l

Unidad 2: Tarea 3 - Actividad Intermedia - Diseño Experimental

Solución de Cuestionario y Ejercicios para Conocer los Fundamentos del Diseño Experimental en

el Área de las Ciencias Agropecuarias para Aplicarlos, Procesarlos e Interpretarlos

José Alberto Montero Amaris - Código: 12602046

Luis Miguel Guzmán Guzmán – código: 1074008412

Héctor Antonio García - Código: 76 339 044

Jonatan Mina Vanegas – Código 6446674

Adriana Mirley Gómez

Universidad Nacional Abierta y a Distancia

Escuela de Ciencias Agrícolas, Pecuarias y del Medio Ambiente

Especialización en Biotecnología Agrícola

Curso de Biometría y diseño experimental

Corozal, Sucre

2019
 Solución de Cuestionario y Ejercicios para Conocer los Fundamentos del Diseño

Experimental en el Área de las Ciencias Agropecuarias para Aplicarlos, Procesarlos e

Interpretarlos

José Alberto Montero Amaris - Código: 12602046

Luis Miguel Guzmán Guzmán – código: 1074008412

Héctor Antonio García - Código: 76 339 044

Jonatan Mina Vanegas – Código 6446674

Adriana Mirley Gómez

Eliana María Báez

Tutora

Universidad nacional Abierta y a Distancia (UNAD)

Escuela de Ciencias Agrícolas, Pecuarias y del Medio Ambiente

Especialización en Biotecnología Agrícola

Curso de Biometría y Diseño Experimental

2019
 INTRODUCCION

En sentido estricto, un experimento es un procedimiento de investigación en el que todos los

factores ambientales están bajo control. Como consecuencia es imprescindible manipular las

condiciones en las que se realiza el estudio: hablamos de experimentos “manipulativos” o estudios

experimentales. No obstante, muchas investigaciones utilizan procedimientos de obtención de la

información “no manipulativos” que reciben la denominación de muestreos. El muestreo es un

procedimiento de observación y medida exclusivamente: hablamos de estudios observacionales,

“experimentos” mensurativos, o “experimentos naturales”. (Calvo Sendín, sf).

En el desarrollo de esta actividad se revisarán los fundamentos del experimento y sus elementos,

el diseño experimental, los modelos estadísticos y la transformación de datos. Con el propósito de

aplicarlos en el desarrollo de tres estudios de caso. Además, se dará respuesta al cuestionario

propuestos en la guía de aprendizaje. Por tanto, en el transcurso del presente trabajo se afianzan 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 aplicado a las ciencias

agrarias, pecuarias y del medio ambiente, para que sean aplicados en estudios de casos

propuesto en la guía de actividades.

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

 Cuestionario

1. ¿En qué consiste el diseño experimental?

Es común que el campo agropecuario se requiera hacer experimentos para conocer u

optimizar un proceso, esto es posible hacerlo por ensayo y error, no obstante se cae en un

desperdicio de recursos, es aquí donde juega un papel importante el diseño experimental, así nos

lo hace saber Gutiérrez y De la Vara (2008) cuando expresa que “el diseño de experimentos

consiste en determinar cuáles pruebas se deben realizar y de qué manera, para obtener datos que,

al ser analizados estadísticamente, proporcionen evidencias objetivas que permitan responder las

interrogantes planteadas, y de esa manera clarificar los aspectos inciertos de un proceso, resolver

un problema o lograr mejoras” (p.4). A renglón seguido afirman que “el diseño de experimentos

es la aplicación del método científico para generar conocimiento acerca de un sistema o proceso,

por medio de pruebas planeadas adecuadamente. Esta metodología se ha ido consolidando como

un conjunto de técnicas estadísticas y de ingeniería, que permiten entender mejor, situaciones

complejas de relación causa-efecto” (p.7). y continúan disertando al respecto de tal manera que

establecen “los cinco aspectos que más influyen en la selección de un diseño experimental, en el

sentido de que cuando cambian por lo general nos llevan a cambiar de diseño, son: 1. El objetivo

del experimento. 2. El número de factores a estudiar. 3. El número de niveles que se prueban en

cada factor. 4. Los efectos que interesa investigar (relación factores-respuesta). 5. El costo del

experimento, tiempo y precisión deseada. (p.14)

Para mayor claridad al respecto es importante tener en cuenta lo expresado en el Módulo

Diseño Experimental, UNAD (2011) donde se conceptúa que “Un Diseño Experimental es una

prueba o serie de pruebas en las existen cambios deliberados en las variables de entrada de un

proceso sistema, de tal manera que sea posible observar e identificar las causas los cambios que se

producen en la respuesta de salida” (p.9). Continúa diciendo que el diseño experimental es un “plan
general del procedimiento para llevar a cabo un experimento en función de unos datos específicos

deseados” (p.84).

