FACULTAD DE INGENIERÍA

ROGRAMA DE INGENIERÍA AGROECOLÓGICA

ÁREA DE CIENCIAS BÁSICAS DE INGENIERÍA

Asignatura : Diseño Experimental

Código 323057 -Créditos 3
Aspirante: Soraida Rojas Vargas
Ingeniero Agroecólogo

Florencia, agosto de 2021

 Diseño experimentales

Pioneros en diseño experimental

Ronald Fisher (1890-1962): Estadístico y Frank Yates (1902-1994): Estadístico, William Gemmell Cochran (1909-
biólogo, considerado el padre del diseño quién realizó contribuciones a la teoría 1980): estadístico escocés, quién
experimental debido al uso en sus del análisis de varianza y concibió su colaboró en la creación de varios
estudios de agronomía en el primer tercio algoritmo para los diseños por bloques departamentos de estadística y trabajó
del siglo XX. equilibrados incompletos. en la Universidad de Harvard.
 UNIDAD 1. Conceptos básicos

Diseño experimental

Conjunto ordenado de normas procedimientos y cálculos que orientan

acerca de la forma en que debe disponerse las unidades experimentales
en el campo o en el laboratorio, la forma como deben asignarse los
tratamientos a las unidades experimentales, la manera en que deben
recopilarse y analizarse los datos experimentales, para así poder obtener
información relevante y con un alto grado de confiabilidad basado en
los datos arrojados por las variables respuesta (Castillo, 20089.

Paso 1. Definir los objetivos del experimento

Paso 2. En base a los objetivos y la características de los tratamientos,

diseñar el diseño experimental a utilizar

Paso 3. Realizar el trabajo de campo o laboratorio acorde a los

lineamientos y características del diseño experimental seleccionado

Paso 4. Analizar los resultados en base al diseño experimental Evaluación de 10 variedades de caña de azúcar
(Saccharum spp. L.) con seis repeticiones –CIAMCAEG.
EJEMPLO: BLOQUE 1 BLOQUE 2 BLOQUE 3

25 m

Objetivo: Evaluar el desempeño

22,5
V1 V4 V3 V2 V1 V4
agronómico de cuatro (4) variedades de

m
2 3 2 3 2
m m m m m
arroz bajo dos (2) condiciones de riego en el
2
municipio de San Vicente del Caguán, m
Caquetá. V2 V2 V1 V3 V4 V1

Tipo de diseño experimental: Parcelas 2

divididas en bloques completos al azar m

(PDBCA) V3 V1 V4 V1 V3 V2

Paso 3. Definir el tamaño de muestra por 2

m
unidad experimental
V4 V3 V2 V4 V2 V4

Paso 4. Análisis de resultados acordes a al R1 R2 R1 R2 R1 R2

modelo lineal: P1 P2 P1 P2
P1 P2

𝑌𝑖𝑗𝑘 =µ + ß𝑖 + 𝑇𝑗 + ɛ𝑖𝑗 + 𝑆𝑘 + (𝑇𝑆)𝑗𝑘 + 𝑒𝑖𝑗𝑘

 Diseño experimentales
Representación de la realidad con la mayor exactitud posible, mediante el empleo de
Modelo estadístico:
ecuaciones matemáticas

Dato que se registra acerca del fenómeno y que se obtiene a partir del estudio o
Valor observado:
experimento

Es aquel valor que debería presentar un fenómeno si su comportamiento se ajustara a

Valor predicho: un modelo matemático o probabilístico.

Diferencia existente entre el valor observado y el valor predicho a utilizar un

Error: modelo específico.
 Ejemplo:

Se obtienen los siguientes datos: Elegimos el modelo:

X Y Ȳ Error
( Valor observado) (Valor predichos ) Ȳ= (1)2+1 =2

1 2 2 0 Ȳ= (2)2+1 = 5
2 4,6 5 -0,4 Ȳ= (3)2+1 = 10
3 10,3 10 0,3
Ȳ= (4)2+1 = 17
4 17 17 0
5 25,8 26 -0,2 Ȳ= (5)2+1 = 26

¿Cuál es el error total ?:

 Pruebas de hipótesis Hipótesis Hipótesis a probar

Se utiliza para solventar el Aseveración que se Hipótesis nula (Ho)=aquella que el

fundamento científico y tomar realiza acerca de un investigador está dispuesto a sostener
decisiones con un alto grado de fenómeno o como cierta
confiabilidad. experimento.
Hipótesis alternativa (Ha)= se contrapone
Ejemplo: Determinar si un bio- a la hipótesis a la Ho.
insecticida es efectivo para el Pruebas de hipótesis
control de un insecto plaga, si
Estadística de prueba
el modelo de regresión simple
es adecuado para describir la Método estadístico que
se emplea para Formula estadística que permite obtener
relación entre la dosis del un valor calculado que es comparado con
insecticida y el porcentaje de determinar la hipótesis
verdadera (alternativa) o un valor tabulado de la distribución de
mortalidad, etc. probabilidad con la que se relaciona la
falsa (nula).
estadística de prueba.
 Forma de relacionar el valor calculado y el valor tabulado para rechazar o no rechazar
Regla de decisión la hipótesis nula (Ho).

Conclusión Al rechazar o no rechazar Ho, se debe concluir en base al experimento

Juan asegura que él es una persona alta. Algunos de sus amigos están de acuerdo con él
Ejemplo: y otros en desacuerdo. De esta manera para poner fin a la controversia y considerando
que una persona alta debe medir al menos 1,78 m. Al ser medido registra una altura de
1,80 m.

Hipótesis a probar: Regla de decisión: se rechaza Ho si la altura <1,78 m

Ho= Juan es alto

Vs Conclusión: como la altura >1,78 m, no se rechaza
Ha=Juan no es alto Ho, por lo tanto se concluye que Juan es alto.

Estadística de prueba: Medir y registrar

 Error tipo I y tipo II Estadísticas de prueba

La estadística de pruebas está asociada a un distribución de Se elige de acuerdo a la pertinencia de la

probabilidad específica, por lo que la prueba de hipótesis está investigación, entre ellas:
sujeta a errores atribuibles al azar.
✓ T de student
Error tipo I= Rechazar Ho cuando es verdadera ✓ ANOVA
✓ Kruskal-Wallis
Error tipo II= No rechazar Ho cuando el falsa ✓ Coeficiente de correlación de Pearson
✓ Coeficiente de correlación de Spearman
Los valores del α más comunes para evitar este tipo de errores son:

✓ α 0,01 =99 %
✓ α 0,025= 97,5% P [Error tipo I] +P[ NO Error tipo I] =1 Se encuentran asociadas a una distribución
✓ α 0,05%=95% α +c𝑜𝑛𝑓𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =1 de probabilidades con el fin de comprobar
✓ α 0,10%=90% las hipótesis.
 Distribución de probabilidades continuas:

1. Distribución normal

Modelo adecuado para determinar

probabilidades de ocurrencias para gran
diversidad de áreas de la ciencia:

- Física
- Astronomía Hallar la probabilidad Z=0,90: se verifica en
- Biología el tabla el valor mas cercano o superior,
- Agronomía Ejemplo: siendo 0,9015. Luego registrar el valor Z=
- Medicina 1,2 asociado a la columna 0,09.
𝑍0,90=1,2 +0,90 =1,29

Anexo tabla 1. Probabilidad para valores

limites de z.
 Ejemplo:

1. Se requiere determinar cual es el porcentaje de 2. La media de los pesos de 500 cerdos de una granja experimental
una población que miden más de 164 cm; si se es de 141 kg y una desviación estándar de 15 kg. Suponiendo que
tiene como media 160 cm y una desviación
existe una distribución normal hallar:
estándar de 2 cm.

Solución: a. Numero de cerdos que pesan entre 130 kg y 145 kg ?.

Variable Z= (163,5-160)/2 =1,75
Solución:
Ver valor de Z=1,75 en la tabla = 0,9599
Z=1-0,9599=0,04 = 4% Variable Z = (129,5 -141)/15= -0,76
Z=P> 164=4% Variable Z = (145,5 -141)/15= 0,30

Ver valor de Z=-0,76 en la tabla = 0,2236

Ver valor de Z=0,30 en la tabla = 0,6179-0,5=0,1179 141 kg

Z= 0,2236 + 0,1179 = 0,3415

Z = 500 *(0,3415)= 171 cerdos pesan entre 130 y 145 kg.
>164 cm
160 cm
 Ejercicios 2
3.Un productor avícola ha encontrado que en promedio un 8% de las aves se mueren en el periodo de incubación. Cuál es la
probabilidad de que en 1000 aves se mueran más de 60?.

