Ê




 

    
  Ê

Ê !"




En muchos problemas experimentales, es necesario diseñar el experimento de tal manera

que la variabilidad proveniente de otras fuentes pueda ser sistemáticamente controlada, en

el diseño en bloques completos con tratamientos aleatorizados (DBCTA), las unidades

experimentales están agrupadas primero en grupos homogéneos llamados ¦
 y los

tratamientos están asignados al azar dentro de los bloques. Es llamado 
 

debido a

que cada bloque recibe todos los tratamientos. La variabilidad no controlada por las fuentes

extrañas es ahora controlada por el bloqueo. Esta estrategia de diseño puede mejorar la

exactitud de las comparaciones entre tratamientos reduciendo la variabilidad entre las

unidades experimentales.

 #$% & Bloques completos, Bloques generalizados, Error de Restricción, Tukey,

Datos perdidos.

 Ê

'

El propósito de cualquier Diseño Experimental, es proporcionar una cantidad máxima de

información pertinente al problema que se está investigando. Y ajustar el diseño que sea lo

más simple y efectivo; para ahorrar dinero, tiempo, personal y material experimental que se

va a utilizar. Es de acotar, que la mayoría de los diseños estadísticos simples, no sólo son

fáciles de analizar, sino también son eficientes en el sentido económico y en el estadístico.

c

  
     
   
  
  

   ! "#"  $ %
 
&'
 ()* 

c
En experimentos en los cuales es necesario hacer la comparación de más de dos

tratamientos simultáneos, podría utilizarse prueba de hipótesis múltiples (comparación por

pares), pero es recomendable aplicar el análisis de varianza; que es la técnica estadística

que sirve para analizar la variación total de los resultados experimentales de un diseño en

particular, descomponiéndolo en fuentes de variación independientes atribuibles a cada uno

de los efectos en que se constituye el diseño experimental. Esta técnica tiene como objetivo

identificar la importancia de los diferentes factores o tratamientos en estudio y determinar

cómo interactúan entre sí (Kuehl, 2001).

Ê($# )$%! *$%**(*$ *($

Los bloques con tratamientos aleatorizados representan el primer diseño válido para estimar

el error experimental y para probar si los efectos de los tratamientos son significativos a

pesar de la falta de homogeneidad de las unidades de estudio sobre las que se hacen

observaciones. Se comprende intuitivamente sobre las que se hacen observaciones. Se

comprende intuitivamente que cuando las unidades no son todas iguales, la variación en

estas puede enmascarar los verdaderos efectos de tratamientos.

Cuando las unidades no son homogéneas, nos referimos a que no pueden reaccionar o

responder a los tratamientos en la misma forma a sus diferencias intrínsecas y esto no

significa que no tenga el mismo aspecto.

Como su nombre lo indica, esta clase de diseños experimentales se caracteriza porque todos

los tratamientos aparecen representados una vez en cada uno de los bloques. Los

tratamientos se asignan al azar sobre las unidades experimentales, sorteando los

tratamientos independientemente, en cada bloque (Martínez, 1988).


Las unidades experimentales deben ser homogéneas dentro de cada bloque, salvo las

variaciones aleatorias. Dos unidades experimentales de bloques diferentes pueden exhibir

heterogeneidad, siendo de hecho el propósito de los bloques, absorben un máximo grado la

variabilidad del material experimenta (Martínez, 1988).

Un bloque es una porción del material experimental que sea más homogénea que el total

del material. La idea primaria del bloqueo es identificar las unidades homogéneas que el

total del material. La idea primaria del bloqueo es identificar las unidades homogéneas que

nos permite una mejor comparación más exacta entre tratamientos.

La razón importante del bloqueo es quitar una fuente de variación del error. En promedio,

la variabilidad entre unidades experimentales del mismo bloque. Idealmente, la variabilidad

entre unidades se controla de tal forma que se maximice la variación entre bloques,

mientras que la variación dentro de ellos se minimice.

Un DBCTA emplea grupos de unidades experimentales lo más parecidas posible entre sí,

con efecto de comparar las medias de las poblaciones asociadas a  tratamientos. La

organización general del diseño de bloques con tratamientos aleatorizados presenta b

bloques con sus unidades experimentales relativamente homogéneas y en cada bloque todos

los tratamientos están aleatorizados (Steel y Torrie, 1980).

