Experimentos en Nutrición Animal Caso2

Experimentos aplicados a la
nutrición animal
Caso 2: Múltiples razas
Técnica experimental
Ing. José Raul Pérez
Planteamiento
• Cuando queremos probar diferentes tratamientos en animales de
distintas razas, el DCA puede generar complicaciones, hasta un punto
de encontrar resultados completamente opuestos a los verdaderos.
• Cuando existe un efecto de raza el DCA puede indicar que no existen

diferencias significativa cuando en realidad si las hay.
• Esto sucede porque el efecto del tratamiento se ve confundido por el

factor raza, inflando el cuadrado medio del error y oscureciendo el
efecto real de los tratamientos (si es que existe).
Diseño de bloques completos balanceados.
Este diseño surge por la necesidad del investigador de ejercer un
control sobre una fuente de variación que pueda afectar la variable
respuesta. Para contrarrestar esa fuente de variación y disminuir el
error experimental, se crean bloques aleatorios que contengan todos
los tratamientos, estos bloques los definiremos como la agrupación de
las unidades experimentales bajo un criterio que puede ser: Raza, peso,
producción, manejo, etc.
Diseño de bloques completos balanceados.
• La asignación de los tratamientos a las unidades experimentales
dentro de cada bloque debe hacerse al azar.
• El numero de bloques y tratamientos debe ser por lo menos 9 para
generar suficientes grados de libertad del error y poder validar el
experimento, por lo tanto, se necesita como mínimo 18 animales en
el experimento.
• El objetivo principal del diseño es disminuir la varianza del error,
bloqueando el efecto de las variables perturbadores, con el fin, de
poder encontrar un efecto de los tratamientos.
Bloques
• El uso de bloques estratifica las unidades experimentales en
grupos homogéneos. Un bloqueo persigue homogeneidad
dentro de bloques y heterogeneidad entre bloques
• La variabilidad asociada a los bloques puede ser removida del
error experimental, por lo tanto, el bloqueo reduce el error
experimental permitiendo hacer comparaciones mas precisas
entre los tratamientos
• Cada tratamiento se asigna al azar a las unidades
experimentales de cada bloque
• Los diseños en bloques se clasifican por el numero de
tratamientos en cada bloque
Bloques
a) Si cada tratamiento ocurre una sola vez dentro de cada
bloque, se habla de un diseño en bloques completo
aleatorizado (DBCA
b) Si cada tratamiento es replicado mas de una vez en cada
bloque, se habla de un diseño en bloques completo
aleatorizado generalizado
c) Diseño en bloque incompleto aleatorizado, si todos los
bloques no tienen todos los tratamientos. Los bloques
tienen el mismo numero de unidades experimentales el cual
es menor que el numero de tratamientos
d) Diseño en bloques extendido, si cada bloque contiene el
mismo numero de unidades experimentales el cual es
mayor que el numero de tratamientos, pero no un múltiplo
del numero de tratamientos
Modelo estadístico lineal
• La suma de cuadrados vienen de:
• Despejando:
• Elevando al cuadrado ambos miembros:
• Y sumando sobre los subíndices de tratamientos y bloques tenemos:
• Dado que los siguientes dobles productos, son iguales a cero:
• Por lo tanto:
El cuadrado del ANAVA
Fuente de Variación gl Sumas de Cuadrados Cuadrados Medios F
Trat t -1 SCTrat SCTrat / t – 1 A/B
(A)
Bloques b-1 SCBloq SCBloq / b - 1
Error (t-1)(b-1) SCError SCError / (t-1)(b-1)
(B)
Total tb - 1
Supuestos del modelo ANAVA
• Para que el ANAVA en un DBCA sea valido deben cumplirse
los mismos supuestos mencionados para el DCA:
normalidad, independencia y varianza constante.
Adicionalmente, debe cumplirse el supuesto de aditividad
bloque – tratamiento mencionado en laminas anteriores, lo
cual es equivalente a decir, que los efectos bloque-
tratamiento no interactúan, son aditivos o independientes y
en consecuencia, el modelo lineal es valido
• Las pruebas analíticas de Bartlet, Harley y Levene
mencionadas en el DCA, no son aplicables en el DBCA por
que no se disponen de estimaciones independientes de las
varianzas de los tratamientos. Una prueba analítica
desarrollada específicamente para el DBCA es la prueba de
Han
Supuesto de aditividad
• Un supuesto fundamental para la validez del DBCA es la no interacción
entre bloques y tratamientos, esto es equivalente a decir que los efectos
de bloque y tratamientos son aditivos o son independientes
• Si no se cumple el supuesto de aditividad se puede llegar a conclusiones
erróneas sobre los tratamientos
• De manera sencilla, se dice que hay interacción entre bloques y
tratamientos, cuando las diferencias entre las medias de tratamiento
cambian al pasar de un bloque a otro. Por el contrario, si las diferencias
entre las medias de tratamientos se mantienen constantes en todos los
bloques, no hay interacción bloque - tratamientos
Prueba de aditividad de Tukey
La prueba se basa en dividir la SCError del DBCA en dos componentes: la suma de

