Documente Academic
Documente Profesional
Documente Cultură
Solución de Cuestionario y Ejercicios para Conocer los Fundamentos del Diseño Experimental en
Corozal, Sucre
2019
Solución de Cuestionario y Ejercicios para Conocer los Fundamentos del Diseño
Interpretarlos
Tutora
2019
INTRODUCCION
factores ambientales están bajo control. Como consecuencia es imprescindible manipular las
En el desarrollo de esta actividad se revisarán los fundamentos del experimento y sus elementos,
propuestos en la guía de aprendizaje. Por tanto, en el transcurso del presente trabajo se afianzan los
agropecuario.
OBJETIVOS
Objetivo general
✓ Conocer el concepto y los fundamentos del diseño experimental aplicado a las ciencias
agrarias, pecuarias y del medio ambiente, para que sean aplicados en estudios de casos
Objetivos específicos
optimizar un proceso, esto es posible hacerlo por ensayo y error, no obstante se cae en un
desperdicio de recursos, es aquí donde juega un papel importante el diseño experimental, así nos
lo hace saber Gutiérrez y De la Vara (2008) cuando expresa que “el diseño de experimentos
consiste en determinar cuáles pruebas se deben realizar y de qué manera, para obtener datos que,
al ser analizados estadísticamente, proporcionen evidencias objetivas que permitan responder las
interrogantes planteadas, y de esa manera clarificar los aspectos inciertos de un proceso, resolver
un problema o lograr mejoras” (p.4). A renglón seguido afirman que “el diseño de experimentos
es la aplicación del método científico para generar conocimiento acerca de un sistema o proceso,
por medio de pruebas planeadas adecuadamente. Esta metodología se ha ido consolidando como
complejas de relación causa-efecto” (p.7). y continúan disertando al respecto de tal manera que
establecen “los cinco aspectos que más influyen en la selección de un diseño experimental, en el
sentido de que cuando cambian por lo general nos llevan a cambiar de diseño, son: 1. El objetivo
cada factor. 4. Los efectos que interesa investigar (relación factores-respuesta). 5. El costo del
Diseño Experimental, UNAD (2011) donde se conceptúa que “Un Diseño Experimental es una
prueba o serie de pruebas en las existen cambios deliberados en las variables de entrada de un
proceso sistema, de tal manera que sea posible observar e identificar las causas los cambios que se
producen en la respuesta de salida” (p.9). Continúa diciendo que el diseño experimental es un “plan
general del procedimiento para llevar a cabo un experimento en función de unos datos específicos
deseados” (p.84).
2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y cuáles
Este es uno de los diseños experimentales más utilizados en agronomía así lo reconoce López
(2013) al expresar:
“En este tipo de diseño están incluidos los principios de repetición y de aleatorización, o
sea que, es utilizado cuando no hay necesidad del control local, debido a que el ambiente
Ventajas
repeticiones.
diseños.
Inconvenientes
factor en estudio, están incluidas en el residuo como variación del azar, la buena precisión
grupo de unidades homogéneas usadas para corregir fuentes de variación debido a gradientes
(suelo, fertilidad, pendiente, lempos, personas, comunidades, ambientes, etc.). Los bloques forman
En este diseño las unidades experimentales se agrupan en dos o más bloques completos.
Son apropiados en casos donde se observa una cierta tendencia de variación en el material
experimental. Es una solución para la mayoría de los casos en que las unidades experimentales son
semejantes. En consecuencia, Gutiérrez y De la Vara (2008) afirman que “en un diseño en bloques
factor de bloque y el error aleatorio, es decir, se tienen tres posibles “culpables” de la variabilidad
presente en los datos. La palabra completo en el nombre del diseño se debe a que en cada bloque
se prueban todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace
dentro de cada bloque; por lo tanto, no se realiza de manera total como en el diseño completamente
al azar. El hecho de que existan bloques hace que no sea práctico o que incluso sea imposible
• Cuadrado latino.
