Tarea 3 Diseño Experimental

BIOMETRIA Y DISEÑO EXPERIMENTAL
TAREA 3. ACTIVIDAD INTERMEDIA
ESTUDIOS DE CASO
GRUPO: 203018_6
TUTOR: JESSICA ALMEIDA BRAGA
ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE
UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD)
PROGRAMA AGRONOMÍA
OCTUBRE 2018
1
BIOMETRIA Y DISEÑO EXPERIMENTAL
TAREA 3. ACTIVIDAD INTERMEDIA
ESTUDIOS DE CASO
REALIZADO POR:
DIEGO FERNANDO RODRIGUEZ J.

CODIGO: 16549341
RUBERT CALERO MURIEL
CÓDIGO: 14650301
SANDRA SIRLEY ORTEGA
CÓDIGO: 49787516
MARIA TERESA GAMBOA LOPEZ
CÓDIGO: 25529080
GRUPO: 203018_6
TUTOR: JESSICA ALMEIDA BRAGA
ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE
UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD)
PROGRAMA AGRONOMÍA
OCTUBRE 2018
2
CONTENIDO
INTRODUCCIÓN 4
OBJETIVOS 5
Objetivo general 5
Objetivos específicos 5
1. DESARROLLO DEL CUESTIONARIO 6
2. DESARROLLO DE EJERCICIOS 16
2.1. Estudios de caso 1 16
2.2. Estudio de caso 2 23
2.3. Estudio de Caso 3 27
CONCLUSIÓN 32
BIBLIOGRAFÍA 33
3
INTRODUCCIÓN
El diseño experimental es el procedimiento de planeación y conducción de experimentos,
así como la definición del análisis estadístico para evaluar los resultados, con el objetivo de tener
conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a modificar,
la manera de su aplicación y el número de pruebas a realizar. Mellado.
El diseño experimental consiste en una base de datos estadísticos a través del cual se pueden
identificar muchas cosas. Un experimento factorial completo es un experimento cuyo diseño
consta de dos o más factores, cada uno de los cuales con distintos valores o niveles, cuyas unidades
experimentales cubren todas las posibles combinaciones de esos niveles en todo los factores. Este
tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable respuesta, así
como el efecto de las interacciones entre factores sobre dicha variable.
En el desarrollo de esta actividad se revisarán los fundamentos del experimento y sus
elementos, diseño experimental, modelo estadístico y transformación de datos, con el propósito de
aplicarlos en el desarrollo de tres estudios de caso, además se dará respuesta a unas preguntas
propuestas en la guía de aprendizaje. Por lo tanto en el transcurso de este trabajo se podrán afianzar
los conceptos relacionados con los diseños experimentales y su aplicabilidad en el campo
agropecuario.
4
OBJETIVOS
Objetivo general
Conocer el concepto y los fundamentos del diseño experimental en el área de las ciencias
agropecuarias y aplicarlos en experimentos para procesarlos e interpretarlos para dar conclusiones
válidas y objetivas en el desarrollo de experimentos.
Objetivos específicos
 Conocer los conceptos más importantes del diseño de experimentos a través de la
realización del cuestionario.
 Aplicar el diseño de experimentos en bloques completos al azar y analizar sus resultados
 Analizar la varianza de un solo factor en los ejercicios aplicados en diseño factorial
5
1. DESARROLLO DEL CUESTIONARIO
1. ¿En qué consiste el diseño experimental?
El diseño experimental es el procedimiento de planeación y conducción de experimentos, así como
la definición del análisis estadístico para evaluar los resultados, con el objetivo de tener
conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a modificar,
la manera de su aplicación y el número de pruebas a realizar.
2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cuáles
son sus posibles usos?
 Diseño completamente al azar
Se sugiere este diseño para experimentación con temas de: métodos de preparación de siembra,
aplicación del agua de regadío, manejo del cultivo versus el uso de los herbicidas para el control
de malezas, etc. También es útil en experimentos con animales cuando existe cierta uniformidad
bien sea genética, por peso, edad, etc.
 Diseños de bloques al azar
Es el diseño más utilizado en los experimentos agrónomos.
Es una solución para la mayoría de los casos en que las unidades experimentales son heterogenias.
Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente semejantes.
6
 Cuadrado latino
Los diseños de bloques y cuadrados latinos aleatorizados son generalmente útiles en los
experimentos de fertilizante donde el número de factores interesados es razonablemente pequeño.
Para las pruebas de fertilizante donde 2 o más fertilizantes se aplican a 2 o más niveles, el
experimento factorial es particularmente apropiado.
 Parcelas divididas
En aquellos ensayos que se usa maquinaria agrícola o riego, ensayos de cultivares por ejemplo de
maíz, es aconsejable usar algún tipo de diseño de parcela o bloque dividido.
3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?
Para el autor (Herrera, 2013). La técnica conocida como análisis de varianza (ANAVA o
ANOVA), fue desarrollada por Ronald Aymer Fisher para facilitar el análisis e interpretación delos
datos desde ensayos de campo y experimentos de laboratorio, en la agricultura e investigaciones
biológicas (Einsenhart, 1947).El ANAVA, es una de las técnicas más utilizadas en el proceso de
investigación. Norell (2003).Es descrito por Tejedor (1999): Khan y Rayner (2003) y Spiegel et
al.(2003) como una colección de modelos estadísticos y sus procedimientos asociados, apropiada
para evaluar la igualdad entre poblaciones o tratamientos, en la cual la varianza esta fraccionada
en ciertos componentes, debido a diferentes factores o variables explicativas, incluidas en el
modelo. (P.8)
El análisis de la varianza se emplea en la industria, en el control de procesos, como en el laboratorio
de análisis, para el control de métodos analíticos. Los ejemplos de aplicación son múltiples,
7
pudiéndose agrupar, según el objetivo que persiguen, en dos principalmente: la comparación de
múltiples columnas de datos y la estimación de los componentes de variación de un proceso
(Boqué y Maroto, s.f.)
El ANOVA se basa en la comparación de la variabilidad media que hay entre los grupos con la
que hay dentro de los grupos. ¿Por qué? Recordemos que la media y la varianza muestral verifican
var(¯x) = σ 2 n , E(s 2 ) = σ 2 , lo que nos permite dos estimaciones diferentes para σ 2 cuando
disponemos de k muestras de una misma población
Todo se reduce a obtener el valor del estadístico (4) que bajo las condiciones iniciales de
independencia, normalidad y homocedasticidad, se distribuye como una Fk−1,n−k. La
comparación con el valor teórico correspondiente nos dirá si debemos aceptar o rechazar H0. Un
método computacional conocido como tabla ANOVA facilita los cálculos. Se trata de disponer en
forma de tabla ciertas cantidades que conducen a la obtención de F.
4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en qué
casos se usa?
Diseño de Experimentos al Completo Azar, el experimentador asigna las unidades experimentales
a los tratamientos al azar, con la única restricción del número de observaciones que se tomarán en
cada tratamiento. Es el más sencillo y se origina por la asignación aleatoria de tratamientos a un
conjunto de unidades experimentales.
