Resumen de Principios: de Diseños Experimentales

Jaime Vera Barahona
Jaime F. Vera Chang
Resumen de principios
de diseños experimentales
s
Grupo de capacitación e investigación pedagógica
Raúl Díaz Ocampo
s
Raúl Díaz Ocampo
Resumen de principios
de diseños experimentales
Autores:
Jaime Vera Barahona
Jaime F. Vera Chang
Raúl Díaz Ocampo
Resumen de principios de diseños experimentales
Autores.
Jaime Vera Barahona
Jaime F. Vera Chang
s
Primera edición: noviembre 2018
© Universidad Técnica Estatal de Quevedo 2018

© Ediciones Grupo Compás 2018
ISBN: 978-9942-33-068-0
Diseño de portada y diagramación: Grupo Compás
Este texto ha sido sometido a un proceso de

evaluación por pares externos con base en la
normativa del editorial.
Quedan rigurosamente prohibidas, bajo las sanciones

en las leyes, la producción o almacenamiento total o
parcial de la presente publicación, incluyendo el
diseño de la portada, así como la transmisión de la
misma por cualquiera de sus medios, tanto si es
electrónico, como químico, mecánico, óptico, de
grabación o bien de fotocopia, sin la autorización de
los titulares del copyright.
Guayaquil-Ecuador 2018
Cita.
J, Vera, Vera, J, (2018) Resumen de principios de diseños experimentales ,
Editorial Grupo Compás, Guayaquil Ecuador, 102 pag
PRÓLOGO
El motivo de escribir esta obra surgió como iniciativa personal y
conversaciones con amigos catedráticos después de tres
décadas de labores dedicadas a la investigación en la Estación
Experimental Tropical Pichilingue del Instituto de investigaciones
Agropecuarias, y otras tres décadas en la academia y de
administración de la educación en la Universidad Técnica Estatal
de Quevedo y, la Universidad Estatal de Guayaquil, su
fundamento en dar una herramienta al estudiante sobre los
fundamentos del diseño de un experimento, como de reflejar las
tendencias de la estadística con el uso de la computadora,
brindan-do una mejor compresión experimentación en Latino
América y de contribuir al cambio de matriz productiva que vive
nuestro país.
Muchos profesionales y colegas investigadores me hacían

recordar muchas anécdotas vividas, por lo cual consideré sus
consejos y empecé esta noble labor el poder contribuir con un
grano de arena al quehacer investigativo que actualmente se
desarrolla en las universidades y empresas privadas. Siendo este
el motivo que dio inicio a la escritura, en la cual con mucha
alegría con la ayuda de mi hijo logré plasmar esta obra,
recopilando parte de mi experiencia como investigador, y
maestro de enseñanza superior en las materias: Bioestadística,
Métodos estadísticos, metodología de la investigación, Diseño
Experimentales.
Esta primera edición contiene una información compilada

cuyo objetivo fundamental recordar algunos conceptos básicos
de metodología de la inves-tigación, preguntas introductorias
sobre ¿cómo, cuándo y por qué? establecer un experimentos y
cuáles son las condiciones básicas para usar la estadística
paramétrica y la probabilidad, representando esta obra a
manera de resumen de los principales Diseños Experimentales y
sus respectivos modelos matemáticos, las diferentes
denominaciones, es decir la aplicación práctica, comprensiva, y
motivante para todos los campos de la Ingeniería, contiene
iv
además una explicación breve, clara e interesante de ejercicios
resueltos y muestra los cálculos matemáticos paso a paso de
manera que se demuestra cómo se realizan los análisis con el uso
de una calculadora, como también su interpretación y cómo
usar una herramienta informática y como ejecutar el análisis en
diseños más utilizados, en el campo agropecuario.
v
Este manual resume los principios prácticos de los Diseños
Experimentales y sus variantes, ha sido escrito pensando
fundamentalmente en los estudiantes de pregrado en ingeniería
Agronómica, forestal, industrial, alimentos, zootecnistas, médicos
veterinarios, agropecuarios, agroindustriales y recién graduados que
serán contratados para dirigir o supervisar los procesos de
fabricación para lo cual necesitan herramientas estadísticas para
controlar procesos y la calidad de los alimentos. También este
manual está dirigido para otros profesionales de la ingeniería y
demás ciencias, bajo una ideología multidisciplinaria: Ingenieros
Mecánicos, Técnicos, Tecnólogos, Operadores de Planta y de una
manera general al personal técnico de la agro-industria. A pesar de
ser un manual eminentemente práctico.
El Ingeniero puede no estar inmediatamente capacitado para

hacer investigación como para la toma de decisiones, pero por
otra parte con esta obra se pretende tener una mejor
comprensión de los principios fundamentales de Diseño
Experimental, es decir saber estratégicamente los principios
experimentales. Esto reforzará al Ingeniero teniendo en sus manos
un guía práctica para planificar, evaluar, y ejecutar los diferentes
desafíos investigativos, como el interpretar resultados usando
herramientas estadísticas para la publicar sus trabajos en eventos
científicos y revistas de alto impacto.
vi
AGRADECIMIENTO
El autor desea expresar las gracias primero a Dios por la ayuda que me
proporcionó para poder guiar a mis semejantes.
Al profesor Gilberto Páez Bulgarin Ph. D. profesor investigador del IICA quien
incentivó en mi persona el interés, por esta importante herramienta de
investigación cuando realicé mi curso de posgrado en Costa Rica donde obtuve
el título de Magister Scientiae.
Al Instituto Nacional de Investigación Agropecuaria quien me dio la

oportunidad de realizar el curso de posgrado en el IICA, cuando desempeñe la
función de investigador
A la Universidad Técnica Estatal de Quevedo (UTEQ) por confiar en mi

persona el dictado de las asignaturas: Bioestadística, Diseño Experimental y
Método de la Investigación.
A la Universidad Estatal de Guayaquil al Instituto Tecnológico Agropecuario

de Vinces actual Facultad de Ciencias del Desarrollo por haberme dado la
oportunidad de enseñar las asignaturas de Bioestadística, Genética Agrícola y
Diseño Experimental.
A los colegas docentes de las universidades antes mencionadas quienes me

estimularon siempre para que escriba esta obra, que ayude a todo nivel al
refrescamiento del conocimiento y empleo del Diseño Experimental.
Deseo agradecer a los autores de la lista bibliográfica de la presente obra

cuyo contenido fue de gran importancia en la edificación del presente.
Finalmente deseo expresar mis sinceros agradecimientos a los alumnos de

las Facultades de Ingeniería Agropecuaria, Zootecnia y Alimentos quienes al
consultarme sobre el Diseño Experimental más apto para sus perfiles de tesis
de grado; ordenación, análisis e interpretación de los datos para cumplir con
las normas académicas previo a su graduación.
vii
Índice
DISEÑOS EXPERIMENTALES ..................................................................... 11

1. ¿QUÉ ES UN DISEÑO EXPERIMENTAL? .................................................. 11
2. ¿CUÁL ES LA VENTAJA DE EMPLEAR DISEÑOS EXPERIMENTALES? ....... 11
3. MÉTODO CIENTÍFICO ............................................................................. 12
4. CARACTERÍSTICAS DE UN EXPERIMENTO BIEN PLANEADO ................... 13
5. EXPERIMENTACIÓN ............................................................................... 13
6. ELECCIÓN DEL DISEÑO PARA LA CONDUCCIÓN DEL EXPERIMENTO
(Información indispensable previa) ....................................................... 14
7. ESTABLECIMIENTO DEL EXPERIMENTO ................................................. 16
8. CONCEPTOS BÁSICOS ............................................................................. 17
9. EL ANÁLISIS DE LA VARIANZA ................................................................ 21
9.1. Conceptos Básicos según Fisher ............................................................ 22
ANÁLISIS DE VARIANZA I .................................................................................. 24
1. CARACTERÍSTICAS GENERALES .............................................................. 25
2. ALEATORIZACIÓN Y SIMBOLISMO ......................................................... 26
3. GRADOS DE LIBERTAD ........................................................................... 28
4. SUMA DE CUADRADOS (SC) ................................................................... 29
5. CUADRADOS MEDIOS (CM) ................................................................... 29
6. F. CALCULADA ........................................................................................ 29
7. INFERENCIA ESTADÍSTICA ...................................................................... 30
8. DISEÑO COMPLETAMENTE AL AZAR, CON IGUAL REPETICIÓN POR
TRATAMIENTO ....................................................................................... 30
9. DISEÑO COMPLETAMENTE AL AZAR, CON DESIGUAL REPETICIÓN POR
TRATAMIENTO ....................................................................................... 38
10. COMPARACIONES MULTIPLES ............................................................... 42
viii
10.1. DIFERENCIA MÍNIMA SIGNIFICATIVA..................................................... 42
10.2. Prueba D.M.S. en Diseño Completamente al Azar con r variable ......... 44
10.3. COMPARACIONES MÚLTIPLES DE DUNCAN .......................................... 45
10.4. PRUEBA DE TUKEY ................................................................................. 47
ANÁLISIS DE VARIANZA II ................................................................................. 49
1. CARACTERÍSTICAS GENERALES .............................................................. 50
2. DISEÑO DE BLOQUES GENERALIZADOS ................................................. 56
3. PARCELAS PERDIDAS EN EL DISEÑO DE BLOQUES AL AZAR .................. 63
4. DISEÑO EXPERIMENTAL CUADRADO LATINO ........................................ 64
ANÁLISIS DE VARIANZA III ................................................................................ 74
1. EXPERIMENTOS FACTORIALES ............................................................... 74
2. ANÁLISIS COMBINATORIO Y ALEATORIZACION ..................................... 75
3. INTERACCIÓN ......................................................................................... 77
4. FACTORIAL A x B EN DISEÑO COMPLETAMENTE AL AZAR .................... 79
5. FACTORIAL A x B EN DISEÑO DE BLOQUES COMPLETOS AL AZAR ........ 86
6. FACTORIAL A x B EN DISEÑO CUADRADO LATINO ................................ 92
7. FACTORIALES AGREGADOS .................................................................... 98
8. FACTORIAL A=2 x B=3 + T01, T02 (Dos Testigos) ................................. 100
9. DISEÑO COMPLETAMENTE AL AZAR REPETIDO EN 2 LOCALIDADES ... 102
10. DISEÑO DE BLOQUES AL AZAR REPETIDO............................................ 105
11. DISEÑO IRRESTRICTAMENTE AL AZAR CON MUESTRAS Y REPETICIONES
FIJAS. .................................................................................................... 108
12. DISEÑO COMPLETAMENTE AL AZAR CON REPETICIONES FIJAS Y
MUESTRAS VARIABLES......................................................................... 109
13. DISEÑO BLOQUES COMPLETOS AL AZAR CON MUESTRAS FIJAS......... 110
14. CUADRADO LATINO CON MUESTRAS FIJAS. ........................................ 114
15. FACTORIAL A x B x C EN DISEÑO DE BLOQUES COMPLETOS AL AZAR
Ejemplo: ............................................................................................... 115
ix
16. DISEÑO ESPECIAL DE PARCELAS DIVIDIDAS ......................................... 123
17. PARCELA DIVIDIDA EN DISEÑO COMPLETAMENTE AL AZAR ............... 124
18. DISEÑO PARCELAS DIVIDIDAS EN BLOQUES ........................................ 127
19. DISTRIBUCION DE PARCELAS DIVIDIDAS EN CUADRADO LATINO ....... 129
20. COMPARACIÓN DE GRADOS DE LIBERTAD INDIVIDUALES .................. 134
21. SUPERFICIE DE RESPUESTA; GRADOS DE LIBERTAD INDIVIDUALES:
TRATAMIENTOS IGUALMENTE ESPACIADOS ....................................... 136
22. DISEÑOS CRUZADOS (CROSS-OVER DESING) SIMPLE .......................... 139
23. ANALISIS DE COVARIANZA ................................................................... 141
Tablas Estadísticas ......................................................................................... 147
BIBLIOGRAFIA................................................................................................. 172
x
Raúl Díaz Ocampo
DISEÑOS EXPERIMENTALES
DISEÑOS
1 EXPERIMENTALES
1. ¿QUÉ ES UN DISEÑO EXPERIMENTAL?
Ostle (1965) define a un diseño experimental como la secuencia completa

de pasos que se toman de antemano para asegurar la obtención de datos
apropiados, tales que permitan un análisis objetivo y que conduzca a
deducciones
RESU válidas con respeto al problema establecido.
MEN
En forma más simplificada, se puede decir que un diseño, no es otra cosa
DE planeación anticipada de la forma en que se conducirá el experimento,
que una
paraPRIN
obtener de él la información buscada. El diseño es el arma de trabajo
CIPIO
actual de la investigación. Es el cambio del empirismo a la evaluación.
S
2. DE
¿CUÁL ES LA VENTAJA DE EMPLEAR DISEÑOS EXPERIMENTALES?
DISEÑ
Cuando
OS el desarrollo de la ciencia no alcanzaba todavía la etapa de la
experimentación
EXPE sobre bases estadísticas, no había criterios definidos en la
investigación.
RIME Quien llevaba a cabo un experimento concluía sobre bases muy
subjetivas.
NTAL La interpretación cualitativa estaba en boga.
ES
Con el advenimiento de las técnicas estadísticas el criterio CUALITATIVO ha
ido dando paso al criterio CUANTITATIVO. La Subjetividad ha sido desplazada
por la Objetividad.
Las POR:
ventajas de estos cambios son evidentes:
Ing.
Agr.
1. Hace posible detectar numéricamente diferencias reales o semejanzas
JAIMreales.
E
2. En virtud de que las metodologías particulares de cada diseño están
VERA
BARA perfectamente establecidas, es posible comparar experimentos
HONanálogos.
A M.
Sc
11
Ing.
3. Las inferencias se hacen sobre bases medibles de probabilidad.
4. Los diseños experimentales están enfocados para obtener la máxima

información con un mínimo de costo.
3. MÉTODO CIENTÍFICO
El objetivo de la ciencia es lograr una descripción, explicación y

predicción de los procesos o fenómenos naturales.
Etapas:
a.- Captación de información (observación o experimentación).

b.- Planeamiento de hipótesis que expliquen los hechos.
c.- Por deducción, se determinan que resultados surgen bajo ciertas

condiciones. Si la hipótesis es cierta, estas deducciones constituyen un
nuevo conocimiento.
d.- Verificación de las deducciones mediante nueva observación o
experimentación.
Figura 1. Esquema general del método científico
12
4. CARACTERÍSTICAS DE UN EXPERIMENTO BIEN PLANEADO
Simplicidad.- La selección de tratamientos y la disposición experimental

deberán hacerse del modo más simple posible y deberán ser consistentes con
los objetivos del experimento.
Grado de precisión. -Deberá haber gran posibilidad de que el experimento
sea capaz de medir diferencias de tratamientos con los grados de precisión
deseados por el experimentador. Esto implica un diseño apropiado y con un
número suficiente de repeticiones.
Ausencia de error sistemático. -Debe planearse el experimento para
asegurar que las unidades experimentales que reciban un tratamiento no
difieran sistemáticamente de aquellas que reciben otro tratamiento, de modo
que pueda obtenerse una estimación imparcial de cada efecto de tratamiento.
Rango de calidez de las conclusiones. - Las conclusiones deben tener un
grado de validez tan amplio como sea posible. Un experimento replicado en
tiempo y espacio incrementará el rango de validez de las conclusiones que
podrían sacarse del mismo. Un conjunto factorial de tratamientos es otro
medio para incrementar el rango de validez de un experimento. En un
experimento factorial, los efectos de un factor son evaluados bajo niveles
variantes de un segundo factor.
Cálculo del grado de incertidumbre.- En cualquier experimento existe siempre
algún grado de incertidumbre en cuanto a la validez de las conclusiones. El
experimento deberá ser concebido de modo que resulte posible calcular la
probabilidad de obtener los resultados observados debidos únicamente al azar.
5. EXPERIMENTACIÓN
Fases de la experimentación
Todo investigador tiene una lista tácita de pasos a seguir cuando diseña un
ensayo. En general, esos pasos coinciden con las diferentes etapas
mencionadas al describir el Método Científico.
13
a. Enunciado del problema
b. Formulación de la ó las hipótesis y objetivos
c. Selección del diseño experimental
d. Ejecución del experimento
e. Aplicación de los procedimientos estadísticos a los resultados
f. Interpretación de los resultados
g. Análisis económicos de los mismos (a fin de valorar la conveniencia
práctica de adoptar el tratamiento cuya superioridad ha sido
demostrada experimentalmente)
h. Obtención de conclusiones y recomendaciones
i. Publicación de resultados
6. ELECCIÓN DEL DISEÑO PARA LA CONDUCCIÓN DEL EXPERIMENTO

(Información indispensable previa)
Todo investigador debe seguir por fuerza, una metodología dada en la

conducción de un experimento. Un aspecto muy importante de esa
metodología es el tipo de diseño propuesto. El tipo de información que debe
tenerse en cuenta para la elección de un diseño experimental es:
Objetivos del experimento.
La definición dada sugiere que el investigador debe conocer bien el

problema, así como los objetivos. En algunos casos se persigue comparar
únicamente algunos tratamientos entre sí, concretamente, debe preguntarse:
• ¿Cuáles son los caracteres o variables que van a ser analizados?

¿Cómo se va a medir su efecto?
• ¿Existe uniformidad general con respecto a otros factores?
• ¿Cuál va a ser el procedimiento a seguirse?

14
• ¿En qué forma van a ser analizados los datos?
Resumiendo: los objetivos de la experimentación deben plantearse como

preguntas que pueden ser contestadas, hipótesis sujetas a prueba o efectos a
ser estimados. Los objetivos deben plantearse en forma clara y precisa; a veces
por el exceso de ambición, se incluyen más variables de las que se puede
manejar y posteriormente interpretar; o en la toma de datos, se incluyen más
datos de lo que sería práctico anotar. Por eso se deben clasificar los objetivos
como principales y secundarios.
Características del material experimental.
No siempre el diseño experimental que resulta más apropiado para resolver

un problema con cierto material experimental (plantas agrícolas por ejemplo)
resulta ser el mejor para resolver un problema semejante con otro tipo de
material experimental (ganado, árboles forestales, árboles frutales, granos,
lácteos, cárnicos, frutas, etc.) en este aspecto el investigador, o laboratorista
deben tomar en cuenta lo siguiente.
a. Para un tamaño fijo de muestra. Cuando se trabaja con árboles, las

parcelas experimentales son (por lo general) bastantes más grande que las
parcelas para experimentos agrícolas (a medida que las parcelas son más
grandes, se aumenta la heterogeneidad de los factores físicos o
ambientales), ejemplo el suelo.
b. Siendo que una de las características es la longevidad, los diseños por

emplearse, deben dar margen para efectuar algunas comparaciones o
evaluaciones que no hayan sido planteadas en un principio.
c. Los bosques naturales del Trópico presentan una condición de variabilidad

excepcional. En estas condiciones. El error experimental tiende a ser muy
grande, lo cual reduce la potencia de los diseños clásicos. Si es posible se
aconseja emplear mancomunadamente con los diseños experimentales
alguna técnica que permita reducir el error experimental. Sobre esto el
15
empleo del análisis de covarianza puede redundar en un aumento de
eficiencia del diseño.
Costo del experimento.
Es indudable que la aplicación de ciertos diseños implica mayor costo que la

aplicación de otros.
7. ESTABLECIMIENTO DEL EXPERIMENTO
1. ¿Dónde estableceré mi experimento?

El área experimental escogida, debe reunir la mayor parte de las condiciones
y características de la zona a la cual se quieran aplicar los resultados del
experimento. En otras palabras la muestra debe ser altamente representativa
de la población.
2. ¿De qué tamaño y forma deben ser las parcelas?

La extensión de las parcelas es un problema que está supeditado al tipo de
material experimental con el que se trabaja. Mientras que para evaluar
germinación y/o caracterizar un alimento bastan simples cajas de petri o
pequeñas superficies ya sea en un laboratorio o en de mesas de invernaderos,
por el contrario, en un estudio de ciertas labores silvícolas pueden ser
necesarias varias hectáreas.
No existe un tamaño fijo de parcela porque los objetivos y el material de

experimentación son muy variables. Se sugiere consultar literatura
bibliográfica o científica sobre experimentos similares.
16
3. ¿Cómo debo establecer el experimento en el campo o
laboratorio?
a. Cuando los requerimientos del experimento no exijan otra cosa,

el criterio de instalación del material debe ser fijo. (Ejm. La
modalidad de siembra, numero de cajas Petri, numero de
almendras de determinados cereales o peso por muestras de un
alimento para analizar en laboratorio).
b. El material experimental, al iniciar los trabajos deber ser tan
homogéneo como sea posible. (Ejm. Estratificación de semillas,
plantas, animales, alimentos).
c. Empleo de placas, letreros, etc., es una fase muy importante del
experimento.
d. Una vez establecido el experimento en el campo y/o laboratorio,
debe elaborarse un diagrama, que ubique en forma clara, la
distribución real de los tratamientos y de las repeticiones.
e. La toma de datos debe hacerse en forma consistente.
8. CONCEPTOS BÁSICOS
Tratamientos.
Para el investigador la palabra tratamiento denota diferentes procedimientos o

variables, cuyos efectos van a ser medidos y comparados. En la selección de
tratamientos, es importante definir claramente cada tratamiento y la forma como
el conjunto de ellos va a permitir alcanzar los objetivos del experimento.
En estudios sociológicos y psicológicos, ejemplo: Edad, sexo, grado de

educación, religión, etc.
En la industria, ejemplo: Emisión de piezas defectuosas, temperatura del

agua, duración del lavado, presión etc.
17
En Agronomía y Veterinaria, ejemplo: adaptación de plantas, dosis de
vacunas, dosis de fertilizante, etc.
En Alimentos y Agroindustrias: Materia grasa, extracto seco, actividad de

agua, acidez, características organolépticas, porcentaje de proteína, fibra,
carbohidratos, energía (Kcal), etc.
Testigo o control.
Se usa esta palabra para referirse a un tratamiento sobre el que aparente

no tenemos interés especial, pero que puede ser necesario para demostrar por
comparación que los tratamientos son eficaces. En una prueba de fertilización
se puede aplicar P2 O5: 0, 50, 100 y 150 Kg /ha.; la “dosis” o “nivel” cero,
constituye el testigo o control.
En análisis bromatológicos de alimentos podría considerarse la composición

nutricional de diferentes variedades de fruta fresca (100g), el testigo puede ser
la fruta tradicional.
Unidad experimental.
Se llama unidad experimental a la identidad o unidad material a la cual se

aplica un solo tratamiento (que puede ser una combinación de niveles de
varios factores), dentro de una repetición o bloque del ensayo.
La unidad puede ser una parcela de terreno, un animal, un paciente de un

hospital, una hoja, un árbol, un toro, una maceta, semillas, frutas, queso, , etc.
De cada parcela de terreno debe eliminarse los bordes, ya que sus plantas
están favorecidas por la no competencia (efecto de borde).
18
Figura 2. Esquema del efecto borde en parcelas de T. cacao
La característica general de tales unidades es la de que presenten resultados

diferentes, aun cuando se las somete al mismo tratamiento; estas diferencias
grandes o pequeñas constituyen en parte lo que se llama error experimental,
como se detallará adelante.
Cuadro 1. Tamaño de la unidad experimental en animales.
Tamaño de la Unida
Especie y Categoría
Experimental (animales)
Vacas lecheras 1
Toros de ceba 2– 6
Toros sementales 1
Terneros 1– 4
Cerdos reproductores 1– 4
Sementales (cerdos) 1– 4
Cerdos en ceba 6 – 10
Ponedoras 10 – 20
Pollos de ceba 10 – 20
Reproductoras (aves) 10 – 15
Datos dados en el seminario taller sobre Diseño Experimental sobre animales.
Facilitador Dr. Victor Sotto Agüero (Cubano) en la U.T.E.Q 1998.
19
El número de unidades experimental de penderá de la característica del
material experimental a evaluar en los tratamientos y/o factor, lo importante
es que sea homogéneo o parcialmente homogéneo en la práctica.
Repeticiones.
Se llama repetición, replicación, bloque o reproducción al conjunto básico

de tratamientos dentro del ensayo, lo que en experimentación agrícola van
uno al lado del otro en el terreno, formando un bloque o unidad más o menos
compacto.
Cualquiera que sea la fuente del error experimental, la repetición del

experimento básico disminuye el error, con la condición de que se haya
tomado ciertas precauciones como la randomización (sorteo) a fin de evitar
que ciertos tratamientos resulten favorecidos en una repetición más que en
otra. En esta forma, los errores que afectan, positiva o negativamente a
cualquier tratamiento se equilibran con el aumento en el número de
repeticiones.
La heterogeneidad del suelo es universal, en consecuencia, debe evitarse

para fines de experimentación terrenos de fuerte pendiente, que presenten
erosión, acumulación de materia orgánica, etc.; en lo posible el terreno debe
ser plano.
Las funciones que cumplen las repeticiones son:

a) Estimar el error experimental.
b) Aumentar la precisión del experimento, reduciendo la desviación
típica de media de tratamiento.
c) Incrementar el alcance de las inferencias.
d) Ayuda a controlar el error experimental.
e) Al aumentar el número de repeticiones, la desviación típica de la media y
la desviación típica de la diferencia entre tratamientos disminuye.
Factores que determinan el número de repeticiones.-

a) Precisión requerida
b) Naturaleza del material experimental
c) Diseño empleado
d) Presupuesto
e) Cantidad de semilla
20
f) Tierra disponible
g) Presupuesto
Error experimental.
Los resultados experimentales varían no solo por la acción de los

tratamientos, sino también debido a variaciones ambientales, las que tienden
a enmascarar el efecto de los tratamientos. Para expresar estas variaciones,
generalmente se usa el término “error experimental” en el que “error” no
quiere decir equivocación, sino que incluye todo tipo de variación externa
ajena al material experimental.
Error experimental sería entonces “la medida de la variación que existe

entre las observaciones de unidades experimentales bajo el mismo
tratamiento”, es decir la variación no proveniente de los tratamientos.
Existen dos clases de variaciones: la variación inherente al material

experimental y aquella que proviene de la falta de uniformidad en la
conducción física del experimento.
9. EL ANÁLISIS DE LA VARIANZA
Cuando los tratamientos, factores o motivos de comparación son más de dos,

el empleo de la prueba de t, no puede aplicarse con propiedad. La situación se
complica tanto más cuanto mayor sea el número de tratamientos bajo
comparación. La varianza o cuadrado medio son las más usuales de medir la
variabilidad de una población o muestra. Un método desarrollado por Fisher, en
el año 1920, vino a resolver el problema. Éste método se conoce como el “Análisis
de la Varianza” y es en la actualidad una de las técnicas experimentales o métodos
de análisis más empleado. Ya que significa la suma de los cuadrados de las
desviaciones respecto a la media. Constituye la base de los diseños
experimentales. Donde N-1= grados de libertad =GL.
21
La expresión
Es el cuadrado medio y cuando la población es muy numerosa su valor

prácticamente no se altera si se usa como denominador N-1 , por lo cual se
emplea los términos varianza
La varianza tiene varias propiedades, unas elementales las cuales son:
A. La varianza de una constante es cero

B. La varianza de una constante por una variable es igual al cuadrado de
la constante por la varianza de la variable
C. La varianza de la suma de una suma o de una diferencia de dos o más
variables independientes es igual a la suma de las varianzas de las
variables
D. La varianza se da en unidades cuadráticas para evaluar la variación,

propiedad que es de gran utilidad para medir la variabilidad por el
método análisis de la varianza.
9.1. Conceptos Básicos según Fisher
✓ El principio es simple. Haciendo uso de una porción de una población

(muestra) se establece una comparación de la variabilidad atribuible a un
agente o fuente conocida (tratamiento) contra la variabilidad que se
adscribe al azar. El criterio en la comparación de la variabilidad es una
prueba de F. Para llegar a este punto hay que desarrollar una serie de
pasos que incluyen primero la determinación de los grados de libertad
para cada una de las fuentes de variación involucradas; el cálculo de las
sumas de cuadrados correspondientes; la evaluación de las varianzas y
posteriormente la prueba de significación al comparar el valor calculado
de F con su correspondiente valor tabular.
✓ También se puede decir que el análisis de varianza es un procedimiento

estadístico entre una variable dependiente y una o más variables
independientes, estableciendo una relación entre la variabilidad inducida
22
con la variabilidad que no se puede explicar. Es común presentar esta
secuencia en un cuadro resumen que lógicamente se conoce como “Cuadro
del Análisis de Varianza” que algunos abrevian como:
ESQUEMA DEL ANDEVA
Grados de Suma de Cuadrado
Fuente de
libertad cuadrados Medio F calculada
variación gl SC CM
Tratamientos t-1 SCtr CMtr CMtr/CME
Error t(r-1) SCEE CME
Total tr-1 SCtot
Dónde: t n - 1 = t - 1 + t (n - 1)
tn-1=t-1+tn-t
tn-1=tn-1
SC Total
Trat Error
23
Raúl Díaz Ocampo
ANÁLISIS DE VARIANZA I
¶
2 ANÁLISIS DE
VARIANZA I
The one way classifation (Ordenación Unilateral)
DISEÑO: IRRESTRICTAMENTE AL AZAR

SINÓNIMO: -COMPLETAMENTE AL AZAR
-Completely Random Desing
(Ingles)
-Completamente al ocaso
(Portugués)
MODELO MATEMÁTICO:
Yij = µ + Ti + ∈ij
Yij Es la observación “j-ésima” correspondiente al tratamiento “i-ésimo”

Media de la población
Ti Es el efecto del tratamiento “i-ésimo” sobre la media
∈ij Es un efecto aleatorio (error experimental)
La correcta aplicación del modelo implica ajustarse a algunas suposiciones

básicas:
1º Como se advierte en el modelo, el efecto de los tratamientos es aditivo.

