Está en la página 1de 35

CEAD: Quibdó – Choco

Programa: Agronomía

Curso: Diseño Experimental

Código:

Fase 3 – Aplicación del diseño cuadrado latino y el experimento

factorial Por: Armando Chanapicama Machuca

Correo: chanapicamamachuca@gmail.com

Tel: 3145851700 - 3207873005

Director del curso:

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

2021
Tipo de actividad: Colaborativo

INTRODUCCIÓN

Para desarrollar el presenta trabajo de diseño


experimental que está basado hacer cuadro latino y diseño factorial, para esto
hay que tener claro que se lo que se pide y como quiere plantear con el fin
de llevar la mejor interpretación de cada concepto, cabe entender que
generalmente estos experimentos se utilizan más los científicos con el fin de
determinar y comprender el efecto de dos o más variables que lo quieren
experimentar sobre los comportamiento de los tratamientos y variables que
posee, de la misma manera se realizó el ejercicio práctico y rescate en el
programa R, para determinar las comparaciones e interpretar la varianza que
arroja el programa de los tratamientos tanto en cuadro latino y diseño factorial.
Es grato que en la parte agraria utilicen estos experimentos que son
fundamentales para detallar las variables en los cultivos a través de los
tratamientos.
OBJETIVOS

Objetivo general

Aplicar todos los procesos del modelo cuadrado lativo y diseño factorial
para determinar y conocer e interpretar mediante el programa R.

Objetivos específicos.

 Interpretar el análisis de varianzas en el proceso de realización de


cuadro latino en el programa R.
 Analizar de las varianzas de diseño factorial en el programa R.
 Demostrar el resultado final de los dos tratamientos en el programa R
5. Del texto indicado ubique el capítulo de Diseño cuadrado latino y
registre:
 Modelo.

El modelo matemático de este diseño es el siguiente:

𝑌𝑖 𝑗 𝑘 = 𝜇 + 𝑇𝑖 + 𝐹𝑗 + 𝐶𝐾 + 𝜀𝑖 𝑗 𝑘

Donde:

𝜇 = 𝑚𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙

𝑇𝑖 = 𝑒𝑠 𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑖 − é𝑠𝑖𝑚𝑜 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜.

𝐹𝑗 = 𝑒𝑠 𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑗 − é𝑠𝑖𝑚𝑎 𝑓𝑖𝑙𝑎.

𝐶𝑘 = 𝑒𝑠 𝑒𝑙 𝑒𝑓𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑘 − é𝑠𝑖𝑚𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎.

𝜀𝑖 𝑗 𝑘 = 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑑𝑒𝑙 𝑖 − é𝑠𝑖𝑚𝑜 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜, 𝑙𝑎 𝑗 − é𝑠𝑖𝑚𝑎 𝑓𝑖𝑙𝑎 𝑦 𝑙𝑎


𝑘
− é𝑠𝑖𝑚𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 (𝑒𝑟𝑟𝑜𝑟 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙.

 La fórmula de Suma de Cuadrados de todos los componentes del


análisis de varianza

Formula de SDC.

a) La fórmula de Suma de Cuadrados


2 Totales
𝑆𝐷𝐶𝑇 𝑜 𝑡 𝑎 𝑙 = ∑ 𝑋 2 (∑ 𝑋)
𝑁

b) Formula Suma de cuadrados de tratamientos
∑(∑ 𝑇𝑟𝑎𝑡 2 ) (∑ 𝑋 ) 2
𝑆𝐷𝐶𝑇 𝑟 𝑎 𝑡 . = 𝑁𝑜𝑑𝑒𝑑𝑎𝑡𝑜𝑠𝑝𝑜𝑟𝑡𝑟𝑎𝑚𝑖𝑒𝑛𝑡𝑜 − 𝑁

c) Formula Suma de cuadrados de


filas
∑(∑ 𝐹𝑖𝑙𝑎 2 ) (∑ 𝑋 ) 2
𝑆𝐷𝐶𝐹 𝑖 𝑙 𝑎 . = 𝑁𝑜𝑑𝑒𝑑𝑎𝑡𝑜𝑠𝑝𝑜𝑟𝐹𝑖𝑙𝑎 − 𝑁

d) Formula Suma de cuadrados de columna

∑(∑ 𝐶𝑜𝑙𝑢𝑛𝑚𝑎 2 ) − (∑ 𝑋 )
2
𝑆𝐷𝐶𝐶𝑜 𝑙 𝑢 𝑚 𝑛 𝑎 . 𝑁𝑜𝑑𝑒𝑑𝑎𝑡𝑜𝑠𝑝𝑜𝑟𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑁
=
e) Formula Suma de Cuadrados del error

𝑆𝐷𝐶𝑒 𝑟 𝑟 𝑜 𝑟 = 𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐷𝐶𝑇 𝑟 𝑎 𝑡 . − 𝑆𝐷𝐶𝐹 𝑖 𝑙 𝑎 . −

𝑆𝐷𝐶𝐶𝑜 𝑙 𝑢 𝑚 𝑛 𝑎 .