Al respecto López (2013) nos dice “este diseño también es conocido como diseño con un
factor y dos restricciones en la aleatorización. De esta forma se tiene que el control local,
representado por los bloques, es organizado de dos maneras diferentes, siendo uno organizado en
el sentido de las filas (o hileras) y otro organizado en el sentido de las columnas. En los
experimentos que se realizan en el campo, este diseño es utilizado cuando existe necesidad de
eliminar la heterogeneidad del suelo en dos direcciones perpendiculares, esto es, las filas en una
dirección y las columnas en otra dirección” (p.96). Es así como Gutiérrez y De la Vara (2008)
reafirman que “en el diseño en cuadro latino (DCL) se controlan dos factores de bloque y uno de
tratamientos; los tres factores tienen la misma cantidad de niveles. Los tratamientos se representan
• Parcelas divididas
de las unidades experimentales hace difícil manejar de la misma manera todas las combinaciones
“Los experimentos en parcelas divididas (split-plot design, en inglés) así como los
más factores en sus diferentes niveles, y la diferencia entre esos tipos de arreglos está en la
Si se considera un diseño en bloques al azar, con r bloques y a niveles del factor A. Si cada
al azar los b niveles de un factor B, se tiene entonces, una generalización del diseño en
Este tipo de arreglo es útil cuando ciertos niveles de un factor A, para que sean aplicados
en el experimento, requieren grandes parcelas, como ocurre en los sistemas de riego, los
distanciamientos entre surcos, etc.; y, además, esos niveles serán combinados con los
Los niveles del factor A son distribuidos entre las parcelas grandes, las cuales sufrirán una
división, de tal modo que los niveles del factor B, que no requieren grandes parcelas, puedan
ser distribuidos entre las subparcelas (parcelas pequeñas). De esta manera, se crean dos
estructuras, una estructura a nivel de parcelas grandes, con los niveles del factor A, y otra
estructura a nivel de subparcelas dentro de cada parcela grande, con los niveles del factor
B” (p.132).
experimentales. La idea general de esta técnica es separar la variación total en las partes con las
que contribuye cada fuente de variación en el experimento. En el caso del DCA se separan la
“claramente” sobre la segunda, es cuando se concluye que los tratamientos tienen efecto… dicho
de otra manera, las medias son diferentes. Cuando los tratamientos no dominan contribuyen igual
o menos que el error, por lo que se concluye que las medias son iguales” (Gutiérrez y De la Vara,
2008, p.65).
casos se usa?
Es uno de los modelos más utilizados, es aplicable cuando las unidades experimentales son
homogéneas y la administración del experimento es uniforme para todas ellas (ver respuesta ítem
establo, en el que el material experimental es muy homogéneo por prepararse en forma provisiona,
Ventajas:
• Análisis Estadístico simple. El análisis estadístico es simple ya sea cuando todos los
• Máximo número de grados de libertad para el error. Esto ocurre porque el diseño tiene
solo dos fuentes de variación que son los tratamientos y el error, y los grados de libertad
Desventajas:
• Baja precisión cuando las unidades experimentales no sean muy homogéneas y así ser
ineficientes.
Usos:
• Se recomendable cuando es posible que gran parte de las unidades experimentales no
5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus
ventajas y desventajas?
En la respuesta al ítem 2, del presente cuestionario se aborda este diseño experimental, no obstante,
en el Módulo Diseño Experimental, UNAD (2011) precisa “las principales ventajas de bloques
al azar son las siguientes: 1. Por medio de la agrupación comúnmente se obtienen resultados
más exactos que cuando se usan diseños completamente al azar. 2. Puede incluirse
componentes: una primera debida al efecto de los tratamientos (Suma de Cuadrados Entre
finalmente el Error Experimental (Suma de Cuadrados del Error = S.C. del error).
Desventajas
“Los diferentes valores que se asignan a cada factor estudiado en un diseño experimental
se llaman niveles. Una combinación de niveles de todos los factores estudiados se llama tratamiento
temperatura, y se decide probar cada una en dos niveles, entonces cada combinación de niveles
De la Vara, 2008, p.8). Así las cosas, los factores son variables del experimento, que al tomar
distintos valores se les llama niveles, a la combinación de estos se les llama tratamiento. Por tanto,
(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
variables.
- Existen como mínimo tres formas de minimizar y solucionar el problema por falta de
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
no paramétricos. Otra alternativa, son los modelos lineales generalizados o GLM. Los GLM
permiten especificar distintos tipos de distribución de errores. En muchas ocasiones, sin embargo,
se encuentra con que uno o varios de estos supuestos no se cumplen por la naturaleza de la
variable respuesta (por ejemplo, tomando logaritmos). Sin embargo, estas transformaciones no
la no linealidad de nuestros datos. Además, resulta muchas veces interpretar los resultados
La prueba t para una muestra nos permite contrastar hipótesis sobre la media poblacional a
de una población cuya media es el valor de prueba. De forma opcional (Opciones) tendremos el
cero no está en ese intervalo no podemos aceptar que la población tenga de media el valor de
prueba.