P= 8% =0,08
Q=92% =0,92
N=1000

Media =N.Q =(1000*0,08)= 80

S = 𝑁. 𝑃. 𝑄

S = (1000 ∗ 0,92 ∗ 0,08)

S =8,57

Variable Z = (59,5-80)/8,57= -2,39

Ver valor de Z=-2,39 en la tabla = 0,0084
Z0=(1-0,0084)=0,9916 =99,16%
 Distribución t de student: Se requiere encontrar el cuantil 𝑡0,01 6 .
Observar el valor de 6 en la columna y α en la
En las pruebas de hipótesis se utiliza como el valor fila hasta 0,01= 3,14.
tabulado contra el calculado y se representa por:
✓ Utilizada en pruebas como Diferencias
𝑡α (V) Mínimas Significativas (DMS).
α=nivel de significancia
V=grados de libertad de la distribución

Ejemplo: 𝑡0,05 7 = 1,90

Se requiere encontrar el cuantil 𝑡0,05 7 .

Utilizar la tabla II y observar el valor de 7 en la
columna y α en la fila hasta 0,05.
Anexo tabla II.
c c

c
1. Se desea saber si un instrumento de medición se (52,9 −50)
t= 3/ 10
=3
encuentra calibrado y para ello se realizan 10
mediciones. Se presenta una media de 52,9 y una
desviación de 3. Determinar si el instrumento se RTA: de acuerdo a los valores tabulados, el valor
de t se encuentra dentro de la zona de aceptación
encuentra calibrado y el valor de estimación?.
de la hipótesis Ho, con una confiabilidad del
99,5%.
Ho =el instrumento está calibrado <3,25
Ha=el instrumento no está calibrado >3,25

• Grado de libertad=10-1 =9
• Confiabilidad =99,5%=0,005
• Valor crítico -3,25 y 3,25
• Constante de calibración= 50

-3,25 3,25
 Distribución ji-cuadrado: Ejemplo:

En las pruebas de hipótesis se utiliza como el valor

tabulado contra el calculado y se representa por: Una fábrica cuenta con tres máquinas para la
producción de un mismo producto. Durante la
𝑋α2 𝑣 última semana de producción se han producido
135 artículos. El jefe de producción cree que las
α=nivel de significancia de la prueba de hipótesis máquinas no producen en cantidades similares.
V=grados de libertad de la distribución Por lo que ha solicitado clasifiquen cada producto
según la máquina que la ha producido. A
Características continuación se presenta la tabla de frecuencia de
-El área bajo la curva es igual a 1. las cantidades producidas por cada máquina:
-Los valores de χ2 son positivos.
-La distribución es asimétrica Máquina 1= 43
Máquina 2= 53
Máquina 3=39
Anexo tabla III.
Nivel de significancia = 0,5%
Hipótesis:

Ho: la cantidad producida es la mismas en las tres

maquinas
VS Suma Total =2,308
Ha: la cantidad producida es distinta en las tres
máquinas
𝑋α2 =2,308

𝑋𝐶𝑟í𝑡𝑖𝑐𝑜2 =5,99

𝑂𝑖 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑚á𝑞𝑢𝑖𝑛𝑎 Debido a que 𝑋α2 < 𝑋𝐶𝑟í𝑡𝑖𝑐𝑜2 =5,99 no se rechaza la hipótesis nula.
𝑒𝑖 = 𝑇𝑜𝑡𝑎𝑙/𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚á𝑞𝑢𝑖𝑛𝑎 Es decir, que con un nivel de significación de 5% no existe suficiente
(43−45)2 evidencia estadística para rechazar la hipótesis nula, y por tanto no
𝑋α2 = 45 =0,088
(53−45)2 se puede afirmar que las tres máquinas no producen lo mismo.
𝑋α2 = 45 =1,42
(39−45)2
𝑋α2 = =0,8
45
 Distribución F: Ejemplo:

