DISEÑO EXPERIMENTAL

Fase 2 – Aplicación de diseños completamente al azar

Presentado por:
Jessica Natali Quistial Garcia

Grupo:

300004_57

Tutor
Carlos Andrés Moreno Salguero

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ZOOTECNIA
UDR VALLE DEL GUAMUEZ
2021
 INTRODUCCIÓN

Indagar acerca las temáticas de los diseños experimentales con relación a la

estadística en la solución de problemas principales de la agronomía, puesto que, los
diseños experimentales tienen esa capacidad para lograrlo mediante prácticas y
metodologías adecuadas para la solución de problemas en general. En estadística existen
las variables, pues cuya relación es el análisis de datos y también el tipo de variables
estas se clasifican en variables continuas y variables discretas, los datos obtenidos son
reflejados en histogramas de distribuciones de probabilidad. De acuerdo a la guía de
trabajo para reforzar esta temática de diseños experimentales se hace la instalación del
programa R con el fin de elaborar procesos de conteos y se evidencia su procedimiento
con pantallazos para concluir el trabajo final.

OBJETIVOS
Identificar las temáticas de los diseños experimentales utilizados en ramas académicas
como la estadística, definir conceptos básicos de diseño de bloques y al alzar y análisis
de varianza. Compartir ejemplos mediante problemas y utilizar la herramienta del
programa R.

Objetivos Específicos
 Conocer conceptos básicos de las variables
 Argumentar teóricamente definiciones de diseño de bloques completamente al
azar y situaciones en la cual se utiliza.
 Realizar en nuestro computador la instalación del software como R para el
procesamiento de datos en los diseños experimentales.

DESARROLLO DE LA GUIA
Actividad 1
Consulte el video de la primera web del curso en periodo anterior y posteriormente
responda

¿Qué variables existen en estadística?:

 Cuantitativa discreta: Son conteos que toman valores determinados y no cualquier
valor intermedio entre dos de ellos, por ejemplo: número de hijos, número de
coches, numero de cosechas, número de partos, etc.
 Cuantitativa continúa: Son aquellos conteos que pueden tomar cualquiera valor
determinado dentro de un intervalo real, por ejemplo: peso, altura, diámetro de
cabeza, nivel sobre el mar de una ciudad, etc….

¿En qué histograma se basan las distribuciones de probabilidad de variables

continuas?
Se basan en el histograma de frecuencias relativas, pues se utiliza gráficos para la
distribución de datos.

Que se debe hacer con los datos de experimentos de conteos como el número de
lechones o el número de frutos para poder hacer un análisis de varianza
Se deben someter a una transformación, por medio de conteos se halla las
repeticiones de valores de lechones y frutos, se registra los datos en una tabla
para definir el resultado. Además, se debe implementar el modelo de distribución
Poisson.

Que se debe hacer con los datos de experimentos donde la variable de respuesta
es porcentaje para poder hacer un análisis de varianza
Se debe convertir los datos con respuesta porcentaje a valores numéricos, es decir, dividir
en 100 el resultado.

El diseño completamente al azar (DCA) en qué condiciones se usa

El diseño completamente al azar, es utilizado bajo los invernaderos, y son supervisados
con las condiciones experimentales. Son aquellos tratamientos y repeticiones que se
utiliza en los suelos de tipo homogéneo. Esta práctica de diseño se usa en agronomía
mediante los invernaderos y un clima con condiciones estables.
Si en un DCA se tienen 3 tratamientos y 1 testigo con 5 repeticiones cuantas
unidades experimentales se requieren
Se requieren de 20 unidades experimentales.

El diseño de bloques completamente al azar en qué condiciones se usa

Este diseño se implementa en zonas abiertas como: campos, fincas, etc. Se usa en
material heterogéneo, donde las unidades a analizar son homogéneas, donde se agrupan
por grupos homogéneos llamados bloques. Se practica tratamientos en cada bloque.

En análisis de varianza cuál es la hipótesis nula que se prueba

La hipótesis nula es que todos los tratamientos se comporten de la misma manera, es
decir, donde K poblaciones, donde K es mayor a 2.

Relaciones una tabla los componentes de un análisis de varianza para un diseño

completamente al azar.

Actividad 2
Del texto indicado ubique el capítulo de Diseño Completamente al Azar DCA y responda

Modelo
Modelo matemático

Y ij =μ+T i+ eij

Yij = es el j-ésimo elemento perteneciente al i-ésimo tratamiento

µ = es la media general
Ti = efecto debido al i-ésimo tratamiento

eij = erro experimental asociado al j-ésimo elemento del i-ésimo tratamiento

Formula de suma de cuadrados totales, suma de cuadrados de tratamientos, suma

de cuadrados del error
Suma de cuadrados totales

2
2 (∑ X i )
SDC Total ∑ x − i
N

Suma de cuadrados de tratamientos

2 2

SDC Total
∑ (∑ trat ) −
(∑ X i )
¿ de obs en cada trat N

Suma de cuadrados del error

SDC Error =SDC Total −SDC Trat

Grados de libertad

GLTotal =N −1 GLTrat =¿Trat−1 GL Error =GL Total −GLTrat

Cuál es la hipótesis nula

La hipótesis que se va a probar es:

Ho: T1=T2=T3=T4 vs H1: Al menos 2 tratamientos diferentes

Ho = Hipótesis nula – igualdad

Para comprobar la hipótesis se aplica análisis de varianza.

