Fase 3 – Aplicación del diseño cuadrado latino y el experimento factorial

Presentado por
Danna Marcela Viveros Lopez CC. 1094923102

Código: 300004_72

Presentado a:
YEINER VALENCIA

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Agrícolas Pecuarias y del Medio Ambiente ECAPMA
Programa de Agronomía
Cead Pasto
2020
 INTRODUCCIÓN

El presenta trabajo se ve reflejados los conocimientos adquiridos en cuanto a El agrupamiento de

las unidades experimentales en dos direcciones (filas y columnas) y la asignación de los
tratamientos al azar en las unidades, de tal forma que en cada fila y en cada columna se
encuentren todos los tratamientos constituye un diseño cuadrado latino El diseño factorial
estudia el influjo de una sola variable independiente sobre una variable dependiente en dos o más
grupos equivalentes. El investigador sólo manipula una variable independiente, que como
mínimo debe tener dos valores. Es un tipo de experimento diseñado que permite estudiar los
efectos que pueden tener varios factores sobre una respuesta. Al realizar un experimento, el hecho
de variar los niveles de todos los factores al mismo tiempo en lugar de uno a la vez permite
estudiar las interacciones entre los factores.
 Objetivos

 Determinar y analizar las variables resultantes a tratar

 Analizar los resultados del epermiento cuadro latino
 Analizar los resultados del eperimento factorial

1.
 Qué tipo de organización presentan los tratamientos en campo.

Cuadro latino es un bloqueo robusto el cual cuenta con una organización tipo sudoku comienza
por el tratamiento que le sigue al que inicio,

Si se tiene un caso de 8 tratamientos cuantas unidades experimentales se requieren para

montar un cuadrado latino.
el número de unidades experimentales se obtiene elevando al cuadrado el número de tratamientos

82= 64

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.

Cuadro Latino: es un bloqueo robusto el cual cuenta con una organización tipo sudoku
comienza por el tratamiento que le sigue al que inicio, el número de unidades experimentales se
obtiene elevando al cuadrado el número de tratamientos es decir si se tiene tratamientos y bloques
se obtienen 16 unidades experimentales, organización de las unidades por bien en la primera
fila y columna las cuales comienzan por f1,f2,f3,f4 las cuales van rotando al inicio las cuales no
se repiten ni por filas ni por columnas es el sudoku,
Criterios de análisis de varianza
Tratamientos hipótesis nula que el promedio del T1 = T2 = T3=T4 con la hipótesis alterna que
por lo menos uno sea diferente si el criterio es pvalor sea menor a 0,5 se rechaza la hipótesis nula
Por columnas
Alterna que por lo menos uno sea diferente si el criterio es Pvalor sea menor a 0,5 se rechaza la
hipótesis nula
Tenemos criterio del análisis es decir que tenemos unos tratamientos a los cuales se probó que los
podemos afectar por un segundo factor, al igual que por filas y por columnas lo afectamos por un
tercer factor
Cuadro latino validación de supuestos se busca que el PV es o se mayor a 0,05
Para la normalidad tenemos dos test
Shapiro Wilk: hasta 50 residuales se ajusta a una distribución normal criterio Pvalor menor de
0,05 se rechaza la Ho nula
Kolmogorov Smirnov Mod Lilliefors: para más de 50 residuales se ajusta a una distribución
normal criterio Pvalor menor de 0,05 se rechaza el Ho nulo,
cunado pvalor es superior 0,05 con un 95% de confianza concluimos que se ajustan a una
distribución normal
Pvalor menor con un 0,05 rechazamos el Ho 95% de confianza concluimos que no ajustan a una
distribución de varianza normal
Cuando se encuentra que no se cumple con el supuesto de normalidad hasta allí llegaría nuestro
procesamiento, porque debemos o transformar datos o hacer análisis de varianza no paramétrica

Residuales presenten una varianza constante

Pvalor mayor se rechaza Ho 95% de confianza concluimos que los residuales no presentan a una
e varianza constante
Pvalor menor se rechaza Ho 95% de confianza concluimos que los residuales se presentan una de
varianza constante
Diseño factorial son unos arreglos que se pueden hacer completamente al azar puede se
DCA o BCA 2 factor obedece a dos factores
F1 nitrógeno N1, N2
F2 fosforo P1, P2
tratamiento surge de el cruzamiento generando 4 tratamientos formas de fertilización
LOS TRATAMIETOS SE ORGANIZAN DEM ANERA ALEATOREA EN BLOQUES, no
siempre obedecen a una variable cuantitativa, Pueden obedecer a un arreglo en un elemento
Criterio De Análisis De Varianza
 Si para un diseño cuadrado latino se deben probar 5 tratamientos cuantas unidades
experimentales se requieren.