Para aleatorizar una tabla de números aleatorios resulta conveniente para elegir las unidades
experimentales que recibirá cada tratamiento. Si cada tratamiento ha de repetirse cuatro veces, los
8
primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los siguientes cuatro
números aleatorios al tratamiento B, y así sucesivamente.
El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental son
totalmente homogéneas
Naturalmente, este tipo de diseño se utiliza en experimentos que no incluyen factores bloque. El
modelo matemático es de la forma: Respuesta = Constante + Efecto tratamiento + Error.
Ventajas:
a) Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan perdido, o
rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida relativa de
información debida a los datos faltantes, es de menos importancia que en cualquier otro sistema.
b) Análisis de varianza simple con apenas algunos acrecimos en relación al decenio completamente
al azar (DCA).
c) Es flexible en lo que se refiere a cuantidad de tratamientos y de bloques;
d) Control de las diferencias de un bloque para otro.
Desventajas:
a) La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar el
error estándar por unidad experimental (error experimental) con un mayor grado de precisión
b) Disminuye el grado de libertad del residuo o sea, menos datos para estimar los valores de la
población en estudio.
9
5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus
ventajas y desventajas?
El tipo más sencillo de un arreglo es aquel en el que los tratamientos son asignados completamente
al azar a las unidades experimentales. Más específicamente, si un tratamiento, por ejemplo, se
aplica a cuatro unidades experimentales, la aleatorización da a cada grupo de cuatro unidades
experimentales la misma probabilidad de recibir el tratamiento.
Además las unidades deben ser procesadas en un orden al azar en todas las etapas subsecuentes
del experimento, donde este orden puede afectar a los resultados.
Ventajas:
a) Una de las ventajas del diseño en bloques aleatorizados es que se puede transformar en un diseño
unifactorial, simplemente suprimiendo el estudio por bloques y uniendo su variabilidad a la
residual.
Permite flexibilidad completa. Puede utilizarse cualquier número de tratamientos y repeticiones,
siempre y cuando se consigan unidades experimentales homogéneas. Puede variarse a voluntad el
número de repeticiones de un tratamiento a otro.
6. ¿En qué se diferencian los factores de los tratamientos y por qué?
Se denomina factor tratamiento a cualquier variable de interés para el experimentador cuyo
posible efecto sobre la respuesta se quiere estudiar.
10
Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán en
cuenta en la realización del experimento.
Los factores tratamiento pueden ser cualitativos o cuantitativos.
Cualitativos
 Proveedor (diferentes proveedores de una materia prima),
 Tipo de máquina (diferentes tipos o marcas de máquinas),
 Trabajador (los trabajadores encargados de hacer una tarea)
Cuantitativos
 Tamaño de memoria (diferentes tamaños de memoria de ordenadores),
 Droga (distintas cantidades de la droga),
 La temperatura (conjuntos de temperaturas seleccionadas en unos rangos de interés).
7. ¿En qué situaciones se aplica un diseño factorial?
R/ El diseño factorial incluye simultáneamente el efecto de dos o más variables independientes
(designados factores) en una misma ecuación estructural. La aplicación de este tipo de diseños
permite analizar al mismo tiempo los efectos de varios factores sobre las respuestas de los sujetos
y, además, y ahí radica su principal característica, permite investigar la influencia que pueden tener
en las observaciones las interacciones entre dos o más variables. Es decir, analiza los efectos
debidos a que dos o más factores estén actuando simultáneamente. Este tipo de diseños son
especialmente adecuados cuando el investigador presupone o predice una relación entre dos o más
11
variables.
8. ¿Cuándo no se cumplen los supuestos de normalidad y varianza constante, que puede
hacerse? explique las diferentes posibilidades
Existen como mínimo tres formas de minimizar y solucionar el problema por falta de normalidad
y varianza heterogénea en los residuos.
-Utilizar métodos de análisis no paramétricos que no requieren las suposiciones de normalidad y
varianza constante.
-Hacer el análisis de mediante modelos lineales generalizados en los que se ajusta un modelo lineal
usando otras distribuciones diferentes a la normal donde la varianza no tiene por qué ser constante.
-Hacer el análisis sobre la respuesta transformada a una escala en la que los supuestos se cumplan.
Muchos datos tienen una estructura no normal. Las herramientas habituales para tratar la ausencia
de normalidad eran la transformación de la variable respuesta o la adopción de métodos no
paramétricos. Otra alternativa, son los modelos lineales generalizados o GLM. Los GLM permiten
especificar distintos tipos de distribución de errores. En muchas ocasiones, sin embargo, se
encuentra con que uno o varios de estos supuestos no se cumplen por la naturaleza de la
información. Estos problemas se pueden llegar a solucionar mediante la transformación de la
variable respuesta (por ejemplo, tomando logaritmos).
Sin embargo, estas transformaciones no siempre consiguen corregir la falta de normalidad, la
heterocedasticidad (varianza no constante) o la no linealidad de nuestros datos. Además, resulta
muchas veces interpretar los resultados obtenidos, si utilizamos transformaciones de la variable.
12
Una alternativa a la transformación de la variable dependiente/respuesta y a la falta de normalidad
es el uso de los modelos lineales generalizados (Cayuela, 2010).
9. ¿Cuáles son las pruebas de medias más empleadas?
R/ En comparar medias nos encontramos con varios procedimientos para el contraste de medias:
1. Medias
2. Prueba T para una muestra
3. Prueba T para dos muestras independientes
4. Prueba T para dos muestras relacionadas
5. ANOVA de un factor
PRUEBA T PARA UNA MUESTRA nos permite contrastar hipótesis sobre la media poblacional
a partir de la media obtenida en la muestra. Es necesario que la población de la que se extrae la
muestra sea normal o la muestra suficientemente grande.
• En contrastar variables se pasan las variables que se desean contrastar y
• En valor de prueba se escribe el valor de la media de la población.
La significación (Sig., o p-valor) indica la probabilidad de que la muestra contrastada venga de un
población cuya media es el valor de prueba. De forma opcional (Opciones) tendremos el intervalo
de confianza para la diferencia entre la media de la muestra y el valor de prueba. Si el cero no está
en ese intervalo no podemos aceptar que la población tenga de media el valor de prueba.
13
PRUEBA T PARA DOS MUESTRAS INDEPENDIENTES nos permite contrastar el que las
medias de dos poblaciones independientes son iguales utilizando para ello las medias de dos
