Fase 2 – Aplicación de diseños completamente al azar

Presentado Por: Kelly Yurani Sánchez Ortiz

Universidad Abierta Y A Distancia Unad, Agronomía

Escuela De Ciencias Agrícolas, Pecuarias Y Del Medio Ambiente (ECAPMA)

300004_20 Diseño Experimental

Tutor: Carlos Andrés Moreno Salguero

Octubre 2021
 Introducción

El presente trabajo está compuesto por 3 puntos, donde el punto uno contiene las respuestas
a preguntas obtenidas en el video la primera web del curso en periodo anterior , el punto 2 se
trabajó sobre el Diseño completamente al azar DCA terminando con el punto tres donde se
trabajó todo lo relacionado a Diseño bloques completamente al azar BCA.

Objetivo

Identificar y aplicar los diseños completamente al azar y bloques completos al azar a través de
ejercicios de organización, procesamiento y presentación de datos con la ayuda del software.
 Punto 1

1. Consulte el video la primera web del curso en periodo anterior y posteriormente responda:

 Qué tipo de variables existen en estadística.

Variables cuantitativas:

 Variables Continuas: son las objeto de procesamiento con análisis de varianza

como ejemplo en Agronomía encontramos el peso del fruto, diámetro de cabeza

 Variables discretas: son las objetos de procesamiento con análisis de varianza

pero se tienen que someter a transformación. Como ejemplo en agronomía
encontramos el número de dedos en plátano, número de manos en el mismo

Variables cualitativas:

 Variables categóricas

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

Las distribuciones de probabilidad histograma frecuencias relativas.

 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.

Estos datos deben ser transformados pues no son variables continuas y no tienen
distribución normal.
Transformación deben verificarse el cumplimiento de supuestos

 Que se debe hacer con los datos de experimentos donde la variable de respuesta es
porcentaje para poder hacer un análisis de varianza.
 Son un conteo acotado estos datos también deben transformarse pues no son
variables continuas y no tiene distribución normal

 El diseño completamente al azar DCA en qué condiciones se usa.

Es para condiciones de laboratorios, en invernaderos donde el suelo es homogéneo,

los tratamientos se distribuyen al azar en el espacio.

 Si en un DCA SE tienen tres tratamientos y un testigo con cinco repeticiones cuantas

unidades experimentales se requieren

3 tratamientos por 5 repeticiones dan 15 unidades experimentales que son las que se
requieren.

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

Surge de los fármacos de los agricultores en estados unidos, estos se distribuyen al

azar en áreas denominadas bloques, en el interior de cada bloque las condiciones
sean homogéneas.

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

El tratamiento uno es igual al tratamiento dos y así sucesivamente hasta el último

tratamiento que estemos tratando, se busca que por lo menos uno se comporte
diferente. Es la afirmación que se está comprobando. Normalmente la hipótesis nula es
una afirmación de "sin efecto" o "sin diferencia".

 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.
Fuente de Grados Suma de Cuadrados F Calculado F Tabla
variación de cuadrados medios o
libertad varianzas

Tratamiento T −1=a SC SC Tratamiento CM Tratamiento Se busca en

T −1 CM Error la horizontal
Tratamiento
Gl
O varianza del Tratamiento y
tratamiento vertical Gl
error

Error b−a SC Error SC Error

T (r −1)
O varianza del
Error

Total n−1=b Total

 Punto 2

2. Del texto indicado ubique el capítulo de Diseño completamente al azar DCA y registre:

 Modelo.

Y ij =μ+T i +e ij

Y ij =es el j ésimo elemento perteneciente al i ésimo tratamiento .

μ=es la media general .
T i=efecto debido al iésimo tratamiento .
e ij =error experimental asociado al jésimo elemento deli ésimo tratamiento .

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

tratamientos, Suma de Cuadrados del error.

Formula de Suma de Cuadrados Totales

( ∑ x i)
2

SDC Total =∑ x − 2
i
N

Formula de Suma de Cuadrados de tratamientos

∑ (∑ trat .)
2
(∑ x i )
2

SDC Trat = −
¿ de obs . en cada trat . N

Formula de Suma de Cuadrados del error

SDC error =SDC Total −SDC Trat

  Cuál es la hipótesis nula

H O :T 1 =T 2 =T 3=T 4

Esta hipótesis se prueba con un análisis de varianza.

