DISEÑO EXPERIMENTAL

TEMA: FASE 5 EVALUACIÓN FINAL PRUEBA OBJETIVA ABIERTA (POA)

YULY ANDREA MENDEZ MARTINEZ

GRUPO: 51

TUTORA: ALBA LUCIA PEREZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

(ECAPMA) ESCUELA DE CIENCIAS AGROPECUARIAS Y MEDIO AMBIENTE

MAYO DEL 2021

 INTRODUCCIÓN
La importancia de realizar este trabajo es para recordar y plantear el
entendimiento de los conocimientos adquiridos mediante la materia de diseño
experimental haciendo énfasis a los diseños aprendidos.

En primera medida encontramos el diseño experimental completamente al

azar realizado en la fase 2 para mejorar el análisis de los resultados arrojado por
medio de la pruebas aplicadas en el programa R,

Se responderán pregunta acorde a los diseños experimentales vistos en el

semestre adicionalmente a eso se dará una opinión de cuál es el mejor diseño en
donde se pueda aplicar la agronomía.
 OBJETIVOS
Objetivos Generales
Demostrar los conocimientos adquiridos en el área de diseño experimental
mediamente la evaluación planteada proel docente en la fase 5

Objetivos Específicos
- Mejorar las explicación del ejercicio dos de la fase 2 en una interpretación
de observación de los resultados.
- Contestar idóneamente preguntas orientadoras semejantes a los diseños
experimentales.
- Brindar opinión de cual es el diseño experimental las idóneo para la carrera
 Desarrollo De La Preguntas Orientadoras
1. El estudiante debe revisar la realimentación de la calificación desarrollada
por el docente de su trabajo individual presentado en la fase 2 y para uno
de los ejercicios presentados en el programa R que puede ser el punto
dos o el punto tres de las preguntas orientadoras (solo un punto) debe
presentar el comentario de la realimentación del docente en pantallazo y
desarrollar los ajustes a los que da lugar la realimentación remitiendo en su
informe:

Ejercicio 2
Modelo.

Y =μ+ T +e

Donde

Y =Elemento perteneciente altratamiento

μ=media general
T =efecto debidoal tratamiento
e=error experimental asociado al elementodel tratamiento

La fórmula

Suma de cuadrados total

2
2 (∑ X i )
SDC Total =∑ X −i
N
Suma de cuadrados de tratamientos
2 2

SDC Trat =
∑ (∑ trat ) −
(∑ X i )
¿ de obs . en cada trat N
Suma de cuadrados del error
SDC error =SD C total −SD C trat
Hipótesis
H o :T 1 =T 2=T 3=T 4
 H a :al menos dos tratamiento son diferentes

Alistar proceso en R

Exportar los datos de Excel a el programa r para realizar sus debidos análisis

Al aplicar summary (fil) brinda el resultado del análisis de varianza

observamos que el p-valor Pr(>F) = 4.69e-07 es inferior al 0.05 se declina la
hipótesis nula y con una certeza del 95% se infiere que hay diferencia
significativa. estadísticamente en el comportamientos en los tratamientos o
que por lo menos uno de ellos se comporta distinto.

Se organizan los datos para reflejar un histogram de frecuencias en refleja

los residuales de los tratamientos

En el histogram de frecuencias muestra visualmente que los datos tienen una

forma de distribución normal, que la frecuencia mas frecuente asido los
residuos entre 0 – 1 con 5 puntos que los datos menos residuos menos
frecuentes están entre -4 a -2.
Para verificar si se cumple con el supuesto del modelo se aplica el test de
Shapiro puesto que son menos de 50 datos y este nos arroja un p-valor de
0.8635 lo que nos indica que es superior a 0.05 es decir que se afirma la
hipótesis nula y que con una certeza del 95% se considera que los residuales
se comportan acorde a una distribución normal.

El supuesto de varianza constante se verifica con el Test de Levene muestra

que el p-valor es de 0.566 es decir que es superior a el protocolo y por tanto
se acepta la hipótesis nula y con un 95% de certeza se concluye que los
residuales tienen una varianza constante.