52 = 25 unidades experimentales

 Si tiene un diseño bifactorial de dos tipos de pasto y tres dosis de bioabono cuantos
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. 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. La tabla siguiente muestra los datos del rendimiento de la soya para los 5
fertilizantes.
Análisis de varianza
El análisis de varianza nos arroja que el Pvalor de filas (0,9335) si es pvalor es menor a 0,05 se
rechaza la hipótesis nula pero en este caso tenemos que es el PV es mayor de 0,05 es decir que la
hiñpotesis nula no se rechaza se concluye que las filas se comportan iguales

PValor de columnas (0,0774) es menor r 0,05, no se rechaza hipótesis nulas, se concluye que
todas columnas se comportan iguales;
para tratamientos el Pvalor es menor a 0,05, se rechaza la hipótesis nula, y se comprueba que
hay diferencias significativas entre los tratamientos no hay homogeneidad en las muestras
Cuadro latino validación de supuestos se busca que el PV es o se mayor a 0,05

Supuesto de normalidad

pvalor es mayor 0,05 con un 95% de confianza concluimos que se ajustan a una distribución
normal

 Supuesto de varianza constante

Pvalor mayor no se rechaza Ho 95% de confianza concluimos que los residuales se presentan una
de varianza constante

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.
el grafico de rendimiento nos indica que efectivamente el tratamiento No 2 es quien presenta un
mejor comportamiento en comparación con los otros tratamientos
DISEÑO BIFACTORIAL

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

a. Modelo
Y ijkl =μ+ Ri + A j+ B k +( AB) jk +e ijk

Donde:
� = Media General.
𝑹� = Es el efecto del i-ésimo Boque o Réplica.
𝑨� = Es el efecto debido al j-ésimo nivel del factor A.
𝑩� = Es el efecto debido al k-ésimo nivel del factor B.
(𝑨𝑩)�� = Es el efecto de la interacción entre el j-ésimo nivel del factor A y el
k-ésimo nivel del factor B.
𝜺��� = Es el Error Experimental.

b. La fórmula de Suma de Cuadrados de todos los componentes del análisis de varianza

 2
(∑ X)
SDC Total =∑ X 2−
N
.

Alistar en Excel
Analisis 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
Supuesto 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.

Supuesto de varianza constante

Variedad

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 H0 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

Comparación de medidas
Prueba 1 variedad

PRUEBA 2 BIOBRAS
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).

COMPARACIÓN MULTIPLES
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.
 Conclusion

 Acudir a un cuadrado latino para diseñar un experimento factorial recuerda mucho a la

resolución de un sudoku, pero es que, de hecho, son casi lo mismo: el conocido pasatiempo
consiste típicamente en un cuadrado de 9 x 9 casillas en las que hay que situar las nueve
cifras del 1 al 9 sin repetirlas en ninguna fila ni en ninguna columna (con la dificultad
adicional de que en los subcuadrados de tamaño 3 x 3 tampoco puede repetirse ninguna cifra,
y además algunas cifras ya vienen dadas y no se pueden cambiar

 El análisis de la varianza o abreviadamente ANOVA (del inglés analysis of variance) es un

procedimiento estadístico que permite dividir la variabilidad observada en componentes
independientes que pueden atribuirse a diferentes causas de interés. Es una técnica estadística
para comparar más de dos grupos, es decir un método para comparar más de dos tratamientos
y la variable de estudio o variable respuesta es numérica.
 Bibliografia
 Bammel, S. E. & Rothstein, J. (1975). The number of 9 × 9 Latin squares.
Discrete Math., 11, pp. 93–95
 Cabrera Pacheco, A., Meneses Rodríguez, E. & Pacheco Castro, R. (2009). Un
algoritmo sencillo de Sudokus de 9 × 9. Universidad Autónoma de Yucatán.

 Cayley, A. (1890). On Latin squares, Messenger of Mathematics, 19, pp. 135–137.

 Euler, L. (1782). Recherches sur une nouvelle espece de quarres magiqués.

 Verhandelingen uitgegeven door het zeeuwsch Genootschap der Wetenschappen te

Vlissingen, 9, pp. 85--239.

 Ibáñez, R. (2015). Cuadrados latinos, matemáticas y arte abstracto. Cátedra de Cultura

Científica de la Universidad del País Vasco. Recuperado de
http://culturacientifica.com/2015/01/14/cuadrados-latinos-matematicas-yarte-abstracto/