 3 1
1 1 3 3 9
1 2 1 3 -1
1 2 2 3 3
1 2 3 3 13
2 1 1 3 -1
2 1 2 3 5
2 1 3 3 16
2 2 1 3 2
2 2 2 3 11
2 2 3 3 21
http://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-tres-factores.pdf
12) DISEÑO DE PARCELA DIVIDIDA
La parcela dividida es un tipo de arreglo factorial que el investigador lo puede utilizar

para el trabajo de experimentos en serie, el trabajo de experimentos en franjas, así como
también exista la necesidad de no poder sortear los niveles de un factor que se lo
considera fijo, además también es un modelo de gran ayuda para resolver factores dando
mayor importancia al factor de que se debe ubicar en la subparcela ya que por naturaleza
del ensayo se obtiene un mayor número de repeticiones efectivas.
Hay que considerar que el efecto de borde se lo debe aplicar en la subparcela, de donde
saldrá la parcela neta.
Modelo matemático para una parcela dividida en un DBCA
Yij- u= xj + a + ∑a + b + ab + ∑b
Cuadro 33 Esquema del Adeva para Parcela Dividida.
F de V GL SC
TOTAL (a x b x r) – 1 ∑(x12+….xn2)–Fc
REPETICIONES r–1 ∑(xj12+….xjn2)/ab –Fc
A a–1
Error A (a-1) (r-1) SCpg- SCrep – SCA
B b–1
AxB (a – 1) x (b – 1) SC A x B – SC A – SC B
E. EXP. Diferencia SC TOT – SCpg – SCB - SCAB
CV(a)
CV(b)
Ejemplo de experimento en serie utilizando una parcela dividida.

En el supuesto que se desea realizar una investigación para evaluar el efecto de la dosis
de microrganismos eficientes para el tratamiento de derrames de petróleo. El ensayo se
replicará durante cuatro años para observar la estabilidad de la acción de los
microorganismos, la variable a ser analizada será TPH.
El esquema en campo de un experimento en serie puede ser como lo observamos en el

gráfico.
1996 2000
IR II R III R IR II R III R
D2 4 D1 6 D3 3 D2 4 D1 6 D3 3
Parcela Grande (Pg)

D3 4 D3 4 D2 4 D3 4 D3 5 D2 4
D4 3 D4 3 D1 6 D4 3 D4 3 D1 5
D5 3 D5 4 D4 3 D5 2 D5 4 D4 3
D1 5 D2 5 D5 3 D1 5 D2 5 D5 3
2004 2008
IR II R III R IR II R III R
D2 5 D1 6 D3 3 D2 6 D1 7 D3 3
D3 4 D3 5 D2 4 D3 4 D3 5 D2 4
D4 3 D4 3 D1 5 D4 3 D4 3 D1 6
D5 2 D5 4 D4 2 D5 2 D5 4 D4 3
D1 5 D2 4 D5 2 D1 5 D2 4 D5 2 Sp
Como se ve en el croquis la parcela grande (Pg), corresponde a los años y la sub parcela
(Sp) corresponde a las dosis de aplicación. En la sub parcela se debe quitar el efecto de
borde, para que se puedan tomar los datos de la parcela neta.
En el ejemplo el factor A, corresponde a los años en los que se realizó el experimento.

El factor B, está dado por las dosis de microorganismos aplicados, notando que la
variable analizada fueron los tph
Ejemplo de investigación de parcelas divididas utilizadas en franjas.
Para controlar a un lepidóptero que se lo considera como minador del brote del pino en
dos variedades radiata y patula, al insecto de la familia torticidae perteneciente al género
Claukerlia, se lo controlo con la aplicación de tres distintos tipos de insecticidas de franja
verde.

