Trabajo Individual - Fase3

ACTIVIDAD INDIVIDUAL – FASE 3
APLICAR EL DISEÑO CUADRO LATINO Y EL DISEÑO FACTORIAL
PRESENTADO POR
JULIAN ESTEBAN MURILLO TRIANA
CÓD. 1070972393
PRESENTADO A:
DIEGO ALBERTO DEAZA
CURSO
DISEÑO EXPERIMENTAL
300004_1
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

NOVIEMBRE 2019
INTRODUCCION
El Diseño Cuadrado Latino (DCL) supedita 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. Entre sus características principales y especificidades encontramos que
las u.e. se distribuyen en grupos, bajo dos criterios de homogeneidad dentro de
la fila y dentro de la columna y heterogeneidad en otra forma, asimismo, en cada
fila y en cada columna, el número de unidades es igual al número de
tratamientos. Por otra parte, los tratamientos son asignados al azar en las
unidades experimentales dentro de cada fila y dentro de cada columna, el
número de filas = número de columnas = número de tratamientos (Universidad
Nacional Agraria La Molina, 2014).
Los análisis estadísticos T-student, Duncan, Tuckey y en pruebas de contraste
se procede como el diseño completo al azar y el diseño de bloques. La
desviación estandar de la diferencia de promedios y la desviación estandar del
promedio, están en función del cuadrado medio del error experimental. El
nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field
Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones
fueron en el campo agronómico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones (Universidad Nacional Agraria La
Molina, 2014)
En lo que respecta al Diseño Factorial, el mismo es utilizado generalmente por
los científicos que desean comprender el efecto de dos o más variables
independientes respecto de una única variable dependiente. el efecto de una
variable a la vez, ya que estadísticamente es más fácil de manipular. Sin
embargo, en muchos casos dos factores pueden ser interdependientes y es poco
viable o erróneo tratar de analizarlos de manera tradicional. Es común que en
las ciencias agrarias se utilicen diseños factoriales por la necesidad de las
pruebas de campo para probar el efecto de las variables en los cultivos. En esos
estudios a gran escala, es difícil y poco práctico aislar y probar cada variable
individualmente. Los experimentos factoriales permiten manipulaciones sutiles
de un número mayor de variables interdependientes. Si bien el método presenta
limitaciones, es útil para una investigación más eficiente y para permitir que los
métodos estadísticos fuertes expongan todas las correlaciones (Explorable,
2015)
OBJETIVO GENERAL
Aplicar el modelo de cuadrado latino y diseño de factores en experimentos

propios del campo de formación de la Escuela de Ciencias Agrícolas, Pecuarias
y del Medio Ambiente.
OBJETIVOS ESPECIFICOS
 Interpretar los diseños cuadrado latino en el área de las Ciencias

Agropecuarias.
 Analizar los elementos del diseño factorial en experimentos con dos
variables o factores y una variable de respuesta.
1. Del texto indicado ubique el capítulo de Diseño cuadro latino y
registre:
Modelo;
Yijk = μ + T + F + C +ε
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).
La fórmula de Suma de Cuadrados de todos los componentes del análisis

de varianza;
Suma de cuadrados totales
(∑ 𝑋)2
𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑋 2 −
𝑁
Suma de cuadrados de los tratamientos

∑(∑ 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 2 ) (∑ 𝑋)2
𝑆𝐷𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 = −
𝑁𝑜. 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑝𝑜𝑟 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑁
Suma de cuadrados de las filas

∑(∑ 𝐹𝑖𝑙𝑎2 ) (∑ 𝑋)2
𝑆𝐷𝐶𝐹𝑖𝑙𝑎 = −
𝑁𝑜. 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑝𝑜𝑟 𝐹𝑖𝑙𝑎 𝑁
Suma de cuadrados de las columnas

