EXPERIMENTOS FACTORIALES

DEFINICIONES

Diseños de un factor
El tratamiento está constituido por un factor (variable
independiente) que presenta varios niveles y que pueden ser
cuantitativo o cualitativo. Ejemplos: dosis de fertilizantes,
densidades de siembra, variedades.

Diseños Factoriales
Se llaman experimentos factoriales a aquellos en los que se
estudian simultáneamente dos o más factores como variables
independientes, cada uno con determinado número de niveles.
Por ejemplo, un diseño trifactorial podría ser: tres variedades de
zanahoria con 2 programas de fertilización y 2 distanciamientos
de siembra. En este caso los tratamientos se forman por la
combinación de los diferentes niveles de cada uno de los
factores.
 EXPERIMENTOS FACTORIALES
DEFINICIONES

Los experimentos factoriales en si, no constituyen un diseño

experimental sino un DISEÑO O ARREGLO DE TRATAMIENTOS. Un
arreglo de tratamientos es la disposición geométrica y espacial de
un conjunto de tratamientos que resultan de la combinación de
niveles y que deben ser analizados en un experimento utilizando
cualquiera de los diseños experimentales clásicos como el Diseño
Completamente al Azar (DCA), el Diseño en Bloques Completos al
Azar (BCA) o Diseño en Cuadrado Latino (DCL). Por ejemplo, diseño
completamente al azar con arreglo trifactorial en parcelas
divididas.
Los experimentos factoriales se emplean en todos los campos de
la investigación, son útiles en investigaciones exploratorias en las
que se pretende conocer el efecto de la interacción entre dos o
más factores.
 EXPERIMENTOS FACTORIALES
TIPOS DE EXPERIMENTOS FACTORIALES

• Según el número de factores pueden ser bifactoriales,

trifactoriales o multifactoriales.
• De acuerdo con la manera en que fueron seleccionados los
niveles de los factores, pueden ser experimentos factoriales de
efectos fijos tipo I o factorial de efectos aleatorios tipo II.
• Con base en la relación entre los distintos factores pueden ser de
factores cruzados (permite analizar interacciones), factores
jerárquicos o anidados (no permite el estudio de interacciones) y
mixtos.
• Según el arreglo de tratamientos pueden ser combinatorio, en
parcelas divididas, en franjas, parcelas subdivididas.
• Según la cantidad de niveles por factor pueden ser simétricos (2k,
3k), asimétricos (2×3, 5×4, 3×2×3), aumentado o con testigo
(2k+1, 3×4+2), fraccionados 2k1 .
 EXPERIMENTOS FACTORIALES
TIPOS DE EXPERIMENTOS FACTORIALES
FRACCIONADOS
Experimento en el cual los solo realizan un subconjunto
seleccionado o "fracción" de las corridas (tratamientos o
combinación de niveles) experimentales incluidas en el
diseño factorial completo. Son una opción adecuada
cuando el número de factores incluidos en el diseño es
grande. Por lo general, se parte del supuesto que los
CRUZADOS efectos de orden superior son insignificantes para
Un diseño factorial es un tipo de obtener información sobre los efectos principales y las
experimento que permite • Combinatorio interacciones de orden bajo. Los efectos principales y las
estudiar los efectos varios • Parcelas divididas interacciones de 2 factores se confunden y no se pueden
factores con determinado separar de los efectos de otras interacciones de orden
número de niveles cada uno. Se • Franjas superior.
miden las respuestas para todas • Parcelas subdivididas
las combinaciones de niveles de
los factores. MEDIDAS REPETIDAS
El objeto de estudio actúa de control propio y recibe
todas las combinaciones de tratamiento generados por
JERÁRQUICOS O ANIDADOS la estructura factorial. Cuando se tienen múltiples
Experimentos que incluyen un factor fijo que observaciones de la misma unidad experimental o de
constituye el primer nivel jerárquico o muestreo en tiempos diferentes.
primera fase y varios factores aleatorios de
nivel jerárquico inferior incluidos dentro de
los factores de nivel jerárquico inmediato
superior. Los niveles de cada factor aleatorio
son diferentes para cada uno de los niveles
del factor jerárquico superior. No permite el
estudio de interacciones

MIXTOS
Los diseños cruzado‐anidados se caracterizan
por tener tanto factores cruzados como
anidados.
 EXPERIMENTOS FACTORIALES
VENTAJAS Y DESVENTAJAS
Ventajas:
1. Posibilita el estudio simultáneo de dos o más factores
2. Permiten estudiar los efectos principales, efectos
cruzados o de interacción de factores, efectos simple y
anidados.
3. Como se incluyen combinaciones de diferentes niveles,
proporcionan habitualmente un número elevado de
grados de libertad para el error experimental,
comparándolo con los grados de libertad de los
experimentos simples de los mismos factores, lo que
contribuye a disminuir la varianza del error experimental,
aumentando por este motivo la precisión del
experimento.
 EXPERIMENTOS FACTORIALES
VENTAJAS Y DESVENTAJAS

Desventajas:
1. Se requiere un mayor número de unidades experimentales
simples y por lo tanto se tendrá un mayor costo y trabajo en
la ejecución del experimento.
2. Como en los experimentos factoriales cada uno de los
niveles de un factor se combinan con los niveles de los otros
factores, a fin de que exista un balance en el análisis
estadístico se tendrá que algunas de la combinaciones no
tiene interés práctico pero deben incluirse.
3. El análisis estadístico es más complicado que en los
experimentos simples y la interpretación de los resultados
se hace más difícil a medida de que aumenta el número de
factores y niveles por factor en el experimento.
 EXPERIMENTOS FACTORIALES
ARREGLO COMBINATORIO DE 
TRATAMIENTOS
En cada unidad experimental se aplica una combinación
de niveles de los factores estudiados de manera aleatoria.
Por ejemplo: A1= fungicida 1 y B1= dosis 1. A cada
combinación de niveles se le suele dar el nombre genérico
de tratamiento.

NIVELES  NIVELES FACTOR B
FACTOR A
B1 B2 B3

A1B1 A1 A1B1 A1B2 A1B3

A2 A2B1 A2B2 A2B3

Repetición 1 A3 A3B1 A3B2 A3B3

 EXPERIMENTOS FACTORIALES
ARREGLO COMBINATORIO DE 
TRATAMIENTOS
Simétricos
Todos los factores (k) tienen el mismo número de niveles.
Por ejemplo k=2 factores: factor A = 3 niveles y factor B =
3 niveles, se tiene un factorial simétrico 3k:
 EXPERIMENTOS FACTORIALES
ARREGLO COMBINATORIO DE 
TRATAMIENTOS
Asimétricos
Los factores presentan diferente número de niveles. Por ejemplo:
factor A con 3 niveles y factor B con 2 niveles. En total se tienen
p×q tratamientos, para este caso, 3×2=6 tratamientos.
 EXPERIMENTOS FACTORIALES
ARREGLO COMBINATORIO DE 
TRATAMIENTOS

A2B1 A3B3 A3B3 A1B2 A3B1 A2B2 A3B3 A2B2 A1B1 DISEÑO 
A1B2 A3B1 A2B3 A1B2 A1B3 A1B1 A2B2 A3B2 A2B1 COMPLETAMETE 
A3B2 A2B3 A3B1 A1B3 A2B1 A2B3 A1B3 A1B1 A3B2 AL AZAR

A2B3 A1B1 A3B3

I A3B2 A3B1 A1B3
A2B1 A2B2 A1B2
EXPERIMENTO 32 CON 
A2B1 A1B1 A2B3 3 REPETICIONES
BLOQUES  II A3B1 A3B3 A1B3
COMPLETOS AL AZAR
A3B2 A1B2 A2B2

A1B2 A2B1 A1B3

III A2B3 A3B2 A2B2
A3B1 A1B1 A3B3
 EXPERIMENTOS FACTORIALES
ARREGLO EN PARCELAS DIVIDIDAS
En algunos experimentos factoriales quizá no sea posible la aleatorización
completa del orden en que se asignan los tratamientos a las unidades
experimentales. En este caso cada nivel de uno de los factores es aplicado a un
sub conjunto de unidades experimentales cuya cantidad corresponde al número
de niveles del otro factor, lo que conlleva a la aleatorización de sub conjuntos de
unidades experimentales. Esto suele resultar en una estructura de tratamientos
denominado arreglo en parcelas divididas. En el caso de un diseño de bloques
completos al azar bifactorial 32 con tres repeticiones, cada bloque se divide en tres
lotes (parcelas grandes o completas) y los niveles del primer factor (A) se aplican
a cada parcela grande en forma aleatoria. Luego cada parcela grande se divide en
tres lotes (parcelas pequeñas o subparcelas) y se aplican los tres niveles del factor
B aleatoriamente en las subparcelas. Observar que si están presentes otros
factores no controlados asociados a las parcelas grandes y si estos varían al
modificar el nivel del factor A, entonces, cualquier efecto no controlado sobre la
respuesta estará completamente confundido (o mezclado) con el efecto de los
niveles del factor A. Ello genera una fuente de variación que es parte del modelo
estadístico denominado error a.
 EXPERIMENTOS FACTORIALES
ARREGLO EN PARCELAS DIVIDIDAS

A1B3 A1B1 A1B2 A2B3 A1B1 A3B3

I A3B1 A3B2 A3B3 I A2B2 A1B2 A3B1
A2B2 A2B1 A2B3 A2B1 A1B3 A3B2

A2B1 A2B3 A2B2 A3B3 A2B3 A1B1

II A3B3 A3B2 A3B1 O BIÉN II A3B1 A2B1 A1B3
A1B2 A1B3 A1B1 A3B2 A2B2 A1B2

A3B1 A3B2 A3B3 A1B2 A3B1 A2B1

III A2B3 A2B1 A2B2 III A1B3 A3B2 A2B2
A1B2 A1B1 A1B3 A1B1 A3B3 A2B3

B3 B1 B2
A1 PP PP PP
A1 PG
B1 B2 B3
I A3 PG
I A3 PP PP PP
A2 PG
B2 B1 B3
A2 PP PP PP
 EXPERIMENTOS FACTORIALES
ARREGLO EN FRANJAS

El diseño de parcelas subdivididas en franjas ha tenido una amplia

aplicación en las ciencias agrícolas. En el caso de un diseño de bloques
completos al azar bifactorial con tres niveles cada uno y tres repeticiones,
el factor A se aplica a las parcelas completas como en el diseño de
parcelas divididas. Después el factor B se aplica a franjas, que son en
realidad otro conjunto de parcelas completas), ortogonales a las parcelas
completas originales utilizadas para el factor A. Cualquier efecto no
controlado sobre la variable de respuesta estará completamente
confundido (o mezclado) con el efecto de los niveles del factor A y/o con
los efectos de los niveles del factor B. Observar que el efecto de los
niveles del factor A están confundidos (o mezclados) con el efecto de
cualquier factor no controlado asociado a las parcelas grandes (error a),
y que el efecto de los niveles del factor B están confundidos con el efecto
de cualquier factor no controlado asociados a las franjas (error b).
 EXPERIMENTOS FACTORIALES
ARREGLO EN FRANJAS

B3 B1 B2
A1B3 A1B1 A1B2
A1 A1B3 A1B1 A1B2
I A3B3 A3B1 A3B2 I A3 A3B3 A3B1 A3B2
A2B3 A2B1 A2B2 A2 A2B3 A2B1 A2B2
A2B1 A2B3 A2B2
II A3B1 A3B3 A3B2
A1B1 A1B3 A1B2 B3 B1 B2
A3B2 A3B1 A3B3 A1 __B1