IR 2R 3R 4R IR 2R 3R 4R
i2 12 i1 15 i3 66 i1 99 i2 0 i1 25 i3 22 i1 66
i3 38 i3 12 12 2 i3 65 i3 19 i3 22 12 4 i3 50
i1 47 i2 1 i1 38 i2 32 i1 0 i2 5 i1 45 i2 15

Pinus radiata Pinus patula

En el ejemplo el factor A, corresponde a las variedades de pino.
El factor B, está dado por las dosis del insecticida utilizado
Ejemplo de investigación de parcelas divididas utilizadas cuando existe un factor

considerado fijo, que puede corresponder aquellos que por manejo son difíciles de sortear
como lo es cuando se investiga en sistemas de labranza, sistemas de riego o lo que sucede
en cultivos perennes que ya se encuentran establecidos.
Ejemplo:
Un experimento fue diseñado en parcela dividida, para determinar condiciones favorables
para la germinación de semillas de una especie.
TRATAMIENTOS BLOQUES
TEMPERATURA LUMINOSIDAD I II III
TI L1 11 11 11
L2 16 17 18
T2 L1 10 9 10
L2 14 15 18
T3 L1 17 13 13
L2 15 16 9
T4 L1 17 14 10
L2 15 14 15
1. Organizamos la Matriz para ingresarla al Infostat.
FACTOR A FACTOR B REPETICIONES DATOS

T1 L1 1 11
T1 L1 2 11
T1 L1 3 11
T1 L2 1 16
T1 L2 2 17
T1 L2 3 18
T2 L1 1 10
T2 L1 2 9
T2 L1 3 10
T2 L2 1 14
T2 L2 2 15
T2 L2 3 18
T3 L1 1 17
T3 L1 2 13
T3 L1 3 13
T3 L2 1 15
T3 L2 2 16
T3 L2 3 9
T4 L1 1 16
T4 L1 2 14
T4 L1 3 10
T4 L2 1 15
T4 L2 2 14
T4 L2 3 15
2. Ingreso de datos para el arreglo factorial en Parcela Dividida en Infostat.

3. Ingreso de datos para el arreglo factorial en Parcela Dividida en Infostat
4. ANOVA para el arreglo factorial en Parcela Dividida en Infostat

REPETICIONES
FACTOR A/REPETICIONES*FACTOR A
REPETICIONES*FACTOR A
FACTOR B
FACTOR A*FACTOR B
REPETICIONES
LOCALIDADES/REPETICIONES*LOCALIDADES
REPETICIONES*LOCALIDADES
INSECTICIDAS
LOCALIDADES*INSECTICIDAS
VIR
R
V/R*V
R*V
I
V*I
Fuente: (Catota, 2020)
5. Resultados obtenidos de Infostat.
EJERCICIO EN R
PARA R
#####ARREGLO_A X B EN UN DPD####
View(factorial)
library(ExpDes.pt)
?ExpDes.pt
##psub2.dbc(fator1, fator2, bloco, resp, quali = c(TRUE, TRUE), mcomp = "tukey",
fac.names = c("F1", "F2"), sigT = 0.05, sigF = 0.05)##
##Para realizar el calculo, no se necesita cargar de los paquetes sino
##se necesita de la función require y asi se evita mucho tiempo
require (ExpDes.pt)
require(MASS)
require (agricolae)
with(factorial,psub2.dbc(L, V, R, RENDIMIENTO, quali = c(TRUE, TRUE),

mcomp = "tukey",
1. Con el script cargamos nuestro archivo antes guardado como texto delimitado.
2. Seleccionar el script para instalar los paquetes requeridos y seleccionamos el servidor.

3. Correr los siguientes scripts.
4. Cambiamos el script con nuestros ítems.

5. Resultados
ANÁLISIS.
El presente trabajo de investigación intitulado “Evaluación de la aplicación de cinco dosis
de microorganismos eficientes, para el control, tuvo como objetivo de evaluar y analizar
el efecto de los M.E, así como de determinar la dosis más adecuada de M.E para el control
de pitium sp. Se utilizó el diseño estadístico de Parcelas Divididas Completamente al
Azar con cuatro bloques y cinco tratamientos haciendo un total de 20 unidades
experimentales. Los resultados obtenidos nos indican que todos los tratamientos
estudiados en base de microorganismos eficientes. El análisis económico de los
tratamientos reportó que fue la dosis más adecuada, porque obtuvo el mayor valor de
beneficio/costo con de 0.45 y ligeramente superior a los tratamientos T3, T4, T2 y T0
quienes obtuvieron respectivamente menores valores de porcentaje.