Formula de GL.

a. La fórmula de GL Totales

𝐺𝑙 𝑇 𝑜 𝑡 𝑎 𝑙 = 𝑁 − 1

b. Formula GL de tratamientos

𝐺𝑙 𝑇 𝑟 𝑎 𝑡 . =⋕ 𝑇𝑟𝑎𝑡. −1

c. Formula GL de filas

𝐺𝑙𝐹 𝑖 𝑙 𝑎 . = 𝑁𝑜𝑑𝑒𝐹𝑖𝑙𝑎 − 1

d. Formula GL de columna

𝐺𝑙𝐶𝑜 𝑙 . = 𝑁𝑜𝑑𝑒𝐶𝑜𝑙𝑢𝑚𝑛𝑎 − 1

e. Formula GL del error


𝐺𝑙𝑒 𝑟 𝑟 𝑜 𝑟 = 𝐺𝑙𝑇𝑜𝑡𝑎𝑙 − 𝐺𝑙 𝑇 𝑟 𝑎 𝑡 . − 𝐺𝑙𝐹 𝑖 𝑙 𝑎 . −

𝐺𝑙𝐶𝑜 𝑙 𝑢 𝑚 𝑛 𝑎 .

Formula de CM.

a. Formula CM de tratamientos

𝑆𝐷𝐶𝑇 𝑟 𝑎 𝑡
𝐶𝑀𝑇 𝑟 𝑎 𝑡 . = . 𝐺𝑙
𝑇𝑟𝑎
𝑡
b. Formula CM de Columna

𝑆𝐷𝐶𝐶𝑜 𝑙 .
𝐶𝑀𝐶𝑂𝐿. = 𝐺𝑙𝐶𝑜
𝑙
c. Formula CM de Fila

𝑆𝐷𝐶𝐹 𝑖 𝑙 𝑎 .
𝐶𝑀𝐹 𝑖 𝑙 𝑎 . = 𝐺𝑙
𝐹𝑖𝑙
𝑎

d. Formula GL del error

𝑆𝐷𝐶𝐸 𝑟 𝑟 𝑜 𝑟
𝐶𝑀𝐸 𝑟 𝑟 𝑜 𝑟 . = . 𝐺𝑙
𝐸𝑟𝑟𝑜
𝑟
Formula de F.

a) Formula F de tratamientos

𝐹𝑇 𝑟 𝑎 = 𝐶𝑀𝑇 𝑟 𝑎 𝑡
𝑡. 𝐶𝑀𝐸 𝑟 𝑟 𝑜
𝑟
b) Formula F de Columna
𝐹𝐶𝑂𝐿. = 𝐶𝑀𝐶𝑜 𝑙
𝐶𝑀𝐸 𝑟 𝑟 𝑜
𝑟
c) Formula F de Fila

𝐹𝐹 𝑖 𝑙 𝑎 = 𝐶𝑀𝐹 𝑖 𝑙 𝑎
. 𝐶𝑀𝐸 𝑟 𝑟 𝑜
𝑟
Ejercicio de rescate unos datos de un diseño con arreglo factorial

Fuente: Ruesga, G. I. (2007). Libro de experimentación agrícola


https://drive.google.com/file/d/1U_It_8xusG_gl8KawU9c7nWQt4srEp5S/view?
usp= sharing
Ejemplo.
Los datos obtenidos por parcela en el rendimiento industrial de 8 variedades
de caña montada en un diseño rectángulo latino es el siguiente:

6
Fuente: Ruesga, G. I. (2007). Libro de experimentación agrícola.Pág.40
https://drive.google.com/file/d/1U_It_8xusG_gl8KawU9c7nWQt4srEp5S/view?
usp= sharing

 El estudiante debe descargar de la columna siguiente el código latino


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.
 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.
La primera parte son procesos y los pasos para desarrollar en el programa R
los datos y los tratamientos para validar las respetivas varianzas,
respetivamente validar datos en View(datos).
El análisis de varianza y el comportamiento del tratamiento el Pvalor es
mayor a 0.05, esto quiere decir que concluye un 95% de confianza se
rechaza hipótesis nula, de esta manera un tratamiento se comporta diferente
que los demás. Por otra parte, el Pvalor exactamente están mayor a 0.413.
De acuerdo Shapiro-Wilk normality test Pvalor = 1.514e-06, de esta manera
se observa que 95% de confianza se rechaza hipótesis nula, ya que esta
mayor a
0.05 y se refleja más a una distribución normal.
Según el programa R el Levene's Test for Homogeneity of Variance el Pvalor
es mayor a 0.05, es decir un 95% de confianza se observa o se concluye un
residual como modelo de análisis como varianza constante. Exactamente el
Pvalor es de 0.4537.
Se puede observar que los dos tratamientos se comportan casi similar, siendo así
el mejor comportamiento es V7, luego sigue V2 ya que el comportamiento
es parecido, el comportamiento de V5, V8, V3, V1 Y V6 es lo mismo, en cuanto al
V4 es el peor tratamiento ya que se comporta de manera diferente.