La 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 muestras
• 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
La 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 reflejarán en dos únicas variables: la VD o de respuesta y la VI
Se 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. El uso más
habitual es el de comparar las medias de una variable cuantitativa continua entre dos grupos
independientes.
Por tanto, es un procedimiento descriptivo que permite obtener estadísticos descriptivos de
los distintos grupos y subgrupos definidos por una o más variables independientes. De manera
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
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
metílico en cierto compuesto químico. Cada estudiante hace tres determinaciones y los
experimento.
R/ 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
R/ Cuatro estudiantes
términos.
Donde
𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )
ANÁLISIS DE VARIANZA
Origen de Grados Promedio de Valor
las Suma de de los crítico para
variaciones cuadrados libertad cuadrados F Probabilidad F
Entre
grupos 1,04456667 3 0,348188889 3,24576 0,081289841 4,06618055
Dentro de
los grupos 0,8582 8 0,107275
Total 1,90276667 11
La hipótesis es la siguiente:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
Por lo tanto, si
p valor<0.05 se rechaza Ho
F calculado=3,24576
F tabulado= 4,06618055
p valor=0,081289841
Así que,
p valor=0,081289841>0.05
las medias de las observaciones. Es decir que no hay diferencias significativas entre el porcentaje
y por consiguiente aumentar la producción de leche por vaca-día. Se evaluó la variable peso
corporal (kg) en terneros hasta 112 días de nacidos. Fueron probados amamantamiento
Es un diseño de bloques al azar, con una sola muestra por cada tratamiento, porque permite
hacer agrupamientos en los diferentes días ya sea con amamantamiento Restringido (R) o
Donde
𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )
R/ 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
Análisis de varianza de dos factores con una sola muestra por grupo
ANÁLISIS DE VARIANZA
Promedio Valor
Origen de las Suma de Grados de de los crítico para
variaciones cuadrados libertad cuadrados F Probabilidad F
Filas 1507,88 4 376,97 11,2591843 4,997E-06 2,63353209
Columnas 33059,38 9 3673,26444 109,711545 1,9328E-23 2,15260747
Error 1205,32 36 33,4811111
Total 35772,58 49
La hipótesis es la siguiente:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5
Por lo tanto, si
p valor<0.05 se rechaza Ho
Así que
Se rechaza Ho por lo tanto se concluye que existen diferencias significativas entre las
medias de las observaciones. Es decir que hay diferencias significativas entre el peso corporal
(T).
𝐻𝐷𝑆 = 𝑄 𝐶𝑀𝐸
𝛼,𝐼,𝐼(𝐽−𝑖)∗√
𝐽
HDS 7,4289
𝑄𝛼,𝐼,𝐼(𝐽−𝑖) = 𝑄0,05,5,36 =
Qalfa 4,06
=1205,32/36
CME = 33,481
J 10
HDS 7,4289
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 8 -6,8 -23 -46 62,4
-
3 -20 -45,2 23,2 8,4 -7,8 -30,8 47,2
-
4 -25,2 43,2 28,4 12,2 -10,8 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
g. ¿A partir de los resultados obtenidos, usted como productor qué decisión tendría?
Se evaluó la variable peso corporal (kg) en terneros hasta 112 días de nacidos. Fueron
evidencia estadística para decir que hay un cambio de peso entre los dos tipos de amamantamiento,
por lo tanto, el peso del ternero influye en la producción de leche por vaca-día.
variaciones de temperatura extrema en el campo. El único parámetro del diseño que puede
seleccionar en este punto es el material de la placa o ánodo de la batería, y tiene tres
selecciones posibles.
efectiva de la batería y decide probar tres materiales de la placa con tres niveles de
Se prueban cuatro baterías con cada combinación del material de la placa y la temperatura,
R/ Es un diseño de bloques al azar, con dos muestras por cada tratamiento, porque permite
hacer agrupamientos dentro de las temperaturas para cada material y decidir si son heterogéneas.
Donde
𝑌𝑖𝑗 Es la j-ésima observación del i-ésimo tratamiento
𝜀𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎 2 )
c. ¿Plantee las hipótesis que interesa contrastar con el análisis de varianza de este
experimento?
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
𝐻𝐴 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑑𝑖𝑓𝑖𝑒𝑟𝑒𝑛
d. Realice el análisis de varianza utilizando la herramienta de análisis de datos de Excel
o en programa estadístico, informando cuál utilizó.
