ACTIVIDAD 3: DESARROLLO DE CUESTIONARIO

JESSICA ALMEIDA BRAGA

Tutora

NURY MABEL DÍAZ TORRES 46374309

ESPECIALIZACIÓN EN BIOTECNOLOGÍA AGRARIA.

BIOMETRIA Y DISEÑO EXPERIMENTAL

Escuela de Ciencias Agrícolas, Pecuarias y del Medio Ambiente - ECAPMA

Universidad Nacional Abierta y a Distancia – UNAD

Marzo de 2019
 CUESTIONARIO

1. ¿En qué consiste el diseño experimental?

Es una técnica estadística que permite identificar y cuantificar las causas de un efecto dentro de
un Estudio experimental. Diseñar un experimento significa planear un trabajo de tal forma que
reúna la información aplicable al problema de investigación, se le llama diseño experimental al
procedimiento que se sigue para asignar los tratamientos a las unidades experimentales. Es un
método aleatorio de distribución al azar ya que se decide el tratamiento que corresponde a cada
unidad experimental por medio de un sorteo o una tabla de números aleatorios.

2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y

cuáles son sus posibles usos?

 Diseño completamente al azar :

Es el más simple de todos. Es una prueba basada en el análisis de varianza, en donde la varianza
total se descompone en la “varianza de los tratamientos” y la “varianza del error”. El objetivo es
determinar si existe un diferencia significativa entre los tratamientos, para lo cual se compara si
la “varianza del tratamiento” contra la “varianza del error” y se determina si la primera es lo
suficientemente alta según la distribución F.
Posibles usos:
 En pruebas de germinación de semillas de cualquier especie (emergencia, n de tallos
florales, longitud del tallo, rendimiento, pesos obtenidos: de los granos, del follaje etc.
Peso hectolítrico).
 En métodos de preparación de siembra.
 Aplicación de sistemas de riego
 Aplicación de plaguicidas para el control de plagas y enfermedades de los cultivos.
 En el área pecuaria cuando hay interés de mejoramiento genético, peso,

 Diseño de bloques completamente al azar:

Trata de comparar tres fuentes de variabilidad: el factor de tratamientos, el factor de bloques y el
error aleatorio. El adjetivo completo se refiere a que en cada bloque se prueban todos los
tratamientos. La aleatorización se hace dentro de cada bloque.
Posibles usos: sembrar determinada cantidad de semillas por cada tratamiento.
  Diseño cuadrado latino:
El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la
asignación de los tratamientos al azar en las unidades, de tal forma que en cada fila y en cada
columna se encuentren todos los tratamientos constituye un diseño cuadrado latino.
Posibles usos:
Los diseños de bloques y cuadrados latinos aleatorizados son generalmente útiles en los
experimentos de fertilizante donde el número de factores interesados es razonablemente
pequeño. Para las pruebas de fertilizante donde 2 o más fertilizantes se aplican a 2 o más niveles,
el experimento factorial es particularmente apropiado.

 Parcelas divididas.
Un diseño de parcelas divididas es un experimento diseñado que incluye al menos un factor
difícil de cambiar que es difícil de aleatorizar completamente debido a limitaciones de tiempo o
costo. En un experimento de parcelas divididas, los niveles del factor difícil de cambiar se
mantienen constantes durante varias corridas experimentales, las cuales se tratan colectivamente
como una parcela completa.
Posibles usos: En aquellos ensayos que se usa maquinaria agrícola o riego, ensayos de cultivares
por ejemplo de maíz, es aconsejable usar algún tipo de diseño de parcela o bloque dividido.

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.
El análisis de la varianza (ANOVA) es una potente herramienta estadística, de gran utilidad tanto
en la industria, para el control de procesos, como en el laboratorio de análisis, para el control de
métodos analíticos.
Los ejemplos de aplicación son múltiples, pudiéndose agrupar, según el objetivo que persiguen,
en dos principalmente:
 la comparación de múltiples columnas de datos
 la estimación de los componentes de variación de un proceso.
(Boqué y Maroto, s.f.)

4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en

qué casos se usa?
Definición:
El diseño completamente al azar es una prueba basada en el análisis de varianza, en donde la
varianza total se descompone en la “varianza de los tratamientos” y la “varianza del error”. El
objetivo es determinar si existe un diferencia significativa entre los tratamientos, para lo cual se
compara si la “varianza del tratamiento” contra la “varianza del error” y se determina si la
primera es lo suficientemente alta según la distribución F.
Se definen los t tratamientos que se van a aplicar a las n unidades experimentales, de tal forma
que a r unidades experimentales les va a corresponder un tipo de tratamiento. Las unidades
experimentales se sortean para la asignación a cada tratamiento. Se define la variable a medir
Ventajas:
1.- Permite flexibilidad completa. Puede utilizarse cualquier número de tratamientos y
repeticiones, siempre y cuando se consigan unidades experimentales homogéneas. Puede variarse
a voluntad el número de repeticiones de un tratamiento a otro (pero no es muy recomendable sin
una buena razón)
2.- El análisis estadístico es fácil, aun si el número de repeticiones por tratamiento no es el
mismo, o si los errores experimentales difieren de un tratamiento a otro.
3.- Aun cuando los datos de algunas de las unidades o algunos tratamientos completos se hayan
perdido, o se rechacen por alguna causa, el método de análisis sigue siendo sencillo. Por otra
parte, la pérdida relativa de información debida a los datos faltantes, es de menos importancia
que en cualquier otro diseño.
4.- Se obtiene el mayor número de grados de libertad para estimar el error experimental.

