UNIDAD III

DISEÑOS EXPERIMENTALES RELACIONADOS CON UN

SOLO FACTOR DE ESTUDIO
UNIDAD DE APRENDIZAJE:

ANALISIS Y DISEÑO DE EXPERIMENTOS

LICENCIATURA DE INGENIERO AGRONOMO FITOTECNISTA

FACULTAD DE CIENCIAS AGRÍCOLAS

Elaborado por:

Dr. Carlos Gustavo Martínez Rueda

Campus Universitario “El Cerrillo, Toluca, México
Septiembre de 2015
Presentación.
 El presente material didáctico tiene como objetivo principal
revisar los contenidos de la unidad de competencia III del Curso
de la Unidad de Aprendizaje de Análisis y Diseño de
Experimentos que se imparte en el 5° semestre de la licenciatura
de Ingeniero Agrónomo en Floricultura en la Facultad de
Ciencias Agrícolas de la U.A.E.M.

 En esta presentación de diapositivas se describen las principales

característica de los diseños experimentales relacionados con un
solo factor de estudio que se emplean regularmente en trabajos
de investigación relacionados con la floricultura y la horticultura
ornamental
Objetivos de la unidad de competencia

El Alumno:
• Aplicará adecuadamente los diseños experimentales
relacionados con un solo factor de estudio de uso
común en la investigación agrícola y florícola.
 ¿Qué son los experimentos monofactoriales?

• Los experimentos en los que únicamente se ensayan diferentes

modalidades o intensidades de un solo factor y el resto de
factores se mantienen constantes se conocen como
experimentos con un solo factor de estudio o experimentos
monofactoriales

• En este tipo de experimentos los tratamientos consisten

solamente de los diferentes niveles de un solo factor y todos los
factores restantes se mantienen uniformes en las parcelas o
unidades experimentales

• Un ejemplo de este tipo de factores son aquellos experimentos

en donde se evalúan distintas variedades (tratamientos) y el resto
de las practicas de manejo (fecha de siembra, densidad de
población, fertilización, etc.) se mantienen constantes para todas
las parcelas o unidades experimentales. (Gomez y Gomez, 1984)
 3.1. Diseño Completamente Aleatorizado
• El diseño Completamente
Aleatorizado (DCA) tienen muchas
aplicaciones en la investigación
agronómica, sobre todo en
experimentos de laboratorio e
invernadero.

• Resulta especialmente útil, para

experimentos en donde se pueden
controlar artificialmente las
condiciones ambientales o bien se
presenta muy poca variabilidad
entre las unidades experimentales

• De esta forma, se puede manejar

un gran numero de tratamientos y
repeticiones, e inclusive se pueden
manejar diferente numero de 5
repeticiones entre tratamientos.
3.1.1 Características generales
 La principal característica que
distingue al Diseño Completamente
Aleatorizado (DCA) es que la
asignación de los tratamientos a las
unidades experimentales se hace sin
ninguna restricción en la
aleatorización. Es decir de forma
“Completamente Aleatoria”. 1 2 3 4 5

T1 T4 T3 T3 T2
 Debido a que no se forman bloques, la
6 7 8 9 10
variación total de las observaciones o T3
T3 T2 T1 T1
datos únicamente puede dividirse en
11 12 13 14 15
dos partes: T1
T3 T4 T1 T2
 1) las diferencias entre las medias de los
tratamientos 16 17 18 19 20

 2) las diferencias entre unidades T3 T4 T4 T2 T2

experimentales que recibieron un mismo Esquema de aleatorización de un DCA con6
tratamiento (Error experimental) cuatro tratamientos y cuatro repeticiones
 3.1.2 Modelo Lineal

El modelo lineal aditivo que define a un diseño de completamente

aleatorizado es el siguiente:

yij=m+ti+eij

Donde:
yij = respuesta observada con el tratamiento i en la repetición j
m = media general
ti = efecto del tratamiento i; i=1,2,…,t
eij = termino de error asociado al tratamiento i la repetición j

