Facultad de Ingenieria y Ciencias Ambientales

Permanent URI for this collectionhttps://hdl.handle.net/20.500.14646/345

Browse

Now showing 1 - 4 of 4

Caracterización fenológica y rendimiento de la papa (Solanum spp.) en el altiplano peruano
(Universidad Nacional Intercultural de la Amazonía, 2018-06) Reátegui Del Águila, Keneth; Aguirre Baique, Nazario; Reátegui Del Águila, Keneth
La “Evaluación de 239 clones de papa (Solanum Spp.) del Banco de Germoplasma de la Universidad Nacional Técnica del Altiplano”, se llevó a cabo en los campos experimentales de la Ciudad Universitaria de la UNTA, ubicada a una altura de 3,825 m.s.n.m. El material experimental estuvo constituido por 329 clones de papa del Banco de Germoplasma de la UNTA, de donde 174 pertenecen a S. andigenum Juz et Buk; 11 a S. curtilobum Juz et Buk; 27 a S. juzepozukii Buk y 27 a S. stenotomun Juz et Buk. Las evaluaciones se desarrollaron y se utilizaron las planillas de registro, que fueron elaboradas por el Centro Internacional de la Papa y adecuadas para el presente trabajo, las mismas que se adjuntan en el apéndice. La distribución experimental se hizo en “parcelas de prueba” de 8 m² para cada clon, cuyo distanciamiento entre cada surco fue de 1m. y entre cada planta, 0.35 m. Los objetivos que se propusieron en este trabajo de investigación fueron los siguientes: 1. Evaluación morfológica, fenológica y comportamiento de los clones de estudio. 2.Evaluación del rendimiento. En base a los resultados obtenidos se concluyó que: 1. Existe variabilidad intenclonal dentro de las especies, que se acentúa en S. andígenum Just et Buk. 2. En cuanto al comportamiento Fenológico de los clones dentro de las diferentes especies, se mostró un rango ajustado a variación que no excede 6 de un promedio de 20 días en las diferentes etapas del periodo vegetativo. 3. El periodo vegetativo mostrado por los clones de las especies evaluadas tuvieron un rango de: - S. andigenum Juz et Buk de 165 a 190 días, - S. curtilobum Juz et Buk de 166 a 176 días, - S. juzepezukii Buk de 162 a 187 días, - S. stenotomum Just et Buk de 168 a 108 días. 4) Dentro del rango de 20,001.2 a 29,158.2 Kg / Ha. de rendimiento en tubérculos, los clones que ocuparon lugares privilegiados fueron los del CPUP - 096 y 097 con 29,158.2 y 28,987.4 Kg. / Ha. respectivamente en S. andigenum, el CPUP – 104 y 115 con 22,788 y 21,217.5 Kg. / Ha. respectivamente en S. juzepozukii finalmente los clones CPUP – 060 y 222 con 19,852.0 y 18,386.7 Kg. /Ha. respectivamente en S. stenotomum. 5) La mayoría de los clones de las especies en estudio, fueron atacados en mayor o menor grado por plagas y enfermedades. 6) En la evaluación frente a granizada, las especies que mostraron ser menos afectadas son: S. curtilobum con. 33% y S. juzepezukii con 30% de clones no perjudicados; mientras que los más afectados fueron S. stenotomum y S. andigenum con 17% y 7% respectivamente de clones no contaminados.