13) DISEÑO DE PARCELA DOS VECES DIVIDIDA
El diseño de parcelas dos veces divididas es utilizado bajo el precepto de los lineamientos
que se utilizan en las parcelas divididas, se debe considerar que lo que se realiza para el
uso de tres factores, entonces un dp2d es un arreglo factorial del A x B x C, que se lo
puede implementar ya sea en un DCA o un DBCA.
IMPLEMENTACIÓN DEL DP2D EN EL CAMPO
Se debe de tener en cuenta que los niveles de los factores no deben ser muy elevados
porque se tendría un número muy alto de interacciones, lo cual dificulta el manejo del
experimento. Si tengo un arreglo: A x B x C; 3 x 4 x 4 (48 interacciones), al comparar
con un arreglo: A x B x C; 4 x 5 x 4 (80 interacciones), por lo tanto, para el manejo de un
factorial de esta naturaleza Usted debe considerar un número no muy alto entre los
niveles
ESQUEMA DEL ADEVA
Ejemplo
Se tomó el supuesto de una investigación para evaluar el efecto de dos tipos

microorganismos aplicados a tres temperaturas en dos localidades, en el laboratorio se
evaluó la demanda química de oxígeno, todo esto se realizó para controlar los efectos
ocasionados por un derrame de petróleo.
FACTOR A: Localidades
Machachi l1
Quito l2
FACTOR B: Temperaturas
10°C: t1
15°C: t2
20°C: t3
FACTOR C: Tipos de microorganismos
MM; m1
EM: m2
1. Instalación de ensayo.
Machachi L1 (PARCELA GRANDE) Quito L2 (PARCELA GRANDE)
10°C t1 15°C 20°C

10°C t1 (SP) 15°C t2 20°C t3 (SP) t2 t3

m2 6 m1 9 m1 10 m2 5 m1 10 m1 10
IR IR
m1 8 m2 5 m2 9 m1 7 m2 8 m2 9

II m2 5 m2 6 m1 12 m2 7 m2 6 m1 10
II R
R m1 10 m1 9 m2 7 m1 10 m1 9 m2 6

III m1 8 m2 7 m2 8 m1 9 m2 4 m2 6
III R
R m2 6 (SSP) m1 11 m1 10 m2 6 (SSP) m1 8 m1 8
2. Organizamos la Matriz para ingresarlo al Infostat.

L T M R DQO
1 1 1 1 8
1 1 2 1 6
1 2 1 1 9
1 2 2 1 5
1 3 1 1 10
1 3 2 1 9
2 1 1 1 7
2 1 2 1 5
2 2 1 1 10
2 2 2 1 8
2 3 1 1 10
2 3 2 1 9
1 1 1 2 10
1 1 2 2 5
1 2 1 2 9
1 2 2 2 6
1 3 1 2 12
1 3 2 2 7
2 1 1 2 10
2 1 2 2 7
2 2 1 2 9
2 2 2 2 6
2 3 1 2 10
2 3 2 2 6
1 1 1 3 8
1 1 2 3 6
1 2 1 3 11
1 2 2 3 7
1 3 1 3 10
1 3 2 3 8
2 1 1 3 9
2 1 2 3 6
2 2 1 3 8
2 2 2 3 4
2 3 1 3 8
2 3 2 3 6
3. Ingresamos nuestra matriz de datos organizada a Infostat.

