FASE 2 – APLICACIÓN DE DISEÑOS COMPLETAMENTE AL AZAR

MARIA INES CONTRERAS RINCON

TUTOR

YEINER VALENCIA

CODIGO

300004_64

AGRONOMIA

URD/CUBARA-BOYACA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

Introducción
Las aplicaciones de diseños completamente al azar (DCA) y diseños de bloques
completamente al azar (BCA) permiten analizar y aplicar tratamientos a cierta poblaciones
que se quiere estudiar con el propósito de mejorar, donde modelos estadísticos facilitan
investigar estos factores determinados con ayuda de variables nos permiten llegar el
conocimiento de cierto estudio.

Objetivo general

Analizar las los diseños completamente al zar y diseños de bloques y mediante el programa
R poneros en práctica.

Objetivo especifico

Conocer el procedimiento y el analices del estudio de las variables aplicadas en los diseños
de azar.

Ejecutar mediante el programa R.

1. Consulte el video la primera web del curso en periodo anterior y

posteriormente responda:
 1.1. Qué tipo de variables existen en estadística:

Variables cualitativas; son aquellas que no pueden ser calcular con números, si no son
aquella característica o cualidades que son calcificadas con palabras y esta se dividen en:

- cualitativa nominal: son aquellas que no siguen orden específico; los agricultores
que manejan una clase de funguicida especifico; funguicida A, funguicida B,
funguicida C.

- variable categórica: niveles tecnológicos; nivel tecnológico alto, nivel tecnológico

medio y nivel tecnológico bajo.

Variables cuantitativa; son aquellas que las características o cualidades pueden

expresarse o medirse a través de números

- cuantitativa discreta: son aquellas variables que utiliza valores enteros como
conteo ; por ejemplo el números de hermanos 2,3,4,5
- cuantitativa continúa: son aquellas variables que puede utilizar valores de peso o
medición y se utiliza el decimal, por ejemplo números de bultos de papa, los
números de litros de leche, años.

1.2. El diseño completamente al azar en qué condiciones se usa.

Para condiciones homogéneas

1.3 El diseño bloques completamente al azar en qué condiciones se usa.

Para condiciones heterogéneas
1.4 En que histograma se basan las distribuciones de probabilidad de variables
continúas. En un histograma de frecuencia relativa
 1.5 Que se debe hacer con los datos de experimentos de conteos como el número
de lechones o el número de frutos para poder hacer un análisis de varianza. Se
tiene que transformar o re escalarlos para volverse dato continuos y se puede
procesar como distribución normal.

1.6 En análisis de varianza cuál es la hipótesis nula que se prueba.

Que todos los tratamientos se comporte de la misma manera y que no importa la
clase de alimento utilice, pero que al final el promedio sea el mismo.

1.7 Relacione una tabla los componentes de un análisis de varianza para un diseño
completamente al azar. Recuerde que lo que el libro de Ruesga relaciona como
S2 es cuadros medios o CME.

F. de variación Gl SDC S2 Fcal Ftab

Tratamiento 3 32.061.667 10.687.222 32.67 5% 1%
Error 16 5.233.333 3. 27083 3.24 5.19
Total 19 372.95

2. Del texto indicado ubique el capítulo de Diseño completamente al azar DCA y

registre:

2.1. Modelo.

Y ij =µ+T i + eij

Y ij= es el j ésimo elemento perteneciente al i ésimo tratamiento.

µ = es la media general.

T i = efecto debido al i ésimo tratamiento.

Eij = error experimental asociado al j ésimo elemento del i ésimo tratamiento.

2.2 La fórmula de Suma de Cuadrados Totales

2
SDC total=∑ X i −¿ ¿

2 8812
2
SDC total=45 + .… … … .+ 40 −
20

¿ 372.95

2.3 Suma de cuadrados de tratamientos

SDC Trat . =∑ ¿ ¿ ¿

1822 2472 224 2 2322 8812

SDC Trat . + + + +
4 5 5 6 20

¿ 320.61667

2.4 Suma de Cuadrados del error.

SDC error . =SDC total −SDC Trat .

¿ 372.95−320.616679

¿ 52.333333

2.5 Cuál es la hipótesis nula

H0: T1 =T2= T3 = T4 vs H1: Al menos 2 tratamientos diferentes esta hipótesis se prueba

con análisis de varianza

En la tabla de análisis de varianza se encontró que la Fcal es mayor que la Ftab a ambos
niveles de Significación, por lo tanto se rechaza la hipótesis nula, entonces se concluye que
al menos un tratamiento es diferente a los demás, sin embargo, no se sabe que tratamientos
son iguales o diferentes.

2.6 Alistar datos en Excel para proceso en R.

2.7 Desarrollar en R análisis de varianza, validación de supuestos del modelo y prueba

de comparación de medias.
.
Terminación de instalación de paquete (agricole

Si el p Value Pr (>f) si es mayor a 0,05 nos rechaza la hipótesis nula y como tenemos un
valor de 0.8635 se concluye con un 95% de confianza que los residuales se comportan a
una distribución normal.
Si P- Value Pr (>f) es mayor que de 0,05 no se rechaza la hipótesis nula y como tememos
un valor de 0.566 se concluye que los tratamientos o las diversas categorías del factor se
comportan de la misma manera.

