Disenos Experimentales Todo PDF

UNA PUNO DISEÑOS EXPERIMENTALES
DISEÑO COMPLETAMENTE AL AZAR (DCA, DIA)
El Diseño Completamente al Azar, es aquel en el cual los tratamientos son asignados en

forma aleatoria a las unidades experimentales, o viceversa, sin ninguna restricción; por
lo tanto, se considera que es un diseño eficiente cuando las unidades experimentales de
las que se dispone son muy homogéneas, es decir la mayoría de los factores actúan por
igual entre las unidades experimentales. Debido a su simplicidad, el Diseño
Completamente al Azar es usado frecuentemente utilizado en los experimentos de
laboratorio donde casi todos los factores están controlados.
La homogeneidad de las unidades experimentales puede controlarse ejerciendo un
control local apropiado (seleccionando, por ejemplo, sujetos, animales o plantas de una
misma edad, raza, variedad o especie). Pero debe tenerse presente que todo material
biológico, por homogéneo que sea, presenta una cierta fluctuación, cuyos factores no se
conocen y son, por lo tanto, incontrolables.
CARACTERÍSTICAS:
 Los tratamientos se distribuyen en forma aleatoria en todas las unidades
experimentales, y el número de repeticiones o unidades por tratamiento puede ser
igual o diferente.
 Este diseño es útil cuando las unidades experimentales presentan una variabilidad
uniformemente repartida.
 El diseño completamente al azar proporciona el máximo número de grados de
libertad para la estimación del error experimental; además no requiere estimar datos
faltantes, es decir, el diseño puede analizarse con diferente número de repeticiones
por tratamiento.
ARREGLO DE CAMPO:
Supongamos que se desea evaluar cuatro variedades de una proteína en un lote
homogéneo, con cuatro repeticiones. Al sortear aleatoriamente las cuatro variedades (A,
B, C y D), cada una tiene la misma posibilidad de ocupar cualquiera de las unidades
experimentales en que se divide el lote, por ejemplo:
C B D A
A B C D
D A B C
D C A B
Ejemplo
Suponga que tenemos 4 dietas diferentes que queremos comparar. Las dietas están
etiquetadas A, B, C y D.
Estamos interesados en estudiar si las dietas afectan la tasa de coagulación en conejos. La
tasa de coagulación es el tiempo en segundos que tarda una cortada en dejar de sangrar.
Tenemos 16 conejos para el experimento, por lo que usaremos 4 en cada dieta.
Ing. Ronald Mamani Mayta Página | 1

Los conejos están en una jaula grande hasta que se inicie el experimento, momento en
que se transferirán a otras jaulas.
¿Cómo asignamos los conejos a los cuatro grupos tratamiento?
MÉTODO 1:
Supongamos que los conejos se atrapan "al azar". Atrapamos cuatro conejos y los
asignamos a la dieta A. Atrapamos otros cuatro y los asignamos a la dieta B y así
sucesivamente.
Dado que los conejos fueron "atrapados al azar", esto producirá un diseño
completamente al azar.
MÉTODO 2:
Atrape a todos los conejos y etiquételos del 1 al 16. Seleccione cuatro números aleatorios
(sin reemplazo) del 1 al 16 y ponga los conejos con esa etiqueta en una jaula que recibirá
la dieta A.
Entonces, seleccione otros cuatro números aleatorios y ponga los conejos
correspondientes en otra jaula que recibirá la dieta B.
Así sucesivamente hasta tener cuatro jaulas con cuatro conejos en cada una.
MÉTODO 3:
En una urna ponga las letras A, B, C y D en pedazos de papel separados. Atrape un conejo,
saque un pedazo de papel al azar de la urna y asigne el conejo a la dieta que indique el
papel. No reemplace el papel. Atrape el segundo conejo y seleccione al azar otro pedazo
de papel de la urna de los tres que quedan.
Asigne el conejo a la dieta correspondiente. Continúe hasta que los primeros cuatro
conejos sean asignados a una de las cuatro dietas. De esta manera, todos los conejos
lentos tienen diferentes dietas.
Coloque otra vez los cuatro pedazos de papel en la urna y repita el procedimiento hasta
que los 16 conejos estén asignados a una dieta.
MODELO ESTADÍSTICO LINEAL

El modelo estadístico o aditivo lineal es una expresión algebraica que condensa todos los
factores presentes en la investigación. Resulta útil para sintetizar qué factores son
independientes o dependientes, cuáles son fijos o aleatorios, cuáles son cruzados o
anidados.
En este diseño el valor de cada unidad experimental Yij se aplica según el siguiente Modelo
Estadístico Lineal:
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗
Donde:
Yij = Es la respuesta (variable de interés o variable medida), es decir es una observación
en la j-ésima unidad experimental, sujeto al i-ésimo tratamiento.

i = Es el efecto del i-ésimo tratamiento.