7
3.1.3. Pasos para la realización del análisis de varianza

1. Obtener el Factor de Corrección (F.C)

𝑡 𝑟
2
𝑌..
𝐹. 𝐶. = ; 𝑌.. = ෍ ෍ 𝑌𝑖𝑗
𝑟×𝑡
𝑖=1 𝑗=1

2. Obtener la Suma de Cuadrados Total SC Total

t r
SCTotal   y  F .C. 2
ij
i 1 j 1
8
3. Obtener Suma de Cuadrados de Tratamientos
t

 i.
(Y ) 2

SCTratamientos  i 1
 F .C.
r

4. Obtener Suma de Cuadrados del Error

SC Error= SC Total – SC Tratamientos

5. Obtener Grados de Libertad

g.l.Tratamientos  t  1
g.l.Error  t (r  1)
g.l.Total  t  r   1 9
6. Obtener Cuadrados Medios

𝑆𝐶𝑇𝑟𝑎𝑡 𝑆𝐶 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀𝑇𝑟𝑎𝑡 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 =
𝑔. 𝑙. 𝑇𝑟𝑎𝑡 𝑔. 𝑙. 𝐸𝑟𝑟𝑜𝑟

7. Obtener Valores de F

𝐶𝑀 𝑡𝑟𝑎𝑡
𝐹𝑡𝑟𝑎𝑡 =
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
8. Obtener el Coeficiente de Variación

𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
𝐶𝑉(%) = × 100 𝑌ത.. = 𝑀𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑌ഥ..
10
9. Obtener el coeficiente de determinación R2

SCTratamientos
R 
2

SCTotal

 R2 indica la proporción de la suma de cuadrados total que es explicada por la

variación entre tratamientos.

 Conforme el valor de R2 se aproxima a 1.0 esto indicará que los datos analizados
tuvieron un mejor ajuste del modelo lineal aditivo

11
10. Construir la tabla de Análisis de Varianza
Fuente de Grados de Suma de Cuadrados F
Variación libertad cuadrados medios
Tratamientos g.l. tratamientos SC Tratamientos CM Tratamientos F trat

Error g.l. Error SC Error CM Error

Total g.l. Total

11. Determinar la significancia estadística de los valores de F

Prueba de hipótesis para Tratamientos

Hipótesis nula : ti=tj “No hay diferencias entre las medias de los tratamientos”

Hipótesis alternativa: ti ≠ tj “Existen diferencias al menos para un par de

12
tratamientos”

Rechazar la hipótesis nula, si F Tratamientos > F [a; (t-1), (t)(r-1) g.l.]

 3.2. Diseño de Bloques Completos al Azar
• El diseño de Bloques Completos
al Azar (DBCA) es un de los
diseños experimentales que
tienen mayores aplicaciones en
la investigación agronómica.

• Este diseño es especialmente

útil, para experimentos de campo
en donde no es muy alto el
numero de tratamientos que se
evalúan y el área experimental
sigue un gradiente de
productividad predecible

13
3.2.1 Características generales

 La principal característica que distingue a

este diseño es la presencia de bloques o 1 2 3 4 5 6
franjas de igual tamaño, conteniendo a B1
cada uno de los tratamientos que se T5 T1 T6 T4 T3 T2
ensayan 7 8 9 10 11 12
B2
T2 T1 T4 T5 T6 T3
 La formación de bloques reduce el error 13 14 15 16 17 18
experimental eliminando la contribución
B3
de fuentes de variación conocidas sobre T1 T6 T3 T2 T4 T5
las unidades experimentales.