muestras aleatorias extraídas de esas poblaciones.
• En Contrastar variables se pasan las variables dependientes que se deseen contrastar.
• En Variables de agrupación se pasa la variable que define los dos grupos (puede ser numérica o
de cadena corta) o Se pueden definir grupos bien con los valores de los grupos o bien con un punto
de corte si la variable es cuantitativa continua.
ANOVA DE UN FACTOR nos permite contrastar la hipótesis nula de que los promedios de la
variable dependiente (VD) respecto de un factor o variable independiente (VI) con más de dos
grupos o niveles son iguales, frente la alternativa de que al menos el promedio en un grupo es
diferente a los demás. Los datos se reflejaran en dos únicas variables: la VD o de respuesta y la VI
o factor con n valores uno por cada nivel.
10. ¿cuál es el propósito al aplicar pruebas de comparación de medias?
Es un procedimiento descriptivo que permite obtener estadísticos descriptivos de los distintos
grupos y subgrupos definidos por una o más variables independientes. De manera opcional
(Opciones) se puede realizar un Análisis de varianza de un factor, obtener el coeficiente de
determinación o proporción de varianza explicada y contrastar la hipótesis de linealidad.
14
11. ¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?
El Test de Duncan es muy similar al Test HSD de Tukey (Ver Herbario de técnicas), pero en lugar
de trabajar con un umbral fijo trabaja con un umbral cambiante. Un umbral que dependerá del
número de medias implicadas en la comparación.
Para saber el número de medias implicadas en la comparación se ordenan las medias muéstrales
de menor a mayor y así al hacer una comparación entre dos medias sabremos además de las dos
medias comparadas cuantas medias quedan dentro. Este número de medias implicadas en cualquier
comparación de medias es el parámetro p de este umbral.
15
2. DESARROLLO DE EJERCICIOS
2.1. Estudios de caso 1
En 1977 Opina y Salamanca evaluaron el efecto de la materia orgánica proveniente de materiales
tales como gallinaza, cascarilla de arroz y ceniza, de esta última en la asimilabilidad del fósforo
de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo ácido de los Llanos
Orientales. Se utilizó como fuente química de P el superfosfato triple. La cantidad de P aplicada
equivale a 450 kg/ha de PO.
Una de las variables de respuesta medida fue el rendimiento en g/materia de frijol caupí. Los datos
obtenidos se presentan en el cuadro siguiente:
Tabla Nº. Datos originales del rendimiento en g/materia de frijol caupì.
Materia Repeticiones
Orgánica I II III IV
1 0,6 0,57 0,55 1,83
2 1,43 2,72 4,43 1,52
3 3,78 6,12 6,08 4,56
4 0,59 0,54 0,6 0,61
5 0,58 0,54 0,63 0,72
6 0,87 0,54 0,86 0,79
7 0,74 0,85 0,7 0,61
8 0,87 1,39 0,81 1,07
9 2,67 2,88 2,57 3,51
10 2,87 5,04 5,59 5,21
11 1,3 0,72 0,73 1,18
12 0,69 0,96 0,71 0,69
13 1,64 1,37 0,95 1,05
14 1,73 1,26 0,75 1,1
15 2,86 3,64 4,26 4,66
16 4,61 6,34 5,4 4,74
17 9,2 8,55 4,91 6,79
16
18 2,26 1,95 4,45 2,16
19 2,43 1,97 1,96 3,1
20 4,69 2,6 4,13 5,04
21 3,94 4,94 3,7 3,99
22 2,22 2,0 1,5 1,24
23 2,99 4,41 7,76 3,65
24 7,05 4,7 5,62 5,74
25 1,93 1,67 1,43 1,24
26 2,77 2,69 1,17 1,86
27 1,82 1,79 1,77 2,04
28 1,93 2,16 1,73 2,42
Primero organizar como una base de datos, la información suministrada en la tabla 1, para
identificar el diseño y organizar la información para que el software estadístico los pueda leer y
analizar
Para ello vamos a identificar las fuentes así: (ver tabla 2)
MATORG = Materia Orgánica
TRAT = Tratamientos (están identificados del TRAT 1 hasta el TRAT 28)
ENTRY = Entrada para dar una identificación única a los tratamientos (están identificadas de la 1
hasta la 28).
BLOC = Bloques o repeticiones que tiene el ensayo están identificados del bloque 1 hasta el
bloque 4 (BLOC 1 = REP I; BLOC 2 = REP II; BLOC 3 = REP 3; BLOC 4 = REP IV).
17
PLOT= Parcela (son la identificación de las parcelas del ensayo y están identificadas de la
siguiente forma BLOC 1 del 101 a 128; BLOC 2 del 201 al 228; BLOC 3 del 301 al 328 y BLOC
4 del 401 al 428).
RENDIM/G/MAT = variable de respuesta del Rendimiento en g/materia de frijol caupi.
Puntos a considerar para realizar un buen diseño.
Aleatorizar: consiste en distribuir al azar todas las parcelas de cada bloque, para mitigar el efecto
de todos los factores no controlados por el experimentador en el diseño experimental.
Ventajas de aleatorizar los factores no controlados:
La ventaja de aleatorizar es porque se transforma la variabilidad sistemática no planificada en
variabilidad no planificada o ruido aleatorio. Dicho de otra forma, aleatorizar previene contra la
introducción de sesgos en el experimento
Bloquear: Se deben dividir las unidades experimentales en grupos llamados bloques de modo que
las observaciones realizadas en cada bloque se realicen bajo condiciones experimentales lo más
parecidas posibles.
18
MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT
TRAT 1 1 1 101 0.60 TRAT 1 1 2 201 0.57 TRAT 1 1 3 301 0.55 TRAT 1 1 4 401 1.83
TRAT 19 19 1 119 2.43 TRAT 19 19 2 219 1.97 TRAT 19 19 3 319 1.96 TRAT 19 19 4 419 3..1
Tabla Nº 2 Datos obtenidos del experimento.
19
a. Determine qué tipo de diseño experimental empleado.
Es un diseño de bloques completos al azar que consta de 28 tratamientos o entradas,
distribuidos en 4 bloques o repeticiones.
b. Plantee las hipótesis que interesa contrastar en el análisis de varianza de este
experimento.
La materia orgánica proveniente del estiércol de las gallinas, cascarilla de arroz y ceniza,
mejoran ostensiblemente la absorción y asimilación del fosforo proveniente de las rocas
fosfóricas de Pesca Boyacá y Baraya Huila, porque estas contienen millones de
microorganismos benéficos que la descomponen y liberan minerales que permiten mayor
aireación y drenaje del suelo acido de los Llanos orientales.
c. ¿Cuál es la unidad experimental?
La unidad experimental es la materia orgánica proveniente de la gallinaza, cascarilla de arroz
y ceniza.
d. ¿Cuál es la unidad de observación?
Asimilación del fósforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un
suelo ácido de los Llanos Orientales para la variable rendimiento en g/materia de frijol caupí.
e. ¿Cuáles son y cuántos tratamientos se desea comparar?
Son 28 tratamientos de materia orgánica.
f. Describa matemáticamente el modelo lineal a utilizar, especificando cada uno de sus
términos.
20
Se establece que los datos colectados para la variable Y tienen una media, µ, y que la única
desviación respecto a esa media puede darse por azar y cuantificada por el término ε o error
asociado al dato i-ésimo (i=1,…, n). El término de error representa la diferencia entre el valor
observado de Y en la i-ésima unidad de análisis y la media de la distribución a la que se
supone pertenece la observación.
g. Realice en Excel el análisis de varianza utilizando la herramienta de análisis de datos
de Excel o en programa estadístico.
C:\Users\RUBER_CALERO\Desktop\estadistica 2_DATOS : 18/10/13 - 9:46:10 AM

