DISEÑOS-EXPERIMENT..

DISEÑOS EXPERIMENTALES EN LAS CIENCIAS AGRÍCOLAS EXPERIMENTOS FACTORIALES
PRINCIPIOS FUNDAMENTALES
CONCEPTOS IMPORTANTES…1
}  Experimentos factoriales se refiere al arreglo
de los tratamientos, no es un diseño.
}  Los arreglos factoriales pueden ser usados en
DCA, BCA, Parcelas Divididas
}  Los tratamientos están formados por
combinaciones de dos o más factores, los
cuales tienen dos o más niveles.
CONCEPTOS IMPORTANTES…2
}  Las combinaciones ocurren de tal forma que cada
nivel de cada factor ocurre con cada nivel del otro
factor
}  Interacción: Cuando dos factores no son
independientes. Los cambios de un factor son
condicionados por el nivel de otro factor.
}  Cuando las interacciones son muy grandes, es
mas importante conocer el efecto de las
interacciones que el efecto principal
VENTAJAS
}  Establecer experimentos en los cuales se necesita
explorar varios factores y definir cuales son o no
son importantes
}  Determinar la magnitud de las interacciones
}  El efecto principal (efecto primario de interés para
el investigador) se estima con la misma precisión
como si se hubiera investigado un solo factor
DESVENTAJAS
}  A medida que aumenta el número de factores, se
incrementa el tamaño del experimento
}  Se incrementa el costo del ensayo
}  La uniformidad del material experimental es más
complicada
}  Factoriales muy grandes pueden ser difíciles de
interpretar, especialmente si hay interacciones a
todos los niveles
FUENTE GL SC CM VALOR F Pr > F_ DOSIS 2 1922.000000 961.000000 59.24 <.0001 VARIEDAD 2 1022.000000 511.000000 31.50 <.0001 DOSIS*VARIEDAD
4 890.666667 222.666667 13.73 <.0001 Least Squares Means (Comparación de medias ajustadas) % CONTROL Standard LSMEAN DOSIS VARIEDAD LSMEAN Error Pr > |t| Number__ 0.2 A 66.0000000 2.3253833 <.0001 1 0.2 B 73.3333333 2.3253833 <.0001 2 0.2 C 98.3333333 2.3253833 <.0001 3 0.25 A 88.6666667 2.3253833 <.0001 4 0.25 B 95.3333333 2.3253833 <.0001 5 0.25 C 99.6666667 2.3253833 <.0001 6 0.3 A 99.0000000 2.3253833 <.0001 7 0.3 B 98.0000000 2.3253833 <.0001 8 0.3 C 99.6666667 2.3253833 <.0001 9_____ ANALISIS DE DATOS MEDIDOS VARIAS
VECES A TRAVES DEL TIEMPO
MEDIDAS REPETIDAS EN TIEMPO
¿QUÉ SON MEDIDAS REPETIDAS?
} Cuando una variable de reacción (efecto
provocado por TRT) se mide en varios
momentos durante un ensayo y su
efecto es acumulativo
} Hay dos factores de variación que se
deben analizar : TRT y Tiempo
} Modelo Lineal:
*
Yij= Trt + (Tiempoij) + Trt Tiempo + Eij + µ
EJEMPLOS
•  Variables de reacción que se miden en
varios momentos :
Ø Reproducción de una población insectil
Ø Mortalidad de una plaga
Ø Porcentaje de daño
Ø Porcentaje de control
Ø Degradación de ingrediente activo
Ø Conteos microbiológicos
Ø Calidad de un alimento
¿POR QUÉ NO ANALIZAR CADA FECHA
APARTE?
•  Porque generalmente nos interesa el efecto
acumulativo de los TRT
•  Haciendo varios análisis aumentaría el
número de pruebas F
•  Cada prueba F adicional aumenta el riesgo de
cometer error de Tipo I (concluir que existen
diferencias Significativas entre TRT cuando,
en realidad, los TRT son iguales)
¿POR QUÉ NO ANALIZAR MEDIAS
PROMEDIADAS A TRAVES DEL TIEMPO?
