Universidad Autónoma Chapingo

División de Ciencias Forestales

Análisis de Diseños Experimentales con Igual Número de Submuestras
Francisco J. Zamudio Sánchez
Arturo A. Alvarado Segura
Chapingo, México.
1996

1
PREFACIO

El presente trabajo tuvo su origen en una consulta planteada por un estudiante acerca de cómo
realizar el análisis de un diseño en parcelas divididas con submuestreo. Se revisó una amplia
literatura disponible, encontrándose que los libros de Diseños Experimentales, Métodos
Estadísticos o Modelos Lineales que tocan el tema de submuestreo, lo ejemplifican invariablemente
en el Diseño Completamente al Azar o en el de Bloques al Azar, dejando implícito que los otros
diseños se siguen de manera natural. Lo anterior no es cierto, ya que, para realizar un análisis
donde hay submuestreo se requiere conocer la fuente de variación que conforma el error
experimental, el cual, en el caso de los dos diseños antes citados es fácil, mas no es el caso en
diseños con estructuras más complejas. Con esta motivación se trató de encontrar un algoritmo
general para analizar diseños con igual número de submuestras. Para ello, se desarrolló la teoría
necesaria a fin de determinar las sumas de cuadrados y las esperanzas de cuadrados medios
pertinentes que establecieran un puente entre la variabilidad de las unidades experimentales, según
el diseño general que se estuviera usando y la variabilidad de las submuestras. Por fortuna, se
alcanzó el objetivo anterior y pudo constatarse en los resultados finales que el análisis de un diseño
en estas condiciones es extremadamente fácil. El método estadístico se sintetiza en la construcción
de dos tablas de Análisis de Varianza: una sobre las unidades experimentales y otra sobre las
submuestras; de las anteriores, se construye la correspondiente al diseño que se esté analizando,
completándose así el análisis.

La forma de desarrollar el problema determinó la presentación de este trabajo. La primera parte

(Capítulos 3, 4, 5 y 6) muestra la teoría implícita en el submuestreo y su manejo permite un
excelente ejercicio docente en la forma de trabajar problemas en los diseños experimentales. La
segunda parte (Capítulo 7) presenta los ejemplos y el algoritmo que resume en unas cuantas líneas
la forma de llevar a cabo el análisis. De esta forma, la presentación separa a los dos grupos de
lectores que pudieran estar interesados en el material. Aquellos que deseen conocer el sustento
estadístico del submuestreo tendrán especial interés por conocer la primera parte del trabajo y
quienes sólo quieran conocer cómo realizar el análisis podrán optar por la parte estrictamente
metodológica.

Es de especial interés este trabajo porque en la experimentación ocurre con mucha frecuencia el
caso de submuestreo y si el objetivo es estimar las componentes de varianza en un estudio de
progenies o procedencias (producción animal y vegetal) se obtendrán las estimaciones reales que
proporciona el método de mínimos cuadrados. Si, de otro modo, se usan las medias aritméticas en
casa parcela como usualmente se hace, se obtendrán estimaciones erróneas de estas componentes.
Se debe remarcar el valor académico que se desprende del modo en que se hizo el análisis, pues
permite observar con nitidez cómo se descompone la variación de la unidad experimental en los
distintos factores que intervienen en un diseño, según sea el caso.

Es de importancia para los autores que este trabajo sea de utilidad, por lo que cualquier
sugerencia al mismo será bienvenida.

Francisco J. Zamudio Sánchez

fjzams@yahoo.com
Arturo A. Alvarado Segura
Otoño de 1994

2
CONTENIDO
Índice de cuadros
Prefacio
1. Introducción
2. Antecedentes
3. Diseño de las unidades experimentales
3.1. Diseño de las unidades experimentales con submuestreo
3.2. Diseños de las unidades experimentales con submuestreo en notación matricial
3.2.1. Las sumas de cuadrados como normas al cuadrado de proyecciones
del vector de observaciones
3.2.2. Esperanza de una forma cuadrática
4. Diseño completamente aleatorio
4.1. Esperanzas de las sumas de cuadrados
5. Diseño de bloques completos al azar
5.1. Esperanzas de las sumas de cuadrados
6. Diseño general con el mismo número de submuestras por unidad experimental
6.1. Diseño general sobre las observaciones originales Yij
Yi .
6.2. Diseño general sobre las variables
r
6.3. Aspectos metodológicos de la teoría general
7. Un algoritmo general para diseños experimentales con submuestreo
7.1. Ejemplo del diseño completamente aleatorio
7.2. Ejemplo del diseño bloques completos al azar
7.3. Ejemplo del diseño en cuadro latino
8. Literatura Citada
ÍNDICE DE CUADROS
Tabla A. Análisis de varianza de un diseño completamente aleatorio con submuestreo
Tabla B. Análisis de varianza de un diseño de bloques completos al azar con submuestreo
Tabla 1. Datos de tres unidades experimentales hipotéticas con dos submuestras por cada una
Tabla 2. Presentación general de los datos de un diseño experimental con submuestreo
Tabla 3. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño
de las unidades experimentales con submuestreo
Tabla 4. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño
completamente aleatorio con submuestreo
Tabla 5. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño
bloques completos al azar con submuestreo
Tabla 6. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño
general con submuestreo sobre las variables originales Yij
Tabla 7. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño
Y.
sobre las variables transformadas i
r
Tabla 8. Porcentaje de hinchamiento de tableros remojados durante dos horas.
Tabla 9. Programa SAS para el análisis de un diseño completamente aleatorio con submuestreo.
Tabla 10. Salida de SAS de un diseño completamente aleatorio con submuestreo.
Tabla 11. Análisis de varianza a partir de Tabla 10.
Tabla 12. Tratamientos aplicados en un lote experimental.

3
Tabla 13. Programa SAS para analizar un diseño bloques completos al azar.
Tabla 14. Contenido de nitrato (NO3) en ppm de muestras de suelo analizadas.
Tabla 15. Salida de SAS del diseño bloques completos al azar con submuestreo
Tabla 16. Análisis de Varianza a partir de la Tabla 15.
Tabla 17. Incremento del diámetro normal (cm) de un bosque en cuatro años.
Tabla 18. Programa SAS para analizar un experimento en cuadro latino con submuestreo.
Tabla 19. Salida de SAS de un experimento en cuadro latino con submuestreo.
Tabla 20. Análisis de varianza a partir de la Tabla 19.

4
1. INTRODUCCIÓN

En ciertas ocasiones, la validación de un conocimiento o la obtención de uno nuevo, se logra a

través del análisis de los datos de un experimento planeado para tal fin; sin excepción, dichos datos
se extraen de las unidades experimentales —se conocen como parcelas en el ámbito agronómico—
que son sometidas aleatoriamente a condiciones diferentes por el experimentador. Esto es, la
unidad experimental es la estructura básica del material experimental en la cual se registran los
valores que toma la variable-respuesta en estudio; una unidad experimental puede ser un rodal en el
bosque, un solo árbol, una cama semillera, una estufa de secado de madera, un corral de aves, un
grupo de estudiantes, etc, y los tratamientos que son asignados podrían ser aclareos del área basal a
diferente intensidad, utilización de reguladores del crecimiento, aspersiones con productos
químicos, diferentes combinaciones controladas de temperatura y humedad relativa, manejo de
dietas, métodos de enseñanza y muchos más.

El valor de la variable-respuesta que permite estimar el efecto de los tratamientos, se mide en

las muestras que pueden ser las unidades experimentales completas o una porción aleatoria de las
mismas; en ambos casos que se mencionan, se toma una sola observación por cada unidad
experimental. Sin embargo, por razones prácticas o para aumentar la precisión del experimento se
pueden tomar dos o más observaciones por unidad experimental; a este hecho se le conoce como
submuestreo y para hacer el análisis de los datos experimentales se deberá considerar una
componente de submuestreo en el modelo lineal.

La técnica del submuestreo se usa, en general, en los experimentos de diversos campos, así
como en la experimentación agronómica y forestal; sin embargo, en el análisis estadístico de la
información para estudiar el efecto de los tratamientos y de las otras componentes que afectan la
variable respuesta, suele presentarse alguna de las siguientes posibilidades mal entendidas:
a) Se considera cada observación o submuestra como repetición de un tratamiento determinado.
b) Se obtienen los promedios de las submuestras por cada unidad experimental y se usan
únicamente estos valores para hacer el Análisis de Varianza (ANOVA).

En este escrito se presenta la forma general del análisis de diseños experimentales con igual
número de submuestras por unidad experimental. Para lograr esto, primero se desarrollan
matricialmente las sumas de cuadrados (SC) y las esperanzas de los cuadrados medios (E(CM)) del
diseño basado en las unidades experimentales y se resalta que los diseños más sencillos como el
completamente aleatorio y el bloques completos al azar con submuestreo, pueden representarse a
partir del diseño de las unidades experimentales. Después, se concatenan las SC y las E(CM) de los
dos diseños más elementales el completamente aleatorio y el bloques al azar con las del diseño
de las unidades experimentales para generar el Análisis de Varianza del diseño general con igual
número de submuestras por unidad experimental; a partir del diseño general, es posible derivar el
análisis de cualquier diseño experimental con submuestreo.

Finalmente, para el lector que no tenga la intención de revisar las bases del análisis de diseños
experimentales con submuestreo, se presenta un algoritmo sencillo de tres pasos (Capítulo 7),
derivado de la teoría general, para resolver cualquier diseño experimental planeado con igual
número de submuestras por parcela. Para ejemplificar, se desarrollan tres casos con datos reales
resueltos con programa en SAS (Statistical Analysis System) que se generan siguiendo los pasos
del mencionado algoritmo.

5
2. ANTECEDENTES

Los libros que abordan los diseños experimentales con submuestreo coinciden, en términos
generales, en presentarlo sólo para los diseños completamente aleatorio y bloques completos al
azar, sin vincular ambos análisis, de modo que no dejan explícita la forma de hacer el análisis con
submuestreo de cualquier otro diseño; este enfoque es de gran utilidad para quien desee resolver
problemas parecidos a los que se presentan en los textos. A continuación se escriben las tablas de
análisis de varianza de los diseños completamente aleatorio y de bloques completos al azar,
tomados de la literatura y haciendo homogénea la nomenclatura.

En la Tabla A se presenta el análisis de varianza del diseño completamente aleatorio con

submuestreo tomado de Snedecor & Cochran (1967) y Steel & Torrie (1988). Sea Ykij la j-ésima
submuestra de la unidad experimental i bajo el tratamiento k, con k =1,2, ..., t, i=1,2, ..., nk ,
t
j  1,2,,r . En el experimento se tienen n   nk unidades experimentales y rn observaciones o
k 1
submuestras. Para presentar la Tabla A se hace uso de la siguiente notación punto:
r Y
Yki.   Ykij Yki.  ki.
j 1 r
nk
Yk ..
Y k ..   Yki. Yk .. 
i 1 rnk
t Y...
Y...   Yk .. Y... 
k 1 rn
Tabla A. Análisis de varianza de un diseño completamente al azar
con submuestreo.
FV GL SC CM Fcal
 Yki .2

UE n 1 k ,i
C
r
t
 Yk2.. SCtrat CMtrat
trat t 1 k 1
C
rnk t 1 CMEE

t SCEE CMEE
EE  t ( nk  1 ) SC( UE )  SCtrat
nt CMEM
k 1
SCEM
EM n r 1 SCT  SC( UE )
nr  n
Total rn 1  Ykij2  C
k ,i , j

Y...2
C
rn
La nomenclatura de la tabla anterior es:
FV: Fuente de variación
GL: Grados de libertad

6
C: Factor de corrección
SC: Suma de cuadrados
CM: Cuadrado medio que es el resultado de dividir una SC entre sus correspondientes GL.
Fcal: F calculada
UE: Unidades experimentales
trat: Tratamientos
EE: Error experimental
EM: Error muestral

En lo sucesivo, se hará uso de la nomenclatura de la Tabla A para presentar las tablas de

análisis de varianza.

En la Tabla B se tiene el análisis de varianza del diseño bloques completos al azar con
submuestreo, resultado de conjuntar las que presentan Ching (1971), Martínez Garza (1988) y Steel
& Torrie (1988). Sea Yikj la j-ésima submuestra del tratamiento k que está dentro del bloque i, i =
1,2, ..., b, k = 1,2, ..., t, j = i, 2, ..., r. En el experimento se tienen n  bt unidades experimentales y
rt submuestras.

Tabla B. Análisis de varianza de un diseño de bloques

completos al azar con submuestreo.