∑(∑ 𝐶𝑜𝑙𝑢𝑚𝑛𝑎2 ) (∑ 𝑋)2
𝑆𝐷𝐶𝐶𝑜𝑙𝑢𝑚𝑛𝑎 = −
𝑁𝑜. 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑝𝑜𝑟 𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑁
Suma de cuadrados del error
SDC Error = SDC Total − SDC Tratamiento − SDC Fila − SDC Columna
Descargar el código latino 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 R.
Desarrollar en R análisis de varianza, validación de supuestos del modelo y

prueba de comparación de medias.
Interpretación: Luego del análisis de varianza el P valor es inferior 0.05 por tanto
no hay efecto de filas o columnas. Por tanto, es plausible concluir con un 95%
de confianza que hay diferencia significativamente estadística entre
tratamientos.
Respecto de los supuestos del modelo es del caso establecer que, los residuales
e comportan de acuerdo a una distribución normal, lo anterior debido a que el P
valor es superior a 0.05 (No se rechaza H0); así las cosas, con un 95% de
confianza los residuales del modelo ostentan una varianza constante.
2. Cada estudiante integrante del grupo debe rescatar unos datos de

un Diseño cuadro latino de un texto y repetir el proceso anterior.
Fuente: Zubcoff, J. (2008). Introducción al Diseño Experimental y al Análisis de

Datos. Alicante: Universidad de Alicante. Departamento de Ciencias del Mar y
Biología Aplicada. Recuperado el 04 de noviembre de 2019, de
http://hdl.handle.net/10045/4197
Se quiere comparar varias leguminosas desde el punto de vista de producción

de forraje:
A: Lathyrus cicera
B: Vicia faba
C: Vicia Sativa, hibrida de laboratorio (línea 8436)
D: Vicia Sativa, hibrida de laboratorio (línea 8235)
E: Vicia Sativa, línea tradicional
Se dispone de un grupo de parcelas en un campo bordeado por un rio (dirección

Este-Oeste que provoca un gradiente de humedad N-S) y con una inclinación
Este-Oeste (que provoca un gradiente en dirección O-E). Está claro que las
variedades que caigan en terreno más húmedo y más bajo son las que mayor
producción tendrán, porque a mayor humedad, más fertilidad, y a terreno más
bajo, más nutrientes se habrán deslizado, y por tanto más rico.
Tabla 1. Cuadrado latino: Resultados obtenidos
Columnas
Filas
1 2 3 4 5 Total
I C 45.2 D 46.6 E 55.2 B 91.9 A 19.8 258.7
II A 15.0 E 61.0 C 51.3 D 50.8 B 92.5 277.8
III B 79.3 C 58.6 D 64.2 A 22.2 E 63.5 287.8
IV E 62.8 B 84.6 A 27.5 C 63.5 D 65.8 304.2
V D 61.1 A 21.9 B 89.3 E 70.0 C 70.7 313
no hay efecto de filas o columnas. Por tanto, es plausible concluir con un 95%
de confianza que hay diferencia significativamente estadística entre las
leguminosas.
Respecto de los supuestos del modelo es del caso establecer que, los residuales
se comportan de acuerdo a una distribución normal, lo anterior debido a que el
P valor es superior a 0.05 (No se rechaza H0); así las cosas, con un 95% de
confianza los residuales del modelo ostentan una varianza constante.
Referente a la variable respuesta (producción), se identifican tres grupos que se
comportan de forman similares entre sus miembros;
 El primer grupo está conformado por la leguminosa B (Vicia faba).
 El segundo grupo por las leguminosas C, D y E; vicia Sativa, hibrida de
laboratorio (línea 8436), vicia Sativa, hibrida de laboratorio (línea 8235) y
vicia Sativa, línea tradicional, respectivamente.
 El tercer grupo que lo integra la leguminosa A (Lathyrus cicera).
3. Del texto indicado ubique el capítulo de Diseño bifactorial bloques al

azar, y registre:
Modelo;
Y ijk = μ + A i + B j + (AB) ij + e ijk
Donde:
Y ijk = 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.
A i = es el efecto debido al i ésimo nivel del factor A.
B j = es el efecto debido al j ésimo nivel del factor B.
(AB) ij = efecto de la interacción entre el j ésimo nivel del factor B y el i ésimo del
factor B.
La fórmula de Suma de Cuadrados de todos los componentes del análisis
de varianza;
Suma de cuadrados totales
(∑ 𝑋)2
𝑆𝐷𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑋 2 −
𝑁
Suma de cuadrados de los tratamientos

∑ 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 2 (∑ 𝑋)2
𝑆𝐷𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 = −
# 𝑜𝑏𝑠 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑡𝑟𝑎𝑡 𝑁
Suma de cuadrados Factor A