Desventajas:
1.- Si el número de tratamientos o de repeticiones es muy elevado, a veces resulta difícil
conseguir unidades experimentales homogéneas.
2.- Si el número de repeticiones o de tratamientos es muy bajo, se pierde sensibilidad en el
experimento.

En qué casos se usa:

 Cuando queremos determinar el mejor tipo de tratamiento a utilizar, el que nos da
mejores resultados: en fertilización, en ceba de ganado, en aplicación de plaguicidas,
dietas, etc...
 En un diseño completamente al azar, la hipótesis nula es que los efectos de tratamientos
(β) son todos iguales, lo que se expresa por: H0 : β1 = β2 = β2 .. ... La hipótesis alterna es
que hay al menos un efecto de tratamiento que es diferente a los demás. Para probar la
 hipótesis, en la tabla ANVA se comparan los cuadrados medios de tratamientos respecto
a los cuadrados medios del error, los primeros deben ser suficiente mayores que los
segundos...

5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus
ventajas y desventajas?
Nuestro objetivo es tener comparaciones precisas entre los tratamientos bajo estudio. Utilizar
bloques es una forma de reducir y controlar la varianza del error experimental para tener mayor
precisión.
Usar bloques estratifica a las unidades experimentales en grupos homogéneos. Una buena
elección del criterio de bloqueo resulta en menor variación entre las unidades experimentales
dentro de los bloques comparada con la variación entre unidades experimentales de diferentes
bloques. Generalmente los criterios de bloqueo son:
 Proximidad (parcelas vecinas)
 Características físicas (edad, peso, sexo)
 Tiempo
 Manejo de las unidades experimentales en el experimento
Ventajas:
 Es fácil de analizar
 Extrae del error experimental la variación debida a los bloques además de la variación
debida a los tratamientos.
Desventajas:
 Menor número de grados de libertad para el error experimental.
 Si el número de tratamientos es muy elevado (25) se hace muy difícil conseguir un buen
agrupamiento de las parcelas experimentales.

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

Los factores de tratamiento se diferencian en que pueden ser cualitativos o cuantitativos. Se
denomina factor tratamiento a cualquier variable de interés para el experimentador cuyo posible
efecto sobre la respuesta se quiere estudiar.
Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán
en cuenta en la realización del experimento.
Ejemplos de factores cualitativos y sus niveles respectivos son los siguientes:
— proveedor (diferentes proveedores de una materia prima),
— tipo de máquina (diferentes tipos o marcas de máquinas),
— trabajador (los trabajadores encargados de hacer una tarea),
— tipo de procesador (los procesadores de los que se quiere comparar su velocidad de
ejecución),
— un aditivo químico (diferentes tipos de aditivos químicos),
— el sexo (hombre y mujer),
— un método de enseñanza (un número determinado de métodos de enseñanza cuyos resultados
se quieren comparar).
Ejemplos de factores cuantitativos son los siguientes:
— tamaño de memoria (diferentes tamaños de memoria de ordenadores),
— droga (distintas cantidades de la droga),
— la temperatura (conjuntos de temperaturas seleccionadas en unos rangos de interés).
Debe tenerse en cuenta que en el tratamiento matemático de los modelos de diseño de
experimento los factores cuantitativos son tratados como cualitativos y sus niveles son elegidos
equiespaciados o se codifican

La relación entre los tratamientos es la misma en cada uno de los bloques.

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

El diseño factorial consiste en que en cada ensayo o replica completa del experimento se
investigan todas las combinaciones posibles de los niveles de los factores. El diseño factorial
requiere la manipulación simultanea de dos o más variables independientes (llamados factores)
en un mismo experimento.
En diferentes experimentos interviene el estudio de los efectos de dos o más factores.
Cada uno de los factores en estudio varían en sus aplicación, a esta variación se le llama niveles
de factor. Las combinaciones de los niveles de cada factor forman los respectivos tratamientos.

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.
Es común que en las ciencias agrarias se utilicen diseños factoriales por la necesidad de las
pruebas de campo para probar el efecto de las variables en los cultivos. En esos estudios a gran
escala, es difícil y poco práctico aislar y probar cada variable individualmente.
Los experimentos factoriales permiten manipulaciones sutiles de un número mayor de variables
interdependientes. Si bien el método presenta limitaciones, es útil para una investigación más
eficiente y para permitir que los métodos estadísticos fuertes expongan todas las correlaciones.