FV GL SC Fcal
 Yik2.
UE tb  1 i ,k
C
r
b
 Yi2.. CMbloq
bloq b 1 i 1
C CEEE
rt
t
 Y.2k . CMtrat
trat t 1 k 1
C CMEE
rb
CMEE
EE  b  1 t  1 SC( UE ) SCbloq  SCtrat CMEM
 Yik2. 
EM tb r 1   ijk Y 2
 
i ,k 
 j r 

Total rtb 1  Yikj2  C

i ,k , j

Y...2
C ; bloq: Bloques.
rtb

7
3. DISEÑO DE LAS UNIDADES EXPERIMENTALES

El diseño basado en las unidades experimentales se caracteriza por no ser un arreglo geométrico
específico de los tratamientos en el terreno. Es un diseño conceptual con el que se puede visualizar
cualquier diseño experimental; lo anterior significa que cualquier tipo de arreglo geométrico de los
tratamientos sobre las unidades experimentales, se puede presentar como un diseño de las unidades
experimentales. En este diseño cada observación Yij , con i  1,2,, n , j  1,2,,r , se explica por
el efecto general de la media  , un efecto aleatorio general controlado de la i-ésima unidad
experimental U i , más un efecto aleatorio no controlado  ij de dicha observación dentro de la
unidad experimental a la que pertenece, que es el error muestral. El modelo lineal propuesto que
explica la j-ésima observación de la i-ésima unidad experimental en el diseño de las unidades
experimentales es:
Yij    Ui   ij (1)

     
bajo los supuestos de que EU i    i , varU i    2 , E  ij  0 , var  ij   2m , cov U i , ij  0 .

El efecto aleatorio de U i se puede dividir en una componente fija  i y una componente

aleatoria  i , de forma que (1) se puede escribir como:
Yij     i   i   ij (2)


bajo el supuesto adicional que  i ~ N 0, 2 . 
Se aclara que el modelo lineal en (2) es válido tanto para diseños en los que sólo se tome una
muestra por parcela (que llamaremos diseños estándar) como para diseños experimentales con
submuestreo; en el primer caso r  1 y  ij  0. En este capítulo se aborda el diseño de las unidades
experimentales con igual número de submuestras por unidad experimental, que se utilizará para
plantear el diseño general.

3.1. Diseño de las unidades experimentales con submuestreo

Cuando se habla de submuestreo en diseños experimentales, se hace referencia a que en cada

unidad experimental a las que se asignan los tratamientos, se toman dos o más observaciones
llamadas submuestras; y la suma de cuadrados total (SCT), independientemente del diseño
experimental, queda conformada por la suma de cuadrados de las observaciones dentro de las
unidades experimentales (SCEM) adicionada a la suma de cuadrados de las unidades
experimentales (SC(UE)). Esta partición de la SCT, constituye el punto central para el análisis de
cualquier diseño experimental con submuestreo, y se puede representar simbólicamente como:
SCT  SC( UE )  SCEM . (3)

A manera de ejemplo, se analizarán los datos de la Tabla 1. Se tienen 3 unidades

experimentales y en cada una, se submuestrearon 2 observaciones, en la penúltima hilera están los
totales de observaciones dentro de unidades experimentales y en el último renglón los promedios
respectivos.

8
 Tabla 1. Datos de tres unidades experimentales hipotéticas con
dos submuestras por cada una.
Unidad experimental (UE)
UE 1 UE 2 UE 3
Submuestras (r=2) 4 5 1
5 3 4
total de UE Yi. 9 8 5
promedio de UE Yi. 4.5 4 2.5

Sea Yij la j-ésima submuestra de la i-ésima unidad experimental, i = 1, 2, 3 y j = 1, 2. Los totales

de cada unidad experimental se designan por Yi. ; el promedio de las observaciones para cada
unidad experimental se denota por Yi. ; el total de todas las observaciones se denotará por Y.. y su
promedio por Y.. . Es decir,
r Yi .
Yi .   Yij Yi . 
j 1 r
n Y..
Y..   Yi . Y.. 
i 1 rn
en donde r representa el número constante de submuestras por cada unidad experimental y n el
número total de unidades experimentales a las que se asignan los tratamientos. En el ejemplo r = 2
y n = 3.

La suma de cuadrados total (SCT) está dada por:

 
n r 2
SCT    Yij  Y.. (4)
i 1 j 1
Para los datos de la Tabla 1, la SCT es:
SCT = [(4 - 3.66)2 + (5 - 3.66)2 + (5 - 3.66)2 + (3 - 3.66)2 + (1 - 3.66)2 + (4 - 3.66)2
= 11.333

Asimismo, la suma de cuadrados de las unidades experimentales (SC(UE)) se calcula por:

 
n 2
SC( UE )   r Yi .  Y.. , (5)
i 1
que se ejemplifica con los datos de la Tabla 1 así:
SC(UE) = 2[(4.5 - 3.66)2 +(4 - 3.66)2 + (2.5 - 3.66)2
= 2 [(0.7056) + (0.1156) + (1.3456) = 4.333

Finalmente, la suma de cuadrados de la variación de observaciones dentro de unidades

experimentales, conocida como suma de cuadrados del error muestral (SCEM), se obtiene por

 
n r 2
SCEM    Yij  Yi . , (6)
i 1 j 1
que para el ejemplo que se sigue es:

9
SCEM = [(4 - 4.5)2 + (5 - 4.5)2 + [(5 - 4)2 + (3 - 4)2 + [(1 - 2.5)2 + ( 4 - 2.5)2
= 7.0
Observe que adicionando los resultados hallados con las fórmulas (5) y (6), se obtiene el mismo
valor que aplicando la fórmula (4). Por lo tanto, se constata numéricamente que se cumple la
identidad (3) para los valores propuestos de Yij en la Tabla 1. A continuación se presentará la
verificación algebraica de (3).

Generalizando la idea, considere un experimento con n unidades experimentales en las cuales se

toman r submuestras por cada una, y se presentan los datos como en la siguiente tabla:

Tabla 2. Presentación general de los datos de un diseño

experimental con submuestreo.
i-ésima unidad experimental (UE)
1 2 ... n
1 Y11 Y21 . . . Yn1
j-ésima 2 Y12 Y22 . . . Yn2
submuestra    
Y Y ... Y
r 1r 2r nr
total de la i-ésima UE Y1. Y2. ... Yn.

En donde:
Yij : es la j-ésima submuestra de la i-ésima unidad experimental, i = 1, 2, ..., n y j = 1, 2, ..., r
Yi. : totaliza las observaciones de la i-ésima unidad experimental
Y.. : adiciona todas las Yi.
Al generalizar, se pretende recalcar que la idea central del análisis de diseños experimentales con
submuestreo, que toma forma en la expresión (3), es completamente válida indistintamente del
diseño experimental con el que se esté trabajando. Esto es, haciendo caso omiso del diseño
experimental, la suma de cuadrados de las desviaciones individuales (SCT) se puede hallar también,
obteniendo la suma de cuadrados de las variaciones entre unidades experimentales (SC(UE)) que se
adiciona a la suma de cuadrados de la variación entre observaciones dentro de unidades
experimentales (SCEM).

Para dejar claro el planteamiento anterior, se procederá a verificar la identidad (3):

a) Se quiere verificar que SCT  SC( UE )  SCEM
b) Basándose en la fórmula (5),

 
n 2
SC( UE )   r Yi .  Y..
I 1
n n n 
 r   Yi .2  2Y..  Yi .   Y..2 
 i 1 i 1 i 1 
r  Yi2. r 2Y..  Yi . rn Y..2
 2
 
r rn r ( rn )2

10
 
 Yi2.  2Y .. Yi .  Y..2
r rn rn


 Yi.  2Y..  Y..2
2 2

r rn rn
de donde se obtiene la siguiente identidad,
n
 Yi2. Y..2
i 1
SC( UE )  
r rn (7)
c) A partir de la fórmula (6),

 
n r 2
SCEM    Yij  Yi .
i 1 j 1

 
n r
   Yij2  2Yi .Yij  Yi .2
i 1 j 1
n r 2 Yi . r   Yi2.
   Yij2   Yij 
i 1 j 1 r j 1 r2
n r 2 Yi2. r  Yi2.
   Yij2   2
i 1 j 1 r r
se obtiene la identidad (8)
n  r Y2 
SCEM     Yij2  i .  (8)
i 1 
 j 1 r 
d) Observe que SC(UE) + SCEM, se obtiene adicionando los valores expresados en el lado derecho
de (7) y (8):
  Yi2. Y..2   Y2  n r Y2
       Yij2  i .     Yij2  ..
 r rn   r  i 1 j 1 rn
e) Por otro lado, por definición, la suma de cuadrados total (SCT) es:

 
n r 2
SCT    Yij  Y ..
i 1 j 1

 
n r
   Yij2  2YijY ..Y..2
i 1 j 1
n r n r n r
   Yij2  2Y..   Yij    Y..2
i 1 j 1 i 1 j 1 i 1 j 1
n r
   Yij2  2rnY..2  rnY..2
i 1 j 1
n r
   Yij2  rnY..2
i 1 j 1
n r Y..2
   Yij2  (9)
i 1 j 1 rn

11
esto es, la suma de cuadrados total (SCT) es igual a la suma en el inciso d). Por lo tanto, queda
demostrado que SCT  SC( UE )  SCEM .
3.2. Diseño de las unidades experimentales con submuestreo en notación matricial

Todas las observaciones Yij de la Tabla 2, pueden presentarse en un vector columna Y de orden
nr x 1.

Y  Y11 Y12  Y1r Y21 Y22  Y2r  Yn1 Yn2  Ynr 

Escribiendo matricialmente el modelo lineal propuesto en (2) se tiene que:

Y  C   i   ij (10)
o se puede escribir de forma equivalentemente como:
 Y11  1 1 0  0   11    11 
  1 1 0  0     
 Y12     12   12 
             
       
 Y1r  1 1 0  0   1r    1r 
 Y 21 1 0 1  0  21    21 
    0     
Y 22  1 0 1  0    22   22 
            1        
         
Y 2r  1 0 1  0    2r   2r 
         n  n 1 x1      
       
 Y n1  1 0 0  1  n1    n1 
       
Y n 2 1 0 0  1  n 2   n 2 
            
       
 Y nr  1 0 0  1  nr    nr 
nr x 1 nr x  n 1 nr x 1 nr x 1

En el modelo (10), C es la matriz diseño basada en las unidades experimentales;  corresponde a

los parámetros de efectos fijos de las unidades experimentales;  i a los efectos aleatorios (error
experimental); y  ij a los efectos aleatorios de submuestras dentro de unidades experimentales
(error muestral).

A partir del vector Y de tamaño nr, se reescribirán las expresiones (7), (8) y (9) en notación
matricial, usando formas cuadráticas, para facilitar la presentación de los datos y los resultados en
forma concisa.

Definición 1. Sea A una matriz cuadrada de orden n y Y un vector de observaciones de orden

n x 1; la expresión Y  AY se define como una forma cuadrática en Y y se dirá que A es la matriz
asociada a la forma cuadrática Y  AY , tal como lo menciona Graybill (1969).