2º La suma de los efectos de todos los tratamientos es igual a cero.
3º Las muestras provienen de poblaciones normales, las que tienen varianzas
idénticas.
4º Los errores (∈’s) están distribuidas normalmente con media cero y una
varianza común.
24
MODELO I O FIJO
De acuerdo al cual, el conjunto de tratamientos estudiados constituye toda

la población y las inferencias obtenidas de los resultados son válidas sólo para
esa población o experimento. La repetición del experimento incluirá el mismo
juego de tratamientos.
MODELO II O AL AZAR
La repetición del experimento incluiría un nuevo juego de tratamientos,

pero de la misma población. Es decir, que los tratamientos estudiados
constituyen una muestra sacada de una gran población y las inferencias
obtenidas se aplican a esta última.
1. CARACTERÍSTICAS GENERALES
Es el diseño más simple y se lo usa cuando las unidades experimentales son

homogéneas, cuando la variación entre ellas es muy pequeña. Tal es el caso de
experimentos de laboratorio, cámaras de crecimiento, invernaderos, criadero
de aves; donde las condiciones ambientales son controlables. Esta es una
prueba con un solo criterio de clasificación equivalente a la prueba no pareada
de t.
VENTAJAS
✓ Es sencillo de planear y calcular.

✓ Con este diseño se puede probar cualquier número de tratamientos (ya
sea niveles de un solo factor o combinación de niveles de varios factores).
El límite está dado por el número de macetas ó unidades experimentales
en general.
✓ No es necesario que el número de tratamientos sea igual al número de
repeticiones.
✓ Se recomienda cuando existe la probabilidad que una parte apreciable de
unidades experimentales se destruyan, ya que no se calcula parcelas
perdidas.
✓ Por no tener muchas restricciones, aumenta el número de grados de
libertad para el error.
25
DESVENTAJAS
✓ No es eficiente con material genético heterogéneo

✓ Puesto que no existen restricciones en cuanto a la randomización, el error
experimental incluye la variación total entre las unidades experimentales
excepto aquella debida a los tratamientos. Es decir cualquier otro diseño es
capaz de estimar el error experimental con mayor grado de precisión.
2. ALEATORIZACIÓN Y SIMBOLISMO
Desde el punto de vista práctico, este diseño se caracteriza porque la

asignación de los tratamientos a las unidades experimentales (parcelas) se
hace totalmente al azar (no hay restricción de ninguna clase). Para
ejemplificar, supóngase que se piensa efectuar un experimento para evaluar
el efecto de cuatro hormonas de enraizamiento en la obtención de clones
de cacao, en un vivero; el número de repeticiones para cada tratamiento
(hormonas) se lo hace igual a tres.
En estas condiciones, el procedimiento consiste en asignar los tratamientos en

forma completamente aleatoria, a las doce unidades experimentales. Se puede
emplear tablas de números aleatorios, o se puede recurrir a la metodología más
simple; como es la de introducir a una urna, fichas numeradas que representan a
cada una de las unidades experimentales. Si existen tres repeticiones por
tratamiento pueden colocarse las fichas en grupos de a tres, de tal forma que cada
color represente a un tratamiento en particular. Por ejemplo, suponiendo que se
opta por emplear colores verde, azul, amarillo y rojo, para designar
respectivamente a los tratamientos: T0, T1, T2, T3. Las parcelas se enumeran en la
forma siguiente:
1 2 3 4 5 6
7 8 9 10 11 12
26
Plano de campo
El orden progresivo en que se extraen las fichas hará referencia a la parcela

de que se trata. Así, si la primera ficha extraída es de color verde, quiere decir
que a la parcela 1 se aplicará el tratamiento T0. Si la segunda ficha es de color
rojo, el tratamiento T3 y así sucesivamente.
Al concluir pudiera presentarse, dentro de una serie de alternativa, la siguiente:
T0 T3 T2 T0 T0 T1
1 2 3 4 5 6
T3 T1 T3 T2 T1 T2
7 8 9 10 11 12
Plano de campo
Con el objeto de ilustrar los procedimientos de cálculo, se recurrirá a un cuadro

ilustrativo. Supóngase que se desea comparar los efectos de cuatro tratamientos
diferentes (T1, T2, T3 T4), con cinco repeticiones por tratamiento.
Repetición Tratamiento
ΣX.j
Número T1 T2 T3 T4
1 X11 X12 X13 X14 X.1
2 X21 X22 X23 X24 X.2
3 . . . . .
4 . . . . .
5 X15 X25 X35 X45 X.5
Xi. X1. X2. X3. X4. X..
Cualquier observación puede representarse por la anotación Xij, donde el
subfijo “i” hace referencia a tratamientos y “j” a repeticiones dentro de
tratamientos.
27
Siguiendo este criterio, X32, es la observación que representa a la segunda
repetición dentro del tratamiento 3.
De la misma forma, X14, se refiere a la cuarta repetición dentro del primer
tratamiento. Dentro de este simbolismo, un punto como subíndice representa una
suma, de manera que X3. esta referida a la suma de todas las repeticiones en el
tratamiento tres; X.2 es la suma de todas los tratamientos en la segunda repetición
y X.. es la suma global de todas las observaciones en el experimento.
3. GRADOS DE LIBERTAD
Como cualquier muestra, los grados de libertad (n-1) de todo el experimento

son iguales al número total de observaciones menos una unidad; esto es: rt-1,
donde r es el número de repeticiones y t el número de tratamientos.
Si suponemos que el peso (g) seco de cinco plantas en un laboratorio

(muestra), es de 5, 4, 3, 2 y 1; la media es 3; la desviación de los números con
respecto a su media [Σ(X1-X)=0] que deben sumar cero, serán:
5 4 3 2 1
2 1 0 -1 -2
Es decir que en esta muestra formada por cinco datos, uno queda fijo (la
restricción viene dada por ) porque ha sido usada como el origen para
las desviaciones. Entonces quedan cuatro valores (cuatro grados de libertad),
que pueden ser comparados en forma independiente con la media. La varianza
de la muestra está dado, entonces, por:
s = Σ(Xi – ) = Suma de cuadrados corregidos

n–1 n-1
28
4. SUMA DE CUADRADOS (SC)
Por computación o
Por
trabajo
definición
Factor de no se
corrección (Fc) ( Σ Y2 ij) 2/r.t calcula
i=1 j=1
S.C. Total Σ Y2 ij – Fc Σ ( Xij- ..) 2

i j
Y2 i
S.C. Trat. Σ r
– Fc Σ ( i.- ..) 2
SC Total - SC
S.C. Error Tratamientos Σ ( Xij- i .)
2
5. CUADRADOS MEDIOS (CM)
El cuadrado medio es la expresión común con que se hace referencia a la

varianza en diseños experimentales. En consecuencia el cuadrado medio de
tratamientos, es el cociente que resulta de dividir la suma de cuadrados de
los tratamientos entre los grados de libertad correspondientes. El mismo
criterio se aplica al cálculo del cuadrado medio del error.
SC Tratamientos
CM Tratamientos =
gl tratamientos
SC. Error
CM. Error= gl Error
6. F. CALCULADA
Finalmente el último cálculo en un análisis de varianza es la obtención del valor

calculado del F. (Fisher 1965). Para ello, en el diseño completamente al azar y
otros, es necesario dividir el cuadrado medio de tratamientos entre el
cuadrado medio del error.
29
CM. Tratamientos
F. calculada=
CM. Error
7. INFERENCIA ESTADÍSTICA
Proceso conocido como método inductivo, consiste en comparar el valor

calculado, con el valor tabular de F (Probabilidad que da la tabla de
distribución de F) al nivel de significación propuesto. Si el valor calculado es
mayor que el tabular, se rechaza la hipótesis nula (H0 = µ 1 = µ2), es decir se
acepta que existe diferencia significativa entre tratamientos (HAµ1 ≠ µ2).
8. DISEÑO COMPLETAMENTE AL AZAR, CON IGUAL REPETICIÓN POR

TRATAMIENTO
Ejemplo:
Una empresa forestal realizó un experimento con el fin de conocer la
cantidad de germinación (número de plantas) resultante de la aplicación de
cuatro métodos de estratificación (A, B, C, D) a las semillas de una especie de
pino.
El área se dividió en 24 unidades (100 semillas) experimentales, y se acordó
aplicar cada tratamiento a seis parcelas, los datos corresponden al número de
plantas que germinarán. ¿Son los resultados obtenidos iguales?
Métodos de Estratificación
A B C D
64 76 58 95
88 70 74 90
72 90 66 80
80 80 60 87
79 75 82 88
71 82 75 85
Σ Yj. 454 473 415 525 1867
Yi. 75.67 78.83 69.17 87.5
30
Cálculos
2 2
1. Factor de corrección (FC) = (ΣΣYij) /r x t = (1867) /6 x 4= 145237.04
2 2 2 2
2. SC. Total= ΣΣY ij – FC= (64) + (88) +..............+ (85) – FC
SC. Total =147439.00 – 145237.04 = 2201.96
✓ gl. Total= t x r – 1= 6 x 4 – 1= 23
2
3. SC. Trat= ΣY i./r – FC = 454 2 +.............+ 525 2 – FC
6
=146282.50 – 145237.04 =1045.46
✓ gl.Trat= t – 1= 4 – 1= 3
4. SC.E.Exp.= SC.Total – SC.Trat= 2201.96 – 1045.46 = 1156.50

✓ gl Error exp= t(r – 1)= 4(6 - 1)= 20
31
Análisis de la varianza (ANDEVA final)
Fuente de Suma de F. F. Tabla

gl CM
Variación cuadrados calculada 5% 1%
Tratamientos 1045.46 3 348.49 6.027 3.10 4.94
Error
1156.50 20 57.82
experimental
Total 2201.96 23
El valor altamente significativo de F calculado, nos permite rechazar la

hipótesis nula, de que hay diferencias entre tratamientos y aceptar la
hipótesis alternativa (Ha); existen diferencias reales entre los métodos de
estratificación. Las comparaciones entre medias de tratamientos nos
permitirán establecer la superioridad estadística de unos métodos sobre
otros, como se verá más adelante.
Niveles de significación = (P≤0,05)
6,02
4,94
En la figura precedente se muestra la distribución de F con 3 y 20 grados de

libertad.
Donde se resalta que la probabilidad de obtener un resultado de F > 6.02 es

bajo, se encuentra en la cola derecha de la distribución (P<0.001),
consecuentemente, se declara a este resultado altamente significativo, que
induce a rechazar la hipótesis nula planteada en el experimento. Se
concluye afirmando que, por lo menos existe una diferencia significativa
entre dos promedios, atribuible al efecto del tratamiento. (Quiroga, 1976.)
32
El coeficiente de variación:
reemplazando:
Utilizando Infostat:
a- Ingresamos los datos en el programa Infostat.
b- Seleccionamos la pestaña “Estadísticas”.
33
c- Escogemos la opción “Análisis de la varianza”.
d- Escogemos las “Variables dependientes”.
34
e- Escogemos las “Variables independientes o Variables de clasificación”.
f- Presionamos “Aceptar”.
35
g- Escogemos la pestaña “Comparaciones”.
h- Seleccionamos el “Método de Comparación” en este caso “Tukey”.
36
i- Presionamos “Aceptar”.
j- Vemos el resultado Obtenido.
37
9. DISEÑO COMPLETAMENTE AL AZAR, CON DESIGUAL REPETICIÓN
POR TRATAMIENTO
Ejemplo:
En un estudio con pollos de engorde se obtuvo el siguiente incremento

promedio en gramos diario por pollos en la fase de crecimiento.
Maíz mutante Maíz original

Nº de pollos Sorgo
Opaco Normal
1 49 34 31
2 30 4 34
3 26 41 28
4 53 19 27
5 27 19 43
6 39 36 24
7 41 29 18
8 38 36
9 33
10 34
11 32
12 39
Σxi. 303 356 205 864.00= x..
xi. 37.88 29.67 29.28
Cálculos
2
1. FC= (ΣΣYij)
2
= (864) / 27= 27648.00
/ni
2
2. SCTotal= ΣΣY ij – FC =
2 2 2
(49) + (30) +................+ (18) –FC
SCTotal = 30338.00 – 27648.00 = 2690.0
2 2 2
3. SCTrat=ΣYi./ri – FC = 303 + 356 + 303 – FC =28041.02 – 27648.00 =393.02
8127
4. SC.E.Exp.= SC.Total – SC.Trat= 2690.00 – 393.02 = 2296.98
38
Fuente de F. F. Tabla
G de L SC CM
Variación calculada 5% 1%
Tratamientos t – 1 2 393.02 196.51 2.05 ns 3.40 5.61
Error
experimental n - t 24 2296.98 95.71
Total n–1 26 2690.00
Decisión.- como FC= 2.05 es menor que F Tabla (α1=3.40 y α2=5.61), se acepta
la Hipótesis nula, es decir no existe diferencia estadística significativa.
ΣΣYij / ni = 864 = 32.0

27
a- Ingresamos los datos en el programa Infostat
39
b- Seleccionamos la pestaña “Estadísticas”.
c- Escogemos la opción “Análisis de la varianza”.
c- Escogemos las “Variables dependientes e independientes llamadas

también clasificación”. Después aceptar
40
d- Escogemos la pestaña “Comparaciones”. 1) Para esto seleccionamos Tukey.
2) Clic en mostrar medias según “TRATAMIENTOS”, 3) La presentación en
lista descendente, 4) Nivel de significación 0.05 y 5) ACEPTAR.
e- Presentación de ANDEVA y prueba DMS Tukey.
41
10. COMPARACIONES MULTIPLES
El análisis de varianza en la prueba de F, hasta su conclusión señala si hubo o no

diferencia significativa entre tratamientos. En el primer caso el investigador
seguramente no quedará conforme con conocer únicamente que los tratamientos
fueron significativamente diferentes entre sí, sino que deseará saber “¿Qué fue
diferente a qué?”. En el ejemplo, existirá interés por determinar por ejemplo, si la
cantidad de germinación fue mayor cuando aplicó el método C que cuando se
aplicó B, o bien si existe diferencia entre el método B y A, o entre los métodos A y
C, o C y D. Esto plantea la necesidad de hacer mención de algunos conceptos
dentro del tema de comparaciones múltiples.
A continuación se presenta algunas comparaciones entre tratamientos, que

tienen como base un principio similar y difieren el grado de estrictez, en cuanto
a declarar mas o menos diferencias significativas entre medias de
tratamientos. De acuerdo a esto se puede decir que en orden de menor a
mayor liberalidad, se puede ordenar a las pruebas más comúnmente usadas
de la manera siguiente:
Diferencia Mínima Significativa (D.M.S.), Duncan, Tukey y Comparaciones

ortogonales.
10.1. DIFERENCIA MÍNIMA SIGNIFICATIVA
El procedimiento en sí, no es más que una sencilla aplicación de la relación de

“t” de Student.
s2 = varianza del error (CM error)

r = número de repeticiones por tratamiento
t =valor de t tabular al nivel escogido de significación. Este valor se
obtiene empleando los gl del error.
42
DESVENTAJAS
a) La D.M.S. no toma en consideración el número de tratamientos dentro de

un experimento, es decir no ofrece protección cuando el número de
medias aumenta a partir de dos. Por su liberalidad, puede darse el caso
que demasiadas medias aparecen como significativas. La D.M.S. da
pruebas correctas cuando se compara dos medias de tratamientos.
b) Se debe usar la D.M.S. cuando el valor F del ANDEVA dé un valor
significativo.
c) En comparaciones individuales se aumenta la probabilidad de cometer
error de tipo I al usar esta prueba.
d) En comparaciones no ortogonales (una media está involucrada en más
de una comparación), puede erróneamente concluirse que existe
mayor información de lo que realmente existe.
VENTAJAS
a) Es un valor fácil de calcular y aplicar.

b) La prueba es válida cuando se planean de antemano las comparaciones,
como cuando se compara cada una de las medias con el testigo:
Ejemplo:
En el ejemplo sobre comparación de métodos de estratificación de semillas

antes visto, asumiendo que el tratamiento C es el Testigo. ¿Existe diferencia de
los otros tratamientos con el testigo?
CMEE = 57.82
R = 6
t tab (glee=20) = 2.086
DMS (0.05) =
=
= 2.086 x 4.39
9.16
43
METODO A vs METODO C DIFERENCIA DMS Ns (no
significativo
75.67 - 69.17 6.50 <9.16
METODO B vs METODO C DIFERENCIA DMS
* significativo
78.83 - 69.17 9.66 >9.16
METODO C vs METODO C DIFERENCIA DMS
* significativo
87.50 - 69.17 18.33 >9.16
10.2. Prueba D.M.S. en Diseño Completamente al Azar con r variable
Tomando como base el ejercicio antes mencionado; CMEE=95.71 Maíz opaco

(X1)=303 r= 8; Maíz normal (X2)= 356 r=12; Sorgo (X3)=205 r=7; gl del error
experimental=24; ttab=2.064
a) Sorgo vs maíz ó
b) Maíz vs maíz
44
10.3. COMPARACIONES MÚLTIPLES DE DUNCAN
Llamado también Prueba de Rangos Múltiples tiene la ventaja de que no se
necesita que el valor de F sea significativo para poder usarla. Es una prueba
más exigente que la D.M.S. y permite comparar todas las medias de los
tratamientos entre sí, sin ninguna restricción. El número de comparaciones se
calcula mediante la fórmula: , si el número de medias es 5: el
número de comparaciones es igual a 10. Los pasos a seguir son los siguientes:
(ver jemplo del numeral 8).
a) Hallar el valor de (desviación estandar de medias)
b) Obtener los valores de los Rangos Mínimos Significativos (R.M.S.). Para

esto se requiere obtener antes los Rangos Significativos de Student
(R.S.S.) de la tabla correspondiente, con grados de libertad del error,
20 en este caso. El valor de p (número de medias que abarca una
comparación cuando estas ordenan también llamado rango) necesario
para entrar a las tablas es de 2, 3 y 4. Los rangos significativos (R.S.S.)
se multiplican por el error estandar de la media para obtener los
“Rangos Mínimos Significativos”.
Estos valores son: (Tabla de Duncan)
Valores de p
(Rango) 1 2 3 4
R.S.S. (5%) 2.95 3.10 3.18
RMS=RSS x 2 9.15 9.61 9.86
1 Surgió de los “intervalos” o sea el número de medias que entran en
juego en cada comparación:

2 R.M.S es el límite a partir del cual la diferencia entre dos medias comienza a
ser significativa.
45
c) Ordene los promedios en forma progresiva
- 8.67 ns 11.83* 18.38* a

- 3.16 ns 9.66* ab
- 6.5 ns bc
- c
Prueba de Duncan con repeticiones variables
Prueba de Duncan
LS=(Dunca
Valores de p 23 n)
Tabla→t 0.05 (RSS) 2.92 3.07 gl= 24 CMEE= 95.71
RMS 9.23 10.99
a)
b)
c)
46
Orden de Mérito
Tratamientos .
Maíz opaco 37.9 a
Maíz normal 29.7 a
Sorgo 29.3 a
10.4. PRUEBA DE TUKEY

Se asemeja a la D.M.S. por tener un solo comparador (W ó Q), aunque es más
estricta que ésta, la fórmula es: , donde:
p= número de promedios (Tabla de Tukey, con gl del error)

= desviación estándar de medias
Ejemplo: (del ejercicio anterior)
CMEE= 57.82
p= 3.96 (Tabla de Tukey con p=4 y glee =20)
W=3.96 x 3.105 = 12.30
Ordenando las medias y estableciendo comparaciones para darle el orden

de mérito a los promedios de los tratamientos:
- 8.67 ns 11.83ns 18.38* a

- 3.16 ns 9.66 ns ab
- 6.5 ns ab
- bb
47
Prueba de Tukey cuando r = variable
De acuerdo con el ejercicio anterior.
CMEE = 95.71
Maíz opaco 303 r=8

Maíz normal 356 r = 12
Sorgo 205 r=7
gl del error= 24
Comparación de Medias con r variable
Prueba de Tukey
Maíz opaco Maíz normal Sorgo
a)
b)
c)
Orden de Mérito
Tratamientos
Maíz opaco 37.9 a
Maíz normal 29.7 a
Sorgo 29.3 a
Comparaciones Ortogonales. Las Comparaciones de grado de libertad indivi-

duales para pruebas planeadas se resumen más adelante.
48
Raúl Díaz Ocampo
ANÁLISIS DE VARIANZA II
ANÁLISIS DE
3 VARIANZA II
CLASIFICACIONES MÚLTIPLES
DISEÑO: EXPERIMENTAL DE BLOQUES AL AZAR

SINÓNIMO: -DISEÑO EXPERIMENTAL DE BLOQUES
COMPLETOS AL AZAR
-Randomized Complete Block Desing (Ingles)
-Blocos ao ocaso (Portugués)
MODELO MATEMÁTICO:
Yij = µ + Ti + pj + ∈ij
El modelo en el cual se basa el análisis nos dice que una observación es el

efecto de una media general (µ), de un tratamiento (Ti) particular; de una
repetición dada o bloque pj y finalmente del azar (∈ij).
Las suposiciones que hay que tener en cuenta para su correcta aplicación son:
1. Los efectos del modelo son aditivos.
2. los errores experimentales son aleatorios, normal e

independientemente distribuidos, con media cero y varianza común
Otras fórmulas: En este diseño, la fórmula para el cálculo del error estándar
muestral ( ) es: con r fija.
El error estándar muestral de la diferencia entre dos medias de tratamiento
( ) con igual número de repeticiones es: . El error
estándar muestral de la diferencia entre dos medias ( ) con r variable:
;
49
1. CARACTERÍSTICAS GENERALES
El procedimiento se caracteriza por agrupar todos los tratamientos dentro
de un común denominador o “bloque” donde se reducen algunas fuentes de
variación ajenas a los tratamientos. Cada bloque, constituye así una repetición
del experimento y los bloques pueden ser diferentes entre sí.
El empleo de éste diseño experimental es particularmente útil, cuando la

variación dentro de un bloque es mínima, como la variación de la gradiente de
fertilidad, ph de un suelo en pendiente; en el caso de animales esto se logra
agrupando por peso, edad, número de partos, origen de los animales, etc.
Matemáticamente, la variación debida a bloques se deduce del error

experimental, haciendo la prueba más sensible que si se empleara el diseño
completamente al azar. En otras palabras, es posible evaluar con más exactitud
el efecto de los tratamientos.
Como ilustración supongamos que se trata de evaluar el efecto de los
tratamientos M, N, O y P. Recurriendo a un diseño con 5 bloques al azar.
Después de la aleatorización, el diseño de campo podría ser:
BLOQUES
De acuerdo con el esquema de campo y a lo antes expuesto, la variabilidad

entre bloques no afecta a las diferencias entre medias de tratamientos, ya que
en cada bloque aparece una vez cada tratamiento, o sea que bloques y
tratamientos son ortogonales.
Es importante tener en cuenta que durante el curso del experimento, todas las
parcelas dentro del bloque, deberán ser tratadas o manejadas en igual forma,
50
excepto la aplicación de los tratamientos cuyo efecto se trata de medir. Si no fuera
así, estaríamos introduciendo fuentes adicionales de variación cuyo efecto sería
imposible de medir, enmascarando el efecto de tratamientos en estudio. Los
tratamientos deben ser randomizados dentro de cada repetición.
DESVENTAJA
El diseño tiene una desventaja importante; cuando el número de tratamientos

es muy grande, la superficie del bloque aumenta y también la variabilidad
dentro del mismo. Esto trae como consecuencia que el término del error
resulta muy grande, que es precisamente lo que se pretende reducir
empleando los bloques.
Esquema del Andeva
Fuente de Suma de Cuadrados