•  El interés es el patrón de los TRT a través del
tiempo
•  Pueden haber efectos escondidos al analizar
solamente las medias
*
•  Hay que analizar la interacción Trt Tiempo,si
esta interacción es significativa (P < 0.05), es
mejor analizar cada fecha aparte
•  Una interacción puede esconder diferencias
verdaderas entre TRT
FUENTE GL SC CM VALOR F Pr > F__ BLOQUE 2 464.333333 232.166667 8.93 0.0092 TRT 1 288.000000 288.000000 11.08 0.0104 BLOQUE*TRT 2 60.333333 30.166667 1.16 0.3610 TIEMPO 2 1776.333333 888.166667 34.16 0.0001 TRT*TIEMPO 2 283.000000 141.500000 5.44 0.0322_ Duncan's MulEple Range Test for LARVAS Means with the same leLer are not significantly different. Duncan Grouping Mean N TRT a 27.333 9 X b 9.333 9 Y Duncan Grouping Mean N TIEMPO a 36.667 6 1 b 20.500 6 2 c 12.833 6 3 Duncan's MulSple Range Test for LARVAS TIEMPO=1 Duncan Grouping Mean N
TRT a
38.000 3
X a
35.333 3
Y TIEMPO=2 Duncan Grouping Mean N
a
25.667 3
a
15.333 3
TRT Y X TIEMPO=3 Duncan Grouping Mean N
a
21.000 3
b
4.667 3
TRT Y X DISEÑO COMPLETAMENTE AL AZAR DCA INTRODUCCION •  La asignación de los TRT a las UE es completamente al azar, no existe ninguna restricción en la aleatorización •  DCA es el mejor diseño cuando las UE son homogéneas (Se usa comúnmente en ensayos de laboratorio o cuando se pueden establecer un mayor numero de repeEciones) VENTAJAS DEL DCA •  Flexible en cuanto al número de TRT •  El número de repeEciones de cada TRT puede ser diferente •  Fácil análisis estadísEco, especialmente si el número de REP de cada TRT es igual •  Es el diseño con el que se obEene mayor número de GL para el error. La precisión de un EXPT aumenta con el número de GL para el error DESVENTAJA DEL DCA •  En si no Eene ninguna desventaja •  Cuando la variación entre Unidades Experimentales es grande se debe escoger otro diseño porque el Error Experimental resulta muy inflado BLOQUES COMPLETOS AL AZAR BCA INTRODUCCION •  Bloque es un grupo de unidades homogéneas usadas para corregir fuentes de variación debido a gradientes (suelo, ferSlidad, pendiente, Sempos, personas, comunidades, ambientes, etc.) •  Los bloques forman una UE más homogénea para comparar el efecto de los TRT •  En BCA cada bloque conSene todos los TRT’S •  Bloques Incompletos al Azar(BIA). Los bloques no conSenen todos los tratamientos del experimento VENTAJAS BCA •  El bloqueo aumenta la precisión removiendo una fuente de variación del Error EXPTL •  Se puede usar cualquier canSdad de bloques y TRT’s y el análisis es mucho más fácil cuando cada TRT se repita el mismo número de veces en cada bloque •  El análisis estadísSco es relaSvamente simple DESVENTAJAS BCA •  Datos perdidos causan dificultades en el análisis •  Asignación errónea de TRT’s a las UE puede causar problemas en el análisis •  Diicil el manejo cuando el número de TRT’s es elevado •  Si las UE son homogéneas DCA es mas eficiente EFICIENCIA DE BLOQUES EN EXPERIMENTACION • Si P > .05 o (P > .10) no es significaSvo : NO SE JUSTIFICÓ EL USO DEL BLOQUEO • Si P < .05 o (P < .10) si es significaSvo: EL USO DE BLOQUES SE JUSTIFICÓ DISEÑO DE PARCELAS DIVIDIDAS PRINCIPIOS Y FUNDAMENTOS INTRODUCCION •  Parcelas divididas son experimentos mulSfactoriales en los cuáles la naturaleza de las unidades experimentales hacen diicil manejar de la misma manera todas las combinaciones posibles de los factores involucrados •  El InvesSgador desea aumentar precisión en la esSmación de algunos efectos, y sacrificar precisión en la esSmación de otros CONCEPTOS BASICOS…1 •  Dos tamaños de unidades experimentales (Parcela y sub-­‐parcela). En algunos casos hay sub-­‐sub-­‐parcelas. •  Dos factores de interés A y B •  Las parcelas principales están divididas en unidades mas pequeñas; sub-­‐parcelas, a las cuales diferentes niveles del factor B son aplicadas •  Los tratamientos aplicados a las sub-­‐parcelas consStuyen un arreglo factorial de los tratamientos CONCEPTOS BASICOS…2 •  Se asignan aleatoriamente los tratamientos del factor (A) a las parcelas principales arregladas en un DCA, BCA •  Los tratamientos del segundo factor (B) se asignan aleatoriamente a las sub-­‐parcelas dentro de las parcelas principales CONCEPTOS BASICOS…3 •  Se sacrifica precisión al esSmar los efectos promedios del factor (A) o parcelas principales •  Mejor precisión para comparar el efecto del factor (B) o sub-­‐parcelas •  El error para la Parcela Principal es mayor que el de la Sub-­‐parcela. Esto indica una menor oportunidad de encontrar diferencias entre los niveles del factor asignados a las Parcelas Principales VENTAJAS •  Permiten el uso eficiente de algunos TRT que requieren Unidades Experimentales de mayor tamaño •  Proveen mayor precisión en la esSmación del efecto de algunos factores DESVENTAJAS •  Tamaño del ensayo •  Uniformidad experimental •  Interpretación de las interacciones MODELO LINEAL Error a
Error b Yijk = µ + τi+ βj + (τβ)ij + λk + (τλ)ik + (βλ)jk + (τβλ)ijk Parcela Principal Sub-­‐parcela TEMAS VARIOS DE INTERES EN EXPERIMENTACIÓN AGRICOLA • 
• 
• 
• 
InvesSgación aplicada a nivel de finca Parcelas DemostraSvas El productor-­‐invesSgador Programas de análisis estadísSco –  SAS® –  Jump –  Minitab –  Infostat –  SPSS