- [Versión : 18/09/20]
Análisis de la varianza
Variable N R² R² Aj CV
RENDIM 112 0.86 0.81 32.83
Cuadro de Análisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor
Modelo 377.85 30 12.59 16.86 <0.0001
MATORG 377.38 27 13.98 18.71 <0.0001
BLOC 0.46 3 0.15 0.21 0.8915
Error 60.51 81 0.75
Total 438.36 111
Test:Tukey Alfa=0.05 DMS=2.35303

Error: 0.7471 gl: 81
MATORG Medias n E.E.
TRAT17 7.36 4 0.43 A
TRAT24 5.78 4 0.43 A B
TRAT16 5.27 4 0.43 A B
TRAT3 5.14 4 0.43 A B C
TRAT23 4.70 4 0.43 B C D
TRAT10 4.68 4 0.43 B C D
TRAT21 4.14 4 0.43 B C D E
TRAT20 4.12 4 0.43 B C D E
TRAT15 3.86 4 0.43 B C D E F
TRAT9 2.91 4 0.43 C D E F G
TRAT18 2.71 4 0.43 D E F G
TRAT2 2.53 4 0.43 D E F G
TRAT19 2.37 4 0.43 D E F G
TRAT26 2.12 4 0.43 E F G
TRAT28 2.06 4 0.43 E F G
TRAT27 1.86 4 0.43 E F G
TRAT22 1.74 4 0.43 F G
TRAT25 1.57 4 0.43 F G
TRAT13 1.25 4 0.43 G
TRAT14 1.21 4 0.43 G
TRAT8 1.04 4 0.43 G
TRAT11 0.98 4 0.43 G
TRAT1 0.89 4 0.43 G
TRAT6 0.77 4 0.43 G
TRAT12 0.76 4 0.43 G
TRAT7 0.73 4 0.43 G
TRAT5 0.62 4 0.43 G
TRAT4 0.59 4 0.43 G
Medias con una letra común no son significativamente diferentes (p > 0.05)
21
h. Aplique a las medias la prueba de comparación múltiple de Tukey, si corresponde.
C:\Users\RUBER_CALERO\Desktop\estadistica 2_DATOS : 18/10/13 - 9:46:10 AM