Despues de comprobar los dos supuestos del modelo se desarrolla la prueba

de comparación de medias en en todo caso que los tratamientos indiquen
diferencia estadísticamente demostrativa en este caso usamos la prueba de
Tuckey Test HSD (Honestly-significant-difference) de Tukey tratamientos con
ogual letra se comportan similar tratamientos con letra diferente se comporta
diferente
Al observar los resultados decimos que dos de los tratamientos se
comportan diferente, pero por otro lado vistos en groups los tratamientos
turnas 1 y 52 tienden hacer parecidas.

pantallazo de observación de la docente sobre el trabajo de la fase 2 para

mejorar.
 2. El estudiante enunciar tres ejemplos de variables discretas de la carrera
que estudia y determinar la transformación que usarían:

Variables discretas de interés agronómico:

 Número de raíces comerciales por planta: por ejemplo, en estudio en que

se evalúan genotipos de yuca.
 Número de semillas germinadas: en un estudio en el que se evalúa el
efecto de estrategias para mejorar la germinación de las semillas de alguna
especie particular.
 Número de hojas sanas por planta en cosecha: por ejemplo, en un estudio
de tratamientos fungicidas contra la Sigatoka en plátano.

Por el tipo de datos y rangos probables de valores considero que la transformación

más adecuada seria el de la raíz cuadrada. Sin embargo, no es posible a priori
establecer con plena certeza que tipo de transformación va a ser la mejor para los
datos, ya que esto depende estrechamente de las características de cada conjunto
de datos particular.

En este sentido lo mas recomendable sería realizar la transformación propuesta y

evaluar los supuestos del modelo que se esta utilizando. Si se llega a encontrar
que la transformación fue de utilidad, se deberá probar otro método de
transformación como el cuadrado o el logaritmo natural.

3. Cada estudiante debe indicar cuál de los diseños experimentales vistos le

parece de más utilidad para su carrera y explicar en un caso concreto de
 manera simple como organizaría un experimento en su carrera con cuatro
tratamientos con un testigo (testigo es lo que se hace comúnmente),
describir con cuantas repeticiones trabajaría, recordar que en el diseño de
bloques si se mira el efecto de la repetición que es el mismo bloque.

De acuerdo con lo que comúnmente se encuentra en la literatura científica

agronómica, el diseño en bloques totalmente aleatorizado es el más
frecuentemente utilizado, por lo tanto, creo que entre los diseños de experimentos
vistos en el curso este es el más útil para mi carrera.

Planteamiento experimento:

En fitomejoramiento, es necesario evaluar los materiales candidatos en

condiciones comerciales, a fin de ver su comportamiento productivo. En el caso
particular de la yuca, se puede plantear un experimento en el que se evalúan tres
genotipos identificados a partir de la segregación de una cruza, en comparación a
una variedad comercial de amplio uso. Esto para producir nuevas variedades de
yuca para los llanos orientales.

En este experimento, es probable que se deban establecer bloques para

considerar la variación asociada a la heterogeneidad del terreno, ya que en la
mayoría de los suelos agrícolas es posible establecer diferencias marcadas
inclusive en áreas pequeñas.

Tratamientos:

 Tratamiento 1: genotipo 1.
 Tratamiento 2: genotipo 2.
 Tratamiento 3: genotipo 3.
 Tratamiento 4: testigo, variedad comercial de amplio uso.
Repeticiones:

Se establecerían parcelas como unidades experimentales, se usarían 4

repeticiones por tratamiento, es decir, 4 parcelas para cada tratamiento.

Bloques:

Se inspeccionará el campo experimental a fin de establecer 4 zonas diferentes en

el lote, de acuerdo con las variaciones aparentes en el suelo. Dentro de cada una
de estas zonas se establecerán 4 parcelas experimentales, y los tratamientos se
asignarán de manera aleatoria a ellas.

4. Adicionalmente se debe responder las siguientes preguntas

 En diseños experimentales cuál es el número mínimo de tratamientos.

Es posible trabajar con un mínimo de dos tratamientos, ya que lo que

buscamos es establecer diferencias entre posibles soluciones al problema
bajo evaluación. Esto implica que debemos tener al menos dos alternativas
para que se pueda hacer una comparación.