Herramienta usada: Excel
2
Cuenta 2 2 2 2 2 2 12
Suma 309 314 242 237 83 115 1300
Promedio 154,5 157 121 118,5 41,5 57,5 108,33
Varianza 40,5 1922 450 24,5 544,5 313 2447,5
3
Cuenta 2 2 2 2 2 2 12
Suma 306 270 324 259 178 164 1501
Promedio 153 135 162 129,5 89 82 125,08
Varianza 450 1250 288 180,5 98 968 1279,2
Total
Cuenta 6 6 6 6 6 6
Suma 819 919 680 611 363 407
Promedio 136,5 153,167 113,333 101,833 60,5 67,8
Varianza 1126,3 916,967 2599,47 1366,97 1018 399
ANÁLISIS DE VARIANZA
Valor
Grados Promedio crítico
Suma de de de los para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
Muestra 10683,7 2 5341,86 7,96401 0,003 3,55
Columnas 40510,1 5 8102,03 12,0791 3E-05 2,77
Interacción 14379,6 10 1437,96 2,14381 0,076 2,41
Dentro del grupo 12073,5 18 670,75
Total 77647 35
La hipótesis es la siguiente:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
Por lo tanto, si
p valor<0.05 se rechaza Ho
Así que
F calculado para tratamientos =7,96401> F tabulado para tratamientos = 3,55
Se rechaza Ho por lo tanto se concluye que existen diferencias significativas entre las
medias de las observaciones. Es decir que hay diferencias significativas entre las tres baterías con
R/ Los efectos entre el tipo de material y la temperatura sobre la vida de la batería son
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.
Referencias bibliográficas
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
Carreño González, N. (2014). Diseño experimental Conceptos básicos. Colombia: Recuperado de
http://hdl.handle.net/10596/11404
DISEÑO COMPLETAMENTE AL AZAR - Ventajas, Desventajas, Aleatorización
http://www.ensayostube.com/familia/diverso/DISEO-COMPLETAMENTE-AL-AZAR-
Ve48.php
Ensayostube.com. Diseño completamente al azar - Ventajas, Desventajas, Aleatorización.
Recuperado de http://www.ensayostube.com/familia/diverso/DISEO-
COMPLETAMENTE-AL-AZAR-Ve48.php
El diseño factorial: efecto de la interacción. Recuperado de:
https://www.uv.es/~friasnav/Material4Dise%C3%B1osFactorial.pdf
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística COMPARAR MEDIAS
CON SPSS. Recuperado de:
https://previa.uclm.es/profesorado/raulmmartin/Estadistica/PracticasSPSS/COMPARAR_
MEDIAS.pdf
Gutiérrez,H. y De la Vara, R. (2008). Análisis y diseño de experimentos. (2a. ed.) McGraw-Hill
Interamericana. Consultado en http://biblioteca.soymercadologo.com/wp-
content/uploads/2016/05/An%C3%A1lisis-y-Dise%C3%B1o-de-Experimentos-2ed-
Guti%C3%A9rrez-Pulido.pdf
López, B., González R. (2013) Diseño y análisis de experimentos. Fundamentos y aplicaciones
en agronomía. 2 ediciones. Universidad de San Carlos de Guatemala. Facultad de
Agronomía. (Pp. 56-70). Recuperado de
http://issuu.com/byrong/docs/dise_o_y_an_lisis_de_exp._2_ed_2013#
Llopis Pérez J. (2013). la Estadística: una Orquesta Hecha Instrumento. Recuperado de:
https://estadisticaorquestainstrumento.wordpress.com/2013/01/28/test-de-duncan/
María Díaz (sf). Aspectos generales del diseño experimental. Avaconews - Universidad de Ibagué.
Recuperado de https://avaconews.unibague.edu.co/aspectos-generales-del-diseno-
experimental/
Montes F. (2004). Análisis de la varianza ANOVA. Recuperado de:
https://www.uv.es/montes/biomecanica2004/anova
Mendoza, H, Bautista, G. (2002). Diseño Experimental. Universidad Nacional de
Colombia, http://www.virtual.unal.edu.co/cursos/ciencias/2000352/. Licencia: Creative
Commons BY-NC-ND.
Universidad Carlos III de Madrid. Introducción al Diseño de Experimentos. Recuperado de
http://www.est.uc3m.es/esp/nueva_docencia/getafe/ciencias_estadisticas/diseno_experime
ntos/materialest/IntroDE.pdf
Universidad Nacional Abierta y a Distancia (UNAD). (2011). Módulo de Diseño de
Experimental.pdf.