Fase3 Diseño Experimental IVAN Casanova

diseño experimental (300004)

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

Estudiante

IVÁN ANDRÉS CASANOVA TRIBIÑO

Código: 1126458841

Grupo

300004

Tutor

DIEGO ALBERTO DEAZA CASTILLO

Universidad Nacional Abierta y a Distancia – UNAD

Escuela de Ciencias Agrícolas, Pecuarias y Medio Ambiente

Diseño Experimental

Abril de 2022

0 1
 Introducción

Dentro de las ciencias agrícolas el diseño experimental ha desempeñado un papel

fundamental para el análisis estadístico y la evaluación del comportamiento de
diferentes variables en este campo de estudio. Así, el diseño experimental corresponde
a un conjunto de elementos que permiten cuantificar e interpretar la relación causa-
efecto de estas variables con respecto a otras en el mismo entorno. De este modo, es
importante que para abordar un diseño experimental se defina la unidad experimental
que permita tener control sobre el grado de certeza de los análisis.

En concordancia con lo anterior, en el presente documento se busca describir

diferentes conceptos asociados al diseño experimental, haciendo énfasis en el cuadro
latino y en el experimento factorial; adicionalmente se hace uso del software R para el
análisis de diferentes escenarios, permitiendo la toma de decisiones en cuanto a las
unidades experimentales consideradas en cada caso específico.

Objetivos

Objetivo General

Aplicar diferentes diseños experimentales como el cuadrado latino y el

experimento factorial para el análisis estadístico del comportamiento de diferentes
variables aleatorias dentro de las ciencias agrícolas, pecuarias y del medio ambiente.

Objetivos Específicos

 Conceptualizar e interpretar diferentes elementos correspondientes al cuadrado

latino y diseño factorial.
 Identificar y aplicar diferentes funcionalidades del software R para el análisis de
datos y variables estadísticas que permitan describir escenarios dentro del
contexto de las ciencias agrícolas, pecuarias y del medio ambiente.
 Reconocer las diferentes y utilidades del cuadrado latino y experimento factorial
para la descripción estadística de elementos de las ciencias agrícolas y otras
ciencias pecuarias y del medio ambiente.

0 1
 Desarrollo del Trabajo

Actividad 1. Conceptos diseño cuadro latino

 ¿Qué tipo de organización presentan los tratamientos de campo?

Respuesta. Presenta una organización tipo Sudoku.

 Si se tiene un caso de 9 tratamientos, ¿cuántas unidades experimentales

se requieren para montar un cuadrado latino?

Respuesta. Se requieren 81 unidades experimentales. ()

Actividad 2. Conceptos básicos de cuadrado latino y experimento factorial

2.1. Diseño cuadrado latino

Organización en campo
Sudoku
Hipótesis del análisis de varianza

Hipótesis de test de validación

Prueba de Shapiro-Wilk

2.2. Experimento factorial

Organización en campo
Organización Bidireccional
BCA
DCA
Hipótesis del análisis de varianza

Hipótesis de test de validación

Prueba de Shapiro-Wilk

Pruebas de validación de medias

Se hace en cuadrados latinos con validación entre pares

0 1
Actividad 3. Preguntas sobre diseño cuadrado latino

 Características del diseño

Respuesta. (i) Incluye un único factor principal y también factores de bloque.
(ii) la cantidad de niveles es igual en todos los factores. (iii) En cada fila y
columna se establece un único factor. (iv) no hay repeticiones en el diseño.

 ¿En qué situaciones no se aconseja su uso?

Respuesta. Se usa cuando existen condiciones no homogéneas.

 Dificultad de usarlo en términos de tratamientos

Respuesta. Es aplicado de forma orientada a columnas y filas, es decir, se
aborda de forma bidireccional en donde cada tratamiento se considera una
única vez.

 Registre el modelo
Respuesta. . Las variables representan a la media generalizada, el tratamiento, el
efecto de filas, el efecto de columnas y el error absoluto, respectivamente.