2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cuáles

son sus posibles usos?

• Diseño completamente al azar:

Este es uno de los diseños experimentales más utilizados en agronomía así lo reconoce López

(2013) al expresar:

“En este tipo de diseño están incluidos los principios de repetición y de aleatorización, o

sea que, es utilizado cuando no hay necesidad del control local, debido a que el ambiente

experimental es homogéneo y los tratamientos se asignan a las unidades experimentales

mediante una aleatorización completa, sin ninguna restricción.

Ventajas

a. La estructura del análisis estadístico es simple.

b. Permite máxima flexibilidad en cuanto al número de tratamientos y número de

repeticiones.

c. La pérdida de observaciones durante la conducción del experimento no genera

dificultades en el análisis y en la interpretación de los resultados.

d. Reúne el mayor número de grados de libertad en el residuo, en comparación con otros

diseños.

Inconvenientes

a. Cuando el número de unidades experimentales es muy grande es difícil encontrar lugares

grandes que presenten la homogeneidad requerida.

 b. Debido a que las fuentes de variación no asociadas a los tratamientos o a los niveles del

factor en estudio, están incluidas en el residuo como variación del azar, la buena precisión

de los análisis se ve comprometida” (p24).

• Diseños de bloques al azar.

El diseño más utilizado en ciencias agropecuarias es el diseño de bloques al azar. Es un

grupo de unidades homogéneas usadas para corregir fuentes de variación debido a gradientes

(suelo, fertilidad, pendiente, lempos, personas, comunidades, ambientes, etc.). Los bloques forman

una UE más homogénea para comparar el efecto de los TRT.

En este diseño las unidades experimentales se agrupan en dos o más bloques completos.

Son apropiados en casos donde se observa una cierta tendencia de variación en el material

experimental. Es una solución para la mayoría de los casos en que las unidades experimentales son

heterogéneas. Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente

semejantes. En consecuencia, Gutiérrez y De la Vara (2008) afirman que “en un diseño en bloques

completos al azar (DBCA) se consideran tres fuentes de variabilidad: el factor de tratamientos, el

factor de bloque y el error aleatorio, es decir, se tienen tres posibles “culpables” de la variabilidad

presente en los datos. La palabra completo en el nombre del diseño se debe a que en cada bloque

se prueban todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace

dentro de cada bloque; por lo tanto, no se realiza de manera total como en el diseño completamente

al azar. El hecho de que existan bloques hace que no sea práctico o que incluso sea imposible

aleatorizar en su totalidad” (p.103).

• Cuadrado latino.

Al respecto López (2013) nos dice “este diseño también es conocido como diseño con un

factor y dos restricciones en la aleatorización. De esta forma se tiene que el control local,
representado por los bloques, es organizado de dos maneras diferentes, siendo uno organizado en

el sentido de las filas (o hileras) y otro organizado en el sentido de las columnas. En los

experimentos que se realizan en el campo, este diseño es utilizado cuando existe necesidad de

eliminar la heterogeneidad del suelo en dos direcciones perpendiculares, esto es, las filas en una

dirección y las columnas en otra dirección” (p.96). Es así como Gutiérrez y De la Vara (2008)

reafirman que “en el diseño en cuadro latino (DCL) se controlan dos factores de bloque y uno de

tratamientos; los tres factores tienen la misma cantidad de niveles. Los tratamientos se representan

por letras latinas y se distribuyen en forma adecuada en un cuadro” (p.109).

• Parcelas divididas

El diseño de parcelas divididas son experimentos multifactoriales en los cuáles la naturaleza

de las unidades experimentales hace difícil manejar de la misma manera todas las combinaciones

posibles de los factores involucrados.

López (2013), nos comenta al respecto:

“Los experimentos en parcelas divididas (split-plot design, en inglés) así como los

experimentos en arreglo combinatorio, incluyen todas las posibles combinaciones de dos ó

más factores en sus diferentes niveles, y la diferencia entre esos tipos de arreglos está en la

manera de instalación de los experimentos y en el esquema del análisis de varianza.