A partir de (7) se puede verificar que,

12
 n
 Yi2. Y..2  n 1  1 
i 1
  Y'    A i   J nr Y (11)
r nr i 1 r  nr 
donde,
 Jr Or Or  Or 
O Or  O r 
 r Jr 1  1  0  0
    y Or   
   ; y
n 1 1
  A i  Or Or J r  Or  con J r  
n 1 r r 
      1  1 r  r 0  0 r  r
Or Or Or  J r  nrxnr

1  1
J nr  1nr 1`nr    ;
1  1 nr  nr
ya que,
2
n  r 
n
 Yi2.    Yij 
i 1 i 1 j 1  1 n  r   r  
     Yij    Yij   .
r r r i 1 j 1   j 1  

Haciendo,
Or  O r  Or 
0     
  
A i  Or  J r  Or 
'
ei  1r  A i  ei ei ,
0  
      
Or  O r  Or 
nr x nr
se tiene que,
n
 Y 2i . 1

 Y' ei Y' ei   Y' ei ei' Y 
n 1
i 1

r r i 1 r
1 n
   Y' A i Y 
r i 1

Además, el segundo término de (7) se puede reescribir así:

2
n r  n r  n r 
   Y ij     Y ij     Y ij 
Y 2.. i 1 j 1  i 1 j 1  i 1 j 1 
 
rn rn rn
 1 1  11 x nr Y nr x 11 1  11 x nr Y nr x 1
1
nr
1 
 1' Y 1' Y   Y  1 1' Y
1
nr  nr 

13
 1 
 Y'  J nr Y
 nr 

Observe que la matriz asociada a la forma cuadrática en (11) es:

 B r Dr  Dr 
 
 Dr B r  Dr 
   
 
 Dr Dr  B r  nr x nr
con,
1 1 1 1  1 1
 r  nr  r  nr   nr   nr 
B r     

y Dr     

.
1  1  1  1   1
  
1
 r nr r nr  r x r  nr nr  r x r

La SCEM de la identidad (8) presentada matricialmente es:

n 1 
SCEM  Y' Y  Y    A i Y
i 1 r 
 n 1 
 Y  I nr   Ai Y (12)
 i 1 r 
donde I nr es una matriz identidad de orden nr.

n
n r  Yi2.
Ya que, i  Yij2  Y' Y 1 x 1 y i 1 n 1 
 Y    A i Y , la matriz asociada a la forma cuadrática en
1 j 1 r i 1 r 
(12) es:
 n 1 
A  I nr   A i 
 i 1 r 
o de forma equivalente es:
Br Or  Or 
O Br  O r 
A
r
,
    
 
O r Or Or Br 
con

14
  1 1 1
0 0  0 1  r  r   r 
0  1 1
0  0  1
1
  
Or   y Br   r r r 
  
      
0 0  0 r x r  1 1 1
   1 
 r r r r x r

A continuación, se escribirá la suma de cuadrados total (SCT) usando matrices. A partir de la

identidad (9), se puede verificar que:
Y2 ' 1 
  Y ij2  .. Y  Y  Y  11 Y ;
n r

i 1 j 1 rn  nr 
al factorizar se tiene que:
 1 
SCT  Y' I nr  J nr Y (13)
 nr 
y la matriz asociada a la forma cuadrática en (13) se puede escribir como:
 1 1 1 
1  nr  nr   nr 
 1 1 1 
 1   
 nr nr nr 
    
 1 1 1
   1 
 nr nr nr  nr x nr

3.2.1. Las sumas de cuadrados como normas al cuadrado de proyecciones del vector de
observaciones Y

A continuación se reescribirán las expresiones (11), (12) y (13) usando proyectores de matrices;
por lo que, es importante la siguiente definición:

Definición 2. Sea X una matriz de orden n x m; la expresión X X' X X' se define como el
1

proyector de X y se denota como PX .

De acuerdo a Searle (1966), se mencionan sin verificar las siguientes propiedades del proyector
PX :

Propiedad 1. PX es simétrico e idempotente.

Propiedad 2. El rango (r) de una matriz idempotente es igual a su traza (tr).

La matriz C del modelo (10) puede particionarse como:

C  C1 C2  ,
donde,

15
 1 1 0  0
1 1 0  0
 
   .
  
1 1 0  0
1 0 1  0
  
1 0 1  0
C1   C2     .
  
1 0 1  0
   . 
 
1 0 0  1
  
1 0 0  1
   .
  
1 nr 1 0 0  1 nr  n
De acuerdo a la Definición 2, se presentan los proyectores de C1 y C 2 . Así:

 
1 '
PC1  C1 C'1 C1 C1
donde,

C C     
1 1 1 1
C1' C1 = nr ; '
1 1 = ; C1 C1' C1 1
nr
1
nr
 1
nr nr x 1
; PC1  11' .
nr nr

El proyector de la matriz C 2 es:

PC2  C2 C2C2  C2
1

donde,
1 
 0  0
r 0  0 r
0   1 
r  0 1  0  0
C2C2   ; C2C2    r 
     
  
0 0  r n x n  1
 0 0  r 
1 
1r 0  0  r J r 0r  0r 
   1 
1 0 1r  0  0r  0r 
C2 C2C2   
1 J
; PC2   r
r

r   
      
 0 0  1r   1 
 0r 0r 
r 
Jr

De acuerdo a Propiedad 2, de la Definición 2, se tiene que r PC1  1 y r PC2  n.    

Usando PC1 y PC2 , se reescriben las expresiones (11), (12) y (13):


SCUE   Y' PC2  PC1 Y  (14)

16
 
SCEM  Y' I nr  PC2 Y  (15)


SCT  Y' I nr  PC1 Y  (16)
A continuación se escribirán los grados de libertad asociados a (14), (15) y (16). Para esto, es
necesaria la definición siguiente:

Definición 3. Los grados de libertad (GL) correspondientes a una forma cuadrática de la forma
Y' AY , se definen como el rango (r) de la matriz A asociada a dicha forma cuadrática.

Observe que la matriz A asociada a la forma cuadrática Y' AY es idempotente. Haciendo uso de
Definición 3, se tiene que los GL correspondientes a (14), (15) y (16) son n-1, nr-n y nr-1,
respectivamente. En donde también se hace uso de que trA  B  tr A  tr B .

3.2.2. Esperanza de una forma cuadrática

La esperanza de la forma cuadrática Y' AY se denota como EY' AY  . A continuación se

muestra que se cumple:

 
EY' AY   tr A Var Y   E Y ' AE Y 
(17)
ya que,
  
EY' AY   EtrY' AY   Etr AYY'   tr E AYY'   tr AE YY'  . 
De la expresión anterior,

   
E  YY    E Y  E Y   E Y  Y  E Y   E  Y  ' 
 EY  E Y Y  E Y ' Y  E  Y  E( Y )'  E Y Y  E Y '  E Y  E Y ' 
 VarY   E Y  E Y '
Por lo que,
   
tr AE YY'   tr A Var Y   E Y  E Y '
 tr A Var Y   AE Y  E Y ' 
 tr A Var  Y    tr A E Y  E Y ' 
  
= tr A Var Y   tr  E Y  A E Y  
 
 
 
Como la traza de un escalar es el mismo número, entonces se obtiene la expresión en (17), que es la
esperanza de una forma cuadrática.

A continuación se desarrolla la matriz de varianzas y covarianzas del vector de observaciones

Y , a partir de la expresión (17):
Del modelo (9), Yij     i   i   ij se tienen los siguientes supuestos: a)  i ~ 0, 2 ,  
   
b)  ij ~ 0, 2m , c) cov  i , ij  0  i , j .

17
Entonces,
  
var Y ij  E   i   ij  
2
 

 E  2i  2 i  ij   2ij 
     
 E  2i  2E i  ij  E  2ij
 var i  var ij 
  2   2m ;
además,
  
Cov Y ij ,Yij  cov    i   i   ij ,    i   i   ij 
 
 E  i   ij  i   ij ' 
 E  2  
i i ij   ij  i   ij  ij 
 
 E  2i   2
Por lo que, la matriz de varianzas y covarianzas, denotada por R, de la i-ésima unidad experimental
se puede escribir como:
 2m   2  2   2 
 
  2  2m   2   2 
R
    
 
  2  2   2m   2 r x r
y la matriz de varianzas y covarianzas del vector Y es:
R O  O
O R  O 
Var( Y )    (18)
  
 
O O  R  nr x nr

Así también, a partir de la expresión (17) se presentarán enseguida las esperanzas de la suma de
cuadrados de las unidades experimentales y del error muestral que se denotarán como E[SC(UE)] y
E[SCEM], respectivamente. Pero antes, es importante el siguiente Lema:

Lema 1. Sea W una matriz de n x r y Z  WD , entonces PW Z  Z ya que,

PWZ  W W' W W' Z  W W' W W' WD  WID  WD  Z .
1 1

A continuación se desarrolla la esperanza de la suma de cuadrados de las unidades

experimentales dada en (14):
   
E SCUE   E Y' PC2  PC1 Y 
 tr P C2  
 PC1 Var( Y )  E( Y )' PC2  PC1 E( Y )  
De la expresión anterior, es necesario conocer:

18
 PC2 Var Y   C 2 C 2C 2 C 2Var Y 

ya que C 2 C 2 
1 1 1
 C 2C 2Var Y  ,  In ;
r r


 
  2m  r  2 1'r 0'  0' 

1 
 C2 
0'  2m  r 21'r  0' 
r    .
 
 0' 0'   
 2m  r 2 1'r 

Así que:
 2 
 Jr O  O 
 r 
1 2
PC2 Var( Y )   O Jr  O 
r r
   
 
 O  2
O  Jr 
 r 

2
donde,   2m  r  2 . Entonces,
r
1  2 
 
a) tr PC 2 Var Y    nr   n
r r 
2
r ,

y
b) E Y ' PC2 E Y   ' C' PC2 C  CC ya que PC2 C  C.

Por otro lado, de la misma expresión, hay que conocer también:

1 1 Var Y 
1
PC1Var Y  
nr nr nr

1  2 2 2 ' 
 1nr  1'r 1'r  1r  ;
nr  r r r 
así que,
 2 2 2
 1' r 1' r  1' r 
 r2 r r 
1   1' r 2
1' r 
2 
1' r
PC1Var( Y )    ;
nr  r  r

r
 
 2 
  1' r  2 
2
1' r  1' r
 r r r  nr x nr
para escribir,

19
  
c) tr PC1Var Y  
1
nr
nr
2 2
r

r
.
Asimismo, se tiene que.
1
d) E Y ' PC1 E Y   ' C' PC1 C'  C' 1nr 1nr C
nr

Con todo lo anterior, es posible presentar la esperanza de la suma de cuadrados de las unidades
experimentales como sigue:
2
 i   
n
 n  1  r 
2
E( SC( UE )  (19)
r i 1
1 n
donde,     , ya que,
n i 1 i
   
E SCUE   E Y' PC 2  PC1 Y 
2 1
 ( n  1 )  ' C' C  ' C' 1nr 1nr C
r nr
donde,
2
1 n 1 n 
' C' C  ' C' J nr C   r    i     r    i 
2
nr I 1 nr i 1 
n 1n  
2
 r       i         i  
2

i 1 n i 1  
2
 
n
 r i   .
i 1

Ahora se procede a desarrollar la esperanza de la suma de cuadrados del error muestral

(E(SCEM)). Sabemos que:
 
E( SCEM )  E Y' I nr  PC2 Y 
 trI nr   
 PC2 Var Y   E Y ' I nr  PC2 E Y  
De donde hay que escribir que:

  
a) tr I nrVar Y   nr  2m   2 


b) tr PC2 Var Y    1r n   n
2 2 r 2
m  
c) E( Y )' I nr E( Y )  ' C' C
d) E Y ' PC2 E( Y )  ' C' C

Por lo tanto, se puede escribir la esperanza de la SCEM como:

20
 
E( SCEM )  nr(  2m   2 )  n  2m   2 
  2m n r  1 (20)

El resumen de los resultados del diseño basado en las unidades experimentales se presenta a
continuación:
Tabla 3. Sumas de cuadrados y esperanzas de los cuadrados
medios del diseño de las unidades experimentales.
FV GL SC E(CM)
2 r n
 
2

UE n 1 
Y' PC2  PC1 Y

 
r n  1 i 1
i  

EM n r  1 Y' I nr  PC2 Y  2m

Total nr  1 Y' I nr  PC1 Y

2 2 r 2
m 
r

21
4. DISEÑO COMPLETAMENTE ALEATORIO CON SUBMUESTREO

Considere que a n unidades experimentales, se les asignan aleatoriamente t tratamientos

k  1,2,,t y que el k-ésimo tratamiento se aplica a nk unidades experimentales de tal modo que
t
 nk  n.
k 1

El modelo lineal original (2) transformado al diseño completamente aleatorio se presenta como:
Y kij     k   ki   kij (21)
en el que se entiende que cada Ykij es la j-ésima submuestra de la i-ésima unidad experimental que
lleva el tratamiento k, con k = 1, 2, ..., t, i = 1, 2, ..., nk, y j = 1, 2, ..., r. Observe que el efecto fijo  i
de la unidad experimental U i del modelo (2) ha sido sustituido por el efecto del tratamiento  k
que lleva dicha unidad experimental; así también, el efecto aleatorio de la unidad experimental
(error experimental) y el error aleatorio de la j-ésima submuestra dentro de la i-ésima unidad
experimental se han sustituido por errores que a los anteriores incorpora la presencia del
tratamiento. Los supuestos del modelo lineal del diseño completamente aleatorio en (21) son los
siguientes:
a) E ki  0 var ki   2
b) E(  kij )  0 var(  kij )   2m
c) cov(  ki , kij )  0  k ,i , j

El modelo (21) replanteado de forma matricial es como sigue:

Y  X     (22)
en donde por ahora, basta saber que X  1 T y T es la matriz diseño basada en los tratamientos.
Como en el caso del diseño original —basado en las unidades experimentales—, donde el efecto
aleatorio de las unidades experimentales se particiona en una componente fija  i y otra aletoria i,
aquí en el diseño completamente al azar, el efecto aleatorio combinado de la unidad experimental y
el tratamiento se particiona en un efecto fijo acreditable al tratamiento y uno aleatorio (error
experimental) adjudicado al efecto combinado unidad-tratamiento. Por lo tanto, la suma de
cuadrados de las unidades experimentales (SC(UE)) se particiona en la suma de cuadrados de
tratamientos (SCtrat) y la suma de cuadrados del error experimental (SCEE); para este diseño en
particular, la SCEE se da por la variación existente entre unidades experimentales tratadas
análogamente, es decir, por la variación de las nk unidades experimentales dentro del tratamiento
k. En lo que sigue, se considera que las primeras n1 unidades experimentales del vector Y llevaron
el tratamiento 1, las segundas n2 unidades experimentales el tratamiento 2, así sucesivamente, de
modo que las últimas nt unidades experimentales recibieron el tratamiento t.