- [Versión : 18/09/20]
Análisis de la varianza
Variable N R² R² Aj CV
RENDIM 112 0.86 0.81 32.83
Cuadro de Análisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor
Modelo 377.85 30 12.59 16.86 <0.0001
MATORG 377.38 27 13.98 18.71 <0.0001
BLOC 0.46 3 0.15 0.21 0.8915
Error 60.51 81 0.75
Total 438.36 111
Test:Tukey Alfa=0.05 DMS=2.35303

Error: 0.7471 gl: 81
MATORG Medias n E.E.
TRAT17 7.36 4 0.43 A
TRAT24 5.78 4 0.43 A B
TRAT16 5.27 4 0.43 A B
TRAT3 5.14 4 0.43 A B C
TRAT23 4.70 4 0.43 B C D
TRAT10 4.68 4 0.43 B C D
TRAT21 4.14 4 0.43 B C D E
TRAT20 4.12 4 0.43 B C D E
TRAT15 3.86 4 0.43 B C D E F
TRAT9 2.91 4 0.43 C D E F G
TRAT18 2.71 4 0.43 D E F G
TRAT2 2.53 4 0.43 D E F G
TRAT19 2.37 4 0.43 D E F G
TRAT26 2.12 4 0.43 E F G
TRAT28 2.06 4 0.43 E F G
TRAT27 1.86 4 0.43 E F G
TRAT22 1.74 4 0.43 F G
TRAT25 1.57 4 0.43 F G
TRAT13 1.25 4 0.43 G
TRAT14 1.21 4 0.43 G
TRAT8 1.04 4 0.43 G
TRAT11 0.98 4 0.43 G
TRAT1 0.89 4 0.43 G
TRAT6 0.77 4 0.43 G
TRAT12 0.76 4 0.43 G
TRAT7 0.73 4 0.43 G
TRAT5 0.62 4 0.43 G
TRAT4 0.59 4 0.43 G
Medias con una letra común no son significativamente diferentes (p > 0.05)
Se realizó una prueba de calificación TUKEY a la variable de respuesta del Rendimiento en
g/materia de frijol caupi y se agruparon bajo las mismas letras los tratamientos que están en el
espectro de la DMS que para nuestro ejemplo es de 2.3530.
22
i. Concluya de acuerdo con los resultados obtenidos.
Analizando los cuadrados medios correspondientes al análisis de varianza para la variable del
Rendimiento en g/materia de frijol caupi, podemos decir que se presentan diferencias altamente
significativas (**) para la fuente de variación MATORG evidenciando que al menos un
tratamiento es diferente a los demás. En lo referente a la fuente de variación BLOC no presento
diferencias significativas (ns), esto quiere decir que los tratamientos se comportaron de manera
similar entre los bloques y que las condiciones del suelo fueron homogéneas y este no influencio
la respuesta de los tratamientos.
Revisando las medias podemos decir que el TRAT 17 fue el de mejor promedio y el de menor
rendimiento fue el TRAT 4 con 7.36 y 0.59 g/materia respectivamente.
Cabe anotar que el TRAT 17 se ubicó como el mejor en el grupo de intersección estadística o
clasificación tukey (A), siguiéndoles en orden los tratamientos 24 y 16 los cuales se ubicaron en
el grupo (AB)
En conclusión, se recomienda el TRAT 17 como primera opción de materia orgánica para mejorar
la asimilación de fosforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo
ácido de los Llanos Orientales y como segunda opción los tratamientos 24 y 16.
2.2. Estudio de caso 2.
En un estudio se permite reducir el tiempo de permanencia de la vaca con el ternero y por
consiguiente aumentar la producción de leche por vaca-día. Se evaluó la variable peso corporal
23
(kg) en terneros hasta 112 días de nacidos. Fueron probados amamantamiento restringido (R) y
amamantamiento tradicional (T).
En el cuadro se registra el peso corporal de los animales cada 28 días.
Tabla 3. Datos de peso corporal (kg) de los terneros.
Amamantamiento Restringido (R) Amamantamiento Tradicional (T)