Esquema de aleatorización en donde cada

 Debido a que solo la variación dentro de
tratamiento (Ti) ocurre una sola vez en cada
bloques resulta parte del error
experimental la conformación de los bloque.
bloques es más efectiva cuando el área
experimental tiene un gradiente de
productividad predecible.
14
 3.2.2. Modelo Lineal

El modelo lineal que define a un diseño de bloques completos al azar es el

siguiente:

yij=m+ti+bj+eij

Donde:
yij = respuesta observada con el tratamiento i en el bloque j
m = media general
ti = efecto del tratamiento i; i=1,2,…,t
bj = efecto del bloque j; j=1,2,…,r
eij = termino de error asociado al tratamiento i en el bloque j

15
3.2.3 Pasos para la realización del análisis de
varianza

1. Obtener el Factor de Corrección (F.C)

𝑡 𝑟
2
𝑌..
𝐹. 𝐶. = ; 𝑌.. = ෍ ෍ 𝑌𝑖𝑗
𝑟×𝑡
𝑖=1 𝑗=1

2. Obtener la Suma de Cuadrados Total SC Total

𝑡 𝑟
2
𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 = ෍ ෍ 𝑦𝑖𝑗 − 𝐹. 𝐶.
𝑖=1 𝑗=1

16
3. Obtener Suma de Cuadrados de Bloques
𝑟 𝑡

𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = ෍ 𝑌.𝑗2 /𝑡 − 𝐹. 𝐶. 𝑌.𝑗 = ෍ 𝑦𝑖𝑗

𝑗=1 𝑖=1

4. Obtener Suma de Cuadrados de Tratamientos

𝑟
σ𝑡𝑖=1 𝑌𝑖.2
𝑆𝐶 𝑇𝑟𝑎𝑡 = − 𝐹. 𝐶. 𝑌𝑖. = ෍ 𝑦𝑖𝑗
𝑟
𝑗=1

5. Obtener Suma de Cuadrados del Error

SC Error=SC Total- SC Bloques- SC Tratamientos
6. Obtener Grados de Libertad
g.l. Tratamientos = t-1 g.l. Bloques = r-1
g.l. Error = (t-1) x (r-1) g.l. Total = (t x r)-1
17
7. Obtener Cuadrados Medios

𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒𝑠
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 =
𝑔. 𝑙. 𝑏𝑙𝑜𝑞𝑢𝑒𝑠

𝑆𝐶𝑇𝑟𝑎𝑡
𝐶𝑀𝑇𝑟𝑎𝑡 =
𝑔. 𝑙. 𝑇𝑟𝑎𝑡

𝑆𝐶 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀𝐸𝑟𝑟𝑜𝑟 =
𝑔. 𝑙. 𝐸𝑟𝑟𝑜𝑟

18
8. Obtener Valores de F
𝐶𝑀 𝐵𝑙𝑜𝑞𝑢𝑒𝑠
𝐹𝐵𝑙𝑜𝑞𝑢𝑒𝑠 =
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀 𝑡𝑟𝑎𝑡
𝐹𝑡𝑟𝑎𝑡 =
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟

9. Obtener el Coeficiente de Variación

𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
𝐶𝑉(%) = × 100 𝑌ത.. = 𝑀𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑌ഥ..

19
10. Obtener el coeficiente de determinación R2

𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 + 𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑅2 =
𝑆𝐶 𝑇𝑜𝑡𝑎𝑙

 R2 indica la proporción de la suma de cuadrados total que es explicada por la

variación entre bloques y entre tratamientos.

 Conforme el valor de R2 se aproxima a 1.0 esto indicará que los datos analizados
tuvieron un mejor ajuste del modelo lineal.

20
11. Calcular la Eficiencia Relativa del Bloqueo

𝑟 − 1 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 + 𝑟 𝑡 − 1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝐸𝑅𝐵 =
𝑟𝑡 − 1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟

• Si ERB > 1.0 esto indicará que con la formación de bloques se redujo el error
experimental con relación al diseño completamente aleatorizado, y por lo tanto
el diseño de bloques completos al azar resulto eficiente.