 Registre la fórmula de suma de cuadrados de todos los componentes de

varianza
- Suma de cuadrados totales:

- Suma de cuadrados de tratamiento:

- Suma de cuadrados de fila:

- Suma de cuadrados de columna:

0 1
 - Suma de cuadrados de error:

Actividad 4. Preguntas sobre diseño bifactorial bloques al azar

 Modelo
Respuesta. . Las variables representan la observación que pertenece al nivel del
factor B en el nivel del factor A, la media general, efecto del bloque, efecto del nivel
de factor A, efecto del nivel de factor B, efecto de la interacción entre el nivel del
factor A y B y el error experimental, respectivamente.

 La fórmula de suma de cuadrados de todos lo componentes del análisis de

varianza
- Suma de cuadrados totales:

- Suma de cuadrados de repeticiones:

- Suma de cuadrados de tratamiento:

- Suma de cuadrados de varianza:

- Suma de cuadrados por dosis:

- Suma de cuadrados del error:

Actividad 5. Aportes a la actividad colaborativa

En el presente documento se presentan aportes correspondientes al trabajo

colaborativo, los cuales se desarrollan en los puntos 6 y 7 de este.

Actividad 6. Análisis con software R para cuadrado latino

0 1
6.1. Descarga de los archivos

Para el desarrollo del análisis con el software R, es necesario llevar a cabo la

descarga correspondiente a los datos y al código en R, para posteriormente aplicar
cada uno de los test que se describen en los pasos siguientes.

6.2. Organización de los datos en CSV

Para el diseño experimental de cuadrado latino, se requiere que los datos estén
organizados de manera correcta como se muestra a continuación. Se evidencia que los
datos están organizados en cuatro columnas que corresponde a: filas, columnas,
tratamiento y rendimiento.

6.3. Análisis ANOVA

Para las filas se obtiene un p valor de 0.09335 lo que permite afirmar con una
certeza del 95% que no existe suficiente evidencia estadística que permita rechazar la
hipótesis nula, es decir, todas las filas de comportan iguales. Por otra parte, para las
columnas se obtiene un p valor de 0.0774 lo que permite afirmar con una certeza del
95% que no existe suficiente evidencia estadística que permita rechazar la hipótesis
nula, de este modo, se puede concluir que todas las columnas se comportan igual.

0 1
Finalmente, para los tratamientos se obtiene un p valor mucho menor a 0.05, lo que
permite afirmar con una certeza del 95% que no existe suficiente evidencia estadística
para aceptar la hipótesis nula, es decir, todos los tratamientos no se comportan iguales.

6.4. Test Shapiro-Wilk

Al aplicar este test, se obtiene un p valor de 0.1602 lo que permite afirmar que con
una certeza del 95% no existe suficiente evidencia estadística que permita rechazar la
hipótesis nula, es decir, el conjunto de residuales de los datos considerados en el
estudio, siguen una distribución normal.

6.5. Test Kolgomorov-Smirnov

Al aplicar este test, se obtiene un p valor de 0.0504, lo que permite afirmar con
una certeza del 95% que no existe suficiente evidencia estadística que permita
rechazar la hipótesis nula, es decir, el conjunto de datos considerado en el estudio tiene
un comportamiento similar al de la distribución normal.

6.6. Test de Levine

Al aplicar el test de Levine, se obtiene un p valor de 0.9462, lo que permite afirmar

con una certeza del 95% que no existe suficiente evidencia estadística que permita
rechazar la hipótesis nula, es decir, el conjunto de datos considerado en el estudio
posee una varianza que es constante.

0 1
6.7. Test de Tukey

Al aplicar el test de Tukey es posible afirmar que los tratamientos F2 y F1 tienen

un comportamiento igual con respecto a la media; así mismo, los tratamientos F3 y F4
tienen un rendimiento medio similar y, finalmente el tratamiento F5 presentan un
rendimiento medio que es distinto a lo otros cuatro rendimientos. De este modo, el
mejor tratamiento es F2 dado a que es el que posee mayor rendimiento. Lo anterior,
puede ser observado en el siguiente gráfico de bigotes, en donde las medias de los
primeros dos tratamientos son similares, las medias de los tratamientos F3 y F4 son
similares entre sí y, el tratamiento F5 diverge de todos los demás.