Competitividad en Proyectos agrarios de la Amazonia Peruana
(Universidad Nacional Intercultural de la Amazonía, 2018-01) Reátegui Del Águila, Keneth; Palomino Cadenas, Edwin Julio; Aguirre Baique, Nazario; Muñoz Berrocal, Milthon Honorio; Reátegui Del Águila, Keneth
El objetivo general del estudio es identificar y medir factores que influyen en la competitividad de proyectos agrarios de investigación, servicios de extensión y de servicios de extensión con enfoque de género para dar sustento científico a la toma de decisiones estratégicas de técnicas y políticas agrarias en el ámbito amazónico. Los datos empleados provienen de un total de 66 proyectos (19 proyectos de investigación, 21 proyectos de servicios de extensión y 26 proyectos de servicios de extensión con enfoque de género) ejecutados por el Proyecto INCAGRO en las regiones de Amazonas, San Martín, Loreto y Ucayali. El presente estudio confirma la hipótesis de que existen métodos estadísticos que ayudan a cuantificar y/o cualificar, indicadores de variables independientes de proyectos de investigación, servicios de extensión y servicios de extensión con enfoque de género. La regresión múltiple es el método mas adecuado para medir la relación entre la competitividad y las variables regresivas o independientes que no estén correlacionadas, es decir que cada una de estas contribuyan sin interacción y de manera aditiva con las otras a la explicación de comportamiento de la competitividad o variable respuesta o variable dependiente. Para los proyectos de Investigación de las 22 variables iniciales y luego de la redefinición de algunas variables, se obtuvieron 16 variables con las cuales se procedió a realizar el análisis factorial. Con las 16 variables redefinidas se procedió a realizar la extracción de cuatro factores y las variables que las conforman: (a) CONOCIMIENTO – FACILIDADES que agrupa a la calificación de los profesionales X7 (Doctorado), X8 (Maestría), X9 (Titulo profesional); X12X13X14X15 que agrupa el equipamiento como el promedio de las variables X12 (Relaciones con el sistema científico y tecnológico), X13 (Campos Experimentales), X14 (Laboratorios) y X15 (Equipos); X16 (Movilidad), X17 (Otros ambientes); X2021 que agrupa la coherencia como el promedio de las variables 20 (coherencia con el marco lógico) y X21 (coherencia con el plan experimental); (b) FONDOS que agrupa las variables referidas a los aspectos financieros X6 (Impacto económico), X18 Fondos económicos, X19 (No- Monetarios), X22 (ITF PAO); (c) PLANES que agrupa en la variable X123 (planes) que agrupa X1 (Plan Nacional), X2 (Plan Regional), X3 (Plan Local); X5 (impacto social), X10 (bachillerato); y (d) IMPACTO que agrupa las variables X4 (que integra al impacto medioambiental) y el X11 (personal técnico). La variable mejor explicada por el modelo factorial es la variable X12131415 (facilidades), cuya comunalidad indica que el 90.5% de su variabilidad es explicada por el modelo hallado, mientras que la variable menos explicada por el modelo es la X4 (Impacto al Medio Ambiente), el valor de su comunalidad indica que sólo el 60.5% de su variabilidad es explicada por el factorial encontrado. Del análisis de regresión lineal múltiple empleado se concluye que la variabilidad de las competitividades de los proyectos de investigación son explicadas en aproximadamente un 89% por los puntajes factoriales; existe una regresión altamente significativa entre la competitividad y al menos uno de los puntajes factoriales, es decir la competitividad depende de manera lineal y altamente significativa de al menos uno de los puntajes factoriales. Existe una regresión altamente significativa entre la competitividad de 89% y el modelo de regresión estimado que es: Y = 3.421 + 0.391F1 +0.197F2 + 0.193F3 -0.051F4. Esto significa que por cada punto adicional en el puntaje del Factor F1 CONOCIMIENTO- FACILIDADES, se estima que la competitividad aumentará en promedio en 0.391, manteniéndose constante, los puntajes de los otros factores; por cada punto adicional en el puntaje del Factor F2 FONDOS, se estima que la competitividad aumentará en promedio en 0.197, manteniéndose constante, los 6 puntajes de los otros factores; por cada punto adicional en el puntaje del Factor F3 PLANES, se estima que la competitividad aumentará en promedio en 0.193, manteniéndose constante, los puntajes de los otros factores, y que por cada punto adicional en el puntaje del Factor F4 Ambiente, se estima que la competitividad disminuirá en promedio en 0.051, manteniéndose constante, los puntajes de los otros factores. Los resultados obtenidos mediante el coeficiente de correlación no paramétrico de Spearman indican la competitividad de los proyectos de investigación indican el grado de asociación entre la competitividad y las variables X1 (Plan nacional), X2 (Plan regional), X3 (Plan local), X5 (Impacto social), X7 (Grado doctorado), X8 (Grado maestría), X9 (Título profesional), X10 (Bachillerato), X11 (Técnicos de campo), X12 (conocimientos científicos), X13 (Campos experimentales), X14 (Laboratorios), X15 (Equipos), X16 (Movilidad), X19 (Facilidades no monetarias), X20 (Coherencia con marco lógico) y X21 (Coherencia con plan experimental), obviando las interacciones o correlaciones de estas variables con cualquier otra. También se ha encontrado que las variables X4 (Impacto al medio ambiente), X6 (Impacto económico), X17 (Otras facilidades para investigación), X18 (Fondos económicos), X22 (ITF P AO) no están correlacionadas significativamente con la competitividad, obviando a otras variables. En general se concluye que para mejorar la competitividad de los proyectos de Investigación es imprescindible contar con personal calificado, es decir con