You are on page 1of 18

TRABAJO COLABORATIVO

DISEÑO EXPERIMENTAL

LUIS ALBERTO VERGARA DOMINGUEZ

CODIGO: 93.436.068

ESTUDIANTE

CURSO 300004-38

E- MAIL: lavergarado@gmail.com

LINA MARIA MONSALVE

TUTORA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

CERES DOS QUEBRADAS (PEREIRA)

BARCELONA QUINDIO

MARZO DE 2019
INTRODUCCIÓN

El diseño experimental es el procedimiento de planeación y conducción de

experimentos, así como la definición del análisis estadístico para evaluar los

resultados, con el objetivo de tener conclusiones válidas y objetivas. El

procedimiento incluye la definición de factores a modificar, la manera de su

aplicación y el número de pruebas a realizar. Mellado.

El diseño experimental consiste en una base de datos estadísticos a través

del cual se pueden identificar muchas cosas. Un experimento factorial completo es

un experimento cuyo diseño consta de dos o más factores, cada uno de los cuales

con distintos valores o niveles, cuyas unidades experimentales cubren todas las

posibles combinaciones de esos niveles en todo los factores. Este tipo de

experimentos permiten el estudio del efecto de cada factor sobre la variable

respuesta, así como el efecto de las interacciones entre factores sobre dicha

variable.

En el desarrollo de esta actividad se revisarán los fundamentos del

experimento y sus elementos, diseño experimental, modelo estadístico y

transformación de datos, con el propósito de aplicarlos en el desarrollo de tres

estudios de caso, además se dará respuesta a unas preguntas propuestas en la

guía de aprendizaje. Por lo tanto, en el transcurso de este trabajo se podrán afianzar

los conceptos relacionados con los diseños experimentales y su aplicabilidad en el

campo agropecuario.
OBJETIVOS

Objetivo general
Conocer el concepto y los fundamentos del diseño experimental en el área de las
ciencias agropecuarias y aplicarlos en experimentos para procesarlos e
interpretarlos para dar conclusiones válidas y objetivas en el desarrollo de
experimentos.

Objetivos específicos
• Conocer los conceptos más importantes del diseño de experimentos a través
de la realización del cuestionario.
• Aplicar el diseño de experimentos en bloques completos al azar y analizar
sus resultados
• Analizar la varianza de un solo factor en los ejercicios aplicados en diseño
factorial
Realizar la lectura de los contenidos en el Entorno de conocimiento
correspondiente a la Unidad 1 y/o de fuentes confiables en internet.
Desarrollar las actividades abajo.
1. Cuestionario:

A. ¿Qué es una unidad experimental?


La unidad experimental es el elemento (planta, animal u objeto) al que se le
modificarán en forma planeada factores para revisar su respuesta.
B. ¿Qué es una unidad de observación?
es cada medición de la variable respuesta.

C. ¿En qué se diferencian los factores de los tratamientos y por qué?


El tratamiento es el proceso de modificación de factores de una unidad experimental
y cuyos efectos van a ser medidos y comparados. Tratamiento Testigo Es la
selección de un grupo de unidades experimentales al que no se le aplica tratamiento
especial con el fin de comparar los resultados con los otros tratamientos.

D. ¿Cuál es la finalidad de analizar una variabilidad de un conjunto de


datos?
la finalidad de analizar una variabilidad de un conjunto de datos es que Las medidas
de variabilidad nos informan sobre el grado de concentración o dispersión que
presentan los datos respecto a su promedio.

E. ¿En qué consiste el diseño experimental?


El diseño experimental es el procedimiento de planeación y conducción de
experimentos, así como la definición del análisis estadístico para evaluar los
resultados, con el objetivo de tener conclusiones válidas y objetivas. El
procedimiento incluye la definición de factores a modificar, la manera de su
aplicación y el número de pruebas a realizar.
El propósito del diseño de experimentos es establecer las metodologías que
aseguren las conclusiones válidas y objetivas en el desarrollo de experimentos.
F. ¿Cuál es la diferencia de un diseño experimental balanceado y no
balanceado?
Diseño balanceado
Usted tiene exactamente una observación para todas las combinaciones posibles
de los niveles de los factores para los factores A, B y C: (0, 0, 0); (0, 0, 1); (0, 1, 0);
(0, 1, 1); (1, 0, 0); (1, 0, 1); (1, 1, 0); y (1, 1, 1).

