Documentos de Académico
Documentos de Profesional
Documentos de Cultura
JANNA RENTERIA
LAURA BERMUDEZ
1. ¿Cómo definiría un Diseño Completamente Aleatorizado (DCA) y en qué situaciones sería más
a) Cuando se quiere entender los diferentes fenómenos, sucesos o problemáticas que existen
en los ámbitos de la producción y/o la salud animal.
b) Las condiciones de vivencia (hábitat) de los animales tiene influencia sobre ellos.
Ventajas de DCA
a) Es fácil de planear
b) Es flexible en cuanto al número de tratamientos y repeticiones
c) No es necesario que el número de tratamientos sea igual al número de repeticiones
d) No se estiman parcelaciones perdidas
e) El número de grados de libertad para el error aumenta por no tener muchas restricciones.
Las limitaciones
a) hay casos en que no son eficientes por ejemplo cuando se toman muestras o material
heterogéneo.
b) en cuanto a la aleatoriedad el error experimental incluye la variación total entre unidades
experimentales.
3. Explique los principios básicos del análisis de varianza (ANOVA) y cómo ayuda a interpretar los
resultados de un DCA.
a) es un factorial (1 vía): cuando tiene una variable independiente y se utiliza para comparar
dos medias de dos grupos independientes (no relacionados)
b) el principio de bifactoriedad (2 vías): aquí en el metodo de la prueba tiene dos variables
independientes, generalmente se utiliza cuando existe una variable de medicion, es decir,
una variable numérica (cuantitativa) y dos variables nominales.
d) Otro principio de este metodo es que los cambios en las variables tienen efecto
significativos en las variables dependientes, sus interacciones y las independientes.
Estos principios ayudan a interpretar los resultados de un DCA cuando permite analizar la varianza,
clasifica y compara la igualdad de efectos de tratamientos.
Por otro lado ayuda cuando el análisis de los datos permite estimar la varianza del error para un
conjunto de datos.
Ejemplo hipotético en MVZ: perdida o ganancia de peso en kilos de 20 cerdos que se sometieron a
una dieta alimenticia con un nuevo concentrado.
Replica M1 M2 M3 M4
1 -2,0K 13,1K 5K -1K
2 2,5K 12K 2K 6K
3 -3,5K 10,5K 4K 5K
4 -1,5K 8,5K -1K 9K
5 2,6K 8,4K 5K 6K
totales 1,9 52,5 15 25
medias 0,38 10,5 3 5
varianzas 7,697 4,35 6,5 13,5
zootécnicos.
Se define como una de las formas de evaluar la cantidad de variación en una variable dependiente
que se asocia con una o mas variables de efectos aleatorios.
La prueba de Kruskal-Wallis se caracteriza por permitir arreglos a una vía de clasificación, a través
de ella se obtiene un diseño con t muestras cuyo interés se centra en construir una prueba para la
hipótesis y asignar rangos a las observaciones y comparar la suma de los mismos. Finalmente
desarrollar un análisis de varianza.
Esta prueba se aplica en DCA siempre y cuando es posible que gran parte de las UE no respondan
al tratamiento o puedan perderse durante el experimento.
Es preferible su uso sobre el ANOVA si solo se considera dos fuentes de variabilidad, osea los
tratamientos y el error aleatorio.
7. ¿Cómo determinar el tamaño de muestra adecuado en un DCA, y qué métodos (como HHM,
Tukey, etc.) recomendaría y por qué?
En DCA para determinar el tamaño de la muestra que permitan detectar diferencias significativas
entre los tratamientos requiere calcular la potencia de las pruebas estadísticas de interés.
8. Describa cómo el submuestreo afecta las inferencias en un DCA y explique la aplicación del
modelo lineal en este contexto.
Las diferencias entre las submuestras dentro de una unidad experimental son diferencias de
observación mas que diferencias de unidad experimental.
El submuestreo en DCA se puede afectar si al tomar mas de una unidad experimental y más de una
observación al azar estos no permitan estudiar la variabilidad de las unidades en condiciones
similares. Para evitar estos desaciertos se puede recurrir al modelo lineal para submuestreo de tal
manera que se separen los dos componentes de varianza como tambien hacer la distinción entre
error experimental y error observacional ya que algunas veces resultan situaciones en donde estas
no son iguales.
Las inferencias del submuestreo se dan con base en los resultados que contrarrestan la hipótesis
nula de no diferencias entre tratamientos.
10. Explique la estructura y la aplicación del DBCA en la investigación zootécnica y cómo difiere del
DCA.
11. Analice la eficiencia de un DBCA en comparación con un DCA y cuándo es preferible utilizar
cada uno.
13. Explique cómo se realiza un análisis de covarianza en diseños DCA y DBCA y la importancia de
las
covariables en el análisis.
Experimentos Factoriales
14. Comparación entre DBCA, DCA y Diseños en Cuadro Latino: Analice las diferencias, ventajas y
15. Discuta cómo el análisis de covarianza puede mejorar el análisis en estos diseños
experimentales y