G de L
Variación computación Por definición
Tratamientos t–1 Σ X2i./r-FC 1
Bloques r-1 Σ X2.j/t-FC

Error SCtot-SCtrat-
experimental (t – 1)( r – 1) SCbloque
Total tr - 1 ΣΣ X2ij-FC
1 Fc = (ΣΣ Xij) 2/ t x r
51
Ejemplo:
Rendimiento del forraje seco (heno) en Kg. por parcela útil de cuatro variedades
de sorgo con una distribución en bloques al azar y cinco repeticiones.
Bloques
Variedad ΣYi.
I II III IV V
Honey 32.3 34.0 34.3 35.0 36.5 172.1
Milk 33.3 33.0 36.3 36.8 34.5 173.9
Silo King 30.8 34.3 35.3 32.3 35.8 168.5
Beef Builder 29.3 26.0 29.8 28.0 28.8 141.9
ΣY.j 125.7 127.3 135.7 132.1 135.6 656.4
Cálculos:
1. FC = (ΣtiΣrjYij) 2/ t x r = (656.4) 2 / 4 x 5 = 21543.05
2. SCtot = Σ Σ X2 – FC = 32.32+ ..........+ 28.82 – FC = 21725.22 – 21543.05 =182.17

✓ gltotal= tr – 1 = 4 x 5 – 1 = 19
3. SCbloque = Σ Y2.j/t – FC = 125.72+..........+135.62– FC =

= 21564.51 – 21543.05 = 21.46
✓ glbloque= r – 1 = 5 – 1 = 4
4. SCvariedad = ΣY2i./r – FC = 172.12+...........+141.92 - FC =

5
= 21677.50 – 21543.05 = 134.44
✓ glvariedad= t – 1 = 4 – 1 = 3
5. SCerror = SCtot – (SCtrat + SCbloque) = 182.17 – (134.44 + 21.46 ) =

26.27
✓ glerror= (t – 1)( r – 1) = (4 – 1)(5 – 1) = 12
52
Fuente de F. Tabla
G de L SC CM F. calculada
Variación 5% 1%
Tratamientos 3 134.44 41.88 20.46** 3.50 5.95
Bloques 4 21.46 5.37 2.45
Error
12 26.27 2.19
experimental
Total 19 182.17
53
a- Seleccionamos la pestaña “Estadísticas”.
b- Escogemos la opción “Análisis de la varianza”
c- Escogemos las “Variables dependientes y clasificación”. Presionamos

aceptar
54
d- Escogemos la pestaña “Comparaciones”.
e- Seleccionamos el “Método de Comparación” en este caso “Tukey” y en

Mostrar medias según “TRATAMIENTO”.1) Elegimos el método de
comparación Tukey, 2) Mostrar medias en Variedad, 3) Presentar los
resultados descendentes, 4) Nivel de significación 0.05, 5) Aceptar.
55
f- Resultados del ANDEVA y la Prueba DMS Tukey.
2. DISEÑO DE BLOQUES GENERALIZADOS
Cuando existe más de una unidad experimental por tratamiento en un

bloque, el experimento cumple con las condiciones para emplear un diseño de
bloques al azar generalizado.
Cuando cada uno de los tratamientos aparece con un número diferente de
repeticiones por bloque se denomina bloque al azar con un número no
proporcional de subclase.
En los bloques al azar generalizados la posibilidad de una interacción de
bloques por tratamiento debe presentarse como una hipótesis. (Steel y Torrie,
1985)
56
Modelo estadístico y análisis de varianza.
El modelo estadístico para un diseño de bloques generalizados es:
Yijk = µ + ti + bj + tbij + Eijk

Dónde:
Yijk= El modelo total de una observación
µ= Media general
ti= El efecto “i-esimo” del tratamiento
bj= El efecto “j-esimo” del bloque
tbij= Es la interacción bloque x tratamiento
Eijk= Error Experimental o aleatorio
Ejemplo:
Registro de peso fresco de hojas de cacao (g.) en tres variedades de

cacao con una distribución de bloques al azar generalizados y cuatro
repeticiones.
Tratamientos Ȳ.j.
Bloque Variedad Variedad Variedad ƩY.j
Trinitario Nacional Forastero
4 3 2
1 3.5 4 2 19 3.16
3 5 2
5 6 4
2 4.5 5 4 27 4.50
4 4 4
7 7 8
3 6.5 5 7 37 6.16
6 3 6
8 7 7
4 6.0 5 5 32 5.33
4 3 3
•Yι. 41 38 36 115 Ȳ..= 4.79
Ȳij. 5.12 4.75 4.50
57
n=
t= 1,2,3...i b= 1,2,3,4….j 1,2
Cálculos:
1. FC = (GT)2/ t.b.n ; (115)2/3.4.2 = 551,04

2. SCtot = ƩƩY2ij – FC ; 42+ 32+…....+ 32 – FC = 79,96
3. SCbloq = ƩY2.j/t x n – FC ; 192+…....+ 322/3x2 – FC = 29,46
4. SCtrat = ƩY2i./b x n – FC ; 412+…...+ 362/4x2 – FC = 1,58
5. SCtrat x bloque = (ƩƩY2ij./n – FC) – SCtrat – SCbloq ;
(72+….+10 2/2 – FC) – 1,58 –29,46 = ; (1183/2 – 551,04) – 1,58 – 29,46=
9,42 9,42
6. SCEE = – SCtrat – SCbloq – SCtrat x bloq ; 79,96 – 1,58 – 29,46 – 9,42=
SCtot 39,50
Fuente de F. Critico
Variación 5% 1%
Tratamientos t-1 2 1.58 0,79 0,24 3,89 6,93
Bloques n-1 3
29,46 9,82 2,98 3,49 5,95
Trat x Bloque (t-1)(r-1) 6
9,42 1.57 0,48 3,00 4,82
Error Exp. t.b (n-1) 12 3,29
39,50
Total t.b.n-1 23
79,96
No se encontró diferencia estadística significativa para los tratamientos,

bloques, interacción tratamientos x bloques, por lo que se acepta la hipótesis
nula (H0).
58
59
b- Seleccionamos la pestaña “Estadísticas”
60
c- Selección de variables dependientes y de clasificación
d- Agregar interacciones
61
e- Agregar comparaciones. 1) prueba DMS Tukey, 2)Mostrar medias de
tratamientos, 3) Presentación descendente, 4) Nivel de significación
0.05, 5) Aceptar.
f) Ver Resultados
62
3. PARCELAS PERDIDAS EN EL DISEÑO DE BLOQUES AL AZAR
En ocasiones faltan, o son inútiles, datos de ciertas unidades, como cuando

un animal se enferma o muere, pero no a consecuencia del tratamiento, o
cuando animales destruyen una parcela en el terreno, etc. Un método
desarrollado por Yates, citado por Steel Torrie para estimar tales datos
faltantes. Una estimación de una valor faltante no proporciona información
adicional al experimento, solo facilita el análisis de los datos faltantes.
En el caso de faltar un valor, el cálculo de la estimación viene dado por:
Y = rB + tT – G donde
(r – 1)(t – 1)
r = número de bloques
t = número de tratamientos
B = total de las observaciones restantes en el bloque que contiene la unidad
faltante
T = total de las observaciones restantes en el tratamiento que contiene la
unidad faltante
G= total global o gran total
Cuando son dos ó más las unidades faltantes, lo que se hace es suponer valores
para todos, excepto una de ellas a la cual se aplica la fórmula. Esta se vuelve a
aplicar después empleando los valores calculados en vez de los supuestos, en cada
caso, tantas veces como sea necesario hasta que no haya diferencia entre los
valores calculados en forma consecutiva para cada unidad.
Es importante señalar que por cada unidad faltante debe deducirse un

grado de libertad del error y otro del total.
glerror= (t – 1)( r – 1) – 1; gltotal= (tr – 1) – 1
El error estandar de la diferencia entre medias en D.B.A. con parcela perdida

es:
63
4. DISEÑO EXPERIMENTAL CUADRADO LATINO
DISEÑO: CUADRADO LATINO

SINÓNIMO: GRECO LATINO
-Latin square design (Ingles)
-Quadrado latino (Portugués)
CARACTERÍSTICAS GENERALES
Este diseño al igual que el de Bloques al azar, es uno de los más empleados
en experimentación agrícola, forestal, pecuaria y ciencias sociales. Esto se
debe en parte a que es de fácil aplicación. Su establecimiento es relativamente
fácil y el análisis de las observaciones no presenta en general dificultades de
consideración.
Su nombre obedece, a que se trata de un cuadrado (aunque no
necesariamente) en el cual el número de tratamientos se hace igual al número
de hileras o filas y de columnas.
Sorteo
Así se trata de comparar los tratamientos (dietas) A, B, C, y D, el diseño
definitivo podría quedar así:
4 dietas
1. Sorteo aleatorio 2. Sorteo de columnas

I II III IV III I IV II
1 A B C D C A D B
2 B C D A D B A C
3 C D A B A C B D
4 D A B C B D C A
64
3. Sorteo de filas (definitivo) 4. Pesos
3 C D A B Camada I II III IV
1 A B C D 1 C D A B
4 D A B C 2 A B C D
2 B C D A 3 D A B C
4 B C D A
Ejemplo: Cuando se estudia dietas alimenticias con diferentes camadas de

cerdos y con pesos diferentes en Cuadrado Latino. Letras= tratamientos.
Cada tratamiento, como se observa, aparece una vez en una hilera y una vez
en una columna. Los tratamientos deben asignarse al azar en cada hilera y en
cada columna. El fundamento del diseño consiste en aislar estadísticamente la
variación atribuible a las hileras y a las columnas de la variación total. Por este
motivo se procura que las hileras y columnas incluyan alguna fuente
importante de variación.
Así por ejemplo en un experimento forestal localizado en un área con cierta
pendiente, en la que se hayan efectuado cultivos agrícolas en surcos
transversales al sentido de la pendiente, será conveniente emplear un cuadro
latino. Si las hileras del diseño se ubican paralelas al surcado, sería posible
eliminar la variación atribuible a éste factor, y al quedar las columnas paralelas
a la pendiente, también se lograría separar el análisis, la variación atribuible a
la topografía del terreno.
También puede suceder que en el ejemplo anterior la topografía fuera muy
accidentada y que no se presentara el caso del surcado mencionado. Es decir,
existiría una gradiente en una sola dirección. Si se tratara de cinco
tratamientos, el diseño de campo podría ser:
Ahora los bloques pueden considerarse como hileras y la ubicación de los

tratamientos dentro de un bloque, como columnas.
Las hileras y columnas no necesariamente deben ser algunas características que
impliquen alguna forma de heterogeneidad para el material experimental como
65
sería el caso del drenaje, tipo de suelo, textura, fertilidad, etc. También puede ser
alguna forma de tratamiento. Por ejemplo si se tratara de comparar
el desarrollo de 3 especies de café, 3 espaciamientos podrían hacer las veces de

hileras y 3 intensidades o métodos de podas fungirán como columnas. En este
punto es preciso subrayar un requisito indispensable para la validez del diseño:
“No debe existir interacción entre las hileras, columnas y
tratamientos”.
La principal desventaja del cuadrado latino es que el número de filas,
columnas y tratamientos deben ser iguales. Si hay muchos tratamientos, el
número de parcelas pronto se hace impráctico. Los cuadrados más
empleados van de 5x5 hasta 8x8.
66
Modelo matemático: :
Yij = + ϒi + δj + τk + Єijk
Los efectos son aditivos, su suma es cero. Los errores están normalmente
distribuidos con media igual cero y varianza igual a 2. también es evidente
que el modelo no da cabida a ningún tipo de interacciones.
Fuente
de Suma de Cuadrados
Variació G de L
n operación definición
Hileras r–1 Σ Y2 i./r - FC 1 *
Columnas r-1 Σ Y2.j/r - FC

Tratamient
o r–1 Σ X2k/r - FC
Error (r – 1)(r – 2) SCtot-SCh-SCc-SCtrat
Total r2 - 1 ΣΣ X2 ij - FC
1 *FC=(ΣΣXij) 2 /r 2 = (x..)
2 /r2
67
Ejemplo:
En un experimento en Nicaragua con el cultivo del tomate, se estudiaron
cuatro dosis de fertilizantes nitrogenados (0, 50, 100 y 150), para conocer su
efecto sobre el rendimiento. Para ello se utilizó un diseño de cuadrado latino
obteniendo los siguientes rendimientos en Kg/por parcela.
xi.
N2 N3 N4 N1
IV
10.6 12.5 18.6 14.5 56.2
N3 N4 N1 N2
III
17.7 18.5 10.2 14.3 60.6
N1 N2 N3 N4
II
11.1 13.1 18.2 21.3 63.7
N4 N1 N2 N3
I
23.5 9.8 12.9 16.4 62.6
x.j 62.8 53.9 59.9 66.5 243.1
Trat. I II III IV x
N1 9.8 11.1 10.2 14.5 45.6 11.40
N2 12.9 13.1 14.3 10.6 50.9 12.72
N3 16.4 18.2 17.6 12.5 64.7 16.17
N4 23.5 21.3 18.5 18.6 81.9 20.4
Cálculos:
1.
68
2. SCtotal =ΣΣ X2ij-FC = 9.82+11.12+......+ 18.62 – FC = 3948.77 – 3693.60
=255.17 ✓ gl total = r2 –1= 42 – 1 = 15
3. SCtrat = ΣX2t /r – FC = 45.62+..........+81.92– FC = 3890.96 – 3693.60 = 197.36

4
✓ gl trat= r – 1 = 4 – 1 = 3
4. SCcolumnas=ΣX2i /r –FC= 62.62+..........+56.22– FC = 3714.82 – 3693.60 =

21.22
4
✓ gl col = r – 1 = 4 – 1 = 3
5. SCfilas = ΣX2.j/r –FC= 62.82+..........+66.52– FC = 3701.81 – 3693.60 = 8.21

4
✓ gl filas= r – 1 = 4 – 1 = 3
6. SCerror = SCtot – SCcol – SCfilas – SCtrat = 255.17 –197.36 –21.22 – 8.21
= 28.38 ✓ glerror= (r – 1)( r – 2) = (4 – 1)(4 – 2) = 6
Fuente de F. Tabla
Variación 5% 1%
Tratamientos 3 197.36 65.78 13.90** 4.76 9.78
Columnas 3 21.22 7.07 1.49 ns
Filas 3 8.21 2.73 0.57 ns
Error experi-
6 28.38 4.73
mental
Total 15 255.17
Inferencia:
69
Como el valor de F calculada se rechaza
la hipótesis nula (Ho) y se acepta la hipótesis alternativa (HA), es decir existe
diferencia altamente significativa.
Datos faltantes en el Diseño cuadrado latino :
X = r (H + C + T) – 2G donde:
(r-1)(r-2)
r= número de hileras = columnas = tratamiento
H= total de las observaciones restantes en la hilera que contiene la unidad
faltante
C= total de las observaciones restantes en la columna que contiene la
unidad faltante
total de las observaciones restantes en el tratamiento que
T= contiene la
unidad faltante
70
G= total global de todas las unidades en el experimento
glerror= (r-1)(r-2) - 1 gltotalr= (r2-1) - 1
b-Seleccionamos la pestaña “Estadísticas”
71
c- Seleccionanos las variables dependientes y de clasificación
d- Agregar comparaciones. 1) prueba DMS Tukey, 2) Mostrar medias de

tratamientos, 3) Presentación descendente, 4) Nivel de significación 0.05,
5) Aceptar.
72
f) Ver Resultados
73
Raúl Díaz Ocampo
ANÁLISIS DE VARIANZA III

ANÁLISIS DE
4 VARIANZA III
1. EXPERIMENTOS FACTORIALES
Los experimentos factoriales pueden considerarse como una de las
contribuciones más importantes de la estadística a la experimentación
biológica. Su empleo es ilimitado en la agricultura, ciencias pecuarias y en la
investigación dasonómica en varios países.
Los experimentos factoriales, no son propiamente un diseño experimental. Se

trata de una técnica, que se vale de algunos de los diseños clásicos (D.I.A. D.B.A. y
CL) para recabar información adicional que puede ser de gran utilidad para el
investigador. El aspecto más sobresaliente de ésta información es el conocimiento
del valor de las interacciones, como se verá más adelante.
Aspectos básicos
Un factor es la clase de tratamiento (letra mayúscula) el mismo que
proporcionará varios tratamientos. Por ejemplo, si la dieta es un factor en un
experimento, entonces se empleará varias dietas. Si la temperatura de
horneado es un factor, entonces el horneado se hará a varias temperaturas.
Se puede plantear un experimento con dos factores en los que los

tratamientos consisten en todas las combinaciones entre las variedades y los
espaciamientos elegidos de los surcos, esto es, cada variedad se encuentra
presente en todos los espaciamientos de surcos. En un experimento de un solo
factor todas las variedades se plantarán a solo un espaciamientos de un surco.
En suelos, puede diseñarse con experimento para comparar todas las
combinaciones de varios niveles de fertilizantes de fósforo y potasio. En un
experimento de nutrición animal, los factores en consideración pueden ser las
cantidades y clases de suplementos de las proteínas.
74
El término nivel (letra minúscula) se refiere a los diferentes tratamientos dentro
de un factor . Los mismos que se derivan de alguno de los primeros experimentos
factoriales. Así si se comparan 5 variedades de un cultivo, usando 3 diferentes
prácticas de manejo, el experimento se llama experimento factorial 5 x 3, con cinco
niveles del factor variedad y tres niveles del factor manejo.
Los dos factores se estudian

Bifactorial propiamente con el mismo nivel de
dicho precisión
Bifactorial
Distribución especial de Los dos factores se estudian
parcelas divididas con diferentes niveles de
precisión
Los experimentos factoriales en general son de gran valor en trabajos

exploratorios, cuando se sabe poco sobre niveles óptimos de los factores, o ni
siquiera cuales son importantes. Como el caso de un cultivo nuevo para el cual
se dispone de algunas variedades promisorias, pero se sabe poco respecto a la
fecha y densidad de siembra adecuada.
2. ANÁLISIS COMBINATORIO Y ALEATORIZACION

Ejemplo:
Supongamos que se desea efectuar un experimento factorial 3 x 2 con tres
repeticiones. Llamando A al primer factor, por lo que sus niveles serían a0, a1,
a2. Si el segundo factor se representa por B sus niveles serían: b0 y b1. Las
combinaciones de los niveles de cada factor arroja 6 tratamientos de
experimento que son: a0b0, a0b1, a1b0, a1b1, a2b0 y a2b1.
75
Aleatorización (plano de campo)
A. Un diseño completamente al azar
a2b0 a1b1 a0b0 a1b0 a2b0 a0b1

1
3 14 15 16 17 18

1
2 11 10 9 8 7

1 2 3 4 5 6
Plano de campo
B. Un diseño de bloques al azar

a2b a1b
a1b1 a0b0 a2b1 a0b1 0 0 I
1 2 3 4 5 6
a1b a1b
a0b1 a2b0 a0b0 a2b1 0 1 II
7 8 9 10 11 12
a0b a0b
a1b1 a2b1 a1b0 a2b1 0 1 III
1
13 4 15 16 17 18
Plano de campo
C. Un diseño cuadrado latino
A B C D E F Tratamientos
1 7 13 19 25 31 a0b0=A
B C D E F A
2 8 14 20 26 32 a0b1=B
C D E F A B
3 9 15 21 27 33 a1b0=C
D E F A B C
4 10 16 22 28 34 a1b1=D
E F A B C D
76
5 11 17 23 29 35 a2b0=E
F A B C D E
6 12 18 24 30 36 a2b1=F
3. INTERACCIÓN
Una de las ventajas de los arreglos factoriales es que se obtiene mayor
información, porque amenora el espacio y tiempo en el proceso de la
investigación con experimentación, con respecto a los diseño básicos sobre
todo en áreas o zonas nuevas.
Este término (interacción) significa la acción conjunta de dos o más factores, o
la modificación del efecto de un factor por la acción del efecto de otro o más
factores. Los efectos pueden ser aditivos, multiplicativos o interactivos.
Caso A
Ejemplo: Kilogramos de granos promedio por parcela útil de un factorial A con
dos variedades x B dos densidades de siembra.
Densidad
Variedad b1 b2 Respuesta
100 120
a1 15 35 efecto simple 1
+20
diferencia=0
a2 5 25
20 +20-(+20)=0
-10 -10 Representación gráfica de
-10 - (-10)=0 las líneas de tendencia.
Cuando la diferencia de dos diferencias es cero (puede estimar a cero), se

dice que los efectos de los dos factores (ver figura) son aditivos o los factores
son independientes (NS); las líneas de tendencia son paralelas. En el ejemplo,
se coincluye que las variedades se comportan de manera similar en densidades
diferentes; las dos incrementan su producción al aumentar la densidad de la
siembra.
1½ el promedio de los efectos simple toma el nombre de efectos principales.
77
Caso B
Ejemplo: Kilogramos de granos por parcela útil.
Varieda Densidad
d b1 b2 Respuesta
100 120
a1 35 5 -30
a2 5 35 30 -30-(+30)=-60
-30 30
-30
- (+30)-60 Gráfico de líneas de tendencias
Cuando la diferencia de dos diferencias es un número negativo, se dice que

los factores no son independientes y la densidad de siembra está relacionada
o depende de la variedad. En estos casos se dice que los efectos son
interactivos (o multiplicativos). En el ejemplo, las variedades se comportan de
modo diferente en densidades distintas, este caso se ajusta a la interacción
genotipo por ambiente en los seres vivos.
Caso C
Ejemplo: Kilogramos de granos promedio

por parcela útil.
Densidad
Variedad b1 b2 Respuesta
100 120
a1 10 40 +30
a2 5 15 +1030-(+20)=20
Gráfico de la interacción por la
magnitud de la respuesta
-5 -25
-5 - (-25)=20
78
Los datos de líneas de tendencia de la figura señalan que la diferencia de dos
deferencias no es cero; luego los datos sugieren efectos interactivos (efecto
interactivo por la magnitud de la respuesta); las dos variedades aumentan la
producción al incrementar la densidad se siembra, pero a1 aumenta más que a2.
El estudio de la variación señalará si la diferencia es significativa o no.
4. FACTORIAL A x B EN DISEÑO COMPLETAMENTE AL AZAR

Partiendo de la base de dos factores A y B en el experimento, con r unidades
experimentales por tratamiento:
Modelo matemático: :
Yijk = + i + j +( . ) ij + Єijk
= es el efecto de la media
i= es un efecto del nivel “i-ésimo” del factor A
j= es un efecto del nivel “jota-ésimo” del factor B
( . ) ij= es un efecto debido a la interacción del “i-ésimo” nivel del
factor A con el “jota-ésimo” nivel del factor B
Єijk= es un efecto aleatorio
Ejercicio:
En una granja experimental se planificó un experimento con arreglo
factorial. Se utilizaron dos sistemas de alojamiento(A) y tres niveles de proteína
(B) en la ceba de pollos. El diseño experimental fue el Irrestrictamente al azar
con cuatro observaciones (repeticiones), los datos corresponden a Kg/animal.
79
Resumen de datos de campo
B(niveles de proteínas)
A(alojamiento) Total de A
b1 b2 b3
a1 2.27 2.36 2.23
2.23 2.36 2.25
2.18 2.31 2.28
2.93 2.30 2.15
Subtotal 9.61 9.33 8.91 27.85
a2 2.28 2.19 2.36
2.28 2.24 2.34
2.32 2.23 2.25
2.36 2.22 2.30
Subtotal 9.24 8.88 9.25 27.37
Total de B 18.85 18.21 18.86 55.22
B(niveles de
proteínas)
Factor Ya
nivel 1 2 3
A=alojamiento a1 9.61 9.33 8.91 27.85
a2 9.24 8.88 9.25 27.37
Yb 18.85 18.21 18.16 55.22
Y..
Cálculos
Y
1.
2. SCtotal = Y2ij –FC = 2.272+ ........+ 2.302 – FC = 127.55 – 127.05 = 0.4962

✓ gltotal = abr – 1 = 2 x 3 x 4 – 1 = 23
3. SCA (alojamiento) = Y2/br – FC = 27.852+27.372– FC = 127.06 –127.05 = 0.0

3x4
✓ glaloj = a – 1 = 2 – 1 = 1
80
2 2 2
4. SCB (proteína) = Y2b/ar –FC= 18.85 +18.21 +18.16 –FC= 127.09 + 127.05 =
0.03
2x4
✓ glprot(b) = b – 1 = 3 – 1 = 2
5. SC (tratamiento) = Y2ij/r –FC= 9.612+.........+9.252 –FC= 127.15 + 127.05 =

0.096
4
✓ gltratamiento = ab – 1 = 2 x 3 – 1 = 5
6. SC A x B = SC trat – SCA – SCB = 0.096 – 0.01 – 0.039 = 0.047

✓ glA X B = (a – 1)(b – 1) = (2 – 1) (3 – 1) = 2
7. SC error exp= SCtot –SCA –SCB –SCA x B = 0.4962 – 0.01 – 0.039 – 0.047 =
0.394
✓ glerror = ab(r – 1) = 2 x 3(4 – 1) = 18
F. Tabla
Fuente de Variación G de L SC CM F. calculada
5% 1%
Tratamientos 5 (0.096) 0.019 0.904 ns 2.77
Alojamiento (A) 1 0.010 0.010 0.476 ns 4.41
Proteína (B) 2 0.039 0.0195 0.928 ns 3.35
AxB 2 0.047 0.0235 1.11 ns 3.35
Error experimental 18 0.394 0.021
Total 23 0.490
81
Resultado de los efectos principales en el estudio de los sistemas de
alojamiento (A) y tres niveles de proteína (B) en Kg.
Factor A Promedio (Ȳ)
a1 Extensivo 2.32 a
A= Alojamientos
a2 Intensivo 2.28 a
Tukey (p<0,05) 0.119
0.04
Factor B Promedio (Ȳ)

b1 18.00 2.35 a *
B= Proteina (%) b2 18.50 2.28 a
b3 19.00 2.27 a
Tukey (p<0,05) 0,144
0,04
Tratamientos y/o
interacción
a1b1= 2.40 a
a1b2= 2.33 a
a2b1= 2.31 a
a2b3= 2.31 a
a1b3= 2.23 a
a2b2= 2.22 a
Tukey (p<0,05) 0,314
= 0,07
*Los promedios con letras iguales no difieren estadísticamente según la

prueba de Tukey al 5% probabilidad.
82
b-Ingresamos los datos en el programa Infostat.
83
c- Seleccionamos la pestaña “Estadísticas”
e- Selecciónanos las variables dependientes y de clasificación
f- Agregar interacciones.
84
g- En comparaciones: 1) prueba DMS Tukey, 2) Mostrar medias de
interacción 3) Presentación descendente, 4) Nivel de significación 0.05,
5) Aceptar.
f) Ver Resultados
85
5. FACTORIAL A x B EN DISEÑO DE BLOQUES COMPLETOS AL AZAR
Modelo matemático:
Yijk = + i + j +( . ) ij + + Єijk
= efecto “ k-ésimo” de los bloques
Ejercicio:
Producción en Tn/ha, de un experimento factorial de fertilización con N y P
en caña, en un Diseño de Bloques completos al azar con cinco repeticiones.
Resumen de datos de campo