4. Clasificamos las variables.
5. Realizamos los scripts en Word y luego pasarlos al Infostat para ejecutar el cálculo
teniendo en cuenta el modelo matemático.
R\L*R
L\L*R
L*R
T\L>T*R
A*T \L>T*R
L>T*R
M
L*M
T*M
L*T*M
Ejercicio en clase
V A D R ALTURA
1 1 1 1 38
1 1 2 1 42
1 2 1 1 32
1 2 2 1 36
1 3 1 1 36
1 3 2 1 44
2 1 1 1 35
2 1 2 1 40
2 2 1 1 30
2 2 2 1 34
2 3 1 1 38
2 3 2 1 42
1 1 1 2 36
1 1 2 2 39
1 2 1 2 37
1 2 2 2 40
1 3 1 2 37
1 3 2 2 41
2 1 1 2 32
2 1 2 2 37
2 2 1 2 34
2 2 2 2 38
2 3 1 2 40
2 3 2 2 43
1 1 1 3 37
1 1 2 3 39
1 2 1 3 32
1 2 2 3 36
1 3 1 3 42
1 3 2 3 45
2 1 1 3 36
2 1 2 3 38
2 2 1 3 30
2 2 2 3 34
2 3 1 3 40
2 3 2 3 43
1 1 1 4 32
1 1 2 4 40
1 2 1 4 31
1 2 2 4 37
1 3 1 4 39
1 3 2 4 43
2 1 1 4 30
2 1 2 4 36
2 2 1 4 30
2 2 2 4 33
2 3 1 4 35
2 3 2 4 40
VADR
R\V*R
V\V*R
V*R
A\V>A*R
A*V \V>A*R
A>T*R
D
V*D
A*D
V*A*D
6. En la pestaña “Modelo” Ingresamos los scripts antes realizados
Fuente: (Catota, 2020)

7. Resultados
Análisis: En los tratamientos de mayor concentración del hidrocarburo, se observaron
colonias bacterianas no presentes en el tratamiento testigo. Las bacterias fijadoras de
nitrógeno de vida libre podrían adaptarse a condiciones adversas. La selección de las más
aptas sería útil en la biorremediación o saneamiento de zonas impactadas por petróleo
crudo.
ARREGLO FACTORIAL CON ADICIONALES

Los arreglos factoriales con adicionales se los utiliza cuando se desea tener información
complementaria independiente pero correspondiente al arreglo factorial, es necesario
cuando Usted realiza una investigación sobre fertilizaciones que tenga un tratamiento que
le sirva como testigo de comparación el cual puede ser un testigo absoluto es decir sin
aplicar abono alguno, o puede ser que se necesite información complementaria de otros
tratamientos así tenemos el caso de en una fertilización de nitrógeno y fósforo a parte de
un testigo absoluto se lo pueda comparar con otros tratamientos adicionales como: la
gallinaza, el compost y el humus, de donde se puede deducir que no hay un número límite
de adicionales, y todo dependerá del investigador y las inquietudes que se desean
resolver.
Pueden existir arreglos A x B + n; A x B x C + n, en todos los tipos de diseños básicos

especialmente el DCA y el DBCA
Ejemplo de un arreglo factorial A x B + n ó 3 * 2 +1, donde los tratamientos son iguales

al número de interacciones más el número de tratamientos adicionales.
NITROGENO FOSFORO TESTIGOS TRATAMIENTOS

n1 50 p1 40 TO n1p1
n2 100 * p2 80 + 1 = n1p2
n3 150 2 n2p1
3 n2p2
n3p1
n3p2
testigo ( T0 )
Esquema del adeva del ejemplo suponiendo que existen cuatro observaciones en un dca
F de V GL GL
TOTAL ((a*b*+1)*o)-1 27
TRATAMIENTOS (a*b+1)-1 6
A a-1 2
B b-1 1
A*B (a-1)*(b-1) 2
Fac. vs Ad. K=1 1
E. EXP diferencia 21
Ejemplo de un arreglo factorial A x B + n ó 3 * 2 +3, donde los tratamientos son iguales

al número de interacciones más el número de tratamientos adicionales para el caso el
número de tratamientos aumenta a nueve.
NITROGENO FOSFORO TESTIGOS TRATAMIENTOS

