Escolar Documentos
Profissional Documentos
Cultura Documentos
ESTUDIOS DE CASO
GRUPO: 203018_6
PROGRAMA AGRONOMÍA
OCTUBRE 2018
1
BIOMETRIA Y DISEÑO EXPERIMENTAL
ESTUDIOS DE CASO
REALIZADO POR:
GRUPO: 203018_6
PROGRAMA AGRONOMÍA
OCTUBRE 2018
2
CONTENIDO
INTRODUCCIÓN 4
OBJETIVOS 5
Objetivo general 5
Objetivos específicos 5
2. DESARROLLO DE EJERCICIOS 16
CONCLUSIÓN 32
BIBLIOGRAFÍA 33
3
INTRODUCCIÓN
así como la definición del análisis estadístico para evaluar los resultados, con el objetivo de tener
El diseño experimental consiste en una base de datos estadísticos a través del cual se pueden
consta de dos o más factores, cada uno de los cuales con distintos valores o niveles, cuyas unidades
experimentales cubren todas las posibles combinaciones de esos niveles en todo los factores. Este
tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable respuesta, así
aplicarlos en el desarrollo de tres estudios de caso, además se dará respuesta a unas preguntas
propuestas en la guía de aprendizaje. Por lo tanto en el transcurso de este trabajo se podrán afianzar
agropecuario.
4
OBJETIVOS
Objetivo general
Conocer el concepto y los fundamentos del diseño experimental en el área de las ciencias
Objetivos específicos
5
1. DESARROLLO DEL CUESTIONARIO
la definición del análisis estadístico para evaluar los resultados, con el objetivo de tener
2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cuáles
Se sugiere este diseño para experimentación con temas de: métodos de preparación de siembra,
aplicación del agua de regadío, manejo del cultivo versus el uso de los herbicidas para el control
de malezas, etc. También es útil en experimentos con animales cuando existe cierta uniformidad
Es una solución para la mayoría de los casos en que las unidades experimentales son heterogenias.
6
Cuadrado latino
Los diseños de bloques y cuadrados latinos aleatorizados son generalmente útiles en los
Para las pruebas de fertilizante donde 2 o más fertilizantes se aplican a 2 o más niveles, el
Parcelas divididas
En aquellos ensayos que se usa maquinaria agrícola o riego, ensayos de cultivares por ejemplo de
Para el autor (Herrera, 2013). La técnica conocida como análisis de varianza (ANAVA o
ANOVA), fue desarrollada por Ronald Aymer Fisher para facilitar el análisis e interpretación delos
biológicas (Einsenhart, 1947).El ANAVA, es una de las técnicas más utilizadas en el proceso de
investigación. Norell (2003).Es descrito por Tejedor (1999): Khan y Rayner (2003) y Spiegel et
al.(2003) como una colección de modelos estadísticos y sus procedimientos asociados, apropiada
para evaluar la igualdad entre poblaciones o tratamientos, en la cual la varianza esta fraccionada
modelo. (P.8)
de análisis, para el control de métodos analíticos. Los ejemplos de aplicación son múltiples,
7
pudiéndose agrupar, según el objetivo que persiguen, en dos principalmente: la comparación de
El ANOVA se basa en la comparación de la variabilidad media que hay entre los grupos con la
que hay dentro de los grupos. ¿Por qué? Recordemos que la media y la varianza muestral verifican
var(¯x) = σ 2 n , E(s 2 ) = σ 2 , lo que nos permite dos estimaciones diferentes para σ 2 cuando
Todo se reduce a obtener el valor del estadístico (4) que bajo las condiciones iniciales de
comparación con el valor teórico correspondiente nos dirá si debemos aceptar o rechazar H0. Un
método computacional conocido como tabla ANOVA facilita los cálculos. Se trata de disponer en
4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en qué
casos se usa?
a los tratamientos al azar, con la única restricción del número de observaciones que se tomarán en
Para aleatorizar una tabla de números aleatorios resulta conveniente para elegir las unidades
experimentales que recibirá cada tratamiento. Si cada tratamiento ha de repetirse cuatro veces, los
8
primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los siguientes cuatro
El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental son
totalmente homogéneas
Naturalmente, este tipo de diseño se utiliza en experimentos que no incluyen factores bloque. El
Ventajas:
a) Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan perdido, o
rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida relativa de
información debida a los datos faltantes, es de menos importancia que en cualquier otro sistema.
b) Análisis de varianza simple con apenas algunos acrecimos en relación al decenio completamente
al azar (DCA).
Desventajas:
a) La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar el
error estándar por unidad experimental (error experimental) con un mayor grado de precisión
b) Disminuye el grado de libertad del residuo o sea, menos datos para estimar los valores de la
población en estudio.
9
5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus
ventajas y desventajas?
El tipo más sencillo de un arreglo es aquel en el que los tratamientos son asignados completamente
Además las unidades deben ser procesadas en un orden al azar en todas las etapas subsecuentes
Ventajas:
a) Una de las ventajas del diseño en bloques aleatorizados es que se puede transformar en un diseño
residual.
10
Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán en
Cualitativos
Cuantitativos
(designados factores) en una misma ecuación estructural. La aplicación de este tipo de diseños
permite analizar al mismo tiempo los efectos de varios factores sobre las respuestas de los sujetos
y, además, y ahí radica su principal característica, permite investigar la influencia que pueden tener
en las observaciones las interacciones entre dos o más variables. Es decir, analiza los efectos
debidos a que dos o más factores estén actuando simultáneamente. Este tipo de diseños son
especialmente adecuados cuando el investigador presupone o predice una relación entre dos o más
11
variables.
Existen como mínimo tres formas de minimizar y solucionar el problema por falta de normalidad
varianza constante.
-Hacer el análisis de mediante modelos lineales generalizados en los que se ajusta un modelo lineal
usando otras distribuciones diferentes a la normal donde la varianza no tiene por qué ser constante.
-Hacer el análisis sobre la respuesta transformada a una escala en la que los supuestos se cumplan.
Muchos datos tienen una estructura no normal. Las herramientas habituales para tratar la ausencia
paramétricos. Otra alternativa, son los modelos lineales generalizados o GLM. Los GLM permiten
encuentra con que uno o varios de estos supuestos no se cumplen por la naturaleza de la
12
Una alternativa a la transformación de la variable dependiente/respuesta y a la falta de normalidad
R/ En comparar medias nos encontramos con varios procedimientos para el contraste de medias:
1. Medias
5. ANOVA de un factor
PRUEBA T PARA UNA MUESTRA nos permite contrastar hipótesis sobre la media poblacional
población cuya media es el valor de prueba. De forma opcional (Opciones) tendremos el intervalo
de confianza para la diferencia entre la media de la muestra y el valor de prueba. Si el cero no está
en ese intervalo no podemos aceptar que la población tenga de media el valor de prueba.
13
PRUEBA T PARA DOS MUESTRAS INDEPENDIENTES nos permite contrastar el que las
medias de dos poblaciones independientes son iguales utilizando para ello las medias de dos
• En Variables de agrupación se pasa la variable que define los dos grupos (puede ser numérica o
de cadena corta) o Se pueden definir grupos bien con los valores de los grupos o bien con un punto
ANOVA DE UN FACTOR nos permite contrastar la hipótesis nula de que los promedios de la
variable dependiente (VD) respecto de un factor o variable independiente (VI) con más de dos
grupos o niveles son iguales, frente la alternativa de que al menos el promedio en un grupo es
diferente a los demás. Los datos se reflejaran en dos únicas variables: la VD o de respuesta y la VI
grupos y subgrupos definidos por una o más variables independientes. De manera opcional
14
11. ¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?
El Test de Duncan es muy similar al Test HSD de Tukey (Ver Herbario de técnicas), pero en lugar
de trabajar con un umbral fijo trabaja con un umbral cambiante. Un umbral que dependerá del
Para saber el número de medias implicadas en la comparación se ordenan las medias muéstrales
de menor a mayor y así al hacer una comparación entre dos medias sabremos además de las dos
medias comparadas cuantas medias quedan dentro. Este número de medias implicadas en cualquier
15
2. DESARROLLO DE EJERCICIOS
tales como gallinaza, cascarilla de arroz y ceniza, de esta última en la asimilabilidad del fósforo
de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo ácido de los Llanos
Una de las variables de respuesta medida fue el rendimiento en g/materia de frijol caupí. Los datos
Materia Repeticiones
Orgánica I II III IV
1 0,6 0,57 0,55 1,83
2 1,43 2,72 4,43 1,52
3 3,78 6,12 6,08 4,56
4 0,59 0,54 0,6 0,61
5 0,58 0,54 0,63 0,72
6 0,87 0,54 0,86 0,79
7 0,74 0,85 0,7 0,61
8 0,87 1,39 0,81 1,07
9 2,67 2,88 2,57 3,51
10 2,87 5,04 5,59 5,21
11 1,3 0,72 0,73 1,18
12 0,69 0,96 0,71 0,69
13 1,64 1,37 0,95 1,05
14 1,73 1,26 0,75 1,1
15 2,86 3,64 4,26 4,66
16 4,61 6,34 5,4 4,74
17 9,2 8,55 4,91 6,79
16
18 2,26 1,95 4,45 2,16
19 2,43 1,97 1,96 3,1
20 4,69 2,6 4,13 5,04
21 3,94 4,94 3,7 3,99
22 2,22 2,0 1,5 1,24
23 2,99 4,41 7,76 3,65
24 7,05 4,7 5,62 5,74
25 1,93 1,67 1,43 1,24
26 2,77 2,69 1,17 1,86
27 1,82 1,79 1,77 2,04
28 1,93 2,16 1,73 2,42
Primero organizar como una base de datos, la información suministrada en la tabla 1, para
identificar el diseño y organizar la información para que el software estadístico los pueda leer y
analizar
ENTRY = Entrada para dar una identificación única a los tratamientos (están identificadas de la 1
hasta la 28).
BLOC = Bloques o repeticiones que tiene el ensayo están identificados del bloque 1 hasta el
bloque 4 (BLOC 1 = REP I; BLOC 2 = REP II; BLOC 3 = REP 3; BLOC 4 = REP IV).
17
PLOT= Parcela (son la identificación de las parcelas del ensayo y están identificadas de la
siguiente forma BLOC 1 del 101 a 128; BLOC 2 del 201 al 228; BLOC 3 del 301 al 328 y BLOC
Aleatorizar: consiste en distribuir al azar todas las parcelas de cada bloque, para mitigar el efecto
variabilidad no planificada o ruido aleatorio. Dicho de otra forma, aleatorizar previene contra la
Bloquear: Se deben dividir las unidades experimentales en grupos llamados bloques de modo que
las observaciones realizadas en cada bloque se realicen bajo condiciones experimentales lo más
parecidas posibles.
18
MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT MATORG ENTRY BLOC PLOT RENDIM/G/MAT
TRAT 1 1 1 101 0.60 TRAT 1 1 2 201 0.57 TRAT 1 1 3 301 0.55 TRAT 1 1 4 401 1.83
TRAT 2 2 1 102 1.43 TRAT 2 2 2 202 2.72 TRAT 2 2 3 302 4.43 TRAT 2 2 4 402 1.52
TRAT 3 3 1 103 3.78 TRAT 3 3 2 203 6.12 TRAT 3 3 3 303 6.08 TRAT 3 3 4 403 4.56
TRAT 4 4 1 104 0.59 TRAT 4 4 2 204 0.54 TRAT 4 4 3 304 0.60 TRAT 4 4 4 404 0.61
TRAT 5 5 1 105 0.58 TRAT 5 5 2 205 0.54 TRAT 5 5 3 305 0.63 TRAT 5 5 4 405 0.72
TRAT 6 6 1 106 0.87 TRAT 6 6 2 206 0.54 TRAT 6 6 3 306 0.86 TRAT 6 6 4 406 0.79
TRAT 7 7 1 107 0.74 TRAT 7 7 2 207 0.85 TRAT 7 7 3 307 0.70 TRAT 7 7 4 407 0.61
TRAT 8 8 1 108 0.87 TRAT 8 8 2 208 1.39 TRAT 8 8 3 308 0.81 TRAT 8 8 4 408 1.07
TRAT 9 9 1 109 2.67 TRAT 9 9 2 209 2.88 TRAT 9 9 3 309 2.57 TRAT 9 9 4 409 3.51
TRAT 10 10 1 110 2.87 TRAT 10 10 2 210 5.04 TRAT 10 10 3 310 5.59 TRAT 10 10 4 410 5.21
TRAT 11 11 1 111 1.30 TRAT 11 11 2 211 0.72 TRAT 11 11 3 311 0.73 TRAT 11 11 4 411 1.18
TRAT 12 12 1 112 0.69 TRAT 12 12 2 212 0.96 TRAT 12 12 3 312 0.71 TRAT 12 12 4 412 0.69
TRAT 13 13 1 113 1.64 TRAT 13 13 2 213 1.37 TRAT 13 13 3 313 0.95 TRAT 13 13 4 413 1.05
TRAT 14 14 1 114 1.73 TRAT 14 14 2 214 1.26 TRAT 14 14 3 314 0.75 TRAT 14 14 4 414 1.10
TRAT 15 15 1 115 2.86 TRAT 15 15 2 215 3.64 TRAT 15 15 3 315 4.26 TRAT 15 15 4 415 4.66
TRAT 16 16 1 116 4.61 TRAT 16 16 2 216 6.34 TRAT 16 16 3 316 5.40 TRAT 16 16 4 416 4.74
TRAT 17 17 1 117 9.20 TRAT 17 17 2 217 8.55 TRAT 17 17 3 317 4.91 TRAT 17 17 4 417 6.79
TRAT 18 18 1 118 2.26 TRAT 18 18 2 218 1.95 TRAT 18 18 3 318 4.45 TRAT 18 18 4 418 2.16
TRAT 19 19 1 119 2.43 TRAT 19 19 2 219 1.97 TRAT 19 19 3 319 1.96 TRAT 19 19 4 419 3..1
TRAT 20 20 1 120 4.69 TRAT 20 20 2 220 2.60 TRAT 20 20 3 320 4.13 TRAT 20 20 4 420 5.04
TRAT 21 21 1 121 3.94 TRAT 21 21 2 221 4.94 TRAT 21 21 3 321 3.70 TRAT 21 21 4 421 3.99
TRAT 22 22 1 122 2.22 TRAT 22 22 2 222 2.00 TRAT 22 22 3 322 1.50 TRAT 22 22 4 422 1.24
TRAT 23 23 1 123 2.99 TRAT 23 23 2 223 4.41 TRAT 23 23 3 323 7.76 TRAT 23 23 4 423 3.65
TRAT 24 24 1 124 7.05 TRAT 24 24 2 224 4.70 TRAT 24 24 3 324 5.62 TRAT 24 24 4 424 5.74
TRAT 25 25 1 125 1.93 TRAT 25 25 2 225 1.67 TRAT 25 25 3 325 1.43 TRAT 25 25 4 425 1.24
TRAT 26 26 1 126 2.77 TRAT 26 26 2 226 2.69 TRAT 26 26 3 326 1.17 TRAT 26 26 4 426 1.86
TRAT 27 27 1 127 1.82 TRAT 27 27 2 227 1.79 TRAT 27 27 3 327 1.77 TRAT 27 27 4 427 2.04
TRAT 28 28 1 128 1.93 TRAT 28 28 2 228 2.16 TRAT 28 28 3 328 1.73 TRAT 28 28 4 428 2.42
Tabla Nº 2 Datos obtenidos del experimento.
19
a. Determine qué tipo de diseño experimental empleado.
experimento.
La materia orgánica proveniente del estiércol de las gallinas, cascarilla de arroz y ceniza,
y ceniza.
Asimilación del fósforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un
suelo ácido de los Llanos Orientales para la variable rendimiento en g/materia de frijol caupí.
términos.
20
Se establece que los datos colectados para la variable Y tienen una media, µ, y que la única
desviación respecto a esa media puede darse por azar y cuantificada por el término ε o error
asociado al dato i-ésimo (i=1,…, n). El término de error representa la diferencia entre el valor
Análisis de la varianza
Variable N R² R² Aj CV
RENDIM 112 0.86 0.81 32.83
21
h. Aplique a las medias la prueba de comparación múltiple de Tukey, si corresponde.
Análisis de la varianza
Variable N R² R² Aj CV
RENDIM 112 0.86 0.81 32.83
g/materia de frijol caupi y se agruparon bajo las mismas letras los tratamientos que están en el
22
i. Concluya de acuerdo con los resultados obtenidos.
Analizando los cuadrados medios correspondientes al análisis de varianza para la variable del
Rendimiento en g/materia de frijol caupi, podemos decir que se presentan diferencias altamente
diferencias significativas (ns), esto quiere decir que los tratamientos se comportaron de manera
similar entre los bloques y que las condiciones del suelo fueron homogéneas y este no influencio
Revisando las medias podemos decir que el TRAT 17 fue el de mejor promedio y el de menor
Cabe anotar que el TRAT 17 se ubicó como el mejor en el grupo de intersección estadística o
clasificación tukey (A), siguiéndoles en orden los tratamientos 24 y 16 los cuales se ubicaron en
el grupo (AB)
En conclusión, se recomienda el TRAT 17 como primera opción de materia orgánica para mejorar
la asimilación de fosforo de las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo
ácido de los Llanos Orientales y como segunda opción los tratamientos 24 y 16.
consiguiente aumentar la producción de leche por vaca-día. Se evaluó la variable peso corporal
23
(kg) en terneros hasta 112 días de nacidos. Fueron probados amamantamiento restringido (R) y
Nota:
Lo realice a mano pero no lo pude pasar al computador por que no pude hacer todos los
símbolos
24
c. Plantee las hipótesis.
La hipótesis nula: La media en los dos grupos en los diferentes días es igual
hipótesis nula puede ser una afirmación inicial que se basa en análisis previos.
d. Realice el análisis de varianza en Excel, aplicando las fórmulas, la tabla del Análisis
de Varianza (ANOVA) debe recoger los valores de SC, CM, GL, F calculado, F
relacionando las operaciones. Los análisis deben ser producto de las fórmulas o
25
ANÁLISIS DE VARIANZA
Promedio Valor
Suma de Grados de de los crítico para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Entre grupos 33059,38 9 3673,26444 54,154 1,35913E-19 2,12402926
Dentro de los grupos 2713,2 40 67,83
Total 35772,58 49
Si hay diferencias significativas ya que se está analizando con un nivel de confianza del
95% y la probabilidad nos está dando un valor muchísimo menor que el esperado, por tal
La hipótesis nula: La media en los dos grupos en los diferentes días es igual
26
Tabla Nº 6. Prueba de Tukey
1 2 3 4 5 6 7 8 9 10
-
1 -11,2 -26,4 -46,4 -71,6 -3,2 -18 -34,2 57,2 -73,6
2 -15,2 -35,2 -60,4 -60,4 8 -23 -46 -62,4
-
3 -20 -45,2 23,2 8,4 -7,8 30,8 -47,2
4 -25,2 43,2 43,2 28,4 12,2 -27,2
5 68,4 53,6 37,4 14,4 -2
-
6 14,8 -31 -54 -70,4
-
7 -16,2 39,2 -55,6
8 -23 -39,4
9 -16,4
10
Un ingeniero está diseñando una batería que se usará en un dispositivo someterá a variaciones de
temperatura extrema en el campo. El único parámetro del diseño que puede seleccionar en este
El ingeniero saber por experiencia, que la temperatura probablemente afectará la vida efectiva de
la batería y decide probar tres materiales de la placa con tres niveles de temperatura (15, 70 y
125◦F).
27
Se prueban cuatro baterías con cada combinación del material de la placa y la temperatura, y las
Yij=u+Ti+Bj+uij
Dónde:
Yij es la medición que corresponde al tratamiento i y al bloque j.
U es la media global poblacional
Ti es el efecto debido al tratamiento i
Yi es el efecto.
28
c. ¿Plantee las hipótesis que interesa contrastar con el análisis de varianza de este
experimento?
ANÁLISIS DE VARIANZA
Promedio Valor
Suma de Grados de de los crítico para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Entre grupos 40510,1389 5 8102,02778 6,54500698 0,000316658 2,53355455
Dentro de los grupos 37136,8333 30 1237,89444
Total 77646,9722 35
29
No se encuentran diferencias significativas ya que el promedio se encuentra en el mismo rango.
variabilidad de la temperatura.
Este margen viene delimitado por la temperatura máxima de crecimiento, a partir de la cual no
pueden vivir e incluso mueren; la temperatura mínima por debajo de la cual no pueden crecer
Por lo tanto a mayor temperatura independiente del sustrato muchas bacterias termófilas se mueren
ya que su temperatura óptima se encuentra entre 45-70ºC. Mientras que para las mesófitas las
Hipótesis
Respuesta:
FTAB>FCAL Acepta Ho
FTAB>FCAL Acepta H1
30
31
CONCLUSIONES
Después de dar respuesta a los casos expuestos y determinar los tipos de diseño y respectivas
variables aplicadas en los experimentos de cada caso podemos concluir que los diseños
experimentales mencionados son usados en ciencias agropecuarias dando solución a los problemas
agronómicos de nuestros cultivos en nuestro país, con ellos podemos tomar decisiones importantes
Los diseños experimentales nos permiten identificar claramente las diferencias entre cómo actúan
los tratamientos en las semillas y de esa manera poder seleccionar más fácilmente cual es el más
adecuado.
32
BIBLIOGRAFÍA
Burgueño, F., Martínez, G., Crossa, J. (2006). Diseños experimentales con testigos repetidos.
México, D.F., MX: Red Agrociencia. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=10109131&p
00=dise%C3%B1os+experimental
33
Llopis Pérez J. (2013). LA ESTADÍSTICA: UNA ORQUESTA HECH INSTRUMENTO.
Recuperado de: https://estadisticaorquestainstrumento.wordpress.com/2013/01/28/test-
de-duncan/
Mellado J. Diseños Experimentales Recuperado de:
http://www.uaaan.mx/~jmelbos/disexp/deapu1a.pdf
34