Tratamientos
Bloques •Yi.
00 01 10 11
I 1.00 3.20 1.50 3.80 9.50
II 1.60 4.50 2.30 5.00 13.40
III 1.20 5.60 1.10 6.00 13.90
IV 1.30 5.50 1.40 6.20 14.40
V 1.30 4.40 1.60 4.80 12.10
•Y.j 6.40 23.20 7.90 25.80 ••Xij =X..
63.30
•Yi. 1.28 1.58 4.64 5.16
Y..= 63.30 = 3.165
2x2x5
N 0 x P 0 = 0 0 1 0
1 1 0 1 1 1
Cálculos
1. FC = ( Yij ) 2 / abr = (63.30) 2/20 = 200.34
2. SCtotal = Y2ij – Fc = 1.02 + ……+ 4.82 – FC = 270.03 – 200.34 = 69.69

✓ gltotal= abr – 1 = 2 x 2 x 5 – 1 = 19
3. SC(trata) = Y2i. /r – FC = 6.402+……+ 25.802/5 – FC = 261.45 – 200.34 = 61.11

✓ gltrata = a x b - 1 = 2 x 2 – 3 = 1
86
4. SC(bloques) = Y2.j /ar –FC= 9.502+.…+12.102/2 x 2 – FC =204.19 –200.34= 3.86
glbloques = r - 1 = 5 –1 = 4
5. SC error exp= SCtot –SCtrat –SCbloque = 69.69 – 61.11 – 3.86 = 69.69 – 64.93 = 4.73
✓ glerror= ab (n – 1) = (4 –1)(5 – 1) = 12
6. Elaboración de Tabla de doble entrada

p0 p1 n 25
n0 6.40 23.20 29.60
Tn/h
20
n1 7.90 25.80 33.70
a
15
p 14.30 49.00 63.30 10
7. SCnitrógeno = Y2n /br – FC = 0
2 2 Representación de
la línea de tendencia
=201.185- 200.34 =0.845
✓ glnitrógeno= a – 1 = 2 – 1 = 1.0
8. SCfósforo = Y2P /ar – FC = 14.302+ 49.02/2 x 5- FC = 260.549 – 200.34 =60.209

✓ glfósforo= b – 1 = 2 – 1 = 1.0
9. SC N xP = SCtrat – SCN – SCP = 61.11 – 0.845 – 60.20 =0.060

✓ Gl N xP = (a - 1)(b - 1)= (2-1)(2-1)= 1.0
F. Tabla
5% 1%
Bloques 4 3.86 0.965 2.45 * 3.26 5.41
Tratamientos 3 (61.11) 20.37 51.70 ** 3.49 5.95
Nitrógeno (N) 1 0.845 0.84 2.13 ns 4.75 9.33

Fósforo (P) 1 60.209 60.20 152.79 **
NxP 1 0.060 0.060 0.152 ns
Error experimental 12 4.73 0.394
Total 19 69.79
87
88
d- Ingresamos los datos en el programa Infostat.
e- Seleccionamos la pestaña “Estadísticas” y Análisis de varianza
89
h- Selecciónanos las variables dependientes y de clasificación
i- Agregar interacciones.
90
j- En comparaciones: 1) prueba DMS Tukey, 2) Mostrar medias para efectos
simples de factor N y P y la interacción “Tratamientos” 3) Presentación
descendente, 4) Nivel de significación 0.05, 5) Aceptar.
f) Ver Resultados
91
6. FACTORIAL A x B EN DISEÑO CUADRADO LATINO
Modelo matemático:
Yij = + ϒi + j + k+ l +( . ) kl + Єijkl
co
hil l A B
h= c = t = ab = r
Yij = Modelo total de una observación

= Medida de la población
ϒ i= Efecto “i-esimo” de las hileras
j = Efecto “j-esimo” de las columnas
k = Efecto “k-esimo” de los niveles del factor A
l= Efecto “l-esimo” de los niveles del factor B
( . ) kl= Efecto de los niveles del factor A por los niveles del factor
B Єijkl= Efecto aleatorio (Error experimental)
Ejemplo:
En una hacienda se realizó un experimento para ver el efecto de métodos de

ordeño (factor A) por razas de ganado (factor B) como un arreglo bifactorial en
un diseño cuadrado latino (CL=4X4). Los datos corresponden a tiempo de
ordeño en minutos.
h= hileras c=columna = tratamientos (a.b) = r = repeticiones
A= Métodos de ordeño a0 manual

a1 mecánico
b0 raza1
B= Razas de ganado
b1 raza2
Tratamientos:
92
Operadores MESES Ʃyi. Tratamient
1 (En) 2(Feb) 3(Jul) 4(Agost) os:
a0b1 a1b0 a1b1 a0b0
1 27,7
5,7 8,6 4,7 8,7 A= a0 b0
a1b0 a0b0 aob1 a1b1 B= a0 b1
2 26,2
8,2 7,7 5,5 4,8 C= a1 b0
a0b0 a1b1 a1b0 aob1 D= a1 b1
3 28,6
7,3 5,8 9,5 6
a1b1 aob1 a0b0 a1b0
4 25
4,5 6,5 7,8 6,2
ƩY ij 25,7 28,6 27,5 25,7 107,9
Hilera Columna
ƩYi Ȳ ƩYj Ȳ Tratamientos ƩY t Ȳ
(operadores) (meses)
1 27,7 6,92 1 25,7 6,42 a0b0 31,5 7,87
2 26,2 6,55 2 28,6 7,15 a0b1 23,7 5,92
3 28,6 7,15 3 27,5 6,87 a1b0 32,5 8,12
4 25 6,25 4 25,7 6,42 a1b1 19,8 4,95
Cálculos
1. FC= (ƩƩYij)2/a.b.r ; FC=(107,5)2/2x2x4 = 722,265
2. SCH= ƩY2i./r – FC = (27,72 +26.22+ 28,62+ 25.02) – FC ; 724,172- 722,265=

1,907
4
3. SC.C= ƩY2.j/r – FC = (25,72+ 28,62+ 27,52+ 25,72) – FC ; 723,797- 722,265=
1.532
4
4. SC.tr = ƩY2ij./r – FC= (31,52+ 23,72+ 32,52+ 19,82) – FC; 750,557- 722,265=
28,292
4
5. SC.Tot= ƩƩY2ij – FC= (5,72+ 8,22+….+6.22) – SCTot= 36,745
FC ;
94
6. SCEE= SCTot – (SCH+ SC.C+ SC.tr) ; 36,745 – (1,907+ 1,532+ 28,92)=
5,014
Cuadro de efectos simples e interacciones

(B) RAZAS 55,
Factor ƩYA Ȳi. Ȳa0 = 2 = 6.90
nivel b0 b1
2x4
52.
(A) Métodos a0 31,5 23,7 55,2 6,9 Ȳa1 = 3 = 6.54
a1 32,5 19,8 52,3 6,54 2x4
ƩYB 64.0 43.5 107,5 Ȳ.. = 107.5 = 6.71875
Ȳ.j 8.0 5.44 16
SC(A)= ƩY2a/br – FC =
55.2 2
+ 52.3 – FC = 0.526
2
2x4
SC(B)= ƩY2 b/ar – FC= 2 + 2
64.0 43.5 – FC = 26,66

2x4
SC(A)x(B)= SCtrat – SCA – 28,29 – 0,526 – 26,266=
SCB 1,500
ANDEVA del arreglo A=2 x B=2 en Cuadrado latino
Fuente de F. calcu- F. Tabla

G de L SC CM
Variación lada 5% 1%
Hileras r-1 3 1,907 0,636 0,76 NS 4,76 9,78
Columnas r-1 3 1,532 0,511 0,61 NS

Tratamient
os r-1 3 (28,292) 9,430 11,28 **
A
(Métodos) a-1 1 0,526 0,526 0,63 NS 5,99 13,74
B (Razas) b-1 1 26,266 26,266 31,42 **

(a-1)(b-1)
AxB 1 1,500 1,500 1,79 NS
95
Error Exp. (r-1)(r-2) 6 5,014 0,836
r2 –
Total 1 15 36,745
Prueba de Tukey (p≤0,05)

Factor A:
(Tabla de Tukey, 5% prob.) : n =2, glEE= 6 ; remplazando:

3,46 W= 3,46x 0,323= 1,12
Factor B:
(Tabla de Tukey, 5% prob.): n =2, glEE= 6 ; remplazando:
3,46 W= 3,46x 0,323= 1,12
Cuadro de resultados. Efecto principales de los niveles del factor

A= métodos x B= razas en un diseño cuadrado latino 2x2. Datos en minutos.
Factor A (Métodos) Promedios

a0. Manual 6,9 a *
a1. Mecánico 6,54a
Tukey(p≤0,05) 1,12
0,323
96
Factor B (Razas) Promedios
b0. 8,0 a
b1. 5,44 b
Tukey(p≤0,05) 1,12
0,323
Tratamientos Promedios
a1b0 8,12 a
a0b0 7,87 a
a0b1 5,92 a
a1b1 4,95 b
Tukey(p≤0,05)
S x̄ A B
*Los promedios con letras iguales no difieren estadísticamente según la prueba de Tukey
(p≤0,05).
97
7. FACTORIALES AGREGADOS
Factorial A= 2 x B= 2 + 1 (testigo) en diseño de bloques completos al azar con

4 repeticiones.
Ejemplo:
Estudio de Rizhobium aislados de los cultivos (C) c1 maíz y c2 soya y
fertilizantes (F), con los niveles f0 tradicional y f1 completo, con un testigo en
tomate. Rendimiento kg. por parcelas.
Rhizobium c1 Maiz Fertilizantes f0 Tradicional

en cultivos (F) + Testigo
(C) c2 Soya f1 Completo
Tratamientos: Clave: I II III IV

1 c1f0 10 11 20 11 0
2 c1f1 11 7 5 8 4
3 c2f0 20 20 10 21 11
4 c2f1 21 8 3 7 7
5 T0 (testigo) 0 0 21 20 10
3 6 5 6
21 11 0 20
5 6 3 5
10 0 10 21
6 4 4 6
ƩΥ.j 29 24 27 28 108
Ȳ..= 108/20= 5,40

Tratamientos ƩYi. Ȳi
c1f0
= 6+3+4+6= 19 4,75
c1f1
= 7+6+8+7= 28 7,00
c2f0
= 8+5+5+5= 23 5,75
c2f1
= 5+6+7+6= 24 6,00
T0= 3+4+3+4= 14 3,50
98
Cálculos:
1. FC= ƩΥ / (axb+1) r = (108)2/(2x2+1) 4 = (108)2/ 20 = 583,2
i.
2. SCTot= 72+82+……..+ 62 – FC = 630 – 583,2 = 46,80

/t – FC = 2 +24 +272+282 – FC = 586 – 583,2 =
3. SCBloq= ƩY2 29 2,80
.j
5
SCTrat/r = 192+ 282+…….+ 142 –
4. FC = 611,50 – 583,20 = 28,30
4= r
5. SCEE = SCTot – SCBloq – SCTrat ; 46,80 – 2,80 – 28,30 = 15,70
Comparaciones Ortogonales (para desdoblar la suma de

cuadrados de tratamientos).
Tratam. Y Subtotales
Comparaciones T0 c1f0 c1f1 c2f0 c2f1 SC= (ƩCiTi)2
14 19 28 23 24 ƩCiTi (ƩC 2)(r)
i (ƩCi)2 (r)
T0 vs Resto +4 -1 -1 -1 -1 -38 20(4) 18,05
Cultivos ( C ) 0 +1 -1 +1 -1 -10 4(4) 6,25
Fertilizantes (F) 0 +1 +1 -1 -1 0 4(4) 0,00
C x F 0 +1 -1 -1 +1 -8 4(4) 4,00
28,30
T0 vs Resto = +56-19-28-23-24 = 56- 94= -38

Cultivos= (+19+23)-28-24= -10
Fertilizantes= +19+28-23-24= 0
C x F= +19+24-28 -23= -8
99
F. Tabla
5% 1%
Tratamientos 4 (28,30) 7,075 5,44 ** 3,26 5,41
T0 vs Resto 1 18,05 18,05 13,88** 4,75 9,33
Cultivos ( C ) 1 6,25 6,25 4,80* 4,75 9,33
Fertilizantes (F) 1 0,00 0,00 0,00 ns 4,75 9,33
CxF 1 4,00 4,00 3,07 ns 4,75 9,33
Bloques 3 2,80 0,93 0,71 ns 3,49 5,95
Error. Exp. 12 15,70 1,30 -
Total 19 46,80
8. FACTORIAL A=2 x B=3 + T01, T02 (Dos Testigos)

Número de insectos muertos
b1 Neem f1
B= Biorrepelentes X F= Frecuencias f2 T01 + T02
b2 Tabaco f3
T01= Con agroquímico

Control DBA con 4 repeticiones (Bloques)
T02= Sin agroquímico
100
Datos Supuestos:
Bloques
Trat. ƩΥi.
I II III IV
b1f1 3 3 4 2 12
b1f2 4 3 4 4 15
b1f3 3 4 5 3 15
b2f1 5 4 4 3 16
b2f2 4 5 6 4 19
b2f3 4 6 4 4 18
T0 (1) 5 6 6 4 21
T0 (2) 3 3 4 3 13
ƩΥ.j 31 34 37 27 129
1. Cálculos del Diseño Base.
2. Cálculos para SC, Efectos Simples e Interacción
f1 f2 f3 ƩΥ bi
b1 12 15 15 42
b2 16 19 18 53
ƩΥf.j 28 34 33 95
FC= (95)2/(b x f) r = (95) 2/(2 x 3) 4 = 376,04
101
Ʃ! !
!!
(ƩCiTi)2
Contrastes: (Comparación) b1f1 b1f2 b1f3 b2f1 b2f2 b2f3 T0(1) T0(2) ƩCiTi (ƩCi2.)r (ƩCi2.)r
Con químico vs no químicos 0 0 0 0 0 0 +1 -1 9 2(4) 8,00
Con biorepel. vs no biorepel. +1 +1 +1 +1 +1 +1 -3 -3 7 24(4) 0,51
8,51

F. F. Tabla
F de V G de L SC CM
calculad
a 5% 1%
Tratamientos (b.f+2)-1 7 16,22 2,32 4,94** 2,49 3,64
Biorepelente (B) b-1 1 5,04 5,04 10,72* 4,32 8,02
Frecuencias (F) f-1 2 2,58 1,29 2,74 ns 3,47 5,78
BxF (b-1)(f-1) 2 0,09 0,045 0,09 ns 3,47 5,78
Con B vs Sin B 1 8,00 8,00 17,02* 4,32 8,02
Con Q vs Sin Q 1 0,51 0,51 1,08 ns 4,32 8,02
Bloques r-1 3 9,90 0,47 -
Error Exp. (b.f+2)-1)(r-1) 21 6,85 2,28 4,85

Total (b.f+2-1) r-1 31 32,97
9. DISEÑO COMPLETAMENTE AL AZAR REPETIDO EN 2 LOCALIDADES

Localidad 1 Localidad 2
01 02 03 04 ƩYi. 01 02 03 04 ƩYi.
T0 3 3 2 1 9 T0 4 5 2 3 14
T1 6 4 5 6 21 T1 7 9 8 8 32
T2 9 8 9 8 34 T2 10 10 9 8 37
64 83
102
T x L
L1 L2 ƩYi.
T0 9 14 23
T1 21 32 53
T2 34 37 71
64 83 147
Cálculos:
2. SCTot= ƩƩY2.ij – FC ; 32+….+ 82 – FC; 1100 – 900,375 = 199,625

232
3. SCTrat =ƩY2 i.../r x l – FC = +532 +712
– FC
4x2
= 1047,375 – 900,375=
=8379/8 – FC 147
SCLocalidad(L) =ƩY2L.../t x r – FC 642 = 951,417– 900,375=
4. = +832 – FC 15,042
3x4
5. SC T x L= (ƩYT./r – FC) – SCTrat – SCL
= (92+…...+ 372 ) – FC) – 147 – 15,042
= (1066,75 – 900,375) – 147 – 15,042
= 166,75 – 162,042 = 4,333
6. SCEE= SCTot – SCTrat – SCL – SCTxL= 199,625– 147 – 15,042 – 4,333= 33,03
F. Tabla
F de V G de L SC CM F. calculada
5% 1%
Localidad (L) l -1 1 15,042 15,042 8,35* 4,41 8,28
Tratam. (T) t -1 2 147,00 73,50 39,73* 3,55 6,01
TxL (t-1)(l-1) 2 4,333 2,165 1,17 ns
Error Exp. l.t(r-1) 18 33,303 1,85 -
Total t.r.l-1 23 199,678
103
1,85
= 100 ; = 100 = 22,22%

.. 6,12
147
= 6,12
.. = =
3.4.2 34
104
10. DISEÑO DE BLOQUES AL AZAR REPETIDO
Primer Corte
Tratamientos I II III IV ƩΥi
T1 B. humicola 0 0 0 0 0
T2 B. xaraes 11,2 7,5 9,0 4,5 33,2
T3 B. Marandu 4,5 5,0 6,5 4,0 20,0
T4 B. Decumbers 4,5 2,7 5,2 4,0 16,4
20,2 15,2 20,7 12,5 68,6
Segundo Corte
Tratamientos I II III IV ƩΥi
T1 0 0 0 0 0
T2 8,0 5,0 6,5 6,0 25,5
T3 6,0 7,0 7,0 5,5 25,5
T4 6,0 4,5 6,0 8,0 24,5
20 16,5 19,5 19,5 75,5
t= 1, 2, 3, 4= i
r= 1, 2, 3, 4= j
c= 1, 2
Bloques x Corte Tratam (T) x Corte (C)

Bloque C1 C2 ΣΥr Trat. C1 C2 ΣΥi.
1 20,2 20,0 40,2 T1 0 0,0 0,00
2 15,2 16,5 31,7 T2 32,2 25,5 57,7
3 20,7 19,5 40,2 T3 20,0 25,5 45,5
4 12,5 19,5 32 T4 16,4 24,5 40,9
68,6 75,5 144,1 68,6 75,5 144,10
Cálculos:
1. FC= (GT + GT)2/t.r.c = (68,6 + 75,5)2/ 4x4x2= 648,90
2. SCTot= ƩƩY2.ijk – FC = 02+..….+ 82 – FC; 944,77 – 648,9= 295,87

02
3. SCTrat =ƩY2ti.../r xc – FC ; SCTrat= +……+40,92 – FC=884,04 – 648,90 =
235,14
4x2
SCBloq(B) =ƩYr./txc – FC 40,22
4. = +…..+32,02 - FC = 657,2 – 648,90 = 8,72
4x2
105
SCCortes(C) =ƩY2c./txr – FC 68,62 +
5. = 75,52 – FC = 650,39 – 648,90 = 1,49
4x4
106
6. SCBloques x Cortes = ƩY2r./t – FC – SCBloq – SCCortes
= 20,2 2 +…....+ 19,52/ 4 – FC – SCBloq – SCCorte
= 2656,57/4 – 648,90 – 8,72– 1,49
= 664,14 – (648,90 + 8,72 + 1,49) = 5,03
7. SCTrat (T) x Corte (C) = Ʃi Ti ./r – FC – SCTrat – SCCorte
= 0,02 +…….+ 24,52/ 4 – FC – SCTrat –
SCCorte =901,64 – (648,90 +235,14+ 1,49)
= 901,64 – 885,53 = 16,11
8. SCEE = SCTot – SCBloq – SCCortes (C) – SCTrat – SCTr/c – SCBloq/c
= 295,87 – 8,72 – 1,49 – 235,14 – 16,11 – 5,03
= 295,87 – 266,49 = 29,38

F. Tabla
F de V G de L SC CM F. calculada
5% 1%
Corte (C) c (r-1) 6 1,49 0,248 0,15 2,66 4,01
Rep/corte c -1 1 8,72 8,72 5,35* 4,41 8,28
Tratam. (T) t -1 3 235,14 78,38 48,08* 3,16 5,09
TxC (c-1)(t-1) 3 16,11 5,37 3,29* 3,16 5,09
Error Exp. c(r-1)(t-1) 18 29,38 1,63 -

Total c.t.r-1 31 295,87
107
11.DISEÑO IRRESTRICTAMENTE AL AZAR CON MUESTRAS Y REPETICIONES
FIJAS.
Ejemplo:
En otro experimento conducido en invernadero se tomó lectura en duplicado
para cada unidad experimental en tres variedades de frejol. Datos
corresponden al análisis foliar para contenido de Mg. (en p.m).
Observaciones (Macetas) (J)

1 2 3 4 Suma Media
Tratamientos (i)
Muestras duplicada (Hoja) (K) Ʃyi.. Ȳi..
1 2 1 2 1 2 1 2
t8 3,3 3,5 3,5 3,6 4,1 3,7 3,9 3,8
6,8 7,1 7,8 7,7 29,4 3,68
t 10 5 3,9 4,4 4,6 3,8 5,1 4,7 4,2
8,9 9 8,9 8,9 35,7 4,46
t 12 8 8,1 7,9 8 7 7,4 7,8 7
16,1 15,9 14,4 14,8 61,2 7,65
126,3
Cálculos
(126.3)2/3.4.2 =
1. FC = (ƩƩƩYijk)2/t.r.m ; 664,65
; (3,3)2+ …… + (7.0)2 – FC
2. SCtot= ƩƩƩY2ijk – FC = 739,03 – 664,65= 74,38
gl. total= t.m.r-1
3. SCsubt= ƩƩY2ij/m – FC ; (6.8)2 + (14.8)2/2 – FC = 736,92 – 664,65= 72,27

SCtrat= ƩY2i../m.r – (29.4)2 +..(61.20)2/2x4 – FC= 735,54-
4. FC ; 664,65=70,89
gl. trat= t- 1; 3-1= 2
SCEmuestra= SCtot – ; 74,38 – 72,27=
5. SCsubtotal 2,11
gl.Em= t.r (m-1); 12x1= 12
6. SCEE= SCsubtot- SCtrat; 72,27 – 70,89= 1,38

gl.EE= t(r-1); 3(4-1) = 9
108
Fuente de Varia- F. calcu- F. Tabla

G de L SC CM
ción lada 5% 1%
Tratamientos t- 1 2 70.89 35,445 209.39** 4.26 8.02
Parc/trat. (EE) t(r-1) 9 1.38 0,153
Muestra/parc.(EM) t.r(m-1) 12 2.11 0,176
Total t.r.m-1 23 74.38

/ = dentro
12. DISEÑO COMPLETAMENTE AL AZAR CON REPETICIONES FIJAS Y

MUESTRAS VARIABLES.
Ejemplo:
Asumiendo del ejercicio anterior que las muestras son variables en cada una
de las observaciones (repeticiones).
TRATAMIENTOS O1 O2 O3 Ʃyi.. Ȳi..
3 4 5 4 3 6 5 5 6
t 1 41 4,56
12 7 22
3 4 4 5 6 5 4 7 8
t 2 46 5,11
7 20 19
5 6 5 6 5 4 8 7
t 3 46 5,75
16 11 19
Total 133
Cálculos
1. FC= (ƩƩƩYijk)2/Ʃmk = (133)2/26 1 = 680,35
2. FC= SCtot = ƩƩƩY2ijk – FC= 729 – 680,35= 48,65

12! 7! 22! 7! 20! 19! 16! 11! 19!
3 2 4 3 4 3 3 2 3
3. SCsubt= ƩƩY2ij/m.k – FC
= 696,32 – 680,35= 15,97
41! 46! 46!
4. SCtrat= ƩY2i../ m.k – FC

+
= + + − = 6,04
9 9 8
5. SCEmuest= SCtot – Scsubt ; 48,65 – 15,97= 32,68
109
6. SCError exp= SCsubt – SCtrat ; 15,97– 6,04= 9,93
Fuente de F. Tabla
Variación 5% 1%
t-
Tratamientos 1 2 6.04 3.02 1.57 5,14 10,92
E. Exp. t(r-1) 6 9.93 1.65 0.86

32.6
E. muest Ʃ(mk-1) 17 8 1.92 ---
48.6
Total Ʃmk-1 25 5
----------------------------------------------------------------------
1 Ʃmk= 3+ 2+ 4+ 2+ 4+ 3+ 3+ 2+ 3= 26
2 glE muest Ʃ (mk-1)= (m1-1) + (m2-1) + (m3–1)……..(mn-
1)
13. DISEÑO BLOQUES COMPLETOS AL AZAR CON MUESTRAS

FIJAS
Yijk = + τi+ δj + δijk + ∈ijk i =1, 2, 3: t j = 1, 2, 3, 4, 5, 6 : r
E.
muestral k = 1, 2, 3: m
Ejemplo:
110
Respuesta de trigo a la aplicación de dos insecticidas (g/muestra).
Repeticiones Total Trat.

Trat.
1 2 3 4 5 6
45 30 17 43 32 53
50 40 57 23 39 46
A
39 35 42 11 47 43
134 105 116 77 118 142 692
68 50 51 60 85 83
40 84 83 64 74 74
B
49 74 66 65 87 64
157 208 200 189 246 221 1221
53 54 24 57 76 62
46 63 85 33 48 57
C
43 112 88 28 42 59
142 229 197 118 166 178 1030
Tot. Rep. 433 542 513 384 530 541 2943
111
Cálculos:
1. FC= (ƩƩYijk)2/ trm= (2943)2/3.6.3 = 160.393,50
SCtot.= ƩƩƩY2ijk – FC ; 452 + 502 + 392 +….+ (59)2 – FC= 22149,50 gltotal= trm –
2. 1= 54
3. SCrep.= ƩY2 j./t.m – FC ; (433)2 + (542)2 +…..+(541)2 /9 – FC= glrepet.=
2435,28 5
SCtrat= ƩY2i../rxm – FC ; (692)2+ (1.221)+ (1030)/18 – FC= gltrata= t –
4. 7973,44 1= 2
5. SCUE= (parcela, subtot.) ƩY2ij/m – FC ; 1342 + 1572 +….+ (178)2/3 – FC =
12947,50
6. SCError Exp.= SCUE – SCRep. – SCTrat.= 12947,50- 2435,28- 7973,44= 2538,78

glerror exp = (t – 1) (r – 1)=
10
7. SC(Error de muestreo)= ƩY2ijk – X2ij/s ; 182,543 – 173,41 = 9202,0

glerror exp = tr (m – 1)= 36
También por diferencia: SCtot. – SCRep. – SCtrat. – SCEexp.