 Alistar datos en Excel para proceso en R.

Tabla 1.Datos en Excel. Tomado de https://drive.google.com/file/d/1MTSq1XdMkOs5TVsFpl3rivPcYn-O0tzP/view?

usp=sharing
  Desarrollar en R análisis de varianza, validación de supuestos del modelo y
prueba de comparación de medias.

Análisis de varianza

Ilustración 1. Resultado del análisis de varianza. Tomado de Programa R

Análisis: Se dice que si P value Pr(>F) es mayor de 0.05 como lo es en este caso
referenciado en la imagen , no se rechaza la hipótesis nula y se concluye que los tratamientos
o las diversas categorías del factor se comportan de la misma manera.
 Validación de supuestos del modelo

Ilustración 2. Validación de supuestos del modelo. Tomado de programa R

Análisis: Para determinar si se cumplen los supuestos de modelo, en este caso el P valor es
superior a 0,05 como lo referenciamos en la ilustración , esto indica a que no se rechaza la
hipótesis nula y se concluye con un 95% que los residuales se ajustan a una distribución
normal.
 El resultado de validación del supuesto de varianza constante

Ilustración 3. El supuesto de varianza constante. Tomado de programa R

Análisis: El supuesto de varianza constante se verifico con el test de levene, en este caso el
P valor es superior a 0,05 como lo referenciamos en la ilustración, esto indica a que no se
rechaza la hipótesis nula y los residuales presentan varianza constante. Existen dos métodos
uno largo y uno corto, en los dos da el mismo P valor; se concluye con un 95% de confianza
que los residuales presentan una varianza constante.
 Prueba de comparación de medias

Ilustración 4. Prueba de comparación de medias. Tomado de programa R

Análisis: Estas pruebas solo se hacen si hay diferencias entre los tratamientos acordes al
anova, con el cumplimiento de los supuestos de normalidad y la varianza constante de los
residuales, con un solo supuesto que no se cumpla no se desarrolla; en este caso se usó la
prueba de tukey donde los tratamientos con igual letra se comportan similar y tratamiento con
letra diferente se comportan diferente.
 Debe en su informe registrar pantallazos del procesamiento en el programa R
recuerde que la versión es 4.1.1

Pantallazos del procesamiento en el programa R

 Altura

Tunas 52
50

Tunas 27
C entímetros

45

Tunas 19
40

Tunas 1

40 45 50

Tunas 1 Tunas 19 Tunas 27 Tunas 52 Altura

Tratamiento
 Punto 3

3. Del texto indicado ubique el capítulo de Diseño bloques completamente al azar BCA y
registre:

 Modelo.

Y ij =μ+T i + β j +e ij

Y ij =es el j ésimo elemento perteneciente ali ésimo tratamiento .

μ=es la media general .
T i=efecto debidoal iésimo tratamiento .
β j =efecto del j ésimo bloque
e ij =error experimental asociado al jésimo bloquedel i ésimo tratamiento .

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

tratamientos, Suma de Cuadrados del error.

Formula de Suma de Cuadrados Totales

( ∑ x i)
2

SDC Total =∑ x − 2
i
N

Formula de Suma de Cuadrados de tratamientos

2 2

SDC Trat =
∑ (∑ trat .) −
(∑ x i )
¿ de obs . en cada trat . N

2 2

SDC Rep =
∑ (∑ Rep .) −
( ∑ x i)
¿ de obs . en cada Rep . N

Formula de Suma de Cuadrados del error

SDC error =SDC Total −(SDC ¿ ¿Trat + SDC Rep )¿

  Alistar datos en Excel para proceso en R.

Tabla 2. Datos en Excel. Tomado de https://drive.google.com/file/d/1tKPowLQhZ-1KE0c04c_yYUpOJhpOyxDb/view?

usp=sharing

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

prueba de comparación de medias.
 Análisis de varianza

Ilustración 5.Resultado del análisis de varianza. Tomado de Programa R

Análisis: Se dice que si P value Pr(>F) es mayor de 0.05 como lo es en este caso
referenciado en la imagen , no se rechaza la hipótesis nula y se concluye que los tratamientos
o las diversas categorías del factor se comportan de la misma manera.

