1.

DESARROLLO DEL CUESTIONARIO

1. ¿En qué consiste el diseño experimental?

El diseño experimental es el procedimiento de planeación y conducción de experimentos, así

como la definición del análisis estadístico para evaluar los resultados, con el objetivo de tener

conclusiones válidas y objetivas. El procedimiento incluye la definición de factores a

modificar, la manera de su aplicación y el número de pruebas a realizar.

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

cuáles son sus posibles usos?

 Diseño completamente al azar

Se sugiere este diseño para experimentación con temas de: métodos de preparación de

siembra, aplicación del agua de regadío, manejo del cultivo versus el uso de los herbicidas

para el control de malezas, etc. También es útil en experimentos con animales cuando existe

cierta uniformidad bien sea genética, por peso, edad, etc.

 Diseños de bloques al azar

Es el diseño más utilizado en los experimentos agrónomos.

Es una solución para la mayoría de los casos en que las unidades experimentales son

heterogenias.
Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente

semejantes.

 Cuadrado latino

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

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?

Para el autor (Herrera, 2013). La técnica conocida como análisis de varianza (ANAVA o

ANOVA), fue desarrollada por Ronald Aymer Fisher para facilitar el análisis e interpretación

delos datos desde ensayos de campo y experimentos de laboratorio, en la agricultura e

investigaciones biológicas (Einsenhart, 1947).El ANAVA, es una de las técnicas más

utilizadas en el proceso de investigación. Norell (2003).Es descrito por Tejedor (1999): Khan

y Rayner (2003) y Spiegel et al.(2003) como una colección de modelos estadísticos y sus

procedimientos asociados, apropiada para evaluar la igualdad entre poblaciones o

tratamientos, en la cual la varianza esta fraccionada en ciertos componentes, debido a

diferentes factores o variables explicativas, incluidas en el modelo. (P.8)

El análisis de la varianza se emplea en la industria, en 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 y la estimación de los componentes de variación

de un proceso (Boqué y Maroto, s.f.)

El ANOVA se basa en la comparación de la variabilidad media que hay entre los grupos con

la que hay dentro de los grupos. ¿Por qué? Recordemos que la media y la varianza muestral

verifican var(¯x) = σ 2 n , E(s 2 ) = σ 2 , lo que nos permite dos estimaciones diferentes para

σ 2 cuando disponemos de k muestras de una misma población

Todo se reduce a obtener el valor del estadístico (4) que bajo las condiciones iniciales de

independencia, normalidad y homocedasticidad, se distribuye como una Fk−1,n−k. La

comparación con el valor teórico correspondiente nos dirá si debemos aceptar o rechazar H0.

Un método computacional conocido como tabla ANOVA facilita los cálculos. Se trata de

disponer en forma de tabla ciertas cantidades que conducen a la obtención de F.

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

en qué casos se usa?

Diseño de Experimentos al Completo Azar, el experimentador asigna las unidades

experimentales a los tratamientos al azar, con la única restricción del número de

observaciones que se tomarán en cada tratamiento. Es el más sencillo y se origina por la

asignación aleatoria de tratamientos a un conjunto de unidades experimentales.

Para aleatorizar una tabla de números aleatorios resulta conveniente para elegir las unidades

experimentales que recibirá cada tratamiento. Si cada tratamiento ha de repetirse cuatro

veces, los primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los

siguientes cuatro números aleatorios al tratamiento B, y así sucesivamente.

El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental

son totalmente homogéneas

Naturalmente, este tipo de diseño se utiliza en experimentos que no incluyen factores bloque.

El modelo matemático es de la forma: Respuesta = Constante + Efecto tratamiento + Error.

Ventajas:

a) Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan

perdido, o rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida

relativa de información debida a los datos faltantes, es de menos importancia que en cualquier

otro sistema.

b) Análisis de varianza simple con apenas algunos acrecimos en relación al decenio

completamente al azar (DCA).

c) Es flexible en lo que se refiere a cuantidad de tratamientos y de bloques;

d) Control de las diferencias de un bloque para otro.

Desventajas:
a) La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar

el error estándar por unidad experimental (error experimental) con un mayor grado de

precisión

b) Disminuye el grado de libertad del residuo o sea, menos datos para estimar los valores de

la población en estudio.