A continuación se presenta de forma ampliada la matriz C de orden nr x (n + 1) del modelo

(10), para observar la asignación de los t tratamientos a las n unidades experimentales en un diseño
completamente al azar.

22
 T1 T2 Tt
 1 2  n1 1 2  n2  1 2  nt
1r 1r 0 r  0 r 0 r 0 r  0 r  0 r 0 r  0 r 
1 0 1  0 0 0  0  0 0  0 
r r r r r r r r r r
         
 
1r 0 r 0 r  1r 0 r 0 r  0 r  0 r 0 r  0 r 
1r 0 r 0 r  0 r 1r 0 r  0 r  0 r 0 r  0 r 
 
1r 0 r 0 r  0 r 0 r 1r  0 r  0 r 0 r  0 r 
C         
 
1r 0 r 0 r  0 r 0 r 0 r  1r  0 r 0 r  0 r 
          

1r 0 r 0 r  0 r 0 r 0 r  0 r  1r 0 r  0 r 
 
1r 0 r 0 r  0 r 0 r 0 r  0 r  0 r 1r  0 r 
         
 
1r 0 r 0 r  0 r 0 r 0 r  0 r  0 r 0 r  1r 
o de manera equivalente, se puede escribir en términos de sus submatrices como:

C  1nr T1 T2  Tt 
A partir de la asignación de los t tratamientos a las n unidades experimentales de la matriz diseño
C, se deriva la matriz X que corresponde a los tratamientos y es de nr x (t + 1). En la matriz C, la
primera columna corresponde a  y las restantes n columnas corresponden a las observaciones de
las unidades experimentales, a las cuales, se asignaron los tratamientos. Por su parte, la primera
columna de la matriz diseño X, que corresponde al efecto de , se denota como C1 , del mismo
modo que en C; las siguientes t columnas de los tratamientos, conforman la submatriz T y se
denominan X 1 , X 2 ,, ..., X t ; esto es,
T   X1 X2  Xt
y

23
 T
 X1 X 2  X t
1 1 0  0
1 1 0  0
 
   
 
1 1 0  0
1 0 1  0
 
1 0 1  0
X     
 
1 0 1  0
    

1 0 0  1
 
1 0 0  1
   
 
1 0 0  1
La suma de cuadrados de los tratamientos (SCtrat) está dada por:
SCtrat  Y' PT Y  Y' PC1 Y

y al factorizar se obtiene:
 
SCtrat  Y' PT  PC1 Y (23)
donde,
1
PT  T T' T T'
1
PC1  11' y
nr
A continuación se presenta el desarrollo del proyector PT anterior:
 1 
n r 0  0 
 n1r 0  0   1 
0 n r  0  1 
0  0
;  T' T  
1
T' T   
2
n2 r  ;
       
   
0  nt r  n x n  
0  0 1 
0 
 nt r  n x n
premultiplicando a (T´T)-1, por T:

 1 1  1 0 0  0  0 0 0 
 n1r n1r n1r 
 1 1  1  
0 0  0 0 0  0 
T TT  
1
n2r n2r n2r
          
;
 
 0 0  0 0 0  0  1 1  1 
 nt r nt r nt r 

24
y finalmente, el proyector de la matriz T es:
 n r  1 J 0  0 
 1 n1r


PT  
0  n2 r  1 J n r  0 
2

    
  nt r  J nt r 
 1
 0 0

donde,
1 1  1
1 1  1
J nk r  k  1, , t .
  
 
1 1  1 n r x n r
k k

En la suma de cuadrados del error experimental (SCEE) esto es, la suma de cuadrados de
unidades experimentales dentro de tratamientos, cada grupo de nk unidades experimentales
dentro del tratamiento k tienen una contribución que se expresa como:
SCUE  trat 1  Y' PT1 Y  Y' P X 1 Y
SCUE trat 2  Y' PT2 Y  Y' P X 2 Y

SCUE  trat t   Y' PTt Y  Y' P X t Y

Adicionando las t contribuciones anteriores de la variación de unidades experimentales dentro de

tratamiento, se tiene que la suma de cuadrados del error experimental (SCEE) es:
 t   t 
SCEE  Y'   PTk  Y  Y'   PX k  Y (24)
 k 1   i 1 
t t
A continuación se desarrollan  PTk y  P X k : de la expresión (24):
k 1 k 1

1) Basándose en la Definición 1, PTk  Tk Tk Tk  Tk y se tiene que:

1

1 
r 0  0
r 0  0
0   1 
r  0 0  0
; Tk Tk   
1
Tk Tk   r ;
   
    
0 0  rn x n  1
k k
0 0  
 r

 
1
la matriz Tk Tk' Tk es:

25
 '
0'p r 1 r 1  r 1 0 0  0  0 0  0 0'q 
 ' 
0 p 0 0  0 r 1 r 1  r 1  0 0  0 0'q 
 ' 
0 p          0'q 
0' 0 0  0 0 0  0  r 1
r 1
 r 1 0'q 
 p nr  nk
k 1 t k 1 t
donde p   n g r; q   n g r ; nr   n g r  n k r   n g r .
g 1 g  k 1 g 1 g  k 1

Entonces:
O O O
 1 
 Jr Or  Or 
 r 
 1 
Or Jr  Or
PTk  O r O
   
 1 
 Or Or  Jr 
 r 
O O O nr  nr

Por lo tanto:
1 
r Jr Or  Or 
 1 
t
O Jr  Or 
 PTk  r r 
k 1
    
 1 
 O r Or Jr
r  nr  nr

t n
1 
 PTk    Ai   PC2
i 1  r 
Observe que k 1

2) Similarmente,

X 
1
PX k  X k  X k ' X k  X  k ; de donde X 'k X k  nk r ;
1 1
'
k Xk  ;
nk r

como  X k ' X k 
1
es un escalar, se puede reescribir PX k así:
1
PX k  X X k'
nk r k
o equivalentemente,

26
 O O  O  O
    

 O O  O
1
PX k Jn r
 nk r k  ,
   
 
O O   O nr  nr

por lo que:
 1 
 n r J n1r O  O 
 1 
 O 1
t Jn r  O 
 PX k  n2 r 2  ;
k 1     
 1 
 O O  J nt r 
 nt r  nr  nr
t
observe que  PX k  PT .
k 1

De esta manera, factorizando y sustituyendo en la expresión (24), la suma de cuadrados del

error experimental puede replantearse así:
SCEE  Y' ( PC2  PT )Y
(25)
Adicionando la SCtrat y la SCEE dada en (24), se tiene lo siguiente:
  t  
    t
 Y' PT Y  Y' PC1 Y  Y'   PTk Y  Y'   PX k Y 
 k 1  k 1  
  t 
  
 Y' PT Y  Y' PC1 Y  Y'   PTk Y  Y'  PT Y 
 k 1  
  t  
 Y'   PTk  Y  Y' PC1 Y  .
  k 1  
Si en la última expresión, se sustituye la matriz asociada a la forma cuadrática del primer término
por PC2 , y se factoriza, se obtiene que:


SC( UE )  Y' PC2  PC1 Y 
como, de hecho, se presentó en (14). Observe que si se adiciona la SCtrat en (23) y la SCEE en
(25), se obtiene de forma directa el resultado anterior.

Se ha escrito que, los grados de libertad asociados a una suma de cuadrados en forma cuadrática
Y'AY corresponden al r A  tr A , por ser A idempotente en estos casos. Así, la SCtrat tiene
t 1 grados de libertad y la SCEE tiene n  t grados de libertad.

4.1. Esperanzas de las sumas de cuadrados

27
Considerando el modelo lineal del diseño completamente aleatorio en (22) bajo los supuestos
enumerados antes, se procederá a desarrollar las esperanzas de la SCtrat y la SCEE, haciendo uso
de la expresión (17) sobre el cálculo de E Y' AY  .
1. A continuación se muestra que,
 
E SCtrat   E Y' PT  PC1 Y 
 tr P T   
 PC1 Var Y   E Y ' PT  PC1 E Y  
2 t
 t  1  r  nk  k   
2
 (26)
r k 1
1 t
donde    nk  k .
n k 1
Ahora bien, PTVar Y   T T' T T' Var Y  ; como la matriz T T' T
1 1
se obtuvo en el desarrollo
del PT , entonces sólo falta desarrollar:
 2 
 1'n1r 0'  0' 
 r 
 2 
T' Var  Y    0' r
1' n2 r  0' 
    
 
 0'  2

 0' 1' nt r 
r  t x nr
Por lo que,
 2 
 J n1r O  O
 n1r 
 2 

PT Var Y   
1 O J n2 r O 
 n2 r 
r
    
 2 
 O O  J nt r 
 nt r  nr x nr

a) La traza de la matriz que antecede es:

2
tr  PTVar  Y   
t.
r
Como E Y   X , entonces, E Y ' PT E Y   ' X' PT X .
De acuerdo al Lema 1,
PT X  PT C1 T   PT C1 PTT   PT C1 T ;
ya que el vector C1 puede expresarse como una combinación lineal de las columnas de T, puede
escribirse que:
PT C1  PTT1t  T1t  C1 ;
entonces se tiene:

28
 PT X  C1 T  X .
b) En consecuencia,
t
E Y ' PT E Y   ' X' X   nk r     k  .
2

K 1
c) Del desarrollo de (19) se sabe que:
2

tr PC1Var  Y    r
,
d) y
E Y ' PC1 E Y  
1
nr
' X' J nr X 
1
nr
 nk r   k  .
2
 
Por lo tanto:
2
 2
t
nk r     k    nk r    k 
1
E SCtrat    t  1   2
r k 1 nr
2  t 1 t  
2
  t  1  r   nk    k     nk    k   ,
2
r k 1 n  k 1  
y factorizando, se obtiene la expresión (26).

2. Aplicando (17), se muestra que,

 
E  SCEE   E Y' PC 2  PT Y 
 tr P C2  
 PT Var  Y   E  Y ' PC 2  PT E  Y    (27)

2
  n  t
r
ya que,
2

a) De la verificación de (19), tr PC2 Var  Y    r
n

2

b) De la verificación de (26), tr PTVar  Y    r
t
t
c) Así también, de verificar (26), E Y ' PT E Y    nk r     k 
2

k 1
Entonces,
E Y ' PC2 E Y   ' X' PC2 X    XX
ya que aplicando el Lema 1, PC2 X  X .
t
d) Finalmente, E Y ' PC2 E Y    nk r     k  ,
2

k 1
y usando los resultados de estos cuatro incisos se obtiene (27).

Para completar la tabla de análisis de varianza, se usa E SCEM    2m n r  1 , de la expresión

(20).

29
 Tabla 4. Sumas de cuadrados y esperanzas de los cuadrados medios del
diseño completamente aleatorio con submuestreo.
FV GL SC E(CM)

Trat
t 1 Y' PT  PC1 Y   2
m  r 2

r t
 nk  k   
t  1 k 1
2

EE nt Y' P  P Y  C T
 m  r 
2
2
2

EM nr  n Y' I nr  PC Y
2
 2m
Total nr 1 Y' I nr  PC Y
1

 2
Recuerde que   2m  r 2
r

30
5. DISEÑO DE BLOQUES COMPLETOS AL AZAR CON SUBMUESTREO

El modelo original escrito en (2) transformado al diseño de bloques completos al azar queda
como:
Yikj    Bi   k   ik   ikj (28)
en donde:
Yikj : j-ésima observación del tratamiento k perteneciente al bloque i, i  1,2,,b, k  1,2,,t ,
j  1,2,,r .
 : efecto de la media
Bi : efecto del bloque i
 k : efecto del tratamiento k
 ik : interacción del bloque i y el tratamiento k
 ikj : error muestral
Los supuestos del modelo (28) son:
 
a)  ik ~ N 0, 2

b)  ikj ~ N 0,  2
m


c) cov  ik , ikj  0 
El modelo (28) escrito en forma matricial es:
 
Y  C1 X B XT   B   ik   ikj (29)
  
donde, Y es el vector de observaciones de orden nr x 1, donde n = bt; C1 X B  
XT es la matriz

diseño del diseño bloques completos al azar;  B  es el vector de parámetros;  es el vector
del error experimental y  es el vector del error muestral. De esta forma, se presenta en (30) la
suma de cuadrados total corregida (SCT) de este diseño.


