Bioestadística y Diseño Experimental
Tarea 3 Identificación del Diseño Experimental
Universidad Nacional Abierta y a Distancia UNAD
2021
DESARROLLO DEL CUESTIONARIO
1. ¿En qué consiste el diseño experimental?
El diseño experimental es el proceso para planear experimentos, así como la definición
del análisis estadístico para evaluar los resultados, con el objetivo de tener conclusiones
validas y objetivas. El procedimiento incluye la definición de factores a modificar, la
manera de su aplicación y el numero de pruebas a realizar.
de tal forma que se recaben datos adecuados. La importancia de este es que da
validez a la investigación, y permite controlar el error aleatorio, es decir la variación
no considerada de los objetos de estudio, además de que facilita el análisis de datos.
(Carreño González. 2014)
2. Defina factor y tratamiento. Cite un ejemplo que incluya las dos definiciones.
3. ¿Qué son unidades experimentales y unidad de observación? Cite un
ejemplo que incluya las dos definiciones.
4. ¿Qué es un diseño completamente al azar? ¿En qué casos se usa?
Diseño de Experimentos al completo Azar., el experimentador asigna las unidades
experimentales a los tratamientos al azar, con la restricción del numero de observaciones
que se tomarán en cada tratamiento. Se origina por la asignación aleatoria de
tratamientos a un conjunto de unidades experimentales.
Este diseño se utiliza en temas como:
Método de preparación de siembra aplicado al agua de regadío, Manejo de cultivo versus
el uso de los herbicidas para el control de malezas. También es útil en experimento con
animales cuando existe cierta uniformidad bien sea genética, por peso, edad, entre otras.
(UAAAAN,2018).
5. Explique en qué situaciones se aplica un diseño en bloques al azar. Cite un
ejemplo aplicado a la biotecnología agroambiental.
Es un diseño que se utiliza en los experimentos agrónomos, es una solución para la
mayoría de los casos en que las unidades experimentales son heterogéneas.
Es posible hacer pequeños agrupamientos (bloques) con parcelas aproximadamente
semejantes.
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 (Almeida Braga, Jessica. 2017)
Se aplica cuando el efecto de un tratamiento a comparar depende de otros factores que
pueden influir en el resultado del experimento y que deben tomarse en cuenta para anular
su posible efecto y evitar sesgo al comparar los factores de interés para evitar este sesgo
se deben incluir los factores adicionales en la experimentación y probarlos con cada uno
de los factores de interés de manera tal que qué puedan presentarse todas las
combinaciones posibles entre ambos para obtener resultados en la comparación que sean
válidos. Esta forma de nulificar su efecto se llama bloqueo. (Alberto Carranza
Garcia,2011, diseño de bloques completos al azar).
6. ¿En qué situaciones se aplica un diseño factorial?
El diseño factorial incluye el efecto de dos o mas variables independientes en una misma
ecuación estructural. Permite analizar al mismo tiempo los efectos de varios factores,
también permite investigar la influencia que pueden tener las observaciones e
interacciones entre dos o mas variables. Este tipo de diseño son adecuados cuando el
investigador presupone o predice una relación entre dos o más variables.
7. ¿En qué situación se utilizaría un diseño experimental con parcelas
subdivididas? Describa tres ventajas de este tipo de diseño.
Se utiliza en ensayos donde se usa maquinaria agrícola o riego, ensayos de cultivares por
ejemplo de maíz, se aconseja usar algún tipo de diseño de parcela o bloque subdividido.
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 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 normalidades el uso de
los modelos lineales generalizados (Cyuela,2010).
9. ¿Cuáles son las pruebas de medias más empleadas?
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 una 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 reflejarán 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.