´*+$ ($# )$%! *$%**(*$ *($

1.- Por medio del agrupamiento se obtienen resultados más precisos que cuando se emplea

el diseño completamente al azar, pueden incluirse cualquier número de tratamientos y

repeticiones de estos, si se desean repeticiones adicionales para los tratamientos, cada uno


de estos puede aplicarse a dos o más unidades en cada bloque (diseños de bloques

generalizado)

2.- Pueden estimarse datos faltantes o perdidos

3.- Si las varianzas del error experimentales mayor para algunos tratamientos que para

otros, aún puede obtenerse un error insesgado para probar combinaciones específicas de

tratamientos.

4.- Es necesario enfatizar que debe existir una razón que justifique la formación de los

bloques, en caso contrario no se justificará la perdida de grados de libertad del error.

5.- El análisis por bloques es una técnica que se usa para incrementar la precisión del

experimento. Al realizarse un análisis por bloques se hacen comparaciones entre las

condiciones de interés del experimento dentro de cada bloque.

6.- La eliminación de la suma de cuadrados de bloques de la suma de cuadrados del error

usualmente resulta de un decremento en el cuadrado medio del error.

7.- Es fácil su análisis, el análisis estadístico es simple y rápido.

Ê$&*+$ ($# )$%! *$%**(*$ *($

La principal desventaja del diseño de bloques es cuando la variación entre unidades

experimentales dentro de un bloque es grande, resulta un término de error considerable.

Esto ocurre frecuentemente cuando el número de tratamientos es grande; así no puede ser

posible asegurar grupos de unidades suficientemente uniformes para los bloques. En tales

situaciones, se dispone de otros diseños para controlar una mayor proporción de la

variación (Steel y Torrie, 1980).

#
 $*$*(%

El modelo estadístico para este diseño es

Yij =  + i +
j + Eij i = 1, . . . , t j = 1, . . . , b

Yij valor de la variable correspondiente al tratamiento Ô en el bloque ,

 media general

i efecto del i-ésimo tratamiento

j efecto del j-ésimo bloque

Eij error experimental en la unidad del tratamiento Ô

Eij NI(0, ƒ2)

Se supone que los efectos de tratamientos y bloques son aditivos. La aditividad significa

que no hay interacción entre tratamientos y bloques. Es decir, la relación entre los

tratamientos es la misma en cada uno de los bloques.


 # , ($($&(

-* $


$ -%  

&(%(  %$ ($
(#*
Bloques   

  ɛ2 + t(B)
r-1

V 



  
 


Tratamientos t-1 
  ɛ2+b(T)
 
V





  
 


Error (t-1)(r-1)
 ɛ2
 

  
VV   

 

Total tr-1  



V V  

 

 )$ ($

Supongamos
tratamientos se ensayan en  bloques completos con tratamientos

alatorizados, pero el tratamiento j se repite  veces dentro de cada bloque completo. Se

genera entonces un diseño experimental (no estándar) que es una extensión del diseño

estándar de bloques completos con tratamientos aleatorizados. Puede verse que al análisis

estadístico de este arreglo experimental es posible derivarlo del modelo de la clasificación

de doble entrada, tomando nij= rj para toda Ô=1, «, . Se tendrá por consiguiente 8 

unidades experimentales por bloque, y r8  unidades experimentales en total; de aquí, el

sistema de ecuaciones normales toma la estructura (Martínez, 1988)


Como es de suponerse repeticiones de un tratamiento dentro de un mismo bloque logramos

incrementar la precisión del diseño al disminuir en el error experimental por considerarse

una nueva causa de variación fuera del mismo.

 $*$*(%

El modelo estadístico para este diseño es

Yijk =  + i +
j +
ij + Eijk i = 1, . . . , t j = 1, . . . , b k = 1, . . . , p

Yij valor de la variable correspondiente a la repetición - del tratamiento Ô en el bloque ,

 media general

i efecto del i-ésimo tratamiento

j efecto del j-ésimo bloque

ij efecto de la interacción del tratamiento Ô con el bloque

Eij error experimental correspondiente a la repetición - del tratamiento Ô en el bloque

Eij NI(0, ƒ2)



Ë
 # , ($($&(

-* $
%$

 -% 
&(%(  $($
(#*
Bloques  

 
r-1 


V    
 


Tratamientos t-1 
 
 
V




   
 


(Bloques) x (t-1)(r-1)=   

 
(Tratamientos) tr-t-r+1
VV


V


 
 
  
  



V 
 


Error trp-tr

    

 

VVV  VV

    
 
Total trp-1 
 
VVV  

  

+! ".Ê($# )$%! *$%**(*$ *($

En un experimento realizado en el cultivo de soya se ensayaron varios niveles de humedad

aprovechable y varios niveles de fósforo. En este ejercicio sólo usaremos parte de los datos.

