APLICACIÓN DEL DISEÑO CUADRADO LATINO Y EL EXPERIMENTO

FACTORIAL

Fase 3

Presentado por:

MARIO ROMERO C.

COD. 80497313

ECAPMA- Zootecnia CEAD Zipaquirá

Grupo:

300004_3

Universidad Nacional Abierta y a Distancia – UNAD

Octubre 2020
 APLICACIÓN DEL DISEÑO CUADRADO LATINO Y EL EXPERIMENTO
FACTORIAL – Fase 3

1. El estudiante debe revisar el OVI del diseño cuadrado latino que está en
el entorno de aprendizaje en las referencias bibliográficas de la unidad 2
en el último referente y con base en este responder.

¿Qué tipo de organización presentan los tratamientos en campo?

El cuadrado latino es un arreglo ordenado en filas y columnas, de organización

tipo sudoku, es decir que cada fila y columna inicia por el tratamiento
inmediatamente siguiente al anterior. El cuadro latino es un bloqueo robusto.

(Deaza, 2020)

Ejemplo:

COLUMNAS
T1 T2 T3 T4 T5 T6 T7 T8
T2 T3 T4 T5 T6 T7 T8 T1
T3 T4 T5 T6 T7 T8 T1 T2
T4 T5 T6 T7 T8 T1 T2 T3
FILAS
T5 T6 T7 T8 T1 T2 T3 T4
T6 T7 T8 T1 T2 T3 T4 T5
T7 T8 T1 T2 T3 T4 T5 T6
T8 T1 T2 T3 T4 T5 T6 T7

Si se tiene un caso de 8 tratamientos ¿cuántas unidades

experimentales se requieren para montar un cuadrado latino?

Para montar un cuadrado latino teniendo 8 tratamientos (82=64), se requieren 64

unidades experimentales.
 2. El estudiante debe revisar la presentación cuadrado latino y diseño
factorial y desarrollar un resumen de los conceptos básicos de cada uno
de los diseños cada diseño aparte, donde registre organización en campo,
hipótesis del análisis de varianza, hipótesis de test de validación de los
supuestos del modelo y forma de desarrollo de las pruebas de
comparación de medias, si el estudiante remite conceptos tomados de
textos en punto no se califica. Adicionalmente responder:

Cuadrado Latino:

Es un Bloqueo Robusto en el cual se tienen filas y columnas denominadas

bloques. Tiene una organización en campo de tipo Sudoku lo cual permite que
no se repita ningún elemento ni en la fila ni en la columna.

En cuanto al Análisis de varianza se tiene una hipótesis nula (H0) donde el

promedio de cada uno de los tratamientos son iguales entre sí, es decir:
H0=µ1=µ2=µ3…=µi, y una hipótesis alterna (Ha) que por lo menos uno de los
tratamientos sea diferente, con lo cual si Pvalue es menor a 0,05 se rechaza H0.
Lo anterior hace referencia a los tratamientos, y para las filas y columnas se
comporta exactamente igual.

Se debe tener en cuenta que las filas y columnas puede deberse tanto a un
criterio de localización en campo como a una práctica cultural en la cual los
tratamientos se organizan en bloques donde por filas se afectan por un segundo
factor y por columnas se afectan por un tercer factor.

Para el criterio de validación por supuestos de Normalidad se tiene una H0 donde

los residuales se ajustan a una distribución normal y se busca que el Pvalue sea
igual o mayor a 0,05, de lo contrario se deben transformar los datos o realizar un
análisis de varianza no paramétrico. Para el caso de validación de supuestos de
varianza constante se tiene una H0 donde los residuales presentan una varianza
constante e igualmente se busca que Pvalue sea mayor que 0,05, de lo contrario
se rechaza H0.

Finalmente para la prueba de comparación de medias existe una prueba simple

que muestra los tratamientos con sus respectivos promedios con una letra, si las
letras son iguales, los tratamientos se comportan igual, si son diferentes, los
tratamientos se comportan diferente.

Diseño Factorial:

Son arreglos factoriales que se pueden hacer en un Diseño Completamente al

Azar DCA, o en un Diseño de Bloques Completamente al Azar BCA. En este
caso el tratamiento surge del cruce de factores. Para determinar el número de
tratamientos se multiplican las cantidades de cada factor entre sí.