cuadrado de no aditividad con un grado de libertad, denotada por SC(NA), y la
suma de cuadrado restante SC(RES). Luego, estas son comparadas mediante la
prueba F
Hipótesis
• H 0 : Efectos de bloque y tratamiento son aditivos (no interacción)
• H1 : Efectos de bloque y tratamiento no son aditivos (interacción)
Procedimiento de prueba
Se ajustan los datos al modelo del DBCA
Se obtienen los residuales del modelo ( yij  yˆ ij )
2
Se obtienen los valores q ij  ˆ
y ij
Se ajustan los datos al modelo del DBCA usando como

variable respuesta los qij
Se calculan los residuos de este modelo (qij  qˆ ij )
2
Determinar SC ( NA)  P, siendo: P   ( yij  yˆ ij )(qij  qˆij )
Q
y Q   (qij  qˆij ) 2
Procedimiento de prueba
• La SC(NA) forma parte de la SC Error, así se tiene la

siguiente tabla
Fuente de Grados de SC CM F
variación libertad (gl)
No aditividad 1 SC(NA) A = SC(NA)/1 A/B
Restante gl Error – 1 SC(RES) = SCError B = SC(RES)/gl Error - 1
– SC(NA)
Error gl Error
• El cociente F permitirá determinar la significación de

SC(NA)
Efectividad del bloqueo
• Se evalúa a través de la eficiencia relativa (ER)

• La medida de la eficiencia relativa se expresa como:
b(t  1) CMB
• ER  k  (1  k ) H siendo K 
bt  1
y H 
CME
• Las siguientes relaciones se cumplen para ER y H
ER  1 si H 1
ER  1 si H 1
ER  1 si H 1
• Entonces H resulta una verificación rápida de la
efectividad del uso de bloques informando sobre
una eficiencia menor igual o mayor
Efectividad del bloqueo
• Si H  1 , el uso de bloque fue efectivo en cuanto a reducir el error

experimental. Con un DBCA se requieren menos replicas que con un
DCA
• Algunos autores recomiendan considerar un DBCA mejor que un DCA
cundo ER = 125%
No se cumple el supuesto de aditividad
• Remover la no aditividad usando una transformación.

• Utilizar varias observaciones por bloque y
tratamiento (diseño en bloques generalizado). En este
caso el modelo es el siguiente:
yijk     j   i  ( ) ij   ijk
• Se definen las siguientes hipótesis nulas
H 0 : 1   2  ...   t  0
H 0 : 1   2  ...   b  0
H 0 : ( )11  ( )12  ...  ( ) bt  0
Ejemplo
En un experimento en nutrición animal, se busca conocer el efecto
de 5 tipos de Modificadores en el crecimiento de novillos de engorde,
como se contaba con diferentes razas, el experimento se evaluó
bajo un DBCA.
Tratamientos
Razas
A B C D
1 89 88 97 94
2 84 77 92 79
3 81 87 87 85
4 87 92 89 84
5 79 81 80 88
Uso del SAS

Experimentos en Nutrición Animal Caso2

Cargado por

Copyright:

Formatos disponibles

Experimentos en Nutrición Animal Caso2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Experimentos en Nutrición Animal Caso2

Cargado por

Copyright:

Formatos disponibles

Experimentos aplicados a la

• Cuando existe un efecto de raza el DCA puede indicar que no existen

• Esto sucede porque el efecto del tratamiento se ve confundido por el

• Elevando al cuadrado ambos miembros:

• Y sumando sobre los subíndices de tratamientos y bloques tenemos:

• Dado que los siguientes dobles productos, son iguales a cero:

Fuente de Variación gl Sumas de Cuadrados Cuadrados Medios F

Trat t -1 SCTrat SCTrat / t – 1 A/B

Bloques b-1 SCBloq SCBloq / b - 1

Error (t-1)(b-1) SCError SCError / (t-1)(b-1)

La prueba se basa en dividir la SCError del DBCA en dos componentes: la suma de

Se ajustan los datos al modelo del DBCA usando como

• La SC(NA) forma parte de la SC Error, así se tiene la

• El cociente F permitirá determinar la significación de

• Se evalúa a través de la eficiencia relativa (ER)

• Si H  1 , el uso de bloque fue efectivo en cuanto a reducir el error

• Remover la no aditividad usando una transformación.

También podría gustarte