Tarea 3 Diseño Experimental (1).docx

BIOMETRIA Y DISEÑO EXPERIMENTAL TAREA 3. ACTIVIDAD INTERMEDIA ESTUDIOS DE CASO

GRUPO: 203018_6

TUTOR: JESSICA ALMEIDA BRAGA

ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD) PROGRAMA AGRONOMÍA OCTUBRE 2018

1

BIOMETRIA Y DISEÑO EXPERIMENTAL TAREA 3. ACTIVIDAD INTERMEDIA ESTUDIOS DE CASO

REALIZADO POR:

DIEGO FERNANDO RODRIGUEZ J. CODIGO: 16549341 RUBERT CALERO MURIEL CÓDIGO: 14650301 SANDRA SIRLEY ORTEGA CÓDIGO: 49787516 MARIA TERESA GAMBOA LOPEZ CÓDIGO: 25529080

GRUPO: 203018_6

TUTOR: JESSICA ALMEIDA BRAGA

ESCUELA DE CIENCIAS AGRICOLAS PECUARIAS Y DEL MEDIO AMBIENTE UNIVERSIDAD NACIONAL ABIERTA A DISTANCIA (UNAD) PROGRAMA AGRONOMÍA OCTUBRE 2018

2

CONTENIDO

INTRODUCCIÓN

4

OBJETIVOS

5

Objetivo general

5

Objetivos específicos

5

1. DESARROLLO DEL CUESTIONARIO

6

2. DESARROLLO DE EJERCICIOS

16

2.1. Estudios de caso 1

16

2.2. Estudio de caso 2

23

2.3. Estudio de Caso 3

27

CONCLUSIÓN

32

BIBLIOGRAFÍA

33

3

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.

4

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

5

1. DESARROLLO DEL CUESTIONARIO

1. ¿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.

2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cu áles son sus posibles usos? 

Diseño completamente al azar

Se sugiere este diseño para experimentación con temas de: métodos de preparación de siembra, aplicación del agua de regadío, manejo del cultivo versus el uso de los herbicidas para el control de malezas, etc. También es útil en experimentos con animales cuando existe cierta uniformidad  bien sea genética, por peso, edad, etc. 

Diseños de bloques al azar

Es el diseño más utilizado en los experimentos agrónomos. Es una solución para la mayoría de los casos en que las unidades experimentales son heterogenias. Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente semejantes.

6



Cuadrado latino

Los diseños de bloques y cuadrados latinos aleatorizados son generalmente útiles en los experimentos de fertilizante donde el número de factores interesados es razonablemente pequeño. Para las pruebas de fertilizante donde 2 o más fertilizantes se aplican a 2 o más niveles, el experimento factorial es particularmente apropiado. 

Parcelas divididas

En aquellos ensayos que se usa maquinaria agrícola o riego, ensayos de cultivares por ejemplo de maíz, es aconsejable usar algún tipo de diseño de parcela o bloque dividido.

3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística? Para el autor (Herrera, 2013). La técnica conocida como análisis de varianza (ANAVA o ANOVA), fue desarrollada por Ronald Aymer Fisher para facilitar el análisis e interpretación delos datos desde ensayos de campo y experimentos de laboratorio, en la agricultura e investigaciones  biológicas (Einsenhart, 1947).El ANAVA, es una de las técnicas más utilizadas en el proceso de investigación. Norell (2003).Es descrito por Tejedor (1999): Khan y Rayner (2003) y Spiegel et al.(2003) como una colección de modelos estadísticos y sus procedimientos asociados, apropiada  para evaluar la igualdad entre poblaciones o tratamientos, en la cual la varianza esta fraccionada en ciertos componentes, debido a diferentes factores o variables explicativas, incluidas en el modelo. (P.8) El análisis de la varianza se emplea en la industria, en el control de procesos, como en el laboratorio de análisis, para el control de métodos analíticos. Los ejemplos de aplicación son múltiples, 7

 pudiéndose agrupar, según el objetivo que persiguen, en dos principalmente: la comparación de múltiples columnas de datos y la estimación de los componentes de variación de un proceso (Boqué y Maroto, s.f.) El ANOVA se basa en la comparación de la variabilidad media que hay entre los grupos con la que hay dentro de los grupos. ¿Por qué? Recordemos que la media y la varianza muestral verifican var(¯x) = σ 2 n , E(s 2 ) = σ 2 , lo que nos permite dos estimaciones diferentes para σ 2 cuando disponemos de k muestras de una misma población Todo se reduce a obtener el valor del estadístico (4) que bajo las condiciones iniciales de independencia, normalidad y homocedasticidad, se distribuye como una Fk−1,n−k. La comparación con el valor teórico correspondiente nos dirá si debemos aceptar o rechazar H0. Un método computacional conocido como tabla ANOVA facilita los cálculos. Se trata de disponer en forma de tabla ciertas cantidades que conducen a la obtención de F.

4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en qué casos se usa? Diseño de Experimentos al Completo Azar, el experimentador asigna las unidades experimentales a los tratamientos al azar, con la única restricción del número de observaciones que se tomarán en cada tratamiento. Es el más sencillo y se origina por la asignación aleatoria de tratamientos a un conjunto de unidades experimentales. Para aleatorizar una tabla de números aleatorios resulta conveniente para elegir las unidades experimentales que recibirá cada tratamiento. Si cada tratamiento ha de repetirse cuatro veces, los

8

 primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los siguientes cuatro números aleatorios al tratamiento B, y así sucesivamente. El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental son totalmente homogéneas  Naturalmente, este tipo de diseño se utiliza en experimentos que no incluyen factores bloque. El modelo matemático es de la forma: Respuesta = Constante + Efecto tratamiento + Error.

Ventajas: a) Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan perdido, o rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida relativa de información debida a los datos faltantes, es de menos importancia que en cualquier otro sistema.  b) Análisis de varianza simple con apenas algunos acrecimos en relación al decenio completamente al azar (DCA). c) Es flexible en lo que se refiere a cuantidad de tratamientos y de bloques; d) Control de las diferencias de un bloque para otro.

Desventajas: a) La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar el error estándar por unidad experimental (error experimental) con un mayor grado de precisión  b) Disminuye el grado de libertad del residuo o sea, menos datos para estimar los valores de la  población en estudio.

9

5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus ventajas y desventajas? El tipo más sencillo de un arreglo es aquel en el que los tratamientos son asignados completamente al azar a las unidades experimentales. Más específicamente, si un tratamiento, por ejemplo, se aplica a cuatro unidades experimentales, la aleatorización da a cada grupo de cuatro unidades experimentales la misma probabilidad de recibir el tratamiento. Además las unidades deben ser procesadas en un orden al azar en todas las etapas subsecuentes del experimento, donde este orden puede afectar a los resultados.

Ventajas: a) Una de las ventajas del diseño en bloques aleatorizados es que se puede transformar en un diseño unifactorial, simplemente suprimiendo el estudio por bloques y uniendo su variabilidad a la residual. 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.

6. ¿En qué se diferencian los factores de los tratamientos y por qué? Se denomina factor tratamiento a cualquier variable de interés para el experimentador cuyo  posible efecto sobre la respuesta se quiere estudiar.

10

Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán en cuenta en la realización del experimento. Los factores tratamiento pueden ser cualitativos o cuantitativos.

Cualitativos 

Proveedor (diferentes proveedores de una materia prima),



Tipo de máquina (diferentes tipos o marcas de máquinas),



Trabajador (los trabajadores encargados de hacer una tarea)

Cuantitativos 

Tamaño de memoria (diferentes tamaños de memoria de ordenadores),



Droga (distintas cantidades de la droga),



La temperatura (conjuntos de temperaturas seleccionadas en unos rangos de interés).

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

11

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.

12

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? R/ En comparar medias nos encontramos con varios procedimientos para el contraste de medias: 1. Medias 2. Prueba T para una muestra 3. Prueba T para dos muestras independientes 4. Prueba T para dos muestras relacionadas 5. ANOVA de un factor

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 un  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. 13

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 dep endientes 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. 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 reflejaran 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? 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.

14

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.

15

2. DESARROLLO DE EJERCICIOS 2.1. Estudios de caso 1 En 1977 Opina y Salamanca evaluaron el efecto de la materia orgánica proveniente de materiales tales como gallinaza, cascarilla de arroz y ceniza, de esta última en la asimilabilidad del fósforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo ácido de los Llanos Orientales. Se utilizó como fuente química de P el superfosfato triple. La cantidad de P aplicada equivale a 450 kg/ha de PO. Una de las variables de respuesta medida fue el rendimiento en g/materia de frijol caupí. Los datos obtenidos se presentan en el cuadro siguiente:

Tabla Nº. Datos originales del rendimiento en g/materia de frijol caupì. Materia Orgánica 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

I 0,6 1,43 3,78 0,59 0,58 0,87 0,74 0,87 2,67 2,87 1,3 0,69 1,64 1,73 2,86 4,61 9,2

Repeticiones II III 0,57 0,55 2,72 4,43 6,12 6,08 0,54 0,6 0,54 0,63 0,54 0,86 0,85 0,7 1,39 0,81 2,88 2,57 5,04 5,59 0,72 0,73 0,96 0,71 1,37 0,95 1,26 0,75 3,64 4,26 6,34 5,4 8,55 4,91

16

IV 1,83 1,52 4,56 0,61 0,72 0,79 0,61 1,07 3,51 5,21 1,18 0,69 1,05 1,1 4,66 4,74 6,79

18 19 20 21 22 23 24 25 26 27 28

2,26 2,43 4,69 3,94 2,22 2,99 7,05 1,93 2,77 1,82 1,93

1,95 1,97 2,6 4,94 2,0 4,41 4,7 1,67 2,69 1,79 2,16

4,45 1,96 4,13 3,7 1,5 7,76 5,62 1,43 1,17 1,77 1,73

2,16 3,1 5,04 3,99 1,24 3,65 5,74 1,24 1,86 2,04 2,42

Primero organizar como una base de datos, la información suministrada en la tabla 1,   para identificar el diseño y organizar la información para que el software estadístico los pueda leer y analizar

Para ello vamos a identificar las fuentes así: (ver tabla 2)

MATORG = Materia Orgánica TRAT = Tratamientos (están identificados del TRAT 1 hasta el TRAT 28) ENTRY = Entrada para dar una identificación única a los tratamientos (están identificadas de la 1 hasta la 28).

BLOC =  Bloques o repeticiones que tiene el ensayo están identificados del bloque 1 hasta el  bloque 4 (BLOC 1 = REP I; BLOC 2 = REP II; BLOC 3 = REP 3; BLOC 4 = REP IV).

17

PLOT= Parcela (son la identificación de las parcelas del ensayo y están identificadas de la siguiente forma BLOC 1 del 101 a 128; BLOC 2 del 201 al 228; BLOC 3 del 301 al 328 y BLOC 4 del 401 al 428).

RENDIM/G/MAT = variable de respuesta del Rendimiento en g/materia de frijol caupi.

Puntos a considerar para realizar un buen diseño. Aleatorizar: consiste en distribuir al azar todas las parcelas de cada bloque, para mitigar el efecto de todos los factores no controlados por el experimentador en el diseño experimental. Ventajas de aleatorizar los factores no controlados: La ventaja de aleatorizar es porque se transforma la variabilidad sistemática no planificada en variabilidad no planificada o ruido aleatorio. Dicho de otra forma, aleatorizar previene contra la introducción de sesgos en el experimento

Bloquear: Se deben dividir las unidades experimentales en grupos llamados bloques de modo que las observaciones realizadas en cada bloque se realicen bajo condiciones experimentales lo más  parecidas posibles.

18

MATORG

ENTRY

BLOC

PLOT

RENDIM/G/MAT MATORG

TRAT 1

1

1

101

0.60

TRAT 2

2

1

102

TRAT 3

3

1

TRAT 4

4

TRAT 5

5

TRAT 6

ENTRY

BLOC

PLOT

RENDIM/G/MAT MATORG

ENTRY

BLOC

PLOT

TRAT 1

1

2

201

0.57

1.43

TRAT 2

2

2

202

103

3.78

TRAT 3

3

2

1

104

0.59

TRAT 4

4

1

105

0.58

TRAT 5

5

6

1

106

0.87

TRAT 6

TRAT 7

7

1

107

0.74

TRAT 8

8

1

108

0.87

RENDIM/G/MAT MATORG

TRAT 1

1

3

301

0.55

2.72

TRAT 2

2

3

302

203

6.12

TRAT 3

3

3

2

204

0.54

TRAT 4

4

2

205

0.54

TRAT 5

5

6

2

206

0.54

TRAT 6

TRAT 7

7

2

207

0.85

TRAT 8

8

2

208

1.39

ENTRY

BLOC

PLOT

RENDIM/G/MAT

TRAT 1

1

4

401

1.83

4.43

TRAT 2

2

4

402

1.52

303

6.08

TRAT 3

3

4

403

4.56

3

304

0.60

TRAT 4

4

4

404

0.61

3

305

0.63

TRAT 5

5

4

405

0.72

6

3

306

0.86

TRAT 6

6

4

406

0.79

TRAT 7

7

3

307

0.70

TRAT 7

7

4

407

0.61

TRAT 8

8

3

308

0.81

TRAT 8

8

4

408

1.07

TRAT 9

9

1

109

2.67

TRAT 9

9

2

209

2.88

TRAT 9

9

3

309

2.57

TRAT 9

9

4

409

3.51

TRAT 10

10

1

110

2.87

TRAT 10

10

2

210

5.04

TRAT 10

10

3

310

5.59

TRAT 10

10

4

410

5.21

TRAT 11

11

1

111

1.30

TRAT 11

11

2

211

0.72

TRAT 11

11

3

311

0.73

TRAT 11

11

4

411

1.18

TRAT 12

12

1

112

0.69

TRAT 12

12

2

212

0.96

TRAT 12

12

3

312

0.71

TRAT 12

12

4

412

0.69

TRAT 13

13

1

113

1.64

TRAT 13

13

2

213

1.37

TRAT 13

13

3

313

0.95

TRAT 13

13

4

413

1.05

TRAT 14

14

1

114

1.73

TRAT 14

14

2

214

1.26

TRAT 14

14

3

314

0.75

TRAT 14

14

4

414

1.10

TRAT 15

15

1

115

2.86

TRAT 15

15

2

215

3.64

TRAT 15

15

3

315

4.26

TRAT 15

15

4

415

4.66

TRAT 16

16

1

116

4.61

TRAT 16

16

2

216

6.34

TRAT 16

16

3

316

5.40

TRAT 16

16

4

416

4.74

TRAT 17

17

1

117

9.20

TRAT 17

17

2

217

8.55

TRAT 17

17

3

317

4.91

TRAT 17

17

4

417

6.79

TRAT 18

18

1

118

2.26

TRAT 18

18

2

218

1.95

TRAT 18

18

3

318

4.45

TRAT 18

18

4

418

2.16

TRAT 19

19

1

119

2.43

TRAT 19

19

2

219

1.97

TRAT 19

19

3

319

1.96

TRAT 19

19

4

419

3..1

TRAT 20

20

1

120

4.69

TRAT 20

20

2

220

2.60

TRAT 20

20

3

320

4.13

TRAT 20

20

4

420

5.04

TRAT 21

21

1

121

3.94

TRAT 21

21

2

221

4.94

TRAT 21

21

3

321

3.70

TRAT 21

21

4

421

3.99

TRAT 22

22

1

122

2.22

TRAT 22

22

2

222

2.00

TRAT 22

22

3

322

1.50

TRAT 22

22

4

422

1.24

23

3

323

7.76

TRAT 23

23

1

123

2.99

TRAT 23

23

2

223

4.41

TRAT 23

TRAT 23

23

4

423

3.65

TRAT 24

24

1

124

7.05

TRAT 24

24

2

224

4.70

TRAT 24

24

3

324

5.62

TRAT 24

24

4

424

5.74

TRAT 25

25

1

125

1.93

TRAT 25

25

2

225

1.67

TRAT 25

25

3

325

1.43

TRAT 25

25

4

425

1.24

TRAT 26

26

1

126

2.77

TRAT 26

26

2

226

2.69

TRAT 26

26

3

326

1.17

TRAT 26

26

4

426

1.86

TRAT 27

27

1

127

1.82

TRAT 27

27

2

227

1.79

TRAT 27

27

3

327

1.77

TRAT 27

27

4

427

2.04

2.16

TRAT 28

28

3

328

1.73

TRAT 28

28

4

428

2.42

TRAT 28

28

1

128

1.93

TRAT 28

28

2

Tabla Nº 2 Datos obtenidos del experimento.

228

19

a. Determine qué tipo de diseño experimental empleado. Es un diseño de bloques completos al azar que consta de 28 tratamientos o entradas, distribuidos en 4 bloques o repeticiones.

b. Plantee las hipótesis que interesa contrastar en el análisis de varianza de este experimento. La materia orgánica proveniente del estiércol de las gallinas, cascarilla de arroz y ceniza, mejoran ostensiblemente la absorción y asimilación del fosforo proveniente de las rocas fosfóricas de Pesca Boyacá y Baraya Huila, porque estas contienen millones de microorganismos benéficos que la descomponen y liberan minerales que permiten mayor aireación y drenaje del suelo acido de los Llanos orientales.

c. ¿Cuál es la unidad experimental? La unidad experimental es la materia orgánica proveniente de la gallinaza, cascarilla de arroz y ceniza.

d. ¿Cuál es la unidad de observación? Asimilación del fósforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo ácido de los Llanos Orientales para la variable rendimiento en g/materia de frijol caupí.

e. ¿Cuáles son y cuántos tratamientos se desea comparar? Son 28 tratamientos de materia orgánica.

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

20

Se establece que los datos colectados para la variable Y tienen una media, µ, y que la única desviación respecto a esa media puede darse por azar y cuantificada por el término ε o error

asociado al dato i-ésimo (i=1,…, n). El término de error representa la diferencia entre el valor observado de Y en la i-ésima unidad de análisis y la media de la distribución a la que se supone pertenece la observación.

g. Realice en Excel el análisis de varianza utilizando la herramienta de análisis de datos de Excel o en programa estadístico. C:\Users\RUBER_CALERO\Desktop\estadistica 2_DATOS : - [Versión : 18/09/20]  Análisis

de

la

18/10/13 - 9:46:10

varianza

Variable N R² R² Aj CV RENDIM 112 0.86 0.81 32.83 Cuadro de Análisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor Modelo 377.85 30 12.59 16.86 FCAL Acepta H1

30

31

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.

32

BIBLIOGRAFÍA

2 cuáles son los diseños experimentales más usados. Recuperado de: https://www.coursehero.com/file/p6uqigh/2-Cu%C3%A1les-son-los-dise%C3%B1osexperimentales-m%C3%A1s-usados-en-ciencias-agropecuarias-y/ 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 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-AZARVe48.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

33