Validación de supuestos del modelo

 Ilustración 6. Validación de supuestos del modelo. Tomado de programa R

Análisis: Para determinar si se cumplen los supuestos de modelo, en este caso el P valor es
superior a 0,05 como lo referenciamos en la ilustración , esto indica a que no se rechaza la
hipótesis nula y se concluye con un 95% que los residuales se ajustan a una distribución
normal.

El resultado de validación del supuesto de varianza constante

 Ilustración 7. El supuesto de varianza constante. Tomado de programa R

Análisis: El supuesto de varianza constante se verifico con el test de levene, en este caso el
P valor es superior a 0,05 como lo referenciamos en la ilustración, esto indica a que no se
rechaza la hipótesis nula y los residuales presentan varianza constante. Existen dos métodos
uno largo y uno corto, en los dos da el mismo P valor; se concluye con un 95% de confianza
que los residuales presentan una varianza constante.

Prueba de comparación de medias

 Ilustración 8. Prueba de comparación de medias. Tomado de programa R

Análisis: Estas pruebas solo se hacen si hay diferencias entre los tratamientos acordes al
anova, con el cumplimiento de los supuestos de normalidad y la varianza constante de los
residuales, con un solo supuesto que no se cumpla no se desarrolla; en este caso se usó la
prueba de tukey donde los tratamientos con igual letra se comportan similar y tratamiento con
letra diferente se comportan diferente.
 Debe en su informe registrar pantallazos del procesamiento en el programa R
recuerde que la versión es 4.1.1

Pantallazos del procesamiento en el programa R

 Rendimiento
48
46
U n id a d e s

44
42
40
38

Tratamiento 3 Tratamiento 1

Tratamiento
 Conclusiones

 Se puede concluir que el diseño completamente al azar se considera como un

diseño experimental de lo más sencillo donde se tratan de comparar dos o más
tratamientos; exige unidades experimentales homogéneas; Los tratamientos y
las réplicas se asignan al azar a las unidades experimentales y este diseño
puede ser utilizado para experimentos unifactoriales y multifactoriales.

 El diseño bloques completamente al azar BCA indica que en cada bloque se

prueban todos los tratamientos. La aleatorización se hace dentro de cada
bloque; a diferencia del diseño completamente al azar este es de más fácil
ejecución y la forma, el tamaño, la orientación de los bloques se deben hacer
buscando la homogeneidad dentro de ellos.
 Referencias

https://drive.google.com/file/d/1G5zG1EHL6ZjQ_6TpAJK4YnpG3KLT2zSl/view

Ruesga, G. I. (2007). Libro de experimentación agrícola, consultar página 6. Versión

descargable https://drive.google.com/file/d/1PIJrVWwwn8YK6JXN6AB-MI-jHfSo7Th8/view?
usp=sharing

https://docs.google.com/presentation/d/1EnejLlW888B9Hkd3Ruxfg_L9M50xAv45/edit?
usp=sharing&ouid=114231154321434936359&rtpof=true&sd=true

https://drive.google.com/file/d/1lrKUBpx6zN8FRPozYVVOv1EoMneglVpt/view?usp=sharing

https://drive.google.com/file/d/1MTSq1XdMkOs5TVsFpl3rivPcYn-O0tzP/view?usp=sharing

Ruesga, G. I. (2007). Libro de experimentación agrícola, consultar página 14. Versión

descargable https://drive.google.com/file/d/1PIJrVWwwn8YK6JXN6AB-MI-jHfSo7Th8/view?
usp=sharing

https://docs.google.com/presentation/d/1SoCe3n1SLJLTwaFix8vNqqP5wkZ812D/edit?
usp=sharing&ouid=114231154321434936359&rtpof=true&sd=true

https://drive.google.com/file/d/1fJMeM0_DGTNArPMyCuZNUJOqOSree4jr/view?usp=sharing

https://drive.google.com/file/d/1tKPowLQhZ-1KE0c04c_yYUpOJhpOyxDb/view?usp=sharing.