Agroclimatologia
Unidad 1 - Paso 1
Introducción ABPr
Daniel Smith Rey Moreno
Grupo: 166
Tutor:
Universidad Nacional
Abierta y a Distancia –
UNAD
Escuela de Ciencias
Agrícolas Pecuarias y del
Medio Ambiente- ECAPMA
Programa: Agronomía
Agosto de 2024
Agroclimatologia
Unidad 1 - Paso 1
Introducción ABPr
Daniel Smith Rey Moreno
Grupo: 166
Tutor:
Universidad Nacional
Abierta y a Distancia –
UNAD
Escuela de Ciencias
Agrícolas Pecuarias y del
Medio Ambiente- ECAPMA
Programa: Agronomía
Agosto de 2024
Agroclimatologia
Unidad 1 - Paso 1
Introducción ABPr
Daniel Smith Rey Moreno
Grupo: 166
Tutor:
Universidad Nacional
Abierta y a Distancia –
UNAD
Escuela de Ciencias
Agrícolas Pecuarias y del
Medio Ambiente- ECAPMA
Programa: Agronomía
Agosto de 2024
Diseño experimental
Tarea 3 – Aplicación del diseño cuadrado latino.
NOMBRE: Yuly
Tutor:
Universidad Nacional Abierta y a Distancia – UNAD
Escuela de
Programa:
Octubre de 2024
INTRODUCCION
Mediante el presente trabajo se quiere dar a entender como 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. Al seguir los principios
del diseño experimental y utilizando las herramientas estadísticas adecuadas, podemos
tomar decisiones más informadas y basadas en evidencia.
Teniendo estos conceptos claros se realizan las preguntas orientadoras y los conceptos
básicos de las mismas, de esta manera se busca describir diferentes conceptos asociados al
diseño experimental, haciendo énfasis en el cuadrado 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.
se realizan las preguntas
orientadoras respecto al
tema
diseño experimental,
conceptos básicos: tipos
de variables, uso del
histograma,
experimentos con
resultados en porcentajes,
diseño completamente al
azar y diseño
bloques completamente al
azar, relación de los
diferentes diseños de un
análisis de
varianzas; por otro lado se
enfatiza en el modelo y
fórmulas de suma de
cuadrados, de
tratamientos y de error de
los dos diseños DCA y
BCA con la respectiva
hipótesis nula,
compartidos en una tabla
resumen
se realizan las preguntas
orientadoras respecto al
tema
diseño experimental,
conceptos básicos: tipos
de variables, uso del
histograma,
experimentos con
resultados en porcentajes,
diseño completamente al
azar y diseño
bloques completamente al
azar, relación de los
diferentes diseños de un
análisis de
varianzas; por otro lado se
enfatiza en el modelo y
fórmulas de suma de
cuadrados, de
tratamientos y de error de
los dos diseños DCA y
BCA con la respectiva
hipótesis nula,
compartidos en una tabla
resumen
OBJETIVOS
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. Esto permite al
investigador identificar los factores y variables que tienen un impacto significativo sobre la
respuesta, así como para establecer relaciones entre los factores y variables independientes
y la respuesta.
Específicos
Establecer relaciones de causa y efecto e identificar qué factores influyen en la variable de
respuesta y en qué medida.
Identificar los efectos de los factores en los resultados del experimento.
Mostrar los resultados de los ejercicios realizados y su respectivo análisis de acuerdo a los
criterios establecidos.
Desarrollo de la Actividad
1. Conceptos sobre el diseño cuadrado latino.
1.1. ¿Qué tipo de organización presentan los tratamientos de campo?
El tipo de organización que presenta estos tratamientos de campo deben
organizarse tipo sudoku, no pueden repetirse ninguno de ellos ni en fila ni en
columna donde se ordenan.
Organización en campo
Sudoku
Hipótesis del análisis de varianza
Hipótesis de test de validación
Prueba de Shapiro – Wilk
1.2. Si se tiene un caso de 9 tratamientos, ¿Cuántas unidades experimentales se
requieren para montar un cuadrado latino?