Diseño no balanceado
En este caso, faltaría la combinación de niveles de factor (1, 0, 0) y usted tiene dos
observaciones de la combinación (0, 1, 0). Cualquiera de estas condiciones, por sí
solas, hacen que el diseño sea no balanceado.

Por tanto, el análisis de un diseño balanceado es sencillo, porque se pueden ver las
diferencias entre las medias de los niveles de factores sin procesar para sus
estimaciones de los efectos principales y de interacción. Si el diseño es no
balanceado, bien sea porque así estaba previsto o debido a una pérdida accidental
de datos, las diferencias en las medias de los niveles de factores sin procesar
podrían mostrar las observaciones no balanceadas en lugar de cambios en los
niveles de los factores. Para los diseños no balanceados, puede usar medias
ajustadas para predecir los resultados que habría producido un diseño balanceado.

G. ¿Cuáles son los diseños experimentales más usados en ciencias


agropecuarias y cuáles son sus posibles usos?

En la planificación agrícola o biológica y en el desarrollo de una investigación en


particular, son de interés los siguientes aspectos:
a. Especificar los problemas, con el fin de probar hipótesis o encontrar respuestas.
Es necesario considerar que los experimentos sean:
a.1. Experimentos simples, cuando se estudia un solo factor de variación; por
ejemplo, probar cinco variedades de sorgo, estudiar cinco dosis de nitrógeno en
trigo, etc.
a.2. Experimentos factoriales, cuando se estudian simultáneamente dos o más
factores que influyen en la producción; por ejemplo, estudiar tres variedades, cada
una sembrada a tres densidades de siembra, o bien tratamientos de fósforo,
nitrógeno y potasio, cada uno a cuatro dosis por unidad de superficie.
Mantener constante los diversos factores que pueden afectar a la producción o a la
calidad del producto, de manera que los únicos factores de variación sean los
tratamientos objeto de estudio. e. Extremar precauciones y ser cautos en los
resultados experimentales, considerando que un experimento es una observación
de una muestra en una población de experimentos. f. Repetir experimentos
uniformes en diferentes localidades, suelos y años. g. Tener conocimiento de la
tecnología de campo y saber cuáles son los problemas del productor
H. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?
ANOVA de un factor (también llamada ANOVA unifactorial o one-way ANOVA en
inglés) es una técnica estadística que señala si dos variables (una independiente y
otra dependiente) están relacionadas en base a si las medias de la variable
dependiente son diferentes en las categorías o grupos de la variable independiente.
Es decir, señala si las medias entre dos o más grupos son similares o diferentes.
uno de los principales usos en la estadística de la ANOVA es estimar varianzas.

I. ¿Qué es un diseño completamente al azar (DCA), cuáles son sus


ventajas, desventajas, en qué casos se usa?
El diseño completamente al azar es una prueba basada en el análisis de varianza,
en donde la varianza total se descompone en la “varianza de los tratamientos” y la
“varianza del error”. El objetivo es determinar si existe una diferencia significativa
entre los tratamientos, para lo cual se compara si la “varianza del tratamiento” contra
la “varianza del error” y se determina si la primera es lo suficientemente alta según
la distribución F.
Ventajas
1.- Permite flexibilidad completa. Puede utilizarse cualquier número de tratamientos
y repeticiones, siempre y cuando se consigan unidades experimentales
homogéneas. Puede variarse a voluntad el número de repeticiones de un
tratamiento a otro (pero no es muy recomendable sin una buena razón),
2.- El análisis estadístico es fácil, aun si el número de repeticiones por tratamiento
no es el mismo, o si los errores experimentales difieren de un tratamiento a otro.
3.- Aun cuando los datos de algunas de las unidades o algunos tratamientos
completos se hayan perdido, o se rechacen por alguna causa, el método de análisis
sigue siendo sencillo. Por otra parte, la pérdida relativa de información debida a los
datos faltantes, es de menos importancia que en cualquier otro diseño.
4.- Se obtiene el mayor número de grados de libertad para estimar el error
experimental.
Desventajas
1.- Si el número de tratamientos o de repeticiones es muy elevado, a veces resulta
difícil conseguir unidades experimentales homogéneas.
2.- Si el número de repeticiones o de tratamientos es muy bajo, se pierde
sensibilidad en el experimento.