∑ 𝑁𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐴2 (∑ 𝑋)2
𝑆𝐷𝐶𝐹𝐴𝐶𝑇𝑂𝑅 − 𝐴 = −
# 𝑜𝑏𝑠 𝑒𝑛 𝑐/𝑛𝑖𝑣𝑒𝑙 𝐴 𝑁
Suma de cuadrados Factor B

∑ 𝑁𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐵 2 (∑ 𝑋)2
𝑆𝐷𝐶𝐹𝐴𝐶𝑇𝑂𝑅 − 𝐵 = −
# 𝑜𝑏𝑠 𝑒𝑛 𝑐/𝑛𝑖𝑣𝑒𝑙 𝐵 𝑁
Suma de cuadrados interacción (A*B)
SDCInterAxB = SDCTrat − ( SDCFactorA + SDCFactorB)

Suma de cuadrados del error
SDCError = SDCtotal − SDCTrat
O también;
SDCError = SDCtotal − (SDCInterAxB + SDCA + SDCB )
El estudiante debe descargar el código factorial 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 R.
Desarrollar en R análisis de varianza, validación de supuestos del modelo y

prueba de comparación de medias.
no hay efecto en las interacciones. Por tanto, es plausible concluir con un 95%
de confianza que hay diferencia significativamente estadística entre las variables
tratamiento y Biobrás, se rechaza la H0.
Asimismo, al cambiar la dosis de Biobrás las variedades de caña plana se
comporta diferente.
Respecto de los supuestos del modelo es del caso establecer que,
El rendimiento con el factor variedad: No se comporta acorde a una varianza
constante.
El rendimiento con el factor Biobrás: Si se comporta acorde a una varianza
constante.
Hipótesis para cada factor (Variedad-Biobrás / interacción-V-B) más las
respectivas interacciones, es decir 4 hipótesis nulas.
V1:D2 – V2:D1 → 0.933 (Tratamiento que se comporta diferente).
4. Cada estudiante integrante del grupo debe rescatar unos datos de

un diseño factorial y repetir el proceso anterior.
Fuente: Universidad Politécnica de Madrid. (2010). Diseño de experimentos.
Madrid. Recuperado el 04 de noviembre de 2019, de
http://www.etsii.upm.es/ingor/estadistica/Carol/cap2DyR.pdf
La calidad de un producto químico después de un largo periodo de

almacenamiento depende del conservante empleado y de las características de
almacenamiento. Se ha estudiado el efecto de cuatro conservantes distintos y
cinco almacenamientos sobre la degradación del producto. El diseño utilizado
fue de bloques al azar con 4 réplicas;
Los conservantes utilizados: C1= 2212 y C2= 3274.
Las características del almacenamiento: A1= -5 ℃ y A2= -10 ℃
La variable analizada fue la calidad.
I II III IV
C1A1 15.1 11.0 18.8 10.3
C1A2 8.1 4.3 11.8 3.8
C2A1 15.3 11.5 15.6 9.2
C2A2 8.0 4.4 11.0 5.8
Interpretación: Luego del análisis de varianza el P valor es superior a 0.05 por
tanto si hay efecto en las interacciones. Así las cosas, es plausible concluir con
un 95% de confianza que no hay diferencia significativamente estadística entre
las variables Conservantes y Almacenamiento, no se rechaza la H0.
Asimismo, al cambiar el tipo de almacenamiento los conservantes no se
comportan diferentes.
Respecto de los supuestos del modelo es del caso establecer que,
El rendimiento con el factor Conservantes: Se comporta acorde a una varianza
constante (test de Levene P valor = 0.6993)
El rendimiento con el factor Almacenamiento: Se comporta acorde a una
varianza constante (test de Levene P valor = 0.6948).
Hipótesis para cada factor (Conservantes-Almacenamiento/ interacción-C-A)
más las respectivas interacciones, es decir 4 hipótesis nulas.
C1:A2 – C2:A1 → 0.9749 (Tratamiento que se comporta diferente).
CONCLUSIONES
Frente al cuadrado latino es importante destacar que se controlan tres fuentes