SCT  Y' I nr  PC1 Y 
 SCbloq  SCtrat  SCEE  SCEM

     
 Y' PX B  PC1 Y  Y' PXT  PC1 Y  Y' PC2  PX B  PXT  PC1 Y  Y' I nr  PC2 Y   (30)

5.1. Esperanzas de las sumas de cuadrados

Siguiendo el mismo razonamiento presentado en las esperanzas de las sumas de cuadrados del
diseño completamente aleatorio, se expondrán a continuación las que corresponden al diseño de
bloques completos al azar.
 
1. E SCbloq  E Y' PX B  PC1 Y 

31
    
 tr PX B  PC1 Var Y   E Y ' PX B  PC1 E Y  
De la expresión anterior es necesario conocer:
 
1.a) La tr PX B Var Y  ; desarrollándolo por pasos:
rt 0  0  1 0  0 
 0 rt  0   
1 0 1  0
XB X B  
 
 ;

 XB X B   
1
;
rt    
   
 0 0  rt  b  b 0 0  1 b  b
1rt 0rt  0rt   J rt Ort  Ort 
0 1rt  0rt    
1 1 Ort J rt  Ort 
X B  XB X B    rt
1
; PX B   .
rt      rt     
   
0rt 0rt  1rt  rtb  b Ort Ort  J rt  rtb  rtb
Una vez teniendo la expresión del proyector PX B , se postmultiplica por la Var  Y  ,
 2 
 J rt Ort  Ort 
 r 
1 2 
PX B Var Y    Ort r
J rt  Ort 
rt 
   
 
 O 2 
 rt Ort  J rt 
r  rtb  rtb
De ahí, se obtiene que:

  2 rtb  2
tr PX B Var  Y  
r rt
 
r
b.
1.b) Del desarrollo de (19) y sustituyendo nr por rtb se tiene:
1 1 2
PC1Var  Y   C1 C'1Var Y   J nr
rtb rtb r ,
y su traza es:


1.b) tr PC1Var Y    2 1
r rtb
rtb 
2
r
.

Considere que lik    Bi   k y que el vector l tiene r elementos de cada lik . Entonces la
E Y   l . De esta forma, se escribe que:
2
1 1 b t 
1.c) E Y ' PX B E Y   l' X B X 'B l     r lik 
rt rt i 1k 1 
y
2
1 1 b t 
1.d) E Y ' PC1 E Y   l' J rtb l     r lik 
rtb rtb i 1k 1 

32
 Por lo tanto:

  
2 2
2 1 b t  1 b t 
E Y' PX B  PC1 Y   b  1  i1  r lik      r lik 
r rt k 1  rtb i 1k 1 
2
2 r r b t 
  b  1    lik 2     lik 
r t bt i 1k 1 
2
 b  1 
r b 2
 
2
  t Bi  B
r t i 1
1 b
donde, B   Bi ; obteniéndose que:
b i 1
 
E SCbloq  E Y' PX B  PC1 Y 

 b  1  rt   B  B
2 b 2
 i (31)
r i 1
2. Así también,
 
E SCtrat   E Y' PXT  PC1 Y 
 tr P XT   
 PC1 Var Y   E Y ' PXT  PC1 E Y  
2 t
  t  1  rb   k   2 , (32)
r k 1
1 t
donde,     k . Para mayor claridad en la obtención de (32), se presentan a continuación el
t k 1
desarrollo del proyector PXT y de PXT Var Y  para conocer la tr PXT Var Y  y E Y ' PXT E Y  .  
Así,
PXT  XT  XT XT XT de donde,

rb 0  0  1 0  0
 0 rb  0   1  0
1 0
 XT XT      
;  XT XT 1  rb    
;
   
 0 0  rb 0 0  1


1'r 0'r  0'r 1'r 0'r  0'r  1'r 0'r  0'r 
 ' 
1'r  0'r 0'r 1'r  0'r  0'r 1'r  0'r 
XT  XT XT  r
0
;
        
 ' 
0r 0'r  1'r 0'r 0'r  1'r  0'r 0'r  1'r 

33
  Jr Or  Or Jr Or  Or  J r Or  Or 
O J r  Or Or J r  Or  Or J r  Or 
 r
          
 
O r Or  J r Or Or  J r  Or Or  J r 
 Jr Or  Or Jr Or  Or  J r Or  Or 
 
O r Jr  Or Or Jr  Or  Or J r  Or 
1 
PX T           
rb  
O r Or  J r Or Or  J r  Or Or  J r 
          

 Jr Or  Or Jr Or  Or  J r Or  Or 
 
O r Jr  Or Or Jr  Or  Or J r  Or 
          
 
Or Or  J r Or Or  J r  Or Or  J r  rtb  rtb

De ahí que,
 Jr Or  Or Jr Or  Or  J r Or  Or 
O J r  Or Or J r  Or  Or J r  Or 
 r
          
 
Or Or  J r Or Or  J r  Or Or  J r 
 Jr Or  Or Jr Or  Or  J r Or  Or 
 
Or Jr  Or Or Jr  Or  Or J r  Or 
 1
2
PX T Var Y            
r rb  
Or Or  J r Or Or  J r  Or Or  J r 
          

 Jr Or  Or Jr Or  Or  J r Or  Or 
 
Or Jr  Or Or Jr  Or  Or J r  Or 
          
 
Or Or  J r Or Or  J r  Or Or  J r  rtb  rtb

2.a) Entonces,
1 2 2
 
tr PXT Var Y  
rb r
rtb 
r
t,
2.b) y
2
1 1 t b 
E Y ' PX T E Y   l' XT XT l    r lik 
rb rb k 1i 1 
Por lo tanto:
2 2
2 1 t b  1 b t 
E SCtrat    t  1     r lik      r lik 
r rb k 1 i 1  rtb i 1k 1 

34
 2 2
2 r t b  r b t 
  t  1     lik      lik 
r b k 1 i 1  tb i 1 k 1 

r t b  
2 2
2  1 b t
  t  1      lik      lik  
r b k 1 i 1  t i 1 k 1  
 
2 r t
 t  1   b2  k   
2

r b k 1

 2 t
  t  1  rb   k  2 ,
r k 1
como se presentó en (32).

3. Para obtener la esperanza del tercer término de (30) es decir, la esperanza de la SCEE,
primero se va a desarrollar la E SC( UE ):

   
3.a) E SCUE   E Y' PC2  PC1 Y 
 tr P
C2  
 PC1 Var Y   E Y ' PC2  PC1 E Y   
De 3.a) hay que conocer,
 1 2
 
2
1
a.1) tr PC2 Var Y   tr  C2C2 Var Y    rtb  bt ,
r  r r r
ya que,
 J r Or  Or 
 
1  2 Or J r  Or 
PC 2 Var Y  
r r     
 
Or Or  J r  rtb  rtb

a.2) E Y ' PC2 E Y   l C2C2 l    r 2 lik2  r   lik2 .

1 1 b t b t

r r i 1k 1 i 1k 1
Por lo tanto:
 
E SCUE   E Y' PC2  PC1 Y   
2
 bt  1  r   lik2    lik 2 
1

r  bt 

 bt  1  r      Bi   k     B   
2 2

r

 
2
2
 bt  1  r    Bi  B    k   
b t
 (33)
r i 1 k 1
3b) Considerando que en el diseño de bloques completos al azar, se cumple que
SC( UE )  SCbloq  SCtrat  SCEE se procederá a obtener la E SCEE  de la expresión (34) como
sigue:

E SCEE   E Y' PC2  PX B  PXT  PC1 Y 

35
    
 E Y' PC2  PC1  PX B  PC1  PX T  PC1 Y ,    
sustituyendo en la expresión anterior los resultados de (31), (32) y (33) se tiene que:
2
 bt  1   b  1   t  1  r i1k1 Bi  B    k     
b t b t
 rt  Bi  B  rb   k   
2 2 2

r i 1 k 1


 
2
  b  1 t  1  2r   Bi  B  k   
r
obteniéndose finalmente,
2
E( SCEE )   b  1 t  1 , (34)
r

 
b t
ya que,   Bi  B  k     0 .
i 1 k 1

4. Por último, haciendo uso de la expresión (17) sobre el cálculo de E Y' AY  , se presenta la
E SCEM  así:

 
E SCEM   E Y' Irtb  PC2 Y 
 trI rtb  
 PC2 Var Y   E Y ' I rtb  PC2 E Y   
De la expresión anterior, se requiere lo siguiente:
4.a) A partir de (20) y sustituyendo n por tb se tiene que,

tr IrtbVar Y     2m   2 rtb
4.b) A partir de (19) y sustituyendo n por tb,
2

tr PC2 Var  Y    r
tb
4.c) Se tiene también que:
b t
E Y ' I rtb E Y   E Y ' E Y     r l 2ik
i 1 k 1
4d) y
b t
E Y ' PC2 E Y     r l 2ik
i 1 k 1
Por lo tanto,


E SCEM    2m   2 rtb   2
r
tb

  
  2m   2 rtb   2m  r 2 tb 
 tb  2m  r  1
Obsérvese que la expresión inmediata anterior es equivalente a la que se presentó en (20), para el
diseño basado en las unidades experimentales y para el diseño completamente aleatorio.
Aplicando la Definición 3, los grados de libertad de las SCtrat, SCbloq, SC(UE), SCEE y SCEM
son:

36
   
tr PXT  PC1  r PXT  PC1  t  1 , 
tr PXB  PC1   r P XB  PC1   b  1,
  
tr PC2  PC1  r PC2  PC1  tb  1, 
   
tr PC2  PX B  PXT  PC1  r PC2  PX B  PXT  PC1  bt  b  t  1   b  1 t  1,

trI rtb  PC2   rI  P   rtb  bt  tb r  1,

rtb C2

respectivamente.

Finalmente, los resultados del diseño de bloques completos al azar con submuestreo, se resumen en
el siguiente cuadro.

Tabla 5. Suma de cuadrados y esperanzas de los cuadrados medios del diseño

de bloques completos al azar con submuestreo.
FV GL SC E(CM)
bloq b 1 
Y' PX B  PC1 Y  2
r

rt b

 Bi  B
b  1 i 1

2

trat t 1 
Y' PXT  PC1 Y  2

rb t
  k   
2
r t  1 k 1

EE  b  1 t  1 
Y' PC2  PX B  PXT  PC1 Y   2m  r  2 
2
r
Y' I   2
 PC2 Y
EM bt  r 1 rtb m

Total rtb 1 Y'  I rtb  PC1 Y

37
6. DISEÑO GENERAL CON EL MISMO NÚMERO DE SUBMUESTRAS POR UNIDAD
EXPERIMENTAL

Se han desarrollado en los capítulos precedentes, las sumas de cuadrados y las esperanzas de los
cuadrados medios, de las fuentes de variación correspondientes al diseño abordado. En este
Capítulo se expone el planteamiento general, para obtener resultados de cualquier diseño
experimental planeado con igual número de submuestras por unidad experimental. La exposición se
hará en dos pasos: primero se presenta el análisis directamente sobre las observaciones originales
Y r
Yij y luego, se realiza el análisis sobre las variables i. , donde Yi .   Yij . Sin embargo, antes de
r j 1
continuar es indispensable conocer los siguientes hechos:

a) Para cualquier matriz diseño X con n unidades experimentales y r submuestras en cada una de
ellas, existe una matriz A tal que:
X  C2 A (35)
nr x k nr x n n x k

donde C2 es la matriz basada en las unidades experimentales y k, es definida por las columnas del
diseño.

Por ejemplo, en el diseño completamente aleatorio k  t 1,

1n1 1n1 0n1  0 n1 
1 0n2 1n2  0 n2 
A 2
n
     
 
1nt 0nt 0 nt  1nt  n x  t 1
donde n es el número total de unidades experimentales, t el número de tratamientos, nk el número
t
de repeticiones del tratamiento k, r el número de submuestras y  nk  n . Note con cuidado que la
k 1
estructura de A es idéntica a la de X, sólo que cada hilera de A, aparece r veces en X.