III A2B2 A2B1 A2B3 A3 A3__ A3B1 A3__

A1B2 A1B1 A1B3 A2 __B1

 EXPERIMENTOS FACTORIALES
EFECTOS EN LOS EXPERIMENTOS FACTORIALES

En modelos de efectos fijos, el aporte de los ensayos factoriales es

valioso en etapas exploratorias, cuando el conocimiento sobre la
combinación óptima de niveles de los factores es escaso, o bien cuando
se desconoce cuáles de ellos son importantes sobre el fenómeno en
estudio (Steel & Torrie 1988). Al aplicar estos modelos con estructura
cruzada de factores, y principalmente cuando son de carácter
cualitativo, la atención se fija en: 1) la interacción (el comportamiento
de la variable en estudio según varían los niveles de un factor a través de
los niveles del otro u otros), y 2) los efectos principales (el
comportamiento de dicha variable producido por cada uno de los
factores en forma independiente). Es decir, los ensayos factoriales
permiten extraer información sobre la independencia o dependencia de
los factores. Cuando esta relación es de dependencia, los factores
interactúan.
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES

Se denomina efecto principal de cada uno de estos factores al cambio en la

respuesta producido por un cambio en el nivel de un factor, promediado a
través de los niveles del otro factor; es decir, equivale al promedio de los
efectos simples (Montgomery 1981; Steel & Torrie 1988). Los efectos simples
se definen para un factor, como el cambio en la respuesta al pasar de un nivel
a otro para un nivel fijo del otro factor. Cuando la magnitud de los efectos
simples de un factor es modificada por los niveles del otro factor por una
cantidad superior a la posible de encontrar debida al azar, se dice que ambos
factores interactúan (Steel & Torrie 1988). Es decir, el hecho que un factor no
actúe de la misma manera con cada nivel del otro factor se denomina efecto
de interacción (Searle 1971). Los modelos con este efecto se denominan
modelos no aditivos. Por el contrario, si la diferencia en la respuesta entre
dos niveles cualesquiera de uno de los factores es la misma para todos los
niveles del otro factor, la interacción es nula y se está en presencia de
modelos aditivos.
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES

Efecto simple (ES). Es una medida del cambio en el promedio de la

variable de respuesta entre dos niveles del mismo factor,
manteniendo constante uno de los niveles de otro factor. Por
ejemplo, en el caso de un diseño bifactorial 2×2, el efecto simple del
factor A dentro B1 sería igual a la diferencia de los promedios de los
dos tratamientos que tienen en común el nivel B1, pero, que uno
tiene el nivel A1 y el otro tiene el nivel A2. El número de efectos
simples corresponde a la suma de niveles de ambos factores.

Factor B Factor A
B1 B2 A1 A2

Factor B
Factor A

A1 A1B1 A1B2 B1 A1B1 A2B1

A2 A2B1 A2B2 B2 A1B2 A2B2

Efectos simples del factor A Efectos simples del factor B

Factor A dentro B1  A B1   A1 B1  A2 B1 Factor B dentro A1  B A1   A1 B1  A1 B2
Factor A dentro B2  A B2   A1 B2  A2 B2 Factor B dentro A2  B A2   A2 B1  A2 B2
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES
Efecto principal (EP). Es una medida del cambio en el promedio de la
variable de respuesta entre cualquier par de niveles del mismo factor.
Por ejemplo, en el caso de un diseño bifactorial 2×2, el efecto del
factor A sería igual a la diferencia entre los tratamientos que
contienen uno de los niveles del factor A y aquellos que tienen el
otro nivel del factor A. El número de efectos principales corresponde
al número de factores. La suma de efectos simples de un factor es
igual al efecto principal de dicho factor.

Factor A B dentro A1 B dentro A2 Factor B

A1 A2 EP del factor A   A1 B1  A1 B2   A2 B1  A2 B2  B1 B2

Factor A
Factor B

B1 A1B1 A2B1 A1 A1B1 A1B2

A dentro B1 A dentro B2
B2 A1B2 A2B2 EP del factor B   A1 B1  A2 B1   A1 B2  A2 B2  A2 A2B1 A2B2

Como suma de los efectos simples
A dentro B1 A dentro B2
EP del factor A   A B1    A B2    A1 B1  A2 B1   A1 B2  A2 B2 
B dentro A1 B dentro A2
EP del factor B   B A1    B A2    A1 B1  A1 B2   A2 B1  A2 B2 
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES
Efecto de interacción (EI). Es una medida del cambio en los efectos simples
de uno de los factores. Existe interacción entre dos factores cuando el efecto
de uno de estos sobre la variable dependiente no es el mismo en todos los
niveles del otro factor. Es una medida de cambio que expresa el efecto
resultante de la influencia combinada de dos o más factores. Por ejemplo,
en el caso de un diseño bifactorial 2×2, el efecto de la interacción es la
diferencia entre el efecto simple de A en B1 y el efecto simple de A en B2. En
otras palabras, el efecto de interacción es igual a la diferencia de los efectos
simples. Cuando tal diferencia es estadísticamente igual cero, no existe
interacción. Al tratarse de dos factores, se dice que (A×B) es una interacción
de primer orden, y al tratarse de tres factores se dice que la interacción
(A×B×C) es de segundo orden.
Factor B Factor A
B1 B2 A1 A2

Factor B
Factor A

A1 A1B1 A1B2 B1 A1B1 A2B1

A2 A2B1 A2B2 B2 A1B2 A2B2

A  B   A B1    A B2    A1 B1  A2 B1    A1 B2  A2 B2 

B  A   B A1    B A2    A1 B1  A1 B2    A2 B1  A2 B2 
A B  B  A
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES
Por ejemplo, el siguiente cuadro contiene los promedios y los totales
de las cuatro combinaciones posibles, obtenidos de una investigación
realizada con el propósito de evaluar los efectos de la incorporación al
suelo de mostaza caliente (Sinapsis alba) sobre la población de
nemátodos. Se evaluaron dos estados fenológicos (FACTOR A); antes
de la floración (A1) y durante la floración (A2); sembrada con dos
métodos al voleo (B1) y chorro continuo (B2). En el siguiente cuadro se
presentan los promedios observados para la variable de respuesta
expresada en porcentaje de nemátodos eliminados.

NIVELES B1 B2 TOTAL
A1 68.69 56.35 125.04
A2 40.56 36.61 77.17
TOTAL 109.25 92.96 202.21
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES

NIVELES B1 B2 TOTAL
A1 68.69 56.35 125.04
A2 40.56 36.61 77.17
TOTAL 109.25 92.96 202.21

EFECTOS SIMPLES:
Del factor A en B1  A B1   A1 B1  A2 B1  68.69  40.56  28.13
Del factor A en B2  A B2   A1 B2  A2 B2  56.35  36.61  19.74

Del factor B en A1  B A1   A1 B1  A1 B2  68.69  56.35  12.34

Del factor B en A2  B A2   A2 B1  A2 B2  40.56  36.61  3.95
 EFECTOS EN LOS EXPERIMENTOS FACTORIALES

NIVELES B1 B2 TOTAL
A1 68.69 56.35 125.04
A2 40.56 36.61 77.17
TOTAL 109.25 92.96 202.21

EFECTOS PRINCIPALES:
Como diferencia de totales:

Del factor A   A1 B1  A1 B2    A2 B1  A2 B2    68.69  56.35    40.56  36.61  125.04  77.17  47.87

Del factor B   A1 B1  A2 B1    A1 B2  A2 B2    68.69  40.56    56.35  36.61  109.25  92.96  16.29

Como suma de efectos simples:

Del factor A   A B1    A B2   28.13  19.74  47.87

Del factor B   B A1    B A2   12.34  3.95  16.29
EFECTOS EN LOS EXPERIMENTOS FACTORIALES

NIVELES B1 B2 TOTAL
A1 68.69 56.35 125.04
A2 40.56 36.61 77.17
TOTAL 109.25 92.96 202.21

EFECTOS DE INTERACCIÓN:
Es la diferencia  de efectos simple

A  B   A B1    A B2   28.13  19.74  8.39

B  A   B A1    B A2   12.34  3.95  8.39

A B  B  A
 ¿ A QUÉ SE REFIERE LA INTERACCIÓN?
El diseño factorial con múltiples observaciones por tratamiento
permite probar la interacción entre los diferentes niveles de cada
factor. Por ejemplo, ¿es la respuesta de las plántulas de tomate
independiente de los métodos de trasplante o por el contrario, su
crecimiento se debe parcialmente al efecto del método de
trasplante? En caso de existir un efecto conjunto ya sea positivo o
negativo, el mismo recibe el nombre de interacción y su
significancia puede determinarse a través de una prueba F.
Cuando la presencia de uno u otro nivel de un factor provoca una
respuesta favorable del material experimental ante el otro factor,
se dice que existe un efecto positivo o de sinergia; en tanto que
cuando se produce un efecto adverso se dice que los factores
ejercen una acción negativa o de interferencia (antagonista).
 ¿INTERACCIÓN SIGNIFICATIVA?

Lo que interesa en los experimentos factoriales es si hay o no

interacción. Si la interacción es significativa, indica que los
factores estudiados no actúan independientemente, que la
respuesta o el efecto producido por uno de los niveles de un
factor sobre la variable de estudio se modifica con la presencia de
un nivel del otro factor. Por este motivo NO se establecen
conclusiones sobre los efectos principales ya que la presencia de
interacción podría estar afectando las diferencias en los
promedios. Ahora bien, si la interacción no es significativa,
adquieren importancia las hipótesis referidas a los efectos
principales. Se dice que no existe interacción entre los factores
cuando sus efectos sobre la respuesta son aditivos.
 GRÁFICOS DE INTERACCIÓN
Un gráfico de interacción se conforma utilizando uno de los factores
como variable de clasificación y el otro como partición, por lo que
contiene poligonales (unión de segmentos de recta) para cada nivel
de un factor. Dichas poligonales permiten observar el
comportamiento de los niveles de un factor al combinarse con los
niveles de otro factor. Si no hay interacción entre dos factores, la
diferencia entre la respuesta media para cualquier par de niveles del
factor A es la misma para todos los niveles del factor B, con lo cual las
poligonales serían aproximadamente paralelas.
Si las poligonales asociadas dos niveles del factor A se cortan, puede
darse que no hay diferencias entre dichos niveles y que la interacción
no sea significativa. Si las poligonales asociadas a dos niveles del
factor A no se cortan pero no son paralelas, entonces hay diferencias
entre dichos niveles y la interacción puede ser significativa (Maté
Jiménez, 1995)
 GRÁFICOS DE INTERACCIÓN
Cuando intervienen dos factores es posible obtener dos gráficos de
interacción, comúnmente se coloca el factor categórico en el eje
horizontal y el factor cuantitativo como serie. En el caso que ambos
factores sean categóricos, o bien, ambos cuantitativos; se coloca en el
eje horizontal el que tenga mayor número de categorías o de niveles,
según sea el caso.
Cuando un factor A es colocado en el eje horizontal y el factor B como
serie, es decir, el factor B dado el factor A (BǀA), se analiza el factor B
dentro de cada uno de los niveles del factor A (B dentro de A1, B
dentro A2, B dentro Ai). De ser así, se dice que el factor A es la variable
independiente principal (VIP) y el factor B en la variable independiente
condicionada (VIC).
Otra opción podría ser colocar el factor B en el eje horizontal y el factor
A como serie, es decir, el factor A dado el factor B (AǀB). En este caso se
analiza el factor A dentro de cada uno de los niveles del factor B (A
dentro de B1, A dentro B2, A dentro Bj). De ser así, se dice que el factor
B es la variable independiente principal (VIP) y el factor A en la variable
independiente condicionada (VIC).
 GRÁFICOS DE INTERACCIÓN
La interacción entre dos factores se puede apreciar
gráficamente. La tendencia de los segmentos de recta indica
el grado de interacción entre los factores, la cual aumenta a
medida que las pendientes de las líneas tiendan a ser
distintas. En los siguientes gráficos se muestran los casos
posibles de interacción entre dos factores: A con 2 niveles y B
con tres niveles. En el eje horizontal se registran los niveles
de B, y en el eje vertical, los promedios de la variable de
respuesta para el efecto de los niveles de A dentro de cada
nivel del factor B.
 GRÁFICOS DE INTERACCIÓN
FACTOR A DADO EL FACTOR B
Variable de respuesta 12

