Fase 1 Contextualización en el diseño experimental

Diseño experimental

Grupo: 66

Presentado por: Karla castro cuellar

T.I 1004034079

Presentado a: Ismael dussan

Universidad nacional abierta y a distancia UNAD 

Escuela de Ciencias Agrícolas, Pecuarias y del Medio Ambiente – ECAPMA
Pitalito -Huila
Octubre 2020
parte unas preguntas de conceptos, para tener más claridad con respecto al tema,
de igual manera las preguntas de orientadores con respecto a dos ejercicios
parte unas preguntas de conceptos, para tener más claridad con respecto al tema,
de igual manera las preguntas de orientadores con respecto a dos ejercicios
Introducción:
El presente trabajo contiene los objetivos del mismo, además de en la primera parte unas
preguntas de conceptos, para tener más claridad con respecto al tema, de igual manera
las preguntas de orientadores con respecto a dos ejercicios prácticos elaborados en el
programa R versión 4.0.2, junto son sus evidencias e hipótesis con respecto a los
resultados
e igual manera las preguntas de orientadores con respecto a dos ejercicios
prácticos elaborados en el programa R versión 4.0.2, junto son sus evidencias e
hipótesis

Objetivos:
General:
Objetivos
General:

-Aplicar a través de ejercicios prácticos los diseños completamente al azar en el programa

R versión 41.1.

Específicos:

azar en el programa R versión 4.0.2

Específicos:
-Responder las preguntas orientadoras mencionadas, con respecto al tema

tema.
-Interpretar los datos suministrados en el ejercicio práctico del programa R

programa R.
-Demostrar la evidencia de los datos obtenidos en el programa R.
Preguntas

1. en periodo anterior y posteriormente responda:

 Qué tipo de variables existen en estadística.

Variable cuantitativa: Son variables que se expresan numéricamente.

Variable continua: Toman un valor infinito de valores entre un intervalo de datos. El

tiempo que tarda un corredor en completar los 100 metros lisos.

Variable discreta: Toman un valor finito de valores entre un intervalo de datos. Número

de helados vendidos.

Variable cualitativa: Son variables que se expresan, por norma general, en palabras.

Variable ordinal: Expresa diferentes niveles y orden.

Variable nominal: Expresa un nombre claramente diferenciado. Por ejemplo, el color de

ojos puede ser azul, negro, castaño, verde, etc.

 En que histograma se basan las distribuciones de probabilidad de variables

continuas.
El diseño completamente al azar, es utilizado bajo invernaderos, bajo condiciones
experimentales controladas, es decir donde se garantice un suelo homogéneo; por
ejemplo, en bancos de propagación.

Los tratamientos y repeticiones se distribuyen aleatoriamente en el terreno o espacio en el

laboratorio
  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 debe realizar por medio de conteos para así mirar cuantos lechones y frutos se
repiten, además se debe implementar el modelo de Poisson

 Que se debe hacer con los datos de experimentos donde la variable de respuesta
es porcentaje para poder hacer un análisis de varianza.
 El diseño completamente al azar DCA en qué condiciones se usa.
 Si en un DCA SE tienen tres tratamientos y un testigo con cinco repeticiones
cuantas unidades experimentales se requieren

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

Es utilizado por tratamientos que se distribuyen al azar en bloques completamente al azar
y que al interior de cada bloque las condiciones sean homogéneas.

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

Un análisis de varianza es una prueba de hipótesis y la hipótesis nula tiene que ver con
todos los promedios, específicamente que sean de conteo para que así se pueda
transformar.

La hipótesis nula es que en los tratamientos no hay diferencia estadísticamente

significativa, por lo menos un tratamiento debe comportarse diferente.

 Relacione una tabla los componentes de un análisis de varianza para un diseño

completamente al azar. Recuerde que lo que el libro de Ruesga relaciona como S
2 es cuadros medios o CME.

EJEMPLO: En un experimento bajo el diseño completamente al azar se compararon 4

cepas nativas de Azotobacter, en el cultivo del pimiento variedad Verano 1, donde se
evaluó como variable principal la altura de las plantas a los 35 días
2. Del texto indicado ubique el capítulo de Diseño completamente al azar DCA y registre:

 Modelo.
 Y ij =μ+t + eij
 Y ij =¿ es el j ésimo elemento perteneciente al i ésimo tratamiento
 μ=¿ es la media general.
 T i=¿ efecto debido al i ésimo tratamiento.
 Eij =¿ error experimental asociado al j ésimo elemento del i ésimo tratamiento.

 La fórmula de Suma de Cuadrados totales.

-Suma de cuadrados de tratamientos.

 -Suma de Cuadrados del error.

 Cuál es la hipótesis nula

 Alistar datos en Excel para proceso en R.

 Desarrollar en R análisis de varianza

 validación de supuestos del modelo

 supuesto de normalidad

 Supuesto de varianza

 prueba de comparación de medias.

