Análisis comparativo del rendimiento de la quinua en países andinos usando técnicas estadísticas clásicas y bayesianas con datos de FAOSTAT
DOI:
https://doi.org/10.55204/trc.v5i1.e509Palabras clave:
Quinua, rendimiento agrícola, FAOSTAT, análisis bayesiano, probabilidades, ANOVAResumen
Este estudio realiza un análisis comparativo del rendimiento de la quinua en países andinos, específicamente Perú, Ecuador y Bolivia, utilizando datos oficiales de FAOSTAT (FAOSTAT, 2025). Se aplicaron técnicas estadísticas clásicas, como ANOVA, y modelos bayesianos para evaluar las diferencias en la productividad agrícola. Los resultados muestran que Perú tiene el mayor rendimiento promedio, con aproximadamente 878.93 kg/ha en el análisis frecuentista, y una estimación bayesiana de 874.9 kg/ha; seguido por Ecuador, con valores de alrededor de 597 kg/ha, y Bolivia, con menores rendimientos. Las diferencias entre países fueron estadísticamente significativas (Valor p=4.23e-10 < 0.05), confirmando que el país influye de manera significativa en el rendimiento de la quinua. La estimación bayesiana también incluyó intervalos de credibilidad que no cruzan cero, reforzando la significancia de estos efectos y mostrando que Perú tiene un efecto positivo en el rendimiento. La integración de estos enfoques probabilísticos proporciona una visión más completa y confiable para la gestión agrícola regional.
Descargas
Referencias
Agresti, A. (2018). An introduction to categorical data analysis. Wiley.
Attridge, D. (2012). Bayesian modeling in crop science: Applications to yield and performance analysis. Plant Methods, 8, 2.
Box, G. E. P., Hunter, W. G., & Hunter, J. S. (2005). Statistics for experimenters: Design, innovation, and discovery. Wiley-Interscience.
Cabezas-Heredia, E., Molina-Granja, F., Montenegro-Bosquez, G., Salazar, M., Santillán-Lima, J., Ramirez, S., & Cachay-Boza, O. (2023). Assessment of technological stress levels in university staff: case study. EAI Endorsed Transactions on Pervasive Health and Technology, 9(1).
Carlin, B. P., & Louis, T. A. (2009). Bayesian methods for data analysis. CRC Press.
Cavanaugh, J., & Neath, R. (2019). The visual method for data analysis. Sage Publications.
Fávero, L. P. L., et al. (2009). Análise de dados: Modelos de regressão, análise multivariada e séries temporais. Elsevier.
Food and Agriculture Organization of the United Nations. (2025). FAOSTAT database. https://www.fao.org/faostat/
Gelfand, A. E., & Ghosh, S. K. (1998). Model choice: A minimum posterior predictive loss approach. Journal of the Royal Statistical Society: Series B, 60(3), 507-519.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). Chapman and Hall/CRC.
Gelman, A., et al. (2014). Bayesian data analysis (3rd ed.). Chapman and Hall/CRC.
Hogg, R. V., McKean, J., & Craig, A. T. (2013). Introduction to mathematical statistics. Pearson.
Kruschke, J. K. (2015). Doing Bayesian data analysis. Academic Press.
Lukacs, P. M., & Malley, J. D. (2014). Statistical methods for the assessment of agricultural productivity and crop performance. Journal of Agricultural Science, 152(2), 231-248.
McCullagh, P., & Nelder, J. A. (1989). Generalized linear models. CRC Press.
McDonald, J. H. (2014). Handbook of biological statistics. Sparrow Press.
McHugh, M. L. (2011). Multiple comparison procedures. Biochemia Medica, 21(1), 203-207.
McNeil, D. (2014). Practical Bayesian modeling: An introduction. CRC Press.
Mengersen, K., et al. (2016). Bayesian modeling in ecological statistics. Springer.
Montgomery, D. C. (2017). Design and analysis of experiments. Wiley.
Pannell, D. J. (2018). Bayesian methods for modelling uncertainty in environmental and agricultural decision making. Environmental and Ecological Statistics, 25(2), 271-289.
Richardson, S., & Green, P. J. (1997). On Bayesian analysis of mixtures of discrete distributions. Journal of the Royal Statistical Society: Series B, 59(2), 257-276.
Ruiz, M., et al. (2020). Data analysis of crop yields using advanced statistical methods: Case studies in South America. Agricultural Systems, 182, 102843.
Santillán-Lima, J., Molina, F., Rocha, C., Vásconez-Barrera, F., Guerrero, K., & LlangaVargas, A. (2017). Las Redes Sociales como Herramienta Académica en las Universidades del Centro del País. Revista investigar, 5ta Edición, ESPOCH.
Santillán Lima, J. C., Llanga Vargas, A., Mayorga, W., & Valdiviezo, S. (2016). Evaluación del requerimiento tecnológico para servicios educativos, propuesta de infraestructura de red inalámbrica del Campus La Dolorosa de la Universidad Nacional de Chimborazo. II Congreso Internacional Educación Contemporanea, Calidad Educativa y Buen Vivir. In II Congreso Internacional Educación Contemporanea, Calidad Educativa y Buen Vivir.
Santillán-Lima, J., Molina-Granja, F., Santillán-Lima, P., Caichug-Rivera, D., Lozada-Yánez, R., & Luna-Encalada, W. (2023). Statistical determination of COVID-19 mortality in age groups in the Ecuadorian Highlands. EAI Endorsed Transactions on Pervasive Health and Technology, 9. https://doi.org/10.4108/eetpht.9.4133
Steel, R. G., & Torrie, J. (1980). Principles and procedures of statistics: A biometrical approach. McGraw-Hill.
Wasserman, L. (2004). All of statistics: A concise course in statistical inference. Springer.
Wilkerson, M. J. (2018). Bayesian methods for crop yield models. Journal of Agricultural, Biological, and Environmental Statistics, 23(4), 523-543.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Nancy Elizabeth Chariguamán Maurisaca
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