0 1
Actividad 7. Análisis con software R para diseño factorial

7.1. Descarga de archivos para el procesamiento

Para el procesamiento de la información y desarrollo de la actividad propuesta, se

requiere descargar dos archivos como se muestra en la imagen anterior. Por un lado se
descarga el archivo codigofactorial.R que contiene el código en R para la realización de
cada uno de los test estadísticos y, en segunda instancia, el archivo factorial.csv que
corresponde a los datos a considerar en el proceso.

7.2. Validación del formato de los datos

0 1
 Para este caso, correspondiente al diseño experimental, los datos se presentan
en la columnas variedad, biobras, bloques y rendimiento. Para este caso se consideran
2 variedades, 2 biobras y 4 bloques que permiten obtener 16 combinaciones diferentes
de las cuales se conoce su rendimiento. A continuación, se realizan los diferentes
análisis y test estadísticos.

7.3. Análisis ANOVA

Para los bloques se obtiene un p valor de 0.09313 lo que permite afirmar con una
certeza del 95% que no existe suficiente evidencia estadística que permita rechazar la
hipótesis nula, es decir, los bloques se comportan igual. Para las variedades se obtiene
un p valor de 00339, para el biobras un p valor de 0.00183, lo que permite afirmar con
una certeza del 95% que existe suficiente evidencia estadística para rechazar la
hipótesis nula, es decir, las variedades y el biobras se comportan diferente.

7.4. Test de Shapiro-Wilk

10

0 1
 Al aplicar el test de Shapiro-Wilk, se obtiene un p valor de 0.3511 lo que permite
afirmar con una certeza del 95% que no existe suficiente evidencia estadística que
permita rechazar la hipótesis nula, es decir, el conjunto de residuales sigue una
distribución normal.

7.5. Test de Kolmogorov-Smirnov

Al aplicar este test, se obtiene un p valor de 0.1119 lo que permite afirmar con una
certeza del 95% que no existe suficiente evidencia estadística que permita rechazar la
hipótesis nula, es decir, el conjunto de residuales sigue una distribución normal.

7.6. Test de Levene

Al aplicar este test, se obtiene un p valor de 0.04979 para el caso de las

variedades, lo que permite afirmar con una certeza del 95% que existe suficiente
evidencia estadística que permita rechazar la hipótesis nula, es decir, los residuales de
las variedades no tienen varianza constante.

11

0 1
 Al aplicar este test, se obtiene un p valor de 0.08382 para el caso del biobras, lo
que permite afirmar con una certeza del 95% que no existe suficiente evidencia
estadística que permita rechazar la hipótesis nula, es decir, los residuales del biobras
tienen varianza constante.

7.7. Test de Tukey

Al aplicar el test de Tukey, es posible afirmar que el rendimiento promedio de cada

una de las variedades tiene un comportamiento diferente, debido a que la variedad V1
es asignada al grupo A y el rendimiento V2 es asignada al grupo B. En concordancia
con lo anterior, resulta mejor la primera variedad puesto que tiene un rendimiento
mayor al de la variedad V2.

Al aplicar este test, se obtiene que los biobras tienen un comportamiento

diferente, dado que cada uno de estos es agrupado en una clase distinta. El biobras D2
tiene mejor rendimiento que el biobras D1.

12

0 1
 Adicionalmente, este test permite determinar el grado de correlación entre las
variedades y el biobras, obteniendo un baja correlación con respecto a la variedad V2 y
el biobras D2, así como también entre la variedad V2 y biobras D2, reflejando una
colinealidad casi nula.