doctorado, maestría, título profesional, así como también con buenos campos experimentales, disponibilidad de laboratorios, equipos de laboratorio, campo e informática y acceso al sistema científico y tecnológico nacional e internacional Para los proyectos de servicios de extensión de las 11 variables inicialmente consideradas, cuatro fueron excluidos por ser obtenidas como relaciones u otras operaciones entre otras variables incluidas. Las siete variables que quedaron han sido agrupadas en tres factores independientes de modo que la variabilidad de la competitividad es explicada en un 83.5% por los siguientes factores: (a) APORTES que agrupa a X1 (meses de duración del proyecto), X2 (aportes de INCAGRO) y X3 (alianza stratégica) constituyen en efecto un conjunto de variables que pueden incidir significativamente sobre la competitividad; (b) TÉCNICO que agrupa X10 (impacto social) y X11 (equipos técnicos comprometidos) es también un posible factor que incide sobre la competitividad; y (c) IMPACTO que integra X4 (retorno económico) y X9 (impacto ambiental) también puede constituirse en un factor que influya significativamente sobre la competitividad. El modelo de regresión estimado es: Y = 3.429 + 0.031F1 +0.317F2 + 0.107F3 , esto significa que: Por cada punto adicional en el puntaje del Factor F1 APORTES, se estima que la competitividad aumentará en promedio en 0.031, manteniéndose constante, los puntajes de los otros factores; por cada punto adicional en el puntaje del Factor F2 TÉCNICO, se estima que la competitividad aumentará en promedio en 0.317, manteniéndose constante, los puntajes de los otros factores; por cada punto adicional en el puntaje del Factor F3 IMPACTO, se estima que la competitividad aumentará en promedio en 0.107, manteniéndose constante, los puntajes de los otros factores. Los resultados obtenidos mediante el coeficiente de correlación no paramétrico de Spearman indican la competitividad de los proyectos de extensión está significativamente correlacionada de manera directa con las variables Impacto Ambiental (X9), Impacto Social (X10) y Equipos Técnicos (X11), es decir, la mejora de los valores de una de estas variables, obviando la presencia de las otras variables permitiría una mejora en el nivel de la competitividad. Los resultados también muestran que la competitividad tiene un grado de asociación débil con las variables X2 (Aporte INCAGRO), X3 (Aporte alianza estratégica), X4 (Retorno económico), X7 (Eficacia), X1 (Meses), X5 (Beneficio costo INCAGRO), X6 (Beneficio costo alianza estratégica) y X8 (Eficiencia). 7 Para los proyectos de servicios de extensión con enfoque de género de las nueve variables iniciales, cuatro fueron excluidos del análisis factorial por ser obtenidas como relaciones u otras operaciones entre otras variables. Las cuatro variables que quedaron X4 (Porcentaje laboral mano de obra contratada), X5 (Retorno Económico Laboral Esposo), X6 (Retorno Económico Laboral Esposa), X7 (Retorno Económico Laboral Mano de Obra Calificada), X9 (Número Socios) han sido agrupadas, mediante el análisis factorial, en dos factores independientes de modo que la variabilidad de la ompetitividad es explicada en un 82.9% por los siguientes factores: (a) GÉNERO: X5 (retorno laboral del esposo) y X6 (retorno laboral del esposa); y (b) LABORAL: X7 (retorno económico laboral mano de obra calificada) y X9 (número de socios). La variable mejor explicada por el modelo factorial es la variable retorno económico laboral de la esposa (X5), cuya comunalidad indica que el 90.8% de su variabilidad es explicada por el modelo hallado, mientras que la variable menos explicada por el modelo es la mano de obra calificada (X7), el valor de su comunalidad indica que el 74.8% de su variabilidad es explicada por el factorial encontrado. Del análisis de regresión lineal múltiple empleado se concluye que la variabilidad de las competitividades de los proyectos de extensión agraria con enfoque de género son explicadas en más del 26% por los puntajes factoriales; asimismo existe una regresión significativa entre la competitividad y al menos uno de los puntajes factoriales, es decir la competitividad depende de manera lineal y significativa de al menos uno de los puntajes factoriales. El modelo de regresión estimado es: Y = 3.304 + 0.220F1 - 0.0317F2, esto significa que: Por cada punto adicional en el puntaje del Factor GÉNERO, se estima que la competitividad aumentará en promedio en 0.220, manteniéndose constante, el puntaje del factor Laboral; mientras que por cada punto adicional en el puntaje del Factor LABORAL, se estima que la competitividad disminuirá en promedio en 0.0317, manteniéndose constante, el puntaje del factor LABORAL. A un nivel del 5% de significancia, se ha encontrado que la competitividad, depende significativamente del factor GÉNERO F1 = X5 (retorno laboral del esposo) y X6 (retorno laboral del esposa); su dependencia no es significativa respecto al factor LABORAL F2 = X7 (retorno económico laboral mano de obra calificada) y X9 (número de socios). Los resultados obtenidos mediante el coeficiente de correlación no paramétrico de Spearman indican la competitividad de los proyectos de extensión está significativamente correlacionada de manera directa con las variables Impacto Ambiental (X9), Impacto Social (X10) y Equipos Técnicos (X11), es decir, la mejora de los valores de una de estas variables, obviando la presencia de las otras variables permitiría una mejora en el nivel de la competitividad. Los resultados también muestran que la competitividad presenta un grado de asociación débil con las variables X7 (Retorno Económico Laboral Mano de Obra Calificada), X5 (Retorno Económico Laboral Esposo) y X6 (Retorno Económico Laboral Esposa).