• Si ERB < 1.0 esto indicará que con la formación de bloques no se redujo el error
experimental y por lo tanto el diseño completamente aleatorizado hubiera sido
más eficiente

21
12. Construir la tabla de Análisis de Varianza

Fuente de Grados de Suma de Cuadrados F

Variación libertad cuadrados medios
Bloques g.l. Bloques SC Bloques CM Bloques F Bloques

Tratamientos g.l. tratamientos SC Tratamientos CM Tratamientos F trat

Error g.l. Error SC Error CM Error

Total g.l. Total

22
11. Determinar la significancia estadística de los valores de F

Prueba de hipótesis para Bloques

Hipótesis nula : bi=bj “No hay diferencias entre bloques”

Hipótesis alternativa: bi ≠ bj “Si hay diferencias entre bloques”
Regla de decisión:
Rechazar la hipótesis nula, si F Bloques > F [a; (r-1), (r-1)(t-1) g.l.]

Prueba de hipótesis para Tratamientos

Hipótesis nula : ti=tj “No hay diferencias entre las medias de los tratamientos”
Hipótesis alternativa: ti ≠ tj “Existen diferencias para al menos un par de
tratamientos”
Rechazar la hipótesis nula, si F Tratamientos > F [a; (t-1), (r-1)(t-1) g.l.]

23
3.3 Diseño de Cuadro Latino
• El Diseño de Cuadro Latino
(DCL) es un diseño experimental
que se emplea en la
investigación agronómica, sobre
todo en experimentos de campo
en donde se tiene un solo factor
de estudio y se ensaya un
número reducido de tratamientos.

24
3.3.1 Características generales
• La principal característica que
distingue a este diseño
experimental es su capacidad
para manejar simultáneamente
dos criterios de bloqueo,
designados como “hileras y
columnas”,

• Los tratamientos ocurren una

sola vez en cada hilera y cada
columna, de tal forma que se
pueda eliminar la variación
entre hileras y columnas del
error experimental y con esto se
logra una mayor precisión
Algunos ejemplos en donde se puede
aplicar este diseño son los siguientes:

• 1) En experimentos en donde el área

experimental tiene dos gradientes de
productividad orientados en forma
perpendicular uno con respecto al otro.

• 2) Experimentos en donde se evalúa la

aplicación de insecticidas y los insectos
plaga siguen una dirección
perpendicular a la dirección que tiene el
gradiente de productividad en el suelo.

• 3) Experimentos de invernadero en
donde la cercanía de las unidades
experimentales a las paredes frontales o
laterales impone cierto gradiente de
luminosidad, temperatura o humedad
ambiental.

26
 C A
E B D
E C
B D
• Las restricciones en la B EE C A
aleatorización hacen que este A DB D A
D A C
diseño se aplique únicamente en D C
casos en donde el número de B E B
A
tratamientos no sea demasiado C E
grande, ya que el número de
tratamientos t es igual al número
de repeticiones (r), igual al Col 1 Col 2 Col 3 Col 4 Col 5
numero de hileras (h) e igual al
número de columnas (c). Hil 1 C A E B D
Hil 2 E C B D A
• Por esta razón el DCL se
recomienda para aquellos casos en Hil 3 B E D A C
donde el número de tratamientos
Hil 4 A D C E B
no sea menor a cuatro y mayor a
ocho. Hil 5 D B A C E

Esquema de aleatorización de un
diseño de cuadro latino 5 X 5
27
 3.3.2. Modelo lineal aditivo

yijk=m+ti+aj +bk+eijk
Donde: yijk = respuesta observada con el tratamiento i en la hilera j, columna k
m = efecto o promedio general
ti = efecto del tratamiento i; i=1,2,…,t
aj= efecto de la hilera j; j=1,2,…,h
bk=efecto de la columna k; k=1,2,…,c
eijk = termino de error asociado al tratamiento i en la hilera j, columna k