Si se considera un diseño en bloques al azar, con r bloques y a niveles del factor A. Si cada

una de las ra parcelas se divide en b subparcelas, y entre esas b subparcelas se distribuyen

al azar los b niveles de un factor B, se tiene entonces, una generalización del diseño en

bloques al azar, conocida como arreglo en parcelas divididas.

Este tipo de arreglo es útil cuando ciertos niveles de un factor A, para que sean aplicados

en el experimento, requieren grandes parcelas, como ocurre en los sistemas de riego, los
 distanciamientos entre surcos, etc.; y, además, esos niveles serán combinados con los

niveles del factor B, pudiendo ser: fertilizantes, variedades, etc.

Los niveles del factor A son distribuidos entre las parcelas grandes, las cuales sufrirán una

división, de tal modo que los niveles del factor B, que no requieren grandes parcelas, puedan

ser distribuidos entre las subparcelas (parcelas pequeñas). De esta manera, se crean dos

estructuras, una estructura a nivel de parcelas grandes, con los niveles del factor A, y otra

estructura a nivel de subparcelas dentro de cada parcela grande, con los niveles del factor

B” (p.132).

3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?

“El análisis de varianza (ANOVA) es la técnica central en el análisis de datos

experimentales. La idea general de esta técnica es separar la variación total en las partes con las

que contribuye cada fuente de variación en el experimento. En el caso del DCA se separan la

variabilidad debida a los tratamientos y la debida al error. Cuando la primera predomina

“claramente” sobre la segunda, es cuando se concluye que los tratamientos tienen efecto… dicho

de otra manera, las medias son diferentes. Cuando los tratamientos no dominan contribuyen igual

o menos que el error, por lo que se concluye que las medias son iguales” (Gutiérrez y De la Vara,

2008, p.65).

La técnica de análisis de varianza le permite al experimentador probar la hipótesis global.

Para obtener la tabla Anova es necesario determinar:

a. las fuentes de variación

b. determinar los grados de libertad de las fuentes de variación.

c. determinar las sumas de cuadrados del error.

d. determinar la suma de cuadrados total.

e. expresar la tabla Anova

 4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en qué

casos se usa?

Es uno de los modelos más utilizados, es aplicable cuando las unidades experimentales son

homogéneas y la administración del experimento es uniforme para todas ellas (ver respuesta ítem

2 del cuestionario, apartado “diseño completamente al azar”).

Este diseño es muy utilizado en experimentos de laboratorio, invernadero almacigo y

establo, en el que el material experimental es muy homogéneo por prepararse en forma provisiona,

y porque el experimento se conduce en condiciones ambientales controladas y uniformes para todas

las unidades experimentales.

Ventajas:

• Flexibilidad. Cualquier número de tratamiento y cualquier número de réplicas pueden ser

usados, siempre y cuando tengan suficientes unidades experimentales homogéneas.

• Análisis Estadístico simple. El análisis estadístico es simple ya sea cuando todos los

tratamientos tengan igual número de réplicas (balanceado) o perdida de datos, caso en el

cual se trata como un análisis desbalanceado.

• Máximo número de grados de libertad para el error. Esto ocurre porque el diseño tiene

solo dos fuentes de variación que son los tratamientos y el error, y los grados de libertad

para este error están dados por la expresión t(r-1)

Desventajas:

• Baja precisión cuando las unidades experimentales no sean muy homogéneas y así ser

ineficientes.

Usos:
 • Se recomendable cuando es posible que gran parte de las unidades experimentales no

respondan al tratamiento o puedan perderse durante el experimento.

• Es útil en experimentos en los que el número de unidades experimentales es limitado, ya

que provee el máximo número de grados de libertad del error.

5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus

ventajas y desventajas?

En la respuesta al ítem 2, del presente cuestionario se aborda este diseño experimental, no obstante,

en el Módulo Diseño Experimental, UNAD (2011) precisa “las principales ventajas de bloques

al azar son las siguientes: 1. Por medio de la agrupación comúnmente se obtienen resultados

más exactos que cuando se usan diseños completamente al azar. 2. Puede incluirse

cualquier número de repeticiones” (p.50) y continúa diciendo:

“La metodología de análisis a emplear es el ANOVA a dos criterios de clasificación. En

este caso, el análisis de varianza particiona la variabilidad total de la información en tres

componentes: una primera debida al efecto de los tratamientos (Suma de Cuadrados Entre

Tratamientos), la segunda a efecto de los bloques (Suma de Cuadrados de Bloques), y

finalmente el Error Experimental (Suma de Cuadrados del Error = S.C. del error).