22149,50- 2.435,28- 7973,44- 2538,8=
9202,00
ANDEVA Diseño bloques al azar, con muestras fijas.

G de L SC CM
Variación lada 5% 1%
Total t.r.m-1 53 22149,50
Rep. r- 1 5 2435,28 487,06 0,52 3,33 5,64
Tratam. t- 1 2 7973,44 3986,73 15,70** 4,10 7,56

Error experi-
(t-1)(r-1) 10 2538,78 253,88
mental
Error de
tr(m-1) 36 255,61
Muestreo 9202,00
Prueba de Duncan (5% probabilidad)
Ȳ= /
; Ȳ= 253,18/3 6 = 3,76
Valores para medias 2 3 Trat. A B C
112
RMD 3,15 3,3 67,83 57,22 38,44
RMS= RMDx sȲ 11,84 12,4 a a B
*Los promedios con letras iguales no difieren estadísticamente según la prueba de Duncan (5% probabilidad).
113
14. CUADRADO LATINO CON MUESTRAS FIJAS.
Ejemplo:
Peso de la materia seca (g) de frijol a los 30 días/UE con tres muestras en un Diseño
experimental cuadrado latino 4 x 4.
Hileras Columnas (Meses)

Ʃyi.. Trat. Suma Ȳi.
(Fincas) 1 2 3 4
6.3* 7.4 6.3 6,4 7,8 6,8 6,5 8,2 7,5 6,8 9 8,1
1 87,1 A 82,3 6,86
20.0 ** A 21 B 22,2C 23,9 D
6.1 7.0 8.9 6,5 7,2 7,5 6,6 7,3 7,9 6,9 7,4 8,4
2 22 D 21,2 A 21,8 B 22,7 C 87,7 B 87.00 7,25
6,4 7,8 7,5 6,9 7,9 8 6 7,1 6 6,2 7,5 6,2
3 21,7 C 22,8D 19,1 A 19,9 B 83,5 C 91.70 7,64
6,7 8,2 9,4 6,8 8,4 9,9 6,9 8,5 10,5 6 8 8
4 97,3 D 94,6
24,3 B 25,1C 25,9 D 22 A 7,88
ƩY.j 88 90,1 89 88,5 355,6
*Y ijl
**Y ij.
Cálculos:
1. FC= Y 2... – (355. 60)2 = 2634.40

n2.
m 42 x 3
2. SCH= ƩY2i../n.m – FC = (87.1)2 + (83,5)2+ ….+97,32 – FC = 2643,10 – 2634,40= 8,7
12
3. SCC= ƩY2.j/n.m – FC = (88.0)2 +…..+(88,5)2 – FC = 2634,61 – 263440= 0,21

12
4. SCtrat= ƩY2.(k)/nm – FC= (82,3)2+ ….+(94.6)2 _ FC = 2641,70 – 2634,70= 7,30

12
5. SCE= ƩƩYij./n – ƩY2i../nm – ƩY2j./nm – ƩY2.(k)/nm+ 2FC
SCError= (20.0)2+……+(22.0)2- 7919,41 + 2FC 3
= 2651,96– 2643,10 – 2634,61– 2641,70+ 5268,80 = 1,35
6. SCMuesta= ƩƩY2ijl – ƩƩY2ij./n = (6,3)2 + (7,4)2+……+(8,0)2- 2651,96 = 33,78
7. SCtot= ƩƩƩY2ijl – FC; 2685,74 – 2634,40= 51,34
114

SC G de L CM
Variación Lada 5% 1%
Hileras 8,70 n-1 3 2,90 12,60** 4,76 9,78
Columnas 0,21 n-1 3 0,07 0,30
Trat. 7,30 n-1 3 2,43 10.57*
Error Exp. 1,35 (n-1)(n-2) 6 0,23

Error Mues-
33,78 n2(m-1) 32 1,06
tral
Total 51,34 n2m-1 47
15. FACTORIAL A x B x C EN DISEÑO DE BLOQUES COMPLETOS AL AZAR

Ejemplo:
En un estudio se estableció un experimento para conocer el efecto de los
variedades de pastos Pangola y Estrella (V) bajo dos densidades de siembra (D)
y dos dosis de nitrógeno (N) en un terreno con pendiente los datos
corresponden a materia seca (g.), bajo un diseño de bloques completos al azar
con tres repeticiones.
Variedad v1 Pangola Densidad d1 30 cm Nitrogeno n1 0 kg
(V) v2 Estrella (D) d2 40 cm (N) n2 40 kg
Var. Dens. Nitro. Bloques

ƩYi
V D N I II III
vi d1 n1 11.6 10,2 11,9 33,7
vi d1 n2 10,9 11,3 11,8 34
vi d2 n1 13,0 11,3 11,2 35,5
vi d2 n2 11,7 11,7 11,1 34,5
v2 d1 n1 11,6 12,4 10,3 34,3
v2 d1 n2 12,0 13,0 11,7 36,7
v2 d2 n1 11,7 16,0 11,5 39,2
v2 d2 n2 10,8 14,4 12,2 37,4
ƩY.j 93,3 100,3 91,7 285,3
115
V x D V x D x N
d1 d2 Ʃv v1d1n1 33,7
v1 67,7 70,0 137,7 v1d1n2 34,0
v2 71,0 76,6 147,6 v1d2n1 35,5
Ʃd 138,7 146,6 285,3 v1d2n2 34,5
v2d1n1 34,3
V x N v2d1n2 36,7
n1 n2 Ʃv v2d2n1 39,2
v1 69,2 68,5 137,7 v2d2n2 37,4
v2 73,5 74,1 147,6
Ʃn 142,7 142,6 285,3
D x N
N1 n2 Ʃd
d1 68,0 70,7 138,7
d2 74,7 71,9 146,6
Ʃn 142,7 142,6 285,3
116
Cálculos
FC= (ƩƩƩYijk)2 /a.b.c.r (285,3) 2/2x2x2x3=

1. ; 3391,50
= 3427,35– 3391,50 =
2. SCtot= ƩƩƩY2ijk – FC = 11,62+….+ 12,22 – FC 35,85
SCbloq= ƩY.j2/2x2x2 – = 93,302 + 100,32+ 91,702 – FC = 3396,73– 3391,50 =
3. FC 5,23
8
= 33,72+…….+ 37,42 – = 3400,32 – 3391,50=
4. SCtrat= Ʃy2i./r – FC FC 8,82
3
5. SCEE= SCtot- SCbloq- SCtrat =35,85 – (5,23 – 8,82) = 21,8
6. SC(V)= 137,72+ 147,62 – FC =3395,59 –

3391,50 = 4,09 2x2x3
SC(D)= 138,7 2 + 146,6 2 – =3394,10 – 3391,50=

7. FC 2,60
2x2x3
SC(N)= 142,7 2 + 142,6 2 – = 3391,50 – 3391,50=
8. FC 0,00
2x2x3
117
9. −− ( )
!!!
= 3398,64 – 3391,50 – 4,09 –

2,60 = 7,14 – (4,09 + 2,60) = 0,45
10. SCVxN = Ʃy2ij/br – FC– SCV – = 69,22 +..….+74.12 – FC – SCV –
SCN SCN
2x3
= (3395,66 – 3391,5) – 4,09 – 0,0 ; 4,16 – 4,09= 0,07
11. SCDxN = ƩY2ij../ar – FC
= 68,02+ ……+ 71,92 – FC – SCD –SCN ; 3395,36 – 3391,50 – 2,60 – 0,0

2x3
= 3,86 – 2,60 – 0,0= 1,26
12. SC VxDxN = SCtrat – SCV – SCD – SN – SCVD – SCVN – SDN
= 8,82 – (4,09 + 2,60 + 0.0 – 0,45 – 0,07 – = 8,82 – 8,47 =

1,26) 0,35
118
Fuente de F. Tabla
SC G de L CM F. calculada
Variación 5% 1%
Repetición 5,23 r-1 2 2,615 1,67 ns 3,74 6,51
Tratamien-
(8.82) Vdn-1 (7) 1,26 0,80 ns 2,77 4,28
tos
Var (V) 4,09 v-1 1 4,09 2,62 ns 4,60 8,86
Dens. (D) 2,60 d-1 1 2,60 1,67 ns
Nitrog. (N) 0,00 n-1 1 0,00 0,00 ns
VxD 0,45 (v-1)(d-1) 1 0,45 0,29 ns
VxN 0,07 (v-1)(n-1) 1 0,07 0,04 ns
DxN 1,26 (d-1)(n-1) 1 1,26 0,81 ns
VxDxN 0,35 (v-d)(d-1)(n-1) 1 0,35 0,22 ns
Error 21,80 (vdn-1)(r-1) 14 1,56
Total 35,85 Vdnr-1 23
119
a) Ingresamos los datos en el programa Infostat.
b) Seleccionamos la pestaña “Estadísticas” y Análisis de varianza
120
c) Seleccionamos las variables Dependiente e Independientes.
d) Agregar las interacciones
121
e) Elegimos las prueba DMS Tukey
f) Visualizamos el resultados
122
16. DISEÑO ESPECIAL DE PARCELAS DIVIDIDAS
Este tipo de diseño tiene naturaleza factorial. El principio general es en que

los factores se estudian con diferentes niveles de precisión.
Cada parcela principal (factor A) puede ser considerada como un bloque
respecto a los niveles de B, pero solo como un bloque incompleto con relación al
grupo completo de tratamientos A. Por esta razón se llama la parcela dividida
“diseño de bloques incompletos”, o “experimentos factoriales con los efectos
principales confundido”. Este diseño es aplicable en las siguientes ocasiones:
1) Cuando se dispone de menor cantidad de material experimental
correspondiente a un factor que para otros. En experimento de campo u factor de
métodos de riego, preparación del suelo o aplicación de fertilizante; los tres
usualmente requieren parcelas grandes para su aplicación. El otro factor podría
ser variedades, las que pueden ser comparadas en parcelas más pequeñas.
2) Este diseño se usa cuando se va a incluir un factor adicional en el
experimento. Si el objeto principal de un ensayo es probar algunos insecticidas,
se podrá aumentar el alcance del mismo probando algunas variedades. En este
caso las variedades se asignarían a las parcelas principales y los insecticidas a
la subunidades.
Generalmente el error A es mayor que el error B.

Si se quiere detectar diferencias significativas más pequeñas entre los
niveles de un factor, este deberá ser asignado a la subparcelas donde, por
haber mayor repetición (así como mayor número de grado de libertad) ese
factor será medido con más precisión que aquel asignado a las parcelas
principales.
En resumen, puesto que la variación entre subunidades será menor que
entre parcelas principales, se asigna a la primera los factores que requieren
menor cantidad de material experimental, o los que son de mayor importancia
para los que se necesitan mayor precisión
El tamaño de las parcelas divididas se lo usa frecuentemente para
experimentos factoriales y puede incorporar uno o más diseños DCA, BCA y
Cuadrado latino.
123
Resumen de esquemas de Andevas de parcelas divididas en diseños básicos.
F de V gl F de V gl F de V gl
A a-1 Bloques r-1 Hileras a1
Error (A) a(r1) A a-1 Columnas a-1
Error (a) (a1)(r1) A a-1
Error (a) (a-1)(a-2)
Whole-unit total ar1 Whole-unit total ar-1 Whole-unit total a2-1
(total parcela mayor o (Total unidad completa) (Total unidad completa )
principal)
subunit analyses (analisis de subunidad)
B b1 B b-1 B b-1
A.B (a1)(b1) A.B (a1)(b-1) A.B (a-1)(b-1)
Error (b) a(r-1)(b-1) Error (b) a(r1)(b-1) Error (b) a(a-1)(b-1)
Subunit Subunit Subunit
Total ar (b-1) Total ar (b-1) Total a2 (b-1)
(Total de la subparcela)
Total a.b.r-1 Total a.b.r-1 Total a2.b-1
Fuente: Steel&Torrie. 1998
17. PARCELA DIVIDIDA EN DISEÑO COMPLETAMENTE AL AZAR
Ejemplo:
En un experimento realizado para comparar simultáneamente dos variedades
de arroz (parcela grande= A) y tres distancias de siembra (subparcelas= B) bajo
un diseño especial de parcelas divididas completamente al azar con tres
observaciones. Los datos corresponden a kg. por parcela.
124
Variedad Distancia I II III Yij.
d1 28,8 40,2 35,4 104,4
V1 d2 32,4 38,6 35,06 105,6
d3 30,2 40,1 37,2 107,5
PG Yi.k 91,4 118,9 107,2 317,5
d1 42,4 38,9 39,3 120,6
V2 d2 44,6 37,2 40,8 122,6
d3 38,9 41,7 38,6 119,2
PG Yi.k 125,9 117,8 118,7 679,9
Nivel d1 d2 d3 Ʃyi.. Ȳi.

v1 104,4 105,6 107,5 317,5 105,83
v2 120,6 122,6 119,2 362,4 120,8
ƩY.j. 225 228,2 226,7 679,9
Ȳ.j 112,5 114,1 113,35
Cálculos:
1. FC= (ƩƩYijk)2/abr ; (679,9)2/2x3x3= 25681,13

=25974,57- 25681,13=
2. SCtot= ƩƩY2ijk –FC ; 28,82+ 32,42+……+ 38,62 – FC 293,44
SCParc.Grande= ƩY2i..k/b –
3. FC ; 91,42+..…..+118,72 – FC= 252,32
3
4. SCVar.(A)= ƩY2i ../br –FC ; 317,52+ 362,42 – FC = 25793,33- 25681,13= 112,20
3x3
= 25682,19 – 25681,13=
5. SCDist.(B)= ƩY.j ./ar – FC ; 225,02- 228,22+ 226,72- FC 1,06
2x3
6. SCError (a) SCPG- SC(A) ; 252,32- 112,20= 140,12
7. SCAxB= VxD= (ƩY2ij ./r –FC)- SCV- SCD
= (25796,91- 25681,13)- SCV- SCD = 115,78- 112,20- 1,06= 2,52
8. SCError(b)= SCtot- (SCPG+ SCD- SCVxD)
= 293,44- (252,32+ 1,06+ 2,52) = 293,44- 255,89= 37,55

125
Fuente de F. Tabla
Variación 5% 1%
P.Grande (252,32) ar-1 (5) 50,64 1,44 ns 3,69 6,63
Var (A) 112,20 a-1 1 112,20 3,20 ns 5,32 11,26
Dist (B) 1,06 b-1 2 0,53 0,11 ns 4,46 8,65
AxB 2,52 (a-1)(b-1) 2 1,26 0,26 ns 4,46 8,65
Error (a) 140,12 a(r-1) 4 35,03
Error (b) 37,55 a(r-1)(b-1) 8 4,69
Total 293,44 abr-1 17
!"#.!
!" ,!"
= 15,67 %
..= = 37,77
= 100
!",!!
!"
4,69
= 37,77
100 = 5,73 %
Prueba de Tukey (p<0,05)
Factor A
Tabla A.8
Glea= 4
n= 2
: = � .,= 2 /
q∝= 3,26
= 3,26 35,03/ 3 3 = 4,63
Orden de mérito
v2 v1
120,80 - 105,83= 14,97 > 6,43 *
a b
Factor B
:
= � .,= 3 / Tabla A.8
Gleb= 8
= 4,04 4,69/2 3 = 4,04 0,88 = 3,55 n= 3
q ∝= 4,04
126
d2 d3 d1 Orden de Mérito
114,1 113,35 112,5 d2 114,1 a
d2 114,1 0,75 ns 1,6 ns d3 113,35 ab
d3 113,4 - 0,85 ns d1 112,5 ab
d1 112,5 -
18.DISEÑO PARCELAS DIVIDIDAS EN BLOQUES

Supóngase que tiene un experimento con dos niveles de irrigación (alta y
moderada) y cuatro variedades de caña en cuatro bloques.
Los datos de rendimiento en Kg/parcela son:
Irrigación Variedad I II III ƩYi..
v1 123,2 128,2 118,2 369,6
v2 132,3 138,3 122,2 392,8
Alta
v3 123,2 128,2 121,2 372,6
v4 128,8 125,8 124,8 379,4
PG Y.k 507,5 520,5 486,14
v1 118,2 119,2 111,2 348,6
v2 123,2 120,2 117,2 360,6
Moderada
v3 115,2 117,2 113,2 345,6
v4 116,3 121,3 113,3 350,9
PG Y.k 472,9 477,9 454,9
ƩY..k 980,4 998,2 941,5 2920,1
Cuadro de doble entrada para establecer los efectos principales y simples.
Nivel v1 v2 v3 v4 ƩYi.. Ȳi..

Alto 369,6 392,8 372,6 379,4 1514,4 378,6
Moderado 348,6 (Yij) 360,6 345,6 350,9 1405,7 351,42
ƩY.j. 718,2 753,4 718,2 730,3 2920,1
Ȳ.j 359,1 376,7 359,1 365,15
Cálculos:
1. FC= (2920,1)2/2.4.3= 355291,00
2. SCtot= ƩƩƩY2ijk – FC; 123,22+.…+ 113,32 – FC = 356245,61- 355291,00 = 954,61

3. SCBloq= ƩY2..k/ab – FC = 980,4+ 998,22+ 941,52- FC
2x4
= 355501,21- 355291,00= 210,21
127
4. SCPG= ƩY2i.k /b – FC; = 507,52+….+454,92 – FC = 356053,22- 355291= 762,22
4
5. SC(A)= ƩY2i../b.r – FC = 1514,422+ 1405,72 – FC = 355783,32 – 355291,00 = 492,32

4x3
6. SCError a= SCPG – SCBloq- SCA (riego) =762,22- 210,21- 492,32= 11,04
7. SC B= ƩY2.j. /ar –FC = 718,22+……+730,32 – FC = 355428,69 – 355291= 137,69

2x3
8. SC AxB= ƩYij./r –FC – SCA – SCB
=369.62+..…+350,92 –FC–SCA– SCB= 355931,87- 355291- 492,32- 137,69= 10,86

3
9. SCError b= SCtot – (SCPG + SCB + SCAxB)
= 954,61– (762,22+ 137,69+ 10,86) = 954,61– 910,77= 43,84
Fuente de F. Tabla
Variación 5% 1%
P.Grande (762,22) ar-1 (5) 154,44 5,113* 3,11 5,06
Riego (A) 492,32 a-1 1 492,32 16,51** 4,75 9,33
Bloque 210,21 r-1 2 105,105 3,52 ns 3,89 6,93
Error (a) 59,62 (a-1)(r-1) 2 29,81 - - -

Variedad
137,69 b-1 3 45,89 12,57** 3,49 5,95
(B)
AxB 10,86 (a-1)(b-1) 3 3,62 0,99 ns
Error (b) 43,84 a(r-1)(b-1) 12 3,65 -
Total 954,61 abr-1 23
128
. . = ƩƩ /. . ;
2.4.3
..
19. DISTRIBUCION DE PARCELAS DIVIDIDAS EN CUADRADO

LATINO
Parcelas grandes (N) Subparcelas (P)
n0 0 16/ha p0 0 16/ha r= h= c= t= 3
n1 60 16/ha p1 100 16/ha
n2 120 16/ha p2 200 16/ha
PLANO DE CAMPO
N 60 N0 N 120 ƩΥ..h
I p0 p1 p2 p2 p1 p0 p1 p0 p2
13,8 18,2 17,4 15,8 17 14 17 15 14
ƩΥi.k 49,4 46,8 46,0 142,2
N0 N 120 N 60
II p1 p0 p2 p0 p2 p1 p1 p0 p2
15 14,7 18 14,8 16,5 18 20 16.0 16,8
ƩΥi.k 47,7 49,3 52,8 149,8
N 120 N 60 N0
III p1 p2 p0 p0 p2 p1 p1 p2 p0
16,5 17,0 13,0 14 18 19 16 16,5 15,9
ƩΥi.k 46,5 51,0 48,4 145,9
ƩΥ.. 143,6 147,1 147,2 437,9
129
B= Fosforo
Factor Nivel ƩN.
p0 p1 p2
n0 44,6 48,0 50,3 142,9
A= Nitrógeno n1 43,8 57,2 52,2 153,2
n2 42,8 51,5 47,5 141,8
ƩP. 131,2 156,7 150 437,9
SECUENCIAS DE CÁLCULOS
(437,9)2/3 x 3 x 3 =
1. FC= ( X..)2/abr = 7102,09
2. SCTot = ƩƩƩΥijk = 13,82 + 15,02 + ……+15,92 – FC = 7180,01 – 7102,09= 77,92

SCCol = ƩΥ2 i.c – FC 143,62 + 147,12 + 147,22 _
3. = FC = 7103,02 – 7102,09 = 0,93
a
b
3x3
142,22+ 149,82+
4. SC.H = ƩΥ2..h – FC = 145,92 _ FC =7105,30 – 7102,09= 3,21
ab
3x3
49,42+
5. SC.PG= ƩΥ2i.k
– FC = 47,72+…..+48,42 _ FC =7115,34– 7102,09= 13,25
3
SC(A)= ƩY2A/br – FC = 142,92+ 153,22+ 141,82 _
6. FC =7110,88– 7102,09= 8,79
(Nitrógeno) 3x3
7. SC(B)= ƩY2B/ ar – FC = 131,22+ 156,72+ 1502 _ FC =7140,92– 7102,09= 38,83

(Fósforo) 3x3
8. SCError (a) = SCPG – (SCH+ SCCol+ SCA) = 13,25– (3,21+ 0,93+ 8,79) = 0,32
9. SCAxB Ʃ ! . 44,6! + 43,8! + ⋯ + 47,5!
. − −= − − −
3
= 7159,57 – 7102,09 – 8,79 – 38,83 = 9,86
10. SCError (b) = SCTotal– (SCPG+ SC.B+ SCAxB)
= 77,92 – (13,25+ 9,86+ 38,83) = 77.92– 61,94= 15,98
130
PARCELA DIVIDIDA EN CUADRADO LATINO 3 x
3
Fuente de F. Tabla
Variación 5% 1%
Columnas 0,93 r-1 2 0,465 2,91 ns 5,14 10,92
Hileras 3,21 r-1 2 1,07 6,68* 5,14 10,92
Nitrógeno (A) 8,79 a-1 2 4,395 27,46** 5,14 10,92
Error (a) 0,32 (r-1)(r-2) 2 0,16 - - -
P. Grande (13,25) ar-1 (8) 1,65 1,24 ns 2,85 4,50
Fósforo (B) 38,83 b-1 2 19,41 14,59** 3,89 6,93
AxB 9,86 (a-1)(a-1) 4 2,465 1,85 ns 3,26 5,41
Error (b) 15,98 a(b-1)(r-1) 12 1,33 -
Total 77,92 abr-1 26
131
Cálculos Adicionales:
Contrastes n0 n1 n2 SC= (ƩC i T i )2

(Nitrógeno) 142,9 153,2 141,8 ƩCiTi br(ƩCi2) br(Ʃci2)
n0 Vs resto +2 -1 -1 -9,2 3,3 (6) 1,56
n1 Vs n2 0 +1 -1 +11,4 3,3 (2) 7,22
Ʃ 8,78
SC= (ƩC i T i )2
Efectos n0 n1 n2 ƩCiTi br(ƩCi2) br(Ʃci2)
(Nitrógeno) 142,9 153,2 141,8 M K(r) 0= SC
Lineal -1 0 +1 -1,1 3,3 (2) 0,07
Cuadrático +1 -2 +1 -21,7 3,3 (6) 8,72
Ʃ 8,79
SC= (ƩC iT )2i
Efectos p0 p1 p2 ƩCiTi ar(ƩCi2 ) ar(Ʃci2)

(Fósforo) 131,2 156,7 150 M ar (K) 0= SC
Lineal -1 0 1 18,8 3,3 (2) 19,63
Cuadrático 1 2 1 32,2 3,3 (6) 19,20
Ʃ 38,83
132
Fuente de F. Tabla
Variación 5% 1%
Columnas 0,93 2 0,465 2,91 ns 19.0 99,0
Hileras 3,21 2 1,07 6,68 ns 19,0 99,0
Nitrógeno (A) (8,79) (2) 4,395 27,46 * 19,0 99,0
N Lineal 0,07 1 0,07 0,437 ns 18,51 98,50
N Cuadrático 8,72 1 8,72 54,5 * 18,51 98,50
E (a) 0,32 2 0,16 - - -
P Grande 13,25 8 1,65 1,24 ns 2,85 4,50
Fosforo (p) (38,83) (2) 19,41 14,59 ** 3,89 6,93
P. Lineal 19,63 1 19,63 14,75 ** 4,75 9,33
P. Cuadrático 19,20 1 19,20 14,44 ** 4,75 9,33
NxP 9,86 4 2,465 1,85 ns 3,26 5,41
E(b) 15,98 12 1,33 -
Total 77,92 26
133
20. COMPARACIÓN DE GRADOS DE LIBERTAD INDIVIDUALES
La prueba de F con más de un grado de libertad para el cuadrado medio del

numerador, puede ser desdoblada en tantas comparaciones independientes
como grados de libertad existen. Si sólo una de las comparaciones da una
diferencia real, y esta diferencia es promediada con otras que no son reales,
una prueba con ese promedio podría detectar la diferencia verdadera. Por esta
razón, planeamos comparaciones que nos den la información deseada y que
sean independientes.
En muchos experimentos con más de dos tratamientos, generalmente se

plantea comparaciones de grados de libertad individuales entre tratamientos.
Así, una suma de cuadrados de tratamientos con t –1 grados de libertad, puede
ser desdoblada, dándonos t –1 comparaciones individuales, cada una con un
grado de libertad. Cada una de estas comparaciones separadas se las divide
para el error experimental. La suma de las sumas de cuadrados de las t –1
comparaciones ortogonales debe ser igual a la suma de cuadrados de
tratamientos del ANDEVA inicial.
Análisis Funcional de Varianza II. Pruebas planeadas.