Finalmente, los gráficos mostrados a continuación presentan las medias de cada

uno de los biobras y de las variedades, donde se evidencia que el rendimiento medio
del biobras D2 es mayor que el rendimiento medio del biobras D1. Así mismo, el
rendimiento medio de la variedad V1 es mayor que el rendimiento medio de la variedad
V2.

13

0 1
 Conclusiones

Los diseños factoriales se utilizan cuando es deseable incluir dos o más variables
independientes (es decir, de intervención) en el diseño. Dentro de los diseños
factoriales, un factor se refiere a la variable independiente. En un estudio con dos
variables independientes, cada una de las cuales tiene dos niveles, una tendría un
diseño factorial de 2 × 2; en total, hay cuatro grupos diferentes, cada uno de los cuales
recibe una combinación diferente de niveles de factores. Los diseños factoriales
pueden abordar más de una pregunta en un estudio de una manera elegante y reducir
significativamente el tamaño de muestra requerido. En general, un estudio de factor n
disminuye el tamaño de la muestra requerido en un factor de n. Por lo tanto, un estudio
de dos factores (por ejemplo, 2 × 2, 3 × 3 o 4 × 4) requiere la mitad del número de
pacientes que necesitaría realizar dos estudios separados. Un estudio de tres factores
(por ejemplo, 2 × 2 × 2) necesita un tercio de los pacientes que requerirían tres
estudios independientes.

Por otra parte, un cuadrado latino es un diseño de bloque con la disposición de v

letras latinas en una matriz v × v (una tabla con filas v y columnas v). Los diseños
cuadrados latinos se usan a menudo en experimentos en los que a los sujetos se les
asignan tratamientos durante un período de tiempo determinado donde se cree que el
tiempo tiene un efecto importante en la respuesta experimental. Así, este tipo de diseño
permite la separación de un factor adicional de un número igual de bloques y
tratamientos. Si hay más de tres bloques y tratamientos, entonces una serie de diseños
cuadrados latinos son posibles.

14

0 1
 Referencias

Álvarez-Gil, L., Guerra-Sandoval, J., & Rojas-Reyes, N. (2018). Diseño factorial 2 k

aplicado a la caracterización reológica de suspensiones de
caolín. Prospectiva, 16(1), 18-25.

Alulema, J. M., Mariño, C. S., Acevedo, J. S., Tixilema, M. R., & Lozano, Á. G. (2018).
Diseño factorial mixto para control de temperaturas en las inyectoras del proceso
productivo de calzado. ECA Sinergia, 9(1), 109-117.

Ávila Ávila, W., Medina Vargas, O. J., & Moreno Bastidas, L. M. (2019). Aplicación de
un diseño factorial 23 en la extracción asistida por microondas y evaluación de la
actividad antioxidante de los compuestos presentes en frutos de Vaeeinium
meridionale. Revista Colombiana de Ciencias Químico-Farmacéuticas, 48(3), 643-
661.

Braga, J. A. (2021). Diseño experimental: Un enfoque en las ciencias agrarias. Notas

de Campus, (1).

Cochran, W. G., & Cox, G. M. (1965). Diseños experimentales (No. 001.424 C647.).
Trillas.

Godoy, R., & Elliot, R. (1981). E fecto de cinco forrajes tropicales sobre algunos
parámetros de la función ruminai y flujo de nutrientes al deudeno de bovinos
alimentados a base de melaza-urea. Producción Animal Tropical, 6(2), 177-184.

Montes-Pérez, R., Borges-Ventura, D., Solorio-Sánchez, F., Sarmiento-Franco, L., &

Magaña-Monforte, J. (2018). Preferencia del consumo de ensilado y su efecto
sobre la actividad ovárica del Pecari tajacu. Abanico veterinario, 8(2), 47-58.

Padrón Corral, E. (1996). Diseños experimentales con aplicación a la agricultura y la

ganadería. Trillas. 1ª edición. México.

Rodríguez del Angel, J. M. (1991). Métodos de investigación pecuaria. México: Trillas

Editores.

15

0 1