J. ¿Qué tipo de hipótesis se aplica en un diseño completamente al azar


(DCA)?
En un diseño completamente al azar, la hipótesis nula es que los efectos de
tratamientos (β) son todos iguales, lo que se expresa por: H0: β1 = β2 = β2 .. . . . .
La hipótesis alterna es que hay al menos un efecto de tratamiento que es diferente
a los demás. Para probar la hipótesis, en la tabla ANVA se comparan los cuadrados
medios de tratamientos respecto a los cuadrados medios del error, los primeros
deben ser suficiente mayores que los segundos. Debido a que los cuadrados
medios se distribuye ji-cuadrada, al dividir dos variables con distribución ji-cuadrada
se obtiene una variable con una distribución F (Fisher). Es por esto que la división
de los cuadrados medios de tratamientos entre cuadrados medios del error se le
llama «F calculada», y se puede ubicar en esta distribución Fc El nivel de
significancia es de 0.05 (95% de seguridad), es decir, que se tiene que identificar el
punto (F tabular con nivel de significancia de 0.05), cuya área a la derecha sea de
0.05; si Fc logra ser mayor que Ft entonces es cuando se rechaza la H0 . Fc Ft En
el caso de los paquetes computacionales, no se usan las columnas Fc y Ft , se
cambia por la probabilidad de que ocurra Fc , cuando esto ocurre, se rechaza H0
cuando la probabilidad es menor a 0.05.

K. ¿Explique en qué situaciones se aplica un diseño en bloques completos


al azar (DBA), cuáles son sus ventajas y desventajas?
Se utiliza en algunos experimentos las unidades diseño experimentales no son
homogéneas, es decir, algunas tienen características diferentes a las demás. Para
eficientar el experimento las unidades experimentales se agrupan por su
homogeneidad y a esos grupos se les aplican los tratamientos. Así se evalúa
también el impacto del grupo de unidades llamado bloque. La varianza total se va a
separar en tres varianzas, la de tratamientos, la de bloques y la del error.
Ventajas
Es fácil de analizar, extrae del error experimental la variación debida a los bloques
además de la variación debida a tratamientos.
Desventajas
Menor número de grados de libertad para el error experimental. Si el número de
tratamientos es muy elevado (como 25), se hace muy difícil conseguir un buen
agrupamiento de las parcelas experimentales.
c. Restricciones
Cada bloque debe contener los tratamientos asignados al azar.

L. ¿Qué tipo de hipótesis se aplica en un diseño en bloques completos al


azar (DBCA)
El diseño en bloques más simple es el denominado diseño en bloques completos,
en el que cada tratamiento se observa el mismo número de veces en cada bloque.
El diseño en bloques completos con una única observación por cada tratamiento se
denomina diseño en bloques completamente aleatorizado o, simplemente, diseño
en bloques aleatorizado. Cuando el tamaño del bloque es inferior al número de
tratamientos no es posible observar la totalidad de tratamientos en cada bloque y
se habla entonces de diseño en bloques incompletos.
EJERCICIOS DE APLICACIÓN

Estudio de caso 1.

Se investigó una pérdida de peso (Gómez y González, 1991) en


porcentaje del peso inicial de la carne de res tipo milanesa después de 5
días de empacada con diferentes materiales:
Tabla 1. Pérdida de peso en porcentaje.

Icopor Biopak Cry-o- Shopak


vac
5.33 6.59 4.95 2.41
4.95 7.90 4.44 2.83
5.10 4.48 3.48 2.97
7.14 7.32 3.92 2.38
7.84 6.41 8.62 2.11

Ya se ha comprobado que los datos son normales y con varianzas


homogéneas. De acuerdo con los datos presentados y a la distribución del
experimento resuelva:

a. ¿Qué tipo de diseño experimental es? Justifique su respuesta


Este DCA unifactorial, de acuerdo al número de repeticiones se tiene un
ANOVA balanceado: como los niveles del son escogidos previamente se
tiene el modelo I 0 modelo de efectos fijos.
b. ¿Cuál es el modelo matemático? Para cada ítem en el ejercicio
planteado indique a que corresponde cada término del modelo

correspondiente al modelo e interpretar la prueba F. Al comparar F=6.21


con F (.05, 3, 16) =3.24, se rechaza H0, es decir que la perdida promedio,
es diferente dependiendo de las envolturas.