En la misma forma se particionan los grados de libertad.

El rechazo o no de la hipótesis nula depende del valor del estadístico F:

F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1))” (p.51)

Desventajas

• Datos perdidos causan dificultades en el análisis

• Asignación errónea de TRT’s a las UE puede causar problemas en el análisis

• Difícil el manejo cuando el número de TRT’ s es elevado

 • Si las UE son homogéneas DCA es más eficiente

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

“Los diferentes valores que se asignan a cada factor estudiado en un diseño experimental

se llaman niveles. Una combinación de niveles de todos los factores estudiados se llama tratamiento

o punto de diseño. Por ejemplo, si en un experimento se estudia la influencia de la velocidad y la

temperatura, y se decide probar cada una en dos niveles, entonces cada combinación de niveles

(velocidad, temperatura) es un tratamiento. En este caso habría cuatro tratamientos” (Gutiérrez y

De la Vara, 2008, p.8). Así las cosas, los factores son variables del experimento, que al tomar

distintos valores se les llama niveles, a la combinación de estos se les llama tratamiento. Por tanto,

son dos cosas totalmente distintas desde el diseño experimental.

7. ¿En qué situaciones se aplica un diseño factorial?

El diseño factorial incluye simultáneamente el efecto de dos o más variables independientes

(designados factores) en una misma ecuación estructural. La aplicación de este tipo de diseños

permite analizar al mismo tiempo los efectos de varios factores sobre las respuestas de los sujetos

y, además, y ahí radica su principal característica, permite investigar la influencia que pueden tener

en las observaciones las interacciones entre dos o más variables. Es decir, analiza los efectos

debidos a que dos o más factores estén actuando simultáneamente. Este tipo de diseños son

especialmente adecuados cuando el investigador presupone o predice una relación entre dos o más

variables.

8. ¿Cuándo no se cumplen los supuestos de normalidad y varianza constante, que puede

hacerse? explique las diferentes posibilidades

- Existen como mínimo tres formas de minimizar y solucionar el problema por falta de

normalidad y varianza heterogénea en los residuos.

 -Utilizar métodos de análisis no paramétricos que no requieren las suposiciones de

normalidad y varianza constante.

-Hacer el análisis de mediante modelos lineales generalizados en los que se ajusta un

modelo lineal usando otras distribuciones diferentes a la normal donde la varianza no tiene por qué

ser constante.

-Hacer el análisis sobre la respuesta transformada a una escala en la que los supuestos se

cumplan.

Muchos datos tienen una estructura no normal. Las herramientas habituales para tratar la

ausencia de normalidad eran la transformación de la variable respuesta o la adopción de métodos

no paramétricos. Otra alternativa, son los modelos lineales generalizados o GLM. Los GLM

permiten especificar distintos tipos de distribución de errores. En muchas ocasiones, sin embargo,

se encuentra con que uno o varios de estos supuestos no se cumplen por la naturaleza de la

información. Estos problemas se pueden llegar a solucionar mediante la transformación de la

variable respuesta (por ejemplo, tomando logaritmos). Sin embargo, estas transformaciones no

siempre consiguen corregir la falta de normalidad, la heterocedasticidad (varianza no constante) o

la no linealidad de nuestros datos. Además, resulta muchas veces interpretar los resultados

obtenidos, si utilizamos transformaciones de la variable. Una alternativa a la transformación de la

variable dependiente/respuesta y a la falta de normalidad es el uso de los modelos lineales

generalizados (Cayuela, 2010).

9. ¿Cuáles son las pruebas de medias más empleadas?

La prueba t para una muestra nos permite contrastar hipótesis sobre la media poblacional a

partir de la media obtenida en la muestra. Es necesario que la población de la que se extrae la

muestra sea normal o la muestra suficientemente grande.

• En contrastar variables se pasan las variables que se desean contrastar y

 • En valor de prueba se escribe el valor de la media de la población.

La significación (Sig., o p-valor) indica la probabilidad de que la muestra contrastada venga

de una población cuya media es el valor de prueba. De forma opcional (Opciones) tendremos el

intervalo de confianza para la diferencia entre la media de la muestra y el valor de prueba. Si el

cero no está en ese intervalo no podemos aceptar que la población tenga de media el valor de

prueba.