10 10

8 8
7 7 A1
6
A2
5
4 4

0
B1 B2 B3

Niveles del factor B (VIP)

SIN INTERACCIÓN: Cuando no hay interacción los segmentos de recta tienen

pendientes similares, son aproximadamente paralelas. En consecuencia, la
separación de las líneas entre cualesquiera dos parejas de puntos también
serán aproximadamente iguales.
 GRÁFICOS DE INTERACCIÓN
FACTOR A DADO EL FACTOR B
14

12 12
Variable de respuesta

10

8 8 A1
7 A2
6
5 5
4 4

0
B1 B2 B3

Niveles del factor B (VIP)

CON INTERACCIÓN: Los segmentos de recta de los niveles del factor A se

cruzan mostrando que existe efecto de interferencia dado que el segmento
b1b2 en A1 tiene pendiente positiva y el mismo segmento en A2 tiene
pendiente negativa. La interacción será significativa a medida que aumente
el grado de inclinación y la distancia entre los segmentos de recta
 GRÁFICOS DE INTERACCIÓN
FACTOR A DADO EL FACTOR B
12

Variable de respuesta
10 10

A1
6 6 A2
5 5 5
4

2 2

0
B1 B2 B3

Niveles del factor B (VIP)

CON INTERACCIÓN: Los segmentos de recta de cada uno de los niveles del factor
A no se cruzan pero existe esa tendencia porque el grado de inclinación es
diferente. Además, la distancia entre las rectas en el extremo izquierdo (A|B1) es
notablemente mayor que en el extremo derecho (A|B3). El grado de interacción
será mayor a medida que tales diferencias sean sustancialmente distintas.
 GRÁFICOS DE INTERACCIÓN
NIVELES B1 B2 TOTAL
A1 68.69 56.35 125.04
A2 40.56 36.61 77.17
TOTAL 109.25 92.96 202.21

Porcentaje de eliminación de nemátodos Porcentaje de eliminación de nemátodos 

para los niveles de A dentro del factor B para los niveles de B dentro del factor A
80 80

70 70 68.69
68.69 B A1
60 A B1 60 12.34
56.35 56.35
50 28.13 A B2 50 A B2
40.56
19.74 40 19.74 40.56
40
36.61 36.61
30 30

20 20 B1
A1
10 A2 10 B2

0 0
B1 B2 A1 A2

Un análisis visual de la interacción consistirá en comprobar que las línea que aparecen en los gráficos mantienen una
distancia, una respecto de la otra, aproximadamente constante, o por el contrario, si tienden a converger o divergir será
señal de que existe interacción. Para este ejemplo en particular, el efecto de interacción no es significativo. La
diferencia de las distancias entre líneas y del grado de inclinación de las rectas no es suficientemente grande para
obtener interacción significativa.
 ANÁLISIS ESTADÍSTICO DE LA INTERACCIÓN
Hay dos aspectos relacionados que deberían considerarse al
analizar ensayos factoriales de efectos fijos: 1) el análisis posterior
de la información una vez detectada una interacción significativa, y
2) la conclusión sobre el resto de las hipótesis del modelo. Si la
interacción resulta significativa, se debe proceder a la apertura de
la misma. Esto consiste en probar las hipótesis correspondientes a
los efectos simples de uno de los factores dentro de cada uno de
lo niveles del otro factor (Cox 1958), considerando como término
de error el correspondiente al modelo completo (Steel & Torrie
1988). Ello se realiza planteando contrastes, es decir, el
desdoblamiento de la interacción de los factores a través de la
descomposición de la suma de cuadrados. Posteriormente, para
cada efecto simple que resulta significativo se debe aplicar una
prueba de comparaciones múltiples (Prueba de Tukey) para
detectar grupos de niveles homogéneos, afectando sus niveles de
probabilidad según el criterio de Bonferroni (Underwood 1997).
 ANDEVA: EXPERIMENTOS FACTORIALES
MODELOS MATEMÁTICOS COMUNES

Diseño completamente al azar bifactorial con arreglo 
combinatorio

yijk     i   j   ij   ijk

Diseño en bloques completos al azar bifactorial con 
arreglo combinatorio

yijk     i   j   ij   k   ijk

 ANDEVA: EXPERIMENTOS FACTORIALES
VERIFICACIÓN DE SUPUESTOS
La validez de las estimaciones del modelo lineal
propuesto dependen del cumplimiento de los
supuestos específicos sobre la distribución de los
errores del análisis de varianza. Una vez estimado el
modelo es posible obtener predicciones de los
errores (residuos), los cuales se utilizan para verificar
el cumplimiento de los supuestos.
 SUPUESTOS DEL ANÁLISIS DE VARIANZA

El análisis de la varianza (ANOVA, ANAVA o ANDEVA) permite

contrastar la hipótesis nula de que las medias de K poblaciones (K>2)
son iguales, frente a la hipótesis alternativa de que por lo menos una
de las poblaciones difiere de las demás en cuanto a su valor esperado.
Este contraste es fundamental en el análisis de resultados
experimentales, en los que interesa comparar los resultados de K
tratamientos con respecto a la variable dependiente o de interés. El
análisis de varianza y las pruebas múltiples de medias son sensibles a
las propiedades estadísticas de los términos de error aleatorio del
modelo lineal. En términos generales los supuestos del análisis de
varianza son: El efecto de los tratamientos se mide a través de una
variable aleatoria continua, las muestras son aleatorias e
independientes y, los errores son independientes, normalmente
distribuidos con media cero y varianzas desconocidas pero
homogéneas para todos los tratamientos o grupos de observaciones.
 RESÍDUOS: ANÁLISIS DE VARIANZA
La verificación de los supuestos se realiza sobre los términos de error
aleatorio que son los residuos aleatorios asociados a cada
observación. El residuo asociado a la observación ij‐ésima
(simbolizado como eij) es la diferencia entre el valor observado y el
valor predicho por el modelo para la respuesta en la unidad
experimental ij‐ésima. En otras palabras, en el contexto del análisis
de varianza, los residuos son las diferencia entre cada uno de las
observaciones de un grupo y la media de dicho grupo.
A partir de los residuos y sus transformaciones se puede verificar el
cumplimiento de los supuestos
ni
yi 
yi    yij yi  
j 1 ni
eij  yij  yi 
 TRANSFORMACIÓN DE DATOS

En el análisis de varianza como en otros tipo de pruebas

lineales, se puede optar por transformar los datos cuando
no se cumple el supuesto de normalidad o de
homocedasticidad. La ventaja es que normalmente se
corrigen simultáneamente los datos en tres de los
supuestos básicos: normalidad, homogeneidad y
aditividad. Cuando exista duda del cumplimiento de
dichos supuestos a raíz de aplicación de las pruebas
correspondientes, se recomienda elaborar un histograma
para cada grupo de observaciones para verificar el tipo de
asimetría que presentan los datos.
 PROCEDIMIENTO GENERAL PARA COMPROBAR 
SUPUESTOS DEL ANDEVA CON INFOSTAT

• Agregar una columna de tratamientos a la base de datos

independientemente del modelo estadístico.
• Hacer el análisis de varianza según el modelo estadístico para
generar residuos, predichos, residuos estandarizados y residuos
absolutos.
• Generar un gráfico de predichos (x) contra residuos estandarizados
(y), para tener una idea general del cumplimiento supuestos y
detectar observaciones potencialmente atípicas.
• Correr la prueba de Shapiro‐Wilks modificada por Mahibbur y
Govindarajulu (1997) utilizando residuos ordinarios particionados
con base a los tratamientos.
• Correr la prueba de Levene. Consiste en realizar un análisis de
varianza unifactorial para residuos absolutos utilizando
tratamientos como variable de clasificación.
 PROCEDIMIENTO GENERAL PARA COMPROBAR 
SUPUESTOS DEL ANDEVA CON INFOSTAT
¿Y SI NO SE CUMPLEN LOS SUPUESTOS?
• Si no se cumplen los supuestos, aplicar algún tipo de trasformación de
ser necesario (Aplicar Box‐Cox inicialmente)
• Si no hay corrección de supuestos, construir tantos histogramas como
grupos de datos empleando los residuos absolutos para chequear
simetría. También realizar una prueba de hipótesis para los residuos
para detectar residuos atípicos. Si existe algún problema con los
datos, verificar si los mismos han sido registrados correctamente.
• Si no existe diferencia significativa en las variables que son
heterocedásticas, utilizar pruebas no paramétricas análogas, o bien,
utilizar estadísticos robustos alternativos a F, como el de Brown y
Forsythe (1984).
• También se puede hacer uso de Modelos Lineales Mixtos (MLM) para
modelar no sólo las medias sino también las varianzas y covarianzas
de los datos, especificando la estructura de la varianza o correlación
de los errores
El efecto de la falta de normalidad de las observaciones de los tratamientos en los resultados del ANDEVA, es más
importante cuando se registra diferencia significativa que cuando no existe. Las diferencias significativas
detectadas podrían no ser válidas debido a la falta de normalidad de los datos.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Se realizó un experimento completamente al azar
bifactorial con arreglo combinatorio en el cultivo del
plátano (Musa sp) con el objetivo de evaluar 2 clones FHIA
01 y FHIA 18 (factor A), con 3 láminas de riego 25, 44 y 80
mm semanales (factor B). Se muestreó cada unidad
experimental en el campo tomando el peso del racimo
(expresado en kg), los cuales se presentan a continuación.
REPETICIONES
TRATAM 1 2 3 4 5 6 7 8 9 10
C1L1 33.00 33.20 32.90 33.70 33.40 32.60 34.00 33.50 33.90 32.90
C1L2 26.80 26.70 25.90 26.00 26.90 27.00 27.80 26.50 25.90 25.00
C1L3 30.00 31.00 30.80 30.70 31.80 31.90 30.60 30.30 31.10 32.20
C2L1 40.00 40.60 39.60 40.80 38.60 39.90 40.30 41.20 40.60 40.00
C2L2 31.60 30.90 30.80 32.10 30.40 31.80 30.80 31.60 31.50 31.70
C2L3 33.00 33.60 33.20 33.90 34.80 33.60 33.10 34.10 32.40 33.40
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Modelo matemático:
 i  1, 2, ..., a
yijk     i   j   ij   ijk  j  1, 2, ..., b
k  1, 2, ..., n
Yijk= valor observado en la variable de respuesta en el i‐ésimo nivel
del factor A y j‐ésimo nivel del factor B en la repetición k‐ésima
µ= es la media general
i= es el efecto debido al i‐ésimo nivel del factor A.
βj= es el efecto debido al j‐ésimo nivel del factor B.
(β)ij= Efecto de la interacción entre el i‐ésimo nivel del factor A y
el j‐ésimo nivel del factor B.
ijk= error aleatorio asociado a la ijk‐ésima unidad experimental
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
La estimación de la variable de respuesta (predicho) correspondiente a
la observación yijk, suponiendo que los residuos se distribuyen
normalmente con media igual a cero.

yijk     i   j   ij   ijk

yijk     i   j   ij   ijk

 
yˆijk    ˆ i  ˆ j   ij

yˆijk     i         j        k

yˆijk     yi       y j       yij   yi     y j     
yˆijk    yi     y j     yij   yi   y j   
yˆijk  yij  eijk  yijk  yij 
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
HIPÓTESIS: como los efectos de los tratamientos se definen como
las desviaciones de la media global estimada…