c. ¿Estipule claramente las hipótesis que interesa contrastar con el


análisis de varianza de este experimento?
Describir los factores, los niveles, las unidades experimentales, la
variable de respuesta y una aleatorización correcta para este diseño.
d. Realice el análisis de varianza en Excel.

e. ¿Según el análisis de varianza hay diferencias significativas? ¿Por


qué?
El factor de estudio es la envoltura, tiene 4 niveles: Icopor, Biopak, Cry-
o-vac, Shopak, cada unidad experimental corresponde a cada porción de
carne milanesa empacada, teniendo como variable respuesta la pérdida
de peso, para una aleatorización correcta, de un mismo trozo de carne
sacar porciones a empacar en diferentes envolturas.
f. Si encuentra diferencias estadísticas significativas, realice la prueba
de Tukey en Excel relacionando las operaciones.
Aplicar la prueba de Bartlett para chequear la homogeneidad Bartlett
test of homogeneity of variances
data. datos
Bartt's K-squred=8.2027, df=1, p-value=0.004183

g. Discuta ampliamente los resultados, desde la perspectiva


biológica.
En algunos problemas de investigación, los datos experimentales
pueden presentar simetría y homogeneidad de varianzas en los
diferentes grupos del ANOVA, sin embargo, las presencias de muchos
datos extremos originan largas colas en la distribución lo cual da como
resultado muy poca sensibilidad en las pruebas.
Por tanto, al calcular el 95% de la perdida en la envoltura shopak y
compararlas con la perdida promedio de peso entre icopor y biopak nos
arroja que el intervalo contiene al cero, no se puede afirmar que exista
diferencia entre la pérdida del peso promedio al utilizar el empaque
Biopak o Icopor.
𝑦̌± 𝑡0.25.16 √𝑀𝐶𝐸/𝑟

287
2.54 − 2.12√ < 𝑦 < 254 + 2.12√287/5
5

3,47 < y shopak < 6,69


y biopak − y biopak ± 𝑡0.25.16 √2𝑀𝐶𝐸/5
−1.8 < y biopak − 𝑦 𝑏𝑖𝑜𝑝𝑎𝑘 < 2.7

Estudio de caso 2.

En un estudio se permite reducir el tiempo de permanencia de la vaca con el ternero

y por consiguiente aumentar la producción de leche por vaca-día. Se evaluó la


variable peso corporal (kg) en terneros hasta 112 días de nacidos. Fueron probados

amamantamiento restringido (R) y amamantamiento tradicional (T).

En el cuadro se registra el peso corporal de los animales cada 28 días.

Tabla 3. Datos de peso corporal (kg) de los terneros.

Amamantamiento Restringido Amamantamiento Tradicional


Terneros (R) (T)
Día Día Día Día Día Día Día Día Día Día
0 28 56 84 112 0 28 56 84 112
1 41 50 63 92 118 43 60 68 101 119
2 32 41 52 66 93 37 48 60 81 103
3 41 55 70 92 114 36 47 71 88 103
4 31 41 53 77 99 41 60 75 98 113
5 38 52 77 88 117 42 58 80 101 113

a. ¿Qué tipo de diseño experimental es y por qué?

Bloques complementarios aleatorios

b. ¿Cuál es el modelo matemático? Para cada ítem en el ejercicio

planteado indique a que corresponde cada término del modelo

𝒚̂ 𝒊𝒋 = 𝝁
̂ ∝ ̂𝒋 = 𝒚
̂ 𝒊+𝜷 ̂𝒊 + 𝒚
̂𝒋 − 𝒚
̂

𝒚𝒊𝒋 = 𝝁+∝ 𝒊 + 𝜷𝒊𝒋

∝ 𝑖 ∈ 𝑁(0, ∝2∝ ), 𝛽𝑖𝑗 ∈ 𝑁(0, 𝛼 2 )


𝜇 𝑚𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙

𝑡𝑖 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑖 − 𝑒𝑠𝑖𝑚𝑜 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜

𝛽𝑗 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑗 − 𝑒𝑠𝑖𝑚𝑜 𝑏𝑙𝑜𝑞𝑢𝑒

∈𝑖𝑗 𝑒𝑟𝑟𝑜𝑟 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑗 𝑑𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑖

c. Plantee las hipótesis.