Para la interpretación del Análisis de Varianza se deben tener en cuenta los

componentes, que son los factores, los cuales se interpretan por separado, y la
interacción que corresponde al cruce de los factores o lo que es igual, los
tratamientos. La H0 =µ1=µ2=µ3…=µi, y una hipótesis alterna (Ha) que por lo menos
uno sea diferente, el criterio Pvalue es menor a 0,05 se rechaza H 0. Lo anterior
hace referencia a los comportamientos en campo que se estén experimentando,
y para la interacción hay que tener en cuenta la matriz de interacción que
contiene las combinaciones o tratamientos y se busca con H 0 que todos los
tratamientos se comporten igual y con Ha que por lo menos uno se comporte
diferente. Si Pvalue es menor a 0,05 de rechaza H0, de lo contrario no se rechaza
H0.

Para el criterio de validación por supuestos de Normalidad se tiene una H0 donde

se prueba que los residuales se ajustan a una distribución normal por lo que se
busca que el Pvalue sea mayor a 0,05. Para la validación de supuestos de
varianza constante se tiene una H0 donde los residuales presentan una varianza
constante y de la misma manera, se busca que Pvalue sea mayor que 0,05, de
lo contrario se rechaza H0.

Tanto en el diseño Cuadrado Latino como en el Factorial, para la validación de

supuesto de Normalidad, hasta 50 residuales se utiliza el test de Shapiro Wilk y
con más de 50 residuales se utiliza el test de Kolmogorov Smirnov Modificación
Lilliefors.

Para la validación de supuestos de Varianza constante se prueba con el test de

Levene para cada uno de los factores donde se tiene H0= Todos los residuales
presentan una varianza constante y se busca que Pvalue sea mayor que 0,05
para no rechazar H0, de lo contrario se rechaza H0.

Finalmente, para la prueba de comparación de medias hay dos tipos de pruebas,

la simple, donde se muestra cada factor por aparte con sus respectivas letras, si
las letras son iguales se comportan igual, si son diferentes se comportan
diferente. En este caso de comparaciones múltiples, aparecen de forma variada,
es decir, comparan dos tratamientos a la vez, y en el resultado de comparaciones
si Pvalue es menor a 0,05 quiere decir que los pares comparados se comportan
diferente, por ende, si Pvalue es mayor a 0,05, los pares comparados se
comportan igual.

Si para un diseño cuadrado latino se deben probar 5 tratamientos

¿cuántas unidades experimentales se requieren?

Para montar un cuadrado latino teniendo 5 tratamientos (52=25), se requieren 25

unidades experimentales.

Si tiene un diseño bifactorial de dos tipos de pasto y tres dosis de

bioabono ¿cuántos tratamientos se deben trabajar en cada
repetición para un diseño de bloques completos al azar?

Primer Factor: 2 Tipos de pasto

Segundo Factor: 3 Dosis de bioabono

2x3=6

Se deben trabajar 6 tratamientos

T1 = P1 B1

T2 = P1 B2

T3 = P1 B3

T4 = P2 B1

T5 = P2 B2

T6 = P2 B3
 3. Del texto indicado ubique el capítulo de Diseño cuadrado latino y registre:

Modelo

𝒀𝒊𝒋𝒌 = 𝝁 + 𝑻𝒊 + 𝑭𝒋 + 𝑪𝒌 + 𝜺𝒊𝒋𝒌

Donde:

𝝁 = Media General.

𝑻𝒊 = Es el efecto del i-ésimo Tratamiento

𝑭𝒋 = Es el efecto de la j-ésima fila.

𝑪𝒌 = Es el efecto de la k-ésima columna.

𝜺𝒊𝒋𝒌 = Es la Variación aleatoria del i-ésimo Tratamiento, la j-ésima fila y la k-

ésima columna (Error Experimental).

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 36)

La fórmula de Suma de Cuadrados de todos los componentes del

análisis de varianza.

𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 = Suma de cuadrados Totales

𝟐
(∑𝑿)𝟐
𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 = ∑𝑿 −
𝑵
𝑺𝑫𝑪𝑻𝒓𝒂𝒕 = Suma de cuadrados de tratamiento

∑(∑𝑻𝒓𝒂𝒕𝟐 ) (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑻𝒓𝒂𝒕 = −
# 𝒅𝒆 𝒅𝒂𝒕𝒐𝒔 𝒑𝒐𝒓 𝒕𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝑵

𝑺𝑫𝑪𝑭𝒊𝒍𝒂 = Suma de cuadrados de la Fila

∑(∑𝑭𝒊𝒍𝒂𝟐 ) (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑭𝒊𝒍𝒂 = −
# 𝒅𝒂𝒕𝒐𝒔 𝒑𝒐𝒓 𝒇𝒊𝒍𝒂 𝑵
𝑺𝑫𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂 = Suma de cuadrados de la Columna

∑(∑𝑪𝒐𝒍𝒖𝒎𝒏𝒂𝟐 ) (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂 = −
# 𝒅𝒂𝒕𝒐𝒔 𝒑𝒐𝒓 𝑪𝒐𝒍𝒖𝒎𝒏𝒂 𝑵

𝑺𝑫𝑪𝑬𝒓𝒓𝒐𝒓 = Suma de cuadrados del error

𝑺𝑫𝑪𝑬𝒓𝒓𝒐𝒓 = 𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 − 𝑺𝑫𝑪𝑻𝒓𝒂𝒕 − 𝑺𝑫𝑪𝑭𝒊𝒍𝒂 − 𝑺𝑫𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 37)

El estudiante debe descargar de la columna siguiente el

códigolatino y archivo de datos que para este punto es cuadro,
este archivo debe abrirse en Excel y verificar su estructura, estos
archivos los guardará en su carpeta de trabajo.
 Alistar datos en Excel para proceso en el programa R. (en este
caso es revisar la estructura del archivo cuadro verificar el formato
dando la opción guardar como tipo csv delimitado por comas.). Se
debe remitir pantallazos de la verificación de archivo.

EJEMPLO:

En un experimento bajo el diseño de Cuadrado Latino se compararon 5 tipos

de fertilizantes:

F1- NPK + 30 mg bb-16

F2- NPK + 45 mg bb-16

F3- NPK + 60 mg bb-16

F4-NPK.

F5- Sin fertilizantes.

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 36)

La tabla siguiente muestra los datos del rendimiento de la soya para los 5
fertilizantes.

ORIGINAL AJUSTADO
Desarrollar en el programa R análisis de varianza, validación de
supuestos del modelo y prueba de comparación de medias. Se
deben remitir pantallazos de los resultados en el programa R. Se
debe desarrollar interpretación de los resultados. Un párrafo aparte
para cada una de las pruebas, sin interpretación no se califica el
punto.
ANÁLISIS DE VARIANZA

Para el factor Filas el Pvalue es de 0,9335 quiere decir que el Pvalue > 0,05 por
ende no se rechaza la H0 y se comprueba con un 95% de confianza que todas
las filas se comportan iguales. Para el factor Columnas el Pvalue es de 0,0774,
es decir, Pvalue > 0,05 por lo tanto no se rechaza la H0 y se concluye con un
95% de confianza que todas las columnas se comportan iguales. En el caso del
Tratamiento el Pvalue es de 4,18e-07 por ende Pvalue < 0,05 entonces se
rechaza la H0 y se comprueba con un 95% de confianza que existe una diferencia
estadísticamente significativa en los tratamientos.

VALIDACIÓN DE SUPUESTOS DE NORMALIDAD

Validando el supuesto de normalidad tenemos que Pvalue es de 0,1602, es decir,
Pvalue > 0,05 por lo tanto no se rechaza la H0 y se concluye con un 95% de
confianza que los residuales se comportan acorde a una distribución normal.

VALIDACION DE SUPUESTOS DE VARIANZA CONSTANTE

Validando el supuesto de Varianza Constante tenemos que Pvalue es de 0,9462

entonces Pvalue > 0,05 es decir, no se rechaza la H0 y se concluye con un 95%
de confianza que los residuales se comportan acorde a una varianza constante.

PRUEBA DE COMPARACION DE MEDIAS

Finalmente evidenciamos que los Tratamientos 1 (F1- NPK + 30 mg bb-16) y 2

(F2- NPK + 45 mg bb-16) se comportan igual, los Tratamientos 3 (F3- NPK +
60 mg bb-16) y 4 (F4-NPK.), también se comportan de la misma manera, pero
entre estos y el Tratamiento 5 (F5- Sin fertilizantes), se puede concluir que
existe un comportamiento diferente.

4. Del texto indicado ubique el capítulo de Diseño bifactorial bloques al azar,

y registre:

Modelo.

𝒀𝒊𝒋𝒌 = 𝝁 + 𝑹𝒊 + 𝑨𝒋 + 𝑩𝒌 + (𝑨𝑩)𝒋𝒌 + 𝒆𝒊𝒋𝒌

Donde:

𝝁 = Media General.