Cuando se tienen 9 tratamientos, se requieren 81 unidades experimentales,
ya que se deben elevar los tratamientos al cuadrado, por ejemplo ( 9 )2 =81.
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
2. Conceptos básicos de cuadrado latino y experimento factorial.
Cuadrado latino
- Organización en campo.
La organización debe ser en columnas y filas, debe estar ordenado en forma de
sudoku, sin repetirse filas ni columnas.
- Hipótesis del análisis de varianza
Cuenta con dos tratamientos, una hipótesis nula y una hipótesis alterna. La hipótesis
nula para tratamientos, columnas y filas es que el promedio de cada uno de los
tratamientos, columnas o filas es igual a los demás, esta se rechaza cuando el P –
valor es menor a 0,05 y la hipótesis alterna que al menos una de las medias de los
tratamientos, columnas o filas, es diferente.
- Hipótesis del test de validación de los supuestos del modelo
Esta hipótesis se realiza para la prueba de normalidad, la hipótesis nula indica que
los residuales se ajustan a una distribución normal, se realiza el Test de Shapiro –
Wilk, si se tienen 50 o menos de 50 residuales y para la prueba de normalidad de
más de 50 residuales, se realiza el Test de Kolmogorov Smirnov modificación
Lilliefors. Para la prueba de varianza constante, donde se aplica el Test de Levene,
se tiene que la hipótesis nula es que los residuales presentan varianza constante, en
estos tests la hipótesis nula se rechaza cuando el P – valor es menor a 0,05.
- Desarrollo de las pruebas de comparación de medias
Para las pruebas simples las letras iguales compartidas por los diferentes
tratamientos, indican que el comportamiento es el mismo, para las letras diferentes
el comportamiento es distinto.
Diseño factorial
- Organización en campo.
Esta es de forma aleatoria, ya que se puede aplicar tanto a diseños completamente al
azar DCA, como en bloques completamente al azar BCA, cuenta con dos factores.
- Hipótesis del análisis de varianza.
Cuenta con una hipótesis y una hipótesis alterna, la hipótesis nula para cada uno de
los factores es que el promedio de cada tratamiento en cada uno de ellos es igual y
la hipótesis alterna es que al menos uno de los promedios es diferente, esta se
rechaza cuando el P – valor es menor a 0,05, en la interacción, para la hipótesis nula
es que el resultado de cada interacción de los factores es igual a las demás
combinaciones de la interacción y la hipótesis alterna que, al menos una
combinación tenga un comportamiento diferente, también se rechaza con un P –
valor menor a 0,05.
- Hipótesis de test de validación de los supuestos del modelo.
Para la prueba de normalidad de hasta 50 residuales se realiza el Test de Shapiro –
Wilk y para la prueba de normalidad de más de 50 residuales, se realiza el Test de
Kolmogorov Smirnov modificación Lilliefors, donde la hipótesis nula indica que
los residuales se ajustan a una distribución normal, para la prueba de varianza
constante, se aplica el Test de Levene a cada uno de los factores y la hipótesis nula
es que los residuales presentan varianza constante, esta son rechazadas cuando el P
– valor es menor a 0,05.
- Desarrollo de las pruebas de comparación de medias.
En las pruebas simples las letras iguales compartidas por los diferentes factores
indican que el comportamiento es el mismo y letras diferentes, que el
comportamiento es distinto, para las pruebas múltiples aparecen por pares y muestra
un P – valor, si este es menor a 0,05 indica que los pares que se están comparando
son diferentes.
2.1. Si para un diseño cuadrado latino se deben probar 4 tratamientos, ¿Cuántas
unidades experimentales se requieren?
Para un diseño cuadrado latino se prueban 4 tratamientos se requieren 16 unidades
experimentales ya que se debe elevar los tratamientos al cuadrado, en este caso sería
( 4 )2=16
2.2. Si se tiene un diseño bifactorial de 3 tipos de pasto y 3 dosis de bioabono,
¿Cuántos tratamientos se deben trabajar en cada repetición para un diseño de
bloques completos al azar?
Para un diseño bifactorial de 3 tipos de pasto y 3 dosis de bioabono se deben tener 9
tratamientos en cada repetición para un diseño de bloques completos al azar.