28
3.3.3. Pasos para la realización del análisis de varianza

1. FACTOR DE CORRECCIÓN (F.C.)

𝑡 ℎ 𝑐
𝑌... 2
𝐹. 𝐶. = 2 𝑌.. = ෍ ෍ ෍ 𝑦𝑖𝑗𝑘
(𝑡 )
𝑖=1 𝑗=1 𝑘=1

2. SUMA DE CUADRADOS TOTAL (SC TOTAL)

𝑡 ℎ 𝑐
2
𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = ෍ ෍ ෍ 𝑦𝑖𝑗𝑘 − 𝐹. 𝐶.
𝑖=1 𝑗=1 𝑘=1

29
3. SUMA DE CUADRADOS DE HILERAS (SC HIL)

𝑡 𝑐
σℎ𝑗=1 𝑌.𝑗.2
𝑆𝐶 𝐻𝑖𝑙 = − 𝐹. 𝐶. ; 𝑌.𝑗.= ෍ ෍ 𝑦𝑖𝑗𝑘
𝑡
𝑖=1 𝑘=1

4. SUMA DE CUADRADOS DE COLUMNAS (SC COL)

𝑡 ℎ
σ𝑐𝑘=1 𝑌..𝑘
2
𝑆𝐶 𝐶𝑜𝑙 = − 𝐹. 𝐶. ; 𝑌..𝑘= ෍ ෍ 𝑦𝑖𝑗𝑘
𝑡
𝑖=1 𝑗=1

5. SUMA DE CUADRADOS DE TRATAMIENTOS (SC TRAT)

ℎ 𝑐
σ𝑡𝑖=1 𝑌𝑖..2
𝑆𝐶 𝑇𝑟𝑎𝑡 = − 𝐹. 𝐶. ; 𝑌𝑖..= ෍ ෍ 𝑦𝑖𝑗𝑘
𝑡
𝑗=1 𝑘=1

30
6. SUMA DE CUADRADOS DEL ERROR

SC Error = SC Total – SC Hil – SC Col – SC Trat

7. GRADOS DE LIBERTAD

g.l. Hileras = h-1

g.l. Columnas = c-1
g.l. Trat = t-1
g.l. Error = (t-1) (t-2)
g.l. Total = (t2)-1

8. CUADRADOS MEDIOS
𝑆𝐶 𝐻𝑖𝑙
𝐶𝑀 𝐻𝑖𝑙𝑒𝑟𝑎𝑠 = 𝑔.𝑙.ℎ𝑖𝑙
𝑆𝐶 𝐶𝑜𝑙
𝐶𝑀 𝐶𝑜𝑙𝑢𝑚𝑛𝑎𝑠 = 𝑔.𝑙. 𝐶𝑜𝑙
𝑆𝐶 𝑇𝑟𝑎𝑡
C𝑀 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 =
𝑔𝑙 𝑇𝑟𝑎𝑡
𝑆𝐶 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟 = 𝑔𝑙 𝐸𝑟𝑟𝑜𝑟 31
9. VALORES F PARA HILERAS, COLUMNAS Y TRATAMIENTOS

𝐶𝑀 𝐻𝑖𝑙
𝐹 𝐻𝑖𝑙𝑒𝑟𝑎𝑠 =
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟

𝐶𝑀 𝐶𝑜𝑙
𝐹 𝐶𝑜𝑙𝑢𝑚𝑛𝑎𝑠 = 𝐶𝑀 𝐸𝑟𝑟𝑜𝑟

𝐶𝑀 𝑇𝑟𝑎𝑡
𝐹 𝑡𝑟𝑎𝑡 = 𝐶𝑀 𝐸𝑟𝑟𝑜𝑟

10. COEFICIENTE DE VARIACIÓN (CV)

𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
𝐶𝑉(%) = × 100 𝑌ത... = 𝑀𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑌…

11. COEFICIENTE DE DETERMINACIÓN (R2)

𝑆𝐶 ℎ𝑖𝑙𝑒𝑟𝑎𝑠 + 𝑆𝐶 𝐶𝑜𝑙𝑢𝑚𝑛𝑎𝑠 + 𝑆𝐶 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑅2 =
𝑆𝐶 𝑇𝑜𝑡𝑎𝑙