Los tratamientos son

1.‘ (H1P1) 20% de humedad y 30 kg/ha de fósforo.

2.‘ (H2P1) 40% de humedad y 30 kg/ha de fósforo.

3.‘ (H1P2) 20% de humedad y 60 kg/ha de fósforo.

4.‘ (H2P2) 40% de humedad y 60 kg/ha de fósforo.

"
El experimento se realizó en un DBA con 65 repeticiones. Los bloques fueron franjas de

terreno relativamente uniformes. Las unidades experimentales (4 por bloque) fueron

rectángulos de 28 m2, y la variable medida fue el rendimiento de grano (en kg) por unidad

experimental.

 ) *(*
* 
1 2 3 4

I 7.3 6.8 6.7 5.7 /0.1

II 7.2 5.5 7.3 6.9 /0.2

III 7.6 6.8 6.8 6.4 /3.0

IV 7.2 6.5 7.4 6.1 /3./

V 7.5 6.8 7.5 6.4 /4./

VI 7.6 7.1 6.3 6.3 /3.5

*  66.6 52.1 6/.7 53.4 "05.3

Fuente Infante y Zárate (1984).

-.
.8 163.72/24 = 26 797.69/24 = 1 116.57.8"""0.13

SCTotal=(7.32+7.22+7.62+7.22+7.52+7.62+6.82+5.52+6.82+6.52+6.82+7.42+7.52+6.32+5.72+6.

92+6.42+6.12+6.42+6.32) ± 1 116.57= 1 124.41- 1 116.57

* 83.46

SCBloq= (26.52+26.92+27.62+27.22+28.22+27.32)/4 ± 1 116.57= (4 467.99)/4 - 1 116.57

 )87.6/

SCtrat.= (44.42+39.52+42.02+37.82)/6 ± 1 116.57 = 6 724.45/6 - 1 116.57

**.86."3

%
SCE= 7.84 ± 0.42 ± 4.17

85./1

-* $


$ -%  -0.0559"1
&(%( (#* %$ ($
Bloques 5 0.42

Tratamientos 3 4.17 1.39 6.32

3.29
Error 15 3.25 0.22

Total 23 7.84

Como la Fcal > F0.053,15 se concluye que al menos uno de los tratamientos es diferente

(Į=.05)

$*(%%(

Una de las mayores razones para bloquear es remover una fuente de variación del error, por

lo tanto debe considerarse que si la variación entre bloques no es más grande que la

variación dentro de bloques, no hay razón para considerar un DBCTA. Cuando hablamos

que los bloques son ³completos´ debe entenderse que todos los tratamientos combinados

aparecen en cada boque.

El problema consiste en que los bloques no se aleatorizan, aun cuando los tratamientos si

son aleatorizados en cada bloque. Entonces se debería introducir el error de restricción

inmediatamente después del término que no se aleatoriza, en este caso bloques. De no

considerarse en error de restricción, las inferencias estadísticas derivadas nos pueden

conducir a cometer errores graves.

c
Es importante señalar que por la misma naturaleza del encierro de las unidades

experimentales a un grupo dado, debe restringirse cualquier aleatorización de los

tratamientos hacia las unidades experimentales. Esta situación sólo ocurre en todos los

diseños de bloques con tratamientos aleatorizados y el componente del error de restricción

está completamente confundido con los bloques.