𝑹𝒊 = Es el efecto del i-ésimo Boque o Réplica.

𝑨𝒋 = Es el efecto debido al j-ésimo nivel del factor A.

𝑩𝒌 = Es el efecto debido al k-ésimo nivel del factor B.

(𝑨𝑩)𝒋𝒌 = Es el efecto de la interacción entre el j-ésimo nivel del factor A y el

k-ésimo nivel del factor B.

𝜺𝒊𝒋𝒌 = Es el Error Experimental.

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 47)

La fórmula de Suma de Cuadrados de todos los componentes del

análisis de varianza

𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 = Suma de cuadrados Totales

𝟐
(∑𝑿)𝟐
𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 = ∑𝑿 −
𝑵
𝑺𝑫𝑪𝑹é𝒑 = Suma de cuadrados de Réplica

∑𝑹é𝒑𝟐 (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑹é𝒑 = −
# 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒄𝒂𝒅𝒂 𝑹é𝒑 𝑵
𝑺𝑫𝑪𝑻𝒓𝒂𝒕 = Suma de cuadrados de Tratamiento

∑𝑻𝒓𝒂𝒕𝟐 (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑻𝒂𝒕 = −
# 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒄𝒂𝒅𝒂 𝑻𝒓𝒂𝒕 𝑵

𝑺𝑫𝑪𝑭𝒂𝒄 𝑨 = Suma de cuadrados de Factor A

∑𝑭𝒂𝒄 𝑨𝟐 (∑ 𝑿)𝟐
𝑺𝑫𝑪𝑭𝒂𝒄 𝑨 = −
# 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒄𝒂𝒅𝒂 𝑭𝒂𝒄 𝑨 𝑵

𝑺𝑫𝑪𝑭𝒂𝒄 𝑩 = Suma de cuadrados de Factor B

(∑𝑭𝒂𝒄 𝑩)𝟐 (∑ 𝑿)𝟐

𝑺𝑫𝑪𝑭𝒂𝒄 𝑩 = −
# 𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒄𝒂𝒅𝒂 𝑭𝒂𝒄 𝑩 𝑵

𝑺𝑫𝑪𝑭𝒂𝒄 𝑨 𝒙 𝑭𝒂𝒄 𝑩 = Suma de cuadrados de Factor A por Factor B

𝑺𝑫𝑪𝑭𝒂𝒄 𝑨 𝒙 𝑭𝒂𝒄 𝑩 = 𝑺𝑫𝑪𝑻𝒓𝒂𝒕 − 𝑺𝑫𝑪𝑭𝒂𝒄 𝑨 − 𝑺𝑫𝑪 𝑭𝒂𝒄 𝑩

𝑺𝑫𝑪𝑬𝒓𝒓𝒐𝒓 = Suma de cuadrados del error

𝑺𝑫𝑪𝑬𝒓𝒓𝒐𝒓 = 𝑺𝑫𝑪𝑻𝒐𝒕𝒂𝒍 − 𝑺𝑫𝑪𝑻𝒓𝒂𝒕 − 𝑺𝑫𝑪𝑹é𝒑

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 48)

El estudiante debe descargar de la columna siguiente el

códigofactorial y archivo de datos que para este punto es factorial,
este archivo debe abrirse en Excel y verificar su estructura, estos
archivos los guardará en su carpeta de trabajo.
 Alistar datos en Excel para proceso en el programa R. (en este
caso es revisar la estructura del archivo factorial verificar el formato
dando la opción guardar como tipo csv delimitado por comas.). Se
debe remitir pantallazos de la verificación de archivo.

EJEMPLO

En el CAI Majibacoa se realizó un experimento en la cepa de caña planta, en un

suelo pardo sin carbonatos para evaluar la efectividad del Biobrás 16 en el
crecimiento de dos variedades de caña de azúcar. El diseño utilizado fue de
bloques al azar con 4 réplicas.

Las variedades utilizadas fueron: V1= C 1051-73 y V2=Ja 60-5.

Las dosis de Biobrás: D1=0.5 mg/ha y D2=1.0 mg/ha

La variable analizada fue el rendimiento en T/Ha.

Para cada una de las variables que se desea estudiar en el experimento, se

prueban las siguientes hipótesis:
Ho: V1 = V2 vs Hl: V1 ≠ V2

Ho: D1 = D2 vs Hl: D1 ≠ D2

Ho: No hay interacción vs Hl: si hay interacción.

