SUBDIRECCIÓN DE POSGRADO E INVESTIGACIÓN
94
INSTITUTO TECNOLÓGICO SUPERIOR DE TANTOYUCA SUBDIRECCIÓN DE POSGRADO E INVESTIGACIÓN “ANÁLISIS ESTADÍSTICO DE DISPOSITIVO NO INVASIVO PARA LA MEDICIÓN DE GASES EN RUMIANTES” PRESENTA FRANCISCO OSORIO CRUZ DIRECTOR DE TESIS DRA. LIDILIA CRUZ RIVERO TANTOYUCA, VERACRUZ JULIO DEL 2019 QUE PARA OBTENER EL GRADO DE MAESTRÍA EN INGENIERÍA INDUSTRIAL TESIS
Transcript of SUBDIRECCIÓN DE POSGRADO E INVESTIGACIÓN
INSTITUTO TECNOLÓGICO
SUPERIOR DE TANTOYUCA
SUBDIRECCIÓN DE POSGRADO E INVESTIGACIÓN
“ANÁLISIS ESTADÍSTICO DE
DISPOSITIVO NO INVASIVO PARA LA
MEDICIÓN DE GASES EN RUMIANTES”
PRESENTA
FRANCISCO OSORIO CRUZ
DIRECTOR DE TESIS
DRA. LIDILIA CRUZ RIVERO
TANTOYUCA, VERACRUZ JULIO DEL 2019
QUE PARA OBTENER EL GRADO DE
MAESTRÍA EN INGENIERÍA
INDUSTRIAL
TESIS
ii
DEDICATORIA
Dedicado a…
A mi madre Adela quien con su amor, paciencia y esfuerzo me han
permitido llegar a cumplir un logro más, gracias por inculcar en
mí el ejemplo de esfuerzo y responsabilidad ante situaciones
difíciles y a mi padre Misael quien siempre me ha guiado ese
camino desde el cielo.
A mis hermanos Araceli y Julio Alberto por su cariño y apoyo
incondicional, y finalmente a mi esposa Magda por brindarme ese
amor inmenso todo este tiempo.
Ing. Francisco Osorio Cruz
iii
AGRADECIMIENTOS
En primer lugar, quiero expresar mi gratitud a Dios, quien con
su bendición y sabiduría llena siempre mi vida y me ofrece la
oportunidad de superarme cada día más y a mi familia por su
comprensión y apoyo.
Mi profundo agradecimiento al personal docente y administrativo
del Instituto Tecnológico Superior de Tantoyuca, así mismo, al
Tecnológico Nacional de México y al Consejo Nacional de Ciencia
y Tecnología (CONACYT) por el soporte económico durante la
maestría.
De igual manera mis agradecimientos a mis profesores quienes con
la enseñanza de sus valiosos conocimientos hicieron que pueda
crecer día a día como profesional, gracias por su paciencia,
dedicación, apoyo incondicional y amistad, especialmente quiero
expresar mi más grande y sincero agradecimiento a la Dra.
Lidilia Cruz Rivero quien con su dirección, colaboración y
conocimiento se lograra el desarrollo de este trabajo.
De todo corazón GRACIAS.
Ing. Francisco Osorio Cruz
iv
ÍNDICE GENERAL
RESUMEN....................................................... xi
ABSTRACT..................................................... xii
CAPÍTULO I.................................................... 13
INTRODUCCIÓN.................................................. 13
1.1 Planteamiento del problema .............................. 15
1.2 Justificación ........................................... 16
1.3 Objetivos ............................................... 17
1.3.1 General................................................. 17
1.3.2 Específicos............................................. 17
1.4 Hipótesis de investigación .............................. 17
1.5 Situación intrínseca del proyecto ....................... 18
1.5.1 Alcances................................................ 18
1.5.2 Limitaciones............................................ 18
CAPÍTULO II................................................... 19
MARCO CONTEXTUAL.............................................. 19
CAPÍTULO III.................................................. 24
MARCO CONCEPTUAL.............................................. 24
3.1 Cambio climático ........................................ 24
3.2 Efecto invernadero ...................................... 24
3.2.1 Gases de efecto invernadero............................. 25
3.2.2 Gas metano.............................................. 25
3.2.3 Dióxido de carbono...................................... 25
3.2.4 Óxido nitroso........................................... 26
3.3 Ganadería y contaminación ............................... 26
3.3.1 Ganado bovino........................................... 26
3.3.2 Sistema digestivo ruminal............................... 26
3.4 Estadística ............................................. 27
3.4.1 Muestra................................................. 27
v
3.4.2 Población............................................... 27
3.4.3 Parámetro y estadístico................................. 28
3.4.4 Medidas de tendencia central............................ 28
3.4.5 Medidas de dispersión................................... 29
3.4.6 Sesgo................................................... 29
3.4.7 Curtosis................................................ 29
3.4.8 Inferencia estadística.................................. 30
3.5 Diseño de experimentos .................................. 30
3.5.1 Conceptos básicos de diseño de experimentos............. 31
3.5.2 Aleatorización.......................................... 31
3.5.3 Repetición.............................................. 31
3.5.4 Bloqueo................................................. 32
3.6 Hipótesis estadística ................................... 32
3.6.1 Hipótesis nula.......................................... 33
3.6.2 Hipótesis alternativa................................... 33
3.6.3 Errores tipo I y tipo II................................ 33
3.6.4 Nivel de significancia.................................. 34
3.6.5 Error experimental...................................... 34
3.7 Prueba de normalidad .................................... 35
3.7.1 Prueba de Anderson-Darling.............................. 35
3.8 Estadística paramétrica ................................. 35
3.8.1 Prueba t................................................ 36
3.9 Método NO paramétrico ................................... 36
3.10 Pruebas paramétricas y No paramétricas alternativas .... 37
3.11 ANOVA .................................................. 37
3.11.1 Método de Tukey........................................ 38
3.11.2 Homocedasticidad....................................... 39
vi
3.11.3 Prueba de Levene....................................... 39
3.12 Teorema del límite central ............................. 39
3.13 Ajuste de distribución ................................. 40
3.15 Prueba de Kruskal ...................................... 40
CAPÍTULO IV................................................... 41
MARCO METODOLÓGICO............................................ 41
4.1 Objeto de estudio ....................................... 41
4.2 Tipo de investigación ................................... 41
4.3 Ubicación ............................................... 41
4.4 Pruebas piloto .......................................... 42
4.5 Etapas de un Diseño de Experimentos ..................... 42
4.5.1 Planeación y realización................................ 42
4.5.2 Clasificación y selección de los diseños experimentales. 44
4.5.3 Análisis de datos....................................... 45
4.5.3.1 Prueba de normalidad de los datos ................ 46
4.5.3.2 Visualizar el ajuste de la distribución normal ... 47
3.5.3.3 Ajuste de distribución ........................... 48
4.5.3.4. Teorema del límite central ...................... 50
4.5.3.6. Prueba de Tukey ................................. 53
4.5.3.7 Prueba de Kruskal-Wallis ......................... 54
4.4.4 Interpretación.......................................... 55
4.4.5 Control y conclusiones finales.......................... 55
CAPÍTULO V.................................................... 56
MARCO OPERATIVO............................................... 56
5.1 Pruebas piloto .......................................... 56
5.2 Diseño de experimentos .................................. 59
5.2.1 Elección del diseño de experimentos..................... 59
5.2.3 Análisis de datos....................................... 62
5.2.4 Pruebas de normalidad................................... 65
vii
5.2.6 Ajuste de distribución.................................. 72
5.2.7 Teorema del limite central.............................. 73
5.2.8 Análisis de varianza.................................... 74
5.2.9 Prueba de Tukey......................................... 75
5.2.10 Prueba de homocedasticidad............................. 77
5.2.11 Prueba de Kruskal-Wallis............................... 78
5.3 Resultados y discusión .................................. 79
CAPÍTULO VI................................................... 85
CONCLUSIONES Y RECOMENDACIONES................................ 85
6.1 Conclusión .............................................. 85
6.2 Recomendaciones ......................................... 86
REFERENCIAS BIBLIOGRÁFICAS.................................... 87
ANEXOS........................................................ 92
viii
ÍNDICE DE FIGURAS
Figura 1. Gráfica de probabilidad. ..................................................................... 47
Figura 2. Ajuste de la distribución normal. ............................................... 47
Figura 3. Elección de las posibles distribuciones................................ 49
Figura 4. Ajuste de distribución de los datos. ........................................ 50
Figura 5. Análisis de varianza. (Fuente: Minitab, 2018). ................ 53
Figura 6. Prueba de Tukey (Fuente: Minitab, 2018) ................................. 53
Figura 7. Instalación del dispositivo. (Fuente: Barrón, 2017). .. 56
Figura 8. Primera prueba del dispositivo. .................................................... 57
Figura 9. Segunda prueba del dispositivo. .................................................... 57
Figura 10. Tercera prueba del dispositivo. .................................................. 58
Figura 11. Gráfica de la prueba piloto de CO2. ........................................ 58
Figura 12. Gráfica de la prueba piloto de CH4. ........................................ 59
Figura 13. Unidades experimentales con su número de
identificación.................................................................................................................... 61
Figura 14. Aplicación el dispositivo en las unidades
experimentales.................................................................................................................... 62
Figura 15. Resultados de las mediciones de CH4. ...................................... 63
Figura 16. Resultado de las mediciones de CO2. ........................................ 63
Figura 17. Prueba de normalidad de CO2. ......................................................... 65
Figura 18. Prueba de normalidad de CH4. ......................................................... 66
Figura 19. Informe resumido de CO2.................................................................... 66
Figura 20. Informe resumido de CH4.................................................................... 67
Figura 21. Prueba de normalidad de la SEM1 de la UNID1 ANT CO2 .. 67
Figura 22. Prueba de normalidad de la SEM1 de la UNID1 DESP CO2.
....................................................................................................................................................... 68
Figura 23. Prueba de normalidad de la SEM1 de la UNID1 ANT CH4. 68
Figura 24.Prueba de normalidad de la SEM1 de la UNID1 DESP CH4. 69
Figura 25. Gráficas de los conjuntos de datos de la semana 1. .... 70
Figura 26. Gráficas de los conjuntos de datos de semana 2. ........... 70
ix
Figura 27. Gráficas de los conjuntos de datos de la semana 3. .... 71
Figura 28. Ajuste de distribución con Risk Simulator. ....................... 73
Figura 29. Análisis de varianza de CH4. ......................................................... 74
Figura 30. Análisis de varianza de CO2. ......................................................... 75
Figura 31. Gráfica de intervalos de CO2........................................................ 75
Figura 32. Gráfica de intervalos de CH4........................................................ 76
Figura 33. Prueba de igualdad de varianzas. ............................................... 77
Figura 34. Comportamiento de CH4 en mg/l. .................................................... 81
Figura 35. Gráfica de temperatura. ..................................................................... 83
x
ÍNDICE DE TABLAS
Tabla 1. Lista de pruebas paramétricas ........................................................... 37
Tabla 2. Formato de diseño de Experimentos .................................................. 45
Tabla 3. Formato de mediciones de experimento de CO2........................... 60
Tabla 4. Formato de mediciones de experimento de CH4........................... 60
Tabla 5. Ajuste de los conjuntos de datos .................................................... 72
Tabla 6. Ajuste de distribución de las medias........................................... 74
Tabla 7. Concentraciones de dióxido de carbono y gas metano ......... 82
xi
RESUMEN
En este estudio se realiza un análisis estadístico para medir la
cantidad de gas que emite el ganado bovino, especialmente el
dióxido de carbono (CO2) y el gas metano (CH4) en condiciones
normales de pastoreo para comprobar la funcionalidad del
prototipo. El análisis se realizó por medio de pruebas de
normalidad con un p valor de 0.05 y pruebas no paramétricas de
Kruskal-Wallis, y reafirmando con la prueba de comparación
Múltiple de Tukey y la prueba de homogeneidad de Levene. El
dispositivo cuenta con ventajas de no ser invasivo y la medición
de gases en ganado bovino es en tiempo real sin embargo existen
factores externos no controlables tal como la temperatura, humedad
relativa y corrientes de aire que afectan la medición durante la
aplicación del dispositivo en campo.
xii
ABSTRACT
In this study, a statistical analysis is performed to measure the
amount of gas emitted by cattle, especially carbon dioxide (CO2)
and methane gas (CH4) under normal grazing conditions to check the
functionality of the prototype. The analysis was carried out by
means of normality tests with a p value of 0.05 and non-parametric
tests of Kruskal-Wallis, and reaffirming with the Tukey Multiple
comparison test and the Levene homogeneity test. The device has
advantages of not being invasive and the measurement of gases in
cattle is in real time however there are external factors not
controllable such as temperature, relative humidity and air
currents that affect the measurement during the application of the
device in the field.
13
CAPÍTULO I
INTRODUCCIÓN
El dióxido de carbono (CO2) y metano (CH4) son los principales
gases de efecto invernadero y responsables del cambio climático.
Un Gas de Efecto Invernadero (GEI) es aquel que atrapa la radiación
infrarroja (calor) en la atmósfera, bloqueando su salida lo cual
deriva un aumento de la temperatura del planeta, convirtiéndose en
una amenaza para los seres vivos (Berra y Finster, 2002).
Los GEI son producidos por fuentes naturales y antropogénicas. De
acuerdo a Beltrán-Santoyo, Álvarez-Fuentes, Pinos-Rodríguez y
Contreras-Servín (2016), el sector agropecuario emite el 37% de
CH4 (fermentación entérica y manejo de estiércol), 9% de CO2
(fermentación entérica) y 65% de Óxido nitroso (N2O) (manejo de
estiércol y la explotación de suelos) que se asemeja con lo
reportado por Baumert, Herzog y Pershing (2005), y Benaouda,
González, Molina, y Castelán (2018), donde es evidente que el CH4
es el elemento más representativo en cuanto a la fermentación
entérica y que proviene principalmente del alimento ingerido del
ganado bovino (Cardona-Iglesias, Mahecha-Ledesma, y Angulo-
Arizala, 2017).
El ganado bovino emite CH4 y CO2 debido a su proceso digestivo, que
ocurre bajo condiciones anaeróbicas, donde participan diferentes
tipos de bacterias. Éstas, degradan la celulosa ingerida a glucosa,
que se fermentan luego a ácido acético y reducen el dióxido de
carbono, formando CH4 que representa energía alimenticia que es
convertida a gas (Carmona, Bolivar y Gildardo, 2005). La cantidad
generada de CH4 está en función de las características de animal
(p. ej., edad, peso, raza), a la cantidad y tipo de alimentación
14
(Aguiar-Zalzano y Rojas-Bourrillon, 2014), emitiéndolo a la
atmosfera a través del eructo (Woodward, Waghorn y Thomson, 2006).
Como lo indica Machmüller y Hegarty (2006), la verificación de la
precisión de los inventarios de gases de efecto invernadero para
el ganado depende sobre la disponibilidad de un método preciso y
robusto capaz de medir de forma correcta CH4 entérico y otros gases
en rumiantes en condiciones de pastoreo. La estimación de la
efectividad de estrategias particulares de mitigación depende de
la precisión de los modelos utilizados para la estimación de CH4
entérico. Por tanto, una predicción o medición precisa es un
requisito para calcular una estimación realista del balance
completo de GEI de los predios ganaderos (Ungerfeld, Escobar-
Bahamondes y Muñoz, 2018).
La correcta operación de un equipo de medición es fundamental para
darle certeza a los resultados que se obtienen, para esto es
necesario y sin importar su aplicación llevar a cabo el proceso de
validación (Mosquera-artamonov et al., 2015), para verificar que
tanto un sistema de medición es lo suficientemente confiable bajo
condiciones prefijadas, tanto del escenario como las
características de la unidad (bovino) a medir.
Por lo anterior, en este trabajo de investigación se realizará un
análisis estadístico, para validar la funcionalidad del prototipo
medidor de CH4 y CO2 en ganado bovino. Es por ello que, a partir
de la necesidad de validar las mediciones emitidas por el prototipo
antes mencionado, se pretende llevar a cabo un análisis
estadístico, lo que permitirá dar confiabilidad y certeza a las
mediciones que realiza el prototipo en rumiantes.
15
1.1 Planteamiento del problema
El sector ganadero es uno de los sectores con mayor producción de
CH4, se genera durante un proceso de fermentación entérica en que
intervienen microorganismos anaeróbicos. Roman y Hernández-Medrano
(2016), indica que la expulsión de CH4 se realiza por medio del
eructo alrededor de las 4-8 semanas de edad. Para mitigar las
emisiones de CH4 y CO2 en la ganadería es necesario conocer la
cantidad que emite cada bovino.
Berra y Finster (2002) afirman que las emisiones de gases de efecto
invernadero que se originan a través las actividades humanas son
las responsables del cambio climático; es por ello que la cuestión
ya no es más si los humanos estamos alterando el clima mundial,
sino dónde, cuándo y en qué medida se está contribuyendo con esta
contaminación, es así, que se debe saber en qué cantidad el ganado
bovino emite estos gases y así, encontrar medidas para mitigarlas.
Existen técnicas y dispositivos de medición que no cuentan con un
análisis que sustente la confiabilidad de las emisiones en el
sector ganadero, esto provoca que los dispositivos de medición
estén siendo aplicados sin contar con una garantía de su
funcionamiento y provocando la incomodidad del bovino en el uso de
estos dispositivos. Esto puede inducir a valores no reales de la
producción y emisión de los gases de acuerdo en las condiciones
establecidas y por tanto se toman decisiones incorrectas durante
el desarrollo de estrategias para reducir los GEI. A partir de
herramientas y métodos estadísticos es posible determinar
confiabilidad del prototipo y certeza en los datos obtenidos
durante las mediciones.
16
1.2 Justificación
Las tasas de acumulación de CH4 en la atmósfera provocadas por la
actividad del sector ganadero han cambiado drásticamente en los
últimos años presentándose un incremento cada vez mayor. Para
mitigar las emisiones de CH4 y CO2 es necesario cuantificar la
cantidad que emite un bovino durante un periodo de tiempo
determinado y de ser necesario, modificar su alimentación sin
alterar la calidad de los productos derivados del animal. Cerca de
500 millones de toneladas métricas/año de CH4 ingresan a la
atmósfera debido a actividades antropogénicas y fenómenos
naturales. De este valor se considera que el CH4 causa cerca del
15-17 % del total de gases emitidos que provoca el efecto
invernadero (Carmona et al., 2005).
El exponencial incremento del sector ganadero, tanto en la cría
como en la producción de carne y leche, está llevando a un
importante aumento en la producción de CH4 y CO2 lo cual debe ser
atendido.
Hoy en día existen diferentes equipos de medición de gases de
efecto invernadero aplicados a la ganadería los cuales tienden a
perjudicar emocional y físicamente a los animales; por tanto se
construyó un dispositivo con características sofisticadas cuyo
propósito es medir la cantidad de gases que emite el animal y
mantener la integridad física intacta del rumen, el autor realiza
las mediciones en una sola unidad experimental, lo que no permite
dar una confiabilidad en los datos obtenidos y no tiene una validez
formal de la funcionalidad del prototipo.
Es por ello que, a partir de la necesidad de validar las mediciones
emitidas por el prototipo antes mencionado, se pretende llevar a
cabo un análisis estadístico, lo que permitirá dar confiabilidad
y certeza a las mediciones que realiza el prototipo en ganado
17
bovino. Gracias a las ventajas de este prototipo de no ser invasivo
para el ganado bovino podría ser un producto comercial siempre y
cuando tenga una validez comprobable.
1.3 Objetivos
1.3.1 General
Realizar un análisis estadístico para verificar el funcionamiento
de un prototipo cuantificador de CH4 y CO2 no invasivo para
rumiantes mediante un diseño de experimentos.
1.3.2 Específicos
a. Plantear un diseño de experimentos para obtener datos de las
mediciones en ganado bovino.
b. Realizar pruebas experimentales en bovinos para obtener datos
de las mediciones en campo.
c. Analizar mediante herramientas y métodos estadísticos los
datos obtenidos durante las pruebas.
d. Validar la funcionalidad del prototipo a partir a partir de
del análisis estadístico.
e. Plantear acciones de rediseño de acuerdo a los resultados
para que sea más confiable y efectivo.
1.4 Hipótesis de investigación
Mediante el uso de métodos estadísticos aplicados al análisis de
los datos de medición, obtenidos del prototipo cuantificador de
CH4 y CO2 es posible obtener un respaldo de funcionalidad del
dispositivo.
18
1.5 Situación intrínseca del proyecto
1.5.1 Alcances
a. Obtención de las mediciones en campo para el análisis
estadístico.
b. Dar una conclusión sobre el funcionamiento del prototipo.
1.5.2 Limitaciones
a. Contar con un solo dispositivo.
b. No tener las unidades experimentales para las pruebas.
c. La disponibilidad del tiempo para realizar el experimento.
19
CAPÍTULO II
MARCO CONTEXTUAL
Con el fin de evaluar y comparar los resultados con el equipo
medidor de CH4 y CO2, se presentan los trabajos más representativos
reportados hasta el momento.
Los autores Berra, Finster y Valtorta (2009), con Bonilla y Lemus-
flores (2012), presentan los resultados de las mediciones de CH4
obtenidos mediante una fístula de 2.5 cm de diámetro por la cual
fluye el gas a un contenedor de plástico (tipo tanque) fijado en
el lomo del bovino. Se realiza la validación mediante una serie de
pasos desde la obtención de los datos hasta el análisis estadístico
utilizando un diseño aleatorio de un modelo y comprobando las
diferencias de medias con la prueba de Tukey. La producción diaria
de CH4 fue un promedio de 911.7 l y la concentración de CH4 varió
de 20 a 32 %. Los resultados muestran que la técnica es efectiva
con una reducción de un orden del 25 % en gases ruminales y el 28
% de CH4.
En una simulación que propone Nieto, Guzmán y Steinaker (2014), de
un sistema ganadero de carne donde estiman las emisiones de CH4 y
óxido nitroso (N2O) que produce el ganado bovino. Para ello se
realizó un análisis estadístico donde los datos se estudiaron por
medio de regresión de mínimos cuadráticos parciales que es un
método multivariado que generaliza el análisis de componentes
principales y regresión lineal. Se utiliza cuando se requiere
analizar el comportamiento de un grupo de variable que pueda estar
correlacionados y cuando los datos son relativamente reducidos.
20
Montenegro, Johnny y Barrantes (2016), reportan la técnica del gas
trazador hexafluoruro de azufre (SF6) para determinar la emisión
de CH4 entérico en bovinos que consumen una dieta basada en forrajes
tropicales. Utilizan novillas Jersey en dos fases: tabulación y
pastoreo; la técnica se realiza mediante una cápsula que contiene
SF6 colocado dentro del rumen del animal días antes de iniciar la
fase de medición seguida de un dispositivo situado sobre el animal
para almacenar los gases emitidos por el rumen. La emisión diaria
de metano por novilla en estabulación fue 147±7 g, y de 17,3±1,1
g kg-1 de masa seca (MS) consumida. En pastoreo se emitieron 141±16
g de CH4, y se estiman 16,1±1,1 g de CH4 kg-1 MS de pasto consumido.
En este trabajo se realiza el diseño, construcción y operación de
cámaras de respiración para la medición de la producción de metano
de bovinos en México similar a (Tremblay y Masse, 2008). Las
paredes, el techo y las puertas se construyeron de paneles térmicos
con dos ventanas de acrílico. Las cámaras tienen un volumen de
aire de 9.97 m3. El funcionamiento de las cámaras se evaluó
utilizando ganado Bos indicus, de la raza Nelore, alimentado con
pasto de Taiwán (Pennisetum purpureum) y un concentrado con 18 %
de proteína cruda; y se realizaron mediciones con las cámaras
durante 23 h. La producción de metano fue de 173.2 L/día, mientras
que el factor de emisión fue de 17.48 L de metano/kg de materia
seca consumida (Canul, 2017).
En este artículo se reporta la medición de las emisiones de metano
en vacas individuales durante el ordeño mediante la frecuencia de
eructación y se estima la tasa de emisión de metano. Todas las
vacas en este estudio son Holstein-frisones ordeñadas en un granero
freestall individualmente en estaciones automatizadas con un
promedio de 2.8 veces al día. La alimentación fue proporcionada
por una empresa comercial (alimentación baja y alta de metano), la
asignación de concentrado de cada vaca, se basa en la producción
21
de leche individual y el número de ordeños por día. Se evalúa la
medición con analizador infrarrojo Guardian Plus; Edinburgh
Instruments Ltd., Livingstoncon en un rango de 0 a 10000 mg/kg.
Los resultados para 82 vacas, aumentó con la producción de leche
diaria. Para 12 vacas, la tasa de emisión de metano se registró
durante el ordeño en la granja demuestra una relación lineal, 42
vacas la tasa de emisión de metano durante el ordeño fue mayor
(Garnsworthy, Craigon y Saunders, 2012).
Existen trabajos de validación de prototipos por medio de métodos
estadísticos como es el trabajo de Arboleda, García, Posada y
Torres (2009), donde evalúan un prototipo de interfaz cerebro-
computador para facilitar la comunicación de personas con
discapacidad motora. Toma en consideración tres algoritmos
lineales de Traslación: el discriminante lineal de Fisher (FLD),
la solución por mínimos cuadrados (LS) y el análisis lineal de la
discriminante paso a paso (SWLDA). Se tomó un grupo de cinco
mujeres y cinco hombres (muestra), con edades comprendidas entre
los 14 y 25 años (características definidas) para obtener los
datos, posteriormente la validación de las mediciones mediante el
uso de los algoritmos anteriores mencionados y análisis
estadístico (manejo de medias) con un resultado factible.
En Ceballos (2016), se implementó validación de una sonda TDR para
la medición de la humedad del suelo, se recogieron en el campo 6
monolitos, sin alteración de la estructura, de los primeros 30 cm
del perfil en distintos suelos con análisis estadístico para
comprobar el nivel de correlación entre la humedad medida mediante
ambos métodos y el grado de ajuste entre ambas series de datos. Se
utiliza como estimadores de la similitud de los datos el error
medio (EM) y la raíz del error cuadrático medio (RECM). EM sirve
para identificar la posible presencia de sesgo, es decir, una
22
sistemática sobreestimación o subestimación de los valores en
relación con el método de referencia. RECM ofrece información sobre
la dispersión entre valores medidos de uno u otro modo.
En Botero et al., (2007), se desarrolló paso a paso el método ANOVA
utilizado para el estudio de repetibilidad y reproducibilidad
dentro de cualquier sistema de medición. El método Anova es el
método más exacto cuando se quiere calcular la variabilidad de un
proceso puesto que éste es el único método que tiene en cuenta la
variabilidad que se presenta por la interacción entre los
operadores y las partes. Este método está basado en la misma
técnica estadística utilizada para analizar los efectos de los
diferentes factores en el diseño de experimentos. Para un sistema
de medición, el método Anova debe realizarse para estudiar
simultáneamente los efectos de dos fuentes de variación.
El artículo de Mosquera-Artamonov et al., (2015), muestra los
resultados logrados en la generación y evaluación de un dispositivo
para medir la fuerza de apertura requerida de secadoras producidas
por una empresa de electrodomésticos. Para la obtención de los
resultados se aplicó un Repetibilidad y Reproducibilidad (R&R)
bajo el método de ANOVA, determinándose en primer lugar la
significancia de las variables del proceso actual. De forma
posterior, empleando el dispositivo propuesto y usando 3
operadores (uno interno y dos externos), con 2 réplicas en un total
de 10 secadoras se estableció que, para el proceso actual, el
operador y las partes generan significancia estadística y por
consiguiente son causantes de la variación presente. Se puede
destacar usando el dispositivo de medición, el operador no tuvo
efecto significativo en las mediciones; solo la variación presente
del cambio de secadora a secadora. Con la implementación del
23
dispositivo de medición se tuvo una mejora en el proceso, en
comparación con el método que existía en la empresa.
En el trabajo de Viola y Ángel (2015), presenta el diseño factorial
de evaluación de la robustez entre diferentes controladores PID
para el control de un sistema no lineal con incertidumbres
paramétricas y presencia de alteraciones externas. El análisis de
robustez utiliza un diseño de experimentos factorial. El diseño
factorial tiene como factores de entrada la incertidumbre en la
ganancia de la planta, la presencia de ruido aleatorio en el
circuito de retroalimentación, y la existencia de límites externos
disturbio. Las salidas del diseño factorial miden el rendimiento
de cada sistema de control PID utilizando la respuesta de entrada
de paso y señal de acción de control. Los resultados muestran que
el controlador PID fraccional tiene un mejor rendimiento frente a
la planta y un excelente rechazo a las perturbaciones externas lo
que indica una mayor robustez del proceso y menor el consumo de
energía.
24
CAPÍTULO III
MARCO CONCEPTUAL
3.1 Cambio climático
El cambio climático se considera como cualquier variación
existente en las mediciones del estado del tiempo tal como
temperatura, precipitación o viento durante un período extenso. Se
utiliza el término calentamiento global para referirse al cambio
climático; sin embargo, es preferible el uso de la frase “cambio
climático” debido a que no solo comprende la elevación de la
temperatura.
El sistema climático evoluciona por dos razones, por factores
externos que provienen de cambio en la radiación solar e internos
pueden ser fenómenos naturales como las erupciones volcánicas o
fenómenos antropogénicos, es decir, causados por la acción del
hombre (García, 2010). El clima es consecuencia del vínculo que
existe entre la atmósfera, los océanos, las capas de hielos, los
organismos vivientes (biosfera) y los suelos, sedimentos y rocas
(Global, 2014).
3.2 Efecto invernadero
Uno de los factores que influye en el calentamiento global es el
efecto invernadero, que es un proceso natural bajo la acción de la
radiación solar, sin este fenómeno la vida del planeta Tierra
presentaría varias dificultades para su desarrollo y de acuerdo a
cálculos realizados si no existiera este fenómeno la temperatura
media del planeta sería de -18°C y ocasionaría que la humanidad
desapareciera (Aguilar, 2003).
25
3.2.1 Gases de efecto invernadero
La razón de la variabilidad de la temperatura, es que la atmósfera
es casi transparente a la radiación de onda corta (ondas de alta
frecuencia y mucha energía), pero absorbe la mayor parte de la
radiación de onda larga (baja frecuencia y poca energía) emitida
por la superficie terrestre. Diferentes componentes de la
atmosfera, tales como el vapor de agua, el dióxido de carbono,
tienen frecuencias moleculares vibratorias en el rango espectral
de la radiación terrestre emitida. Estos gases de invernadero
absorben y reemiten la radiación de onda larga, devolviéndola a la
superficie terrestre, causando el aumento de temperatura, fenómeno
denominado Efecto Invernadero (Gallardo y Barra, 1997).
3.2.2 Gas metano
El gas metano (CH4), es un gas de efecto invernadero producido
principalmente a través de procesos anaeróbicos tales como los
cultivos de arroz o la digestión animal. Es destruida en la baja
atmósfera por reacción con radicales hidroxilos libres (-OH). Como
el CO2, sus concentraciones aumentan por acción antropogénica
directa e indirecta (Gallardo y Barra, 1997).
3.2.3 Dióxido de carbono
Es uno de los gases más importantes en la atmosfera, se libera
desde el interior de la Tierra a través de fenómenos tectónicos y
a través de la respiración, procesos de suelos y combustión de
compuestos con carbono y la evaporación oceánica. Actualmente su
concentración ha llegado a 359 ppmv (partes por millón volumen),
producto de la acción antropogénica: quema de combustibles fósiles
y materia orgánica en general (Gallardo y Barra, 1997).
26
3.2.4 Óxido nitroso
El óxido nitroso (N2O), es producido por procesos biológicos en
océanos y suelos, también por procesos antropogénicos que incluyen
combustión industrial, gases de escape de vehículos de combustión
interna, etc. Es destruido fotoquímicamente en la alta atmósfera
(Gallardo y Barra, 1997).
3.3 Ganadería y contaminación
3.3.1 Ganado bovino
El ganado bovino también conocido como rumiantes, se caracteriza
por su proceso de digestión donde el alimento consumido es
principalmente hierbas, forrajes (pastos), entre otros. En los
primeros meses, los bovinos solamente se alimentan de leche y a
partir del cuarto mes (Roman-Ponce y Hernández-Medrano, 2016)
suelen funcionar los otros tres estómagos (rumen, retículo, omaso
y abomaso), los cuales tienen diferentes funciones en el proceso
de la digestión de sus alimentos. Dependiendo de la zona geográfica
en el que viven, los animales han ido modificando sus cuerpos con
la finalidad de adaptarse a diferentes condiciones medio
ambientales.
3.3.2 Sistema digestivo ruminal
Debido a su sistema digestivo, el ganado bovino produce gas metano
bajo condiciones anaeróbicas, donde participan diferentes tipos de
bacterias. Éstas, degradan la celulosa ingerida a glucosa, que
fermentan luego a ácido acético y reducen el dióxido de carbono,
formando metano en el proceso. La energía alimenticia que nos es
aprovechada por el animal es convertida en gas y es expulsado vía
eructo durante la consolidación completa de su sistema digestivo,
donde lleva lugar a la retención de alimentos y, a su vez aumenta
27
la fermentación del alimento y la producción de gas (Carmona et
al., 2005).
3.4 Estadística
La estadística, en particular el diseño de experimentos, son
considerados en la literatura científica como técnicas que deben
incorporarse al desarrollo de cualquier proceso investigativo
(Díaz, 2009). La estadística plantea los métodos científicos que
se usan para recolectar, organizar, resumir, presentar y analizar
datos para obtener conclusiones válidas y tomar decisiones
razonables con base en un análisis exhaustivo. El término
estadística también se usa para denotar los números que se obtienen
de esos datos; por ejemplo, los promedios. La estadística se aplica
en todos los ramos y en la vida cotidiana como estadísticas de
empleo, estadísticas de accidentes, etcétera (Spiegel y Stephens,
2009).
3.4.1 Muestra
Cuando se recolectan datos sobre las características de un grupo
de individuos o de objetos, por ejemplo, estatura y peso de los
estudiantes de una universidad o cantidad de pernos defectuosos y
no defectuosos producidos en determinado día en una fábrica, suele
ser imposible o poco práctico observar todo el grupo, en especial
si se trata de un grupo grande. En lugar de examinar la totalidad
del grupo a la que se le llama población o universo, se analiza
solo una parte de ella al que se le conoce como muestra (Devore,
2008).
3.4.2 Población
Se le conoce como población al conjunto de objetos o personas con
características similares. En un estudio de investigación en pocas
ocasiones se incluyen a la población total o al universo completo.
28
Las razones para estudiar muestras en lugar de las poblaciones son
diversas y entre ellas es de ahorrar tiempo, en consecuencia se
ahorra recursos, estudiar a la totalidad de los miembros con una
característica determinada, aumentar la calidad del estudio y por
último en un sentido estricto y ético no es necesario estudiar al
total de la población cuando con una proporción de sujetos puede
conseguir los objetivos del estudio (Arias, Villasís y Miranda,
2016).
3.4.3 Parámetro y estadístico
En la estadística se maneja el concepto de variable aleatoria, así
como la diferencia entre estadístico (por ejemplo, la media o la
varianza obtenida en una muestra) y parámetro (el mismo valor en
la población). Los parámetros son obtenidos a través de datos de
una población y los estadísticos a partir de una muestra. Los datos
que manejan son muestras de valores de variables aleatorias
extraídas de una o varias poblaciones. Además tendrían que saber
utilizar las tablas de distribuciones teóricas para el cálculo de
probabilidades en distintas distribuciones (Darío, 2015).
3.4.4 Medidas de tendencia central
Un promedio es un valor representativo de un conjunto de datos, el
valor central de los valores de un conjunto de números acomodado
en orden de magnitud se conoce como mediana. La moda de un conjunto
de números es el valor que se presenta con más frecuencia; es
decir, es el valor más frecuente. Puede no haber moda y cuando la
hay, puede no ser única, todas estas medidas son conocidas como
medidas de posición (Spiegel y Stephens, 2009).
29
3.4.5 Medidas de dispersión
Las medidas de dispersión complementan a las de posición central
para caracterizar una distribución, describe la variabilidad de
los datos respecto a las mismas (González-Ruiz y López-Martín,
2015), es decir, es el grado de dispersión de los datos numéricos
respecto a un valor promedio, una de las medidas de dispersión más
importantes es la desviación estándar, el cual es la distancia de
cada uno de los números con respecto a la media, pero es importante
y necesario distinguir la desviación estándar de una población, y
de la desviación estándar de una muestra, de manera que s2 y σ2
representan la varianza muestral y la varianza poblacional
respectivamente.
3.4.6 Sesgo
El sesgo de una distribución es el grado de asimetría o el grado
en el que se aleja de la simetría, en otras palabras, la asimetría
nos permite identificar si los datos se distribuyen de forma
uniforme alrededor de una media. Si una curva de frecuencia de una
distribución tiene una cola más larga hacia la derecha del máximo
central que hacia la izquierda, se dice que la distribución es
sesgada a la derecha, o que tiene un sesgo positivo. Si ocurre lo
contrario, se dice que es sesgada a la izquierda o que tiene un
sesgo negativo. En las distribuciones sesgadas, la media tiende a
encontrarse del mismo lado que la cola más larga opuesto al de la
moda y que la cola más larga (Spiegel y Stephens, 2009).
3.4.7 Curtosis
La curtosis indica qué tan puntiaguda es una distribución; esto
por lo regular es en relación con la distribución normal. A una
distribución que tiene un pico relativamente alto se le llama
leptocúrtica, en tanto que si es relativamente aplastada se dice
30
platicúrtica. Una distribución normal, que no es ni puntiaguda ni
muy aplastada se llama mesocúrtica (Spiegel y Stephens, 2009).
3.4.8 Inferencia estadística
El objetivo de la inferencia estadística es hacer afirmaciones
válidas acerca de la población o proceso con base a la información
contenida en una muestra. Estas afirmaciones tienen por objetivo
caracterizar mejor la población y, en muchos casos, coadyuvar en
la toma de decisiones. La inferencia estadística por lo general se
divide en estimación y prueba de hipótesis (Gutiérrez Pulido y de
la Vara Salazar, 2012).
3.5 Diseño de experimentos
El Diseño de Experimentos es una herramienta estadística muy útil
y aplicable para poder conocer el comportamiento de datos
recolectados a partir de una serie de ensayos diseñados para probar
una teoría o hipótesis bajo alguna circunstancia específica. Es
una relación que involucra varios elementos de variación
(factores), que afectan sensiblemente la respuesta estudiada,
incluyéndose además todas las interacciones posibles, es decir, la
respuesta esperada puede estar siendo afectada en gran medida por
la interacción (o interdependencia) entre dos o más factores y no
simplemente por los factores individuales (Hernández, 2018).
Otro concepto es la aplicación del método científico para generar
conocimiento acerca de un sistema o proceso que permite entender
mejor situaciones complejas de relación causa-efecto (Gutiérrez y
de la Vara, 2012).
31
3.5.1 Conceptos básicos de diseño de
experimentos.
Al planificar un experimento es importante conocer y especificar
las condiciones al efectuar los tratamientos en las unidades
experimentales para poder limitar los desvíos en la asignación de
tratamientos (Napolitano, 2012).
3.5.2 Aleatorización
Como el término lo indica consiste en hacer las corridas
experimentales en orden aleatorio (al azar) y el quipo y/o material
debe ser seleccionado de la misma forma. Ya que al hacer esto
aumenta la probabilidad de que el supuesto de independencia de los
errores se cumpla, lo cual es un requisitito para la validez de
las pruebas de estadísticas que se realizan, es una manera de
asegurar de que las pequeñas diferencias provocadas por
materiales, equipo y todos los factores controlados, se repartan
de manera homogénea en todos los tratamientos y no por intención
propia (Gutierriéz y de la Vara, 2012).
3.5.3 Repetición
Es correr más de una vez un tratamiento o combinación de factores.
Es preciso no confundir este principio con medir varias veces el
mismo resultado experimental, repetir es volver a realizar un
tratamiento, pero no inmediatamente después de haber el mismo
tratamiento, sino cuando corresponda de acuerdo con la
aleatorización(Gutiérrez y de la Vara, 2012).
32
3.5.4 Bloqueo
Se debe considerar de forma adecuada los factores que pueden
afectar la respuesta. Al bloquear, se supone que el subconjunto de
los datos que se obtengan dentro de cada bloque (nivel particular
del factor bloqueado), debe resultar más homogéneo que el conjunto
total de datos. Por ejemplo, si se quieren comparar cuatro
máquinas, es importante tomar en cuenta al operador de las
máquinas, en especial si se cree que la habilidad y los
conocimientos del operador pueden influir en el resultado. Una
posible estrategia de bloqueo del factor operador, sería que un
mismo operador realizara todas las pruebas del experimento. Otra
posible estrategia de bloqueo sería experimentar con cuatro
operadores (cuatro bloques), donde cada uno de ellos prueba en
orden aleatorio las cuatro máquinas; en este segundo caso, la
comparación de las máquinas quizás es más real. Cada operador es
un bloque porque se espera que las mediciones del mismo operador
sean más parecidas entre sí que las mediciones de varios
operadores, al que se le llama muestra (Devore, 2008).
3.6 Hipótesis estadística
Una hipótesis estadística es una aseveración o conjetura respecto
a una o más poblaciones, a menudo involucran uno o más parámetros
de una distribución (Hines, Montgomery, Goldsman y Borror, 2006).
La verdad o falsedad de una hipótesis estadística nunca se sabe
con absoluta certeza, cuando se examina la población en su
totalidad la hipótesis es 100% verdadera, por supuesto, sería poco
práctico en la mayoría de las situaciones. En vez de eso se toma
una muestra aleatoria de la población de interés y se utilizan los
datos contenidos en ella para proporcionar evidencia que respalde
o no la hipótesis. La evidencia de la muestra que es inconsistente
33
con la hipótesis planteada conduce al rechazo de la misma (Walpole,
Myers, Myers y Ye, 2012).
3.6.1 Hipótesis nula
En muchas ocasiones se formula una hipótesis estadística con la
única finalidad de refutarla o anularla. Es la conjetura inicial,
la suposición que se hace sobre la base de la experiencia del
pasado y el conocimiento, por ejemplo, si se quiere decidir si un
método es mejor que otro, se formula la hipótesis de que no hay
diferencia entre los dos (es decir, que cualquier diferencia que
se observe se debe sólo a las fluctuaciones del muestreo de una
misma población). A estas hipótesis se les llama hipótesis nula y
se denota H0, en otras palabras es la afirmación de que el valor
de un parámetro de una población es igual a un valor esperado,
entre los parámetros puede ser una proporción, media o desviación
estándar (Triola, 2004).
3.6.2 Hipótesis alternativa
A toda hipótesis que difiera de la hipótesis dada se le llama
hipótesis alternativa. Por ejemplo, si una hipótesis es p= 0.5, la
hipótesis alternativa puede ser p= 0.7, p 0.5 o p> 0.5. La
hipótesis alternativa a la hipótesis nula se denota H1 en concreto
es la afirmación de que el parámetro tiene un valor que, de alguna
manera, difiere con la hipótesis nula (Spiegel y Stephens, 2009).
3.6.3 Errores tipo I y tipo II
Cuando se rechaza una hipótesis que debería aceptarse se dice que
se comete un error tipo I y se use denota con el símbolo de α. Por
otro lado, cuando se acepta una hipótesis que debería rechazarse,
se comete un error tipo II y se ilustra con el símbolo de β. En
cualquiera de los casos ha habido una decisión errónea o se ha
34
hecho un juicio erróneo. Para que las reglas de decisión (o pruebas
de hipótesis) sean buenas, deben diseñarse de manera que se
minimicen los errores de decisión. La única manera de reducir los
dos tipos de error es aumentando el tamaño de la muestra, lo que
no siempre es posible por cuestiones de tiempo y dinero (Spiegel
y Stephens, 2009).
3.6.4 Nivel de significancia
A la probabilidad máxima con la que una hipótesis está dispuesto
a cometer el error de tipo I se le conoce como nivel de
significancia. Los valores más comunes de nivel de significancia
son 0.05 o 0.01 que suelen denotarse con α, Si, por ejemplo, al
diseñar la regla de decisión se elige el nivel de significancia
0.05 (o bien 5%), entonces existen 5 posibilidades en 100 de que
se rechace una hipótesis que debía ser aceptada; es decir, se tiene
una confianza de aproximadamente 95% de que se ha tomado la
decisión correcta. En tal caso se dice que la hipótesis ha sido
rechazada al nivel de significancia 0.05, lo que significa que la
hipótesis tiene una probabilidad de 5% de ser errónea (Spiegel y
Stephens, 2009).
3.6.5 Error experimental
Cuando se repite una operación o un experimento bajo condiciones
lo más similares posible, los resultados obtenidos nunca son
totalmente idénticos. La incertidumbre que se observa de una
repetición a otra se le denomina ruido, variación, experimental,
error experimental o simplemente error. Ejemplos de variables que
provocan ruido son la temperatura ambiente, la habilidad o la
destreza del personal, el tiempo transcurrido desde que se han
preparado los reactivos, su pureza y la eficiencia o el estado del
equipo (Box, Hunter y Hunter, 2008), pero también entran la
35
vibración, provisión de energía y polvo, deterioro, desgaste,
humedad o temperatura (Napolitano, 2012).
3.7 Prueba de normalidad
La distribución normal desempeña un papel fundamental en cualquier
objeto de estudio, ya que una de las hipótesis básicas para la
aplicación del modelo es la normalidad de los datos. Por otro lado,
el teorema del límite central asegura que la media muestral se
distribuye, para tamaño grande de la muestra en forma
aproximadamente normal y la distribución normal también interviene
en algunos contrastes a posteriori (Darío, 2015).
3.7.1 Prueba de Anderson-Darling
Esta prueba compara la función de distribución acumulada empírica
de los datos de la muestra con la distribución esperada si los
datos fueran normales. Si la diferencia observada es adecuadamente
grande, usted rechazará la hipótesis nula de normalidad de la
población, Pedrosa (2014), señala que esta prueba es la más potente
estadísticamente cuando alude a pruebas basadas en funciones de
distribución empíricas.
3.8 Estadística paramétrica
La estadística inferencial paramétrica hace suposiciones
específicas acerca de la población o poblaciones que se muestrean.
De allí la importancia del Teorema del Límite Central para esta
clase de inferencias (el supuesto de normalidad es parte
fundamental de las pruebas paramétricas) (Rojas, 2003). Las
técnicas estadísticas de estimación de parámetros, intervalos de
confianza y prueba de hipótesis son, en conjunto, denominadas
estadística paramétrica y son aplicadas básicamente a variables
continuas. Estas técnicas se basan en especificar una forma de
36
distribución de la variable aleatoria y de los estadísticos
derivados de los datos.
3.8.1 Prueba t
Es la prueba de hipótesis acerca de la media de una sola población
y también valoración de si las medias de dos grupos son
estadísticamente diferentes entre sí, siempre y cuando las
observaciones en cada grupo siguen una distribución normal, la
desviación estándar en ambas muestras es igual, y la independencia
de cada grupo. Un conjunto de curvas estructuradas de un grupo de
datos de unas muestras en particular, generalmente es para comparar
dos muestras con tamaño ≥30. La primera presunción es formular la
hipótesis nula y la hipótesis alternativa, que establece que no
hay diferencias en la media de las dos muestras independientes y
que, de existir esta diferencia, sólo se debe al azar. Si la t
calculada que se origina de las dos muestras es desmesurada (valor
de p que se encuentra en las tablas respectivas), entonces se
rechazaría la hipótesis nula (error tipo I). Cabe mencionar que
depende del valor de significancia establecido (Sánchez, 2015).
3.9 Método NO paramétrico
Una prueba no paramétrica es una prueba de hipótesis que no
requiere que la distribución de la población sea caracterizada por
ciertos parámetros. Por ejemplo, muchas pruebas de hipótesis
parten del supuesto de que la población sigue una distribución
normal con los parámetros μ y σ. Las pruebas no paramétricas no
parten de este supuesto, de modo que son útiles cuando los datos
son considerablemente no normales y resistentes a transformaciones
(Spiegel y Stephens, 2009).
37
3.10 Pruebas paramétricas y No paramétricas alternativas
Cuando se cumplen los supuestos del procedimiento paramétrico,
entonces se escoge entre las alternativas paramétricas, en caso
contrario, cuando la distribución de los datos no cumple una
normalidad se escoge entre las alternativas no paramétricas tabla
1. También podría utilizar el procedimiento paramétrico cuando la
población no esté distribuida normalmente si el tamaño de la
muestra es lo suficientemente grande (Minitab, 2017).
Tabla 1. Lista de pruebas paramétricas
y sus alternativas.
Prueba no paramétrica Prueba paramétrica
alternativa
Prueba de signos de 1
muestra
Prueba Z de 1
muestra, prueba t de 1
muestra
Prueba de Wilcoxon
de 1 muestra
Prueba Z de 1
muestra, prueba t de 1
muestra
Prueba de Mann-
Whitney
Prueba t de 2
muestras
Prueba de Kruskal-
Wallis
ANOVA de un solo
factor
Prueba de la
mediana de Mood
ANOVA de un solo
factor
Prueba de Friedman ANOVA de dos factores
3.11 ANOVA
ANOVA, fue aplicado inicialmente por R. A. Fisher en un gran número
de problemas agrícolas, es una técnica estadística útil que permite
probar simultáneamente las diferencias entre medias en más de dos
condiciones, es decir, permite que los estadísticos infieran sobre
las medias poblacionales cuando estas se ven afectadas por varios
factores diferentes. Las condiciones definen las diferentes
38
modalidades de un factor dado o variable explicativa (por ejemplo,
factor = edad; condiciones = adultos jóvenes, adultos mayores).
Uno de las suposiciones en ANOVA es la independencia de las
observaciones. Sin embargo, a menudo se recogen múltiples
observaciones de sujetos/animales individuales. Tales
observaciones no pueden considerarse independientes y, por lo
tanto, deben analizarse utilizando modelos que controlan la
variabilidad dentro de las unidades de observaciones. Ignorando
esta estructura anidada de la los datos arrojan valores p
incorrectos, generalmente asociados con un aumento de falsos
positivos (tipo I error) (Boisgontier y Cheval, 2016).
3.11.1 Método de Tukey
El método más conservador para comparar pares de medias de
tratamientos es el método de Tukey, se utiliza con frecuencia para
probar hipótesis nula de que los pares de medias posibles de
tratamientos son iguales, aclarando si el tamaño de todas las
muestras son iguales, este método también es conocido como
diferencia verdadera significativa (Wayne, 2002), y está dado por
la fórmula 1:
𝑇a = 𝑞a(𝑘, 𝑁– 𝑘) √𝐶𝑀𝐸/𝑛𝑖 (1)
Donde CME es el cuadrado medio del error, n es el número de
observaciones por tratamiento, k es el número de tratamientos, N
– k es igual a los grados de libertad para el error, a es el nivel
de significancia prefijado y el estadístico qa (k, N – k) son
puntos porcentuales de la distribución del rango estudentizado
(Gutiérrez & de la Vara, 2012), con el valor de Ta menor, la medias
son significativamente diferentes. Con la ayuda de programas
estadísticos es fácil determinar la prueba de Tukey.
39
3.11.2 Homocedasticidad
La homocedasticidad de acuerdo con Rubio-Hurtado y Berlanga-
Silvestre (2012), indica que las varianzas de la variable
dependiente en los grupos o muestras que se comparan deben ser
aproximadamente iguales. Antes de llevar a cabo la comprobación de
la existencia de diferencias entre las medias de varias muestras
es comprobar la homogeneidad de varianzas. Existen varias pruebas
que permiten comprobar la igualdad de varianzas F de Fisher, Fmax
de Hartley, prueba de Bartlett, Levene, etc.
3.11.3 Prueba de Levene
La prueba de Levene ofrece una alternativa más robusta que el
procedimiento de Bartlett, ya que es poco sensible a la desviación
de la normalidad. Eso significa que sería menos probable que
rechace una verdadera hipótesis de igualdad de varianzas solo
porque las distribuciones de las poblaciones muestreadas no son
normales (Correa, 2006).
3.12 Teorema del límite central
Es la media muestral de un conjunto de n variables en forma
independiente a partir de una misma distribución f(x) se ajusta a
una distribución aproximada normal, es decir, la distribución del
promedio de un conjunto de variables aleatorias depende tanto de
la cantidad de variables aleatoria promediadas como la
incertidumbre aportada por cada variable. En pocas palabras se
define como el promedio de cada una de las muestras y
posteriormente da como resultado una distribución normal (Walpole
et al., 2012).
40
3.13 Ajuste de distribución
La información de métodos de estimación estadística hace especial
énfasis en la bondad de la distribución normal y los métodos de
estimación más populares necesitan asumir la existencia de
normalidad en la distribución de los datos muestrales para
demostrar las propiedades de las estimaciones y se insiste en la
necesidad del cumplimiento del supuesto para que la estimación
ofrezca todas las garantías (Rodríguez y Ruiz, 2008). La selección
de una distribución apropiada es un primer paso esencial para
realizar un análisis de fiabilidad. Si la distribución
seleccionada no se ajusta adecuadamente a los datos, entonces las
estimaciones de fiabilidad serán inexactas y erróneas.
3.15 Prueba de Kruskal
El test de Kruskal-Wallis, también conocido como test H, es la
alternativa no paramétrica al test ANOVA de una vía para datos no
pareados. Se trata de una extensión del test de Mann-Whitney para
más de dos grupos. Se trata por lo tanto de un test que emplea
rangos para contrastar la hipótesis de que k muestras han sido
obtenidas de una misma población. A diferencia del ANOVA en el que
se comparan medias, el test de Kruskal-Wallis contrasta si las
diferentes muestras están equidistribuidas y que por lo tanto
pertenecen a una misma distribución (población). Bajo ciertas
simplificaciones puede considerarse que el test de Kruskal-Wallis
compara las medianas (Amat, 2016).
41
CAPÍTULO IV
MARCO METODOLÓGICO
4.1 Objeto de estudio
El objeto de estudio es el dispositivo cuantificador de CH4 y CO2
realizado en el Instituto Tecnológico Superior de Tantoyuca
(ITSTA) para la validación física y funcional en ganado bovino
mediante análisis estadísticos.
4.2 Tipo de investigación
La investigación tiene un enfoque cuantitativo con un proceso
secuencial y probatorio por la recolección de datos para probar
hipótesis, con base a la medición numérica y el análisis
estadístico estableciendo patrones de comportamiento y comprobando
teorías (Hernández, 2006). Es una investigación experimental que
determina y mide variables, aplicado a ganado bovino, analizando
las mediciones obtenidas y estableciendo una conclusión sobre la
funcionalidad del prototipo y validez de los datos.
4.3 Ubicación
El trabajo será desarrollado en las instalaciones del área de
Agronomía del ITSTA y el Rancho Alta Rosa ubicado sobre la
carretera Platón Sánchez–Tantoyuca en el cual se ejecutarán las
mediciones para obtener datos de la emisión de gas en ganado
bovino. Para la realización de cualquier experimento es necesario
seguir una serie de pasos cuyo resultado sea favorable al estudio
en cuestión, para eso existen metodologías para realizar un
experimento como la siguiente.
42
4.4 Pruebas piloto
A la necesidad de conocer con mayor precisión el comportamiento
del ganado bovino en la implementación del dispositivo, se propone
realizar pruebas piloto con el fin de ajustar el equipo adecuándolo
a los movimientos bruscos del animal y no exista fallas técnicas
durante el desarrollo del experimento.
4.5 Etapas de un Diseño de Experimentos
Para llevar a cabo un diseño de experimentos, Gutiérrez y de la
Vara (2012), propone los siguientes pasos:
4.5.1 Planeación y realización
a. Planteamiento del problema. En la etapa de planeación se
deben hacer investigaciones preliminares que conduzcan
a entender y delimitar el problema u objeto de estudio,
de tal forma que quede claro qué se va a estudiar, por
qué es importante y, así mismo definir lo que se espera
del problema.
b. Definir la variable de respuesta. La elección de la
variable es vital, ya que en ella se refleja el resultado
de las pruebas. Además, se debe tener confianza en que
las mediciones que se obtengan sobre esas variables sean
confiables, recordemos que los sistemas de medición son
la forma en la que percibimos la realidad, por lo que,
si éstos son deficientes, las decisiones que se tomen
con base en ellos pueden ser inadecuadas.
c. Selección de factores y niveles. No se trata de que el
experimentador tenga que saber a priori cuáles factores
influyen, puesto que precisamente para eso es el
experimento, pero sí de que utilice toda la información
disponible para incluir aquellos que se considera que
43
tienen un mayor efecto. Jerarquizar la importancia de
cada uno de ellos y establecer cuáles de estos se
utilizará en el experimento.
d. Seleccionar los niveles de cada factor, así como el
diseño experimental adecuado a los factores que se
tienen y al objetivo del experimento. Este paso también
implica determinar cuántas repeticiones se harán para
cada tratamiento, tomando en cuenta el tiempo, el costo
y la precisión deseada.
e. Organizar el trabajo en campo. Con base en el diseño
seleccionado, organizar y planear con detalle el trabajo
experimental, por ejemplo, las personas que van a
intervenir, la forma operativa en que se harán las cosas,
etc.
f. Realizar el experimento. Seguir al pie de la letra el
plan previsto en la etapa anterior, y en caso de algún
imprevisto, determinar a qué persona se le reportaría y
lo que se haría.
En la etapa de planeación hace posible delimitar el problema en
estudio y los alcances a conseguir, en el cual este trabajo está
enfocado a validar un dispositivo de medición de dos gases de
efecto invernadero que genera el ganado bovino, es evidente y
crucial analizar todos los factores que puedan afectar en el
trabajo en campo, de igual manera es importante establecer el
número de niveles y tratamientos que se necesitará durante el
experimento.
Es recomendable estipular las condiciones en el cual se pondría en
práctica el experimento, puesto que el objetivo del estudio es
evaluar el dispositivo y garantizar que los datos obtenidos sean
correctos estadísticamente, se seleccionan cinco cabezas de ganado
con características similares, considerando que existe un
44
dispositivo las mediciones se realiza una unidad experimental por
día para que la recolección de datos sea en el mismo horario
comenzando un día lunes y culminando viernes, las mediciones se
repite por tres semanas sin cambiar las unidades experimentales.
4.5.2 Clasificación y selección de los diseños
experimentales
Como lo menciona Gutiérrez y de la Vara (2012) existen muchos
diseños experimentales para estudiar la gran diversidad de
problemas o situaciones que ocurren en la práctica. 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.
Los diseños pueden ser:
1. Diseños para comparar dos o más tratamientos.
2. Diseños para estudiar el efecto de varios factores sobre
la(s) respuesta(s).
3. Diseños para determinar el punto óptimo de operación del
proceso.
4. Diseños para la optimización de una mezcla.
5. Diseños para hacer el producto o proceso insensible a
factores no controlables.
Recordemos que en el orden completamente al azar significa que las
unidades se asignan de manera aleatoria a los tratamientos lo cual
45
se hace con la idea de evitar cualquier sesgo que pudiera favorecer
a uno de los tratamientos.
Por lo general, el interés del experimentador está centrado en
comparar los tratamientos en cuanto a sus medias poblacionales,
sin olvidar que también es importante compararlos con respecto a
sus varianzas. De acuerdo con el objetivo se opta por el diseño
completamente al azar (DCA), que propone comparar dos o más
tratamientos con el siguiente formato (tabla 2).
Tabla 2. Formato de diseño de Experimentos.
Experimento
Vacas Actividad Semana 1 Semana 2 Semana 3
CO2 CH4 CO2 CH4 CO2 CH4
A Antes
Después
B Antes
Después
C Antes
Después
D Antes
Después
E Antes
Después
4.5.3 Análisis de datos
En la segunda etapa no se debe perder de vista que los resultados
experimentales son observaciones muestrales, no poblaciones. Por
ello debe recurrir a métodos estadísticos inferenciales para
observar si las diferencias o efectos muestrales (experimentales)
son lo suficientes grandes para que garanticen diferencias
poblacionales o a un nivel proceso. La técnica estadística central
en el análisis de los experimentos es el análisis de varianza
(ANOVA). Antes de decidir por la técnica estadística a usar es
necesario conocer la normalidad de los datos para no cometer
errores a escoger una técnica inadecuada para el análisis de los
datos.
46
4.5.3.1 Prueba de normalidad de los datos
Comúnmente al analizar un conjunto de datos se selecciona pruebas
sin conocer el comportamiento de estos, en consecuencia, se desvía
del camino correcto para llegar al resultado. Inicialmente se deben
conocer la distribución que pertenecen cada conjunto, en la
actualidad existen programas de análisis de datos, en este sentido
Minitab es un programa que brinda herramientas de análisis de datos
como la prueba de normalidad, donde compara el valor de p con el
nivel de significancia (Suárez, Rafael y Chacín, 2012).
Por lo general, un nivel de significancia denotado con α de 0.05
funciona adecuadamente, lo que indica un riesgo de 5% de concluir
que los datos no siguen una distribución normal, mientras tanto
existe un 95% de que el conjunto de datos tiende a una distribución
normal, unos de los estadísticos que maneja Minitab es la prueba
de Anderson-Darling.
Minitab calcula el estadístico de Anderson-Darling mediante la
pestaña de Estadísticas/ Estadística Básica/Prueba de normalidad,
selecciona el conjunto de datos y realiza la siguiente hipótesis:
Valor p ≤ α: Los datos no siguen una distribución normal (Rechaza
H0)
Si el valor p es menor que o igual al nivel de significancia, la
decisión es rechazar la hipótesis nula y concluir que sus datos no
siguen una distribución normal.
Valor p > α: No se puede concluir que los datos no siguen una
distribución normal (No puede rechazar H0).
Si el valor p es mayor que el nivel de significancia, la decisión
es que no se puede rechazar la hipótesis nula. No se tiene
suficiente evidencia para concluir que los datos no siguen una
distribución normal.
47
Figura 1. Gráfica de probabilidad.
(Fuente: Minitab).
En la figura 1 muestra un ejemplo donde el valor de p es 0.463 que
indica que los datos siguen una distribución normal puesto que es
mayor a 0.05 y no se puede rechazar la hipótesis H0.
4.5.3.2 Visualizar el ajuste de la distribución
normal
Para visualizar el ajuste de la distribución normal en Minitab, se
examina la gráfica (figura 2) de probabilidad y evalúa los puntos
de los datos a la línea de distribución mientras más cerca de la
línea recta se acerca a una distribución normal.
Figura 2. Ajuste de la distribución normal.
(Fuente: Minitab, 2018).
48
Con base en los resultados de la prueba de normalidad se selecciona
que tipo de estadística utilizar: paramétrica o no paramétrica. Si
se acepta la hipótesis de que todos los conjuntos de datos siguen
una distribución normal se elige la estadística paramétrica y se
puede realizar un análisis de varianza en caso contrario se usa la
estadística no paramétrica.
3.5.3.3 Ajuste de distribución
De acuerdo del procedimiento de Mun (2012), para el análisis de
distribución de probabilidad, la idea es suponer que los datos
reales con lo que se cuenta pueden ser una muestra obtenida de
algún tipo de distribución de probabilidad teórica. Si las
propiedades o parámetros de esa muestra coinciden con los datos de
la distribución de probabilidad elegida, es posible inferir que
los datos históricos pueden ser representados por esa distribución
de probabilidad. Dentro de un test de hipótesis existen varios
componentes, en primera es necesario definir dos tipos de
hipótesis. La hipótesis nula, indica la hipótesis que se desea
probar, para el caso de ajuste de distribución, se contempla que
los datos históricos siguen una distribución de probabilidad x,
donde x es algún tipo de distribución de probabilidad teórica.
El test de hipótesis prueba H0 de manera tal que esta será no
rechazada o rechazada. Si H0 no se rechaza, el ajuste de los datos
históricos será bueno y la distribución de probabilidad escogida
puede ser utilizada como variante de entrada. Por otro lado, H0 se
contrasta con otra hipótesis denominada alternativa. Donde H0, es
la negación de la hipótesis nula, para este caso, los datos
históricos no siguen una distribución de probabilidad.
49
Procedimiento:
• Abrir los datos a ajustar.
• Seleccionar Simulador de Riesgo| Herramientas| Ajuste de
Distribución.
• Seleccionar las distribuciones específicas para ajustar o
mantener default para seleccionar todas las distribuciones
como se muestra en la figura 3.
• Revisar los resultados del ajuste, escoger la distribución
más relevante (figura 4).
Figura 3. Elección de las posibles distribuciones.
(Fuente: Mun, 2012).
La hipótesis nula que se está probando es que la distribución
ajustada tiene la misma distribución que la población de la cual
provienen los datos de prueba a ser ajustados. Si el valor de p
calculado es más bajo a un nivel α critico regularmente 0.10 o
0.05, entonces la distribución sigue una distribución equivocada,
entre más alto sea el valor de p mejor será la distribución que
ajusta los datos.
50
Figura 4. Ajuste de distribución de los datos.
(Fuente: Mun, 2012).
4.5.3.4. Teorema del límite central
Para analizar los datos de acuerdo al teorema del límite Central,
cuando los datos no tienden una distribución normal de todas las
muestras de los conjuntos de datos. La aproximación normal para X
por lo general será buena si n ≥ 30, siempre y cuando la
distribución de la población no sea muy asimétrica. Si n < 30, la
aproximación será buena sólo si la población no es muy diferente
de una distribución normal y, como antes se estableció, si se sabe
que la población es normal, la distribución muestral de X seguirá
siendo una distribución normal exacta, sin importar qué tan pequeño
sea el tamaño de las muestras (Walpole et al., 2012). Lo que
garantiza el teorema es que al obtener una media muestral de una
población realizándolo k veces el comportamiento de estos será
51
similar a una distribución normal y se asemejará a la media
poblacional y a su varianza.
Procedimiento:
• Abrir la base de datos.
• Calcular la media de cada conjunto de datos.
• El resultado se realiza una prueba de normalidad.
• Realizar el ajuste de distribución.
4.5.3.5 Análisis de varianza
Con respecto a si los datos siguen una distribución normal se puede
aplicar estadística paramétrica, en algunas ocasiones la media o
valor esperado por sí mismo no ofrece una descripción adecuada de
la forma de distribución de los datos, es necesario conocer su
variabilidad y uno de las herramientas es la varianza. La varianza
o desviación estándar (raíz cuadrada de la varianza) solo tiene
significado cuando comparamos dos o más distribuciones que tienen
la misma unidad de medida. Cuando una variable tiene una varianza
o desviación estándar pequeña, esperamos que la mayoría de los
valores se agrupen alrededor de la media.
El ANOVA uni factorial se enfoca en la comparación de más de dos
medias de población o tratamiento sea
I = El número de poblaciones o tratamientos que se están
comparando.
µ1= la media de la población 1 o la respuesta promedio verdadera
cuando se aplica el tratamiento 1.
µI = la media de la población I o la respuesta promedio verdadera
cuando se aplica el tratamiento I
52
Las hipótesis pertinentes se presentan en la fórmula 2:
H0 = µ1 = µ2 =…=µI (2)
Contra
Ha= por lo menos dos de las µi son diferentes
Si I = 4, H0 es verdadera sólo si las cuatro µi son idénticas. Ha
sería verdadera, por ejemplo, si µ1 = µ2 ≠ µ3= µ4, si µ1 = µ3 = µ4 ≠
µ2 o si las cuatro µi difieren una de otra.
Una prueba de estas hipótesis requiere que se tenga disponible una
muestra aleatoria de cada población o tratamiento (Devore, 2008).
En Minitab ofrece muchos análisis estadísticos tales como
regresión, análisis de varianza, herramientas de calidad y series
de tiempo. Lo primero que se puede realizar es conocer los
estadísticos descriptivos de los datos mediante los siguientes
pasos Elija Estadísticas > Estadísticas básicas > Mostrar
estadísticos descriptivos donde aparece una ventana que puede
elegir la variable de estudio y los estadísticos que se necesitan
conocer.
También es conveniente realizar una prueba de hipótesis que
incluyen 2 enunciados donde el primer enunciado se presume que es
verdadero, el cual se somete a prueba en caso contrario existe
otra hipótesis alternativa.
53
Figura 5. Análisis de varianza. (Fuente: Minitab, 2018).
En la figura 5 muestra un ejemplo de análisis de varianza en
Minitab de un solo factor donde el resultado indica que hay una
diferencia significativa entre las medias de los conjuntos de
datos.
4.5.3.6. Prueba de Tukey
Figura 6. Prueba de Tukey (Fuente: Minitab, 2018).
Dado que el resultado del ANOVA presenta solo la existencia de
diferencias entre las medias y no muestra entre cuales medias
existen, es necesario realizar la Prueba de Tukey similar a la
54
figura 6 la diferencia entre cada una de ellas. La prueba
comparación múltiple como se muestra en la figura 5 presenta la
diferencia entre cada una de las medias, si existiera una unas
medias iguales compartirían la misma letra según Minitab.
4.5.3.7 Prueba de Kruskal-Wallis
Cuando se considera que los datos no siguen una distribución normal
del estadístico de Anderson-Darling es indiscutible realizar una
prueba no paramétrica. Una de las pruebas alternativas del análisis
de varianza en pruebas no paramétricas es la de Kruskal-Wallis
donde el estadístico de prueba no es la media sino la mediana. El
uso más común de la prueba de Kruskal-Wallis es cuando se tiene
una variable nominal y una variable de medición, un experimento
que usualmente se analizaría por media de un Anova de una vía,
pero no cumplen con la normalidad de los datos.
Para determinar si cualquiera de las diferencias entre las medianas
es estadísticamente significativa, se compara el valor p con el
nivel de significancia para evaluar la hipótesis nula. La hipótesis
nula indica que las medias de población son todas iguales. se
plantea las siguientes condiciones:
Valor p ≤ α: Las diferencias entre algunas de las medianas son
estadísticamente significativas
Si el valor p es menor que o igual al nivel de significancia, usted
rechaza la hipótesis nula y concluye que no todas las medianas de
población son iguales.
55
4.4.4 Interpretación
En esta etapa con el respaldo del análisis estadístico formal se
debe analizar con detalle lo que ha pasado en el experimento, desde
contrastar las conjeturas iniciales con los resultados del
experimento, hasta observar los nuevos aprendizajes que sobre el
proceso se lograron, verificar supuestos y elegir el tratamiento
ganador, siempre con el apoyo de las pruebas estadísticas.
4.4.5 Control y conclusiones finales.
Para concluir el estudio experimental se recomienda deducir qué
medidas implementar para generalizar el resultado del estudio y
para garantizar que las mejoras se mantengan. Además, es preciso
organizar una presentación para difundir logros. Se concluye con
las respuestas de las preguntas de estudio, los cuales determinaran
si el dispositivo funciona correctamente en ganado bovino y
plantear recomendaciones o el rediseño para que el dispositivo
cuente con mejores características para la medición de estos gases.
56
CAPÍTULO V
MARCO OPERATIVO
5.1 Pruebas piloto
Se realizaron pruebas piloto en el área de Agronomía del Instituto
para analizar el comportamiento de las unidades experimentales en
cuanto a la parte física del prototipo, es decir, que al moverse
bruscamente el animal no afectara el funcionamiento del equipo y
se obtuvieron los primeros datos. El diseño que se planteó en la
primera etapa del prototipo sugiere un arnés de fieltro con una
varilla de cable dúplex que mantuviera el movimiento de los
sensores, y con una cinta elástica se ajustara a la cabeza del
animal como se muestra en la figura 7.
Figura 7. Instalación del dispositivo. (Fuente: Barrón, 2017).
En la primera prueba de la figura 8 se observó que al utilizar
este material los sensores tienden a deslizarse con el movimiento
natural de la vaca, es por ello que se optó por un tubo de cobre
de 1.2 cm de diámetro ya que es más rígido y con poco peso.
57
Figura 8. Primera prueba del dispositivo.
En la primera prueba solo se remplazó la varilla que sostenía los
sensores que cubrían con el fieltro, sin embargo, la varilla giraba
y la posición de los sensores cambiaba hacia abajo (figura 9) y no
captaba los gases emitidos por el hocico.
Figura 9. Segunda prueba del dispositivo.
Para mantener los dos sensores frente al hocico era necesario
remplazar la cinta elástica por otro tubo rígido de cobre como se
presenta en la figura 10 para que con los movimientos bruscos del
animal los sensores permanecieran en el mismo lugar.
58
Figura 10. Tercera prueba del dispositivo.
Los datos que reflejaron de acuerdo a las pruebas piloto indican
que hay picos muy elevados en el tiempo 1(T1) a 120000 ppm (figura
12) de la variable CH4, en consecuencia, durante las mediciones
del diseño de experimentos se tomará en cuenta en esperar un tiempo
muerto y después comenzar con la captura de datos.
Figura 11. Gráfica de la prueba piloto de CO2.
En las figuras 11 y 12 muestran la gráfica de la suma de los datos
de los tiempos (T1-T10) de CO2 y CH4 respectivamente durante 3 días
con la misma unidad experimental.
59
Figura 12. Gráfica de la prueba piloto de CH4.
5.2 Diseño de experimentos
5.2.1 Elección del diseño de experimentos
Con el planteamiento del problema y la definición de los factores
se selecciona el diseño completamente al azar, se estipuló las
condiciones y las unidades experimentales, en este caso son 5 vacas
lecheras de 450 ±50 kilogramos de la raza Suizo Europeo, uno de
los factores es la actividad antes de comer y después comer en un
lapso de 30 minutos por 3 semanas de acuerdo al formato de la tabla
3.
60
Tabla 3. Formato de mediciones de experimento de CO2.
Variable CO2
Vacas Actividad Semana 1 Semana 2 Semana 3
A Antes
Después
B Antes
Después
C Antes
Después
D Antes
Después
E Antes
Después
El dispositivo simultáneamente mide las dos variables mostrando
los datos en una ventana del software Arduino donde manualmente se
copia todos los datos para guardarlos en una hoja de cálculo para
su análisis y manipulación. En las tablas 3 y 4 se representa el
diseño con los factores expuestos con variables de respuesta
separadas.
Tabla 4. Formato de mediciones de experimento de CH4.
Variable CH4
Vacas Actividad Semana 1 Semana 2 Semana 3
A Antes
Después
B Antes
Después
C Antes
Después
D Antes
Después
E Antes
Después
Cada medición se realiza como se presenta las tablas 3 y 4
comenzando el primer día de la semana con la unidad experimental
A y si sucesivamente con un descanso de dos días; se comienza el
día lunes y termina el viernes una unidad por día, midiendo antes
61
de comer y después comer con un lapso de 30 minutos puesto que los
animales manifiestan una molestia; en ocasiones las mediciones
fueron de 25 minutos y la toma de datos fue durante 3 semanas
consecutivas. De acuerdo a la bitácora el horario de toma de
mediciones fue de 8:00 am a 12:00 pm, donde las unidades estuvieron
en las mismas condiciones y con el mismo alimento, la única
variante sin controlar fue el clima.
EN3157913 8283
8267 9106
EN3632930
Figura 13. Unidades experimentales con su número de identificación.
62
Figura 14. Aplicación el dispositivo en las unidades experimentales.
En la figura 14 muestra la instalación del dispositivo para la
toma de datos en las unidades experimentales previamente mostradas
en la figura 13.
5.2.3 Análisis de datos
Los datos se encuentran ubicados en un libro de Excel® clasificados
por unidad experimental, por actividad y las dos variables de
respuesta. De acuerdo a los datos obtenidos y con ayuda de la
herramienta de tablas y gráficos dinámicos se obtuvieron los
siguientes (figura 15 y 16):
63
Figura 15. Resultados de las mediciones de CH4.
Las semanas son clasificadas en A, B, C, la actividad es ANTES y
DESPUES de comer, las mediciones se realizaron en 5 vacas tomadas
como unidades experimentales con características similares
marcadas en las gráficas con V1-V5, en la figura 15 muestra los
resultados de la variable de CH4 y en la figura 16 de CO2.
Figura 16. Resultado de las mediciones de CO2.
0
2000
4000
6000
8000
10000
12000
14000
ANTES DESPUES ANTES DESPUES ANTES DESPUES
Semana1 Semana2 Semana3
PP
M
CH4
V1
V2
V3
V4
V5
0
5000
10000
15000
20000
25000
30000
35000
40000
ANTES DESPUES ANTES DESPUES ANTES DESPUES
Semana1 Semana2 Semana3
PP
M
CO2
V1
V2
V3
V4
V5
64
Al observar el gráfico es notable las diferencias en cuanto al
total de las emisiones por unidad por día, tomando en cuenta antes
de comer y después de comer, pero para comprobarlo se determinan
los estadísticos de los conjuntos de datos correspondientes.
Con la ayuda del software MINITAB® se obtuvieron los siguientes
estadísticos:
Estadísticos descriptivos: CO2
Resultados de SEMANA = A
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
CO2 V1 928.99 234.14 54819.54 25.20 2.86
V2 977.0 1124.3 1264079.4 115.08 15.57
V3 768.27 289.32 83704.49 37.66 3.11
V4 6096 3580 12818013 58.73 15.00
V5 3605.9 2150.7 4625534.7 59.64 7.49
Resultados de SEMANA = B
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
CO2 V1 2486.3 4717.4 22254200.3 189.74 10.27
V2 1871.0 1738.6 3022639.6 92.92 4.01
V3 3480.8 1569.3 2462643.0 45.08 -0.19
V4 11518 1921 3691410 16.68 0.32
V5 4155.3 2216.3 4911822.2 53.34 13.65
Resultados de SEMANA = C
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
CO2 V1 29258 17861 319027848 61.05 -0.22
V2 925.49 574.57 330130.62 62.08 2.25
V3 8647 8096 65543045 93.63 3.99
V4 6989 3690 13612925 52.79 10.03
V5 14195 9985 99691358 70.34 2.69
Estadísticos descriptivos: CH4
Resultados de SEMANA = A
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
CH4 V1 52.46 70.43 4959.78 134.24 13.06
V2 71.479 42.635 1817.752 59.65 1.87
V3 199.0 703.3 494612.1 353.46 6.34
V4 247.00 240.81 57990.84 97.49 1.58
V5 335.06 575.15 330791.81 171.65 3.77
Resultados de SEMANA = B
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
CH4 V1 51.21 132.10 17450.27 257.96 25.35
V2 43.265 40.556 1644.784 93.74 4.37
V3 2456 5069 25695915 206.41 5.49
V4 143.22 51.07 2608.26 35.66 2.69
V5 148.86 59.80 3575.70 40.17 0.97
Resultados de SEMANA = C
Variable VACA Media Desv.Est. Varianza CoefVar Asimetría
65
CH4 V1 10087 9897 97946130 98.12 1.47
V2 54.67 148.08 21929.11 270.87 7.03
V3 3155 10712 114742699 339.48 4.69
V4 1118.1 3724.5 13871868.0 333.12 7.66
V5 668.6 1850.3 3423753.8 276.74 4.80
En la representación gráfica y en los estadísticos se observa que
no existe homogeneidad en los datos tanto en las diferentes vacas
como en el factor de la Actividad, es notable las diferencias en
cuanto a las semanas de medición, por lo tanto, se procede a
realizar pruebas de normalidad de los conjuntos de datos que
influye directamente sobre las inferencias y estimaciones de los
resultados obtenidos.
5.2.4 Pruebas de normalidad
Como lo indica Díaz (2009), cada vez que un investigador deseé
comparar dos grupos de datos mediante una prueba, debe
necesariamente examinar la normalidad de los mismos en ambos. En
la figura 17, se muestra la prueba que se utilizó fue la de Anderson
Darling con el CO2 y en la figura 18 con CH4.
Figura 17. Prueba de normalidad de CO2.
Tanto en la prueba de normalidad de la variable CO2 y CH4 presentan
una anormalidad de los datos.
66
Figura 18. Prueba de normalidad de CH4.
De acuerdo a la prueba de normalidad de Anderson-Darling todos los
conjuntos de datos son anormales, es decir, el valor de p es menor
a 0.05. Como la normalidad de los datos no se cumple en ningún
conjunto de datos, no hay otra alternativa que emplear pruebas no
paramétricas el cual resulta recomendable cuando los datos a
analizar no cumplen los supuestos de normalidad y homocedasticidad
(Pedrosa, 2014), como pueden ser las pruebas de tabla 1.
Figura 19. Informe resumido de CO2.
67
En el reporte resumido se aprecia claramente en la gráfica 19 y 20
que los datos son anormales, no tienen una distribución normal en
las dos variables de respuesta. En este análisis se toma todos los
datos de la variable, es decir, no se analiza de acuerdo a los
factores.
Figura 20. Informe resumido de CH4.
Se procede a realizar las pruebas de normalidad por cada conjunto
de datos por separado, solo se presenta 2 gráficas de cada
variable.
Figura 21. Prueba de normalidad de la SEM1 de la UNID1 ANT CO2.
68
Figura 22. Prueba de normalidad de la SEM1 de la UNID1 DESP CO2.
Es importante mencionar que por cada semana de medición dan como
resultado 20 conjuntos de datos y evaluando su normalidad en todas
siguen una distribución no normal.
Figura 23. Prueba de normalidad de la SEM1 de la UNID1 ANT CH4.
69
Figura 24.Prueba de normalidad de la SEM1 de la UNID1 DESP CH4.
En todas las pruebas de normalidad como se presenta en la figura
21 y 22 para el CO2 indican que el conjunto de datos presenta una
anormalidad, de igual forma en las pruebas de normalidad de CH4
(Figura 23 y 24) y todas las demás pruebas de los conjuntos datos
de acuerdo a Anderson-Darling presentan una distribución no
normal. Para observar el comportamiento de los datos, se graficaron
cada uno de los conjuntos por separado, donde se observa que
ninguna de las gráficas tiene similitud.
0
500
1000
1500
2000
2500
1
157
313
469
625
781
937
1093
1249
1405
1561
1717
1873
2029
2185
PPM
Número de Datos
S1-D1-AN-CO2
70
Figura 25. Gráficas de los conjuntos de datos de la semana 1.
Figura 26. Gráficas de los conjuntos de datos de semana 2.
0
100
200
300
400
500
600
700
800
1
114
227
340
453
566
679
792
905
1018
1131
1244
1357
1470
1583
1696
PPM
Número de datos
S1-D2-AN-CO2
0
20000
40000
60000
80000
1
89
177
265
353
441
529
617
705
793
881
969
1057
1145
1233
1321
1409
1497
PPM
Número de datos
S2-D1-AN-CO2
0
200
400
600
800
1000
1
89
177
265
353
441
529
617
705
793
881
969
1057
1145
1233
1321
1409
1497
PPM
Número de datos
S2-D2-AN-CO2
71
Figura 27. Gráficas de los conjuntos de datos de la semana 3.
En las figuras 24, 25 y 27 se aprecia el comportamiento de los
conjuntos de datos observando que son totalmente diferentes y el
comportamiento es irregular, por esto, es necesario conocer el
tipo de ajuste de distribución se adapte cada conjunto de datos
para verificar si la mayoría tienden a ajustarse al mismo tipo con
la ayuda de Excel® y Risk Simulator® y los resultados se muestran
en la tabla 5.
0
10000
20000
30000
40000
50000
60000
1 6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
PPM
Número de datos
S3-D1-AN-CO2
0
1000
2000
3000
4000
5000
1
102
203
304
405
506
607
708
809
910
1011
1112
1213
1314
1415
1516
1617
1718
1819
PPM
Número de datos
S3-D2-AN-CO2
72
5.2.6 Ajuste de distribución
Tabla 5. Ajuste de los conjuntos de datos.
Semana1 Semana2 Semana3
Conjunto Ajuste Conjunto Ajuste Conjunto Ajuste
S1-D1-AN-CO2 Laplace S2-D1-AN-CO2 Log-normal
desplazada
S3-D1-AN-CO2 Arco seno
S1-D1-AN-CH4 Erlang S2-D1-AN-CH4 Log-normal
desplazada
S3-D1-AN-CH4 Log-normal
desplazada
S1-D1-DES-
CO2
Gumbel
máxima
S2-D1-DES-CO2 Gumbel
máxima
S3-D1-DES-
CO2
Normal
S1-D1-DES-
CH4
Ji-cuadrada S2-D1-DES-CH4 Log-normal
desplazada
S3-D1-DES-
CH4
Gumbel
máxima
S1-D2-AN-CO2 Exponencial
desplazada
S2-D2-AN-CO2 Logarítmica
normal
S3-D2-AN-CO2 Gumbel
máxima
S1-D2-AN-CH4 Log-normal
desplazada
S2-D2-AN-CH4 Log-normal
desplazada
S3-D2-AN-CH4 Log-normal
desplazada
S1-D2-DES-
CO2
Log-normal
desplazada
S2-D2-DES-CO2 Log-normal
desplazada
S3-D2-DES-
CO2
Exponencial
desplazada
S1-D2-DES-
CH4
Logarítmica
normal
S2-D2-DES-CH4 Rayleigh S3-D2-DES-
CH4
Erlang
S1-D3-AN-CO2 Exponencial
desplazada
S2-D3-AN-CO2 Laplace S3-D3-AN-CO2 Gumbel
máxima
S1-D3-AN-CH4 Log-normal
desplazada
S2-D3-AN-CH4 Log-normal
desplazada
S3-D3-AN-CH4 Log-normal
desplazada
S1-D3-DES-
CO2
Gumbel
máxima
S2-D3-DES-CO2 Gumbel
máxima
S3-D3-DES-
CO2
Laplace
S1-D3-DES-
CH4
Erlang S2-D3-DES-CH4 Logarítmica
desplazada
S3-D3-DES-
CH4
Pearson VI
S1-D4-AN-CO2 Log-normal
desplazada
S2-D4-AN-CO2 Gumbel
máxima
S3-D4-AN-CO2 Pearson VI
S1-D4-AN-CH4 Logarítmica
normal
S2-D4-AN-CH4 Exponencial
desplazada
S3-D4-AN-CH4 Logarítmica
desplazada
S1-D4-DES-
CO2
Gumbel
máxima
S2-D4-DES-CO2 Normal S3-D4-DES-
CO2
Gumbel
mínimo
S1-D4-DES-
CH4
Log-normal
desplazada
S2-D4-DES-CH4 Laplace S3-D4-DES-
CH4
Gumbel
máxima
S1-D5-AN-CO2 Exponencial
desplazada
S2-D5-AN-CO2 Logarítmica
normal
S3-D5-AN-CO2 Log-normal
desplazada
S1-D5-AN-CH4 Laplace S2-D5-AN-CH4 Normal S3-D5-AN-CH4 Log-normal
desplazada
S1-D5-DES-
CO2
Normal S2-D5-DES-CO2 Laplace S3-D5-DES-
CO2
Gumbel
máxima
S1-D5-DES-
CH4
Log-normal
desplazada
S2-D5-DES-CH4 Normal S3-D5-DES-
CH4
Logarítmica
normal
Se observa los diferentes tipos de distribución del simulador de
riesgo lo cual indican la variación en las distribuciones y con el
nivel de significancia inaceptable como en la figura 28.
73
Figura 28. Ajuste de distribución con Risk Simulator.
En los resultados arrojan un valor de p insignificante entre mas
grande sea el valor de p mejor sera la distribucion que ajusta a
los datos, en este caso todos los ajustes el valor de es 0. Como
lo indica el teorema del limite central se aplica
independientemente de la forma de la distribución de la población,
el teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no
normales en este caso se calcula las medias de todos los conjuntos
de datos, es decir, estimar la media de las medias de los conjuntos
de datos y con ayuda de RISK Simulator observar el tipo de
distribucion que siguen estas medias.
5.2.7 Teorema del limite central
Con base al teorema del limite central se obtuvieron las medias de
todos los conjuntos de datos en la tabla 6 y revelan que no se
ajustan a una distribución normal y el valor de confiabilidad es
menor a lo establecido.
74
Tabla 6. Ajuste de distribución de las medias.
Variable Distribución
Valor
p
CO2 Antes Gamma 98.41
CH4 Antes Lognormal Desplazada 85.55
CO2 Después Gumbel Máxima 99.8
CH4 Después Lognormal Desplazada 81.13
5.2.8 Análisis de varianza
Aunque la prueba de normalidad arroja el uso de pruebas no
paramétricas se llevó a cabo el análisis de varianza para comprobar
lo expuesto anteriormente con la ayuda del software R Studio® donde
compara a la variable de respuesta, en primer lugar, el CH4 con la
semana, la vaca y la actividad con el siguiente resultado (figura
29), donde, se observa que hay una diferencia significativa entre
las medias.
Figura 29. Análisis de varianza de CH4.
Lo mismo sucede con el análisis de varianza del CO2 (figura 30)
donde indica que todos los factores tienen una diferencia
significativa.
75
Figura 30. Análisis de varianza de CO2.
5.2.9 Prueba de Tukey
Comparaciones en parejas de Tukey para CO2
Agrupar información utilizando el método de Tukey y una confianza
de 95%
VACA N Media Agrupación
V4 7012 7780.0 A
V5 10366 6771.4 B
V1 8594 4097 C
V3 7351 2916.5 D
V2 11338 1218.6 E
Las medias que no comparten una letra son significativamente
diferentes y con base a la gráfica 31 se muestra que todas las
medias son significativamente diferentes.
Figura 31. Gráfica de intervalos de CO2.
76
Comparaciones en parejas de Tukey para CH4
Agrupar información utilizando el método de Tukey y una confianza
de 95%
VACA N Media Agrupación
V3 7351 1205.0 A
V1 8594 939.3 B
V4 7012 525.6 C
V5 10366 367.9 D
V2 11338 57.696 E
Las medias de cada unidad experimental son completamente
diferentes como se muestra en la figura 32.
Figura 32. Gráfica de intervalos de CH4.
77
5.2.10 Prueba de homocedasticidad
Figura 33. Prueba de igualdad de varianzas.
Para la prueba homocedasticidad de CH4 en la figura 33 con 95% de
confianza indica que todas las varianzas tienen una diferencia
significativa, con base a la prueba de Levene el valor de p es
demasiado pequeño al igual que las comparaciones múltiples. Para
el CO2 el software no puede proporcionar el gráfico porque es
imposible realizar las comparaciones múltiples, pero con la prueba
de Levene indica que existen diferencias significativas en las
varianzas con un nivel de significancia de 95%.
Estadística
Método de prueba Valor p
Comparaciones múltiples — *
Levene 980.76 0.000
De acuerdo a las pruebas de normalidad, homocedasticidad y ajuste
de distribución, se concluye que es necesario realizar pruebas NO
paramétricas y en consecuencia se opta por utilizar la prueba de
Kruskal- Wallis.
78
5.2.11 Prueba de Kruskal-Wallis
Prueba de Kruskal-Wallis: CH4 vs. ACTIVIDAD
Prueba de Kruskal-Wallis en CH4
Clasificación
ACTIVIDAD N Mediana del promedio Z
ANTES 20649 67.39 22603.5 4.14
DESPUES 24012 67.39 22096.6 -4.14
General 44661 22331.0
H = 17.16 GL = 1 P = 0.000
H = 17.17 GL = 1 P = 0.000 (ajustados para los vínculos)
Prueba de Kruskal-Wallis: CH4 vs. VACA
Prueba de Kruskal-Wallis en CH4
Clasificación
VACA N Mediana del promedio Z
V1 8594 44.07 17297.3 -40.28
V2 11338 36.49 14004.4 -79.61
V3 7351 84.67 26144.7 27.75
V4 7012 135.90 27724.4 38.15
V5 10366 127.58 29258.8 62.43
General 44661 22331.0
H = 10902.57 GL = 4 P = 0.000
H = 10909.18 GL = 4 P = 0.000 (ajustados para los vínculos)
Prueba de Kruskal-Wallis: CH4 vs. SEMANA
Prueba de Kruskal-Wallis en CH4
Clasificación
SEMANA N Mediana del promedio Z
A 19834 67.39 22534.6 2.98
B 13307 72.87 22843.0 5.47
C 11520 57.28 21388.9 -9.10
General 44661 22331.0
H = 87.45 GL = 2 P = 0.000
H = 87.50 GL = 2 P = 0.000 (ajustados para los vínculos)
Prueba de Kruskal-Wallis: CO2 vs. ACTIVIDAD
Prueba de Kruskal-Wallis en CO2
Clasificación
ACTIVIDAD N Mediana del promedio Z
ANTES 20649 1896 21710.4 -9.43
DESPUES 24012 2189 22864.7 9.43
General 44661 22331.0
79
H = 88.98 GL = 1 P = 0.000
H = 88.98 GL = 1 P = 0.000 (ajustados para los vínculos)
Prueba de Kruskal-Wallis: CO2 vs. VACA
Prueba de Kruskal-Wallis en CO2
Clasificación
VACA N Mediana del promedio Z
V1 8594 1359.7 18757.6 -28.59
V2 11338 739.7 11541.2 -103.16
V3 7351 816.8 17554.0 -34.76
V4 7012 6959.9 36060.6 97.12
V5 10366 4226.5 31195.4 79.88
General 44661 22331.0
H = 22462.70 GL = 4 P = 0.000
H = 22463.23 GL = 4 P = 0.000 (ajustados para los vínculos)
Prueba de Kruskal-Wallis: CO2 vs. SEMANA
Prueba de Kruskal-Wallis en CO2
Clasificación
SEMANA N Mediana del promedio Z
A 19834 992.4 17185.7 -75.38
B 13307 2785.9 25017.5 28.69
C 11520 5466.6 28086.5 55.62
General 44661 22331.0
H = 6032.62 GL = 2 P = 0.000
H = 6032.76 GL = 2 P = 0.000 (ajustados para los vínculos)
Con base a la prueba de Kruskal-Wallis el valor de p de todos los
resultados son menores de 0.05.
5.3 Resultados y discusión
Los valores medios de los datos por unidad experimental mostraron
estadísticamente diferencias significativas, los datos no
presentaron una distribución normal de acuerdo con el estadístico
de Anderson-Darling, además la prueba de homogeneidad de varianzas
de Levene indicó diferencias suficientemente grandes, las dos
pruebas con un 95 % de confiabilidad. Por lo tanto, se aplicó un
ajuste de distribución de los conjuntos de datos con el simulador
RISK® y como resultado mantuvo los datos con distribuciones
80
diferentes y la probabilidad de ser ajustados a esa distribución
era mínima.
Por esta razón, se usó la prueba no paramétrica de Kruskal Wallis
con un valor de p < 0.05 y se encontraron diferencias
significativas de la variable CO2 y CH4 con la actividad, la semana
y entre las unidades experimentales. Para verificar las
diferencias de medias se empleó la prueba de Tukey y mostró
claramente la diferencia de cada uno de ellos. Con base al
análisis, el dispositivo cuenta con deficiencias en cuanto a la
toma de datos, que puede ser causado por factores no controlados
o características propias del diseño.
Como lo indica Goopy, Chang y Tomkins (2016), el alimento es un
factor clave en la producción de metano y Blanco, Álvarez y Morgan
(2011), afirman que al momento de ingerir alimento provoca la
generación de gas metano dentro del estómago del animal mediante
su proceso digestivo y lo expulsan por medio del eructo, lo que da
lugar a mayor emisión de metano después de comer, contrastando con
los datos obtenidos (figura 34) se observa claramente que en
algunas unidades experimentales la mayor concentración de gas es
antes de comer a lo que invalida el resultado obtenido con lo
reportado.
81
Figura 34. Comportamiento de CH4 en mg/l.
Aunque sea diferente alimento o combinación de este, la mayoría de
los resultados publicados sobrepasan los 100 l/d (Bhatta, Enishi,
& Kurihara, 2007), cotejando con Moscoso et al., (2017), en este,
el alimento fue de pastos naturales con ensilado de avena, con
taninos y concentrados dando como resultado un promedio 373.3 g/d
de concentración de metano, en la medición del gas utilizaron la
técnica de hexafluoruro de azufre (SF6), ya que esta técnica según
Bonilla y Lemus-flores (2012), y Lassey, Pinares-Patiño, Martin,
Molano y Mcmillan (2011), es la más utilizada en condiciones de
pastoreo y se asemeja al dispositivo en estudio.
En la medición de concentraciones de gases la unidad de medida es
ppm, no obstante, existen técnicas propuestas por diferentes
autores donde emplean l (litros) o g (gramos) por día en el
dispositivo la unidad es ppm y de acuerdo con la ley de los gases
ideales (Saynes-Santillan y Ramírez-Bribiesca, 2018), la
conversión a ml/l muestra las siguientes cantidades en la tabla 7.
0
500
1000
1500
2000
2500
3000
3500
4000
4500
ANTES DESPUES ANTES DESPUES ANTES DESPUES
Semana1 Semana2 Semana3
mg/l
CH4 m/l
V1
V2
V3
V4
V5
82
Tabla 7. Concentraciones de dióxido de carbono y gas metano.
Dióxido de Carbono mg/l Gas metano mg/l
UNIDAD A B C A B C
ANTES
V1 3442.88 9503.13 6192.24 71.28 62.49 695.66
V2 1273.59 1570.07 3654.52 59.43 48.64 102.67
V3 3044.20 4107.17 22040.20 429.27 1714.95 2679.59
V4 21517.92 19247.25 10756.17 161.80 83.42 719.87
V5 13021.83 5742.84 45359.58 100.19 88.64 1219.84
DESPUES
V1 3448.18 6651.82 33305.32 70.56 58.78 4267.25
V2 6133.34 9337.48 2572.73 138.07 43.28 31.40
V3 3191.02 3225.81 2473.82 159.27 170.68 580.66
V4 8627.59 17046.59 19707.13 283.38 81.06 1056.41
V5 12835.67 19404.55 28317.79 775.50 239.70 44.98
Las mediciones se tomaron en un lapso de 30 min, suponiendo que
las emisiones fueron constantes durante un día aproximadamente la
emisión de gas metano son menores a lo reportado, de acuerdo Berra,
G., Finster, L. y Valtorta (2009), las emisiones comprenden entre
226.1-359.9 L por día y Rodolfo et al. (2017), muestra los
resultados comprendidos entre 117.3-205.7 L por día.
Una de las causas de la variación de datos fue la temperatura con
ello existía un gran porcentaje de precipitación y humedad, sumando
a esto, las corrientes de aire durante las mediciones que afectaba
a la captación de los gases de los sensores, en la figura 35
presenta la temperatura de acuerdo con el sitio web Meteorológico
AccuWeather de los días comprendidos del 17 de octubre al 12 de
septiembre del 2018.
83
Figura 35. Gráfica de temperatura.
Confirmamos lo expuesto anteriormente con Gutiérriez y de la Vara
(2012), donde menciona algunos factores de ruido que pueden alterar
un experimento como las variables ambientales, entre ellas se
encuentra la humedad y como lo dicen Hook, Denis, Wright y McBride,
(2010) citado por Roman-Ponce y Hernández-Medrano (2016), las
variaciones ambientales que pueden existir durante experimentos en
condiciones normales de pastoreo que por cuestiones propias del
experimento no es posible controlarlos.
La calibración y el diseño de los sensores juegan un papel
importante en las mediciones, los sensores deben estar colocados
en una zona que garanticen condiciones adecuadas de trabajo,
mantener la presión y temperatura adecuadas, asimismo la
sensibilidad de los sensores.
Los sensores tienen una alta dependencia con la temperatura y la
humedad ya que las moléculas de agua que residen en la propia
atmosfera son absorbidas por la superficie del sensor, lo que
provoca una disminución de su resistencia, provocando una
variación en la lectura de gas. Es importante señalar que en la
medición de estos gases existen otras técnicas como cámaras
respiratorias que son costosas tanto en la construcción como en el
mantenimiento, así también, provoca una anormalidad en el
comportamiento y restringe el movimiento dentro de la cámara, otra
27.528.5
3130 30 29.5
28 28.5
30.5
2928 28 28
29
27.5 28 2829 29.529.5 30 29.5 30 30.5
29 29.5
2526272829303132
°C
Fecha
84
técnica de medición es el sistema de campana ventilada el cual el
animal coloca la cabeza dentro una jaula hermética compuesto de
una sistema de adquisición de datos para la cuantificación de los
gases, la desventaja es que el animal solo se encuentra en un mismo
lugar y la medición se realiza solo durante el consumo del
alimento.
Hay dispositivos electrónicos con láser para detectar a larga
distancia y en zonas de mayor extensión y con mayor número de
animales, pero esta técnica podría atribuir la emisión de otra
fuente y no solo de ganado. El dispositivo en estudio cumple con
varias características en la medición de gas metano y dióxido de
carbono en ganado bovino como son: la medición en tiempo real y en
el protocolo de comunicación inalámbrico, al igual, el diseño es
no invasivo durante su aplicación.
85
CAPÍTULO VI
CONCLUSIONES Y RECOMENDACIONES
6.1 Conclusión
Con base en los métodos estadísticos, especialmente el diseño de
experimentos ha proporcionado información para concluir que el
dispositivo cuenta con características favorables para la medición
de los gases en ganado bovino dejando a salvo su integridad física
y emocional en comparación de otros dispositivos que perjudican al
animal introduciéndole varios elementos para extraer el gas y así
cuantificarla, o sometiéndolo a una cámara de respiración
restringiéndolo a un solo lugar y no en condiciones normales de
pastoreo.
En el método de gas trazador, es una técnica similar al dispositivo
en estudio que cumple con la característica de la medición es en
condiciones de pastoreo, la desventaja es el gas empleado el factor
de calentamiento es 200 veces mayor que el CO2. Considerando así
este diseño factible en el uso en condiciones normales de pastoreo.
Sin embargo los datos son estadísticamente incorrectos resultando
una variación considerable dentro de lo reportado en diferentes
autores que puede ser causado por factores no controlados como el
clima especialmente la humedad, temperatura y el viento,
considerando que al momento de exhalar, los gases son desplazados
por las corrientes de aire, en consecuencia no es captado por los
sensores estando a una distancia de 3 cm entre hocico de la vaca
y el sensor, aunado a esto, los sensores no tienen exactamente
características adecuadas para la medición en el intemperie ya que
la malla que recubre los sensores puede ser cubierto por un líquido
mocoso que sale de las vías respiratorias del animal.
86
En cuanto a la posición de los sensores no es factible por lo
expuesto anteriormente propiciando picos altos y bajos en la
lectura de los datos. En la actualidad existen en el mercado
sensores con características adecuadas para utilizarlos en campo
donde la variación de la temperatura no afecta el funcionamiento
interno, además con encapsulados dejando atrás el efecto de la
humedad relativa de los componentes del dispositivo debido a que
las lecturas resulta de la variación de resistencia en función del
gas en el aire.
6.2 Recomendaciones
• Optar por un nuevo diseño y/o posición de los sensores
• Adquirir sensores industriales para la medición de gas metano
y dióxido de carbono con mejores características y de uso
rudo.
• Aplicar la metodología TRIZ para plantear un rediseño del
prototipo utilizando parámetros como exactitud de la medida
y homogeneidad para los datos y para el diseño plantear el
parámetro adaptabilidad y facilidad.
• Utilizar el Análisis del Modo y Efecto de Fallas (AMEF) y el
despliegue de la función de la calidad (QFD) para analizar
los requerimientos que se necesita para obtener un buen
dispositivo y las posibles fallas que se puedan tener en la
aplicación
87
REFERENCIAS BIBLIOGRÁFICAS
Aguiar-Zalzano, E., & Rojas-Bourrillon, A. (2014). Métodos utilizados
para reducir la producción de metano endógeno en rumiantes. Nutrición
Animal Tropical, 8(2), 72–90.
Aguilar, J. (2003). El efecto invernadero, el cambio climático, crisis
medio ambiental y el fututo de la tierra. Madrid: Fotocomposición e
Impresión Taravilla.
Amat, J. (2016). Kruskal-Wallis test . Alternativa no paramétrica al
ANOVA independiente Introducción. RPubs, 1–2.
Arboleda, C., García, E., Posada, A., & Torres, R. (2009). diseño y
construción de un prototipo de interfaz cerebro-computador ara
facilitar la comunicacion de personas con discapacidad. Revista EIA,
2, 105–115.
Arias, J., Villasís, M. Á., & Miranda, M. G. (2016). El protocolo de
investigación III El protocolo de investigación III: la población de
estudio. Revista Alergia México, 2(abril), 201–206.
https://doi.org/10.29262/ram.v63i2.181
Baumert, K. A., Herzog, T., & Pershing, J. (2005). Navigating the
numbers. Greenhouse Gas Data and International Climate Policy.
https://doi.org/1-56973-599-9
Beltrán-Santoyo, M. A., Álvarez-Fuentes, G., & Pinos-Rodríguez, Juan M.
Contreras-Servín, C. (2016). Emisión de metano en los sistemas de
producción de leche bovina en el valle de san luis potosí, méxico.
Agrociencia, 50, 297–305.
Benaouda, M., González, M., Molina, L., & Castelán, O. (2018). Estado
de la investigación sobre emisiones de metano entérico y estrategias
de mitigación en América Latina. Revista Mexicana de Ciencias
Agrícolas, 8(4), 965-. https://doi.org/10.29312/remexca.v8i4.20
Berra, G., & Finster, L. (2002). Emisión de Gases de efecto invernadero.
Idia XXI. Revista de Información Sobre Investigación y Desarrollo
Agropecuario, 2(2), 212–215. Retrieved from
http://www.sidalc.net/cgi-
bin/wxis.exe/?IsisScript=bibunfa.xis&method=post&formato=2&cantidad
=1&expresion=mfn=016051
Berra, G., Finster, L., & Valtorta, S. E. (2009). Una técnica sencilla
para la medición de emisiones de metano entérico en vacas. Fave,
Revista Veterinarias, Ciencias, 8(1).
Bhatta, R., Enishi, O., & Kurihara, M. (2007). Measurement of Methane
Production from Ruminants *, 20(8), 1305–1318.
Blanco, J., Álvarez, A., & Morgan, H. (2011). Contribución de la ganadeía
a laas emisiones de gases de efecto invernadero. Ciencia y Tecnologia
88
Ganadera, 5(1), 51–57.
Boisgontier, M. P., & Cheval, B. (2016). The anova to mixed model
transition. Neuroscience and Biobehavioral Reviews.
https://doi.org/10.1016/j.neubiorev.2016.05.034
Bonilla, J., & Lemus-flores, C. (2012). Emisión de metano entérico por
rumiantes y su contribución al calentamiento global y al cambio
climático : Revisión Emisión de metano entérico por rumiantes y su contribución al calentamiento global y al cambio climático . Revisión
global climate change ., (June 2014).
Botero, M., Arbeláes, O., & Mendoza, J. A. (2007). MÉTODO ANOVA UTILIZADO
PARA REALIZAR EL ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD DENTRO
DEL CONTROL DE CALIDAD DE UN SISTEMA DE Fecha de Recepción: 07
Septiembre de 2007 Fecha de Aceptación: 10 Diciembre de 2007
MEDICIÓN. Scientia et Technica Año XIII, N° 37(37), 533–537.
Box, G., Hunter, S., & Hunter, W. (2008). Estadística para investigadores
(2nd ed.). Editorial Reverté.
Canul, J. (2017). Design and construction of low-cost respiration
chambers for ruminal methane measurements in ruminants Diseño y
construcción de cámaras de respiración de bajo costo para la medición
de metano entérico en rumiantes, 8(2), 185–191.
Cardona-Iglesias, J., Mahecha-Ledesma, L., & Angulo-Arizala, J. (2017).
Arbustivas forrajeras y ácidos grasos: estrategias para disminuir la
producción de metano entérico en bovinos Agronomía. Agronomía
Mesoamericana, 28(1), 273–288.
Carmona, J., Bolivar, D., & Gildardo, L. (2005). El gas metano en la
producción ganadera y alternativas para medir sus emisiones y
aminorar su impacto a nivel ambiental y productivo. Revista
Colombiana de Ciencias Pecuarias, 18, 49–63.
Ceballos, A. (2016). Diseño de validación de una sonda TDR para
lamedicion de la humedad de suelo. Departamento de Geografía,
Universidad de Salamanca.
Correa, J. C. (2006). Estudio de potencia de pruebas de homogeneidad de
varianza. Revista Colombiana de Estadística, 29(1), 57–76.
Darío, O. (2015). Comprensión de conceptos elementales del análisis de
varianza por estudiantes universitarios.
Devore, J. L. (2008). Probabilida y estadistica para ingenieria y
ciencias. CENGAGE (7th ed.). https://doi.org/10.1016/B978-0-7020-
2797-0.00001-1
Díaz, A. (2009). Diseño estadístico de experimentos (2nd ed.). Editorial
Universidad Antioquia.
Díaz, V. (2009). Errores estadísticos frecuentes al comparar dos
89
poblaciones independientes. Revista Chilena de Nutrición, 36(4),
1136–1138.
Gallardo, M., & Barra, R. (1997). Cambio climático global. Programa de
Doctorado En Ciencias Ambientales, 1–10.
García, J. (2010). Evaluación de alternativas de transporte de CO 2 : un factor clave para mitigar el cambio climatico. Universidad Nacional
Autónoma de M{exico. Retrieved from
http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.
100/1226/Tesis.pdf?sequence=1
Garnsworthy, P. C., Craigon, J., & Saunders, N. (2012). On-farm methane
measurements during milking correlate with total methane production
by individual dairy cows. Journal of Dairy Science, 95(6), 3166–
3180. https://doi.org/10.3168/jds.2011-4605
Global, C. (2014). Cambio Climatico Global, 1–10.
González-ruiz, I., & López-martín, M. M. (2015). La dispersión como
elemento estructurador del currículo de estadística y probabilidad
Dispersion as a curriculum structuring statistics and probability.
Épsilon- Revista de Educación Matemática, 32, 7–20.
Goopy, J. P., Chang, C., & Tomkins, N. (2016). A Comparison of
Methodologies for Measuring Methane Emissions from Ruminants.
International Livestock Research Institute, 1–28.
https://doi.org/https://doi.org/10.1007/978-3-319-29794-1_5
Gutiérrez, H., & de la Vara, R. (2012). Análisis y diseño de Experimentos
(3rd ed.). Mc Graw Hill.
Hernández, E. (2018). Estudio Comparativo de Diseños Experimentales de
Superficie de Respuesta para la Optimización de Factores Limitantes
en Procesos Industriales-Edición Única. Instituto Tecnológico y de
Estudios Superiores de Monterrey.
Hernanez, S. R. (2006). Metodología de la Investigación (4th ed.). Mc
Graw Hill.
Hines, W., Montgomery, D., Goldsman, D., & Borror, C. (2006).
Probabilidad y estadística para ingeniería. (4th ed.). México:
Compañia Editorial Continental.
Hook, S., Denis, A., Wright, G., & McBride, B. (2010). Methanogens:
Methane Producers of the Rumen and Mitigation Strategies. Archaea.
Johnson, K. A., & Johnson, D. E. (1995). Methane emissions from cattle.
Journal of Animal Science, 73(8), 2483–2492.
https://doi.org//1995.7382483x
Lassey, K. R., Pinares-Patiño, C. S., Martin, R. J., Molano, G., &
Mcmillan, A. M. S. (2011). Enteric methane emission rates determined
by the SF 6 tracer technique : Temporal patterns and averaging
90
periods. Animal Feed Sciencie and Technology, 167, 183–191.
https://doi.org/10.1016/j.anifeedsci.2011.04.066
Machmüller, A., & Hegarty, R. S. (2006). Alternative tracer gases for
the ERUCT technique to estimate methane emission from grazing
animals. International Congress Series, 1293, 50–53.
https://doi.org/10.1016/j.ics.2006.01.029
Minitab. (2017). Explicación de los métodos no paramétricos. Retrieved
from https://support.minitab.com
Minitab. (2018). Prueba de normalidad.
Montenegro, Johnny & Barrantes, E. (2016). NOTA TÉCNICA Implementación
de la técnica del hexafluoruro de azufre para cuantificar metano
entérico en bovinos en. Revista de Ciencias Ambientales, 50(2), 62–
74.
Moscoso, J., Franco, F., San Martín, F., Olazábal, J., Chino, L., &
Pinares-patiño, C. (2017). Producción de Metano en Vacunos al
Pastoreo Suplementados con Ensilado , Concentrado y Taninos en el
Altiplano Peruano en Época Seca. Rev Inv Vet Perú, 28(4), 822–833.
Mosquera-artamonov, J. D., Martínez-lópez, P., Carrión-jaimes, R.,
Rodríguez, M., Lanuza, R. V., Alfredo, L., & Mendoza, L. (2015).
Validation of a measurement system designed to evaluate the strength
of opening of dryers Validación de un sistema de medición diseñado
para evaluar la fuerza de apertura de secadoras, 38, 130–138.
Mun, J. (2012). Simulador de riesgo. Real Options Valuation, Inc.
Retrieved from www.risksimulator.com
Napolitano, H. (2012). Diseño de Experimentos. Educación En Ciencias
Químicas, 62–78.
Nieto, M. L., Guzmán, M. L., & Steinaker, D. (2014). Emisiones de gases
de efecto invernadero : simulación de un sistema ganadero de carne típico de la región central Argentina, 40, 92–101.
Pedrosa, I. (2014). Pruebas de bondad de ajuste en distribuciones
simétricas. Facultad de Psicología Universidad de Oviedo, (1), 245–
254. https://doi.org/10.11144/Javeriana.upsy13-5.pbad
Rodolfo, J., Solis, C., Trinidad, A., Vázquez, P., Israel, J., Castillo,
A., … Vera, K. (2017). Design and construction of low-cost
respiration chambers for ruminal methane measurements in ruminants
Diseño y construcción de cámaras de respiración de bajo costo para
la medición de metano entérico en rumiantes, 8(2), 185–191.
Rodríguez, M., & Ruiz, M. (2008). Atenuación de la asimetría y de la
curtosis de las puntuaciones observadas mediante transformaciones de
variables : Incidencia sobre la estructura factorial. Psicológia,
29(2), 205–227.
91
Rojas, M. A. (2003). Técnicas estadísticas paramétricas y no paramétricas
equivalentes: resultados comparativos por simulación. ESCUELA
SUPERIOR POLITÉCNICA DEL LITORAL.
Roman-Ponce, S., & Hernández-Medrano, J. (2016). Producción y medición
de Metano ( CH4 ) en el Ganado Bovino. Instituto Nacional de
Investigaciones Forestales, Agricolas y Pecuarias, (September).
https://doi.org/10.13140/RG.2.2.21578.57281
Rubio-Hurtado, M. J., & Berlanga-Silvestre, V. (2012). Cómo aplicar las
pruebas paramétricas bivariadas t de Student y ANOVA en SPSS . Caso
práctico . REIRE. Revista d’Innovació i Recerca En Educació, 5(2),
83–100. https://doi.org/10.1344/reire2012.5.2527
Sánchez, R. (2015). t-Student. Usos y abusos. Revista Mexicana de
Cardiología, 59–61.
Saynes-Santillan, V., & Ramírez-Bribiesca, E. (2018). El uso de la
cromatografía de gases en investigaciones de emisiones de gases de
efecto invernadero del sector pecuario. Agroproductividad, 11(2),
81–88.
Spiegel, M., & Stephens, L. (2009). Estadistica.
Suárez, R., Rafael, U., & Chacín, B. (2012). La revolución en la toma
de decisiones estadísticas : el p-valor, 14, 439–446.
Tremblay, F. J. B., & Masse, D. I. (2008). Instrumentation for precise
quantification of methane emissions from dairy herds. Agriculture
and Agri-Food Canada, Dairy and Swine Research and Development
Centre, 50(2001).
Triola, M. (2004). Estadística (9th ed.). Pearson Educación.
Ungerfeld, E., Escobar-Bahamondes, P., & Muñoz, C. (2018). Predicción y
mitigación de las emisiones de metano de los rumiantes.
Agroproductividad, 11(2), 34–39.
Viola, J., & Angel, L. (2015). Fractional Pid Controllers. IEEE Latin
America Transactions, 13(5), 1286–1293.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probabilidad
y estadística para ingeniería y ciencias (9th ed.). México: Pearson
Educación. https://doi.org/10.1017/CBO9781107415324.004
Wayne, D. (2002). Bioestadística. (4, Ed.). Limusa S.A de C.V.
Woodward, S. L., Waghorn, G. C., & Thomson, N. A. (2006). Supplementing
dairy cows with oils to improve performance and reduce methane – does
it work? Proceedings of the New Zealand Society of Animal Production,
176–181. Retrieved from
http://creativecommons.org.nz/licences/licences-explained/
92
ANEXOS
Modelo de Utilidad IMPI
93
94