3. Del texto indicado, ubique el capítulo de Diseño cuadrado latino y registre:
3.1. Características del diseño
La disposición que maneja las variantes del experimento sobre el terreno se hace en dos
direcciones perpendiculares reciprocas, es decir en estructura de sudoku.
Los tratamientos son agrupados tanto en bloques como en columnas, la cantidad de niveles
es igual en todos los factores.
El número de filas y columnas son iguales, En cada fila y columna se establece un único
factor.
Se utiliza en experimentos agro – técnicas y para seleccionar variedades, no hay
repeticiones en el diseño.
3.2. En que situaciones no se aconseja su uso
Normalmente se hace uso cuando existen condiciones No homogéneas, por lo cual no se
aconseja en experimentos donde se utiliza mecanización para las labores; por otra parte, se
puede utilizar en experimentos agro-técnicos, como selección de variedades.
3.3. Dificultad de usarlo en términos de tratamientos
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, teniendo en cuenta la
aplicación, presenta la dificultad de que no se puede aplicar cuando el número de
tratamientos o variantes es grande.
3.4. Modelo
El modelo que se utiliza es: Yijk = μ+T i+ F j+ Ck + ε ijk
μ: Media general
T i: Es el efecto del i – ésimo tratamiento
F j : Es el efecto de la j – ésima fila
C k: Es el efecto de la k – ésima columna
ε ijk: Variación aleatoria del i – ésimo tratamiento, la j – ésima fila y la k – ésima columna
(error experimental)
3.5. La fórmula de suma de cuadrados de todos los componentes del análisis de
varianza
Las fórmulas que se utilizan en la suma de cuadrados de todos los componentes del análisis
de varianza son las siguientes:
(∑ X )
2
Suma de Cuadrados
SDC Total =∑ X −
2
Totales N
∑ (∑ Trat 2 ) (∑ X )
2
Suma de Cuadrados de
SDC Trat = −
Tratamientos N ° dedatos∗Tratamiento N
∑ (∑ Fila2) (∑ X )
2
Suma de Cuadrados de
SDC Filas= −
Filas N ° dedatos∗Fila N
∑ (∑ Columna2) (∑ X )
2
Suma de Cuadrados de
SDC Columna= −
Columnas N ° dedatos∗Columna N
Suma de Cuadrados del
SDC Error =SDC Total −SDC Trat −SDC Fila −SDC Columna
error
4. Del texto indicado ubique el capítulo de Diseño bifactorial bloques al azar, y
registre:
4.1. Modelo
El modelo que se utiliza es: Yijkl = μ+ Ri + A j +B k + ( AB )ij +ε ijk
Yijkl: Es la observación perteneciente al k – ésimo nivel del factor B, al j –
ésimo nivel del factor A, en la replica i .
μ: Media general
Ri : Es el efecto del i – ésimo bloque o replica
A j: Es el efecto debido al j – ésimo nivel del factor A
Bk : Es el efecto debido al k – ésimo nivel del factor B
( AB )ij: Efecto de la interacción entre el k – ésimo nivel del factor B y el j –
ésimo del factor B
ε ijk: Es el error experimental
(∑ X )
2
Suma de Cuadrados
SDC Total =∑ X −
2
Totales N
(∑ X )
2
Suma de Cuadrados de las
SDC Rep =
∑ Rep2 −
Réplicas o Bloques N ° deobserencadaRep N
(∑ X )
2
Suma de Cuadrados del
SDC Tto=
∑ Tto2 −
Tratamiento N ° deobserencadaTto N
Suma de Cuadrados del
SDC Error =SDC Total −SDC Tto−SDC Rep
error
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.
6. Análisis con Software R para cuadrado latino
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 organizadas
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 un 95% de
acierto 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 95% de acierto 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.
Finalmente, para los tratamientos se obtiene un P – valor menor a 0.05, lo que permite
afirmar con un 95% de acierto que no existe suficiente evidencia estadística para aceptar la
hipótesis nula, es decir, todos los tratamientos no se comportan iguales.