Terneros
Día Día Día Día Día Día Día Día Día Día
0 28 56 84 112 0 28 56 84 112
1 41 50 63 92 118 43 60 68 101 119
2 32 41 52 66 93 37 48 60 81 103
3 41 55 70 92 114 36 47 71 88 103
4 31 41 53 77 99 41 60 75 98 113
5 38 52 77 88 117 42 58 80 101 113
a. ¿Qué tipo de diseño experimental es y por qué?
Bloques complementarios aleatorios
b. ¿Cuál es el modelo matemático? Para cada ítem en el ejercicio planteado indique a
que corresponde cada término del modelo
Nota:
Lo realice a mano pero no lo pude pasar al computador por que no pude hacer todos los
símbolos
24
c. Plantee las hipótesis.
La hipótesis nula: La media en los dos grupos en los diferentes días es igual
Hipótesis alterna: Al menos en un grupo la media es distinta
La hipótesis nula indica que un parámetro de población es igual a un valor hipotético. La
hipótesis nula puede ser una afirmación inicial que se basa en análisis previos.
d. Realice el análisis de varianza en Excel, aplicando las fórmulas, la tabla del Análisis
de Varianza (ANOVA) debe recoger los valores de SC, CM, GL, F calculado, F
tabulado y probabilidad realizados con fórmula debidamente evidenciable y
relacionando las operaciones. Los análisis deben ser producto de las fórmulas o
elaborados en el archivo Excel o en algún software estadístico.
Tabla Nº 4. Análisis de varianza de un factor
Grupos Cuenta Suma Promedio Varianza

Columna 1 5 183 36,6 23,3
Columna 2 5 239 47,8 41,7
Columna 3 5 315 63 116,5
Columna 4 5 415 83 128
Columna 5 5 541 108,2 130,7
Columna 6 5 199 39,8 9,7
Columna 7 5 273 54,6 42,8
Columna 8 5 354 70,8 56,7
Columna 9 5 469 93,8 79,7
Columna
10 5 551 110,2 49,2
25
ANÁLISIS DE VARIANZA
Promedio Valor
Suma de Grados de de los crítico para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Entre grupos 33059,38 9 3673,26444 54,154 1,35913E-19 2,12402926
Dentro de los grupos 2713,2 40 67,83
Total 35772,58 49
e. ¿Según el análisis de varianza hay diferencias significativas? Justifique la respuesta
Si hay diferencias significativas ya que se está analizando con un nivel de confianza del
95% y la probabilidad nos está dando un valor muchísimo menor que el esperado, por tal
razón se acepta la hipótesis alternativa.
La hipótesis nula: La media en los dos grupos en los diferentes días es igual
Hipótesis alterna: Al menos en un grupo la media es distinta
f. Si encuentra diferencias estadísticas significativas, realice la prueba de Tukey en
Excel relacionando las operaciones.
Tabla Nº 5. Datos promedios
41 50 63 92 118 43 60 68 101 119

32 41 52 66 93 37 48 60 81 103
41 55 70 92 114 36 47 71 88 103
31 41 53 77 99 41 60 75 98 113
38 52 77 88 117 42 58 80 101 113
36,6 47,8 63 83 108,2 39,8 54,6 70,8 93,8 110,2
26
Tabla Nº 6. Prueba de Tukey
1 2 3 4 5 6 7 8 9 10
-
1 -11,2 -26,4 -46,4 -71,6 -3,2 -18 -34,2 57,2 -73,6
2 -15,2 -35,2 -60,4 -60,4 8 -23 -46 -62,4
-
3 -20 -45,2 23,2 8,4 -7,8 30,8 -47,2
4 -25,2 43,2 43,2 28,4 12,2 -27,2
5 68,4 53,6 37,4 14,4 -2
-
6 14,8 -31 -54 -70,4
-
7 -16,2 39,2 -55,6
8 -23 -39,4
9 -16,4
10
g. Discuta ampliamente los resultados, desde la perspectiva biológica.
2.3. Estudio de Caso 3
Un ingeniero está diseñando una batería que se usará en un dispositivo someterá a variaciones de
temperatura extrema en el campo. El único parámetro del diseño que puede seleccionar en este
punto es el material de la placa o ánodo de la batería, y tiene tres selecciones posibles.
El ingeniero saber por experiencia, que la temperatura probablemente afectará la vida efectiva de
la batería y decide probar tres materiales de la placa con tres niveles de temperatura (15, 70 y
125◦F).
27
Se prueban cuatro baterías con cada combinación del material de la placa y la temperatura, y las
36 pruebas se corren de manera aleatoria.
Tabla 7. Datos de la vida (en horas) para diseño de la batería.
Tipo de Temperatura (◦F)

material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
De acuerdo con los datos presentados y a la distribución del experimento resuelva:
a. ¿Qué tipo de diseño experimental es y por qué?