Por lo general presenta varias formas, por lo general Se requiere encontrar el cuantil 𝐹0,05 = 8, 10 ; donde 8 es el
asimétricas. valor de la columna denomina grados de libertad (v1) y 10 el
valor de la fila (v2). Por tanto es igual a 3,07 a una confiabilidad
En las pruebas estadísticas de la distribución se del 95%.
compara el valor tabulado con el valor calculado, y se
representa por:
Usos:
𝐹∝ = 𝑣1, 𝑣2 Ccomparar las varianzas de dos poblaciones diferentes o
independientes:
α=nivel de significancia de la prueba de hipótesis
V1=grados de libertad del numerador • ANOVA
V2=grados de libertad del denominador

Anexo tabla IV.

 CONCEPTOS BÁSICOS DE DISEÑO EXPERIMENTAL

Experimento Acción emprendida con el fin de descubrir algo desconocido

Sustancia, individuo, variedad elemento u objeto cuya

Tratamiento
acción o efectividad se desea evaluar y comparar

Ejemplos
 Unidad
experimental

Unidad Área física mínima sobre la cual se aplica un solo

experimental tratamiento

Dato o medida que se cuantifica en cada UE y permite

Variable
evaluar la acción del tratamiento y realizar
respuesta
comparaciones.
 UNIDAD 2.Diseños experimentales

Tipos de diseños
Error experimental
experimentales
La palabra error no es sinónimo de equivocación, sino de todo tipo de
• Diseños completamente al azar la variaciones que influyen de forma directa en la variables respuesta.
• Diseño de bloques completos al azar Error estadístico producto de una variación incontrolable y
generalmente inevitable, presente entre lo variables respuesta de cada
• Diseño de cuadro latino una de la UE de los tratamientos.
• Experimento factorial
• Experimento de parcelas divididas - Cómo reducir el error experimental:
1. Suficientes repeticiones
Modelo lineal 2. Adecuada aleatorización de los tratamientos
3. Uso de bloques
• Ecuación matemática en donde la relación
principal entre los términos que lo componen
se da por sumas, restas, multiplicación, división - Los errores de los datos de las variables respuestas deben ser
y potencia semejantes, y se asume que deben poseer una distribución normal e
independencia entre si.
✓ Modelo lineal 𝑌𝑖𝑗=µ + ß𝑖 + 𝑇𝑗 + 𝑒𝑖𝑗
 Supuesto básicos de los diseño
experimentales
1. Existe homogeneidad de varianza entre los
tratamientos (todos los tratamientos tiene igual
varianza).
Pruebas no formales:
-Gráficos de dispersión
Prueba formales:
- Prueba de Levene (Montgomery, 1991).
La prueba consiste en realizar un análisis de la varianza
usando como variable dependiente el valor absoluto de
los residuos

Las hipótesis que se someten a prueba son: Regla de decisión: Si el valor p del factor tratamiento de este
ANDEVA es menor al valor de significación nominal se rechaza
H0: 𝑄 2 = 𝑄 2 = 𝑄 2 la hipótesis de varianzas homogéneas, caso contrario el supuesto
versus de igualdad de varianzas puede ser sostenido.
H1: Al menos dos varianzas son distintas

Confiabilidad 0,05.
 Ejercicio 64,17

EJEMPLO: Prueba no formal

37,17

RDUO Rend.
Pasos 10,18
1.Base de datos híbridos (InfoStat).
2. Determinar residuos, predichos y residuos -16,82

absolutos
3. Gráfico de dispersión : X=Predichos y Y= -43,81

Residuos
74,51 86,44 98,37 110,30 122,23
PRED Rend.

4. Concluir RDUO Rend.

EJEMPLO: Prueba no formal

Paso 1. Análisis de la varianza; clasificación=
tratamientos y Variables= Valor absoluto de residuos
Paso 2. Regla de decisión
Paso 3. Conclusión
2. Los errores tienen distribución normal con
media cero y varianza 𝑸𝟐 .

Prueba no formal de Normalidad:

seleccionando los residuos como variable de
análisis, una de las técnicas más usadas es
construir un Q-Q plot normal.

Mediante esta técnica se obtiene un diagrama

de dispersión de los residuos obtenidos versus
los cuantiles teóricos de una distribución
normal.