 Debe en su informe registrar pantallazos del procesamiento en el programa R

recuerde que la versión es 4.1.1
  Redacte un texto en el que en cada párrafo interprete por aparte el resultado de la
tabla de análisis de varianza, el resultado de la validación del supuesto de
normalidad, el resultado de validación del supuesto de varianza constante y por
último las pruebas de comparación de medias. Se debe seguir el protocolo de
interpretación de la presentación guía en power point DCA. Todos los archivos y
presentaciones están en la columna de textos, vídeos y enlaces de este punto.
Resultado de la tabla de análisis de varianza

-En los resultados del ANAVA se observa que el P vale Pr(¿F)=4,69∗10−7 es menor a
0,05, por lo que rechaza la hipótesis nula Ho:μ T 1=μ T 2=μT3y se concluye con un 95%
de confianza que hay una diferencia estadísticamente significativa en el comportamiento
de los tratamientos, o que por lo menos uno se comporta diferente a los demás.
-summary(fit)
Df Sum Sq Mean Sq F value Pr(>F)
Tratamiento 3 320.6 106.87 32.67 4.69e-07 ***
Residuales 16 52.3 3.27

Resultado de la validación del supuesto de normalidad

shapiro.test(fit$residuals)
Shapiro-Wilk normality test
data: fit$residuals
W = 0.97548, p-value = 0.8635

En la prueba de Shapiro Wilk el P value (> )=0,8635 es mayor a 0,05, por lo queno
se rechaza la hipótesis nula y se concluye con un 95% de confianza que losresiduales se
comportan acorde a una distribución normal. Es decir que si se cumple el supuesto de
normalidad.

Resultado de validación del supuesto de varianza constante

los datos dados son los siguientes:
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 3 0.6995 0.566
16
Es decir, si P value Pr(>F) si es mayor a 0,05 y en este caso da 0.566, no se rechaza la
hipótesis nula y se concluye con un 95% de confianza que los residuales presentan una
varianza constante
Pruebas de comparación de medias
los datos dados son los siguientes:
$means
Altura std r Min Max Q25 Q50 Q75
Tunas 1 44.50000 2.081666 4 42 47 43.5 44.5 45.50
Tunas 19 49.40000 2.408319 5 46 52 48.0 50.0 51.00
Tunas 27 38.66667 1.211060 6 37 40 38.0 38.5 39.75
Tunas 52 44.80000 1.483240 5 43 47 44.0 45.0 45.00

$comparison
NULL
$groups
Altura groups
$comparison
NULL
$groups
Altura groups
Tunas 19 49.40000 a
Tunas 52 44.80000 b
Tunas 1 44.50000 b
Tunas 27 38.66667 c
Es decir que en este caso son necesarias porque hay diferencia ente los tratamientos
acordes al anova
3. Del texto indicado ubique el capítulo de diseño bloques completamente al azar
BCA
y registre:

 Modelo.

Yij=μ+Ti+βj+eij
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

 La fórmula de Suma de Cuadrados totales, Suma de cuadrados de

tratamientos, Suma de Cuadrados del error.

Suma de cuadrados normales

Suma de cuadrados de tratamiento

 Suma de cuadrados del error

 Alistar datos en Excel para proceso en R.

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

prueba de comparación de medias.
Análisis de varianza
Validación de supuesto del modelo

Prueba de comparación de medidas

 Debe en su informe registrar pantallazos del procesamiento en el programa
R recuerde que la versión es 4.1.1
  Redacte un texto en el que en cada párrafo interprete por aparte el
resultado de la tabla de análisis de varianza, el resultado de la validación
del supuesto de normalidad, el resultado de validación del supuesto de
varianza constante y por último las pruebas de comparación de medias. Se
debe seguir el protocolo de interpretación de la presentación guía en power
point BCA. Todos los archivos y presentaciones están en la columna de
textos, vídeos y enlaces de este punto,

Análisis de varianza
En el análisis de varianza se obtienen los siguientes datos:
Df Sum Sq Mean Sq F value Pr(>F)
Bloque 4 0.51 0.13 0.729 0.589
Tratamiento 3 287.03 95.68 548.126 4.23e-13 ***
Residuals 12 2.09 0.17
Es decir que el resultado dado no se rechaza la hipótesis nula porque P valué Pr(>F) es
mayor que 0.05 y se concluye que los tratamientos o diversas categorías del factor dado
se comportan de la misma manera
Resultado de la validación del supuesto de normalidad

En la validación se obtiene a
siguiente información:
Shapiro-Wilk
normality test
data: fit2$residuals
W = 0.94229, p-value =
0.2648
La p value Pr(>F) es menor a
0.05, en el caso es de 0.2648
menor que 0,94229
En la validación se obtiene a siguiente información:
Shapiro-Wilk normality testdata: fit2$residualsW = 0.94229, p-value = 0.2648La p value
Pr(>F) es menor a 0.05, en el caso es de 0.2648 menor que 0,94229

Resultado de validación del supuesto de varianza constante

se obtuvo los siguientes

datos:
Levene's Test for
Homogeneity of Variance
(center = "median")
Df F value Pr(>F)
group 3 0.5205 0.6743
16
La f value es menor 0.5205
que Pr(>F 0.6743
se obtuvo los siguientes datos:
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 3 0.5205 0.6743
16
La f value es menor 0.5205 que Pr(>F 0.6743

Las pruebas de comparación de medias

dan los siguientes resultados:
Tukey Tratamiento 4 4.19866 0.05
$groups
Rendimiento groups
Tratamineto 1 47.990 a
Tratamineto 2 44.224 b
Tratamineto 3 42.582 c
Tratamineto 4 37.446 d

Se observan resultados de tratamiento 1,2,3 y 4, estos van de mayor a menor en este

caso, así como lo demuestra la tabla anterior, son por lo general desarrolladas para
verificar el cumplimiento de los supuestos de normalidad y varianza constante

Conclusión

Con la realización de este trabajo logre Identificar y aplicar los diseños

completamente al azar, identifique y aplique bloques completos al azar a través de
ejercicios de organización, se pudo conocer unos conceptos básicos para la
interpretación de los datos dados y analizar de manera correcta una descripción de los
mismos