(Ruesga González, Peña Peña, Exposito Elizagaray, & Gardon, 2005, pág. 47)

ORIGINAL AJUSTE

Desarrollar en el programa R análisis de varianza, validación de

supuestos del modelo y prueba de comparación de medias. Se
deben remitir pantallazos de los resultados en el programa R. Se
debe desarrollar interpretación de los resultados, Un párrafo aparte
para cada una de las pruebas, sin interpretación no se califica el
punto.
ANÁLISIS DE VARIANZA

Realizando el análisis de varianza encontramos que en el caso del factor bloques

el el Pvalue es de 0,09313 por ende Pvalue > 0,05 por lo tanto no se rechara la
H0 y se concluye con un 95% de confianza que los bloques se comportan de
igual manera.

Para el caso del factor Variedad, el Pvalues es de 0,00339 lo cual quiere decir
que Pvalue < 0,05 por ende se rechaza la H0 y se concluye con un 95% de
confianza que existe una diferencia estadisticamente significativa entre el
promedio de rendimiento de la Variedad 1 y el promedio de rendimiento de la
Variedad 2.

De igual manera, para el factor Biobras, el Pvalues es de 0,00183 por ende

Pvalue < 0,05 entonces se rechaza la H0 y se concluye con un 95% de confianza
que existe una diferencia estadisticamente significativa entre el promedio de
rendimiento de la Dosis 1 de Biobras y el promedio de rendimiento de la Dosis 2
de Biobras.
Para la interaccion se tiene un Pvalue de 0,00644 es decir Pvalue < 0,05 por lo
tanto se rechaza la H0 y se concluye con un 95% de confianza que para algunos
pares de combinaciones de Variedades y Dosis de Biobras se presenta una
diferencia estadisticamente significativa.

VALIDACIÓN DE SUPUESTOS DE NORMALIDAD

Validando el supuesto de Normalidad evidenciamos un Pvalue de 0,3511 por lo

tanto Pvalue > 0,05 entonces no se rechaza la H0 y se concluye con un 95% de
confianza que los residuales de éste modelo de análisis de varianza se
comportan a corde a una distribución normal.
VALIDACIÓN DE SUPUESTOS DE VARIANZA CONSTANTE

Validando el supuesto de Varianza Constante para el factor Variedad tenemos

un Pvalue de 0,04979 por ende Pvalue < 0,05 entonces se rechaza la H0 y se
concluye con un 95% de confianza que los residuales bajo el factor Variedad no
se comportan acorde a una Varianza Constante. Para el factor Biobrás el Pvalue
es de 0,08382 entonces Pvalue > 0,05 por ende no se rechaza la H 0 y se
concluye con un 95% de confianza que los residuales bajo el factor Biobrás se
comportan acorde a una Varianza Constante.

Cabe anotar que como uno de los factores no cumple con el supuesto se debe
detener el análisis, pero para este caso se continúa para evidenciar el proceso
completo de Análisis de Varianza. En estos casos, es de vital importancia
reescalar los resultados obtenidos como variable de rendimiento de todo el
experimento, por medio de una transformación con el fin de cumplir a cabalidad
con los supuestos tanto de Normalidad como de Varianza constante.
PRUEBA DE COMPARACIÓN DE MEDIAS

Al realizar las pruebas de comparación de medias para factores simples, se

evidencia que para el factor Variedad, la que tiene más alto rendimiento es la
Variedad 1 que corresponde a (C 1051-73) y por consiguiente el más bajo es el
de la Variedad 2 que corresponde a (Ja 60-5).

Para el factor Biobrás, la Dosis con mayor rendimiento es la Dosis de Biobrás 2

que corresponde a (1.0 mg/ha) y por ende, la de menor rendimiento es la Dosis
de Biobrás 1 que corresponde a (0.5 mg/ha).
Finalmente, y teniendo en cuenta las diferencias en la interacción evidenciadas
en la comparación de medias por factores simples, se procede a realizar las
comparaciones múltiples donde se obtiene que al comparar “V1:D2-V1:D1”,
“V1:D2-V2:D1” y “V2:D2-V1:D2”, Pvalue < 0,05 por ende se puede concluir que
para cada comparación, son dos tratamientos que se comportan diferente. Al
comparar “V2:D1-V1:D1”, “V2:D2-V1:D1” y “V2:D2-V2:D1”, Pvalue > 0,05 por lo
tanto se concluye que para cada comparación, son dos tratamientos que se
comportan igual.