H 0 :  11   12  ...   ij  0 INTERACCIÓN ENTRE 

NIVELES DE FACTORES
H a :   ij  0

H 0 : 1   2 ...  ... i  0 ENTRE NIVELES DEL 

FACTOR A
H a :  i  0

H 0 : 1   2  ...   j  0
ENTRE NIVELES DEL 
H a :  j  0 FACTOR B
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Sea que yi.. denote el total de observaciones bajo el nivel i‐ésimo del
factor A, que yj. denote el total de observaciones bajo el nivel j‐ésimo del
factor B, que yij. denote el total de observaciones de la celda ij‐ésima, y
que y... denote el gran total de todas las observaciones. Los promedios
correspondientes a los renglones, las columnas, las celdas y el gran
promedio son:
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

y2
SCtotal    yijk  y     yijk 
a b n a b n
2 2

i 1 j 1 k 1 i 1 j 1 k 1 abn
a
SCtrat  SC A  SCB  SC AB 
a  i 
y 2
y 2
SC A  bn  yi   y   
2 i 1 

i 1 bn abn SCtrat  SC A  SCB  SC AB

b

y
a b

 y
2 2
 j 2 ij 
SCB  an  y j   y  
b
2 j 1 y y2
 
SCtrat  i 1 j 1

j 1 an abn n abn

SC AB  n  yij   yi   y j   y   SCtrat  SC A  SCB

a b
2

i 1 j 1

SCerror    yijk  yij    SCtotal  SC A  SCB  SC AB  SCtotal  SCtrat

a b n
2

i 1 j 1 k 1
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

ANÁLISIS DE VARIANZA
FV SUMA DE CUARADOS (SC) GL CM Fcal P‐valor
a

y 2
i 
y2 SC A CM A
FACTOR A i 1
  a  1
bn abn GLA CM E
b

y 2
 j SCB
FACTOR B
j 1

y2  b  1 GLB
CM B
an abn CM E
a b

 y 2
ij 
y2 SC A B CM AB
INT. A×B
i 1 j 1
  SC A  SCB  a  1 b  1 GLA B CM E
n abn
tratamientos 

SCE
ERROR SCtotal  SC A  SCB  SC AB ab  n  1
GLE
a b n
y2
TOTAL 
i 1 j 1 k 1
y 
abn
2
ijk abn  1
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PROCEDIMIENTO DEL CÁLCULO MANUAL

REPETICIONES
TRATAM 1 2 3 4 5 6 7 8 9 10 TOTAL
C1L1 33.00 33.20 32.90 33.70 33.40 32.60 34.00 33.50 33.90 32.90 333.10
C1L2 26.80 26.70 25.90 26.00 26.90 27.00 27.80 26.50 25.90 25.00 264.50
C1L3 30.00 31.00 30.80 30.70 31.80 31.90 30.60 30.30 31.10 32.20 310.40
C2L1 40.00 40.60 39.60 40.80 38.60 39.90 40.30 41.20 40.60 40.00 401.60
C2L2 31.60 30.90 30.80 32.10 30.40 31.80 30.80 31.60 31.50 31.70 313.20
C2L3 33.00 33.60 33.20 33.90 34.80 33.60 33.10 34.10 32.40 33.40 335.10
1957.90
Efecto de los factores aislados y combinados
NIVELES L1 L2 L3 TOTAL
C1 333.1 264.5 310.4 908.0
C2 401.6 313.2 335.1 1049.9
TOTAL 734.7 577.7 645.5 1957.9
Factor A: Clon (C1  y C2) Factor B: lámina de riego (L1, L2 y L3)
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PROCEDIMIENTO OPERATORIO

  yijk 
2
1957.92
SCtotal    yijk  
2
 33  33.2  ...  33.4 
2 2 2
 1027.2498
abn 60
a b

 y
i 1 j 1
2
ij 
y2 333.12  264.52  ...  335.12 1957.92
SCtrat      1003.7428
n abn 10 60
a

y 2
i 
y2 9082  1049.92 1957.92
SC A  
i 1
   335.5935
bn abn 30 60
b

y
j 1
2
 j
y2 734.7 2  577.7 2  645.52 1957.902
SCB      620.0413
an abn 20 60
SC AB  SCtrat  SC A  SCB  1003.7428  335.5935  620.0413  48.1080
SCerror  SCtotal  SCtrat  1027.2498  1003.7428  23.5070
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

SC A 335.5935 CM A 318.7815
CM A    335.5935 FcalA    164.00
Gl A 2 1 CM Error 1.9438

SCB 620.0413 CM B 305.3007

CM B    310.0207 FcalB    157.07
GlB 3 1 CM Error 1.9438

SC A B 48.1080 CM A B 31.298
CM A B    24.0540 FcalA B    16.10
Gl A B  2  1 3  1 CM Error 1.9438

SCError 23.5070
CM Error    0.4353
GlError 2  3 10  1

CM error 0.4353
CV   100 CV  100  2.0219
y .. 32.6317
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: GRÁFICO

Los residuos tienen liguero sesgo positivo, se distribuyen formando una banda
horizontal, sin patrón alguno que revele heterocedasticidad o falta linealidad.
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: NORMALIDAD
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: NORMALIDAD
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: NORMALIDAD
Verificando el supuesto de normalidad utilizando la prueba de Shapiro‐Wilks
modificada por Mahibbur y Govindarajulu (1997) empleando Infostat.

Shapiro‐Wilks (modificado)

TRAT Variable n  Media D.E.  W*  p(Unilateral D)

C1L1 RDUO_PR  10 0 0.47 0.93 0.6059
C1L2 RDUO_PR  10 0 0.78 0.97 0.9347
C1L3 RDUO_PR  10 0 0.72 0.93 0.5633
C2L1 RDUO_PR  10 0 0.73 0.95 0.7947
C2L2 RDUO_PR  10 0 0.55 0.9 0.3665
C2L3 RDUO_PR  10 0 0.66 0.99 0.995

Variable n  Media D.E.  W*  p(Unilateral D)

RDUO_PR  60 0 0.63 0.98 0.7112
El p‐valor en todos los tratamientos es suficientemente grande (mayor al nivel
de significancia). No se rechaza la hipótesis nula referida a que la distribución
de los residuos es igual a la distribución normal. Se cumple el supuesto de
normalidad.
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: PRUEBA DE LEVENE

Análisis de la varianza
Variable N   R²  R² Aj  CV  
RABS_PR  60 0.04 0 73.35

Cuadro de Análisis de la Varianza (SC tipo III)
 F.V.    SC  gl  CM   F   p‐valor
Modelo 0.28 5 0.06 0.4 0.8442
TRAT    0.28 5 0.06 0.4 0.8442
Error   7.58 54 0.14             
Total   7.86 59                  

El p‐valor es suficientemente grande

(mayor al nivel de significancia). Se
acepta la hipótesis nula referida a que
las varianzas de los residuos en los
distintos tratamientos son
estadísticamente iguales. Se cumple el
supuesto de homocedasticidad.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
VERIFICACIÓN DE SUPUESTOS: HOMOCEDASTICIDAD
Verificando el supuesto de homocedasticidad con XlStat utilizando la
variable de clasificación tratamientos
XLSTAT / Pruebas paramétricas / Comparación de las varianzas de k‐muestras
TRAT PR Prueba de Levene (Media)
C1L1 33.00
C1L2 26.80
F (Valor obse 0.404
C1L3 30.00 F (Valor crític 2.386
C2L1 40.00 GL1 5
C2L2 31.60 GL2 54
C2L3 33.00
valor‐p 0.844
C1L1 33.20
C1L2 26.70 alfa 0.05
C1L3 31.00
C2L1 40.60
C2L2 30.90
C2L3 33.60
C1L1 32.90
C1L2 25.90
C1L3 30.80
C2L1 39.60
C2L2 30.80

El resultado es el mismo, se cumple el supuesto de homocedasticidad.

 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Es significativa la interacción de factores. Los efectos del clon dependen de

la lámina de riego aplicada, o el efecto de las láminas de riego dependen
del clon utilizado. Significa que el efecto producido en la variable de
respuesta por al menos uno de los niveles de un factor, depende del nivel
en el otro factor, por ello, no se presta atención a los efectos principales
dado que su significado queda alterado por la presencia de una interacción
significativa. El coeficiente de variación es 2.02%, el efecto de fuentes de
variación no controladas es permisible (menor a 20%).
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
INCERTIDUMBRE
Las pruebas estadísticas para el contraste de hipótesis están afectadas por el ruido o
nivel de incertidumbre en el experimento. La incertidumbre es modelada y cuantificada
por los parámetros de dispersión del modelo. Éstos capturan la variabilidad de los
componentes aleatorios. Llamaremos a la incertidumbre de un modelo, en un sentido
amplio: error experimental. Un modelo con mayor error experimental es un modelo
con mayor incertidumbre y por lo tanto con menor precisión en sus estimaciones. La
incertidumbre es indeseable. A veces, puede controlarse desde el diseño del
experimento: aumentando las repeticiones del mismo, teniendo en cuenta la
heterogeneidad previsible de las unidades experimentales (bloqueo) o examinando los
protocolos utilizados en busca de causas de variabilidad que puedan controlarse,
capacitando a los investigadores‐técnicos, utilizando nuevos instrumentos de medición,
entre otras acciones.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
SOBRE EL COEFICIENTE DE VARIACIÓN
Se considera aceptable un coeficiente de variación menor o igual al 20%. En casos
particulares se acepta C.V mayores, el cual varía según las condiciones del estudio. Los
resultados de análisis de varianza con C.V mayores al 20%, regularmente están
asociados a conjuntos de datos que no cumplen con el supuesto de homocedasticidad,
en situaciones en que hubo efecto de fuentes de variación no controladas en el
estudio. Los resultados del análisis de varianza no serán válidos y el experimento
deberá repetirse en el caso que el coeficiente de variación sea alto y no exista
diferencia significativa entre tratamientos, dada la incertidumbre de que un cuadrado
medio del error alto esté enmascarando la existencia real de diferencias significativas
entre tratamientos, de decir, por no saber a ciencia cierta, si las diferencias entre
promedios de tratamientos no pudieron ser detectadas o verdaderamente no existen.
Cuando el coeficiente de variación es alto, pero aún así, existe diferencia significativa
entre tratamientos, los resultados son válidos en cuanto a la existencia de diferencias
significativas, porque el cuadrado medio de la fuente de variación estudiada es
significativamente mayor que el cuadrado medio del error. No obstante, los promedios
de los tratamientos podrían no ser la mejor medida de tendencia central para
representar los datos.
CM trat
CMerror Fcal 
CV  100 CM Error
y..
 EXPERIMENTOS FACTORIALES
COMPARACIONES MÚLTIPLES

En el ANOVA se comparan varios promedios poblacionales,

es decir se hacen comparaciones múltiples. El procedimiento
indica que primero se hace un test global para saber si
existen diferencias en al menos uno los promedios. Si la
respuesta es negativa, es decir, se acepta la hipótesis nula de
que las medias son iguales, no es necesario, ni útil, seguir
haciendo comparaciones. Pero si los datos son
estadísticamente significativos, entonces la pregunta
siguiente es: ¿cuáles medias o grupos difieren? Para
responder a esta pregunta se cuenta con técnicas de análisis
denominadas comparaciones múltiples de medias.
 EXPERIMENTOS FACTORIALES
COMPARACIÓN DE MEDIAS
Existen diferentes métodos para comparar las medias de
los tratamientos. Una opción sería utilizar test t para
comparar cada par de medias o grupos de medias, esto se
conoce como contrastes y se utilizan cuando las
comparaciones a realizar han sido pre‐planeadas en el
diseño o protocolo del estudio. Sin embargo, a pesar de
poder justificar como pre‐planeadas o a‐ priori los
diferentes contrastes, los métodos post‐hoc son los más
seguros. Los métodos de comparación múltiple o post‐hoc
permiten comparar las medias con un nivel de significación
global de α=0,05.
 EXPERIMENTOS FACTORIALES
COMPARACIÓN MÚLTIPLES DE MEDIAS