5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son

sus ventajas y desventajas?

El tipo más sencillo de un arreglo es aquel en el que los tratamientos son asignados

completamente al azar a las unidades experimentales. Más específicamente, si un

tratamiento, por ejemplo, se aplica a cuatro unidades experimentales, la aleatorización da a

cada grupo de cuatro unidades experimentales la misma probabilidad de recibir el

tratamiento.

Además las unidades deben ser procesadas en un orden al azar en todas las etapas

subsecuentes del experimento, donde este orden puede afectar a los resultados.

Ventajas:

a) Una de las ventajas del diseño en bloques aleatorizados es que se puede transformar en un

diseño unifactorial, simplemente suprimiendo el estudio por bloques y uniendo su

variabilidad a la residual.
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.

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

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.

Los factores tratamiento pueden ser cualitativos o cuantitativos.

Cualitativos

 Proveedor (diferentes proveedores de una materia prima),

 Tipo de máquina (diferentes tipos o marcas de máquinas),

 Trabajador (los trabajadores encargados de hacer una tarea)

Cuantitativos

 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).

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

R/ El diseño factorial incluye simultáneamente el efecto de dos o más variables

independientes (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.

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

puede hacerse? explique las diferentes posibilidades

Existen como mínimo tres formas de minimizar y solucionar el problema por falta de

normalidad y varianza heterogénea en los residuos.

-Utilizar métodos de análisis no paramétricos que no requieren las suposiciones de

normalidad y varianza constante.

-Hacer el análisis de mediante modelos lineales generalizados en los que se ajusta un 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 ausencia de normalidad eran la transformación de la variable respuesta o la adopción

de métodos 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 información. Estos problemas se pueden llegar a solucionar mediante

la transformación de la variable respuesta (por ejemplo, tomando logaritmos).

Sin embargo, estas transformaciones no siempre consiguen corregir la falta de normalidad,

la heterocedasticidad (varianza no constante) o la no linealidad de nuestros datos. Además,

resulta muchas veces interpretar los resultados obtenidos, si utilizamos transformaciones de

la variable. Una alternativa a la transformación de la variable dependiente/respuesta y a la

falta de normalidad es el uso de los modelos lineales generalizados (Cayuela, 2010).

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

R/ En comparar medias nos encontramos con varios procedimientos para el contraste de

medias:

1. Medias

2. Prueba T para una muestra

3. Prueba T para dos muestras independientes

4. Prueba T para dos muestras relacionadas

5. ANOVA de un factor
PRUEBA T PARA UNA MUESTRA nos permite contrastar hipótesis sobre la media

poblacional a partir de la media obtenida en la muestra. Es necesario que la población de la

que se extrae la muestra sea normal o la muestra suficientemente grande.

• En contrastar variables se pasan las variables que se desean contrastar y

• En valor de prueba se escribe el valor de la media de la población.

La significación (Sig., o p-valor) indica la probabilidad de que la muestra contrastada venga

de un población cuya media es el valor de prueba. De forma opcional (Opciones) tendremos

el intervalo de confianza para la diferencia entre la media de la muestra y el valor de prueba.

Si el cero no está en ese intervalo no podemos aceptar que la población tenga de media el

valor de prueba.

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 aleatorias extraídas de esas poblaciones.

• En Contrastar variables se pasan las variables dependientes que se deseen contrastar.

• 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 o

bien con un punto de corte si la variable es cuantitativa continua.

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 reflejaran en dos únicas variables: la VD o de

respuesta y la VI o factor con n valores uno por cada nivel.

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

Es un procedimiento descriptivo que permite obtener estadísticos descriptivos de los distintos

grupos y subgrupos definidos por una o más variables independientes. De manera opcional

(Opciones) se puede realizar un Análisis de varianza de un factor, obtener el coeficiente de

determinación o proporción de varianza explicada y contrastar la hipótesis de linealidad.

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

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 del número de medias implicadas en la comparación.

Para saber el número de medias implicadas en la comparación se ordenan las medias

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 en cualquier comparación de medias es el parámetro p de este umbral.