Estudio sociolingüístico de lenguas amazónicas
(Universidad Nacional Intercultural de la Amazonía, 2018) Reátegui Del Águila, Keneth; Aguirre Baique, Nazario; Palomino Cadenas, Edwin Julio; Muñoz Berrocal, Milthon Honorio; Aguirre Baique, Nazario
La lengua es parte esencial para la comunicación entre los seres humanos. El dominio de los elementos esenciales del habla es indispensable y de gran significación en el desarrollo individual y colectivo. El español, con trescientos millones de hablantes, ocupa un lugar envidiable entre las principales lenguas del mundo. Es por esto que se hace necesario el estudio de todos los fenómenos que se presentan en ella. Por todo esto la sociolingüística se ocupa del estudio de la lengua en relación con la sociedad; se pretende entonces con este módulo profundizar en esos aspectos fundamentales del estudio de los fenómenos de la lengua teniendo en cuenta nuestro contexto como campo de estudio. Es por esto que es necesario que el estudiante tenga las nociones básicas para el análisis de los fenómenos lingüísticos y aprenda a reconocerlos y darle posibles soluciones dentro y fuera del aula de clases. Por ende, se espera que quien curse esta asignatura sepa, a su conclusión, distinguir de otros enfoques el tratamiento sociolingüístico de la lengua; que, gracias a él, haya enriquecido sus conocimientos sobre cuestiones (fónicas, gramaticales, léxicas…) y que en el futuro sienta apego por las lecturas e investigaciones de tipo sociolingüístico.
Impacto de la presión de pastoreo sobre la disponibilidad de forraje
(Universidad Nacional Intercultural de la Amazonía, 2018-06) Reátegui Del Águila, Keneth; Aguirre Baique, Nazario; Palomino Cadenas, Edwin Julio; Muñoz Berrocal, Milthon Honorio; Reátegui Del Águila, Keneth
Actualmente se reconoce, que a pesar de lo mucho que se ha escrito sobre el manejo y la utilización de las praderas y el acopio de conocimientos acumulados sobre la forma de cómo actúa cada uno de los factores del crecimiento y utilización de los pastos, no se ha conseguido aún definir normas de la naturaleza general que repercutan económica y científicamente en la producción pecuaria (Paladines. 1972). Recientemente, se ha propuesto una metodología para predecir la producción de los animales en pastoreo, en forma práctica y rápida: considerándose básicamente la utilización de forrajes como una descarga de la pradera (Olivares y Gastó, 1979; González, 1979). Puesto que la utilización de forraje por el ganado es sólo un fenómeno de descarga, por tanto, podríamos afirmar que el conocimiento previo de las tasas de cosechas de forraje por el ganado y de su costo de utilización, proporcionará la información básica que permitirá predecir el cambio de peso del animal en pastoreo. La determinación de funciones generales de esta naturaleza, podría evitar la necesidad de medir variables tales como: tiempo de pastoreo, tasa de mordidas, número de bocados y componentes químicos, en la producción pecuaria puesto que es factible describir la arquitectura de un pastizal a través de una función matemática. Con la comprobación de la ecuación de descarga en praderas, dominadas por especies tropicales, se intenta simplificar algunas metodologías laboriosas y poco predictivas usuales en el campo de la investigación pratense. Puesto que se trata de encontrar una forma funcional de establecer relaciones cuantitativas entre disponibilidad y utilización potencial de algunas praderas de tipo tropical. 6 La simpleza del planteamiento insinúa una aproximación a una solución natural del problema de la descarga del pastizal, simultáneamente con proporcionar herramientas sencillas de cuantificación. El presente estudio tiene por objetivo analizar la aplicabilidad de una metodología general recientemente propuesta a situaciones específicas de praderas de gramíneas tropicales utilizadas con novillos. La meta buscada en este estudio no es, por lo tanto, el estudio de algunas praderas en particular, sino el análisis de la aplicabilidad del método. En el caso que el método sea aplicable a las condiciones de las praderas consideradas en el estudio, pretendemos buscar un mayor grado de refinamiento y ajuste a las condiciones y necesidades de las praderas locales y de la metodología en general.

Browse

Browsing Facultad de Ingenieria y Ciencias Ambientales by Title