n1 50 p1 40 TO n1p1
n2 100 * p2 80 + gallinaza = n1p2
n3 150 2 humus n2p1
3 3 n2p2
n3p1
n3p2
testigo ( T0 )
gallinaza
humus
Esquema del adeva del ejemplo suponiendo que existen tres repeticiones en un dbca
F de V GL GL
((a*b*+3)*r)-
TOTAL 1 26
TRATAMIENTOS (a*b+3)-1 8
A a-1 2
B b-1 1
A*B (a-1)*(b-1) 2
Adicionales Ad-1 2
Fac. vs Ad. K=1 1
REPETICIONES r-1 2
E. EXP (t-1)(r-1) 16
Para implementar este tipo de diseños es importante tener en cuenta que se lo debe
realizar de acuerdo a las normas del diseño básico en el que se desea trabajar
El arreglo factorial está claro que cuando utiliza tratamientos adicionales estos deben ser
correspondientes al tema de la investigación, si el factorial trata sobre fertilización el o
los tratamientos satélites conocidos como adicionales deben ser sobre fertilización.
Para citar otro ejemplo tendríamos que ver que al hacer una investigación sobre dos
fungicidas el Metalaxilyl y el Fosetil Aluminio aplicados a tres dosis los tratamientos
adicionales serán correspondientes por ejemplo un testigo con cobre (oxicloruro de Cu) y
otro con manganeso (Mancozeb)
FUNGICIDAS DOSIS TESTIGOS TRATAMIENTOS

f1 M d1: 2g/l t1 Cu f1d1
f2 F * d2: 3g/l + t2 Mn = f1d2
2 d3: 4g/l 2 f1d3
3 f2d1
f2d2
f2d3
t1
t2
Ejemplo del Experimento en factorial aumentado 4*4+2 en DBCA, con 4 repeticiones.
Una investigación fue realizada para determinar los efectos de fertilizantes químicos y
abono orgánico en la red alimenticia natural de la carpa común (Cyprinus carpi). En
condiciones naturales, cada eslabón de la cadena alimenticia depende del suministro de
alimento de los niveles tróficos inferiores. El alimento de la carpa adulta es la larva
quironomida, que se desarrolla en el fondo de los estanques, el desarrollo de los
quironómidos, a su vez, depende del detritus, bacterias y otros pequeños organismos. Por
supuesto, la cantidad de detritus dependerá de la producción de materia orgánica por pare
de las algas. La fertilización química y materia orgánica añadida proveen los minerales
que son requeridos para la producción de materia orgánica a través de la fotosíntesis.
El efecto de los tratamientos ensayados, sobre la producción de plancton y en

consecuencia sobre el incremento en la producción de carpas, fue medido en kg. (Otero,
2006)
Descripción de los factores y niveles en estudio
FACTOR G: Abono orgánico. Como fuente se utilizó gallinaza
G0 0 kg / ha
G1 60 kg/ha
G2 120 kg/ha
G3 180 kg/ha
FACTOR F: Fertilización química se utilizó superfosfato triple y sulfato de amonio,

como fuente de P2O5 y N, respectivamente.
F0 0 + 0 kg/h (P2O5 + N)
F1 20 + 20 kg/h
F2 40 + 40 kg/h
F3 60 + 60 kg/h
Los tratamientos generados por la combinación de los niveles de los factores ensayados
constan en el cuadro 11.21 en donde se incluyen los 2 tratamientos aumentados (controles
o testigos) al factorial 4*4 se aclara. Sobre este experimento, que los datos limnológicos
iniciales demostraron una abundante concentración de potasio en los estanques, por lo
que no fue necesario suminístralo en forma complementaria.
Cuadro 25. Tratamientos generados en el experimento 4*4+2 en la alimentación de

Cyprinus carpi
TRATAM SIMBOLOGIA MATERIA ORGANICA FERTILIZANTE QUIMICO

No (kg/ha) (kg/ha)
1 G0F0 0 0+0
2 G0F1 0 20+20
3 G0F2 0 40+40
4 G0F3 0 60+60
5 G1F0 60 0+0
6 G1F1 60 20+20
7 G1F2 60 40+40
8 G1F3 60 60+60
9 G2F0 120 0+0
10 G2F1 120 20+20
11 G2F2 120 40+40
12 G2F3 120 60+60
13 G3F0 180 0+0
14 G3F1 180 20+20
15 G3F2 180 40+40
16 G3F3 180 60+60
17 AP* alimento usado por el productor
18 BM* balanceado disponible en el mercado
Cuadro 26. Resultados del rendimiento de carpas Cyprinus carpi.
TRATAMIENTO CÓDIGO 1 2 3 4 SUMA TRA PROMEDIO
1 G0F0 9.5 7.4 10.45 9.9 37.25 9.31