de variabilidad, un factor principal y dos factores de bloque, cada uno de los
factores tiene el mismo número de niveles, K, cada nivel del factor principal
aparece una vez en cada fila y una vez en cada columna, y finalmente no existe
interacción entre los factores.
El diseño factorial, además de simplificar el proceso y abaratar el costo de la
investigación, permite muchos niveles de análisis. Además de resaltar las
relaciones entre las variables, permite que sean aislados y analizados por
separado los efectos de la manipulación de una sola variable. Su mayor
desventaja es la dificultad de experimentar con más de dos factores o muchos
niveles.
Un diseño factorial debe ser planificado cuidadosamente, ya que un error en uno
de los niveles o en la operacionalización general pondría en peligro una gran
cantidad de trabajo. Dejando de lado sus desventajas, un diseño factorial
constituye uno de los pilares de muchas disciplinas científicas, ya que ofrece
excelentes resultados en el campo.
BIBLIOGRAFÍA
Deaza, D. A. (2019). Enlace de la primera web del día 5 de septiembre de 2019.

Bogotaá D.C.: UNAD. Recuperado el 01 de noviembre de 2019, de
http://conferencia2.unad.edu.co/pm3ppklrnt5i/?OWASP_CSRFTOKEN=4
aaa342f96539cc227d80019be5b4d61c79df19ca7d1b60a3ff6815546657f
66
Explorable. (2015). Diseño factorial. Recuperado el 04 de octubre de 2019, de

https://explorable.com/es/diseno-factorial
Universidad Nacional Agraria La Molina. (2014). Cuadrado Latino. Universidad

Nacional Agraria La Molina. Recuperado el 04 de octubre de 2019, de
https://tarwi.lamolina.edu.pe/~fmendiburu/index-
filer/academic/design/Latino.pdf
Universidad Politécnica de Madrid. (2010). Diseño de experimentos. Madrid.

Recuperado el 04 de noviembre de 2019, de
http://www.etsii.upm.es/ingor/estadistica/Carol/cap2DyR.pdf
Zubcoff, J. (2008). Introduccion al Diseño Experimental y al Análisis de Datos.

Alicante: Universidad de Alicante. Departamento de Ciencias del Mar y
Biología Aplicada. Recuperado el 04 de noviembre de 2019, de
http://hdl.handle.net/10045/4197

Trabajo Individual - Fase3

Cargado por

Copyright:

Formatos disponibles

Trabajo Individual - Fase3

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Individual - Fase3

Cargado por

Copyright:

Formatos disponibles

ACTIVIDAD INDIVIDUAL – FASE 3

APLICAR EL DISEÑO CUADRO LATINO Y EL DISEÑO FACTORIAL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

El Diseño Cuadrado Latino (DCL) supedita el agrupamiento de las unidades

Aplicar el modelo de cuadrado latino y diseño de factores en experimentos

 Interpretar los diseños cuadrado latino en el área de las Ciencias

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

Suma de cuadrados de los tratamientos

Suma de cuadrados de las filas

Suma de cuadrados de las columnas

Suma de cuadrados del error

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

2. Cada estudiante integrante del grupo debe rescatar unos datos de

Fuente: Zubcoff, J. (2008). Introducción al Diseño Experimental y al Análisis de

Se quiere comparar varias leguminosas desde el punto de vista de producción

Se dispone de un grupo de parcelas en un campo bordeado por un rio (dirección

3. Del texto indicado ubique el capítulo de Diseño bifactorial bloques al

Y ijk = es el k ésimo elemento perteneciente al j ésimo nivel del factor B y al i

Suma de cuadrados de los tratamientos

Suma de cuadrados Factor A

Suma de cuadrados Factor B

Suma de cuadrados interacción (A*B)

SDCInterAxB = SDCTrat − ( SDCFactorA + SDCFactorB)

SDCError = SDCtotal − (SDCInterAxB + SDCA + SDCB )

El estudiante debe descargar el código factorial y archivo de datos que para

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

4. Cada estudiante integrante del grupo debe rescatar unos datos de

La calidad de un producto químico después de un largo periodo de

Frente al cuadrado latino es importante destacar que se controlan tres fuentes

Deaza, D. A. (2019). Enlace de la primera web del día 5 de septiembre de 2019.

Explorable. (2015). Diseño factorial. Recuperado el 04 de octubre de 2019, de

Universidad Nacional Agraria La Molina. (2014). Cuadrado Latino. Universidad

Universidad Politécnica de Madrid. (2010). Diseño de experimentos. Madrid.

Zubcoff, J. (2008). Introduccion al Diseño Experimental y al Análisis de Datos.

También podría gustarte