Comparaciones Ortogonales.- Las comparaciones son independientes, y por lo
mismo ortogonales cuando: a) La suma de los coeficientes de la comparación es
igual a cero (0) y b) la suma de los productos de los coeficientes correspondientes
de dos (2) comparaciones cualquieras es también cero.
1) Si se van a comparar dos grupos de igual tamaño simplemente asignar el
coeficiente +1 a los miembros de un grupo y -1 a los integrantes del otro.
2) En la comparación de dos grupos que contienen distintos números de
tratamientos, asígnese al primer grupo tantos coeficientes como número de
tratamiento tenga el segundo grupo; y a este último tantos coeficientes del
signo opuesto como número de tratamiento tenga el primer grupo. Entonces
si entre cinco tratamientos se quiere comparar los dos primeros con los tres
últimos, los coeficientes serian +3, +3, -2, -2, -2.
3) Redúzcanse a los coeficientes a los enteros más pequeños posible por
ejemplo, en la comparación de un grupo de dos tratamientos contra un grupo
de cuatro, tendremos, en virtud de la regla dos los coeficientes +4,+4,-2,-2,-2,
-2 pero estos pueden reducirse a: +2, +2, -1, -1, -1, -1.
134
4) Los coeficientes de interacción siempre pueden determinarse mediante la
multiplicación de los coeficientes correspondientes de los efectos principales
Ejemplo: Fact. A= 2x B=2 + T0 (Factorial de tipo mixto):
T0 C1F0 C1F1 C2F0 C2F1

T0 vs resto +4 -1 -1 -1 -1
Cultivos ( C ) 0 +1 -1 +1 -1
Fertilizantes (F) +1 +1 -1 -1
C x F 0 +1 -1 -1 +1
Comparaciones ortogonales entre seis variedades de fréjol
Tratamiento A B C D E F M
kr SC
Contraste 131 167 111 88 163 109 Q
A vs Resto -5 +1 +1 +1 +1 +1 -17 30(4) 2.40
B vs D.E.F. 0 -3 -3 +2 +2 +2 -114 30(4) 108.10
B vs C 0 -1 +1 0 0 0 -56 2(4) 392.00
D vs E.F. 0 0 0 -2 +1 +1 +96 6(4) 384.00
E vs F 0 0 0 0 -1 +1 -54 2(4) 364.50
Subtotal 1251.00
Cálculos para descomponer la suma de cuadrados.
A vs Resto; (-5) (131) + (+1)(267) + (+1)(163) + (+1)(109)= -17

B vs D.E.F; 0 (131) + (-3)(167) + (-3)(11) + (+2)(88) + (+2)(163) + (+2)(109)= -114
B vs C; 0 (131)+ (-1)(167) + (+1)(111) + (0)(88) + (0)(163) + (0)(109)= -56
D vs E.F; 0 (13) + (0)(167) + (0)(111) + (-2)(88) + (+1)(163 )+ (+1)(109)= +96
E vs F; 0 (131) + (0)(167) + (0)(111) + (0)(88) + (-1)(63) + (+1)(109)= -54
135
Fuente de G de F. calcu- F. Tab.

SC CM
Variación L lada 5% 1%
Variedades 5 1251.00 250.20 13.80 ** 2.90 4.56
A vs. Resto 1 2.40 2.40 <1 ns 4.54 8.68
BC vs. DEF 1 108.10 108.10 5.64 *
B vs. C 1 392.00 392.00 20.48 **
D vs. EF 1 384.00 384.00 20.07 **
E vs. F 1 364.50 364.50 19.52 **
Error 15 287.00 19.13
Total 20 1538.00
Algunos textos están de acuerdo que no es necesario aplicar otras pruebas

de Rangos múltiples cuando se ha tomado la decisión de utilizar las
comparaciones ortogonales.
21. SUPERFICIE DE RESPUESTA; GRADOS DE LIBERTAD INDIVIDUALES:

TRATAMIENTOS IGUALMENTE ESPACIADOS
Se llama superficie de respuesta al experimento planeado para detectar

la forma como responder los niveles de un factor, cuando son comparados con
varios niveles de otro factor. Ejm. Como en el caso de aplicar varias dosis de un
funguicida, frente a diferentes niveles de humedad en un invernadero. En
estos experimentos, el investigador busca el punto máximo de la
respuesta al factor estudiado, puesto que ya sabemos que, en general el
tipo de respuesta en experimentación no es lineal, sino curvilineal.
Los polinomios ortogonales son ecuaciones de regresión en las que cada una
está asociada con un exponente de la variable indep: x: x2 , x3 , y todas son
independientes (ortogonales)
136
Totales de tratamientos
Nº de Trat. Grado del K=•C2 i
Polinomio
t1 t2 t3 t4 t5
2 1 -1 +1 . . . 2
3 1 -1 0 +1 2
2 +1 -2 +1 6
4 1 -3 -1 +1 +3 20
2 +1 -1 -1 +1 4
3 -1 +3 -3 +1 20
5 1 -2 -1 0 +1 +2 10
2 +2 -1 -2 -1 +2 14
3 -1 +2 0 -2 +1 10
4 +1 -4 +6 -4 +1 70
Ejercicio.
Respuesta del trébol blanco a la aplicación de cinco niveles de azufre (escala relativa
1-10)
Nivel Bloques
Σ
(kg/ha) I II III IV
0 2 1 4 3 10 2.50
5 3 2 5 4 14 3.50
10 4 3 6 4 17 4.25
15 6 8 4 5 23 5.75
20 8 7 6 4 25 5.00
23 21 25 20 89
Análisis de la varianza (ANDEVA )
Fuente de F. F. Tab.
G de L SC CM calculada
Variación 5% 1%
9.6
Tratamiento 4 38.75 8 3.98* 3.26 5.41
1.0
Rep 3 3.00 0
2.4
Error 12 29.25 3
Total 19 71.00
Polinomios ortogonales para cinco tratamientos

137
Niveles de S y Respuesta (totales)
Función o 0 5 10 15 20
Q Kr SC FC
efecto (10) (14) (17) (23) (25)
Lineal -2 -1 0 +1 +2 39 10(4) 38.02 15.64**
Cuadrático +2 -1 -2 -1 +2 -1 14(4) 0.02 <1. ns
Cúbica -1 +2 0 -2 +1 -3 10(4) 0.22 <1. ns
Cuártica +1 -4 +6 -4 +1 -21 70(4) 0.43 <1. ns
Subtota
l 38.69
Dónde: Q= ΣciTi k=Σci 2 SC= Q2/k(r)
138
Análisis de la varianza (ANDEVA FINAL)
Fuente de F. Tab.
Variación 5% 1%
Tratamiento (4) (38.75) 9.68 3.98 3.26 5.41
Lineal 1 38.02 38.02 15.64** 4,75 9,33
Cuadrático 1 0.02 0.02 0,008
Cubico 1 0.22 0.22 0,09
Cuartica 1 0.43 0.43 0,18
Bloques 3 3.00 1.00 0,41
Error 12 29.25 2.43
Total 19 71.00
22.DISEÑOS CRUZADOS (CROSS-OVER DESING) SIMPLE

Un experimento fue planificado para conocer el efecto de dos raciones
alimenticias (A y B) en el periodo de producción lechera, sobre la cantidad y la
calidad de la leche producida por 6 vacas (cada vaca constituye una repetición
completa de los dos tratamientos).
PERIODO DE ANIMALES
Xi.
LACTANCIA 1 2 3 4 5 6
P1 A6 B2 A7 B3 A5 B4 27
P2 B3 A6 B4 A7 B5 A7 32
X.j 9 8 11 10 10 11 59
139
TRATAMIENTOS HIPOTESIS
A B Ho: P1 =P2 : A=B
P1 18 9 HA: P1 ≠P2 : A≠B
P2 20 12 Ho: Animales son iguales
38 21 HA: Animales son diferentes
Cálculos
1. FC = (ΣX..) 2 / 2x a = (59) 2 / 2x6 = 290,08
2i. /a– FC = (272+322)/6 – FC = (1753)/6 – 209,08 = 2.08

2. SCperiodos = ΣX
a p 2
SCtotal = Σ Σ X ij(k) –
3. FC = 62 + 22 +……+ 72 – 209,08 = 323 – 209,08 = 32,93
a 2 = (92 + 82+..…+ 112 )/2 – 209,08

4. SCanim = Σ X .j / 2 – FC = 293,50 – 209,08= 3.42
= (382 + 212)/6 –
a 2
5. SCtra t = Σ X t / a – FC 209,08 = 314,17 – 209,08 = 24.09
6. SCEExp = SCtotal – SCperiodos – SCanim – SCtrat =
= 32,93-2,08-3,42-24,09 = 32,93-29,59 = 3,34
F Calc. F. TABLA
F de V G de L SC CM
5% 1%
Periodo 1 1 2,08 2,08 2,49 ns 7,71 21,20
Animales a-1 5 3,42 0,68 0,81 ns 6,26 15,52
Tratamientos 1 1 24,09 24,09 28,85 ** 7,71 21,20
Error Exp. a-2 4 3,34 0,835
Total 2a-1 11 32,93
140
TABLA DE DISEÑOS BALANCEADOS PARA ESTIMAR EFECTOS RESIDUALES
TRES TRATAMIENTOS CUATRO TRATAMIENTOS
Periodos Periodos
1 A B C A B C 1 A B C D
2 B C A C A B 2 B C D A
3 C A B B C A 3 C A B C
4 D D A B
CINCO TRATAMIENTOS (Utilicen ambos cuadros)

Periodos
1 A B C D E A B C D E
2 B C D E A C D E A B
3 D E A B C B C D E A
4 E A B C D E A B C D
5 C D E A B D E A B C
Fuente: Ángel M. Garza (1983) Diseño de experimentos con animales. Colegio de Posgraduados. Chapingo México
23.ANALISIS DE COVARIANZA
El análisis de covarianza es una técnica muy útil en la investigación. Su
desconocimiento ha sido la causa de que rara vez, se le haya empleado en el
ámbito dasonómico de México. Se le considera como una metodología de
naturaleza intermedia entre el análisis de varianza y el análisis de regresión.
ANACOVA. Covarianza significa variación simultánea de dos variables
correlacionadas; su valor se expresa por cov.
Usos del Anacova (Snedecor)

1. Aumentar la precisión de experimentos aleatorios.
2. Ajustar errores por conceptos de sesgo en estudios que se basan en
observaciones.
3. Arrojar luz sobre la naturaleza de los efectos de los tratamientos en
experimentos aleatorios.
4. Estudiar regresiones en clasificaciones múltiples.
141
Cuando se aplica para corregir por un diferente número de plantas, el ajuste
se hace como si todas las unidades experimentales contaran con igual número.
La técnica también se puede aplicar en aquellos experimentos agropecuarios
en que los animales tienen un peso inicial diferente, siendo la variable
independiente X dicho peso inicial y la ganancia en peso, después de aplicar
los tratamientos, la variable dependiente Y.
En general, en ensayos de alimentación de animales, las diferencias entre
medias de tratamientos no ajustadas, puede deberse al valor nutritivo de las
raciones, a diferencias en la cantidad consumida por los animales o a las dos
causas. Tal sería el caso de una dieta de alto valor nutritivo en la que, un exceso
de harina de pescado, puede volver impalatable al alimento; o cuando se
adiciona niveles subidos de melaza o torta de algodón a la dieta: en el primer
caso pueden producirse diarreas y en el segundo intoxicaciones por el
contenido de gosipol de la torta.
Si, en los casos indicados, se ajusta las diferencias entre ganancia de peso, a
un consumo igual de alimento para todas las raciones, esas medidas ajustadas
indicarán si, en realidad, las dietas tienen valor nutritivo diferente.
Para ensayos de tipo agronómico, el uso del ANACOVA es también de gran
utilidad. Supongamos el caso de parcelas experimentales en las que se prueba el
rendimiento de algunas variedades de maíz o niveles de fertilizante o fungicida; si,
por una granizada o ataque de plagas o pájaros antes de la cosecha, se presentan
daños en las parcelas, el análisis de variancia de datos no ajustados puede no
reflejar el potencial de rendimiento de acuerdo con los tratamientos establecidos.
Al remover, por medio del ANACOVA, la variación de rendimiento por parcela,
podremos evaluar fielmente los resultados; es decir, se supone que la población
de plantas es igual en todas las parcelas y, después de este ajuste, será posible
medir los rendimientos de cada tratamiento.
Modelos Matemáticos:
DIA: Yil= + Ti + β(Xij- ..) + Єij ; β(Xij- ..)= Efecto lineal de otra variable
; β = Coeficiente de regresión Y en
X
DBA: Yil= + Ti + p i + β(Xij- ..) + Єij ;p i = Efecto debido a bloques
Según Caballero. Se le considera intermedia (metodología) de naturaleza

inter-media entre el ADEVA y el análisis de regresión.
142
Análisis de covarianza para una distribución en bloques al azar
X= número de plantas; Y= producción
i = 1 … a tratamientos
j = 1 … n repeticiones
Repeticiones
Tratam. I II III
X Y X Y X Y Xi. Y i.
1 Xij Yij Xij Yij Xij Yij X1 . Y1 .

2
3
a
X.j; Y.j X.1 Y.1 X. 2 Y.2 X. 3 Y.3 X.. Y..
Procedimiento para calcular la S.C para X

1. F.C. = X2..
an
2. S.C.Total = ƩХij2 – F.C.
3. S.C.Bloques = ƩХ.j2 – F.C
a
4. S.C.Tratamientos = ƩХi.2 – F.C
n
5. S.C.Error = S.C. Total – (S.C.Tratamientos + S.C.Bloques)
* Snedecor citado por Caballero, 1976
Procedimiento para calcular la S.C para Y
1. F.C. = Y2..
an
2. S.C.Total = ƩYij2 – F.C.= Ʃy2
143
3. S.C.Bloques = ƩY.j2 – F.C = Ʃy2B
a
4. S.C.Tratamientos = ƩYi.2 – F.C =
Ʃy2T n
5. S.C.Error = S.C.Total – (S.C.Tratamientos + S.C.Bloques) =
Ʃy2E
Procedimiento para calcular la ƩXY

1. F.C. =
X2..Y
2..
an
2. Ʃxy.Total = ƩXij Yij– F.C.
3. Ʃxy.Bloques = ƩX.j Y.j – F.C
a
4. Ʃxy.Tratamientos = ƩXi. Yi –
F.C. n
5. Ʃxy.Error = Ʃxy.Total – (ƩxyTratamientos + ƩxyBloques) = Ʃy2E
Cálculo del coeficiente de

regresión
byx = ƩxyError = ƩxyE
Ʃx2Error S.C.E
Hacer la prueba de F para la variable X, para la variable Y y para la

covarianza
144
145
Modelo de análisis de covarianza para una distribución en bloques al azar
Valores Ajustados
Causas G.L. S.C.X ƩXY S.C.Y
G.L. S.C.y C.M.
Total (an 1) S.C.Tot. ƩxyTot Ʃy2
Bloques (n - 1) S.C.Bloq. ƩxyBloq. Ʃy2
Trat. (a - 1) S.C.Tot. ƩxyTot Ʃy2Tot Ʃy2error - (Ʃ xyerror)2
Error (E ) (a - 1) (n 1) S.C.Error ƩxyError Ʃy2Error (a-1)(n-1)-1 S.C.error S2yx
2
T + E n (a -1) S.C.TE ƩxyTE Ʃy2TE n (a 1) 1 Ʃy2TE - (Ʃ xy TE)
S.C.TE
Tratamientos ajustados a 1 S.C.Tratamientos ajustados C.M.
146
Raúl Díaz Ocampo
Tablas Estadísticas
TABLA 1: Distribución Normal tipificada
TABLA 2: Distribución t de Student
TABLA 3: Distribución F de Fisher
TABLA 4: Prueba de rango múltiple de Duncan
TABLA 5: Distribución Chi–Cuadrado
TABLA 6: Arcoseno de la raíz cuadrada de datos
expresados en porcentaje
TABLA 7: Coeficientes de Correlación
TABLA 8: Coeficientes de polinomios ortogonales
148
TABLA 1 Distribución Normal tipificada
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7518 0.7549
0.7 0.7580 0.7612 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9986 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 1 1 1
149
TABLA 2 Distribución t de Student
Prueba de 2 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01 0.001
Colas
Prueba de1
Cola 0.25 0.2 0.15 0.10 0.05 0.025 0.01 0.005 0.0005
G.L.
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.598
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.941
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 5.405
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.371 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.833
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.707
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.646
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.551
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660 3.460
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617 3.373
0.674 0.842 1.936 1.282 1.645 1.960 2.326 2.576 3.291
TABLA 3 Distribución F de Fisher
150
G.L. G.L. DEL NUMERADOR
ERROR α 1 2 3 4 5 6 7 8 9
0.100 39.86 49.50 53.59 55.83 57.24 58.20 58.91 59.44 59.86
0.050 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54
1 0.025 647.79 799.48 864.15 899.60 921.83 937.11 948.20 956.64 963.28
0.010 4052.18 4999.34 5403.53 5624.26 5763.96 5858.95 5928.33 5980.95 6022.40
0.005 16212.46 19997.36 21614.13 22500.75 23055.82 23439.53 23715.20 23923.81 24091.45
0.001 405311.58 499725.34 540256.50 562667.85 576496.12 586032.87 593185.42 597953.80 602245.33
0.100 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38
0.050 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38
2 0.025 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39
0.010 98.50 99.00 99.16 99.25 99.30 99.33 99.36 99.38 99.39
0.005 198.50 199.01 199.16 199.24 199.30 199.33 199.36 199.38 199.39
0.001 998.38 998.84 999.31 999.31 999.31 999.31 999.31 999.31 999.31
0.100 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24
0.050 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
3 0.025 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47
0.010 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34
0.005 55.55 49.80 47.47 46.20 45.39 44.84 44.43 44.13 43.88
0.001 167.06 148.49 141.10 137.08 134.58 132.83 131.61 130.62 129.86
0.100 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94
0.050 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00
4 0.025 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98 8.90
0.010 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66
0.005 31.33 26.28 24.26 23.15 22.46 21.98 21.62 21.35 21.14
0.001 74.13 61.25 56.17 53.43 51.72 50.52 49.65 49.00 48.47
0.100 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32
0.050 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
5 0.025 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76 6.68
0.010 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16
0.005 22.78 18.31 16.53 15.56 14.94 14.51 14.20 13.96 13.77
0.001 47.18 37.12 33.20 31.08 29.75 28.83 28.17 27.65 27.24
0.100 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96
0.050 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10
6 0.025 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52
0.010 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98
0.005 18.63 14.54 12.92 12.03 11.46 11.07 10.79 10.57 10.39
0.001 35.51 27.00 23.71 21.92 20.80 20.03 19.46 19.03 18.69
0.100 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72
0.050 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
7 0.025 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82
0.010 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72
0.005 16.24 12.40 10.88 10.05 9.52 9.16 8.89 8.68 8.51
0.001 29.25 21.69 18.77 17.20 16.21 15.52 15.02 14.63 14.33
151
TABLA 3 Distribución F de Fisher (continuación 1)

ERROR α 1 2 3 4 5 6 7 8 9
0.100 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56
0.050 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39
8 0.025 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36
0.010 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91
0.005 14.69 11.04 9.60 8.81 8.30 7.95 7.69 7.50 7.34
0.001 25.41 18.49 15.83 14.39 13.48 12.86 12.40 12.05 11.77
0.100 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44
0.050 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
9 0.025 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03
0.010 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35
0.005 13.61 10.11 8.72 7.96 7.47 7.13 6.88 6.69 6.54
0.001 22.86 16.39 13.90 12.56 11.71 11.13 10.70 10.37 10.11
0.100 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35
0.050 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02
10 0.025 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78
0.010 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94
0.005 12.83 9.43 8.08 7.34 6.87 6.54 6.30 6.12 5.97
0.001 21.04 14.90 12.55 11.28 10.48 9.93 9.52 9.20 8.96
0.100 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27
0.050 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90
11 0.025 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59
0.010 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63
0.005 12.23 8.91 7.60 6.88 6.42 6.10 5.86 5.68 5.54
0.001 19.69 13.81 11.56 10.35 9.58 9.05 8.65 8.35 8.12
0.100 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21
0.050 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80
12 0.025 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44
0.010 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39
0.005 11.75 8.51 7.23 6.52 6.07 5.76 5.52 5.35 5.20
0.001 18.64 12.97 10.80 9.63 8.89 8.38 8.00 7.71 7.48
0.100 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16
0.050 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71
13 0.025 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39 3.31
0.010 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19
0.005 11.37 8.19 6.93 6.23 5.79 5.48 5.25 5.08 4.94
0.001 17.82 12.31 10.21 9.07 8.35 7.86 7.49 7.21 6.98
0.100 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12
0.050 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65
14 0.025 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29 3.21
0.010 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03
0.005 11.06 7.92 6.68 6.00 5.56 5.26 5.03 4.86 4.72
0.001 17.14 11.78 9.73 8.62 7.92 7.44 7.08 6.80 6.58
152
TABLA 3 Distribución F de Fisher (Continuación 2)
ERROR α 1 2 3 4 5 6 7 8 9
0.100 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09
0.050 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59
15 0.025 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12
0.010 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89
0.005 10.80 7.70 6.48 5.80 5.37 5.07 4.85 4.67 4.54
0.001 16.59 11.34 9.34 8.25 7.57 7.09 6.74 6.47 6.26
0.100 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06
0.050 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54
16 0.025 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12 3.05
0.010 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78
0.005 10.58 7.51 6.30 5.64 5.21 4.91 4.69 4.52 4.38
0.001 16.12 10.97 9.01 7.94 7.27 6.80 6.46 6.20 5.98
0.100 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03
0.050 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49
17 0.025 6.04 4.62 4.01 3.66 3.44 3.28 3.16 3.06 2.98
0.010 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68
0.005 10.38 7.35 6.16 5.50 5.07 4.78 4.56 4.39 4.25
0.001 15.72 10.66 8.73 7.68 7.02 6.56 6.22 5.96 5.75
0.100 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00
0.050 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
18 0.025 5.98 4.56 3.95 3.61 3.38 3.22 3.10 3.01 2.93
0.010 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60
0.005 10.22 7.21 6.03 5.37 4.96 4.66 4.44 4.28 4.14
0.001 15.38 10.39 8.49 7.46 6.81 6.35 6.02 5.76 5.56
0.100 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98
0.050 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42
19 0.025 5.92 4.51 3.90 3.56 3.33 3.17 3.05 2.96 2.88
0.010 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52
0.005 10.07 7.09 5.92 5.27 4.85 4.56 4.34 4.18 4.04
0.001 15.08 10.16 8.28 7.27 6.62 6.18 5.85 5.59 5.39
0.100 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96
0.050 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39
20 0.025 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84
0.010 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46
0.005 9.94 6.99 5.82 5.17 4.76 4.47 4.26 4.09 3.96
0.001 14.82 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24
0.100 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95
0.050 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37
21 0.025 5.83 4.42 3.82 3.48 3.25 3.09 2.97 2.87 2.80
0.010 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40
0.005 9.83 6.89 5.73 5.09 4.68 4.39 4.18 4.01 3.88
0.001 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31 5.11
153

ERROR α 1 2 3 4 5 6 7 8 9
0.100 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93
0.050 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34
22 0.025 5.79 4.38 3.78 3.44 3.22 3.05 2.93 2.84 2.76
0.010 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35
0.005 9.73 6.81 5.65 5.02 4.61 4.32 4.11 3.94 3.81
0.001 14.38 9.61 7.80 6.81 6.19 5.76 5.44 5.19 4.99
0.100 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92
0.050 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32
23 0.025 5.75 4.35 3.75 3.41 3.18 3.02 2.90 2.81 2.73
0.010 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30
0.005 9.63 6.73 5.58 4.95 4.54 4.26 4.05 3.88 3.75
0.001 14.20 9.47 7.67 6.70 6.08 5.65 5.33 5.09 4.89
0.100 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91
0.050 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30
24 0.025 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70
0.010 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26
0.005 9.55 6.66 5.52 4.89 4.49 4.20 3.99 3.83 3.69
0.001 14.03 9.34 7.55 6.59 5.98 5.55 5.24 4.99 4.80
0.100 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89
0.050 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28
25 0.025 5.69 4.29 3.69 3.35 3.13 2.97 2.85 2.75 2.68
0.010 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22
0.005 9.48 6.60 5.46 4.84 4.43 4.15 3.94 3.78 3.64
0.001 13.88 9.22 7.45 6.49 5.89 5.46 5.15 4.91 4.71
0.100 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88
0.050 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
26 0.025 5.66 4.27 3.67 3.33 3.10 2.94 2.82 2.73 2.65
0.010 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18
0.005 9.41 6.54 5.41 4.79 4.38 4.10 3.89 3.73 3.60
0.001 13.74 9.12 7.36 6.41 5.80 5.38 5.07 4.83 4.64
0.100 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87
0.050 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25
27 0.025 5.63 4.24 3.65 3.31 3.08 2.92 2.80 2.71 2.63
0.010 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15
0.005 9.34 6.49 5.36 4.74 4.34 4.06 3.85 3.69 3.56
0.001 13.61 9.02 7.27 6.33 5.73 5.31 5.00 4.76 4.57
0.100 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87
0.050 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
28 0.025 5.61 4.22 3.63 3.29 3.06 2.90 2.78 2.69 2.61
0.010 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12
0.005 9.28 6.44 5.32 4.70 4.30 4.02 3.81 3.65 3.52
0.001 13.50 8.93 7.19 6.25 5.66 5.24 4.93 4.69 4.50
154
G.L.
ERROR α 1 2 3 4 5 6 7 8 9
0.100 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86
0.050 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22
29 0.025 5.59 4.20 3.61 3.27 3.04 2.88 2.76 2.67 2.59
0.010 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09
0.005 9.23 6.40 5.28 4.66 4.26 3.98 3.77 3.61 3.48
0.001 13.39 8.85 7.12 6.19 5.59 5.18 4.87 4.64 4.45
0.100 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85
0.050 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21
30 0.025 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57
0.010 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07
0.005 9.18 6.35 5.24 4.62 4.23 3.95 3.74 3.58 3.45
0.001 13.29 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39
0.100 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79
0.050 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12
40 0.025 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45
0.010 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89
0.005 8.83 6.07 4.98 4.37 3.99 3.71 3.51 3.35 3.22
0.001 12.61 8.25 6.59 5.70 5.13 4.73 4.44 4.21 4.02
0.100 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74
0.050 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04
60 0.025 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33
0.010 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72
0.005 8.49 5.79 4.73 4.14 3.76 3.49 3.29 3.13 3.01
0.001 11.97 7.77 6.17 5.31 4.76 4.37 4.09 3.86 3.69
0.100 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68
0.050 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96
120 0.025 5.15 3.80 3.23 2.89 2.67 2.52 2.39 2.30 2.22
0.010 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56
0.005 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81
0.001 11.38 7.32 5.78 4.95 4.42 4.04 3.77 3.55 3.38
0.100 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63
0.050 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88
∞ 0.025 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11
0.010 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41
0.005 7.88 5.30 4.28 3.72 3.35 3.09 2.90 2.74 2.62
0.001 10.83 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10
155