Ejemplificando en el diseño de bloques completos al azar, k  b  t 1 y

1t 1t 0t  0t I t 
1 0 1  0 I 
A t t t t t
    
 
1t 0t 0t  1t I t  bt x  b  t 1
donde I t es una matriz idéntica de orden t x t y n  bt . Observe de nuevo que, A sólo contiene una
hilera de cada r repeticiones que tiene X de esa hilera, de modo que la estructura del diseño
experimental es la misma en ambas matrices.

b)
1
C2C2  r I n  C2C2  I n (36)
r
c) Usando (36) se tiene que:

38
 1 
r X  rC2 A  r A  r  C2C2 A  rC2 A  r X (37)
r 
d) La Var Y  que se presentó en (18) puede reescribirse como:
Var Y    2C2C2   2m I nr
(38)
e) A partir del resultado B' B  O  B  O en donde B es una matriz, se escriben los siguientes
resultados sobre la inversa generalizada de X'X, es decir, sobre  X' X :


X X' X X' X  X X' X X' X ,

 '
e.1)
ya que:
X' X X' X X' X  X' X X' X X' X  O .
 '

Observe que,
X' X X' X X' X  X' X  X' X X' X X' X
 '


X' X X' X X' X  X X' X X' X  O
 '

X' X X' X ' 
 
 X' X X' X X' X X' X X' X  X X' X X' X  O
 '

Por lo tanto:

  X' X .

X X' X X' X  X  X' X
 

Además,
X X' X X'  X X' X X'
 '
e.2)
ya que
X X' X X' X  X X' X X' X  O
 '

X X' X X' X X' X X' X X' X

 ' '
X'  X' X X'  O .


Por lo tanto:

  X' .

X X' X X'  X  X' X
 

Por último,
X X' X1 X'  X X' X 2 X'
 
e.3) (39)
ya que,
X' X X' X1 X' X  X' X X' X 2 X' X  O
 

X' X X' X X' X' X X' X X' X X' X X' X   X' X X' X  O

1

2

1

2
Por lo que,
X' X X' X1 X'  X' X X' X 2 X' ,
 

entonces:


X' X X' X1 X'  X X' X 2 X'  O
 

X X' X 
1

 
 X X' X 2 X' X X' X1 X'  X X' X 2 X'  O
 


39
Por lo tanto:
X X' X1 X'  X X' X 2 X'
 

como en la expresión (39).

6.1. Diseño general sobre las observaciones originales Yij

El modelo lineal del diseño general propuesto es el siguiente:

Yij     i  d    i   ij (40)

    
con  i ~ 0, 2 , ,  ij ~ 0, 2m y cov  i , ij  0, 
en donde  es el efecto de la media que es común a todas las unidades experimentales,  i  d  es el
efecto asociado a la unidad experimental i según el diseño y es la que conformará la matriz diseño
X en correspondencia a las fuentes de variación a las que esté asociada esta unidad, i corresponde
al efecto aleatorio de la i-ésima unidad experimental (error experimental) y ij es el efecto aleatorio
de la j-ésima observación dentro de la unidad experimental i (error muestral ); Yij es la variable
respuesta que es explicada por las fuentes de variación descritas en el lado derecho de (40).

El modelo lineal del diseño general, presentado en matrices es:

Y  X     (41)
en donde Y es el vector de observaciones Yij de orden nr x 1, X es la matriz nr x k del diseño
general (ver 35),  es el vector de parámetros de orden k x 1 asociados al diseño,  es el vector del
error experimental y  el vector del error muestral.

La suma de cuadrados total (SCT) en el diseño general sobre las observacioes Yij  es:
SCT  SCModelo  SCEE  SCEM

Y' I nr      
 P1nr Y  Y' PX  P1nr Y  Y' PC2  PX Y  Y' I nr  PC2 Y  (42)

De la expresión (20), se sabe que:

  
E SCEM   E Y' I nr  PC2 Y   2m n r  1 .

Ahora se desarrollará la esperanza de la SCEE que se presenta en (43). Aplicando (17),

  
E SCEE   E Y' PC2  PX Y y se tiene:

  
E SCEE   tr PC2  PX Var Y   E Y ' PC2  PX E Y  
De esta última expresión es importante conocer que,
     
a) tr PC2 Var Y   tr PC2 C2C2'  2   2mI nr   2 tr C2C'2  n 2m 
2
 nr 2  n 2m  n
r
b) E Y ' PC2 E Y   ' X' PC2 X  ' A' C2' PC2 C2 A  ' A' C2' C2 A

40
  ' X' X

   
c) tr PXVar Y   tr PX  2C2C2   2mI nr 
  2 tr PXC2C2    2m r X
donde r(X) denota el rango de la matriz X.


La tr PXC2C2   trC2' PXC2   tr C2 X X' X X' C2



 tr C2C2 A AC2C2 A AC2C2  

 trr A r AA A = trr A AA A

2  

  
 r tr PA   r r A  r r X 
Por lo tanto:
2
 
tr PXVar Y   r 2 r X    2m r X  
r
r X 

d) E Y ' PX E Y   ' X' PXX  ' X' X

De esta forma la esperanza de la SCEE:

2
r
E SCEE  
n  r  X  (43)
Por último, usando los resultados de los incisos c) y d) anteriores y el de E Y' P1nr Y obtenido para  
presentar (19) pero considerando que ahora E Y   X , se tiene que E SCModelo es:

 
E SCModelo  E Y' PX  P1nr Y 
2

r
r X  1  ' X' X  nr1 ' X' J nr X (44)

Puede apreciarse que adicionando SCModelo y SCEE se obtiene la SC(UE) que se presentó en
la expresión (14) de la Sección 3.2.1.

  
Y' PX  P1nr Y  Y' PC2  PX Y  Y' PC2  P1nr Y   
A continuación, se resumen los resultados del diseño general que se desarrollaron.

Tabla 6. Sumas de cuadrados y esperanzas de los cuadrados medios del

diseño general con submuestreo sobre Yij .
FV GL SC E(CM)
2  
 
1 1
Modelo r X 1 Y' PX  P1nr Y  ' X' I nr  J nr  X
r r X  1  nr 
2
EE n  r X 
Y' PC2  PX Y  r

41
 FV GL SC E(CM)
EM n r 1  
Y' I nr  PC2 Y  2m

Total nr 1 Y' I nr  P1 Y nr

 2
como siempre   2m  r 2
r

Yi.
6.2. Diseño general sobre las variables
r

A continuación se muestra que las sumas de cuadrados del diseño general sobre las
observaciones Yij lo son también del diseño correspondiente a las unidades experimentales sobre
Yi.
las variables :
r

Primero, observe que:


 Z   Z 
Y' PC2 Y  Y C2 C2C2  C2 Y 
1 1 1
Y' C2C2 Y  Z' Z     
r r  r  r
donde,
 Y1. 
Y 
Z  C2 Y    .
2.
 
 
Yn . 

Por otro lado:

2
1 1 n r 
Y' P1nr Y  Y' C1 C1 C1 C1Y   
1 2
Y' C1     Yij 
nr nr i 1 j 1 
2 2
1 Y  1   Z 
  Yi.    i.   1'n  
1 2

nr n r  n   r 

 
' '
1 Z   Z   Z  1  Z 
   J n      1n 1'n1n 1'  
n r  r  r  r

 Z   Z 
   P1n   .
 r  r

De tal forma que, se puede escribir la siguiente identidad:

'


Y' PC2  P1nr   Z 
 r

 Z 
Y    I n  P1n   ,
 r
 (45)

42
que se puede interpretar diciendo: “la SC(UE) obtenida sobre las observaciones originales Yij es
Yi.
igual a la SCT obtenida sobre las nuevas variables ”.
r

Además, conociendo que:

Y' PX Y  Y' X X' X X' Y ;
'
usando (35) y e.2),
 Y' C2 A A' C2' C2 A A' C2 Y ; usando que Z  C 2 Y y de (36) que C2C2  rI n ,


 Z' A r A' A A' Z ;


como r es un escalar,
1
 Z' A A' A A' Z

r
'
 Z   Z 
   PA   ;
 r  r
se muestra que:
'
 
 Z   Z 
Y' PC2  PX Y     I n  PA  
 r  r
(46)

y que:
'
   Z 
 r
 Z 
Y' PX  P1nr Y    PA  P1n   .
 r
  (47)

Con el desarrollo de (45), (46) y (47) se ha exhibido que la relación

   
Y' PC2  P1nr Y  Y' PX  P1nr Y  Y' PC2  PX Y  
es equivalente a
 ' '
 Z 
 

I P
   

 Z   Z 
P  P
 Z   Z 

   
  Z 
 r  n 1n  r   r  A 1n  r   r   I n  PA  r  .
 
 
 (48)

Este último análisis de varianza el de la expresión (48) corresponde a un diseño donde la
 Z 
matriz del mismo es A y el vector de respuestas es   . Es claro que la matriz A, corresponde a
 r
la matriz diseño de las unidades experimentales, así como X es la matriz diseño de las
 Z 
observaciones originales. Como se ha mencionado, los elementos del vector   de dimensión
 r
Y 
n 1  son  i.  (los totales de unidad experimental entre la raíz cuadrada del número de
 r
submuestras), de manera que, a las unidades experimentales se les asigna este último valor en el
análisis de varianza al que se está haciendo referencia.

En el modelo (41), se tiene que Y  X     ; puesto que, X  C2 A , se puede multiplicar a

(41) por C2 en ambos lados quedando como:

43
 C2 Y  C2C2 A  C2   C2 
Z  r A  C2   C2 
lo cual es equivalente a escribir,
Z
r

A r  
1
r

C2  
1
r
C2  , (49)

Y
que es el modelo lineal sobre los valores i. de las unidades experimentales.
r

Observe que
 1 1   1 
Var  C2   C2    Var  C2   
 r r   r 
 1  1 
 Var  C2' Y   Var   Z   .
 r  r 
Por lo tanto:
 1   1  1
Var  Z   Var  C2 Y   C2Var Y  C2 ; usando (38),
 r   r  r
1
 
 C2  2C2C2   2mI nr C2
r
1
 
  2r 2I n   2m r I n
r
1
   
 r 2 2  r 2m I n   2m  r 2 I n
r
2
 In
r
Además:
 1 1 
E  C2   C2    0
 r r 
1
Entonces, si se hace, w  C2'    , puede reescribirse (49) como:
r
Z
r

A r  w (50)

2
donde E w  0 y Var  w  I n ; el análisis de (48), corresponde al modelo (50).
r

 1 
Para escribir el análisis de varianza de (48), sólo resta desarrollar ' X' I nr  J nr  X  en
 nr 
términos de la matriz diseño A, de las unidades experimentales. Esto se escribe enseguida:
 1   1 
' X' I nr  J nr  X   ' A' C2' I nr  J nr C2 A
 nr   nr 

44
  r2 
 ' A' r I nr  J n  A
 nr 

  

1 
 r ' A' I nr  J n  A
n 
 
r  .

Yi.
Entonces la tabla de análisis de varianza para el modelo (48), es decir, sobre las variables
r
es:

Tabla 7. Sumas de cuadrados y esperanzas de los cuadrados medios del diseño

Y
general sobre las variables i. .
r
FV GL SC E(CM)

r A 1
'
Modelo  Z 
  Z 
  PA  P1n  
 r  r
 2
r

1
r A  1
  

1 

r  ' A' I n  J n  A
n 
r  
'
EE n  r  A
 Z 
  Z 
  I n  PA  
 r  r
  2m  r  2
'

Total n 1
 Z 
   Z 
 r  I n  P1n  r 
   

Puede observarse que a partir de las Tablas 3 y 7 puede construirse la Tabla 6 del modelo general;
se toman las primeras dos hileras de la Tabla 7 y las últimas dos de la Tabla 3 para colocarlas en
el orden descrito y obtener así la Tabla 6.

6.3. Aspectos metodológicos de la teoría general

El resumen de los resultados del diseño general propuesto, se puede observar en las Tablas 6 y
7; en el Análisis de Varianza de la Tabla 6 se utilizan las observaciones originales Yij y se puede
ver que, la SCT es particionada en la SC(UE) y la SCEM tal como en la expresión (1). Obsérvese
que adicionando (43) y (44) se obtiene la SC(UE). Ahora bien, para particionar la SC(UE) en las
Y
fuentes de variación del diseño correspondiente, será necesario analizar las variables i. y el
r
Análisis de Varianza se presenta en la Tabla 7. Observe que la SCT en la Tabla 7 puede
considerarse "ficticia" ya que corresponde al valor de la SC(UE) que se obtiene con los datos
originales Yij .