6.4 Test de Shapiro – Wilk
Al aplicar el test, se obtiene un P – valor de 0.1602 lo que permite afirmar con un 95% de
certeza que 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 de Kolgomorov – Smirnov
Al aplicar este test, se obtiene un P – valor de 0.0504, lo que permite afirmar con un 95%
de certeza, 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
95% de certeza 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.
6.7 Test de Tukey
Al aplicar el test de Tukey se puede 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, por último, el tratamiento F5 presenta un rendimiento
medio que es distinto a los otros cuatro. De esta manera, el mejor tratamiento es F2 ya que,
es el que posee mayor rendimiento. Lo anterior, se aprecia mejor 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.
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, se requiere descargar
dos archivos como se muestra en la imagen anterior. Primero se descarga el archivo
codigofactorial.R que contiene el código en R para la realización de cada uno de los test
estadísticos y, luego se descarga el archivo factorial.csv que corresponde a los datos a
considerar en el proceso.
7.2 Validación del formato de los datos
Para este caso, correspondiente al diseño experimental, los datos se presentan en las
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.
Ahora se procede a realizar 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 95% de
acierto 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 0.00339, para el biobras un P – valor de
0.00183, lo que permite afirmar con un 95% de certeza 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
Una vez aplicado el test de Shapiro – Wilk, se obtiene un P – valor de 0.3511 lo que
permite afirmar con un 95% de certeza que no existe suficiente evidencia estadística que
permita rechazar la hipótesis nula, el conjunto de residuales sigue una distribución normal.
7.5 Test de Kolmogorov – Smirnov
Al ejecutar este test se obtiene un P – valor de 0.1119 lo cual permite afirmar con 95% de
certeza 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 Levine
Al aplicar el test se obtiene un P – valor de 0.04979 para el caso de las variedades, lo que
permite afirmar con un 95% de certeza que existe suficiente evidencia estadística para
rechazar la hipótesis nula, es decir, los residuales de las variedades no tienen varianza
constante.
Una vez ejecutado el test, se obtiene un P – valor de 0.08382 para el caso del biobras, lo
cual deja afirmar con 95% de acierto 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, ya que la variedad en V1 es asignada al
grupo A y el rendimiento V2 es asignada al grupo B. De acuerdo con lo anterior, resulta
mejor la primera variedad ya que tiene rendimiento mayor que la variedad V2.
Al ejecutar 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.
También, este test permite determinar el grado de correlación entre las variedades y el
biobras, dando como resultado una 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 prácticamente nula.
A continuación, por medio de unos gráficos, se presentan las medias de cada uno de los
biobras y de las variedades, donde se observa que el rendimiento medio del biobras D2 es
mayor que el rendimiento medio del biobras D1. Por lo mismo, el rendimiento medio de la
variedad V1 es mayor que el rendimiento medio de la variedad V2.
CONCLUSIONES
Para concluir, se puede decir que los diseños factoriales se utilizan cuando es deseable
incluir dos o más variables independientes en el diseño, dentro de los diseños factoriales, un
factor se refiere a la variable independiente y 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.
El 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), estos diseños 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. Este tipo de diseño permite la separación de un factor adicional de un número
igual de bloques y tratamientos.
Referencias
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Exposito I, Gardon D, Peña
E, Ruesga Libro de
experimentación agrícola.
2005. Recuperado
de
Ruesga González, Idania & Peña Peña, Esteban & Expósito Eliza garay, Irene.
(2006). LIBRO DE EXPERIMENTACIÓN AGRÍCOLA. Enlace de descarga:
https://drive.google.com/file/d/1whern92Y33T4oK0x38rvssEbAGwd-urA/view?
usp=sharing
Video guía DCA. Primera Web conferencia de diseño experimental-
20240919_181819-Grabación de la reunión.mp4 (sharepoint.com)
Video guía BCA. Parte final primera web.mp4 (sharepoint.com)
Balzarini, M., Tablada, M., & González, L. (2011). Introducción a la bioestadística:
aplicaciones con infostat en agronomía, p. 291-305. Enlace de descarga:
https://drive.google.com/file/d/196KHMNSq0BGNeicMwCA_aeA1wYi7soQY/view?
usp=sharing
OneDrive: Data - OneDrive (sharepoint.com)