La prueba t para dos muestras independientes nos permite contrastar el que las medias de

dos poblaciones independientes son iguales utilizando para ello las medias de dos muestras

aleatorias extraídas de esas poblaciones.

• En Contrastar variables se pasan las variables dependientes que se deseen contrastar.

• En Variables de agrupación se pasa la variable que define los dos grupos (puede ser

numérica o de cadena corta) o Se pueden definir grupos bien con los valores de los grupos

o bien con un punto de corte si la variable es cuantitativa continua.

La Anova de un factor nos permite contrastar la hipótesis nula de que los promedios de la

variable dependiente (VD) respecto de un factor o variable independiente (VI) con más de dos

grupos o niveles son iguales, frente la alternativa de que al menos el promedio en un grupo es

diferente a los demás. Los datos se reflejarán en dos únicas variables: la VD o de respuesta y la VI

o factor con n valores uno por cada nivel.

10. ¿cuál es el propósito al aplicar pruebas de comparación de medias?

Se puede comparar las medias de dos o más grupos para determinar si la diferencia entre

los grupos es significativa estadísticamente, es decir, si se debe a algo más que al azar. El uso más

habitual es el de comparar las medias de una variable cuantitativa continua entre dos grupos

independientes.
 Por tanto, es un procedimiento descriptivo que permite obtener estadísticos descriptivos de

los distintos grupos y subgrupos definidos por una o más variables independientes. De manera

opcional (Opciones) se puede realizar un Análisis de varianza de un factor, obtener el coeficiente

de determinación o proporción de varianza explicada y contrastar la hipótesis de linealidad.

11. ¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?

El Test de Duncan es muy similar al Test HSD de Tukey (Ver Herbario de técnicas), pero

en lugar de trabajar con un umbral fijo trabaja con un umbral cambiante. Un umbral que dependerá

del número de medias implicadas en la comparación.

Para saber el número de medias implicadas en la comparación se ordenan las medias

muéstrales de menor a mayor y así al hacer una comparación entre dos medias sabremos además

de las dos medias comparadas cuantas medias quedan dentro. Este número de medias implicadas

en cualquier comparación de medias es el parámetro p de este umbral.

Ejercicios (estudio de caso).

1. Un investigador solicita a cuatro estudiantes que determinen el porcentaje de alcohol

metílico en cierto compuesto químico. Cada estudiante hace tres determinaciones y los

resultados son los siguientes:

Estudiante Porcentaje de alcohol metílico

1 84,99 84,04 84,38
2 85,15 85,13 84,88
3 84,72 84,48 85,16
4 84,20 84,10 84,55

a. Determine qué tipo de diseño experimental empleado

R/ Diseño completamente al azar, el cual consta de 4 tratamientos y 3 replicas

b. Plantee las hipótesis que interesa contrastar en el análisis de varianza de este

experimento.

R/ 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4

𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛

c. ¿Cuál es la unidad experimental?

R/ El porcentaje de alcohol metílico en cierto compuesto químico

d. ¿Cuál es la unidad de observación?

R/ Cuatro estudiantes

e. ¿Cuáles son y cuántos tratamientos se desea comparar?

R/ Se desean comparar 4 tratamientos

f. Describa matemáticamente el modelo lineal a utilizar, especificando cada uno de sus

términos.

Modelo lineal de Anova

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗 , 𝑐𝑜𝑛 𝑖 = 1, … 𝑡 𝑦 𝑗 = 1, … 𝑛

Donde

𝑌𝑖𝑗 Es la j-ésima observación del i-ésimo tratamiento

𝜇 Es la media general de las observaciones

𝜏𝑖 Es el efecto del i-ésimo tratamiento

𝜀𝑖𝑗 Es el error experimental asociado al tratamiento i y la repetición j.

𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )

g. Realice el análisis de varianza utilizando la herramienta de análisis de datos de Excel o

en programa estadístico, informando cuál utilizó.

Realizado mediante la herramienta de Excel.