Alistar datos en Excel para proceso en R

Desarrollar en R análisis de varianza, validación de supuestos del modelo y prueba
de comparación de medidas
Análisis de varianza

Validación del supuesto de normalidad

Validación del supuesto de varianza constante
Comparación de medias

Reporte de resultados
En el análisis de varianza se evidencia que la columna de P-valor cuenta con un valor
numérico inferior a 0.05, por lo tanto, se rechaza la hipótesis nula, encontrándose que por
lo menos uno de los tratamientos evaluados se comporta de forma diferente asegurando
con el 95 % de confianza que se encuentra una diferencia estadísticamente significativa
en el comportamiento de cada uno de los tratamientos que fue estudiado.

En la validación del supuesto de normalidad se encuentra un P-valor mayor a 0.05

(0.8635) indicando que no se rechaza la hipótesis nula, concluyendo con un 95 % de
confianza que los valores residuales que conforman el diseño tienen una distribución
normal, evidenciado en el histograma de frecuencias.
En el supuesto de varianza constante se encuentra un P-valor mayor a 0.05 (0.566)
indicando que no se rechaza la hipótesis nula, concluyendo con un 95 % de confianza que
los residuales cuentan con una varianza constante conocida como homocedasticidad.

Finalmente, en la comparación de medidas se encontró que hay una diferencia

estadísticamente significativa, donde se puede dar cumplimiento a los supuestos
analizados; por lo tanto, en la prueba de Tuckey se logró identificar los tratamientos que
cuentan con un desarrollo similar y aquellos que difieres, según la agrupación con la que
cuentan en una misma letra. Teniendo en cuenta lo anterior, mediante la prueba de
Tucker se identificó que el tratamiento de Tunas 1 y 52 tienen un comportamiento similar
ya que están clasificados en la letra b.

Actividad 3
Del texto indicado ubique el capítulo de Diseño Bloques Completamente al Azar BCA y
responda

Modelo
Modelo matemático.

Y ij =μ+T i+ β j +e ij

Yij= es la j-ésima parcela dentro del i-ésimo tratamiento.

µ = es la media general.

Ti = efecto debido al i-ésimo tratamiento.

βj = efecto del j-ésimo bloque

eij = error experimental asociado al j-ésimo bloque del i-ésimo tratamiento.

Formula de suma de cuadrados totales, suma de cuadrados de tratamientos, suma

de cuadrados del error
Suma de cuadrados totales

SDC Total =∑ x 2i −¿ ¿
Suma de cuadrados de tratamientos

SDC Trat =∑ ¿ ¿ ¿
 SDC Rep =∑ ¿ ¿ ¿
Suma de cuadrados del error

SDC Error =SDC Total −(SDC Trat + SDC Rep )

Grados de libertad

GLTotal =N −1 GLTrat =¿Trat−1 GL Rep=¿ Rep−1

GL Error =GL Total −(GL TRAT −GL Rep )

Alistar datos en Excel para proceso en R

Desarrollar en R análisis de varianza, validación de supuestos del modelo y prueba

de comparación de medidas
Análisis de varianza
Validación del supuesto de normalidad

Validación del supuesto de varianza constante

Comparación de medidas
Reporte de resultados
En el análisis de varianza se encuentra que la columna de P-valor cuenta con un valor
numérico inferior a 0.05 por lo tanto se rechaza la hipótesis nula y se asegura con un 95
% de confianza que hay una diferencia estadísticamente significativa en el
comportamiento de los bloques estudiados.

En la validación del supuesto de normalidad el P-valor cuenta con un valor superior a 0.05
(0.2648) indicando que no se rechaza la hipótesis nula concluyendo con un 95 % de
confianza que los valores residuales tienen una distribución normal.

En la validación del supuesto de varianza el P-valor cuenta con un valor superior a 0.05
(0.6743) indicando que no se rechaza la hipótesis nula y concluyendo con un 95 % de
confianza que los residuales de los bloques tienen una varianza constante, es decir,
homocedasticidad.

Finalmente, en la prueba de comparación de medidas ya que se cumplieron los supuestos

evaluados, se pudo concluir que todos los bloques analizados cuentan con un
comportamiento diferente ya que están categorizados en una letra diferente.

CONCLUSIONES
Se encontró que es necesario reconocer el fundamento teórico para así entender el
contexto y la importancia que lleva el desarrollo de la actividad. De igual forma, se logró
evidenciar el gran conjunto de variables con los que cuenta la estadística y que son
fundamentales en el desarrollo de la actividad propuesta y desarrollo profesional.
Finalmente, se logró contar con un desarrollo de los ejercicios satisfactorio, donde se dio
solución a los cuatro aspectos evaluados tanto para el diseño completamente al azar y el
diseño de bloques completamente al azar.

BIBLIOGRAFIA

Cifuentes, W. X., Jaramillo, E. L. M., & Mejía, G. L. M. (2016). Métodos de análisis para la
investigación, desarrollo e innovación (i+d+i) de procesos agrícolas y
agroindustriales, p 57-60. Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
 docID=4795324&query=dise%C3%B1o%20completamente%20al%20azar%20con
%20submuestreo
Jímenez J. (2019). Introducción a R y R Studio. Recuperado de
https://ridda2.utp.ac.pa/bitstream/handle/123456789/9428/manual-introduccion-
R.pdf?sequence=1&isAllowed=y
Ruesga, G. I. (2007). Libro de experimentación agrícola, p 14-17. Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
docID=3174819&query=dise%C3%B1o%20de%20experimentos
Saenz J. (2010). Métodos estadísticos con R y R comander. Recuperado de https://cran.r-
project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf