◼ Diseño Completamente al
Azar
Objetivos
Entender los fundamentos
del diseño completamente
al azar, analizar e
interpretar sus resultados.
2
Diseño Completamente al Azar
Los tratamientos son asignados
aleatoriamente a las unidades
experimentales sin ninguna restricción.
Cada unidad experimental tiene la misma
probabilidad de recibir cualquier
tratamiento.
Conocido como experimento con un factor
(One way)
3
Características
Es flexible
No requiere que sea balanceado
Se requiere de material homogéneo.
Toda la variabilidad entre las unidades estarán
incluidas en el error.
Se usa en invernaderos, granjas, laboratorios,
etc. Donde el ambiente es controlado y las U.E
tienen características homogeneas.
4
Croquis experimental
4 tratamientos con 4 repeticiones por
tratamiento (16 unidades experimentales)
T1 T2 T3 T4
T1 T1 T3 T3
T4 T2 T1 T3
T4 T4 T2 T2
5
Modelo Aditivo Lineal
Yij = + i + ij i = 1, 2, ,t
ij ~ N ( 0, 2 ) j = 1, 2, , ni
Yij valor observado en el i-ésimo tratamiento y la j-ésima repetición.
efecto de la media general.
i efecto del i-ésimo tratamiento.
ij efecto del error experimental en el i-ésimo tratamiento y la j-
ésima repetición.
6
Análisis de Varianza
Fuente de Grados de Suma de Cuadrados Fcal
Variación Libertad Cuadrados Medios
Tratamientos t-1 SC(Trat) SC(Trat)/(t-1) CM(Trat)/CM(Error)
Error n.-t SC(Error) SC(Error)/(n-t)
Total n.-1 SC(Total)
CME
CV = 100
Y
7
Hipótesis
Para el Modelo I (Efectos fijos)
H0 : i = 0 H 0 : i =
H1 : i 0 Para algún i H 1 : i Para algún i
Ho: Todos los tratamientos tienen el mismo efecto
Ha: No todos los tratamientos tienen el mismo efecto
8
CRITERIO
Si PVAL < , SE RECHAZA LA Ho.
Si PVAL ≥ , SE ACEPTA LA Ho.
=Nivel de significación (usualmente es 0.05)
9
En un experimento de arroz se probaron cinco insecticidas para el control de la plaga Sogatodes orizicola, la
variedad utilizado fue CICA 8 (variedad de arroz para siembras de secano); este experimento se lleva a nivel de
campo de la Estación Experimental, en DCA, las unidades experimentales fueron parcelas de dos metros
cuadrados y los resultados obtenidos para las variable rendimiento por parcela fueron las siguientes:
Repeticiones
Tratamientos U.E.= una parcela de 2m2
1 2 3 4
V.R=rendimiento
A 3.0 3.5 3.8 3.2 Factor: Insecticida
Tratamientos: A,B,C,D,E
El experimento es
B 2.3 2.0 2.1 2.2 balanceado.
Aleatorización??
C 2.7 2.8 3.0 2.4
D 5.0 4.5 3.8 4.2
E 6.0 8.0 7.0 5.5
Aleatorización:
A C A B D
E A C A C
E B D B D
E E B D C
u.e=Parcela de 2 mt2
11
Recuperando datos y generando el modelo
# recuperando datos
dca<-read.delim('clipboard')
View(dca)
attach(dca)
DIAGRAMA DE CAJAS
# diagrama de cajas bp<-
boxplot(rend~trat, xlab='Tratamientos',ylab='rendimiento', ggplot(dca,aes(x=factor(trat),y=rend))+geom_boxplot(aes(fi
main="diagrama de cajas de los tratamientos", ll=trat))+theme_classic()
col= c("blue", "green", "yellow","white","red")) bp
NORMALIDAD
Antes de realizar la prueba de normalidad, generamos el modelo.
# estableciendo modelo
dca_m<-aov(rend~trat,data=dca)
# prueba de normalidad con shapiro
shapiro.test(residuals(dca_m))
Ho: los errores se distribuyen normalmente
Ha: Los errores no se distribuyen normalmente
Si Pval<α; se rechaza la Ho
Si Pval≥α ; se acepta la Ho
Como Pval es mayor que alfa(0.05); se acepta la Ho. Es decir
Los residuales tienen distribución normal.
HOMOCEDASTICIDAD
Ho: Todos los tratamientos tienen la misma variabilidad
Ha: No todos los tratamientos tienen la misma variabilidad
alfa=0.05
Si hay normalidad, se usa la prueba de Bartlett
Si no hay normalidad, se usa la prueba de Levene
# Prueba de homogenedidad de bartlett.test(residuals(dca_m)~trat,data=d
variancias ca)
bartlett.test(rend~trat,data=dca)
Como Pval es menor que 0.05; se rechaza la Ho, es decir no hay
homogeneidad de variancias (por fines académicos continuamos).
ANVA
summary(dca_m)
Ho: Todos los tratamientos tienen el mismo efecto.
Ha: No todos los tratamientos tienen el mismo efecto.
Alfa=0.05
Como pval es menor que 0.05; se rechaza la Ho. Es decir los insecticidas no
Producen el mismo efecto en el rendimiento.
Se recomienda realizar una prueba Post ANVA. Para verificar que insecticida
genera el mejor rendimiento.
POST ANVA
#Post ANVA
TukeyHSD(dca_m)
Ho: Tratamiento i =Tratamiento j
Ha: Tratamiento i ≠ Tratamiento j
α (usualmente 0.05)
El tratamiento E, es el único que tiene diferencias significativas con los
demás tratamientos. Considerando el diagrama de cajas, se puede
concluir que el tratamiento E es el mejor tratamiento, ya que produce el
mejor rendimiento.
17
Con agricolae
HSD.test(rend,trat,15,0.528,group=T,console=T)
18
19
20
Realice
a. Análisis exploratorio de datos
b. Verifique los supuestos de normalidad y
homogeneidad
c. Realice el ANVA
d. Realice el Post ANVA
21
Observacion
La variable respuesta es tamaño de camada al
nacimiento (TCN), la cual es una variable cuantitativa
discreta, por lo tanto no es posible hacer ANVA, salvo
que se realice la transformación respectiva.
Cuando los datos están en conteos, la transformación
adecuada es raíz cuadrada.
22
Recuperando datos
# recuperando datos
dca<-read.delim('clipboard')
View(dca)
attach(dca)
23
ANALISIS EXPLORATORIO DE DATOS
# diagrama de cajas
boxplot(tcnt~tratamiento,xlab='Tratamientos',ylab='TCN transformado',
main="diagrama de cajas de los tratamientos", col= c("skyblue", "green", "yellow"))
24
NORMALIDAD
Para realizar la prueba de normalidad, debo definir el modelo, en este caso DCA
dca_m<-aov(tcnt~tratamiento,data=dca)
shapiro.test(residuals(dca_m))
Ho: los errores se distribuyen normalmente
Ha: Los errores no se distribuyen normalmente
Como Pval es menor que alfa(0.05); se rechaza la Ho. Es decir
Los residuales no tienen distribución normal.
Como no hay normalidad de los errores, lo que se debe hacer es usar
estadística no paramétrica, en este caso la prueba de Kruskal-Wallis, que se
vera mas adelante.
HOMOGENEIDAD DE VARIANCIAS
#instalar car
tratamiento<-as.factor(tratamiento)
leveneTest(tcnt,tratamiento)
De acuerdo al Pval, se acepta la Ho. Es decir, hay homocedasticidad
26
Se desea comparar el efecto de 3 distanciamientos en el cultivo de maíz,
dicha investigación se realizara con 3 repeticiones y un testigo.
• Recuperar datos
• Diagrama de cajas
• Prueba normalidad
• Prueba de
homocedasticidad
• ANVA
• Post ANVA
Recuperando datos
# recuperando datos
dca<-read.delim('clipboard')
View(dca)
#mejorando la definición de las variables
dca$trat<-as.factor(dca$trat)
attach(dca)
Diagrama de cajas
# diagrama de cajas
boxplot(rend~trat,xlab='Tratamientos',ylab='rendi
miento',
main="diagrama de cajas de los tratamientos",
col= c("blue", "green", "yellow","white"))
Normalidad
Antes de hacer la prueba de normalidad, debo construir el modelo:
# estableciendo modelo
dca_m<-aov(rend~trat,data=dca)
# prueba de normalidad con shapiro
shapiro.test(residuals(dca_m))
Ho: los errores se distribuyen normalmente
Ha: Los errores no se distribuyen normalmente
Como pval es mayor que 0.05, se acepta la Ho; es decir hay normalidad de lo
Errores.
Homogeneidad de variancias
Ho: Todos los tratamientos tienen la misma variabilidad
Ha: No todos los tratamientos tienen la misma variabilidad
alfa=0.05
# Prueba de homogeneidad de variancias # Prueba de homogenedidad de variancias
bartlett.test(rend~trat,data=dca) bartlett.test(residuals(dca_m )~trat,data=dca)
A un nivel de significación de 0.05; se puede afirmar que hay homocedasticidad
ANVA
#ANVA
summary(dca_m)
Ho: Todos los tratamientos tienen el mismo efecto.
Ha: No todos los tratamientos tienen el mismo efecto.
alfa=0.05
Como pval es menor que 0.05; se rechaza la Ho. Es decir los distanciamientos no
producen el mismo rendimiento.
Se recomienda realizar una prueba Post ANVA. Para verificar que distanciamiento
genera el mejor rendimiento.
32
La prueba de Dunnet
Para comparar todos los pares de tratamientos, se puede usar Tukey,
sin embargo cuando uno de los tratamientos es el testigo, se usa la
prueba de Dunnet, esta prueba compara el testigo con todos los demás
tratamientos.
Para aplicar la prueba de Dunnet, se necesita que el ANVA en
tratamientos sea significativo (se rechace la Ho).
33
Prueba de comparacion
# usa la librería multcomp, el tratamiento debe ser definido como factor.
compar<-glht(dca_m,linfct=mcp(trat="Dunnett"))
summary(compar)
35
• Recuperar datos
• Diagrama de cajas
• Prueba normalidad
• Prueba de
homocedasticidad
• ANVA
• Post ANVA
36