 RESUMEN
Grupos Cuenta Suma Promedio Varianza
1 3 253,41 84,47 0,2317
2 3 255,16 85,05333333 0,02263333
3 3 254,36 84,78666667 0,11893333
4 3 252,85 84,28333333 0,05583333

ANÁLISIS DE VARIANZA
Origen de Grados Promedio de Valor
las Suma de de los crítico para
variaciones cuadrados libertad cuadrados F Probabilidad F
Entre
grupos 1,04456667 3 0,348188889 3,24576 0,081289841 4,06618055
Dentro de
los grupos 0,8582 8 0,107275

Total 1,90276667 11

h. Concluya de acuerdo con los resultados obtenidos.

La hipótesis es la siguiente:

𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4

𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛

Por lo tanto, si

F calculado > F tabulado o también

p valor<0.05 se rechaza Ho

Sacando los datos

F calculado=3,24576

F tabulado= 4,06618055

p valor=0,081289841

Así que,

F calculado=3,24576< F tabulado= 4,06618055

 O también

p valor=0,081289841>0.05

No se rechaza Ho por lo tanto se concluye que no existen diferencias significativas entre

las medias de las observaciones. Es decir que no hay diferencias significativas entre el porcentaje

de alcohol metílico en cierto compuesto químico entre los cuatro estudiantes

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 2. 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

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

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

Es un diseño de bloques al azar, con una sola muestra por cada tratamiento, porque permite

hacer agrupamientos en los diferentes días ya sea con amamantamiento Restringido (R) o

Amamantamiento tradicional (T) y decidir si son heterogéneas.

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

que corresponde cada término del modelo

 R/ Modelo por bloques

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖𝑗 , 𝑐𝑜𝑛 𝑖 = 1, … 𝑡 𝑦 𝑗 = 1, … 𝑛

Donde

𝑌𝑖𝑗 Es la j-ésima observación del i-ésimo tratamiento

𝜇 Es la media general de las observaciones

𝜏𝑖 Es el efecto del i-ésimo tratamiento

𝛽𝑗 Es el efecto del j-ésimo bloque

𝜀𝑖𝑗 Es el error experimental asociado al tratamiento i y la repetición j.

𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )

c. Plantee las hipótesis.

R/ 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4

𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛

d. Realice el análisis de varianza utilizando la herramienta de análisis de datos de Excel

o en programa estadístico, informando cuál utilizó.

Realizado mediante la herramienta de Excel.

Análisis de varianza de dos factores con una sola muestra por grupo

RESUMEN Cuenta Suma Promedio Varianza

1 10 755 75,5 885,611111
2 10 613 61,3 586,677778
3 10 717 71,7 728,455556
4 10 688 68,8 791,733333
5 10 766 76,6 814,711111

Día 0 5 183 36,6 23,3

Día 28 5 239 47,8 41,7
Día 56 5 315 63 116,5
Día 84 5 415 83 128
Día 112 5 541 108,2 130,7
Día 0 5 199 39,8 9,7
Día 28 5 273 54,6 42,8
Día 56 5 354 70,8 56,7
Día 84 5 469 93,8 79,7
Día 112 5 551 110,2 49,2

ANÁLISIS DE VARIANZA
Promedio Valor
Origen de las Suma de Grados de de los crítico para
variaciones cuadrados libertad cuadrados F Probabilidad F
Filas 1507,88 4 376,97 11,2591843 4,997E-06 2,63353209
Columnas 33059,38 9 3673,26444 109,711545 1,9328E-23 2,15260747
Error 1205,32 36 33,4811111

Total 35772,58 49

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

utilizando los resultados del análisis de varianza.

La hipótesis es la siguiente:

𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5

𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛

Por lo tanto, si

F calculado > F tabulado o también

p valor<0.05 se rechaza Ho

Sacando los datos

F calculado para tratamientos =11,2591843

F calculado para bloques=109,711545

F tabulado para tratamientos = 2,63353209

F tabulado para bloques =2,15260747

p valor para tratamientos =4,997E-06

 p valor para Bloques =1,9328E-23

Así que

F calculado para tratamientos =11,2591843 > F tabulado para tratamientos = 2,63353209

F calculado para bloques=109,711545> F tabulado para bloques =2,15260747

p valor para tratamientos =4,997E-06 <0.05

p valor para Bloques =1,9328E-23 <0.05

Se rechaza Ho por lo tanto se concluye que existen diferencias significativas entre las

medias de las observaciones. Es decir que hay diferencias significativas entre el peso corporal

(kg) en terneros con respecto al amamantamiento restringido (R) y amamantamiento tradicional

(T).

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

Excel relacionando las operaciones.