En algunos experimentos con submuestreo, particularmente en la Genética 1 , en donde es

necesario considerar componentes de varianza, es importantísimo seguir estrictamente lo que se ha
explicado sobre las Tablas 6 y 7, en el párrafo anterior. En cambio, si la intención del
experimentador es solamente probar hipótesis de tratamientos, será suficiente con utilizar el

1
Dr. Ángel Martínez Garza. 1993. Montecillo, Edo. de México, Colegio de Postgraduados. (Comunicación
personal).

45
 Yi.
Análisis de Varianza de la Tabla 7. Otro aspecto relevante, es que al analizar las variables o
r
alguno de sus múltiplos, como el valor promedio de las submuestras por parcela Yi. , no se alterarán
los valores de las F calculadas para las pruebas de hipótesis de los tratamientos; sin embargo, las
Y
sumas de cuadrados que se obtendrán con datos diferentes a i. , no serán las correctas.
r
Y
Particularmente, cuando se usa Y i. en lugar de i. , las sumas de cuadrados y los cuadrados medios
r
resultantes son r veces más pequeños con respecto a los valores correctos.

46
7. UN ALGORITMO GENERAL PARA DISEÑOS EXPERIMENTALES CON SUBMUESTREO

En este Capítulo se presenta un algoritmo útil para resolver cualquier diseño planeado con igual
número de submuestras por unidad experimental, y es válido aún en los casos en los que resulte
complicado conocer las componentes del error experimental. Este algoritmo se ha derivado de la
teoría que se presenta en el planteamiento del diseño general (Capítulo 6), pero no se requieren leer
todos los capítulos anteriores para entenderlo y estar en posición de resolver un problema particular
con submuestreo, a menos que, se desee comprender los fundamentos de este tema. Por último, se
desarrollan tres ejemplos con datos reales y se escriben los programas de SAS (Statistical Analysis
System) para resolverlos en la microcomputadora.

El algoritmo

Suponer que en un experimento con n unidades experimentales se toman r submuestras

(mediciones) de la variable-respuesta en cada; entonces habrán rn observaciones en total. Denotar
como Yij a la j-ésima submuestra de la i-ésima unidad experimental, i  1,, n , j  1,,r . Para
resolver cualquier diseño experimental con igual número de submuestras por unidad experimental,
pueden seguirse estos tres pasos:

PASO 1. Se ajusta un modelo basado en las unidades experimentales puede ver modelo (2) ó
(10)  para obtener la suma de cuadrados total (SCT), la suma de cuadrados de las unidades
(SC(UE)) y la suma de cuadrados del error muestral (SCEM). En este paso se usarán los datos
originales Yij como variable respuesta, i  1,2,, n , j  1,2,,r . Las sumas de cuadrados se
calculan con:

 
n r 2
SCT    Yij  Y ..
i 1 j 1

 
n
SCUE    r Y i .  Y ..
2

i 1

 
n r 2
SCEM    Yij  Y i .
i 1 j 1
Estas fórmulas se escribieron en las expresiones (4), (5) y (6), respectivamente, del Capítulo 3; ahí
puede ver también un ejemplo numérico del cálculo de estas sumas de cuadrados con los datos de
la Tabla 1. Observe que en este primer paso del algoritmo, sólo se requiere saber en qué unidad
experimental se registró cada submuestra; no hace falta saber si la observación pertenece a tal
bloque, o recibió el tratamiento fulano, o se obtuvo en la intersección de una hilera y una columna
específicos, etc.

Yi.
PASO 2. Enseguida se ajusta otro modelo que usa como variable respuesta a las (total de la i-
r
ésima unidad experimental entre la raíz cuadrada del número de submuestras) puede ver el
modelo en (49), para particionar a la SC(UE), obtenida en el paso anterior, en las sumas de
cuadrados de las fuentes de variación correspondientes a un diseño experimental particular: por
ejemplo, en el diseño completamente al azar, la partición de la SC(UE) se hace en la suma de
cuadrados de tratamientos (SCtrat) y la suma de cuadrados del error experimental (SCEE); en el

47
diseño de bloques completos al azar, la partición de la SC(UE) se hace en la suma de cuadrados de
bloques (SCbloq), la SCtrat y la SCEE.

Yi .
En este segundo paso, los valores son los que se asignan a las unidades experimentales para
r
el análisis de varianza como si fueran los datos observados en las mismas, en condiciones de un
diseño estándar (o sea, sin submuestreo) y para ello, se hace uso de las fórmulas reportadas en la
literatura dependiendo del diseño de donde provengan los datos.

Para que esta explicación resulte más clara, pensemos por el momento, que estamos en el caso
de un diseño completamente al azar con submuestreo suponiendo que las sumas de cuadrados del
Y
primer paso ya fueron obtenidas y renombremos a i .  X kh como la h-ésima repetición del k-
r
ésimo tratamiento, con k  1,,t , h  1,, nk . Observe que ¡ahora sí!, a diferencia del Paso 1, es
indispensable saber qué tratamiento se le asignó aleatoriamente a cada unidad en el
experimento. Hechas estas aclaraciones, entonces la SCT sobre las nuevas variables X kh se calcula
con:
t nk
SCT     X kh  X ..  ;
2

k 1h 1
y la partición de las SC(UE) del primer paso, se obtiene calculando las siguientes sumas de
cuadrados:
t
 X k2.
k 1 X ..2
SCtrat   ,
nk n
SCEE  SCT  SCtrat .
t
En estas fórmulas, nk es el número de repeticiones del k-ésimo tratamiento y n   nk . La SCT
k 1
sobre las X kh es igual a la SC(UE) sobre las observaciones Yij que se calculó en el Paso 1.

¿Qué situación se presenta si el diseño de donde provienen los datos experimentales es un bloques
Y
al azar con submuestreo? Bueno, pues de manera similar, podemos renombrar a las i .  X kh ,
r
haciendo que sea éste el valor que se asigna a la unidad experimental del h-ésimo bloque que
recibió el k-ésimo tratamiento, con k  1,,t , h  1,,b . La SCT sobre las nuevas variables X kh
es:
SCT     X kh  X ..  .
t b 2

k 1h 1
Para particionar la SC(UE) obtenida con el Paso 1, en las sumas de cuadrados de las fuentes de
variación correspondientes a un bloques al azar, se calculan:
b
 X .h2
h 1 X ..2
SCbloq  
t tb

48
 t
 X k2.
k 1 X ..2
SCtrat  
b tb
SCEE  SCT  SCbloq  SCtrat
De manera análoga, esta explicación se puede extender a otros diseños.
Es conveniente reiterar, que la SCT que se obtenga en el Paso 2 corresponde en realidad al valor
de la SC(UE) que se obtuvo en el Paso 1, ya que precisamente, se trata de particionar esta última
suma de cuadrados en sus fuentes de variación correspondientes al diseño experimental particular.

PASO 3. En los dos primeros pasos, se obtienen los valores de las sumas de cuadrados. Ahora sólo
falta ordenarlos, tomando las sumas de cuadrados en que se particionó la SC(UE) en el segundo
paso y la SCEM y la SCT obtenidos en el primer paso para que la Tabla de Análisis de Varianza
(ANOVA) de su diseño con submuestreo quede completa.

A continuación se presentarán tres ejemplos de casos reales que son resueltos con programas en
SAS que se generaron siguiendo los tres pasos de este algoritmo.

7.1. Ejemplo del diseño completamente aleatorio con submuestreo

En la Tabla 8 se reportan los datos de hinchamiento de un experimento realizado en tableros de

aglomerado empleando un diseño completamente al azar. Se aplicaron cuatro tratamiento (A, B, C
y D) con dos repeticiones y se registraron nueve observaciones (o submuestras) por unidad
experimental.

Para este ejemplo, los tratamientos consistieron en probar combinaciones de temperatura y

tiempo en el proceso de prensado de los tableros; las unidades experimentales son los tableros de
aglomerado que se remojaron en agua durante dos horas para estudiar su respuesta de hinchamiento
en relación a su dimensión original. La medición de la variable respuesta (el hinchamiento), se
realizó en submuestras denominadas para este caso, probetas que son subdivisiones del tablero.

Tratamiento Temperatura en C Tiempo de prensado

A 150 6.0 minutos
B 150 8.5 minutos
C 220 6.0 minutos
D 220 3.5 minutos

Tabla 8. Porcentaje de hinchamiento de tableros remojados durante dos horas.

Tratamientos
A B C D
UE 1 UE 2 UE 3 UE 4 UE 5 UE 6 UE 7 UE 8
42.98 46.25 32.59 31.84 21.87 21.08 41.49 40.62
40.26 43.30 30.66 29.73 19.64 20.18 33.48 33.63
38.49 38.84 33.33 29.41 20.53 17.11 32.16 27.03
36.40 35.87 28.13 28.51 20.53 21.62 32.31 32.43
40.43 37.77 31.25 31.08 21.24 19.00 32.47 27.17

49
 41.88 42.04 32.59 31.83 23.55 20.72 40.77 38.39
42.29 40.62 34.80 30.94 22.22 19.28 33.19 36.61
38.59 37.38 28.76 28.05 20.09 18.83 29.65 31.39
37.55 34.68 29.77 27.27 21.97 18.30 29.20 28.38
Fuente: Datos sin publicar, usados por cortesía del Ing. M. Fuentes Salinas,
Universidad Austral de Chile. 1991.

El análisis de los datos de la Tabla 8 fue hecho con el Paquete Estadístico SAS y se usó el
siguiente programa:

Tabla 9. Programa SAS para el análisis de un diseño completamente al azar con

submuestreo.
DATA DCAS;
INFILE 'A:\EJDCA.DAT';
INPUT TRAT $ UE RESP;PROC ANOVA; CLASS UE;
MODEL RESP = UE;
TITLE 'PARTICION 1: "SCT = SC(UE) + SCEM"';
PROC SORT; BY TRAT UE;
PROC MEANS; BY TRAT UE; VAR RESP;
OUTPUT OUT=B SUM=SRESP;
DATA DOS; SET B; RESPM=SRESP/SQRT(9);
KEEP TRAT RESPM;
PROC ANOVA; CLASS TRAT;
MODEL RESPM = TRAT;
TITLE 'PARTICION 2: "SC(UE) = SCtrat + SCEE"';
RUN;

Como se observa en el programa de la Tabla 9, el procedimiento ANOVA de SAS se ejecuta

dos veces; la primera ejecución es para ajustar el modelo original basado en las unidades
experimentales (9) y los resultados de SAS incluyen a la SCT particionada en la SC(UE) y la SCEM
(partición 1). La segunda ejecución corresponde al ajuste del modelo (50) de la Sección 4.5.2 y lo
que hace es particionar a la SC(UE) en la SCtrat y la SCEE (partición 2). En la Tabla 10 se
presenta la salida de SAS del programa de la Tabla 9.

Tabla 10. Salida de SAS de un diseño completamente al azar con

submuestreo
PARTICION 1: "SCT = SC(UE) + SCEM"
Analysis of Variance Procedure
Dependent Variable: RESP
Source DF Sum of Mean F Value Pr > F
Squares Square
Model 7 3521.5154 503.0736 54.41 0.0001
Error 64 590.6442 9.2288
Corrected 71 4112.1597
Total

R-Square C.V. Root MSE RESP

50
 Tabla 10. Salida de SAS de un diseño completamente al azar con
submuestreo
Mean
0.856366 9.789623 3.0379 31.03181
Source DF Anova SS Mean F Value Pr > F
Square
UE 7 3521.5154 503.0736 54.41 0.0001
PARTICION 2: "SC(UE) = SCtrat + SCEE"
Analysis of Variance Procedure
Dependent Variable: RESPM
Source DF Sum of Mean F Value Pr > F
Squares Square
Model 3 3493.6044 1164.5348 166.89 0.0001
Error 4 27.9110 6.978
Corrected 7 3521.5154
Total
R-Square C.V. Root MSE RESPM
Mean
0.992074 2.837458 2.6415 93.09542
Source DF Anova SS Mean F Value Pr > F
Square
TRAT 3 3493.6044 1164.5348 166.89 0.0001

Los datos de la Tabla 10 se organizan de forma resumida en un formato de Análisis de Varianza

en la Tabla 11. Se toman las tres primeras hileras de la partición 1 y la última hilera de la partición
2 y se organizan como en la Tabla 11. Observe que el error que se reporta en la partición 1 de
Tabla 10, es el error muestral y el error que se reporta en la partición 2 de la misma tabla, es el
error experimental. Observe también que la SCT de la partición 2, corresponde a la SC(UE) de la
partición 1.

Tabla 11. Análisis de varianza a partir de la tabla 10.

FV GL SC CM Fcal Ftab
UE 7 3521.5154 503.0736 72.09
trat 3 3493.6044 1164.5348 166.89 6.59
EE 4 27.9119 6.9778 0.76 2.53
EM 64 590.6442 9.2288
Total 71 4112.1597

en donde, como de costumbre, trat: tratamientos; EE: error experimental; EM: error muestral.