Además, podemos observar en la gráfica todos los comportamientos de los


tratamientos que está a continuación.
6. Cada grupo debe rescatar unos datos de un diseño con
arreglo factorial y repetir el proceso del cuarto punto.
Modelo.

El modelo
matemático:

𝑌𝑖 𝑗 𝑘 = 𝜇 + 𝐴𝑖 + 𝐵𝑗
+ (𝐴𝐵 )𝑖 𝑗 + 𝑒𝑖 𝑗 𝑘

Donde:

Yijk = es el k ésimo elemento


perteneciente al j ésimo nivel del
factor B y al i ésimo tratamiento
del nivel del factor A.

µ = es la media
general.

A𝑖 = es el efecto debido
al i ésimo nivel del
factor A.

𝐵𝑗 = esLael fórmula
efecto de Suma de Cuadrados de todos los componentes del
debido al j ésimo nivel
análisis
del factor B. de varianza

(AB)Formula de SDC.
ij = efecto de la
interacción entre el j
ésimoa. nivel
La fórmula
del factorde
B Suma de Cuadrados Totales
y el i ésimo del factor B.
2
𝑆𝐷𝐶𝑇 𝑜 𝑡 𝑎 𝑙 = ∑ 𝑋 2 (∑ 𝑋 )
𝑁

b. Formula Suma de cuadrados de
tratamientos
∑ 𝑇𝑅𝐴𝑇.2 (∑ 𝑋 ) 2
𝑆𝐷𝐶𝑇 𝑟 𝑎 𝑡 . = # 𝑜𝑏𝑠 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑡𝑟𝑎𝑡 − 𝑁

c. Formula Suma de cuadrados factor A

∑ 𝑁𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐴2 − (∑ 𝑋 )2
𝑆𝐷𝐶𝐹 𝑎 𝑐 𝑡 𝑜 𝑟 𝐴 (𝐶𝑙 𝑜 𝑛 ). # obs. en c/nivel A 𝑁
=
d. Formula Suma de cuadrados factor
B
∑ 𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐵 2 − (∑ 𝑋 )2
𝑆𝐷𝐶𝐹 𝑎 𝑐 𝑡 𝑜 𝑟 𝐵 (𝑅𝑖 𝑒 𝑔 𝑜 ). #obs. en c/nivel B 𝑁
=
e. Formula Suma de Cuadrados Inter AxB

𝑆𝐷𝐶InterAxB = 𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 − (𝑆𝐷𝐶𝐹 𝑎 𝑐 𝑡 𝑜 𝑟 𝐴 + 𝑆𝐷𝐶𝐹 𝑎 𝑐 𝑡 𝑜 𝑟 𝐵 . )

6. Formula Suma de Cuadrados del error

𝑆𝐷𝐶𝑒 𝑟 𝑟 𝑜 𝑟 = 𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐷𝐶𝑇 𝑟 𝑎 𝑡 .

O también

𝑆𝐷𝐶𝑒 𝑟 𝑟 𝑜 𝑟 = 𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 − (𝑆𝐷𝐶InterAxB + 𝑆𝐷𝐶𝐴 . + 𝑆𝐷𝐶B )

Formula de GL.

a. La fórmula de GL Totales

𝐺𝑙 𝑡𝑜𝑡𝑎𝑙 = 𝑁 − 1

b. Formula GL de tratamientos Factor A

𝐺𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴(𝑐𝑙𝑜𝑛𝑒𝑠) = 𝑁𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐴 – 1


c. Formula GL Factor B

𝐺𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵 (𝑛𝑜𝑟𝑚𝑎𝑠 𝑑𝑒 𝑟𝑖𝑒𝑔𝑜) = 𝑁𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐵

d. Formula GL Interacciones AxB

𝐺𝑙 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝐴𝑥𝐵 = 𝐺𝑙 𝐴 𝑥 𝐺𝑙 𝐵

e. Formula GL del error

𝐺𝑙 𝑒𝑟𝑟𝑜𝑟 = 𝐺𝑙 𝑡𝑜𝑡𝑎𝑙 – ( 𝐺𝑙 𝑎 + 𝐺𝑙 𝐵 + 𝐺𝑙 𝐴𝑥𝐵)

Formula de CM.