Con ayuda de Excel se tiene:

𝐻𝐷𝑆 = 𝑄 𝐶𝑀𝐸
𝛼,𝐼,𝐼(𝐽−𝑖)∗√
𝐽

HDS 7,4289

𝑄𝛼,𝐼,𝐼(𝐽−𝑖) = 𝑄0,05,5,36 =
Qalfa 4,06
=1205,32/36
CME = 33,481
J 10

Día Día Día Día Día Día Día

Día 84 Día 112 Día 0
0 28 56 28 56 84 112
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
Promedio 37 47,8 63 83 108,2 39,8 54,6 70,8 93,8 110

HDS 7,4289

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

g. ¿A partir de los resultados obtenidos, usted como productor qué decisión tendría?

Se evaluó la variable peso corporal (kg) en terneros hasta 112 días de nacidos. Fueron

probados amamantamiento restringido (R) y amamantamiento tradicional (T), es decir hay

evidencia estadística para decir que hay un cambio de peso entre los dos tipos de amamantamiento,

por lo tanto, el peso del ternero influye en la producción de leche por vaca-día.

3. Un ingeniero está diseñando una batería que se usará en un dispositivo someterá a

variaciones de temperatura extrema en el campo. El único parámetro del diseño que puede
seleccionar en este punto es el material de la placa o ánodo de la batería, y tiene tres

selecciones posibles.

El ingeniero saber por experiencia, que la temperatura probablemente afectará la vida

efectiva de la batería y decide probar tres materiales de la placa con tres niveles de

temperatura (15, 70 y 125◦F).

Se prueban cuatro baterías con cada combinación del material de la placa y la temperatura,

y las 36 pruebas se corren de manera aleatoria.

Tabla 3. Datos de la vida (en horas) para diseño de la batería.

Tipo de Temperatura (◦F)
material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
De acuerdo con los datos presentados y a la distribución del experimento resuelva:

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

R/ Es un diseño de bloques al azar, con dos muestras por cada tratamiento, porque permite

hacer agrupamientos dentro de las temperaturas para cada material y decidir si son heterogéneas.

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

que corresponde cada término del modelo

R/ Modelo por bloques

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖𝑗 , 𝑐𝑜𝑛 𝑖 = 1, … 𝑡 𝑦 𝑗 = 1, … 𝑛

Donde
𝑌𝑖𝑗 Es la j-ésima observación del i-ésimo tratamiento

𝜇 Es la media general de las observaciones

 𝜏𝑖 Es el efecto del i-ésimo tratamiento
𝛽𝑗 Es el efecto del j-ésimo bloque

𝜀𝑖𝑗 Es el error experimental asociado al tratamiento i y la repetición j.

𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )

c. ¿Plantee las hipótesis que interesa contrastar con el análisis de varianza de este
experimento?
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛
d. Realice el análisis de varianza utilizando la herramienta de análisis de datos de Excel
o en programa estadístico, informando cuál utilizó.
Herramienta usada: Excel

Análisis de varianza de dos factores con varias muestras por grupo

RESUMEN 15 70 125 Total

1
Cuenta 2 2 2 2 2 2 12
Suma 204 335 114 115 102 128 998
Promedio 102 167,5 57 57,5 51 64 83,167
Varianza 1568 312,5 1058 612,5 1922 72 2360,9

2
Cuenta 2 2 2 2 2 2 12
Suma 309 314 242 237 83 115 1300
Promedio 154,5 157 121 118,5 41,5 57,5 108,33
Varianza 40,5 1922 450 24,5 544,5 313 2447,5

3
Cuenta 2 2 2 2 2 2 12
Suma 306 270 324 259 178 164 1501
Promedio 153 135 162 129,5 89 82 125,08
Varianza 450 1250 288 180,5 98 968 1279,2

Total
Cuenta 6 6 6 6 6 6
Suma 819 919 680 611 363 407
Promedio 136,5 153,167 113,333 101,833 60,5 67,8
Varianza 1126,3 916,967 2599,47 1366,97 1018 399
 ANÁLISIS DE VARIANZA

Valor
Grados Promedio crítico
Suma de de de los para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Muestra 10683,7 2 5341,86 7,96401 0,003 3,55
Columnas 40510,1 5 8102,03 12,0791 3E-05 2,77
Interacción 14379,6 10 1437,96 2,14381 0,076 2,41
Dentro del grupo 12073,5 18 670,75

Total 77647 35

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

La hipótesis es la siguiente:

𝐻0 : 𝜇1 = 𝜇2 = 𝜇3

𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛

Por lo tanto, si

F calculado > F tabulado o también

p valor<0.05 se rechaza Ho

Sacando los datos

F calculado para tratamientos =7,96401

F calculado para bloques=12,0791

F tabulado para tratamientos = 3,55

F tabulado para bloques =2,77

p valor para tratamientos =0,003

p valor para Bloques =3E-05

Así que
 F calculado para tratamientos =7,96401> F tabulado para tratamientos = 3,55

F calculado para bloques=12,0791> F tabulado para bloques =2,77

p valor para tratamientos =0,003<0.05

p valor para Bloques =3E-05<0.05

Se rechaza Ho por lo tanto se concluye que existen diferencias significativas entre las

medias de las observaciones. Es decir que hay diferencias significativas entre las tres baterías con

cada combinación del material de la placa y la temperatura.

f. ¿Qué efectos tienen el tipo de material y la temperatura sobre la vida de la batería?

R/ Los efectos entre el tipo de material y la temperatura sobre la vida de la batería son

significativamente diferentes, es decir que si influye la combinación de material y temperatura con

la vida de la bacteria en horas.

 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.
 Referencias bibliográficas

Burgueño, F., Martínez, G., Crossa, J. (2006). Diseños experimentales con testigos repetidos.
México, D.F., MX: Red Agrociencia. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=10109131&p
00=dise%C3%B1os+experimental
Carreño González, N. (2014). Diseño experimental Conceptos básicos. Colombia: Recuperado de
http://hdl.handle.net/10596/11404
DISEÑO COMPLETAMENTE AL AZAR - Ventajas, Desventajas, Aleatorización
http://www.ensayostube.com/familia/diverso/DISEO-COMPLETAMENTE-AL-AZAR-
Ve48.php
Ensayostube.com. Diseño completamente al azar - Ventajas, Desventajas, Aleatorización.
Recuperado de http://www.ensayostube.com/familia/diverso/DISEO-
COMPLETAMENTE-AL-AZAR-Ve48.php
El diseño factorial: efecto de la interacción. Recuperado de:
https://www.uv.es/~friasnav/Material4Dise%C3%B1osFactorial.pdf
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística COMPARAR MEDIAS
CON SPSS. Recuperado de:
https://previa.uclm.es/profesorado/raulmmartin/Estadistica/PracticasSPSS/COMPARAR_
MEDIAS.pdf
Gutiérrez,H. y De la Vara, R. (2008). Análisis y diseño de experimentos. (2a. ed.) McGraw-Hill
Interamericana. Consultado en http://biblioteca.soymercadologo.com/wp-
content/uploads/2016/05/An%C3%A1lisis-y-Dise%C3%B1o-de-Experimentos-2ed-
Guti%C3%A9rrez-Pulido.pdf
López, B., González R. (2013) Diseño y análisis de experimentos. Fundamentos y aplicaciones
en agronomía. 2 ediciones. Universidad de San Carlos de Guatemala. Facultad de
Agronomía. (Pp. 56-70). Recuperado de
http://issuu.com/byrong/docs/dise_o_y_an_lisis_de_exp._2_ed_2013#
Llopis Pérez J. (2013). la Estadística: una Orquesta Hecha Instrumento. Recuperado de:
https://estadisticaorquestainstrumento.wordpress.com/2013/01/28/test-de-duncan/
María Díaz (sf). Aspectos generales del diseño experimental. Avaconews - Universidad de Ibagué.
Recuperado de https://avaconews.unibague.edu.co/aspectos-generales-del-diseno-
experimental/
Montes F. (2004). Análisis de la varianza ANOVA. Recuperado de:
https://www.uv.es/montes/biomecanica2004/anova
Mendoza, H, Bautista, G. (2002). Diseño Experimental. Universidad Nacional de
Colombia, http://www.virtual.unal.edu.co/cursos/ciencias/2000352/. Licencia: Creative
Commons BY-NC-ND.
Universidad Carlos III de Madrid. Introducción al Diseño de Experimentos. Recuperado de
http://www.est.uc3m.es/esp/nueva_docencia/getafe/ciencias_estadisticas/diseno_experime
ntos/materialest/IntroDE.pdf
Universidad Nacional Abierta y a Distancia (UNAD). (2011). Módulo de Diseño de
Experimental.pdf.