Diseño de bloques aleatorios porque cuando se quiere comparar ciertos tratamientos o
estudiar el efecto de un factor, es deseable que las posibles diferencias se deban
principalmente al factor de interés y no a otros factores que no se consideran en el estudio.
b. ¿Cuál es el modelo. matemático? Para cada ítem en el ejercicio planteado indique a

que corresponde cada término del modelo.
Yij=u+Ti+Bj+uij
Dónde:
 Yij es la medición que corresponde al tratamiento i y al bloque j.
 U es la media global poblacional
 Ti es el efecto debido al tratamiento i
 Yi es el efecto.
28
c. ¿Plantee las hipótesis que interesa contrastar con el análisis de varianza de este
experimento?
Ho = u1+ u2+ u3+ u4+ u5+ u6+ u7+ u8+ u9

H1 = existen medidas diferentes
d. Realice el análisis de varianza en Excel o en algún software estadístico, con la tabla

del Análisis de Varianza (ANOVA) debe recoger los valores de SC, CM, GL, F
calculado, F tabulado y probabilidad realizados con fórmula debidamente
evidenciable y relacionando las operaciones. Los análisis deben ser producto de las
fórmulas o elaborados en el archivo Excel o en algún software estadístico.
Tabla Nº 8. Análisis de la varianza
ANÁLISIS DE VARIANZA
Promedio Valor
Suma de Grados de de los crítico para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Entre grupos 40510,1389 5 8102,02778 6,54500698 0,000316658 2,53355455
Dentro de los grupos 37136,8333 30 1237,89444
Total 77646,9722 35
e. ¿Según el análisis de varianza hay diferencias significativas? Justifique su respuesta.

Tabla Nº 9. Análisis de la varianza de un factor
Grupos Cuenta Suma Promedio Varianza

Columna 1 6 819 136,5 1126,3
Columna 2 6 919 153,166667 916,966667
Columna 3 6 680 113,333333 2599,46667
Columna 4 6 611 101,833333 1366,96667
Columna 5 6 363 60,5 1018,3
Columna 6 6 407 67,8333333 399,366667
29
No se encuentran diferencias significativas ya que el promedio se encuentra en el mismo rango.
f. Si encuentra diferencias estadísticas significativas, realice la prueba de Tukey en
Excel relacionando las operaciones.
De acuerdo al análisis de la varianza y del promedio no se encuentran significativas en la
variabilidad de la temperatura.
g. ¿Qué efectos tienen el tipo de material y la temperatura sobre la vida de la batería?
El crecimiento de los microorganismos se encuentra influenciado por factores, como la
temperatura. Los microorganismos tienen un margen de temperaturas en el cual pueden crecer.
Este margen viene delimitado por la temperatura máxima de crecimiento, a partir de la cual no
pueden vivir e incluso mueren; la temperatura mínima por debajo de la cual no pueden crecer
aunque generalmente no mueren; y la temperatura óptima a la cual ofrecen el mejor crecimiento.
Por lo tanto a mayor temperatura independiente del sustrato muchas bacterias termófilas se mueren
ya que su temperatura óptima se encuentra entre 45-70ºC. Mientras que para las mesófitas las
mesófitas su temperatura óptima se encuentra entre los 25-45ºC.
Hipótesis
Respuesta:
FTAB>FCAL Acepta Ho
FTAB>FCAL Acepta H1
30
31
CONCLUSIONES
Después de dar respuesta a los casos expuestos y determinar los tipos de diseño y respectivas
variables aplicadas en los experimentos de cada caso podemos concluir que los diseños
experimentales mencionados son usados en ciencias agropecuarias dando solución a los problemas
agronómicos de nuestros cultivos en nuestro país, con ellos podemos tomar decisiones importantes
para mejor y/o aumentar las producciones y mejora la calidad de vida.
Los diseños experimentales nos permiten identificar claramente las diferencias entre cómo actúan
los tratamientos en las semillas y de esa manera poder seleccionar más fácilmente cual es el más
adecuado.
32
BIBLIOGRAFÍA
2 cuáles son los diseños experimentales más usados. Recuperado de:

https://www.coursehero.com/file/p6uqigh/2-Cu%C3%A1les-son-los-dise%C3%B1os-
experimentales-m%C3%A1s-usados-en-ciencias-agropecuarias-y/
Burgueño, F., Martínez, G., Crossa, J. (2006). Diseños experimentales con testigos repetidos.
México, D.F., MX: Red Agrociencia. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=10109131&p
00=dise%C3%B1os+experimental
Carreño González, N. (2014). Diseño experimental Conceptos básicos. Colombia: Recuperado

de http://hdl.handle.net/10596/11404
Carreño González, N. (2014). Diseño experimental Conceptos básicos. Colombia: Recuperado

de http://hdl.handle.net/10596/11404
DISEÑO COMPLETAMENTE AL AZAR - Ventajas, Desventajas, Aleatorización