La hipótesis nula: La media en los dos grupos en los diferentes días es igual

Hipótesis alterna: Al menos en un grupo la media es distinta

La hipótesis nula indica que un parámetro de población es igual a un valor

hipotético. La hipótesis nula puede ser una afirmación inicial que se basa en

análisis previos.

d. Realice el análisis de varianza en Excel, aplicando las fórmulas, la tabla

del Análisis de Varianza (ANOVA) debe recoger los valores de SC, CM,

GL, F calculado, F tabulado y probabilidad realizados con fórmula

debidamente evidenciable y relacionando las operaciones. Los análisis

deben ser producto de las fórmulas o elaborados en el archivo Excel o

en algún software estadístico.

Tabla Nª 4. Análisis de varianza de un factor

Grupos Cuenta Suma Promedio Varianza


Columna 5 183 36,6 23,3
1
Columna 5 239 47,8 41,7
2
Columna 5 315 63 116,5
3
Columna 5 415 83 128
4
Columna 5 541 108,2 130,7
5
Columna 5 199 39,8 9,7
6
Columna 5 273 54,6 42,8
7
Columna 5 354 70,8 56,7
8
Columna 5 469 93,8 79,7
9
Columna 5 551 110,2 49,2
10

ANÁLISIS DE VARIANZA
Origen de las Suma de Grados Promedio F Probabilidad Valor crítico
variaciones cuadrados de de los para F
libertad cuadrados
Entre grupos 33059,38 9 3673,26444 54,154 1,35913E- 2,12402926
19
Dentro de los 2713,2 40 67,83
grupos

Total 35772,58 49

e. ¿Según el análisis de varianza hay diferencias significativas? Justifique

la respuesta

Si hay diferencias significativas ya que se está analizando con un nivel de

confianza del 95% y la probabilidad nos está dando un valor muchísimo

menor que el esperado, por tal razón se acepta la hipótesis alternativa.


La hipótesis nula: La media en los dos grupos en los diferentes días es igual

Hipótesis alterna: Al menos en un grupo la media es distinta

f. Si encuentra diferencias estadísticas significativas, realice la prueba de

Tukey en Excel relacionando las operaciones.

Tabla Nª 5. Datos promedios

41 50 63 92 118 43 60 68 101 119


32 41 52 66 93 37 48 60 81 103
41 55 70 92 114 36 47 71 88 103
31 41 53 77 99 41 60 75 98 113
38 52 77 88 117 42 58 80 101 113
36,6 47,8 63 83 108,2 39,8 54,6 70,8 93,8 110,2

Tabla Nª 6. Prueba de Tukey


1 2 3 4 5 6 7 8 9 10
1 - -26,4 - - -3,2 -18 -34,2 - -73,6
11,2 46,4 71,6 57,2
2 -15,2 - - - 8 -23 -46 -62,4
35,2 60,4 60,4
3 -20 - 23,2 8,4 -7,8 - -47,2
45,2 30,8
4 - 43,2 43,2 28,4 12,2 -27,2
25,2
5 68,4 53,6 37,4 14,4 -2
6 - -31 -54 -70,4
14,8
7 -16,2 - -55,6
39,2
8 -23 -39,4
9 -16,4
10

g. Discuta ampliamente los resultados, desde la perspectiva biológica.


CONCLUSIONES

Después de dar respuesta a los casos expuestos y determinar los tipos de diseño y

respectivas variables aplicadas en los experimentos de cada caso podemos concluir

que los diseños experimentales mencionados son usados en ciencias

agropecuarias dando solución a los problemas agronómicos de nuestros cultivos en

nuestro país, con ellos podemos tomar decisiones importantes para mejor y/o

aumentar las producciones y mejora la calidad de vida.

Los diseños experimentales nos permiten identificar claramente las diferencias

entre cómo actúan los tratamientos en las semillas y de esa manera poder

seleccionar más fácilmente cual es el más adecuado.


BIBLIOGRAFIA

Balzarini, M., Tablada, M., & González, L. (2009). Introducción a la bioestadística:


aplicaciones con infostat en agronomía. p. 291-305.
Recuperadodehttps://bibliotecavirtual.unad.edu.co:2538

Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores.
Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.

Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-


Hill, México.