7.2. Ejemplo del diseño bloques completos al azar con submuestreo

En un lote experimental ubicado en Casas Blancas, Michoacán se ensayaron siete tratamientos

de fertilización (ver Tabla 12) empleando un diseño de bloques completos al azar, con la finalidad
de estudiar el efecto que tiene la gallinaza en combinación con otros elementos, sobre la
composición química del suelo. Las variables de respuesta registradas fueron las cantidades de
calcio, magnesio, sodio, potasio y nitrato en partes por millón (ppm) que contenía el suelo después

51
de un periodo de haber aplicado los tratamientos; para facilitar la presentación de este ejemplo, se
utiliza sólo el contenido de nitrato (NO3) en ppm como variable respuesta. Los tratamientos se
repitieron en tres bloques y se tomaron 3 submuestras por unidad experimental. Los datos de este
experimento son reportados por Baus Picard y Alcalde (1979); los tratamiento aplicados se
presentan en la Tabla 12 y la porción de los datos usados en este ejemplo, se presentan en la Tabla
13.

Tabla 12. Tratamientos aplicados en un lote experimental.

Tratamiento Nitrógeno (kg) Fósforo (kg) Gallinaza (ton)
1 150 0 0
2 150 400 0
3 150 400 0
4 150 400 5
5 150 400 20
6 0 0 20
7 0 0 0
Fuente: Reportados por Baus Picard y Alcalde (1979).

Tabla 13. Contenido de NO3 de las muestras de suelo

analizadas en (ppm)
Bloques
Trats Obs Bloq 1 Bloq 2 Bloq 3
1 1 76 158 174
1 2 80 158 176
1 3 76 156 179
2 1 66 174 162
2 2 76 175 168
2 3 66 176 162
3 1 76 152 178
3 2 98 146 174
3 3 98 138 176
4 1 147 148 160
4 2 156 148 16
4 3 148 148 15
5 1 140 175 194
5 2 140 174 188
5 3 141 173 188
6 1 140 195 178
6 2 164 195 178
6 3 140 195 178
7 1 100 102 156
7 2 84 108 156
7 3 87 108 156
Fuente: Datos reportados por Baus Picard y Alcalde (1979)

52
 El programa SAS para obtener el Análisis de Varianza (ANOVA) de los datos de un diseño de
bloques completos al azar con submuestreo, está estructurado bajo el mismo razonamiento en que
se basa el programa del diseño completamente aleatorio. En la primera partición, la SCT es dividida
en la SC(UE) y la SCEM; con el segundo modelo se particiona a la SC(UE) en la SCbloq, SCtrat y
SCEE, que son las fuentes de variación que componen a la SC(UE) en este diseño. El programa en
SAS se presenta en la Tabla 14.

Tabla 14. Programa SAS para el análisis de un diseño de bloques completos al azar con
submuestreo
DATA DBCAS;
INFILE 'A;\EJDBCA.DAT';
INPUT BLOQUE TRAT RESP;
UE = (10 *BLOQUE) + TRAT;
PROC ANOVA; CLASS UE;
MODEL RESP=UE;
TITLE 'PARTICION 1: "SCT = SC(UE)+ SCEM";
PROC SORT;BY BLOQUE TRAT;
PROC MEANS; BY BLOQUE TRAT; VAR RESP;
OUTPUT OUT=B SUM=SRESP;
DATA NUEVAS; SET B; Y=SRESP/SQRT(3);
KEEP BLOQUE TRAT Y;
PROC ANOVA; CLASSES BLOQUE TRAT;
MODEL Y=BLOQUE TRAT;
TITLE 'PARTICION 2: "SC(UE) = SCbloq + SCtrat + SCEE"';
RUN;

Al ejecutar el programa anterior usando los datos de la Tabla 13, se obtiene una salida de SAS
que se presenta a continuación:

Tabla 15. Salida de SAS del diseño de bloques completos al azar con submuestreo
PARTICION 1: "SCT = SC(UE) + SCEm"
Analysis of Variance Procedure
Dependent Variable: RESP
Source DF Sum of Mean F Value Pr > F
Squares Square
Model 20 83901.746 4 195.087 148.81 0.001
Error 42 1184.000 28.190
Corrected 62 85085.746
Total
R-Square C.V. Root MSE RESP
Mean
0.98 085 3.635043 5.3095 146. 635
Source DF Anova SS Mean F Value Pr > F
Square
UE 20 83901.746 4 195.087 148.81 0.001

53
 PARTICION 2: "SC(UE) = SCbloq + SCtrat + SCEE"
Analysis of Variance Procedure
Dependent Variable: Y
Source DF Sum of Mean F Value Pr > F
Squares Square,
Model 8 65621.651 8202.706 5.38 0.048
Error 12 18280.095 1523.341
Corrected 20 83901.746
Total
R -Square C.V. Root MSE Y Mean
0.78 125 15.42753 39.030 252.894
Source DF Anova SS Mean F Value Pr > F
Square
Bloq 2 44295.460 22147.730 14.54 0.006
TRAT 6 21326.190 3554.365 2.33 0.998

A partir de la tabla anterior se presenta el análisis de varianza de la Tabla 16. Observe

nuevamente que el error reportado en la partición 1, es el error muestral y el error de la segunda
partición es el error experimental. Las hileras de las UE (Model) y del Total de la Tabla 16, se
toma de la partición 1 de la Tabla 15, y las hileras correspondientes a los bloques (Bloq) y los
tratamientos (trat), se toman de la partición 2. Observe otra vez que la SCT de la segunda partición
corresponde al valor de la SC(UE) de la primera partición.
Tabla 16. Análisis de varianza a partir de la tabla 15.
FV GL SC CM Fcal Ftab
UE 20 83901.746 4195.087 148.81
Bloq 2 44295.460 22147.730 14.54 3.89
Trat 6 21326.190 3554. 365 2.33 3.0
EE 12 18280.095 1523.341 54.04 2.0
EM 42 1184.000 28.190
Total 62 85085.746

7.3. Ejemplo del diseño en cuadro latino con submuestreo

Para ejemplificar el análisis del diseño en cuatro latino con submuestreo, se usan los resultados
parciales de un experimento de aclareos del área basal realizado en el ejido La Victoria, Pueblo
Nuevo, Durango en un bosque de Pinus cooperi. Se usó un cuadro latino de 6 x 6 para ensayar seis
diferentes intensidades (en %) de aclareo del área basal (tratamientos) y estudiar la influencia que
esta práctica silvícola ejerce sobre el diámetro, la altura, la proyección de copa, etc, del arbolado.
Como variable respuesta, se estudian los incrementos del diámetro normal (a 1.3 m) en un periodo
de cuatro años, y se consideran tres submuestras por unidad experimental. El % de aclareo del área
basal en los seis tratamientos aplicados en este experimento, son los siguientes:

Tratamiento % de aclareo del área basal

A 20
B 30
C 50
D 70

54
 E 100
F 0

Los tratamientos se distribuyeron así sobre el terreno:

Columnas
Hileras I II III IV V VI
I F E D C B A
II E C A D F B
III B A F E D C
IV A B E F C D
V D F C B A E
VI C D B A E F

y los datos usados para fines de este ejemplo son los siguientes:

Tabla 17. Incremento en diámetro normal (en cm) en un bosque en cuatro años
Columnas
Hileras I II III IV V VI
1.6 1.5 3.0 2.9 1.9 1.5
I 2.2 2.1 1.8 1.8 1.6 3.0
2.7 3.4 3.1 3.7 2.8 3.3

1.7 3.1 2.4 3.0 1.4 1.8

II 3.4 2.2 2.5 1.7 3.0 1.7
2.0 2.7 2.5 1.8 2.8 2.4

1.8 2.3 2.8 1.7 1.8 2.2

III 2.7 2.0 2.2 3.1 3.3 1.3
2.6 3.5 1.8 3.5 2.4 1.4

1.9 1.8 2.5 3.0 1.8 1.5

IV 2.6 2.9 2.5 1.9 2.7 2.9
1.7 1.7 2.6 2.4 2.3 2.0

2.6 3.0 1.6 2.3 3.0 3.2

V 1.8 2.2 2.3 2.2 1.9 3.3
1.9 2.2 2.3 3.0 2.3 2.5

1.8 2.4 2.2 2.0 2.6 3.3

VI 2.8 1.8 3.0 1.9 3.2 2.4
2.3 2.3 1.5 2.2 2.2 2.6
Fuente: Datos sin publicar, usados con el permiso del Ing. G. Cortés Jaramillo. 1993.

Para hacer el análisis de los datos de un experimento en cuadro latino con submuestreo y
basándose en los primeros dos pasos del algoritmo anteriormente expuesto, se tiene el siguiente
programa:

55
Tabla 18. Programa SAS para un experimento en cuadro latino
DATA DCLS;
INFILE 'A:\EJDCL.DAT';
INPUT HIL COL TRAT $ RESP; UE=(HIL * 10)+ COL;
PROC ANOVA; CLASS UE;
MODEL RESP=UE;
TITLE 'PARTICION 1: SCT = SC(UE) + SCEM ';
PROC SORT;BY HIL COL TRAT;
PROC MEANS; BY HIL COL TRAT; VAR RESP;
OUTPUT OUT=B SUM=SRESP;
DATA NUEVAS;SET B;Y=SRESP/SQRT(3);
KEEP HIL COL TRAT Y;
PROC ANOVA; CLASSES HIL COL TRAT;
MODEL Y = HIL COL TRAT;
TITLE 'PARTICION 2: SC(UE) = SCHIL +SCcol + SCtrat + SCEE ';
RUN;

De la ejecución del programa anterior, resulta la Tabla 19:

Tabla 19. Salida de SAS de un cuadro latino con submuestreo

PARTICION 1: SCT = SC(UE) + SCEM
Dependent Variable: RESP
Source DF Sum of Mean F Value Pr > F
Squares Square
Model 35 8.2851852 0.2367196 0.62 0.9364
Error 72 27.2866667 0.3789815
Corrected 107 35.5718519
Total
R-Square C.V. Root MSE RESP
Mean
0.232914 26.05266 0.6156 2.362963
Source DF Anova SS Mean F Value Pr > F
Square
UE 35 8.2851852 0.2367196 0.62 0.9364
PARTICION 2: SC(UE) = Scchil + SCcol + SCtrat + SCEE
Dependent Variable: Y
Source DF Sum of Mean F Value Pr > F
Squares Square
Model 15 1.3111111 0.0874074 0.62 0.8278
Error 20 2.8314815 0.1415741
Corrected 35 4.1425926
Total
R-Square C.V. Root MSE Y Mean
0.316495 13.00138 0.3763 2.894027
Source DF Anova SS Mean F Value Pr > F
Square
HIL 5 0.1825926 0.0365185 0.26 0.9307

56
 COL 5 0.2492593 0.0498519 0.35 0.8748
TRAT 5 0.8792593 0.1758519 1.24 0.3268

Ordenando los datos de la Tabla 19 como se indica en el tercer paso del algoritmo, se genera
una Tabla de Análisis de Varianza como:

Tabla 20. Análisis de varianza a partir de la tabla 19.

FV Gl SC CM Fcal
UE 35 8.2851852 0.0365185
Hil 5 0.1825926 0.0498519 0.26
Col 5 0.2493593 0.1758519 0.35
Trat 5 0.8792593 0.1415741 1.24
EE 20 2.8314815 0.3789915 0.37
EM 72 27.2866667
Total 107 35.5718519

Observe que la SC(UE) es el resultado de adicionar las sumas de cuadrados siguientes: SChil,
SCcol, SCtrat y SCEE; para obtener la SCT se suman la SC(UE) y la SCEM.

57
8. LITERATURA CITADA

BAUS PICARD y ALCALDE. 1979. Efecto de la Gallinaza sobre Algunos Cambios Físicos y
Químicos en un Suelo de Ando. Publicado en "Los Suelos de Ando", Colegio de
Postgraduados, Chapingo, Méx. pp. 89-108.
CHING CHUN, L. 1969. Introducción a la Estadística Experimental. Traducido por Griselda Ribó.
Barcelona, España, Omega. pp. 109-111.
GRAYBILL, F. 1969. Introduction to Matrices with Applications in Statistics. Belmont, California,
Wadsworth Publishing. pp. 14-17.
MARTINEZ GARZA, A. 1988. Diseños Experimentales: Métodos y Elementos de Teoría. México,
D.F., Trillas. 755 p.
SEARLE, S:R: 1966. Matrix Algebra for the Biological Sciences. New York, USA, John Wiley &
Sons. pp. 199-201.
SNEDECOR, G. & W. COCHRAN. 1967. Statistical Methods. Sixth edition. Ames, USA, Iowa
State University. pp. 285-288.
STEEL, R. y J. TORRIE. 1988. Bioestadística: Principios y Procedimientos. Traducido por Ricardo
Martínez. México, D.F., McGraw-Hill. 621 p.

58