2 G0F1 9.8 10.2 10 7 37 9.25
3 G0F2 10 7.6 13.8 8.1 39.5 9.88
4 G0F3 10.6 11.2 14.5 13.2 49.5 12.38
5 G1F0 7.4 5.4 6 5 23.8 5.95
6 G1F1 13.7 15.5 10.8 14.8 54.8 13.7
7 G1F2 14.85 19.6 13.8 18.6 66.85 16.71
8 G1F3 14 18.8 17 16.8 66.6 16.65
9 G2F0 6.3 6.6 8 7.8 28.7 7.18
10 G2F1 14.6 13.8 12.2 17 57.6 14.4
11 G2F2 17.8 18.8 19.7 15.3 71.6 17.9
12 G2F3 20.9 19.8 22.9 18.2 81.8 20.45
13 G3F0 5.8 6.5 5.2 7.9 25.4 6.35
14 G3F1 15.2 16.4 17.1 14 62.7 15.68
15 G3F2 16.7 18.5 18.9 21.6 75.7 18.93
16 G3F3 23.6 24.3 27.3 20.4 95.6 23.9
17 AP 10.4 11.7 14.2 9.8 46.1 11.53
18 BM 10.8 10.2 15.1 12.4 49.9 12.18
SUMA REP 221.15 232.1 241.85 225.4 920.5 13.48
Ordenar la tabla en el Excel, organizando de forma especial los tratamientos adicionales para
poder realizar el cálculo con énfasis en los tratamientos adicionales. Teniendo en cuenta que
cuando se utiliza el Infostat donde los tratamientos adicionales los podemos marcar para luego
desactivarlos y poder encontrar el cálculo del factorial de forma independiente.
TRATAMIENTOS G F R PESO
1 0 0 1 9.5
2 0 1 1 9.8
3 0 2 1 10
4 0 3 1 10.6
5 1 0 1 7.4
6 1 1 1 13.7
7 1 2 1 14.85
8 1 3 1 14
9 2 0 1 6.3
10 2 1 1 14.6
11 2 2 1 17.8
12 2 3 1 20.9
13 3 0 1 5.8
14 3 1 1 15.2
15 3 2 1 16.7
16 3 3 1 23.6
1 0 0 2 7.4
2 0 1 2 10.2
3 0 2 2 7.6
4 0 3 2 11.2
5 1 0 2 5.4
6 1 1 2 15.5
7 1 2 2 19.6
8 1 3 2 18.8
9 2 0 2 6.6
10 2 1 2 13.8
11 2 2 2 18.8
12 2 3 2 19.8
13 3 0 2 6.5
14 3 1 2 16.4
15 3 2 2 18.5
16 3 3 2 24.3
1 0 0 3 10.45
2 0 1 3 10
3 0 2 3 13.8
4 0 3 3 14.5
5 1 0 3 6
6 1 1 3 10.8
7 1 2 3 13.8
8 1 3 3 17
9 2 0 3 8
10 2 1 3 12.2
11 2 2 3 19.7
12 2 3 3 22.9
13 3 0 3 5.2
14 3 1 3 17.1
15 3 2 3 18.9
16 3 3 3 27.3
1 0 0 4 9.9
2 0 1 4 7
3 0 2 4 8.1
4 0 3 4 13.2
5 1 0 4 5
6 1 1 4 14.8
7 1 2 4 18.6
8 1 3 4 16.8
9 2 0 4 7.8
10 2 1 4 17
11 2 2 4 15.3
12 2 3 4 18.2
13 3 0 4 7.9
14 3 1 4 14
15 3 2 4 21.6
16 3 3 4 20.4
17 1 10.4
18 1 10.8
17 2 11.7
18 2 10.2
17 3 14.2
18 3 15.1
17 4 9.8
18 4 12.4
Gráfico 36. Ingreso de datos en Excel para el Arreglo Factorial con Adicionales
Luego calculamos en el infostat el diseño básico, para luego resolver el factorial.
Gráfico 37. Identificación de variables del Análisis Factorial con Adicionales en Infostat
Luego controlamos la ortogonalidad de los tratamientos adicionales y luego realizamos
un contraste entre el factorial con el adicional.
Gráfico 38. ANOVA para el Análisis Factorial con Adicionales en Infostat
Recordamos también cuando hay adicionales el cálculo corresponde a una comparación

entre ellos y entra como F de V y hay que controlar la ortogonalidad entre ellos comol se
detalla a continuación:
Gráfico 39. Comparaciones del factor variedades del Análisis Factorial con Adicionales
en Infostat
Luego analizamos el factorial desactivando los adicionales.
Gráfico 40. Análisis del diseño estadístico en Infostat
Fuente: Emerson Jácome
Se calcula el arreglo A x B de forma normal.

