Documentos de Académico
Documentos de Profesional
Documentos de Cultura
BETTY ESCOBAR
COD: 1,077,866,376
GRUPO: 203018_10
PRESENTADO A:
NEIVA - HUILA
2020
INTRODUCCIÓN
puedan alcanzar conclusiones relevantes en forma eficiente, económica y nos permita tomar
decisiones acertadas. La selección del plan experimental específico depende del tipo de preguntas
los resultados. De esta forma el investigador puede tomar decisiones acertadas acerca de la
estadísticos más usados en el sector agropecuario con los cuales podemos obtener datos fiables
hipótesis de trabajo.
CUESTIONARIO
La aplicación del diseño experimental son técnicas de estadística que permiten identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un diseño experimental
se manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el efecto
que tienen en otra variable de interés. El diseño experimental prescribe una serie de pautas
relativas que variables hay que manipular, de qué manera, cuantas veces hay que repetir el
experimento y en qué orden para poder establecer con un grado de confianza predefinido la
necesidad de una presunta relación de causa-efecto.[ CITATION Gab171 \l 9226 ]
2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cuáles
son sus posibles usos?
El diseño completamente al azar es el más simple y utilizado de todos. Es aplicable cuando las
unidades experimentales son homogéneas y la administración del experimento es uniforme para
todas ellas. Al concluir el experimento las unidades experimentales mostrarán diferentes
resultados atribuibles en forma exclusiva a los tratamientos aplicados.[ CITATION Gab171 \l 9226 ]
Este diseño es muy utilizado en experimentos de laboratorio, invernadero, almacigo y establos,
en los que el material experimental (macetas, bandejas, almácigos, animales, etc.) es muy
homogéneo por prepararse en forma provisional, y porque el experimento se conduce en
condiciones ambientales controladas y uniformes para todas las unidades experimentales.
[ CITATION Gab171 \l 9226 ]
Cuadrado latino
Cuando se tiene un experimento donde los tratamientos se alojan al azar sobre las unidades
experimentales, de modo que solo un conjunto de los mismos aparece representado por lo menos
en uno de los bloques, se dice que el experimento es de bloques incompletos. Se distinguen dos
grandes grupos de arreglos experimentales de este tipo, a saber: i) la clase experimentos
genéricamente conocidos con el nombre de látices, seudofactoriales o cuasifactoriales, y ii) los
diseños de bloques incompletos propiamente dichos.[ CITATION Gab171 \l 9226 ]
Un análisis de varianza (ANOVA) prueba la hipótesis de que las medias de dos o más
poblaciones son iguales. Los ANOVA evalúan la importancia de uno o más factores al comparar
las medias de la variable de respuesta en los diferentes niveles de los factores. La hipótesis nula
establece que todas las medias de la población (medias de los niveles de los factores) son iguales
mientras que la hipótesis alternativa establece que al menos una es diferente. [ CITATION Min5 \l
9226 ]
4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en qué
casos se usa?
El diseño completamente al azar es el más simple y utilizado de todos. Es aplicable cuando las
unidades experimentales son homogéneas y la administración del experimento es uniforme para
todas ellas. Al concluir el experimento las unidades experimentales mostraran diferentes
resultados atribuibles en forma exclusiva a los tratamientos aplicados.[ CITATION Gab171 \l 9226 ]
Ventajas.
Los tratamientos, en experimentos uni-factoriales, pueden tener igual o diferente número de
repeticiones. Sin embargo, cuando se estudia más de un factor es recomendable tener el mismo
número de repeticiones. Es el diseño que tiene el mayor número de grados de libertad asignados
al error experimental, beneficiando la estimación del mismo y logrando una mayor precisión en la
estimación de las medias de los tratamientos y de las diferencias de estas. [ CITATION Gab171 \l
9226 ]
Desventajas
Puede ser muy difícil conseguir bloques homogéneos, el diseño de bloques aleatorizado no es
adecuado si existe interacción entre los bloques y los tratamientos, es decir, si los efectos de tales
factores no son aditivos. [ CITATION Gab171 \l 9226 ]
Usos
Este diseño es muy utilizado en experimentos de laboratorio, invernadero, almacigo y establos,
en los que el material experimental (macetas, bandejas, almácigos, animales, etc.) es muy
homogéneo por prepararse en forma provisional, y porque el experimento se conduce en
condiciones ambientales controladas y uniformes para todas las unidades experimentales.
[ CITATION Gab171 \l 9226 ]
5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus
ventajas y desventajas?
Ventaja
Se aumenta la potencia de la prueba porque la variabilidad atribuible a la heterogeneidad de las
unidades experimentales, es extraída del error experimental, hay cierta flexibilidad, pues excepto
por disponibilidad de recursos y por lo anotado anteriormente en cuanto a la precisión, no hay
restricciones en el número de tratamientos y/o de bloquees y al evaluar los tratamientos bajo
diferentes condiciones, se amplía la base inferencial del experimento.
Desventajas
Si el número de tratamientos o de repeticiones es muy elevado, a veces resulta difícil conseguir
unidades experimentales homogéneas. Si el número de repeticiones o de tratamientos es muy
bajo, se pierde sensibilidad en el experimento.
Un diseño factorial es utilizado generalmente por los científicos que desean comprender el efecto
de dos o más variables independientes respecto de una única variable dependiente.
La Diferencia Significativa Mínima (DSM) se define como la diferencia mínima que podría
existir entre dos medias de muestras significativamente diferentes. Para obtener la fórmula para la
DSM, se usa la prueba t de Student para la diferencia entre dos medias cuando las varianzas no
son diferentes cuyo estadístico de contraste es:
La prueba de Diferencia Significativa Honesta (DSH) de Tukey, al igual que la DSM, sólo se debe
usar después que se ha rechazado la hipótesis nula en el análisis de varianza y cuando todos los
tamaños de muestra son iguales; pero a diferencia de la DSM emplea el valor . En lugar
de . Este valor q se obtiene de la tabla T-8, para el nivel de significancia a , el número
de tratamientos K y los grados de libertad del error, entonces:
Prueba del rango múltiple de Duncan
La Prueba del Rango múltiple Duncan es otra prueba para determinar la diferencia entre pares de
medias después que se ha rechazado la hipótesis nula en el análisis de varianza.
Este procedimiento emplea los valores de la tabla T-9 y consiste en calcular varios "rangos"
(Duncan los llama rangos significativos mínimos) dados por la fórmula:
Prueba de Dunnett
Prueba de scheffé
Esta prueba es similar a la prueba de Tukey, difiere de ella en que en vez de usar la tabla T-8
para obtener valores "studentizados" q utiliza la tabla F de Fisher (T-7) para obtener el factor
que se comparará con las diferencias entre los pares de medias de los tratamientos.
Cuando se rechaza la hipótesis nula de no diferencia de más de dos medias (H0: 1 = 2 = …
= k) en un análisis de varianza surge la pregunta acerca de cuáles pares de medias son
diferentes, puesto que el rechazo de una hipótesis nula con cuatro tratamientos
(H0: 1 = 2 = 3 = 4), podría deberse a uno o varios de los seis pares de diferencias que se
pueden tener, esto es: 1 2 o 1 3 o 1 4 o 2 3 o 2 4 o 3 4.
[CITATION Del01 \l 9226 ]
Existen varios procedimientos para determinar cuáles son los pares de medias que son diferentes.
El primero de estos procedimientos, y el más utilizado en el pasado, es el de la Diferencia
Significativa Mínima (DSM) de Fisher publicada en 1935 en su libro The Design of Experiments.
Este procedimiento es una extensión de la prueba t de Student para el caso de comparación de dos
medias con varianza ponderada.[ CITATION Del01 \l 9226 ]
Ambos pruebas tienen fundamentos muy semejantes, sin embargo Duncan es menos riguroso,
esto es, da diferencias significativas con más facilidad, Se utiliza para efectuar comparaciones
múltiples entre dos medias de tratamientos del experimento, el número de comparaciones con D
tratamientos es (t(t-1))/2, cuando el número de repeticiones es igual en los tratamientos, los
cálculos son más precisos que cuando se tiene diferente número de repeticiones por tratamiento,
calculando en el análisis de varianza puede ser o no significativo, tiene el inconveniente cuando
se cuenta con un alto número de tratamientos, dado que el nivel de significancia α se modifica en
función a ellos, la prueba de DUNCAN permite comparar tratamientos no relacionados, es
decir todos los tratamientos contra todos a fin de establecer un orden de mérito.
BIBLIOGRAFÍA
Carranza Garcia, A. (2011). Diseño De Bloques Completo Al Azar 1. Obtenido de
https://es.slideshare.net/albertojeca/diseo-de-bloques-completo-al-azar-1
Delgado, G. (2001). Pruebas De Diferencia De Medias O De Comparaciones Múltiples.
Obtenido de http://colposfesz.galeon.com/disenos/teoria/cap13bmj/cap13bmj.htm
Gabriel, J., Castro, C., Valverde, A., & Indacochea, B. (2017). Diseños experimentales: Teoria y
practica para experimentos agropecuarios. Jipijapa: Grupo COMPAS, Universidad
Estatal del Sur de Manabi (UNESUM). Obtenido de
https://www.academia.edu/31886670/Dise%C3%B1os_experimentales_-
_experimentos_agropecuarios.pdf?auto=download
Minitab. (s.f.). ¿Qué es ANOVA? Obtenido de https://support.minitab.com/es-
mx/minitab/18/help-and-how-to/modeling-statistics/anova/supporting-topics/basics/what-
is-anova/
Minitab. (s.f.). ¿Qué son los diseños de bloques aleatorizados y los diseños de cuadrados
latinos? Obtenido de https://support.minitab.com/es-mx/minitab/19/help-and-how-
to/modeling-statistics/anova/supporting-topics/anova-models/what-are-randomized-block-
designs-and-latin-square-designs/
Santiesteban, C. (2017). Capítulo 5 diseños factoriales 2 y 3 factores. Obtenido de
https://issuu.com/claudiasantiesteban12/docs/cap__tulo_5_dise__os_factoriales_2_