32
12 Eficiencia Relativa del Diseño

33
 13. TABLA DE ANÁLISIS DE VARIANZA

Fuente de Grados de libertad Suma de cuadrados Cuadrados medios F

Variación

Hileras g.l. Hileras SC Hileras CM Hileras F Columnas

Columnas g.l. Columnas SC Columnas CM Columnas F Hileras

Tratamientos g.l. tratamientos SC Tratamientos CM tratamientos F tratamientos

Error g.l. Error SC Error CM Error

Total g.l. Total

34
14. Determinar la significancia estadística de los valores de F
Prueba de hipótesis para Hileras

Hipótesis nula : ai=aj “No hay diferencias entre bloques”

Hipótesis alternativa: ai ≠ aj “Si hay diferencias entre bloques”
Regla de decisión:
Rechazar la hipótesis nula, si F Hileras > F [a; (t-1), (t-1)(t-2) g.l.]
Prueba de hipótesis para Hileras

Hipótesis nula : bi=bj “No hay diferencias entre columnas”

Hipótesis alternativa: bi ≠ bj “Si hay diferencias entre columnas”
Regla de decisión:
Rechazar la hipótesis nula, si F Bloques > F [a; (t-1), (t-1)(t-2) g.l.]
Prueba de hipótesis para Tratamientos
Hipótesis nula : ti=tj “No hay diferencias entre las medias de los
tratamientos”
Hipótesis alternativa: ti ≠ tj “Existen diferencias para al menos un
par de tratamientos”
Rechazar la hipótesis nula, si F Tratamientos > F [a; (t-1), (t-1)(t-2) g.l.]
4. Resumen
• Los experimentos monofactoriales o con un solo factor de
estudio son aquellos en donde se mide la respuesta de cierto
fenómeno al variar un solo factor y el resto se mantienen
constantes.

• Los principales diseños experimentales que se utilizan para

evaluar experimentos factoriales son el Diseño
Completamente Aleatorizado, el Diseño de Bloques Completos
al Azar y el Diseño de Cuadro Latino.

• La principal diferencia que existe entre los diseños

experimentales aplicado a experimentos monofactoriales es la
manera en que se aleatorizan los tratamientos.
• El Diseño Completamente Aleatorizado es el diseño experimental de
menor complejidad y se caracteriza por que los tratamientos se asignan
en forma completamente al azar a las unidades experimentales, si
recurrir a la formación de bloques.

• El diseño de Bloques Completos al Azar es el diseño experimental que

más se utiliza en la investigación agronómica y se caracteriza por la
formación de bloques que permiten eliminar del error experimental las
variaciones atribuibles a cierto gradiente de productividad predecible.

• El diseño de Cuatro Latino se distingue por su capacidad de manejar

simultáneamente dos criterios de bloqueo designados como hileras y
columnas, cuando se presentan dos gradientes de productividad
orientados de forma perpendicular uno respecto al otro.

• Las restricciones en la aleatorización que impone este diseño de Cuadro

Latino (cada tratamiento aparece una sola vez en cada hilera y en cada
columna) hacen que este diseño se utilice cuando el número de
tratamientos no es demasiado elevado, ya que el número de
repeticiones debe ser igual al número de tratamientos.
 5. Bibliografía consultada
 Fernández E., R. , A. Trapero, J. Domínguez (2010) Experimentación en Agricultura.
Junta de Andalucía, Consejería de Agricultura y Pesca, Sevilla, España.

 Gomez K. A. and A Gomez. (1984) Statistical Procedures for Agricultural Research.

2nd Edition. Jhon Wiley & Sons, New York, USA

 Little T.M. y F.L. Hills. (1976) Métodos Estadísticos para la investigación en la

agricultura. Editorial Trillas, México, D.F.

 Martínez Garza. A. (1988) Diseños Experimentales. Métodos de teoría.

Editorial Trillas, México D.F.

 Padrón Corral. (2008) Diseños experimentales con aplicación a la agricultura y

ganadería.Editorial Trilla, México, D.F.
38