Gráfico 41. ANOVA de factores AxB en el Análisis Factorial con Adicionales en
Infostat
Recordar que hay que recalcular el F de A, B y de A x B como se observa en el recuadro.
Gráfico 42. Cálculo de F para los factores A y B en Excel
Luego se reporta el análisis con su respectiva discusión
Cuadro 27. ANOVA para el diseño de Análisis Factorial con Adicionales

F DE V SC GL CM F P
TOTAL 1945.81 71
TRATAMIENTO 102.345882 27.922965
S 1739.88 17 4 8 5.50572E-20 **
108.673333 29.649280
G 326.02 3 3 5 3.08419E-11 **
366.306666 99.939228
F 1098.92 3 7 6 2.35921E-21 **
32.2455555 8.7975356
G*F 290.21 9 6 2 7.74364E-08 **
0.1964371 0.65948662
Adicionales 0.72 1 0.72 7 8 ns
6.5506339 0.01349294
Fac vs Ad 24.01 1 24.01 3 7 *
6.33333333 1.7279195 0.17293375
REPETICIONES 19 3 3 4 8 ns
3.66529411
ERROR 186.93 51 8
CV% 14.23
BIBLIOGRAFIA DEL MANUAL
Calzada Benza, J. (1964). Métodos estadísticos para la investigación (No. 311.2/C17m).
de Mendiburu, F. y de Mendiburu, MF (2019). Paquete 'agricolae'. Paquete R, versión 1-2.
Di Rienzo, J. A., Casanoves, F., Pla, L., Vílchez, S., & Di Rienzo, M. J. (2010). Qeco-Quantitative
ecology software: A collaborative approach. Revista Latinoamericana de Conservación| Latin
American Journal of Conservation, 1(1).
Ferreira, E. B., Cavalcanti, P. P., Nogueira, D. A., & Ferreira, M. E. B. (2020). Package ‘ExpDes.
pt’.
Freed, R. D., & Scott, D. E. (1986). MSTAT-C. Crop and Soil Science Department, Michigan State
University, Michigan, USA.
González Bahamonde, G. (1985). Métodos estadísticos y principios de diseño experimental (No.

04; QA276. 12, G6 1985.).
Jácome Mogro, E. (2016). DIDÁCTICA DE LA ENSEÑANZA DE DISEÑO
EXPERIMENTAL UTILIZANDO EL SOFTWARE INFOSTAT. U.A. CAREN, SALACHE -
COTOPAXI, 2016.
Ripley, B., Venables, B., Bates, DM, Hornik, K., Gebhardt, A., Firth, D. y Ripley, MB
(2013). Paquete 'masa'. Cran r , 538 , 113-120.
Sánchez-Otero, J. (2010). Introducción al diseño experimental. Innovación Digital. Quito, Ecuador.

Cuarto Diseño Experimental 2021

Cargado por

Copyright:

Formatos disponibles

Cuarto Diseño Experimental 2021

Cargado por

Información del documento

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

Cuarto Diseño Experimental 2021

Cargado por

Copyright:

Formatos disponibles

Universidad Técnica de Cotopaxi

Facultad de ciencias Agropecuarias y Recursos Naturales

TEMA: MANUAL DE DISEÑO EXPERIMENTAL

Docente: Ing. Emerson Jácome

1) DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)....................................................1

2) DCA CON DIFERENTE NÚMERO DE OBSERVACIONES.............................................10

3) DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA)...............................................16