ERROR α 10 12 15 20 24 30 40 60 120 ∞
0.100 60.19 60.71 61.22 61.74 62.00 62.26 62.53 62.79 63.06 63.33
0.050 241.88 243.90 245.95 248.02 249.05 250.10 251.14 252.20 253.25 254.32
1 0.025 968.63 976.72 984.87 993.08 997.27 1001.40 1005.60 1009.79 1014.04 1018.26
0.010 6055.93 6106.68 6156.97 6208.66 6234.27 6260.35 6286.43 6312.97 6339.51 6365.59
0.005 24221.84 24426.73 24631.62 24836.51 24937.09 25041.40 25145.71 25253.74 25358.05 25466.08
605583.1 610351.5 616073.6 620841.9 623703.0 626087.1 628471.3 631332.4 634193.4 636577.6
0.001 9 6 1 8 0 9 7 0 2 1
0.100 9.39 9.41 9.42 9.44 9.45 9.46 9.47 9.47 9.48 9.49
0.050 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
2 0.025 39.40 39.41 39.43 39.45 39.46 39.46 39.47 39.48 39.49 39.50
0.010 99.40 99.42 99.43 99.45 99.46 99.47 99.48 99.48 99.49 99.50
0.005 199.39 199.42 199.43 199.45 199.45 199.48 199.48 199.48 199.49 199.51
0.001 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31 999.31
0.100 5.23 5.22 5.20 5.18 5.18 5.17 5.16 5.15 5.14 5.13
0.050 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
3 0.025 14.42 14.34 14.25 14.17 14.12 14.08 14.04 13.99 13.95 13.90
0.010 27.23 27.05 26.87 26.69 26.60 26.50 26.41 26.32 26.22 26.13
0.005 43.68 43.39 43.08 42.78 42.62 42.47 42.31 42.15 41.99 41.83
0.001 129.22 128.32 127.36 126.43 125.93 125.44 124.97 124.45 123.98 123.46
0.100 3.92 3.90 3.87 3.84 3.83 3.82 3.80 3.79 3.78 3.76
0.050 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
4 0.025 8.84 8.75 8.66 8.56 8.51 8.46 8.41 8.36 8.31 8.26
0.010 14.55 14.37 14.20 14.02 13.93 13.84 13.75 13.65 13.56 13.46
0.005 20.97 20.70 20.44 20.17 20.03 19.89 19.75 19.61 19.47 19.32
0.001 48.05 47.41 46.76 46.10 45.77 45.43 45.08 44.75 44.40 44.05
0.100 3.30 3.27 3.24 3.21 3.19 3.17 3.16 3.14 3.12 3.11
0.050 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.37
5 0.025 6.62 6.52 6.43 6.33 6.28 6.23 6.18 6.12 6.07 6.02
0.010 10.05 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02
0.005 13.62 13.38 13.15 12.90 12.78 12.66 12.53 12.40 12.27 12.14
0.001 26.91 26.42 25.91 25.39 25.13 24.87 24.60 24.33 24.06 23.79
0.100 2.94 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.72
0.050 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
6 0.025 5.46 5.37 5.27 5.17 5.12 5.07 5.01 4.96 4.90 4.85
0.010 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88
0.005 10.25 10.03 9.81 9.59 9.47 9.36 9.24 9.12 9.00 8.88
0.001 18.41 17.99 17.56 17.12 16.90 16.67 16.44 16.21 15.98 15.75
0.100 2.70 2.67 2.63 2.59 2.58 2.56 2.54 2.51 2.49 2.47
0.050 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
7 0.025 4.76 4.67 4.57 4.47 4.41 4.36 4.31 4.25 4.20 4.14
0.010 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65
0.005 8.38 8.18 7.97 7.75 7.64 7.53 7.42 7.31 7.19 7.08
0.001 14.08 13.71 13.32 12.93 12.73 12.53 12.33 12.12 11.91 11.70
156

ERROR α 10 12 15 20 24 30 40 60 120 ∞
0.100 2.54 2.50 2.46 2.42 2.40 2.38 2.36 2.34 2.32 2.29
0.050 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
8 0.025 4.30 4.20 4.10 4.00 3.95 3.89 3.84 3.78 3.73 3.67
0.010 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.86
0.005 7.21 7.01 6.81 6.61 6.50 6.40 6.29 6.18 6.06 5.95
0.001 11.54 11.19 10.84 10.48 10.30 10.11 9.92 9.73 9.53 9.33
0.100 2.42 2.38 2.34 2.30 2.28 2.25 2.23 2.21 2.18 2.16
0.050 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
9 0.025 3.96 3.87 3.77 3.67 3.61 3.56 3.51 3.45 3.39 3.33
0.010 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31
0.005 6.42 6.23 6.03 5.83 5.73 5.62 5.52 5.41 5.30 5.19
0.001 9.89 9.57 9.24 8.90 8.72 8.55 8.37 8.19 8.00 7.81
0.100 2.32 2.28 2.24 2.20 2.18 2.16 2.13 2.11 2.08 2.06
0.050 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
10 0.025 3.72 3.62 3.52 3.42 3.37 3.31 3.26 3.20 3.14 3.08
0.010 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91
0.005 5.85 5.66 5.47 5.27 5.17 5.07 4.97 4.86 4.75 4.64
0.001 8.75 8.45 8.13 7.80 7.64 7.47 7.30 7.12 6.94 6.76
0.100 2.25 2.21 2.17 2.12 2.10 2.08 2.05 2.03 2.00 1.97
0.050 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
11 0.025 3.53 3.43 3.33 3.23 3.17 3.12 3.06 3.00 2.94 2.88
0.010 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60
0.005 5.42 5.24 5.05 4.86 4.76 4.65 4.55 4.45 4.34 4.23
0.001 7.92 7.63 7.32 7.01 6.85 6.68 6.52 6.35 6.18 6.00
0.100 2.19 2.15 2.10 2.06 2.04 2.01 1.99 1.96 1.93 1.90
0.050 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
12 0.025 3.37 3.28 3.18 3.07 3.02 2.96 2.91 2.85 2.79 2.72
0.010 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36
0.005 5.09 4.91 4.72 4.53 4.43 4.33 4.23 4.12 4.01 3.90
0.001 7.29 7.00 6.71 6.40 6.25 6.09 5.93 5.76 5.59 5.42
0.100 2.14 2.10 2.05 2.01 1.98 1.96 1.93 1.90 1.88 1.85
0.050 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
13 0.025 3.25 3.15 3.05 2.95 2.89 2.84 2.78 2.72 2.66 2.60
0.010 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17
0.005 4.82 4.64 4.46 4.27 4.17 4.07 3.97 3.87 3.76 3.65
0.001 6.80 6.52 6.23 5.93 5.78 5.63 5.47 5.30 5.14 4.97
0.100 2.10 2.05 2.01 1.96 1.94 1.91 1.89 1.86 1.83 1.80
0.050 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
14 0.025 3.15 3.05 2.95 2.84 2.79 2.73 2.67 2.61 2.55 2.49
0.010 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00
0.005 4.60 4.43 4.25 4.06 3.96 3.86 3.76 3.66 3.55 3.44
0.001 6.40 6.13 5.85 5.56 5.41 5.25 5.10 4.94 4.77 4.60
157

ERROR α 10 12 15 20 24 30 40 60 120 ∞
0.100 2.06 2.02 1.97 1.92 1.90 1.87 1.85 1.82 1.79 1.76
0.050 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
15 0.025 3.06 2.96 2.86 2.76 2.70 2.64 2.59 2.52 2.46 2.40
0.010 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87
0.005 4.42 4.25 4.07 3.88 3.79 3.69 3.59 3.48 3.37 3.26
0.001 6.08 5.81 5.54 5.25 5.10 4.95 4.80 4.64 4.48 4.31
0.100 2.03 1.99 1.94 1.89 1.87 1.84 1.81 1.78 1.75 1.72
0.050 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
16 0.025 2.99 2.89 2.79 2.68 2.63 2.57 2.51 2.45 2.38 2.32
0.010 3.69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75
0.005 4.27 4.10 3.92 3.73 3.64 3.54 3.44 3.33 3.22 3.11
0.001 5.81 5.55 5.27 4.99 4.85 4.70 4.54 4.39 4.23 4.06
0.100 2.00 1.96 1.91 1.86 1.84 1.81 1.78 1.75 1.72 1.69
0.050 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
17 0.025 2.92 2.82 2.72 2.62 2.56 2.50 2.44 2.38 2.32 2.25
0.010 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65
0.005 4.14 3.97 3.79 3.61 3.51 3.41 3.31 3.21 3.10 2.98
0.001 5.58 5.32 5.05 4.78 4.63 4.48 4.33 4.18 4.02 3.85
0.100 1.98 1.93 1.89 1.84 1.81 1.78 1.75 1.72 1.69 1.66
0.050 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
18 0.025 2.87 2.77 2.67 2.56 2.50 2.44 2.38 2.32 2.26 2.19
0.010 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57
0.005 4.03 3.86 3.68 3.50 3.40 3.30 3.20 3.10 2.99 2.87
0.001 5.39 5.13 4.87 4.59 4.45 4.30 4.15 4.00 3.84 3.67
0.100 1.96 1.91 1.86 1.81 1.79 1.76 1.73 1.70 1.67 1.63
0.050 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
19 0.025 2.82 2.72 2.62 2.51 2.45 2.39 2.33 2.27 2.20 2.13
0.010 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49
0.005 3.93 3.76 3.59 3.40 3.31 3.21 3.11 3.00 2.89 2.78
0.001 5.22 4.97 4.70 4.43 4.29 4.14 3.99 3.84 3.68 3.51
0.100 1.94 1.89 1.84 1.79 1.77 1.74 1.71 1.68 1.64 1.61
0.050 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
20 0.025 2.77 2.68 2.57 2.46 2.41 2.35 2.29 2.22 2.16 2.09
0.010 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42
0.005 3.85 3.68 3.50 3.32 3.22 3.12 3.02 2.92 2.81 2.69
0.001 5.08 4.82 4.56 4.29 4.15 4.00 3.86 3.70 3.54 3.38
0.100 1.92 1.87 1.83 1.78 1.75 1.72 1.69 1.66 1.62 1.59
0.050 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
21 0.025 2.73 2.64 2.53 2.42 2.37 2.31 2.25 2.18 2.11 2.04
0.010 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36
0.005 3.77 3.60 3.43 3.24 3.15 3.05 2.95 2.84 2.73 2.61
0.001 4.95 4.70 4.44 4.17 4.03 3.88 3.74 3.58 3.42 3.26
158

ERROR α 10 12 15 20 24 30 40 60 120 ∞
0.100 1.90 1.86 1.81 1.76 1.73 1.70 1.67 1.64 1.60 1.57
0.050 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
22 0.025 2.70 2.60 2.50 2.39 2.33 2.27 2.21 2.14 2.08 2.00
0.010 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31
0.005 3.70 3.54 3.36 3.18 3.08 2.98 2.88 2.77 2.66 2.55
0.001 4.83 4.58 4.33 4.06 3.92 3.78 3.63 3.48 3.32 3.15
0.100 1.89 1.84 1.80 1.74 1.72 1.69 1.66 1.62 1.59 1.55
0.050 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
23 0.025 2.67 2.57 2.47 2.36 2.30 2.24 2.18 2.11 2.04 1.97
0.010 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26
0.005 3.64 3.47 3.30 3.12 3.02 2.92 2.82 2.71 2.60 2.48
0.001 4.73 4.48 4.23 3.96 3.82 3.68 3.53 3.38 3.22 3.05
0.100 1.88 1.83 1.78 1.73 1.70 1.67 1.64 1.61 1.57 1.53
0.050 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
24 0.025 2.64 2.54 2.44 2.33 2.27 2.21 2.15 2.08 2.01 1.94
0.010 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21
0.005 3.59 3.42 3.25 3.06 2.97 2.87 2.77 2.66 2.55 2.43
0.001 4.64 4.39 4.14 3.87 3.74 3.59 3.45 3.29 3.14 2.97
0.100 1.87 1.82 1.77 1.72 1.69 1.66 1.63 1.59 1.56 1.52
0.050 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
25 0.025 2.61 2.51 2.41 2.30 2.24 2.18 2.12 2.05 1.98 1.91
0.010 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17
0.005 3.54 3.37 3.20 3.01 2.92 2.82 2.72 2.61 2.50 2.38
0.001 4.56 4.31 4.06 3.79 3.66 3.52 3.37 3.22 3.06 2.89
0.100 1.86 1.81 1.76 1.71 1.68 1.65 1.61 1.58 1.54 1.50
0.050 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
26 0.025 2.59 2.49 2.39 2.28 2.22 2.16 2.09 2.03 1.95 1.88
0.010 3.09 2.96 2.81 2.66 2.58 2.50 2.42 2.33 2.23 2.13
0.005 3.49 3.33 3.15 2.97 2.87 2.77 2.67 2.56 2.45 2.33
0.001 4.48 4.24 3.99 3.72 3.59 3.44 3.30 3.15 2.99 2.82
0.100 1.85 1.80 1.75 1.70 1.67 1.64 1.60 1.57 1.53 1.49
0.050 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
27 0.025 2.57 2.47 2.36 2.25 2.19 2.13 2.07 2.00 1.93 1.85
0.010 3.06 2.93 2.78 2.63 2.55 2.47 2.38 2.29 2.20 2.10
0.005 3.45 3.28 3.11 2.93 2.83 2.73 2.63 2.52 2.41 2.29
0.001 4.41 4.17 3.92 3.66 3.52 3.38 3.23 3.08 2.92 2.75
0.100 1.84 1.79 1.74 1.69 1.66 1.63 1.59 1.56 1.52 1.48
0.050 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
28 0.025 2.55 2.45 2.34 2.23 2.17 2.11 2.05 1.98 1.91 1.83
0.010 3.03 2.90 2.75 2.60 2.52 2.44 2.35 2.26 2.17 2.06
0.005 3.41 3.25 3.07 2.89 2.79 2.69 2.59 2.48 2.37 2.25
0.001 4.35 4.11 3.86 3.60 3.46 3.32 3.18 3.02 2.86 2.69
159

ERROR α 10 12 15 20 24 30 40 60 120 ∞
0.100 1.83 1.78 1.73 1.68 1.65 1.62 1.58 1.55 1.51 1.47
0.050 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
29 0.025 2.53 2.43 2.32 2.21 2.15 2.09 2.03 1.96 1.89 1.81
0.010 3.00 2.87 2.73 2.57 2.49 2.41 2.33 2.23 2.14 2.03
0.005 3.38 3.21 3.04 2.86 2.76 2.66 2.56 2.45 2.33 2.21
0.001 4.29 4.05 3.80 3.54 3.41 3.27 3.12 2.97 2.81 2.64
0.100 1.82 1.77 1.72 1.67 1.64 1.61 1.57 1.54 1.50 1.46
0.050 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
30 0.025 2.51 2.41 2.31 2.20 2.14 2.07 2.01 1.94 1.87 1.79
0.010 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01
0.005 3.34 3.18 3.01 2.82 2.73 2.63 2.52 2.42 2.30 2.18
0.001 4.24 4.00 3.75 3.49 3.36 3.22 3.07 2.92 2.76 2.59
0.100 1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.47 1.42 1.38
0.050 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
40 0.025 2.39 2.29 2.18 2.07 2.01 1.94 1.88 1.80 1.72 1.64
0.010 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80
0.005 3.12 2.95 2.78 2.60 2.50 2.40 2.30 2.18 2.06 1.93
0.001 3.87 3.64 3.40 3.15 3.01 2.87 2.73 2.57 2.41 2.23
0.100 1.71 1.66 1.60 1.54 1.51 1.48 1.44 1.40 1.35 1.29
0.050 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
60 0.025 2.27 2.17 2.06 1.94 1.88 1.82 1.74 1.67 1.58 1.48
0.010 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60
0.005 2.90 2.74 2.57 2.39 2.29 2.19 2.08 1.96 1.83 1.69
0.001 3.54 3.32 3.08 2.83 2.69 2.55 2.41 2.25 2.08 1.89
0.100 1.65 1.60 1.55 1.48 1.45 1.41 1.37 1.32 1.26 1.19
0.050 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
120 0.025 2.16 2.05 1.94 1.82 1.76 1.69 1.61 1.53 1.43 1.31
0.010 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38
0.005 2.71 2.54 2.37 2.19 2.09 1.98 1.87 1.75 1.61 1.43
0.001 3.24 3.02 2.78 2.53 2.40 2.26 2.11 1.95 1.77 1.54
0.100 1.60 1.55 1.49 1.42 1.38 1.34 1.30 1.24 1.17 1.00
0.050 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
∞ 0.025 2.05 1.94 1.83 1.71 1.64 1.57 1.48 1.39 1.27 1.00
0.010 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00
0.005 2.52 2.36 2.19 2.00 1.90 1.79 1.67 1.53 1.36 1.00
0.001 2.96 2.74 2.51 2.27 2.13 1.99 1.84 1.66 1.45 1.00
160
TABLA 4 Prueba de rango múltiple de Duncan
G.L. Α NUMERO DE MEDIAS CONSIDERADAS