http://www.ensayostube.com/familia/diverso/DISEO-COMPLETAMENTE-AL-AZAR-
Ve48.php
El diseño factorial: efecto de la interacción. Recuperado de:

https://www.uv.es/~friasnav/Material4Dise%C3%B1osFactorial.pdf
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística COMPARAR MEDIAS
CON SPSS. Recuperado de:
https://previa.uclm.es/profesorado/raulmmartin/Estadistica/PracticasSPSS/COMPARAR_
MEDIAS.pdf
33
Llopis Pérez J. (2013). LA ESTADÍSTICA: UNA ORQUESTA HECH INSTRUMENTO.
Recuperado de: https://estadisticaorquestainstrumento.wordpress.com/2013/01/28/test-
de-duncan/
Mellado J. Diseños Experimentales Recuperado de:
http://www.uaaan.mx/~jmelbos/disexp/deapu1a.pdf
Montes F. (2004). Análisis de la varianza ANOVA. Recuperado de:

https://www.uv.es/montes/biomecanica2004/anova
Permiten al investigador evaluar los efectos tienen. Recuperado de:

https://www.coursehero.com/file/p3h4k9m/permiten-al-investigador-evaluar-los-efectos-
tienen-mucha-aplicaci%C3%B3n-en/
Planificación de un experimento. Recuperado

de:http://dm.udc.es/asignaturas/estadistica2/sec2_3.html
34

Tarea 3 Diseño Experimental

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tarea 3 Diseño Experimental

Enviado por

Direitos autorais:

Formatos disponíveis

BIOMETRIA Y DISEÑO EXPERIMENTAL

TAREA 3. ACTIVIDAD INTERMEDIA

TUTOR: JESSICA ALMEIDA BRAGA

ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE

UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD)

TAREA 3. ACTIVIDAD INTERMEDIA

DIEGO FERNANDO RODRIGUEZ J.

TUTOR: JESSICA ALMEIDA BRAGA

ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE

UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD)

1. DESARROLLO DEL CUESTIONARIO 6

2.1. Estudios de caso 1 16

2.2. Estudio de caso 2 23

2.3. Estudio de Caso 3 27

El diseño experimental es el procedimiento de planeación y conducción de experimentos,

conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a modificar,

la manera de su aplicación y el número de pruebas a realizar. Mellado.

identificar muchas cosas. Un experimento factorial completo es un experimento cuyo diseño

como el efecto de las interacciones entre factores sobre dicha variable.

En el desarrollo de esta actividad se revisarán los fundamentos del experimento y sus

elementos, diseño experimental, modelo estadístico y transformación de datos, con el propósito de

los conceptos relacionados con los diseños experimentales y su aplicabilidad en el campo

agropecuarias y aplicarlos en experimentos para procesarlos e interpretarlos para dar conclusiones

válidas y objetivas en el desarrollo de experimentos.

 Conocer los conceptos más importantes del diseño de experimentos a través de la

realización del cuestionario.

 Aplicar el diseño de experimentos en bloques completos al azar y analizar sus resultados

 Analizar la varianza de un solo factor en los ejercicios aplicados en diseño factorial

1. ¿En qué consiste el diseño experimental?

El diseño experimental es el procedimiento de planeación y conducción de experimentos, así como

conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a modificar,

la manera de su aplicación y el número de pruebas a realizar.

son sus posibles usos?

 Diseño completamente al azar

bien sea genética, por peso, edad, etc.

 Diseños de bloques al azar

Es el diseño más utilizado en los experimentos agrónomos.

Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente semejantes.

experimentos de fertilizante donde el número de factores interesados es razonablemente pequeño.

experimento factorial es particularmente apropiado.

maíz, es aconsejable usar algún tipo de diseño de parcela o bloque dividido.

3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?

datos desde ensayos de campo y experimentos de laboratorio, en la agricultura e investigaciones

en ciertos componentes, debido a diferentes factores o variables explicativas, incluidas en el

El análisis de la varianza se emplea en la industria, en el control de procesos, como en el laboratorio

múltiples columnas de datos y la estimación de los componentes de variación de un proceso

(Boqué y Maroto, s.f.)

disponemos de k muestras de una misma población

independencia, normalidad y homocedasticidad, se distribuye como una Fk−1,n−k. La

forma de tabla ciertas cantidades que conducen a la obtención de F.

Diseño de Experimentos al Completo Azar, el experimentador asigna las unidades experimentales

cada tratamiento. Es el más sencillo y se origina por la asignación aleatoria de tratamientos a un

conjunto de unidades experimentales.

números aleatorios al tratamiento B, y así sucesivamente.

modelo matemático es de la forma: Respuesta = Constante + Efecto tratamiento + Error.

c) Es flexible en lo que se refiere a cuantidad de tratamientos y de bloques;

d) Control de las diferencias de un bloque para otro.

al azar a las unidades experimentales. Más específicamente, si un tratamiento, por ejemplo, se

aplica a cuatro unidades experimentales, la aleatorización da a cada grupo de cuatro unidades

experimentales la misma probabilidad de recibir el tratamiento.

del experimento, donde este orden puede afectar a los resultados.

unifactorial, simplemente suprimiendo el estudio por bloques y uniendo su variabilidad a la

Permite flexibilidad completa. Puede utilizarse cualquier número de tratamientos y repeticiones,