4) DISEÑOS CUADRADO LATINO (DCL).............................................................................24

9) ARREGLO FACTORIAL AXB.............................................................................................54

10) ARREGLO FACTORIAL AXBXC....................................................................................61

11) AXBXC EN UN BDCA......................................................................................................68

12) DISEÑO DE PARCELA DIVIDIDA.................................................................................84

13) DISEÑO DE PARCELA DOS VECES DIVIDIDA...........................................................95

Cuadro 1 Modelo del ADEVA DCA..............................................................................................3

Cuadro 2 Porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro

tratamientos pre germinativos frente a un control (sin tratamiento)................................................4

Cuadro 3 ADEVA porcentaje de germinación de Achira (Canna edulis), evaluación de cuatro

tratamientos pre germinativos frente a un control (sin tratamiento). Salache-cotopaxi-2020.........5

Cuadro 4 Matriz organizada para ingresar al InfoStat....................................................................5

Cuadro 5. Resultados del ADEVA en InfoStat...............................................................................8

Cuadro 6 modelos DCA con diferente número de observaciones................................................10

Cuadro 7 Número de tallos en la evaluación de cinco variedades de papa...................................11

Cuadro 8 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa........11

Cuadro 10 Modelo ANOVA DBCA.............................................................................................18

Cuadro 11 Peso mg, en la evaluación de 3 fenotipos de coleóptero (Triboleum castaneum)

criados a una densidad de 20 individuos por gramo de harina.......................................................19

Cuadro 12 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneum)

Cuadro 13 Datos ordenados en matriz para ser ingresados al Infostat.........................................21

Cuadro 14 Modelo ANOVA DCL................................................................................................25

Cuadro 16 Datos arreglados para ingresar al Infostat...................................................................27

Cuadro 17 Datos del Infostat y clasificación de variables............................................................28

Cuadro 18 Seleccionamos el modelo, análisis de varianza...........................................................29

Cuadro 19 Datos a usar en el presente estudio..............................................................................35

Cuadro 20 Rendimiento de cada variedad....................................................................................35

Cuadro 21 Comparaciones de las variedades y contrastes a insertar en el infostat......................35

Cuadro 22 Matriz organizada para ingresar a Infostat..................................................................36

Cuadro 24 Coeficientes para polinomios ortogonales de cuarto grado aplicados para 5

Cuadro 25 Matriz organizada para ingresar al Infostat.................................................................43

San Juan, Salache 2020..................................................................................................................46

Cuadro 27 Matriz organizada de datos sin transformar para ingresar al Infostat.........................49

Cuadro 28 Modelo ANOVA A x B en un DCA...........................................................................55

Cuadro 29 Organización de la matriz para Infostat o R................................................................57

Cuadro 31 Modelo ANOVA A x BxC en un DCA.......................................................................65

Cuadro 33 Organización de datos para la solución en el Infostat.................................................71

Cuadro 34 Esquema del Adeva para Parcela Dividida.................................................................86

Gráfico 1 Porcentaje de germinación de Achira (Canna edulis).....................................................4

Gráfico 2 Promedio de Tallos de las Cinco Variedades de papa...................................................11

Gráfico 3 ADEVA para el Número de tallos en la evaluación de cinco variedades de papa en

Gráfico 4 Promedio de peso de de 3 fenotipos de coleóptero (Triboleum castaneum)................20

Gráfico 5 ANOVA para la variable medidas en mg de tres genotipos de (Tribolium castaneu).. 22

Gráfico 7 Pruebas de significación o Tukey..................................................................................34

Gráfico 8 Análisis de varianza.......................................................................................................39

Gráfico 9 Cuadro de los contraste, y de los coeficientes de los contrastes...................................39

Gráfico 10 Coeficientes de los contrastes y Prueba Tukey...........................................................39

Gráfico 12 Resultado de infosta para AxBxC en un BDCA.........................................................75

Gráfico 13 Resultado del Control de Ortogonalidad.....................................................................76

Gráfico 14 Pruebas Tukey para las Variables...............................................................................76

Gráfico 15 Pruebas Tukey para las Interacciones.........................................................................77

El diseño completamente al azar es el más sencillo de los diseños de experimentos que

variabilidad: los tratamientos y el error aleatorio o error experimental.