Se pueden utilizar varias pruebas post hoc para realizar

comparaciones múltiples de medias. Tukey, basada en el rango
estudentizado, llamada también Diferencia Significativa Honesta
(HSD). La prueba de Student‐Neuman‐Keuls conocida como SNK
basado en rangos múltiples. El método de Fisher conocida también
como diferencia mínima signficativa (LSD). La comparación múltiple
BSD de Bonferroni basada en la desigualdad. También la de Duncan
o la de Scheffé basada en la construcción de intervalos de confianza
y comparación de grupos de medias. Finalmente la de Dunnett que
se utiliza cuando todos los tratamientos se comparan con el testigo,
entre otras. Cada una tiene su particular exigencia a la hora de
establecer una diferencia significativa entre medias. Pero, si las
diferencias son claras entre los tratamientos todas acaban
dibujando el mismo perfil.
 EXPERIMENTOS FACTORIALES
COMPARACIÓN MÚLTIPLES DE MEDIAS
Con frecuencia, se está interesado en comparar todos los niveles o
los tratamientos entre sí. Los paquetes estadísticos proporcionan
diferentes métodos incluyendo el procedimiento HSD de Tukey
(Tukey Honest significant difference), que es, junto con el LSD de
Fisher, uno de los procedimientos más frecuentemente usados en
comparaciones múltiples por pares. También es conocido el método
de Newman‐Keuls SNK, si bien no es demasiado fiable debido a su
carácter débilmente conservador. El método REGWQ se encuentra
entre las pruebas más fiables, pese a que su uso no está demasiado
extendido. En otras situaciones, únicamente interesa comparar
todos los niveles con un control. Seleccionando este subconjunto de
pares decrece el número de valores p calculados y, en consecuencia,
su penalización. En ese caso, se habla de los contrastes de Dunnett.
Se pueden especificar pares más personalizados a través de
contrastes.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Una prueba de comparación múltiple de medias es menos conservadora cuando es
más fácil rechazar la hipótesis de igualdad de medias. La potencia de una prueba
hace referencia a la capacidad del test para detectar diferencias cuando
efectivamente existen.

MENOS  MAS  
CONSERVADORA CONSERVADORA

FISHER (LSD) DUNCAN SNK TUKEY

POTENCIA

Las pruebas de Fisher se utiliza cuando se tiene solamente dos medias porque se generó
para esa situación. Duncan se utiliza cuando las variables de estudio por naturaleza no
podrían variar mucho debido al efecto de tratamientos, o en casos que sea de interés
detectar diferencias entre tratamientos por muy pequeñas que éstas sean, aunque por
naturaleza la variable podrían registrar diferencias de mayor magnitud debida al efecto
de los tratamiento. La de SNK debe utilizarse en situación contraria a la de Duncan. La
prueba de Tukey es la que más se utiliza en cualquier situación.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
COMPARANCIÓN MÚLTIPLE DE MEDIAS PARA LA INTERACCIÓN 
UTILIZANDO TUKEY:
El método Tukey Desarrollado en 1953 por J.W. Tukey, requiere el cálculo de
comparador T empleando la expresión que se muestra a continuación. En
donde q tiene una distribución de rangos estudentizados (DMS) con t
tratamientos, gle grados de libertad del error y un nivel de significación . En el
caso del problema de ejemplo.

CM E
WDMS  q ,trat , gle
r
  0.05
q0.05,6,54  4.16
t 6
gle  54 W  4.167
0.4353
r  10 10
W  0.8694
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PRUEBA DE DI RIENZO, GUZMÁN Y CASANOVES (DGC)
Este procedimiento de comparación de medias (Di Rienzo, et al., 2002), utiliza la
técnica multivariada del análisis de conglomerados sobre una matriz de distancia
entre medias muestrales de tratamiento. Como consecuencia del análisis de
conglomerado se obtiene un dendrograma en el cual puede observarse la
secuencia jerárquica de formación de grupos de medias. Si se designa como Q a la
distancia entre el origen y el nodo raíz del árbol (aquel en el cual se unen todas las
medias), la prueba utiliza la distribución de Q bajo la hipótesis nula para construir
una prueba de hipótesis. Las medias (o grupos de medias) unidas en nodos que
están por encima de Q, se pueden considerar estadísticamente diferentes para el
nivel de significación fijado. La aplicación de este procedimiento es recomendada
en los casos que el número de medias a comparar es grande (mayor que 5), ya que
asegura una interpretación más sencilla que la que puede obtenerse de la
aplicación de un test tipo LSD de Fisher u otra prueba para el mismo fin. La prueba
DGC constituye un método particionante (sin solapamiento de letras entre las
medias) que es recomendable para comparar muchas medias (Balzarini, Bruno y
Arroyo, 2005)
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
RESULTADOS DE LA COMPARANCIÓN MÚLTIPLE DE MEDIAS 
PARA LA INTERACCIÓN, SEGÚN EL TEST DE TUKEY

Conclusión: El mayor peso de racimo (40.16 kg) se alcanza aplicando

una lámina de riego de 25 mm semanales (L1) cuando el clon utilizado
es FHIA 18 (C2), producto de la influencia combinada de los factores
estudiados. El menor peso por racimo en ambos clones se registra
cuando se utiliza una lámina de riego de 40 mm semanales (L2)
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
GRÁFICOS DE INTERACCIÓN UTILIZANDO INFOSTAT

Se utiliza gráfico de puntos,

con conector visible. Un factor
se coloca como variable de
clasificación y el otro como
partición. Particiones en el
mismo gráfico
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
GRÁFICOS DE INTERACCIÓN: COMPORTAMIENTO 
DEL CLON DENTRO DE LA LÁMINA DE RIEGO
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión Estudiantil Versión Estudiantil Título
Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión
C 2 L1 Estudiantil Versión Estudiantil Versión Estudiantil Versión
40.60
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil38.99
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión 37.38
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
PESO DEL RACIMO

tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
35.77
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
C 2 L3 Versión Estudiant
34.16
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
PR-C2
C1L1 C 2 L 2 Versión Estudiantil
Versión 32.55
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
30.94
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión EstudiantilPR-C1
Versión Estudiant
29.33 C 1L 3
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión 27.72
Estudiantil Versión Estudiantil
C1L 2
Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
26.11
Versión Estudiantil Versión Estudiantil
L1 Versión Estudiantil
L2 Versión Estudiantil
L3 Versión Estudiant
tudiantil Versión Estudiantil Versión EstudiantilFACTOR
Versión B
Estudiantil Versión Estudiantil Versión
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
INTERPRETACIÓN: El efecto simple del clon 1 (C1) y clon 2 (C2) a aplicar la lámina de riego 1 (L1)
difiere del observado al aplicar la lámina de riego 3 (L3), lo que explica el efecto significativo de
interacción. Es decir, el efecto del factor clon al utilizar L1 es diferente al que se registra cuando
se utiliza L3. Por lo tanto, las diferencias en el peso de racimo entre los clones no parece ser
constante (la misma) en todas las láminas de riego aplicadas. Además, el peso por racimo en el
clon 2 (C2) es mayor que en el clon 1 (C1).
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
GRÁFICOS DE INTERACCIÓN: EFECTO DE LAS LÁMINAS DE 
RIEGO DENTRO DE CADA CLON
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión Estudiantil Versión Estudiantil Título
Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
L1C 2 Versión Estudiantil Versión
40.75
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
PR-L1 Versión Estudiant
39.11
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión 37.46
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
PESO DEL RACIMO

tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
35.81
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil34.17 L1C1 Estudiantil Versión Estudiantil
Versión Estudiantil Versión L3C 2 Versión Estudiantil Versión
PR-L3
Versión 32.52
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión Estudiantil Versión L Estudiantil
2C 2 Versión Estudiantil Versión
30.88 L 3C 1 PR-L2
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
tudiantil29.23
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Versión 27.59
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant
L 2C1
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
25.94
Versión Estudiantil Versión Estudiantil C1
Versión Estudiantil Versión
C2Estudiantil Versión Estudiant
tudiantil Versión Estudiantil Versión EstudiantilFACTOR
Versión A
Estudiantil Versión Estudiantil Versión
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiant

INTERPRETACIÓN: El efecto simple sobre el peso del racimo correspondiente a las láminas L1 y
L3, es menor en el clon 1 (C1) comparada con la diferencia registrada en el clon 2 (C2), lo que
explica el efecto significativo de interacción. En otras palabras, el efecto del factor lámina de
riego en C1 no es igual al registrado en el C2. Además, el efecto sobre el peso de racimo es
mayor al aplicar la lámina de riego 1 (L1)
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE DATOS UTILIZANDO MINITAB
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE DATOS UTILIZANDO MINITAB
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE DATOS UTILIZANDO MINITAB
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE DATOS UTILIZANDO MINITAB
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE DATOS UTILIZANDO MINITAB

Con un gráfico es
suficiente, es este caso
particular, el factor
categórico (clon) se
coloca en el eje
horizontal (variable de
clasificación) y el
factor cuantitativo
como serie (partición)
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
El presente trabajo tuvo como objetivo principal evaluar el efecto de dos distancias de
siembra sobre el rendimiento y concentración de sólidos solubles de tres híbridos de
elotín (Zea mays L., Poaceae) en la localidad de Taxisco, Santa Rosa. En el experimento
condujo en condiciones de invernadero empleando un diseño completamente al azar
con arreglo bifactorial combinatorio, con seis tratamientos y cuatro repeticiones. Los
híbridos utilizados fueron Pac 4‐23, Sweet Valley y King Sweet. Las distancias de siembra
fueron de 0.15 m y 0.20 m. El rendimiento fue expresado en número de elotines por
hectárea y en grados brix la concentración de solidos solubles. Realizar el análisis de
varianza para la concentración de sólidos solubles. Discutir, concluir y recomendar.
GUERRA (2008), tesis de grado, URL.

FACTORES Concentración de sólidos solubles (grados brix)
Variedades (FA) Distancia (FB) 1 2 3 4
Pac4‐23 0.15 7.00 7.50 7.40 7.60
0.2 7.30 7.40 7.00 7.50
Sweet Valley 0.15 8.00 8.50 8.40 8.40
0.2 8.10 8.50 8.50 8.50
King Sweet 0.15 9.50 9.00 9.50 9.50
0.2 10.00 9.00 10.00 9.50
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
Totales de tratamientos (combinación de niveles)
FACTORES Concentración de sólidos solubles (grados brix)
Variedades (FA) Distancia (FB) 1 2 3 4
Pac4‐23 0.15 7.00 7.50 7.40 7.60 29.500
0.2 7.30 7.40 7.00 7.50 29.200
Sweet Valley 0.15 8.00 8.50 8.40 8.40 33.300
0.2 8.10 8.50 8.50 8.50 33.600
King Sweet 0.15 9.50 9.00 9.50 9.50 37.500
0.2 10.00 9.00 10.00 9.50 38.500
49.900 49.900 50.800 51.000 201.60

Totales de niveles aislados y combinados Cálculo de medias:
29.50
Variedades (FA) A B   7.375
4
DEP (FB) Pac Sweet King
58.70
0.15 29.50 33.30 37.50 100.30 FA   7.338
0.20 29.20 33.60 38.50 101.30 4 2
58.70 66.90 76.00 100.30
FB   8.358
43
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

ANÁLISIS DE VARIANZA
FV SUMA DE CUARADOS (SC) GL CM Fcal P‐valor
a

y 2
i 
y2 SC A CM A
FACTOR A i 1
  a  1
bn abn GLA CM E
b

y 2
 j SCB
FACTOR B
j 1

y2  b  1 GLB
CM B
an abn CM E
a b

 y 2
ij 
y2 SC A B CM AB
INT. A×B
i 1 j 1
  SC A  SCB  a  1 b  1 GLA B CM E
n abn
 SC de tratamientos 
SCE
ERROR SCtotal  SC A  SCB  SC AB ab  n  1
GLE
a b n
y2
TOTAL 
i 1 j 1 k 1
y 
abn
2
ijk abn  1
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
y2 201.62
TC    1693.44
abn 3  2  4
y2
SCtotal    yijk  
2
 7 2  7.32  ...  82  1693.44  20.36
abn
a

yy2
2
58.7 2  66.92  762
i 
SC A  i 1
  1693.44  18.723
bn abn 2 4
b

y
j 1
2
 j
y2 100.32  101.32
SCB     1693.44  0.0417
an abn 3 4
a b

 y
i 1 j 1
2
ij 
y2 29.52  29.22  ...  38.52
SCtrat     1693.44  18.87
n abn 4
SC AB  SCtrat  SC A  SCB  18.87  18.723  0.0417  0.1058