µ = Es el efecto de la media general del experimento o constante común.
ij = Es el error aleatorio asociado a la respuesta Yij, efecto verdadero de la j-ésima unidad
experimental (replica), sujeta al i-ésimo tratamiento (error experimental)
ESQUEMA O REPRESENTACIÓN SIMBÓLICA DEL DISEÑO
Observaciones Tratamiento (i)

Total
(j) 1 2 3 ... T
1 Y11 Y21 Y31 ... Yt1 Y.1
2 Y12 Y22 Y32 ... Yt2 Y.2
3 Y13 Y23 Y33 ... Yt3 Y.3
... ... ... ... ... ... ...
r Y1r Y2r Y3r ... Ytr Y.r
Total (t) Y1. Y2. Y3. ... Yt. Y..
Medias 𝑌̅1. 𝑌̅2. 𝑌̅3. ... 𝑌̅𝑡. 𝑌̅..
VENTAJAS
a) Es simple de planificar.
b) El número de repeticiones puede variar de tratamiento a tratamiento.
c) Existe más grados de libertad para estimar el error experimental.
d) Es flexible en cuanto al número de repeticiones y tratamientos.
e) Es útil cuando la unidad experimental tiene una variabilidad uniforme repartida
f) Cuando se pierde alguna parcela experimental se puede considerar que se tiene
diferente número de repeticiones por tratamiento.
g) El error experimental puede obtenerse separadamente para cada tratamiento para
comprobar la suposición de Homogeneidad del error.
DESVENTAJAS
a) Es más apropiado para pequeño número de tratamientos y para un material
experimental homogéneo y uniformemente distribuido.
b) No se puede controlar el Error Experimental por lo tanto, no es un Diseño muy
preciso.
c) Cuando se tiene diferente número de repeticiones por tratamiento, es necesario
calcular un Error estándar para cada pareja de medias si se quiere comparar sus
diferencias.
ANÁLISIS DE VARIANZA
Es una técnica matemática que nos permite descomponer una Fuente de Variación Total
en sus componentes atribuibles a fuentes de variación conocida.

El cuadro de análisis de varianza (ANVA) es un arreglo dado por las fuentes de variación,
seguido de los grados de libertad, de las sumas de cuadrados, de los cuadrados medios de
cada componente, así como del valor F y su probabilidad de significación ( valor P).
DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NÚMERO DE OBSERVACIONES POR

TRATAMIENTO
TABLA ANVA: Fórmulas

C.M.E.
F. de V. G.L. S.C. C.M.
Modelo I Modelo II
𝑡 𝑡
𝑌𝑖.2 𝑌..2 𝑆𝐶𝑡𝑟𝑎𝑡. 𝜏𝑖2
Tratamientos t-1 ∑ − 𝜎2 + 𝑟 ∑ 𝜎 2 + 𝑟𝜎𝜏2
𝑟 𝑡𝑟 𝑡−1 𝑡−1
𝑖=1 𝑖=1
𝑡 𝑟 𝑡
Error 𝑌𝑖.2 𝑆𝐶𝑒𝑟𝑟𝑜𝑟
t(r-1) ∑ ∑ 𝑌𝑖𝑗2 − ∑ 𝜎2 𝜎2
Experimental 𝑟 𝑡(𝑟 − 1)
𝑖=1 𝑗=1 𝑖=1
𝑡 𝑟
𝑌..2
Total tr-1 ∑ ∑ 𝑌𝑖𝑗2 −
𝑡𝑟
𝑖=1 𝑗=1
√𝐶𝑀𝑒𝑟𝑟𝑜𝑟 𝑌..2 𝑌.. = 𝐺𝑟𝑎𝑛 𝑇𝑜𝑡𝑎𝑙