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

puede hacerse? explique las diferentes posibilidades
Se debe hacer la comprobación de supuestos.
 Si no se obtiene normalidad se pueden transformar los datos o usar métodos no
paramétricos. Procedimientos gráficos: Una primera posibilidad consiste en obtener
histogramas con curvas superpuestas de la distribución Normal. Otra posibilidad son las
gráficas QQ que sitúan los cuantiles de la distribución de la muestra respecto de los
cuantiles del modelo de distribución normal. Cuando ambas distribuciones coinciden los
puntos se sitúan sobre una recta, y en la medida que la distribución de la muestra difiera
de la distribución normal se sitúan fuera de la recta.

 Si no se obtiene homogeneidad de varianza: se pueden trasformar los datos o usar

métodos no paramétricos o realizar el Test de Welch para comparar medias. La prueba de
Levene se utiliza para verificar el supuesto de homogeneidad de varianzas de los grupos
comparados. Contrasta la Hipótesis Nula de que las varianzas de las poblaciones
comparadas son idénticas.
Los métodos no paramétricos son útiles cuando no se cumple el supuesto de normalidad y el
tamaño de la muestra es pequeño. Sin embargo, las pruebas no paramétricas no están
completamente libres de supuestos acerca de los datos. Por ejemplo, es fundamental presuponer
que las observaciones de las muestras son independientes y provienen de la misma distribución.
Además, en los diseños de dos muestras, se requiere el supuesto de igualdad de forma y
dispersión.

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

Medias es un proceso descriptivo que permite obtener estadísticos descriptivos de los distintos
grupos y subgrupos definidos por una o más variables independientes.
 Se utiliza la prueba T para probar las diferencias entre un grupo y un valor de prueba hipotético.
Si en la prueba hay más de un grupo incluido, puede usar el análisis de varianza (ANOVA).

Estas pruebas utilizan datos paramétricos, es decir, datos numéricos de una distribución normal.
Para los datos no paramétricos, como las clasificaciones nominales o los datos que no se
distribuyen normalmente, se utilizan pruebas no paramétricas.
 Pruebas T

La prueba T para una muestra indica la probabilidad de que la diferencia entre la media muestral
y un valor de prueba se deba al azar. Las probabilidades de 0,05 o inferiores normalmente se
consideran significativas.
 Creación de una prueba T para una muestra

Puede utilizar una prueba T para una muestra para probar si la media de una variable difiere de
un valor de prueba determinado. Por ejemplo, quizá le interese probar si los ingresos familiares
medios de los clientes de un banco difieren de la media nacional.
 Uso de ANOVA de una vía para comparar las medias

Puede utilizar ANOVA de una vía para evaluar si existe una diferencia significativa entre grupos
de medias.
 Opciones de ANOVA

Aparte de especificar cómo tratar los valores que faltan y si se mostrará una tabla de estadísticos
descriptivos para la variable independiente, puede especificar las siguientes opciones en el
informe.

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

Puede comparar las medias de dos o más grupos para determinar si la diferencia entre los grupos
es significativa estadísticamente, es decir, si se debe a algo más que al azar.
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.
Otros procedimientos más recientemente usados para el mismo propósito son: la prueba de
Student-Neuman-Keuls, la prueba de Diferencia Significativa Honesta de Tukey (DSH), la
prueba del Rango múltiple de Duncan, la prueba de Dunnett y la prueba de Scheffé, entre otras.
Véase Steel and Torrie y Federer.
 11. ¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?
El Test de Duncan es un test de comparaciones múltiples. Permite comparar las medias de los t
niveles de un factor después de haber rechazado la Hipótesis nula de igualdad de medias
mediante la técnica ANOVA. Todos los tests de comparaciones múltiples son tests que tratan de
perfilar, tratan de especificar, tratan de concretar, una Hipótesis alternativa genérica como la de
cualquiera de los Test ANOVA.

El Test de Duncan es muy similar al Test HSD de Tukey pero en lugar de trabajar con un umbral
fijo trabaja con un umbral cambiante. Un umbral que dependerá del número de medias
implicadas en la comparación.
 BIBLIOGRAFIA / WEBGRAFIA

 Definición de Diseño Experimental https://es.wikipedia.org/wiki/Diseño_experimental

 Diseño completamente al azar http://www.uaaan.mx/~jmelbos/cursos/deapu1b.pdf
 Diseño de bloques completamente al azar
https://tarwi.lamolina.edu.pe/~fmendiburu/index-filer/academic/design/Latino.pdf
 Diseño de parcela dividida https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/modeling-statistics/doe/supporting-topics/factorial-and-screening-designs/split-plot-
designs-in-design-of-experiments/
 El análisis de la varianza ANOVA : http://rodi.urv.es/quimio/general/anovacast.pdf
 Diseño completamente al azar. http://www.ensayostube.com/familia/diverso/DISEO-
COMPLETAMENTE-AL-AZAR-Ve48.php
 Diseño factorial https://es.slideshare.net/jaimealvarado2003/disenos-factoriales
 Comprobación de supuestos
https://www.uv.es/webgid/Inferencial/6_comprobacin_de_supuestos.html
 Pruebas de comparación de medias
http://colposfesz.galeon.com/disenos/teoria/cap13bmj/cap13bmj.htm