a. Formula CM de tratamientos

𝑆𝐷𝐶𝐴
𝐶𝑀𝐴 =
𝐺𝑙𝐴

𝑆𝐷𝐶𝐵
𝐶𝑀𝐵 =
𝐺𝑙𝐵

b. Formula CM de Interacciones
AxB
𝑆𝐷𝐶𝐴𝑥𝐵
𝐶𝑀𝐴 𝑥 𝐵 . = 𝐺𝑙𝐴𝑥𝐵
c. Formula CM del error

𝑆𝐷𝐶𝑒 𝑟 𝑟 𝑜 𝑟
𝐶𝑀𝐸 𝑟 𝑟 𝑜 𝑟 . = . 𝐺𝑙𝑒

Formula de F.
a. Formula F de tratamientos

𝐶𝑀 𝐴
𝐹𝑐𝑎𝑙 𝐴 =
𝐶𝑀 𝑒 𝑟 𝑟 𝑜
𝑟
𝐶𝑀 𝐵
𝐹 𝑐𝑎𝑙 𝐵 =
𝐶𝑀 𝑒 𝑟 𝑟 𝑜
𝑟
b. Formula F de Interacciones
AxB
𝐶𝑀𝐴 𝑥𝐵
𝐹𝑐𝑎𝑙 𝐴𝑥𝑏 =
𝐶𝑀 𝑒 𝑟 𝑟 𝑜
𝑟

Ejercicio de rescate unos datos de un diseño con arreglo factorial

Fuente: Ruesga, G. I. (2007). Libro de experimentación agrícola


https://drive.google.com/file/d/1U_It_8xusG_gl8KawU9c7nWQt4srEp5S/view?
usp= sharing

EJEMPLO:
Se realizó un experimento en el cultivo del plátano fruta (Musa AAAB) con el
objetivo de evaluar 2
clones con 3 normas riego.
Los clones fueron:
C1 FHIA 01
C2 FHIA 18
Las normas de riego fueron:
N1: 25 mm semanales
N2: 44 mm semanales
N3: 80 mm semanales
Se muestreó un campo por cada tratamiento midiéndose el peso del
racimo (expresado en kg) en 10 m
plantones de cada campo.
Los resultados son los siguientes:

Fuente: Ruesga, G. I. (2007). Libro de experimentación agrícola. Pág. 42


https://drive.google.com/file/d/1U_It_8xusG_gl8KawU9c7nWQt4srEp5S/view?
usp= sharing
 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.

 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.
Evidencia proceso para desarrollar tratamientos en el programa R y obtener
información necesaria con el fin de determinar y analizar el resultado de
los tratamientos requeridos.

De acuerdo con la observación el comportamiento del tratamiento el Pvalor


es menor a 0.05, esto quiere decir que concluye un 95% de confianza se
rechaza
hipótesis nula
De acuerdo Shapiro-Wilk normality test Pvalor = 6.478e-07, de esta manera
se rechaza hipótesis nula, es decir hay diferencia entre los tratamientos y los
factores de riesgos y los clones.

Según el programa R el Lilliefors (Kolmogorov-Smirnov) normality test el Pvalor es


menor a 0.05, es decir un 95% de confianza se observa o se concluye un
residual como modelo de análisis como varianza constante. Exactamente
Pvalor = 0.003367 y la prueba de rendimiento y biobras esta D=0.14414. es
decir, rechaza la hipótesis nula.
Según el programa R el Levene's Test for Homogeneity of Variancetest el
Pvalor es mayor a 0.05, es decir un 95% de confianza se concluye un
residual como modelo de análisis como varianza constante.
Interpretación: Luego hacer las observaciones y análisis de varianza el Pvalor
es superior a 0.05, desde entonces hay efectos en las interacciones de
tratamientos, se puede concluir con 95% de confianza rechaza hipótesis nula,
ya en algunos tratamientos existen diferencias significativas entre las
variables. Igualmente, la varianza es constante.

Podemos observar entres la variedad y Biobras todos comportamientos que


nos da el programa R para su determinación y las interacciones con los
demás tratamientos.
Finalmente, se puede observar el comportamiento en las gráficas que está
a continuación.
Conclusion

El trabajo colaborativo nos una enseñanza muy enriquecedora, ya se que


nos facilitar interpretar datos de experimentos como cuadro latino, diseño
factorial ambos son procesos que requiere muy práctico para poder llevar
todos los procesos a través del programa R, una herramienta que ayuda a
resolver y proyectar de una mejor manera para determinar cada
comportamiento y de las interacciones de los tratamientos.

Dentro de los procesos hay que tener planificar cuidadosamente las variables
y factores de tratamientos, ya que un error en el proceso se generaría un
peligro una parte del trabajo, y, por el contrario, se deja unas desventajas en el
proceso de investigación con los demás
.

También podría gustarte