SCerror  SCtotal  SCtrat  20.36  18.87  1.49 SCerror  SCtotal  SCA  SCB  SCAB
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
SC A 18.723
CM A    9.362
Gl A 3 1 FcalA 
CM A

9.362
 113.068
CM Error 0.0828
SCB 0.0417
CM B    0.0417 CM B 0.0417
GlB 2 1 FcalB    0.5036
CM Error 0.0828
SC A B 0.1058
CM A B    0.0529
Gl A B  3  1 2  1 FcalA B 
CM A B 0.0529
  0.639
CM Error 0.0828
Ftab ( A)  F0.05,2,18  3.55
SCError 1.49 Ftab ( B )  F0.05,1,18  4.41
CM Error    0.0828
GlError 3  2  4  1 Ftab ( A B )  F0.05,2,18  3.55

0.0828
CM error CV  100  3.43%
CV   100 201.6
y .. 3 2  4
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
ANOVA Alpha 0.05
FV SC gl CM F  F crit p‐valor
HÍBRIDO(FA) 18.723 2 9.362 113.092 3.55 0.00000
DEP (FB) 0.042 1 0.042 0.504 4.41 0.48695
HBR×DEP 0.106 2 0.053 0.639 3.55 0.53935
ERROR 1.490 18 0.083
TOTAL 20.360 23
CV= 3.43
DISCUSIÓN:
No se rechaza la hipótesis nula referida a la igualdad de efectos de uno de los factores en los
niveles del otro factor. Por lo tanto, el efecto de las variedades sobre la concentración de
sólidos solubles (grados Brix) se produce independientemente de la distancia entre plantas
utilizada, es decir, no existe interacción entre los factores estudiados.
De igual forma no se rechaza la hipótesis nula de igualdad de efectos de los niveles del
factor distancia entre plantas, es decir, los efectos de los distanciamientos entre plantas
sobre la concentración de sólidos solubles son estadísticamente iguales.
Por otro lado, se rechaza la hipótesis nula de igualdad de efectos del factor variedades, por
lo que es necesario realizar prueba múltiple de medias para los niveles de dicho factor. El
efecto de variables no controladas en el experimento es aceptable dado que el coeficiente
de variación es razonablemente bajo (3.43%), menor a 20%.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
APLICANDO LA PRUEBA DE MEDIAS DE TUKEY

CMe
W  q ,trat , gle 
r
q0.05,3,18  3.61

0.0828
W  3.61  0.367
4 2

Pac Sweet King

VARIEDADES promedio 7.338 8.363 9.5
King Sweet 9.500 * *
2.163 1.138  ‐‐A
Sweet Valley 8.363 *
1.025  ‐‐ B
Pac4‐23 7.338  ‐‐ C

King Sweet 9.500 A
Sweet Valley 8.363 B
Pac4‐23 7.338 C
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
COMPROBANDO UTILIZANDO INFOSTAT
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)

CONCLUSIÓN
La variedad de elotín que produce una concentración promedio de sólidos
solubles significativamente mayor al resto de variedades evaluadas es la King
Sweet con 9.5 grados brix. La variedad con menor concentración de sólidos
solubles fue Pac 4‐23 con 7.34 grados brix, cuyo valor es significativamente
menor al observado en la variedad King Sweet.

RECOMENDACIÓN
Utilizar la variedad King Sweet cuando el objetivo sea obtener la mayor cantidad
de grados brix y en condiciones similares a las del presente estudio.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
GRÁFICO DE INTERACCIÓN

10.0 0.20
0.15  D2V1
 D1V1
9.0
D2V3

D1V3
8.0
D1V2

7.0 D2V2

Pac Sweet King

Medias para gráfico de interacción
DEP (FB) Pac Sweet King
0.15 7.4 8.3 9.4
0.20 7.3 8.4 9.6
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)

Se dice que existe interacción cuando el efecto de uno de los factores no es el mismo en todos los
niveles del otro factor. Para analizarlo es necesario comparar entre sí los efectos simples de un factor
en los diferentes niveles del otro factor. Se deben comparar diferencias, es decir, la diferencia entre
dos niveles del primer factor en un nivel del segundo factor con la diferencia entre esos mismos dos
niveles del primer factor en un nivel distinto del segundo factor. Si el efecto de la interacción es
significativo, al menos una de esas diferencias entre efectos simples será distinta de cero. El efecto de
interacción es la resta de efectos simples.
Cuando el primer factor tiene sólo dos niveles las diferencias entre esos dos niveles del primer factor
en cada nivel del segundo factor son los efectos simples propiamente dichos. Cuando el primer factor
tiene más de dos niveles estaremos hablando de diferencias simples que no involucran a todos los
niveles del primer factor, sino sólo a dos de ellos.
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
CONTRASTES PARA LA INTERACCIÓN

Codificación
King Pac Sweet
NIVELES V1 V2 V3
0.15 D1 D1V1 D1V2 D1V3
0.20 D2 D2V1 D2V2 D2V3

Planteamiento de contrastes
D1V1 D2V1 D1V2 D2V2 D1V3 D2V3
Den en V1=Den en V2 D1V1 ‐  D2V1  = D1V2  ‐  D2V2 1 ‐1 ‐1 1 0 0
Den en V1=Den en V3 D1V1 ‐  D2V1  = D1V3  ‐  D2V3 1 ‐1 0 0 ‐1 1
Den en V2=Den en V3 D1V2 ‐  D2V2  = D1V3  ‐  D2V3 0 0 1 ‐1 ‐1 1
 DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES (EJEMPLO 2)
Evaluación de los contrastes planteados
2
 t 

Repeticiones 4
 c i y i  
CMe 0.083
SC   i 
nivel significancia 0.05 t
gle 18 r  ci 2
i 1

9.375 9.625 7.375 7.3 8.325 8.4

2
D1V1 D2V1 D1V2 D2V2 D1V3 D2V3  t 
Den en V1=Den en V2 1 ‐1 ‐1 1 0 0 r   ci yi 
Den en V1=Den en V3 1 ‐1 0 0 ‐1 1 SC   i t 

 ci 2
Den en V2=Den en V3 0 0 1 ‐1 ‐1 1
i 1
Vcontraste SC
Den en V1=Den en V2 9.375 ‐9.625 ‐7.375 7.3 0 0 ‐0.325 0.106
1 1 1 1 0 0 4
Den en V1=Den en V3 9.375 ‐9.625 0 0 ‐8.325 8.4 ‐0.175 0.031 Conclusión
1 1 0 0 1 1 4 Ninguno de los contrastes
Den en V2=Den en V3 0 0 7.375 ‐7.3 ‐8.325 8.4 0.15 0.023 evaluados es significativo. El
0 0 1 1 1 1 4 efecto de uno de los
factores es el mismo en
Contrastes VC  SC   gl  CM    Fcal    Ftab p‐valor todos los niveles del otro
Dens  en V1=Dens  en V2 ‐0.325 0.106 1 0.106 1.276 4.41 0.27347 factor. No existe interacción
Dens  en V1=Dens  en V3 ‐0.175 0.031 1 0.031 0.370 4.41 0.55062 entre factores.
Dens  en V2=Dens  en V3 0.15 0.023 1 0.023 0.272 4.41 0.60847
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Se realizó un experimento bifatorial utilizando diseño de bloques completos al azar con
arreglo combinatorio de tratamientos para evaluar la interacción de la fertilización
orgánica (factor A) y química (mezclas de nitrógeno y fósforo) en el cultivo del tomate
(Lycopersicom esculentum), en el caserío Chepito, Cuilco, Huehuetenango. Se utilizaron
cuatro niveles de materia orgánica: 0, 10, 15 y 20 tm/ha, así como, 3 niveles de
fertilización química: 0 de N y P, 130 kg/ha de N y 55 kg/ha de P, 65 kg/ha de N y 30
kg/ha de P. Las variables de respuesta analizadas fueron: rendimiento en kg/ha, número
promedio de frutos por unidad experimental y días a la floración del cultivo. Tesis de
Ingeniero Agrónomo, FAUSAC, Jorge Mario Escobar López (1993). A continuación, el
número promedio de frutos por unidad experimental.

TRAT I II III IV
0N0P0O 32.60 30.40 32.30 30.40
130N55P0O 36.50 32.40 36.50 35.10
65N30P0O 30.10 32.30 34.00 29.20
0N0P10O 30.50 31.60 33.40 29.40
130N55P10O 36.30 34.80 34.60 38.90
65N30P10O 32.60 34.80 30.40 31.80
0N0P15O 32.40 30.60 36.60 35.40
130N55P15O 38.30 39.60 36.50 42.40
65N30P15O 33.40 30.60 35.40 34.80
0N0P20O 32.60 31.80 40.50 38.30
130N55P20O 38.90 40.20 39.50 45.60
65N30P20O 35.40 32.80 35.40 36.90
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Modelo matemático:
 i  1, 2, ..., a
yijk     i   j   ij   k   ijk  j  1, 2, ..., b
k  1, 2, ..., n
Yijk= valor observado en la variable de respuesta en el i‐ésimo nivel
del factor A y j‐ésimo nivel del factor B en la repetición k‐ésima
µ= es la media general
i= es el efecto debido al i‐ésimo nivel del factor A.
βj= es el efecto debido al j‐ésimo nivel del factor B.
(β)ij= Efecto de la interacción entre el i‐ésimo nivel del factor A y
el j‐ésimo nivel del factor B.
k= Efecto del k‐ésimo bloque
ijk= es el componente NID (0,) del error asociado a la ijk‐ésima
unidad experimental.
 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Hipótesis: como los efectos de los tratamientos se definen como
las desviaciones de la media global estimada…

H 0 :  11   12  ...  ij  0

H a :   ij  0

H 0 : 1   2  ... i  0
H a :  i  0

H 0 : 1   2  ... j  0
H a :  j  0
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PROCEDIMIENTO OPERATORIO
Lo que cambia en relación a la forma de cálculo utilizado en el factorial
completamente al azar es la obtención de la suma de cuadrados del error,
de los grados de libertad del componente bloques y el cálculo adicional de
la suma de cuadrados debida a los bloques. Se calculan con las siguientes
expresiones:

1 n 2 y2
SCbloq   y k  GLbloq   ab  1 n  1
ab k 1 abn

SCerror    yijk  yij    SCtotal  SC A  SCB  SC AB  SCbloq

a b n
2

i 1 j 1 k 1

SCerror  SCtotal  SCTrat  SCbloq

 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
ANÁLISIS DE VARIANZA
FV SUMA DE CUARADOS (SC) GL CM Fcal P‐valor
1 n 2 y2
BLOQUES  yk  abn
ab k 1  n  1
SCBloq CM Bloq
GLBloq CM E
a

y 2
i 
y2 SC A CM A
FACTOR A i 1
  a  1
bn abn GLA CM E
b

y 2
 j SCB
FACTOR B
j 1

y2  b  1 GLB
CM B
an abn CM E
a b

 y 2
ij  SC A B CM AB
INT. A×B i 1 j 1

y2
 SC A  SCB  a  1 b  1 GLA B CM E
n abn
 SC de tratamientos 
SCE
ERROR SCtotal  SC A  SCB  SC AB  SCbloq  ab  1 n  1
GLE
a b
y2
n

