TAREA 3.

ACTIVIDAD INTERMEDIA - BIOMETRIA

BETTY ESCOBAR

COD: 1,077,866,376

GRUPO: 203018_10

PRESENTADO A:

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DEL MEDIO AMBIENTE

BIOMETRIA Y DISEÑO EXPERIMENTAL

ESPECIALIZACIÓN EN BIOTECNOLOGÍA AGRARIA

NEIVA - HUILA

2020
 INTRODUCCIÓN

El diseño de experimentos es una estrategia para la planificación de experimentos de manera que

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

a responder, el grado de extrapolación de las conclusiones obtenidas y los recursos disponibles

(material experimental, personal y tiempo). Un experimento diseñado y ejecutado

apropiadamente permite realizar en forma adecuada el análisis estadístico y la interpretación de

los resultados. De esta forma el investigador puede tomar decisiones acertadas acerca de la

variable objeto de estudio.

OBJETIVO

El objetivo de esta unidad es conocer y entender la aplicación de algunos de métodos o diseños

estadísticos más usados en el sector agropecuario con los cuales podemos obtener datos fiables

que permitan establecer comparaciones entre tratamientos diferentes y apoyar o rechazar

hipótesis de trabajo.
CUESTIONARIO

1. ¿En qué consiste el diseño experimental?

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?

Diseño completamente al azar

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 ]

Diseño de bloques aleatorizados

Un diseño de bloques aleatorizados es un diseño frecuentemente utilizado para minimizar el

efecto de la variabilidad cuando se asocia con unidades discretas (por ejemplo, ubicación,
operador, planta, lote, tiempo). El caso usual consiste en distribuir aleatoriamente una réplica de
cada combinación de tratamientos dentro de cada bloque. Por lo general, no hay un interés
intrínseco en los bloques, y se considera que éstos son factores aleatorios. La suposición habitual
es que el bloque por interacción de tratamiento es cero, y esta interacción pasa a ser el término de
error para probar los efectos del tratamiento. Si designa la variable de bloqueo como Bloque, los
términos en el modelo serían entonces Bloque, A, B y A*B. También especificaría el Bloque
como el factor aleatorio.[ CITATION Min4 \l 9226 ]

Cuadrado latino

o Los tratamientos se agrupan en bloques homogéneos en dos direcciones, formando un

arreglo en hileras y columnas.
 o El número total de tratamientos, t, es igual al número de hileras o columnas y es un entero
igual y mayor que 2, siendo las unidades experimentales, un cuadrado perfecto: T2

o Este diseño es característico porque un tratamiento cualquiera aparece representado

exactamente una vez en la misma hilera o en la misma columna.

o La particularidad del diseño, de construir bloques completos en el sentido de las hileras y

de las columnas, permite absorber e ambos sentidos, la variabilidad del material
experimental.

Diseño látice o de bloques incompletos

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 ]

3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?

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?

Es uno de los diseños más utilizados en experimentación agrícola. Este diseño es utilizado

cuando el material experimental, campo agrícola, invernadero, calmas de almacigo, etc.
Presentan una fuente de variabilidad conocida, factible de evaluar y de deducir el error
experimental. Con ello se logra disminuir el error experimental, lo que incrementa la precisión en
la comparación entre tratamientos. Recibe el nombre de bloque completo al azar, porque el
material experimental se fracciona en bloques o en estrato uniformes dentro de sí pero diferente
entre si. Todos los tratamientos están presentes y distribuidos al azar en cada uno de los bloques.
La distribución de los tratamientos al azar se realiza independientemente en cada bloque. Aunque
por lo general los tratamientos se presentan una sola vez en cada bloque, es posible que
un tratamiento de interés este duplicado en cada bloque.[ CITATION Gab171 \l 9226 ]

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.

6. ¿En qué se diferencian los factores de los tratamientos y por qué?

Cuando se requiere comparar ciertos tratamientos o estudiar el efecto de un factor, es deseable

que las posibles diferencias se deban principalmente al factor de interés y no a otros factores que
no se consideran en el estudio. Cuando esto ocurre y existen otros factores que no se controlan o
nulifican al a hora de hacer la comparación, la conclusiones podrían ser afectadas sensiblemente.[
CITATION Car11 \l 9226 ]

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

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.

8. ¿Cuándo no se cumplen los supuestos de normalidad y varianza constante, que puede

hacerse? explique las diferentes posibilidades

Los supuestos de normalidad, varianza constante e independientes de los residuos en un diseño

factorial se verifican principalmente con los métodos graficos presentados en el capitulo 3 para
diseños con un solo factor.[ CITATION San17 \l 9226 ]

9. ¿Cuáles son las pruebas de medias más empleadas?

Prueba de diferencia significativa mínima (dsm).de Fisher

Cuando el análisis de varianza indica la existencia de una diferencia significativa se desea

conocer cuál de los pares de medias causa la diferencia. Cuando las muestras son de igual tamaño
la Diferencia Significativa Mínima (DSM) de Fisher nos ayuda a localizar esta fuente.

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:

Prueba de diferencia significativa honesta (dsh) de Tukey

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:

donde p toma valores entre 2 y K (K es el número de tratamientos), d se obtiene de la tabla T-9 y

el CMError se obtiene de la tabla de ANDEVA respectiva.

Prueba de Dunnett

En muchos experimentos uno de los tratamientos es el control, y el investigador está interesado

en comparar cada una de las otras K- 1 medias de los tratamientos contra el control, por lo tanto,
existen K- 1 comparaciones. Un procedimiento para realizar estas comparaciones es la prueba de
Dunnett (desarrollada en 1964). Si se supone que el control es el tratamiento a, entonces se desea
probar las hipótesis

El procedimiento de Dunnett es una modificación de la prueba t. Para cada hipótesis se calcula el

valor absoluto de la diferencia de medias observadas

El rechazo de la hipótesis nula se realiza con una probabilidad de error tipo I, α si

donde la constante se busca en la tabla T-10. Observe que f es el número de grados

de libertad del error y a es el nivel de significación asociado con todos las K- 1 pruebas y
utilizado en el análisis de varianza.

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

donde K es el número de tratamientos y a el nivel de significación.

Este factor  se multiplica por el error estándar de la diferencia entre dos

medias  para obtener la cantidad:

que se comparará con las diferencias entre los pares de medias de los tratamientos.

10. ¿cuál es el propósito al aplicar pruebas de comparación de medias?

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 ]

11. ¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?

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_