ERROR 2 3 4 5 6 7 8 9 10 12 14 16 18 20
0.05 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0
1 0.01 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
0.05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
2 0.01 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0
0.05 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
3 0.01 8.26 8.50 8.60 8.70 8.80 8.90 8.90 9.00 9.00 9.00 9.10 9.20 9.30 9.30
0.05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
4 0.01 6.51 6.80 6.90 7.00 7.10 7.1 7.20 7.20 7.30 7.30 7.40 7.40 7.50 7.50
0.05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
5 0.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.50 6.60 6.60 6.70 6.70 6.80
0.05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
6 0.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.10 6.20 6.20 6.30 6.30
0.05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
7 0.01 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.80 5.80 5.90 5.90 6.00 6.00
0.05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
8 0.01 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.50 5.60 5.70 5.70 5.80 5.80
0.05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
9 0.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.40 5.50 5.50 5.60 5.70 5.70
0.05 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.48
10 0.01 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55
0.05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 3.46 3.46 3.46 3.46 3.47 3.48
11 0.01 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39
0.05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
12 0.01 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26
0.05 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
13 0.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15
0.05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
14 0.01 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07
0.05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.44 3.45 3.46 3.47 3.47
15 0.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00
0.05 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.44 3.45 3.46 3.47 3.47
16 0.01 4.13 4.34 4.45 4.54 4.60 4.67 4.72 4.76 4.79 4.84 4.88 4.91 4.93 4.94
0.05 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.44 3.45 3.46 3.47 3.47
17 0.01 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.72 4.75 4.80 4.83 4.86 4.88 4.89
0.05 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.43 3.45 3.46 3.47 3.47
18 0.01 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.76 4.79 4.82 4.84 4.85
0.05 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.43 3.44 3.46 3.47 3.47
19 0.01 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.72 4.76 4.79 4.81 4.82
0.05 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.43 3.44 3.46 3.46 3.47
20 0.01 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.69 4.73 4.76 4.78 4.79
161
TABLA 4 Prueba de rango múltiple de Duncan (Continuación 2)
G.L. Α NUMERO DE MEDIAS CONSIDERADAS
ERROR 2 3 4 5 6 7 8 9 10 12 14 16 18 20
0.05 2.93 3.08 3.17 3.24 3.29 3.32 3.35 3.37 3.39 3.42 3.44 3.45 3.46 3.47
22 0.01 3.99 4.17 4.28 4.36 4.42 4.48 4.53 4.57 4.60 4.65 4.64 4.71 4.74 4.75
0.05 2.92 3.07 3.15 3.22 3.28 3.31 3.34 3.37 3.38 3.41 3.44 3.45 3.46 3.47
24 0.01 3.96 4.14 4.24 4.33 4.39 4.44 4.49 4.53 4.57 4.62 4.64 4.67 4.70 4.72
0.05 2.91 3.06 3.14 3.21 3.27 3.30 3.34 3.36 3.38 3.41 3.43 3.45 3.46 3.47
26 0.01 3.93 4.11 4.21 4.30 4.36 4.41 4.46 4.50 4.53 4.58 4.62 4.65 4.67 4.69
0.05 2.90 3.04 3.13 3.20 3.26 3.30 3.33 3.35 3.37 3.40 3.43 3.45 3.46 3.47
28 0.01 3.91 4.08 4.18 4.28 4.34 4.39 4.43 4.47 4.51 4.56 4.60 4.62 4.65 4.67
0.05 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.40 3.43 3.44 3.46 3.47
30 0.01 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.54 4.58 4.61 4.63 4.65
0.05 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.39 3.42 3.44 3.46 3.47
40 0.01 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.46 4.51 4.54 4.54 4.59
0.05 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.37 3.40 3.43 3.45 3.47
60 0.01 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.39 4.44 4.47 4.50 4.53
0.05 2.80 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32 3.36 3.40 3.42 3.45 3.47
100 0.01 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.35 4.38 4.42 4.45 4.48
0.05 2.77 2.92 3.02 3.09 3.15 3.19 3.23 3.26 3.29 3.34 3.38 3.41 3.44 3.47
∞ 0.01 3.64 3.80 3.90 3.98 4.04 4.09 4.14 4.17 4.20 4.26 4.31 4.34 4.38 4.41
163
TABLA 5 Distribución Chi-Cuadrado
G.L. 0.995 0.990 0.975 0.950 0.900 0.750 0.500 0.250 0.100 0.050 0.025 0.010 0.005 0.001
1 0.001 0.001 0.001 0.004 0.02 0.10 0.45 1.32 2.71 3.84 5.02 6.63 7.88 10.83
2 0.01 0.02 0.05 0.10 0.21 0.58 1.39 2.77 4.61 5.99 7.38 9.21 10.60 13.82
3 0.07 0.11 0.22 0.35 0.58 1.21 2.37 4.11 6.25 7.81 9.35 11.34 12.84 16.27
4 0.21 0.30 0.48 0.71 1.06 1.92 3.36 5.39 7.78 9.49 11.14 13.28 14.86 18.47
5 0.41 0.55 0.83 1.15 1.61 2.67 4.35 6.63 9.24 11.07 12.83 15.09 16.75 20.51
6 0.68 0.87 1.24 1.64 2.20 3.45 5.35 7.84 10.64 12.59 14.45 16.81 18.55 22.46
7 0.99 1.24 1.69 2.17 2.83 4.25 6.35 9.04 12.02 14.07 16.01 18.48 20.28 24.32
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34 10.22 13.36 15.51 17.53 20.09 21.95 26.12
9 1.73 2.09 2.70 3.33 4.17 5.90 8.34 11.39 14.68 16.92 19.02 21.67 23.59 27.88
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34 13.70 17.28 19.68 21.92 24.73 26.76 31.26
12 3.07 3.57 4.40 5.23 6.30 8.44 11.34 14.85 18.55 21.03 23.34 26.22 28.30 32.91
13 3.57 4.11 5.01 5.89 7.04 9.30 12.34 15.98 19.81 22.36 24.74 27.69 29.82 34.53
14 4.07 4.66 5.63 6.57 7.79 10.17 13.34 17.12 21.06 23.68 26.12 29.14 31.32 36.12
15 4.60 5.23 6.26 7.26 8.55 11.04 14.34 18.25 22.31 25.00 27.49 30.58 32.80 37.70
16 5.14 5.81 6.91 7.96 9.31 11.91 15.34 19.37 23.54 26.30 28.85 32.00 34.27 39.25
17 5.70 6.41 7.56 8.67 10.09 12.79 16.34 20.49 24.77 27.59 30.19 33.41 35.72 40.79
18 6.26 7.01 8.23 9.39 10.86 13.68 17.34 21.60 25.99 28.87 31.53 34.81 37.16 42.31
19 6.84 7.63 8.91 10.12 11.65 14.56 18.34 22.72 27.20 30.14 32.85 36.19 38.58 43.82
20 7.434 8.260 9.591 10.851 12.44 15.45 19.34 23.83 28.41 31.41 34.17 37.57 40.00 45.31
21 8.03 8.90 10.28 11.59 13.24 16.34 20.34 24.93 29.62 32.67 35.48 38.93 41.40 46.80
22 8.64 9.54 10.98 12.34 14.04 17.24 21.34 26.04 30.81 33.92 36.78 40.29 42.80 48.27
23 9.26 10.20 11.69 13.09 14.85 18.14 22.34 27.14 32.01 35.17 38.08 41.64 44.18 49.73
24 9.89 10.86 12.40 13.85 15.66 19.04 23.34 28.24 33.20 36.42 39.36 42.98 45.56 51.18
25 10.52 11.52 13.12 14.61 16.47 19.94 24.34 29.34 34.38 37.65 40.65 44.31 46.93 52.62
26 11.16 12.20 13.84 15.38 17.29 20.84 25.34 30.43 35.56 38.89 41.92 45.64 48.29 54.05
27 11.81 12.88 14.57 16.15 18.11 21.75 26.34 31.53 36.74 40.11 43.19 46.96 49.65 55.48
28 12.46 13.56 15.31 16.93 18.94 22.66 27.34 32.62 37.92 41.34 44.46 48.28 50.99 56.89
29 13.12 14.26 16.05 17.71 19.77 23.57 28.34 33.71 39.09 42.56 45.72 49.59 52.34 58.30
30 13.79 14.95 16.79 18.49 20.60 24.48 29.34 34.80 40.26 43.77 46.98 50.89 53.67 59.70
40 20.71 22.16 24.43 26.51 29.05 33.66 39.34 45.62 51.81 55.76 59.34 63.69 66.77 73.40
50 27.99 29.71 32.36 34.76 37.69 42.94 49.33 56.33 63.17 67.50 71.42 76.15 79.49 86.66
60 35.53 37.48 40.48 43.19 46.46 52.29 59.33 66.98 74.40 79.08 83.30 88.38 91.95 99.61
70 43.28 45.44 48.76 51.74 55.33 61.70 69.33 77.58 85.53 90.53 95.02 100.43 104.21 112.32
80 51.17 53.54 57.15 60.39 64.28 71.14 79.33 88.13 96.58 101.88 106.63 112.33 116.32 124.84
90 59.20 61.75 65.65 69.13 73.29 80.62 89.33 98.65 107.57 113.15 118.14 124.12 128.30 137.21
100 67.33 70.06 74.22 77.93 82.36 90.13 99.33 109.14 118.50 124.34 129.56 135.81 140.17 149.45
120 83.85 86.92 91.57 95.70 100.62 109.22 119.33 130.05 140.23 146.57 152.21 158.95 163.65 173.62
164
TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en porcentaje.
% 0 1 2 3 4 5 6 7 8 9
0 0.00 1.81 2.56 3.14 3.63 4.05 4.44 4.80 5.13 5.44
1 5.74 6.02 6.29 6.55 6.80 7.03 7.27 7.49 7.71 7.92
2 8.13 8.33 8.53 8.72 8.91 9.10 9.28 9.46 9.63 9.80
3 9.97 10.14 10.30 10.47 10.63 10.78 10.94 11.09 11.24 11.39
4 11.54 11.68 11.83 11.97 12.11 12.25 12.38 12.52 12.66 12.79
5 12.92 13.05 13.18 13.31 13.44 13.56 13.69 13.81 13.94 14.06
6 14.18 14.30 14.42 14.54 14.65 14.77 14.89 15.00 15.12 15.23
7 15.34 15.45 15.56 15.68 15.79 15.89 16.00 16.11 16.22 16.32
8 16.43 16.54 16.64 16.74 16.85 16.95 17.05 17.15 17.26 17.36
9 17.46 17.56 17.66 17.76 17.85 17.95 18.05 18.15 18.24 18.34
10 18.43 18.53 18.63 18.72 18.81 18.91 19.00 19.09 19.19 19.28
11 19.37 19.46 19.55 19.64 19.73 19.82 19.91 20.00 20.09 20.18
12 20.27 20.36 20.44 20.53 20.62 20.70 20.79 20.88 20.96 21.05
13 21.13 21.22 21.30 21.39 21.47 21.56 21.64 21.72 21.81 21.89
14 21.97 22.06 22.14 22.22 22.30 22.38 22.46 22.54 22.63 22.71
15 22.79 22.87 22.95 23.03 23.11 23.18 23.26 23.34 23.42 23.50
16 23.58 23.66 23.73 23.81 23.89 23.97 24.04 24.12 24.20 24.27
17 24.35 24.43 24.50 24.58 24.65 24.73 24.80 24.88 24.95 25.03
18 25.10 25.18 25.25 25.33 25.40 25.47 25.55 25.62 25.70 25.77
19 25.84 25.91 25.99 26.06 26.13 26.21 26.28 26.35 26.42 26.49
20 26.56 26.64 26.71 26.78 26.85 26.92 26.99 27.06 27.13 27.20
21 27.27 27.34 27.42 27.49 27.56 27.62 27.69 27.76 27.83 27.90
22 27.97 28.04 28.11 28.18 28.25 28.32 28.38 28.45 28.52 28.59
23 28.66 28.73 28.79 28.86 28.93 29.00 29.06 29.13 29.20 29.27
24 29.33 29.40 29.47 29.53 29.60 29.67 29.73 29.80 29.87 29.93
25 30.00 30.07 30.13 30.20 30.26 30.33 30.40 30.46 30.53 30.59
26 30.66 30.72 30.79 30.85 30.92 30.98 31.05 31.11 31.18 31.24
27 31.31 31.37 31.44 31.50 31.56 31.63 31.69 31.76 31.82 31.88
28 31.95 32.01 32.08 32.14 32.20 32.27 32.33 32.39 32.46 32.52
29 32.58 32.65 32.71 32.77 32.83 32.90 32.96 33.02 33.09 33.15
30 33.21 33.27 33.34 33.40 33.46 33.52 33.58 33.65 33.71 33.77
31 33.83 33.89 33.96 34.02 34.08 34.14 34.20 34.27 34.33 34.39
32 34.45 34.51 34.57 34.63 34.70 34.76 34.82 34.88 34.94 35.00
33 35.06 35.12 35.18 35.24 35.30 35.37 35.43 35.49 35.55 35.61
34 35.67 35.73 35.79 35.85 35.91 35.97 36.03 36.09 36.15 36.21
35 36.27 36.33 36.39 36.45 36.51 36.57 36.63 36.69 36.75 36.81
36 36.87 36.93 36.99 37.05 37.11 37.17 37.23 37.29 37.35 37.41
37 37.46 37.52 37.58 37.64 37.70 37.76 37.82 37.88 37.94 38.00
38 38.06 38.12 38.17 38.23 38.29 38.35 38.41 38.47 38.53 38.59
39 38.65 38.70 38.76 38.82 38.88 38.94 39.00 39.06 39.11 39.17
40 39.23 39.29 39.35 39.41 39.47 39.52 39.58 39.64 39.70 39.76
41 39.82 39.87 39.93 39.99 40.05 40.11 40.16 40.22 40.28 40.34
42 40.40 40.45 40.51 40.57 40.63 40.69 40.74 40.80 40.86 40.92
43 40.98 41.03 41.09 41.15 41.21 41.27 41.32 41.38 41.44 41.50
44 41.55 41.61 41.67 41.73 41.78 41.84 41.90 41.96 42.02 42.07
45 42.13 42.19 42.25 42.30 42.36 42.42 42.48 42.53 42.59 42.65
TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en
165
Porcentaje (Continuación 1)
% 0 1 2 3 4 5 6 7 8 9
46 42.71 42.76 42.82 42.88 42.94 42.99 43.05 43.11 43.17 43.22
47 43.28 43.34 43.39 43.45 43.51 43.57 43.62 43.68 43.74 43.80
48 43.85 43.91 43.97 44.03 44.08 44.14 44.20 44.25 44.31 44.37
49 44.43 44.48 44.54 44.60 44.66 44.71 44.77 44.83 44.89 44.94
50 45.00 45.06 45.11 45.17 45.23 45.29 45.34 45.40 45.46 45.52
51 45.57 45.63 45.69 45.74 45.80 45.86 45.92 45.97 46.03 46.09
52 46.15 46.20 46.26 46.32 46.38 46.43 46.49 46.55 46.61 46.66
53 46.72 46.78 46.83 46.89 46.95 47.01 47.06 47.12 47.18 47.24
54 47.29 47.35 47.41 47.47 47.52 47.58 47.64 47.70 47.75 47.81
55 47.87 47.93 47.98 48.04 48.10 48.16 48.22 48.27 48.33 48.39
56 48.45 48.50 48.56 48.62 48.68 48.73 48.79 48.85 48.91 48.97
57 49.02 49.08 49.14 49.20 49.26 49.31 49.37 49.43 49.49 49.55
58 49.60 49.66 49.72 49.78 49.84 49.89 49.95 50.01 50.07 50.13
59 50.18 50.24 50.30 50.36 50.42 50.48 50.53 50.59 50.65 50.71
60 50.77 50.83 50.89 50.94 51.00 51.06 51.12 51.18 51.24 51.30
61 51.35 51.41 51.47 51.53 51.59 51.65 51.71 51.77 51.83 51.88
62 51.94 52.00 52.06 52.12 52.18 52.24 52.30 52.36 52.42 52.48
63 52.53 52.59 52.65 52.71 52.77 52.83 52.89 52.95 53.01 53.07
64 53.13 53.19 53.25 53.31 53.37 53.43 53.49 53.55 53.61 53.67
65 53.73 53.79 53.85 53.91 53.97 54.03 54.09 54.15 54.21 54.27
66 54.33 54.39 54.45 54.51 54.57 54.63 54.69 54.76 54.82 54.88
67 54.94 55.00 55.06 55.12 55.18 55.24 55.30 55.37 55.43 55.49
68 55.55 55.61 55.67 55.73 55.80 55.86 55.92 55.98 56.04 56.10
69 56.17 56.23 56.29 56.35 56.41 56.48 56.54 56.60 56.66 56.73
70 56.79 56.85 56.91 56.98 57.04 57.10 57.17 57.23 57.29 57.35
71 57.42 57.48 57.54 57.61 57.67 57.73 57.80 57.86 57.92 57.99
72 58.05 58.12 58.18 58.24 58.31 58.37 58.44 58.50 58.56 58.63
73 58.69 58.76 58.82 58.89 58.95 59.02 59.08 59.15 59.21 59.28
74 59.34 59.41 59.47 59.54 59.60 59.67 59.74 59.80 59.87 59.93
75 60.00 60.07 60.13 60.20 60.27 60.33 60.40 60.47 60.53 60.60
76 60.67 60.73 60.80 60.87 60.94 61.00 61.07 61.14 61.21 61.27
77 61.34 61.41 61.48 61.55 61.61 61.68 61.75 61.82 61.89 61.96
78 62.03 62.10 62.17 62.24 62.31 62.37 62.44 62.51 62.58 62.65
79 62.73 62.80 62.87 62.94 63.01 63.08 63.15 63.22 63.29 63.36
80 63.43 63.51 63.58 63.65 63.72 63.79 63.87 63.94 64.01 64.08
81 64.16 64.23 64.30 64.38 64.45 64.52 64.60 64.67 64.75 64.82
82 64.90 64.97 65.05 65.12 65.20 65.27 65.35 65.42 65.50 65.57
83 65.65 65.73 65.80 65.88 65.96 66.03 66.11 66.19 66.27 66.34
84 66.42 66.50 66.58 66.66 66.74 66.81 66.89 66.97 67.05 67.13
85 67.21 67.29 67.37 67.46 67.54 67.62 67.70 67.78 67.86 67.94
86 68.03 68.11 68.19 68.28 68.36 68.44 68.53 68.61 68.70 68.78
87 68.87 68.95 69.04 69.12 69.21 69.30 69.38 69.47 69.56 69.64
88 69.73 69.82 69.91 70.00 70.09 70.18 70.27 70.36 70.45 70.54
89 70.63 70.72 70.81 70.91 71.00 71.09 71.19 71.28 71.37 71.47
90 71.56 71.66 71.76 71.85 71.95 72.05 72.15 72.24 72.34 72.44
91 72.54 72.64 72.74 72.84 72.95 73.05 73.15 73.26 73.36 73.46
166
TABLA 6 Arcoseno de la raíz cuadrada de datos expresados en porcentaje
(Continuación 2)
% 0 1 2 3 4 5 6 7 8 9
92 73.57 73.68 73.78 73.89 74.00 74.11 74.21 74.32 74.44 74.55
93 74.66 74.77 74.88 75.00 75.11 75.23 75.35 75.46 75.58 75.70
94 75.82 75.94 76.06 76.19 76.31 76.44 76.56 76.69 76.82 76.95
95 77.08 77.21 77.34 77.48 77.62 77.75 77.89 78.03 78.17 78.32
96 78.46 78.61 78.76 78.91 79.06 79.22 79.37 79.53 79.69 79.86
97 80.03 80.19 80.37 80.54 80.72 80.90 81.09 81.28 81.47 81.67
98 81.87 82.08 82.29 82.51 82.73 82.96 83.20 83.45 83.71 83.98
99 84.26 84.56 84.87 85.20 85.56 85.94 86.37 86.86 87.44 88.19
100 90.00
167
TABLA 7 Coeficientes de Correlación.
G.L. del Variables independientes

Error Α 1 2 3 4 1 2 3 4
1 0.05 0.997 0.999 0.999 0.999 10 0.576 0.671 0.726 0.763
0.01 1.000 1.000 1.000 1.000 0.708 0.776 0.814 0.840
2 0.05 0.950 0.975 0.983 0.987 11 0.553 0.648 0.703 0.741
0.01 0.990 0.995 0.997 0.998 0.684 0.753 0.793 0.821
3 0.05 0.878 0.930 0.950 0.961 12 0.532 0.627 0.683 0.722
0.01 0.959 0.976 0.983 0.987 0.661 0.732 0.773 0.802
4 0.05 0.811 0.881 0.912 0.930 13 0.514 0.608 0.664 0.703
0.01 0.917 0.949 0.962 0.970 0.641 0.712 0.755 0.785
5 0.05 0.754 0.836 0.874 0.898 14 0.497 0.590 0.646 0.686
0.01 0.874 0.917 0.937 0.949 0.623 0.694 0.737 0.768
6 0.05 0.707 0.795 0.839 0.867 15 0.482 0.574 0.630 0.670
0.01 0.834 0.886 0.911 0.927 0.606 0.677 0.721 0.752
7 0.05 0.666 0.758 0.807 0.838 16 0.468 0.559 0.615 0.655
0.01 0.798 0.855 0.885 0.904 0.590 0.662 0.706 0.738
8 0.05 0.632 0.726 0.777 0.811 17 0.456 0.545 0.601 0.641
0.01 0.765 0.827 0.860 0.882 0.575 0.647 0.691 0.724
9 0.05 0.602 0.697 0.750 0.786 18 0.444 0.532 0.587 0.628
0.01 0.735 0.800 0.836 0.861 0.561 0.633 0.678 0.710
19 0.05 0.433 0.520 0.575 0.615 28 0.361 0.439 0.490 0.529
0.01 0.549 0.620 0.665 0.698 0.463 0.530 0.573 0.605
20 0.05 0.423 0.509 0.563 0.604 29 0.355 0.432 0.482 0.521
0.01 0.537 0.608 0.652 0.685 0.456 0.522 0.565 0.598
21 0.05 0.413 0.498 0.522 0.592 30 0.349 0.426 0.476 0.514
0.01 0.526 0.596 0.641 0.674 0.449 0.514 0.558 0.591
22 0.05 0.404 0.488 0.542 0.582 35 0.325 0.397 0.445 0.482
0.01 0.515 0.585 0.630 0.663 0.418 0.481 0.523 0.556
23 0.05 0.396 0.479 0.532 0.572 40 0.304 0.373 0.419 0.455
0.01 0.505 0.574 0.619 0.652 0.393 0.454 0.494 0.526
24 0.05 0.388 0.470 0.523 0.562 45 0.288 0.353 0.397 0.432
0.01 0.496 0.565 0.609 0.642 0.372 0.430 0.470 0.501
25 0.05 0.381 0.462 0.514 0.553 50 0.273 0.336 0.379 0.412
0.01 0.487 0.555 0.600 0.633 0.354 0.410 0.449 0.479
26 0.05 0.374 0.454 0.506 0.545 60 0.250 0.308 0.348 0.380
0.01 0.478 0.546 0.590 0.624 0.325 0.377 0.414 0.442
27 0.05 0.367 0.446 0.498 0.536 70 0.232 0.286 0.324 0.354
0.01 0.470 0.538 0.582 0.615 0.302 0.351 0.386 0.413
169
TABLA 7 Coeficientes de Correlación (Continuación 2)
Variables
G.L. del independientes
Error α 1 2 3 4
80 0.05 0.217 0.269 0.304 0.332
0.01 0.283 0.330 0.362 0.389
90 0.05 0.205 0.254 0.288 0.315
0.01 0.267 0.312 0.343 0.368
100 0.05 0.195 0.241 0.274 0.300
0.01 0.254 0.297 0.327 0.351
150 0.05 0.159 0.198 0.225 0.247
0.01 0.208 0.244 0.270 0.290
200 0.05 0.138 0.172 0.196 0.215
0.01 0.181 0.212 0.234 0.253
300 0.05 0.113 0.141 0.160 0.176
0.01 0.148 0.174 0.192 0.208
400 0.05 0.098 0.122 0.139 0.153
0.01 0.128 0.151 0.167 0.180
500 0.05 0.088 0.109 0.124 0.137
0.01 0.115 0.135 0.150 0.162
1000 0.05 0.062 0.077 0.088 0.097
0.01 0.081 0.096 0.106 0.115
170
TABLA 8 Coeficientes de polinomios ortogonales
Coeficient
es Coef
Tratamiento Grado a1 a2 a3 a4 a5 a6 a7 a8 a9 a10 2
Lineal 2 1 -1 +1 2
3 1 -1 0 1 2
4 1 -3 -1 1 3 20
5 1 -2 -1 0 1 2 10
6 1 -5 -3 -1 1 3 5 70
7 1 -3 -2 -1 0 1 2 3 28
8 1 -7 -5 -3 -1 1 3 5 7 168
9 1 -4 -3 -2 -1 0 1 2 3 4 60
10 1 -9 -7 -5 -3 -1 1 3 5 7 9 330
Cuadrátic
a 3 2 1 -2 1 6
4 2 1 -1 -1 1 4
5 2 2 -1 -2 -1 2 14
6 2 5 -1 -4 -4 -1 5 84
7 2 5 0 -3 -4 -3 0 5 84
8 2 7 1 -3 -5 -5 -3 1 7 168
9 2 28 7 -8 -17 -20 -17 -8 7 28 2.772
10 2 6 2 -1 -3 -4 -4 -3 -1 2 6 132
Cúbica 4 3 -1 3 -3 1 20
5 3 -1 2 0 -2 1 10
6 3 -5 7 4 -4 -7 5 180
7 3 -1 1 1 0 -1 -1 1 6
8 3 -7 5 7 3 -3 -7 -5 7 264
9 3 -14 7 13 9 0 -9 -13 -7 14 990
10 3 -42 14 35 31 12 -12 -31 -35 -14 42 8.580
Cuártica 5 4 1 -4 6 -4 1 70
6 4 1 -3 2 2 -3 1 28
7 4 3 -7 1 6 1 -7 3 154
8 4 7 -13 -3 9 9 -3 -13 7 616
9 4 14 -21 -11 9 18 9 -11 -21 14 2.002
10 4 18 -22 -17 3 18 18 3 -17 -22 18 2.860
Quíntica 6 5 -1 5 -10 10 -5 1 252
7 5 -1 4 -5 0 5 -4 1 84
8 5 -7 23 -17 -15 15 17 -23 7 2.184
9 5 -4 11 -4 -9 0 9 4 -11 4 468
10 5 -6 14 -1 -11 -6 6 11 1 14 6 780
Nota: Las tablas presentadas en este documento han sido adaptadas de la literatura citada
171
BIBLIOGRAFIA
BAHAMONDE, G. 1985, Métodos Estadísticos y Principios de Diseño

Experimental, Segunda edición. Editorial Universitaria, Universidad
Central del Ecuador, Quito- Ecuador. 371 p.
CABALLERO, M. 1976, Estadística Practica para Dasónomos, Oficina de

publicaciones – Escuela de Ingeniería Forestal, Universidad de los Andes,
Facultad de Ciencias Forestales, Mérida, Venezuela. 194 p.
LITTLE, T & HILLS, F. 1991, Métodos Estadísticos para la Investigación en

Agricultura. Segunda edición. Editorial Trillas, México. 270 p.
MARTINEZ, GARZA, A. 1983, Diseño de Experimentos con Animales. Colegio

de Posgraduados. Chapingo, México. Vol. 1 # 2. 32 p.
QUIROGA, V. 1976, Manual Práctico para el Análisis de Experimentos de

campo. Instituto Interamericano de Cooperación para la Agricultura.
Series de publicaciones miscelaneas # 142. San Jose Costa Rica. 113 p.
REYES, P. 1980, Diseño de Experimentos Aplicados. Segunda edición, 1980,

Editorial Trillas, México. 343 p.
SÁNCHEZ, O. 2006, Introducción al Diseño Experimental; Nueva reimpresión.

Quito Ecuador. 232 p.
STEEL, R & TORRIE, J. 1988, Bioestadística, Principios y Procedimientos.

Segunda edición (primera en español). Traducida por R. Martinez.
Editorial Mc. GrawHill, México. 622 p.
172
Raúl Díaz Ocampo
Ing. Jaime Fabián Vera Chang
ORCID: http://orcid.org/0000-0001-6105-3366
Ingeniero Agropecuario graduado en la Universidad Técnica Estatal de Quevedo, Magíster en
Procesamiento de Alimentos en la Universidad Agraria del Ecuador. Presidente del comité del Comité de
Investigación de la Facultad de Ciencias Pecuarias periodo (2016- hasta la actualidad). Ex miembro del
Comité de Investigación de la Facultad de Ciencias Pecuarias (2011-2013) y el periodo (2015-2016). Ex
investigador de la Unidad de Investigación Científica y tecnológica de la UTEQ (2008-2013). Ex asistente
investigador en el Laboratorio de Biotecnología en enero (2007-2008). Investigador del área agrícola, ciclo
perenne cacao desde enero 2009 hasta 2013. Docente Facultad de Ciencias Pecuarias, Carreras de
Ingeniería en Alimentos, e Ingeniería Agropecuaria, hasta la actualidad. Ha realizado y participado
aproximadamente en 90 seminarios, conferencias y cursos nacionales e internacionales. Director de dos
proyectos de investigación FOCICYT-UTEQ en el Área de calidad y post-cosecha del cacao y uso de residuos
para uso alimentario. Arbitraje Internacional de artículos científicos del Publindex de Universidad Francisco
de Paula Santander- Colciencias-Colombia. Y Revista de Biología Tropical/ International Journal of Tropical
Biology and Conservation Universidad de Costa. Par externo de la Revista el Misionero de la Universidad
Agraria del Ecuador, Revista Ciencia y Tecnología de la Universidad Técnica Estatal de Quevedo.
Reconocimiento en calidad de tutor en el área temática Agricultura, Silvicultura y Veterinaria el tercer lugar
en el concurso Galardones Nacionales del Senescyt 2017. Guayaquil – Ecuador, por haber participado en
calidad de grupo académico para la aprobación del rediseño de la carrera de Ingeniería en Alimentos
Resolución RCP-SO-25 N° 426-2016, por 10 años de servicio en la Universidad Técnica Estatal de Quevedo.
Profesor no titular de las materias: Diseño Experimental, Metodología de la Investigación Científica,
Métodos Estadísticos, Paquetes Estadísticos, Probabilidad y Estadística, Estadística descriptiva e Inferencial.
Calidad e Inocuidad de los Alimentos, Tecnología de Frutas y Hortalizas,Cadenas Agroalimentarias y
Elaboración de productos agropecuarios.
Ing. Jaime Vera Barahona

[email protected]
Ingeniero Agrónomo, graduado en la Universidad Estatal de Guayaquil. Magister Scientiae obtenido en el

Instituto Interamericano de Ciencias Agrícolas IICA Turrialba – Costa Rica. Jefe de Programa de cacao y café
en la Estación Experimental Tropical Pichilingue del INIAP. Delegado del Ecuador a la VII Conferencia
Internacional de Investigación de cacao. Cartagena – Colombia. Docente fundador Decano Facultad de
Ciencias Agrarias. Subdecano Facultad de Ciencias Pecuarias. Miembro de la Comisión de acreditación de la
UTEQ. Reconocimiento y máximas preseas otorgada por el Colegio de Ingenieros Agrónomos del Guayas
(CIAG). Premio Fabián Portilla Rocha del INIAP, al mejor trabajo de investigación. Mejor Docente de la
Facultad de Ciencias Pecuarias y del Instituto Tecnológico Agropecuario de Vinces. Autor de artículos
científicos en conferencias internacionales y revistas científicas.
s

Resumen de Principios: de Diseños Experimentales

Cargado por

Copyright:

Formatos disponibles

Resumen de Principios: de Diseños Experimentales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Resumen de Principios: de Diseños Experimentales

Cargado por

Copyright:

Formatos disponibles

Jaime Vera Barahona

Jaime F. Vera Chang

Resumen de principios de diseños experimentales

Primera edición: noviembre 2018

© Universidad Técnica Estatal de Quevedo 2018

Diseño de portada y diagramación: Grupo Compás

Este texto ha sido sometido a un proceso de

Quedan rigurosamente prohibidas, bajo las sanciones

Muchos profesionales y colegas investigadores me hacían

Esta primera edición contiene una información compilada

El Ingeniero puede no estar inmediatamente capacitado para

Al Instituto Nacional de Investigación Agropecuaria quien me dio la

A la Universidad Técnica Estatal de Quevedo (UTEQ) por confiar en mi

A la Universidad Estatal de Guayaquil al Instituto Tecnológico Agropecuario

A los colegas docentes de las universidades antes mencionadas quienes me

Deseo agradecer a los autores de la lista bibliográfica de la presente obra

Finalmente deseo expresar mis sinceros agradecimientos a los alumnos de

DISEÑOS EXPERIMENTALES ..................................................................... 11

1. ¿QUÉ ES UN DISEÑO EXPERIMENTAL?

Ostle (1965) define a un diseño experimental como la secuencia completa

4. Los diseños experimentales están enfocados para obtener la máxima

El objetivo de la ciencia es lograr una descripción, explicación y

a.- Captación de información (observación o experimentación).

c.- Por deducción, se determinan que resultados surgen bajo ciertas

Figura 1. Esquema general del método científico

Simplicidad.- La selección de tratamientos y la disposición experimental

6. ELECCIÓN DEL DISEÑO PARA LA CONDUCCIÓN DEL EXPERIMENTO

Todo investigador debe seguir por fuerza, una metodología dada en la

Objetivos del experimento.

La definición dada sugiere que el investigador debe conocer bien el

• ¿Cuáles son los caracteres o variables que van a ser analizados?

• ¿Existe uniformidad general con respecto a otros factores?

• ¿Cuál va a ser el procedimiento a seguirse?

Resumiendo: los objetivos de la experimentación deben plantearse como

Características del material experimental.

No siempre el diseño experimental que resulta más apropiado para resolver

a. Para un tamaño fijo de muestra. Cuando se trabaja con árboles, las

b. Siendo que una de las características es la longevidad, los diseños por

c. Los bosques naturales del Trópico presentan una condición de variabilidad

Costo del experimento.

Es indudable que la aplicación de ciertos diseños implica mayor costo que la

7. ESTABLECIMIENTO DEL EXPERIMENTO

1. ¿Dónde estableceré mi experimento?

2. ¿De qué tamaño y forma deben ser las parcelas?

No existe un tamaño fijo de parcela porque los objetivos y el material de

a. Cuando los requerimientos del experimento no exijan otra cosa,

Para el investigador la palabra tratamiento denota diferentes procedimientos o

En estudios sociológicos y psicológicos, ejemplo: Edad, sexo, grado de

En la industria, ejemplo: Emisión de piezas defectuosas, temperatura del

En Alimentos y Agroindustrias: Materia grasa, extracto seco, actividad de

Se usa esta palabra para referirse a un tratamiento sobre el que aparente

En análisis bromatológicos de alimentos podría considerarse la composición

Se llama unidad experimental a la identidad o unidad material a la cual se

La unidad puede ser una parcela de terreno, un animal, un paciente de un

La característica general de tales unidades es la de que presenten resultados

Cuadro 1. Tamaño de la unidad experimental en animales.

Se llama repetición, replicación, bloque o reproducción al conjunto básico

Cualquiera que sea la fuente del error experimental, la repetición del

La heterogeneidad del suelo es universal, en consecuencia, debe evitarse