TOTAL 
i 1 j 1 k 1
y 
abn
2
ijk abn  1
DISEÑO COMPLETAMENTE AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
TRAT I II III IV Totales
0N0P0O 32.60 30.40 32.30 30.40 125.70
130N55P0O 36.50 32.40 36.50 35.10 140.50
65N30P0O 30.10 32.30 34.00 29.20 125.60
0N0P10O 30.50 31.60 33.40 29.40 124.90
130N55P10O 36.30 34.80 34.60 38.90 144.60
65N30P10O 32.60 34.80 30.40 31.80 129.60
0N0P15O 32.40 30.60 36.60 35.40 135.00
130N55P15O 38.30 39.60 36.50 42.40 156.80
65N30P15O 33.40 30.60 35.40 34.80 134.20
0N0P20O 32.60 31.80 40.50 38.30 143.20
130N55P20O 38.90 40.20 39.50 45.60 164.20
65N30P20O 35.40 32.80 35.40 36.90 140.50
Totales 409.60 401.90 425.10 428.20 1664.80

Niveles 0O 10O 15O 20O Totales

0N0P 125.70 124.90 135.00 143.20 528.80
130N55P 140.50 144.60 156.80 164.20 606.10
65N30P 125.60 129.60 134.20 140.50 529.90
Totales 391.80 399.10 426.00 447.90 1664.80
Factor A: FERQU Factor B: FEROR
 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PROCEDIMIENTO OPERATORIO

1 n 2 y2
SCbloq  
ab k 1
y k 
abn
409.62  401.902  ...  428.202 1664.82
SCbloq    39.27167
3 4 3 4  4
a

y 2
i 
y 2
SCFERQU  i 1  
bn abn
528.82  606.102  529.92 1664.82
SCFERQU    245.46792
4 4 3 4  4
b

y
j 1
2
 j
y2
SCFEROR  
an abn
391.82  399.102  426.002  447.92 1664.82
SCFEROR    165.725
3 4 3 4  4
 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
PROCEDIMIENTO OPERATORIO
a b a b

 y
i 1 j 1 y2
2
ij   ij 
y 2

i 1 j 1 y2
SC AB    SC A  SCB SCTrat  
n abn n abn
125.702  140.502  ...  164.202  140.502 1664.82
SCTrat    421.79669
4 3 4  4
SC AB  421.79669  245.46792  165.725  10.60377
2
y
SCTotal   yijk
2
 
abn
1664.82
SCTotal  32.60  30.40  ...  35.40  36.90 
2 2 2 2
 628.58667
3 4  4
SCError  SCtotal  SC A  SCB  SC AB  SCbloq  SCtotal  SCtrat  SCbloq
SCError  628.58667  421.79669  39.27167  167.51831
 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

SCbloq 39.27167 CM Bloq 13.09056

CM Bloq    13.09056 FcalBloq    2.57876
GlBloq 4 1 CM Error 5.07631
CM A 122.73396
CM A 
SC A 245.46792
  122.73396 FcalA    24.17779
Gl A 3 1 CM Error 5.07631
CM B 55.24167
SCB 165.725 FcalB    10.88225
CM B    55.24167 CM Error 5.07631
GlB 4 1
CM A B 1.7673
FcalA B    0.34815
SC A B 10.60377 CM Error 5.07631
CM A B    1.7673
Gl A B  3  1 4  1
CM error
CV   100
SCError 167.51831 y ..
CM Error    5.07631
GlError  3  4  1 4  1 5.07631
CV  100  6.49611
34.68333
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Cuadro de Análisis de la Varianza 
   F.V.       SC   gl  CM     F    p‐valor
Modelo.     461.07 14 32.93 6.49 <0.0001
FERQU       245.48 2 122.74 24.18 <0.0001
FEROR       165.73 3 55.24 10.88 <0.0001
BLOQUE      39.27 3 13.09 2.58 0.0702
FERQU*FEROR 10.59 6 1.77 0.35 0.9061
Error       167.52 33 5.08              
Total       628.59 47                     

Conclusión: No existe diferencia significativa para la interacción entre

factores, la fertilización orgánica y química actúan de manera
independiente con relación a número promedio de frutos por planta.
Sin embargo, se observa que si existe diferencia estadísticamente
significativa tanto entre niveles de la fertilización química como entre
niveles de la fertilización orgánica. Por ello, se hace necesaria la
comparación de medias a través de la prueba de Tukey.
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Test:Tukey Alfa=0.05 DMS=1.95464 Test:Tukey Alfa=0.05 DMS=2.48804
Error: 5.0763 gl: 33
Error: 5.0763 gl: 33
FEROR Medias n  E.E.         
 FERQU  Medias n  E.E.      
20O   37.33 12 0.65 A       
130N55P 37.88 16 0.56 A     15O   35.5 12 0.65 A  B    
65N30P  33.12 16 0.56    B  10O   33.26 12 0.65    B  C 
0N0P    33.05 16 0.56    B  0O    32.65 12 0.65       C 

La comparación múltiple de medias para el factor fertilización nitrogenada,

revela que aplicar 130 kg de nitrógeno por hectárea y 55 de fósforo produce
un promedio de frutos significativamente mayor a los demás niveles de
nitrógeno y fósforo evaluados, independientemente de la dosis de
fertilizante orgánico empleada. Con relación al factor fertilización orgánica,
aplicar 20 o 15 t/ha, tiene un efecto estadísticamente distinto al resto de
tratamientos, independientemente de la dosis de fertilizante nitrogenado.
 VERIFICACIÓN DE SUPUESTOS
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
2.32
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E Prueba de Levene (ANDEVA Trat)
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
tudiantil1.23
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
Variable N   R²  R² Aj  CV  
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
RABS_NPF 48 0.3 0.09 62.82
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
RE NPF

Versión 0.14
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Cuadro de Análisis de la Varianza (SC tipo III)
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil  F.V.    SC   gl  CM   F   p‐valor
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
-0.95
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Modelo. 14.97 11 1.36 1.41 0.2125
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E TRAT    14.97 11 1.36 1.41 0.2125
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión E
-2.04 Error   34.84 36 0.97             
Versión Estudiantil
29.43 Versión32.74
Estudiantil Versión
36.04 Estudiantil39.35
Versión Estudiantil
42.65
tudiantil Versión Estudiantil Versión Estudiantil
PRED NPFVersión Estudiantil Versión E
Total   49.81 47                  
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil

Shapiro‐Wilks (modificado)
  TRAT     Variable n  Media D.E.  W*  p(Unilateral D)
0O0N0P     NPF      4 31.43 1.19 0.77 0.0578
0O130N55P  NPF      4 35.13 1.93 0.83 0.1626
0O65N30P   NPF      4 31.4 2.17 0.94 0.6573
10O0N0P    NPF      4 31.23 1.71 0.98 0.8978
10O130N55P NPF      4 36.15 1.98 0.86 0.2966
10O65N30P  NPF      4 32.4 1.84 0.98 0.9017
15O0N0P    NPF      4 33.75 2.74 0.93 0.6117
15O130N55P NPF      4 39.2 2.48 0.99 0.9219
15O65N30P  NPF      4 33.55 2.14 0.91 0.4842
20O0N0P    NPF      4 35.8 4.27 0.86 0.2854
20O130N55P NPF      4 41.05 3.08 0.79 0.089
20O65N30P  NPF      4 35.13 1.7 0.92 0.5585
 GRÁFICOS DE INTERACCIÓN
Número promedio de frutos según niveles de fertilización orgánica dada la
fertilización química.
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
41.35
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil40.40
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil39.46
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
38.52
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 37.58
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
36.63
NPF

Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil35.69
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión20Estudiantil
O Versión Est
34.75
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 33.81
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
15 O
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 32.86
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
10 OVersión Estudiantil V
31.92
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
0O
tudiantil30.98
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
0N0P Versión Estudiantil
Versión Estudiantil Versión Estudiantil 130N55P
Versión Estudiantil 65N30P
Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil VersiónFERQ
Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
 GRÁFICOS DE INTERACCIÓN
Gráfico de efectos, fertilización orgánica en función de los niveles de la
fertilización química.
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
41.35 130N55P
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil40.48
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
39.62
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 38.76
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
37.90
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil37.03
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
NPF

Versión 36.17
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
0N0P
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 35.31
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
65N30PVersión Est
tudiantil34.45
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil33.58
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
Versión 32.72
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
31.86
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
tudiantil31.00
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil V
0O
Versión Estudiantil Versión Estudiantil 10O
Versión Estudiantil Versión 15O 20O
Estudiantil Versión Estudiantil Versión Est
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
FERT O Versión Estudiantil Versión Estudiantil V
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Est
 DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Se llevó a cabo una evaluación de la interacción de fertilizante químico y abono orgánico
en el cultivo de tomate (Lycopersicom esculentum) en el caserío Chepito, Cuilco,
Huhuetenango. Se evaluaron 2 factores: abono orgánico y fertilizante químico. Se
utilizaron 4 niveles de materia orgánica: 0, 10, 15 y 20 toneladas por hectárea, y 3 niveles
de fertilizante químico: 0, F1 (130 de N + 55 de P2O5) y F2 (65 de N + 30 de P2O5)
kilogramos por hectárea. Se utilizó un diseño experimental en bloques al azar con
estructura bifactorial y arreglo combinatorio, con 4 repeticiones. Entre otras, una de las
variables analizadas fue el rendimiento de tomate expresado en toneladas por hectárea.
Dado el análisis de varianza y el gráfico de interacción, realizar el análisis de la interacción
utilizando contrastes. Tesis FAUSAC, 1993.
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES
Gráfica de interacción para REND
Medias ajustadas
ORG * QUI QUI
70 F1
Q1P3 F2
Q1P4 OQ
60 Q1P2
Q1P1
Media de REND

Q2P3 Q2P4
50

Q2P2
40 Q3P4
Q2P1 Q3P3

30
Q3P2
Q3P1

20
0O 10O 15O 20O
ORG

Codificación
ORGÁNICO
0O 10O 15O 20O
QUÍMICO P1 P2 P3 P4
F1 Q1 52.9 58.3 63.85 66.52
F2 Q2 35.02 47.57 49.32 51.2
OQ Q3 23.6 30.4 40.47 43.12
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Contrastes
      ORG*QUI       Contraste E.E.    SC    gl   CM      F     p‐valor
Q23 en P1=Q23 en P2 ‐5.753 2.932 33.091 1 33.091 3.85 0.0582
Q23 en P1=Q23 en P3 2.573 2.932 6.618 1 6.618 0.77 0.3866
Q23 en P1=Q23 en P4 3.345 2.932 11.189 1 11.189 1.302 0.2621
Q23 en P2=Q23 en P3 8.325 2.932 69.306 1 69.306 8.063 0.0077
Q23 en P2=Q23 en P4 9.098 2.932 82.765 1 82.765 9.629 0.0039
Q23 en P3=Q23 en P4 0.773 2.932 0.597 1 0.597 0.069 0.7938
Q21 en P1=Q21 en P2 ‐7.148 2.932 51.087 1 51.087 5.943 0.0203
Q21 en P1=Q21 en P3 ‐3.345 2.932 11.189 1 11.189 1.302 0.2621
Q21 en P1=Q21 en P4 ‐2.555 2.932 6.528 1 6.528 0.759 0.3898
Q21 en P2=Q21 en P3 3.803 2.932 14.459 1 14.459 1.682 0.2036
Q21 en P2=Q21 en P4 4.593 2.932 21.091 1 21.091 2.454 0.1268
Q21 en P3=Q21 en P4 0.79 2.932 0.624 1 0.624 0.073 0.7893
Q13 en P1=Q13 en P2 1.395 2.932 1.946 1 1.946 0.226 0.6373
Q13 en P1=Q13 en P3 5.918 2.932 35.017 1 35.017 4.074 0.0517
Q13 en P1=Q13 en P4 5.9 2.932 34.81 1 34.81 4.05 0.0524
Q13 en P2=Q13 en P3 4.523 2.932 20.453 1 20.453 2.38 0.1325
Q13 en P2=Q13 en P4 4.505 2.932 20.295 1 20.295 2.361 0.1339
Q13 en P3=Q13 en P4 ‐0.017 2.932 3.10E‐04 1 3.10E‐04 3.60E‐05 0.9953
Total                               140.355 6 23.392 2.721 0.0293
DISEÑO DE BLOQUES COMPLETOS AL AZAR CON ARREGLO 
COMBINATORIO DE DOS FACTORES