El error de restricción no es estimable de los datos pero éste es colocado en el modelo y

aparece en el análisis de varianza como una fuente de variación, no tiene grados de libertad

(gl) y no tiene suma de cuadrados (SC) para el error; sin embargo, desde que el error de

restricción aparece en el modelo lineal, el componente de varianza aparece en el cuadrado

medio esperado. Este componente de variación en el cuadrado medio esperado forza al

experimentador a reconocer la restricción en la aleatorización y su respuesta de éste en las

pruebas de F. El beneficio del error de restricción es acerca de la restricción en la

aleatorización que se ha impuesto en su diseño (usualmente para ahorrar tiempo y /o

dinero) y para entender su efecto en todos los resultados del experimento.

Como sabemos que existe una diferente aleatorización de los tratamientos dentro de cada

bloque, esta peculiaridad asegura que el error para probar la hipótesis de igualdad entre las

medias de los tratamientos viene dentro de los bloques, es decir, si hay interés en probar la

hipótesis que la media de los bloques son iguales, es importante recalcar que existe un error

entre bloques.

Un modelo lineal que expresa todas las fuentes de variación mencionadas con la asunción

de no interacción de bloques por tratamientos y también provee intuitivamente de pruebas

correctas es

cc
 ! " #$      %  ! Ô=1, 2,«,b =1, 2,«, t -=1 =1

Donde

! " Respuesta de la unidad experimental tratada en el i-ésimo nivel del tratamiento B y

el j-ésimo nivel de tratamiento T.

µ= Media general

 = El efecto del j-ésimo nivel de tratamiento T (fijo).

 = Efecto del i-ésimo nivel del tratamiento B (fijo).

% =Error de restricción

 = La aleatorización dentro del error.

En todo el análisis de varianza se asume que el  Ô (0,ɛ2).

Nota Información tomada de los apuntes proporcionados por el Dr. José Antonio Santizo

Rincón.

 %  :!*(%($

El cálculo y la decisión del tamaño de muestra a usar, en los estudios que tienen como base

el muestreo estadístico, es un problema común al que se enfrenta todo usuario que pretende

realizar una aplicación de muestreo de la mejor manera posible, ya que dicho tamaño es

indispensable no sólo para la estimación de los parámetros, sino para tener una idea de la

calidad de esa estimación (Rendon y Cervantes, 1991).

c
Cualquiera que sea la fuente de los errores experimentales, la repetición del experimento

disminuye constantemente el error asociado a la diferencia entre los resultados medios de

dos tratamientos, siempre y cuando algunas precauciones (tales como la aleatorización) se

hayan tomado para asegurar que un tratamiento no está más favorecido en una repetición

que en otra, de tal forma que los errores que afectan a cualquier tratamiento tiendan a

anularse cuando el número de repeticiones se aumenta. La magnitud en la cual se reduce el

error experimental puede predecirse con la teoría estadística. La magnitud básica que se usa

para medir errores experimentales es la varianza del error por unidad experimental, la que

se define como la esperanza matemática del cuadrado del error, que afecta a la observación

de una simple unidad experimental. La raíz cuadrada de esta cantidad se llama error

estándar por unidad. Si į2 es la varianza del error por unidad, y hay  repeticiones, la

varianza del error de la diferencia entre las medias de dos tratamientos es 2į2/, y el error

estándar correspondiente es w
 &'. Este resultado es válido, a menos que el aumento de

repeticiones requiera del empleo de material experimental más heterogéneo o de una

técnica menos cuidadosa (Cochram y Cox, 1957).

:  !*(%($ ! !#$  $((;(%%(. Considérese la diferencia entre

los efectos de un par de tratamientos, que pueden ser un procedimiento que se espera sea

mejor que aquél. La precisión deseada en un experimento puede fijarse empleando

cualesquiera de estas dos formas ya sea mediante especificación del tamaño de la

verdadera diferencia que el experimento va a detectar por medio de una prueba de

significancia, ya sea mediante la especificación de que tan aproximadamente se desea

estimar la diferencia verdadera, estableciendo la amplitud del intervalo de confianza que se

desearía tener para esta última diferencia (Cochram y Cox, 1957).

c
  ( #     
ƒ 
%

Donde

á número de observaciones

ƒ error estándar verdadero por unidad

  valor significativo de t en la prueba de significación

  valor de t en la tabla ordinaria correspondiente a 2(1-P)