Si los residuos son normales y no hay otros

defectos del modelo, se alinearán sobre una
recta a 45°.
Prueba formal de Normalidad:
Regla de decisión: Si el valor estadístico P es menor al
- Prueba de (SHAPIRO-WILKS MODIFICADO). valor de significación 0,05 se rechaza la hipótesis de
distribución normal, caso contrario el supuesto normalidad
Seleccionando los residuos como variable de puede ser sostenido.
análisis, se obtiene el estadístico W* de Shapiro-
Wilks modificado por Mahibbur y Govindarajulu
(1997).

Las hipótesis que se someten a prueba son:

H0: los residuos tienen distribución normal

versus Conclusiones:
H1: los residuos no tienen distribución En este caso no hay evidencias para rechazar el
normal. supuesto de distribución normal (p=0.7824).
 Cuantiles observados(RDUO Rendimiento)
260,80 n= 20 r= 0,984 (RDUO Rendimiento)
Prueba no formal de Normalidad

Pasos
132,50

1.Base de datos bloque (InfoStat).

2. Determinar residuos
4,20

3. Construir gráfica Q-Q Plot normal

4. Concluir
-124,10

-252,40
Prueba formal de Normalidad: -252,40 -124,10 4,20 132,50 260,80
Cuantiles de una Normal(8,5265E-015,16301)

1. Base de datos bloque (InfoStat). RDUO Rendimiento Recta Y=X

2. Determinar los residuos

3. Aplicar prueba Shapiro-Wilks
4. Regla de decisión
5. Conclusión
 3. Errores independientes entre sí ( no están correlacionados)
Ejemplo:
Independencia: Para verificar el supuesto de errores independientes, se
Pasos
puede realizar un gráfico de dispersión de los residuos en función de la
1.Base de datos bloque (InfoStat).
variable que se presume puede generar dependencias sobre las
2. Determinar residuos
observaciones.
3. Gráfico de dispersión X = tratamientos y
Y= Residuos
Un ejemplo clásico es la secuencia en el tiempo en que los operarios
4. Concluir
realizaron las observaciones; si la técnica de medición y/o observación
puede ser afectada por la fatiga de operario, los residuos puede no ser
independientes de la secuencia de toma de datos.

La estructura de dependencia puede relacionarse a la forma en que se

recolectaron los datos. Una tendencia a tener agrupados residuos
positivos y/o negativos indica la presencia de correlación o falta de
independencia.

En general, un buen proceso de aleatorización asegura el cumplimiento

del supuesto de independencia.
 Bibliografía

Castillo, L. 2008. Introducción a la estadística experimental. 4ta Ed. ISBN 978-607-12-0015-0.Chapingo, México. 301p.

PEP (Proyecto Educativo del Programa Ingeniería Agroecológica). 2017. Facultad de Ingeniería, Universidad de la Amazonia.
Disponible en :
https://www.uniamazonia.edu.co/documentos/docs/Programas%20Academicos/Ingenieria%20Agroecologica/Proyecto%20Educativo%2
0del%20Programa%20de%20Ingenieria%20Agroecologica.pdf

PDI (Plan de Desarrollo Institucional 2020-2029. 2020. Universidad de La Amazonia. Disponible en:
https://www.uniamazonia.edu.co/documentos/docs/Rectoria/Plan%20de%20desarrollo%202020%20-%202029/PDI%202020%20-
2029.pdf

Kuehl, R. 2001. Diseño de experimentos. Principio estadísticos para el análisis y diseño de investigaciones. México D.F. 2ª ed.
COPYRIGHT0 2 Thomson S.A. de C.V. 680p.

ICA (Instituto Colombiano Agropecuario).2020. RESOLUCIÓN No. 067516 (11 /05/ 2020) “Por medio de la cual se establecen los
requisitos para la inscripción de los cultivares en el Registro Nacional de Cultivares Comerciales y se dictan otras disposiciones.”.
Disponible en https://www.ica.gov.co/getattachment/6b7dbbd1-ff9b-4eea-a936-
fe57f421ea98/2020R67516.aspx#:~:text=Establecer%20los%20requisitos%20para%20la,de%20oferta%20de%20cultivares%20previa
mente