Test:Tukey Alfa=0.05 DMS=7.27881
Error: 8.5955 gl: 33
ORG QUI Medias n  E.E.                           
20O F1  66.52 4 1.47 A                         
15O F1  63.85 4 1.47 A  B                      
10O F1  58.3 4 1.47    B  C                   
0O  F1  52.9 4 1.47       C  D                
20O F2  51.2 4 1.47       C  D                
15O F2  49.32 4 1.47          D  E             
10O F2  47.57 4 1.47          D  E  F          
20O OQ  43.12 4 1.47             E  F          
15O OQ  40.47 4 1.47                F  G       
0O  F2  35.02 4 1.47                   G  H    
10O OQ  30.4 4 1.47                      H  I 
0O  OQ  23.6 4 1.47                         I 
 ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
PROCEDIMIENTO
• Realizar un ANDEVA para el un diseño unifactorial utilizando todos los
tratamientos. Tomar los resultados solamente lo referente al total, el error y los
bloques.
• En el ANDEVA anterior también se introducen los contrastes ortogonales que
corresponden. En el caso de un testigo, se comparan los tratamientos
combinatorios (factoriales) con el testigo. En el caso de dos testigos, se
comparan los testigos contra los tratamientos combinatorios y un segundo
contraste para comparar los dos testigos. De los contrastes se toman todos los
resultados requeridos en el tabla del ANDEVA incluyendo el p‐valor.
• Hacer otro ANDEVA utilizando solo los tratamientos factoriales combinatorios,
cuyo modelo debe corresponder a un factorial. Se toman los resultados de los
efectos individuales de los factores y de la interacción, hasta el cuadrado
medio.
• Calcular los valores de F y el p‐valor para los factores individuales e
interacciones, utilizando el cuadrado medio del error calculado en el primer
paso.
• De ser necesario, realizar prueba de medias utilizando el programa DSAASTAT
versión 1.101
 ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
En una investigación en maíz se determinó el efecto en la altura de dos fuentes de
nitrógeno: urea y nitrato de amonio con tres dosis, 40, 80 y 120 kg/ha. El ensayo fue
realizado bajo un diseño de bloques completos al azar, con cinco repeticiones y un
arreglo combinatorio A×B, en el que A corresponde a las fuentes y B a las dosis.
Además se agregaron dos tratamientos, testigo 1: sin fertilización y testigo 2:
aplicación de abono orgánico. Los resultados de altura (a los 90 días) expresados en
centímetros se presentan a continuación. Realice el ANOVA y en caso necesario la
prueba de comparación múltiple de medias utilizando Duncan o LSD.

Factores/niveles Bloques
Fuente Dosis I II III IV V
Urea 40 175.5 174.2 179.2 184.0 183.5
Urea 80 210.0 207.7 212.8 217.0 214.0
Urea 120 212.8 210.2 215.0 220.0 217.2
Nitrato_Amonio 40 171.0 167.7 172.8 177.5 175.6
Nitrato_Amonio 80 201.3 198.2 203.0 207.6 205.2
Nitrato_Amonio 120 206.9 203.8 209.5 215.0 216.0
Testigo 1 169.2 166.1 170.5 176.1 173.5
Testigo2 172.0 181.0 182.0 182.0 183.0
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
ANDEVA INTEGRADO

 F.V.      SC    gl   CM     F     p‐valor

BLOQUE 460.968 4 115.242 35.706 0.0000000
FUENTE  346.8 1 346.8 107.43494 0.0000000
DOSIS  7856.9 2 3928.45 1216.9919 0.0000000
FUENTE*DOSIS 25.37 2 12.68 3.9281289 0.0313547
QQ=testigos 4060.033 1 4060.033 1257.929 <0.0001
T1SF=T2MO   198.916 1 198.916 61.631 <0.0001
Error   90.371 28 3.228
Total   13039.356 39        
CV= 0.930962006

El coeficiente de variación es bajo (CV=0.931). Los testigos son estadísticamente

distintos respecto a los tratamientos químicos. Los testigos también lo son entre
sí. Tanto los efectos principales como el efecto de interacción son significativos. Es
necesario realizar prueba múltiple de medias para ambos contrastes y la
interacción.
 ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)

Se obtienen las medias de cada uno de los testigos,

de los testigos como grupo y del grupo de
tratamientos factoriales.

La comparación múltiple se realiza utilizando el complemento para Excel DSAASTAT

1.101. Cuando la cantidad de medias es mayor que dos utilizar Tukey Duncan u otra.
Cuando las medias son dos, utilizar el método de Fisher conocida también como
diferencia mínima significativa (LSD), la cual ha sido diseñada para estos casos.
 ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)
Medias de Grupos a 
comparar
GRUPO ALT
Urea120 215.04
Urea80 212.3
NA120 210.24
NA80 203.06
Urea40 179.28
NA40 172.92

GRUPO ALT
TRAT 198.8
TESTIGOS 176.2

GRUPO ALT
TEST2AO 180.0
TEST1SF 171.1
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS: 
DISEÑO EN BLOQUES COMPLETOS AL AZAR (3×2+2)

Repetir el proceso para cada comparación a realizar
 ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS 
(3×2+2) DISEÑO EN BLOQUES COMPLETOS AL AZAR
MULTIPLE COMPARISON TEST MULTIPLE COMPARISON TEST
Procedure: Duncan's multiple range test (p= 0.05) Procedure: LSD (p= 0.05)
S.E.M.: 0.803434591523879; DF: 28 S.E.D.: 1.13622809581276
Critical range; 0; 2.33; 2.442; 2.515; 2.571; 2.619 LSD = 2.32745774617126

1 215.04 a 1 198.8066667 a
2 212.3 b 2 176.2444444 b
3 210.24 b
MULTIPLE COMPARISON TEST
4 203.06 c
Procedure: LSD (p= 0.05)
5 179.28 d
S.E.D.: 1.13622809581276
6 172.92 e
LSD = 2.32745774617126

1 180 a
2 171.08 b

La altura de la planta de maíz es significativamente mayor cuando se aplica urea con una dosis de 120
kg/ha, producto de la acción combinada de ambos factores. La altura promedio de planta ha sido
menor al utilizar nitrato de amonio a razón de 40 kg/ha. La altura de la planta es estadísticamente
superior cuando se aplica fertilización química comparado con el efecto producido por los testigos. El
efecto de la materia orgánica sobre la altura de planta de maíz es estadísticamente mayor respecto a la
no aplicación de fertilizantes.
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS 
(3×2+2) DISEÑO EN BLOQUES COMPLETOS AL AZAR
Gráfica de interacción para ALT
Medias ajustadas
FUENTE * DOSIS DOSIS
220 40
80
120
210
Media de ALT

200

190

180

170
NA Urea
FUENTE

El efecto simple sobre la altura de planta al utilizar dosis de 80 y 120 kg/ha

es estadísticamente mayor cuando se aplica nitrato de amonio que cuando
se aplica urea, es decir, el efecto del factor dosis al utilizar nitrato de
amonio no es igual al que se obtiene cuando la fuente de nitrógeno es
urea; lo cual revela la existencia de interacción significativa entre los
factores estudiados.
ARREGLOS FACTORIALES COMBINATORIOS CON TESTIGOS 
(3×2+2) DISEÑO EN BLOQUES COMPLETOS AL AZAR

Para otro ejemplo de experimentos bifactoriales con 
testigo adicional utilizando diseño completamente al 
azar, ver:
https://www.youtube.com/watch?v=XjOUVHlIFd8

Ver también el archivo Excel con ejercicio resuelto.
 ANDEVA PARA DISEÑOS FACTORIALES CON ARREGLO EN 
PARCELAS DIVIDIDAS: DISEÑO BLOQUES COMPLETOS AL AZAR
Se realizó un experimento con arreglo en parcelas divididas con el
objetivo de evaluar tres variedades con dos sistemas de preparación de
suelos. Los sistemas de preparación de suelos son los siguientes: S1
mecanizado y S2 labranza mínima. Las tres variedades son las
siguientes: V1: P23, V2: CM‐40 y V3:T4. Los datos que se expresan a
continuación corresponden al rendimiento en toneladas por hectárea,
según la disposición espacial en el campo. Los sistemas de labranza se
ubicaron en parcelas grandes y las variedades en parcelas pequeñas.

BLOQUE
SIST. PREP VARIEDAD I II III IV TOTAL
S1 V1 19.3 19.9 19.4 20.3 78.9
S1 V2 20.6 21.3 20.5 21.1 83.5
S1 V3 16.5 17.6 17.2 17.1 68.4
TOTAL 56.4 58.8 57.1 58.5 230.8
S2 V1 22.2 23.1 23.4 22.9 91.6
S2 V2 22.4 21.9 22.5 22.3 89.1
S2 V3 18.8 18.6 18.9 19.6 75.9
63.4 63.6 64.8 64.8 256.6
 ANDEVA PARA DISEÑOS FACTORIALES CON ARREGLO EN 
PARCELAS DIVIDIDAS: DISEÑO BLOQUES COMPLETOS AL AZAR

MODELO ESTADÍSTICO:
yijk    i   j   ij  a    k   jk   ijk b 

MODELO ANÁLISIS INFOSTAT:

MODELO GENERAL MODELO ESPECÍFICO 
Efecto Bloque BLOQUE BLOQUE
Error PG FAC PG*BLOQUE SPS*BLOQUE
Efecto FA FAC PG\FAC PG*BLOQUE SPS\SPS*BLOQUE
Efecto FB FAC PP VAR
Interacción FAC PG*FAC PP SPS*VAR
 ANDEVA PARA DISEÑOS FACTORIALES CON ARREGLO EN 
FRANJAS: DISEÑO BLOQUES COMPLETOS AL AZAR
Considere un estudio donde se evaluaron tres niveles de fertilización
con N (0, 50 y 100 kg N/ha) y dos niveles de riego: bajo caudal (8 l/h)
y alto caudal (20 l/h). El ensayo se condujo bajo un diseño en bloques
completos al azar con cuatro bloques y arreglo en franjas. La variable
de respuesta fue el rendimiento de maíz expresado en kilogramos por
unidad experimental.

bloques
NITR(FA) RIEGO (FB)
I II III IV
0 NITR BAJO 55 63 63 65
0 NITR ALTO 71 77 77 75
50 NITR BAJO 62 66 70 66
50 NITR ALTO 77 79 78 76
100 NITR BAJO 69 77 79 76
100 NITR ALTO 78 81 80 79
 ANDEVA PARA DISEÑOS FACTORIALES CON ARREGLO EN 
FRANJAS: DISEÑO BLOQUES COMPLETOS AL AZAR

MODELO ESTADÍSTICO:
yijk    i   j   ij  a    k  ik  b    jk   ijk  c 

MODELO ANÁLISIS INFOSTAT:

MODELO GENERAL MODELO ESPECÍFICO
Efecto Bloque BLOQUE BLOQUE
Error PC BLOQUE*FACTOR A BLOQUE*NITRO
Error PCT BLOQUE*FACTOR B BLOQUE*RIEGO
Efecto FA FACTOR A\BLOQUE*FACTOR A NITRO\BLOQUE*NITRO
Efecto FB FACTOR B\BLOQUE*FACTOR B RIEGO\BLOQUE*RIEGO
Interacción FACTOR A*FACTOR B NITRO*RIEGO