Es de aclarar que, dado el costo económico y el tiempo requerido para

llevar a cabo un experimento, conviene hacer un planteamiento y/o
planeación previa, en la que muy seguramente concluiremos que se deben
evaluar más de dos tratamientos.

 En diseños experimentales cuál es el número mínimo de Bloques ó

Repeticiones.
El número mínimo de repeticiones por tratamiento (o bloques, si se consideran en
el estudio) es de dos. En este caso, busco establecer cual es efecto de mis
tratamientos sobre mi variable respuesta, para lo que se requiere calcular un
promedio entre los valores arrojados por las unidades experimentales. El número
mínimo de observaciones que me permite calcular un promedio es dos.
 Conclusiones
En la agronomía es importante e indispensable conocer las características,
diferencias, utilidades y aplicación de cada uno de los diseños experimentales
para el buen manejo de tratamientos brindados a alguna de las áreas de la
carrera, es por eso que es necesario tener claro los diseños experimentales.
 REFERENCIAS BIBLIOGRAFICAS

Base de datos basepoa2021161FINAL enlace de descarga

https://drive.google.com/file/d/1H1iiGTtUNT0iXwC10qZ8doARm3pPgGQo/vie
w?usp=sharing

Cifuentes, X., Jaramillo, L., Mejía, L & Torres, M. (2016). Métodos de análisis para
la investigación, desarrollo e innovación (i+d+i) de procesos agrícolas y
agroindustriales. Licencia Creative Commons. Recuperado de
https://www.ugc.edu.co/sede/armenia/files/editorial/metodos_de_analisis_para_la_
investigacion.pdf

García, A. (2008). Lectura y escritura de datos en R. Recuperado de

http://ocw.uc3m.es/estadistica/aprendizaje-del-software-estadistico-r-un-entorno-
para-simulacion-y-computacion-estadistica/lectura-y-escritura-de-datos-en-r

Miguel Hernández de Elche, Universidad. (2015,). Bioestadística. OER Commons.

Recuperado de https://www.oercommons.org/authoring/6990-bioestad
%C3%ADstica/10/view

Mirás M & Rodríguez E. (2018). Técnicas estadísticas con hoja de cálculo y R.

Recuperado de http://www.investigo.biblioteca.uvigo.es/xmlui/handle/11093/970

Ruesga González, I. (2007). Libro de experimentación agrícola. La Habana, Cuba:

Editorial Universitaria. Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/71309

Saenz J. (2010). Métodos estadísticos con R y R comander. Recuperado de

https://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf

Deaza, D. (2020). 300004_OVI Validación de supuestos del análisis de varianza.

Recuperado de: https://repository.unad.edu.co/handle/10596/33981

Cifuentes, X., Jaramillo, L., Mejía, L & Torres, M. (2016). Métodos de análisis para
la investigación, desarrollo e innovación (i+d+i) de procesos agrícolas y
agroindustriales. Licencia Creative Commons. Recuperado de
https://www.ugc.edu.co/sede/armenia/files/editorial/metodos_de_analisis_para_la_
investigacion.pdf

García, A. (2008). Lectura y escritura de datos en R. Recuperado de

http://ocw.uc3m.es/estadistica/aprendizaje-del-software-estadistico-r-un-entorno-
para-simulacion-y-computacion-estadistica/lectura-y-escritura-de-datos-en-r

Jiménez 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

Mendoza, H, Bautista, G. (2002). Diseño Experimental. Universidad Nacional de

Colombia. Recuperado de
http://red.unal.edu.co/cursos/ciencias/2000352/html/un7/cont_702-99.html.
Licencia: Creative Commons BY-NC-ND.

Ruesga González, I. (2007). Libro de experimentación agrícola. La Habana, Cuba:

Editorial Universitaria. Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/71309

Sáez, J. (2010). Métodos estadísticos con R y R comander. Recuperado de

https://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf

Deaza, D. (2020). 300004_OVIDiseño experimental cuadrado latino. Recuperado

de: https://repository.unad.edu.co/handle/10596/33974