į diferencia verdadera que se desea detectar

El número de repeticiones de tratamientos será una función que dependerá de

a)‘ La potencia de la prueba deseada

b)‘ El nivel de significancia al cual se probará Ho

c)‘ La diferencia entre tratamientos que aceptamos como ni singificante

d)‘ La variación del material experimental

La primera dificultad es que ƒ2 se desconoce por lo general, por lo que habrá que

estimarla en base a trabajos anteriores, o mediante muestras tomadas para tal fin, lo que ya

implica que nuestras estimaciones serán una aproximación, otra dificultad es que

inicialmente tampoco conocemos los grados de libertad del error para calcular t0 y t2, los

que dependerán a su vez de r, de lo que se deduce que el empleo de la anterior ecuación es

ligeramente engañosa (Cochram y Cox, 1957).

c#
Dado lo anterior, siempre tenemos que comenzar con diferentes tanteos hasta encontrar la r

más pequeña que satizfaga dicha ecuación.

Para fijar t1 tendremos en cuenta la potencia de prueba deseada, o sea, P= (1-ȕ), donde ȕ=

probabilidad de no rechazar Ho cuando es falsa y P= probabilidad de rechazar cuando Ho

es falsa; entonces el valor t1 sería el correspondiente a ȕ, el cual lo encontramos fijado el

valor deseado de P, por lo que tendríamos entonces 2(1-P) para pruebas de 2 colas. Así el

valor de probabilidad ȕ nos servirá para calcular en tablas un valor t1 para los grados de

libertad del error.

Con el problema estaría en encontrar los grados de libertad del error inicialmente

comenzamos haciendo tanteos; por ejemplo si voy a comparar 5 tratamientos supongo que

por lo menos tendré que repetir una vez en cada tratamiento, entonces tendría 2 bloques con

los 5 tratamientos cada uno; ya entonces tengo (t-1) (r-1)=4 grados de libertad para el error.

Con estos grados de libertad calcularemos en tablas

 los primeros valores de t0 para un Į

dado y t1 para la ȕ obtenida en base a la P fijada y ya entonces podemos sustituir en la

fórmula y obtener el primer valor de y. A partir de aquí comenzamos a repetir el proceso

con los grados de libertad para el error que se tengan con los y s que se van obteniendo

(Cochram y Cox, 1957).

El proceso terminara cuando se comiencen a obtener los mismos valores (aproximados) de

y con diferentes grados de libertad para el error, entonces este valor que se repite sería el

número mínimo de repeticiones necesarias para las condiciones que establecemos en el

experimento (Cochram y Cox, 1957).

c
+! /.
, %  :!*(%($

Cuántas repeticiones se requieren para obtener una posibilidad de 4 en 5 de que se

obtendrá un resultado significativo?

Entonces tenemos

į= 20 ƒ= 12 y se considera que el experimento tiene 4 tratamientos en bloques al azar lo

cual da n= 3(r-1) grados de libertad para el error estimados. En la tabla t, t1 es el valor para

la probabilidad 0.10, mientras que t2 es el valor de la probabilidad 2(1-0.80) ó 0.40 (se

busca en tablas.

Para iniciar los cálculos deben hacerse unas suposiciones respecto al valor de n. No es de

gran importancia si la suposición es inexacta; se probará n=30, para esto,

t1= 1.697; t2= 0.854; de tal manera que (t1+t2)=2.551

De ahí que

r• 2(12/20)2 (2.551)2= 4.7

En consecuencia, el valor de la segunda prueba es r=5. Ya que esto origina solamente 12 gl,

en lugar de 30; se debe repetir el cálculo para verificar si son suficientes 5 repeticiones.

Para 12 g.l.,(t1+t2) es 2.655. Así,

r• 2(12/20)2 (2.655)2= 5.08

Puesto que el resultado es mayor que 5, se concluye que 5 repeticiones no son suficientes, y

que 6 es él número más pequeño de repeticiones que satisface las condiciones. Puede

c
asegurarse, sin hacer cálculos adicionales, que 6 satisfará las condiciones, porque el lado

derecho de la desigualdad siempre decrece cuando se incrementa .