Se puede ver que cuando hay diferencia se hacen estas pruebas entre los tratamientos
acorde al anova para dar con el cumplimiento de los supuestos de normalidad y varianzas
Histogram of fit$residuals
de los residuales.
5
4
Frequency

3
2
1
0

-4 -3 -2 -1 0 1 2 3

fit$residuals
2.7 interpretación

Según la gráfica de Boxplot podemos observar los cuatros tratamientos realizados a las
tunas en altura se arroja que la tuna 1 y 52 tiene un comportamiento similar pero con
diferencias entre ellas. Donde se tiene una altura de 44 cm, pero diferencias en la altura
máxima y mínima. Aunque la tuna 19 con una altura de 49 cm fue la planta que más
estimulación de crecimiento presento y la de más bajo crecimiento con 38 cm fue la tuna
27.
 3. Del texto indicado ubique el capítulo de Diseño bloques completamente al azar
BCA y registre:

3.1 Modelo:

Y ij =µ+T i + B j+ eij

Y ij= es el j ésimo elemento perteneciente al i ésimo tratamiento.

µ = es la media general.

T i = efecto debido al i ésimo tratamiento.

B j = efecto del j esimo bloque

Eij = error experimental asociado al j ésimo elemento del i ésimo tratamiento.

3.2 La fórmula de Suma de Cuadrados Totales

2
SDC total=∑ X i −¿ ¿

2 2 861.212
SDC total=47.99 +. … … … .+37 −
20

¿ 289.6289

3.3 Suma de cuadrados de tratamientos

SDC Trat . =∑ ¿ ¿ ¿
 221.122 187.232 861.212
SDC Trat . 239.95 + ¿ +212.91 + ¿
2 2
= ¿¿
4 5 5 6 20

¿ 287.0274

3.4 Suma de cuadrados de repetición

SDC Trat . =∑ ¿ ¿ ¿

172.452 +171.622+173.312 +172.272 +171.572 861.212

SDC Trat . =
4 20

¿ 0.5117188

3.5 Suma de Cuadrados del error.

SDC error . =SDC total −(SDC ¿ ¿ Trat .+ SDC Trat . )¿

¿ 289.6289−(2867.0274+ 0.5117188)

¿ 2.089844

3.6 Alistar datos en Excel para proceso en R.

3.7 Desarrollar en R análisis de varianza, validación de supuestos del modelo y prueba
de comparación de medias.
Isntacion de la librería

Si P valué Pr (>F) es mayor de 0,05 no se rechaza la hipótesis nula y como tenemos un

valor de 0,589 la se concluye que los tratamientos o las diversas categorías del factor se
comportan de la misma manera.
Los asteriscos son solo un símbolo, no son un criterio aquí miramos. Si P valué Pr (>F) es
menor a 0,05 hay problema y como contamos con valor de 0,2648 y en este caso tenemos
un problema
Los asteriscos son solo un símbolo, no son un criterio aquí miramos. Si P valué Pr (>F)
mayor a 0,05 no se recalza la hipótesis nula y como tenemos un valor 0,6743 se concluye
con un 95% de confianza que los residuales presenta una varianza constante.
Interpretación:

Mediante la gráfica de boxplot podemos afirmar que los cuatros tratamientos aplicados en
las 20 plantas de plátano; es de mejor rendimiento el tratamiento 1 con un 47,990 kg en
peso de racimos y la que menos y un bajo de rendimiento en tratamiento 4 con total
37,446kg en peso de racimos.
Conclusión
Que los diseños DCA se analiza los tratamientos y el error aleatorio, las corridas
experimentales se realiza en orden aleatorio para condiciones heterogéneas, los diseños
BCA son homogéneas y que estos dos diseños se pueden hacer experimentos y analizar los
resultados donde se prueba o se rechaza la hipótesis nula.

Referencias bibliográficas

Enlace de la Primera web del periodo anterior

https://bit.ly/2AKugeS

Ruesga, G. I. (2007). Libro de experimentación agrícola. Recuperado de

https://www.researchgate.net/publication/329880204_LIBRO_DE_EXPERIMENTACION_
AGRICOLA

Presentación en power point DCA

https://drive.google.com/file/d/1rKlR0UUfpIg2IUDUSnRlSQGsBjsueqfp/view?
usp=sharing

Código D.C.A

https://drive.google.com/file/d/1NTS_ffoXYwNPWkC98FMc1voKRhNnWD5G/view?
usp=sharing

Archivor archive de datos

https://drive.google.com/file/d/1CouU28yIdehHcbAapi5CahiL23lrfbKJ/view?usp=sharing

Códigobca

https://drive.google.com/file/d/1w24nptFuhMfDNWcRAlYh11KHFleRQv8D/view?
usp=sharing
Archivo de datos

ARCHIVOBCA.csv

https://drive.google.com/file/d/1535aM2y3RupOfmep34S-pSTkSUWGo6j5/view?
usp=sharing

Presentación guía BCA

https://drive.google.com/file/d/1Kf7v_e7IWobKZxeFu73-4hxeLfFJ9PSu/view?
usp=sharing