$*(%(*$!($

A veces faltan, o son inútiles, datos de ciertas unidades, como cuando un animal se enferma

o muere pero no a causa del tratamiento, se dispone de un método desarrollado por Yates

para estimar tales datos faltantes. Una estimación de un valor faltante no proporciona

información adicional al experimento; sólo facilita el análisis de los datos restantes. Cuando

falta un solo valor en un experimento con bloques completos al azar, calcúlese una

estimación del valor faltante por

)*+,-
"
, , 

Donde r y t= número de bloques y tratamientos, respectivamente

B y T= totales de las observaciones en el bloque y tratamiento que contiene la unidad

faltante

G= gran total de observaciones observadas

El valor estimado se lleva a la tabla con valores observados y se efectuará al análisis de la

varianza en la forma usual, restando un grado de libertad a los s los grados de libertad del

total y del error. El valor estimado es tal que la suma de cuadrados del error es el análisis de

la varianza es mínimo.

cË
+! 5.$*(%(*$!($

Considerando los datos del ejemplo 1 y considerando que hace falta el dato del tratamiento

2 en el bloque V, calcular el dato faltante usando la fórmula de Yates.

Tenemos r= 6, t= 4, B= 21.4, T=32.7 y G= 156.9

./
0*0/1
2, 3.
4

" = 6.82
., 0, 

Este dato se puede sustituir para poder realizar el análisis de varianza, sin olvidar restar un

grado de libertad tanto al error como al total.

# <=

El procedimiento de Tukey hace uso de la amplitud ³

á
Ô
 y es aplicable a pares

de medias; necesita de un solo valor para juzgar la significancia de todas las diferencias, y

por lo tanto es rápido y fácil de usar. Ya que sólo se hacen comparaciones por pares, el

valor critico es menor que el exigido por el método de Sheffé. Todos los pares de medias

constituyen una familia y la tasa de error es familiar, como lo es el coeficiente de confianza

cuando se construyen estimaciones de intervalo de diferencias (Steel y Torrie, 1980).

El procedimiento consiste en el cálculo de un valor crítico mediante la siguiente ecuación

q " 56 678 

9:

;<

9: = w
=

Donde 5 se obtiene de la tablas A.8, p=

es el número de tratamientos y …; corresponde a

los grados de libertad del error.

c"
Para realizar las comparaciones de medias usando la prueba de Tukey primero se obtienen

los promedios de cada tratamiento y se ordenan de manera no ascendente, después se

calcula œ y finalmente se realizan las comparaciones entre las medias y œ para poder

determinar si hay diferencias o no entre los tratamientos (Steel y Torrie, 1980).

+! 6.#%!%(($> <=?

Considerando las medias del ejercicio 1 comparé las medias y determine cuál es el mejor

tratamiento?

 *(*
* 
1 3 2 4

*  3.6 3.7 0.0 0.5 "05.3

;<

9: = w
<

=w
= .

q " 56 678 

9: = (4.08) (0.1915) 87.34"5/

³>  ?³= ³
@ 
A³= 0.4 < 0.7813#

³>   ³= ³
@  B
B³= 0.8 >0.7813#

³>  @³= ³
@  B
?³= 1.1> 0.7813#

³?   ³= ³
A  B
B³= 0.4 <0.7813#

³?  @³= ³
A  B
?³= 0.7<0.7813#

³  @³= ³B
B  B
?³= 0.3<0.7813

c%
Entonces queda de la siguiente manera

 *(*
* 
1 3 2 4

Ê(;%( 3.6 3.7# 0.0# 0.5# "05.3




 +     ,  
  


 c -   ./

 

0 
  *   , +   
 1234

-*$%* $@(# (;=A#;.

Cochran W. G. and G. M. Cox. 1957. Diseños experimentales.2da edición. Editorial Trillas,

México, DF. 662 pp.

Infante G. S. y L. G. P. Zárate. 1984. Métodos Estadísticos. 1ra reimpresión, Editorial

Trillas S. A. de C. V, México DF. 643 pp.

Kuehl, R. O. 2001. Diseño de experimentos, principios estadísticos de diseños y análisis de

investigación. 2da edición. Thomson Learning, 666 pp.

Martínez G. A. 1988 .Diseños experimentales, métodos y elementos de teorá. Editorial

Trillas 756 pp.

Rendon S. G. y A. C. Sandoval. 1991. Monografía y manuales en estadísticos y cómputo.

Centro de Estadística y Calculo. Vol 10 número 4.

Steel, R.G.D and J. H Torrie. 1980. Bioestadistica Principios y procedimientos.2 da

edición. McGraw-Hill, México DF. 622 pp.