𝐶𝑉 = . 100 𝑇𝐶 =
𝑌̅.. 𝑡𝑟
MODELO DE EFECTOS FIJOS, ALEATORIOS O MIXTOS
Como se observa el efecto del tratamiento puede ser fijo, aleatorio o mixto.
a) MODELO I: Llamado modelo de Efectos fijos o modelo de análisis de varianza. Este

modelo supone que los tratamientos de una determinada subpoblación son una
cantidad fija, una variable no aleatoria.
Cuando los factores son fijos, el investigador ha escogido los factores en forma no
aleatoria y sólo está interesado en ellos.
En este caso el investigador asume que Σi=0, lo cual refleja la decisión del
investigador, de que únicamente está interesado en los t tratamientos presentes en el
experimentos. La mayor parte de los experimentos de investigación comparativa
pertenecen a este modelo.
b) MODELO II: Llamado modelo de efectos aleatorios o modelo de componentes de

varianza. Los tratamientos considerados dentro de un experimento se asumen como
una muestra al azar extraída desde una población de tratamientos.
Cuando los factores son aleatorios, el investigador, selecciona al azar los de interés de
varios que dispone y los asigna a las unidades experimentales.

En este caso el investigador asume que i tratamientos están distribuidos normal e

independientemente con media cero y varianza conocida, lo cual se acostumbra
abreviar así: DNI(0,2), lo cual refleja la decisión del investigador de que sólo está
interesado en una población de tratamientos, de los cuales únicamente una muestra
al azar (los t tratamientos) están presentes en el experimento.
c) MODELO MIXTO: Hace referencia a aquellos casos en los cuales el investigador

considera tantos factores fijos como aleatorios en el mismo experimento.
PROCEDIMIENTO PARA LA PRUEBA DE HIPÓTESIS

1) Planteamiento de Hipótesis
H0: i=0 (los i tratamientos tienen el mismo efecto sobre la variable en estudio)
H1: i0 (No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio)
2) Nivel de Significancia
α=0.05 (5%) ó α=0.01 (1%)
𝐶𝑀
3) Estadístico de Prueba 𝐹𝑐 = 𝐶𝑀 𝑡𝑟𝑎𝑡.
𝑒𝑟𝑟𝑜𝑟
4) Regla de Decisión
𝑛
 Si 𝐹𝑐 ≤ 𝐹𝑛21,𝛼 se acepta la hipótesis nula (H0)
𝑛
 Si 𝐹𝑐 > 𝐹𝑛21,0.05 se rechaza la hipótesis nula (H0), representándose por un asterisco
(*), lo cual significa que la prueba es significativa.
𝑛
 Si 𝐹𝑐 > 𝐹𝑛21,0.01 se rechaza la hipótesis nula (H0), representándose por dos
asteriscos (**), lo cual significa que la prueba es altamente significativa.
5) Conclusión
De acuerdo al enunciado
EJEMPLO: Se desea probar la hipótesis de que las notas de estadística en pruebas

objetivas cortas, dependen de la hora de realización de la prueba. Para ello se han
escogido, al azar, cinco alumnos del turno matutino, vespertino y nocturno. Las pruebas
arrojaron los siguientes resultados:
MATUTINO VESPERTINO NOCTURNO
16 10 15
17 11 08
18 12 09
19 13 13
20 14 14

Se pide realizar el procedimiento para la prueba de hipótesis.
Solución:
El esquema de la matriz de datos a ser procesada es:
TURNO
OBSERVACIONES MATUTINO VESPERTINO NOCTURNO TOTAL
(1) (2) (3)
1 16 11 15 41
2 17 12 08 36
3 18 13 09 39
4 19 14 13 45
5 20 15 14 48
TOTAL 90 65 59 209
Promedio 18 13 11.8 45.8

H0: i=0
H1: i0 para al menos una i
Es decir:
H0: no existe diferencia significativa entre los tratamientos
H1: existe diferencia significativa entre los tratamientos
Respecto al problema planteado

H0: los rendimientos no difieren por turno
H1: los rendimientos difieren por turno
2) Nivel de Significancia.
α=0.05
3) Estadístico de Prueba
Los cálculos necesarios son:
Grados de libertad de tratamientos (turnos) : t-1 = 3-1 = 2
Grados de libertad del error experimental : t(r-1) = 3(5-1) = 12
Grados de libertad del total : tr-1 = (3) (5)-1 = 14
Factor de corrección:
𝑌..2 (214)2 45796
𝑇𝐶 = = = = 3053.07
𝑡𝑟 (3)(5) 15
Suma de cuadrados de tratamientos (turnos)

𝑡
𝑌𝑖.2 𝑌..2 902 + 652 + 592
𝑆𝐶𝑡𝑟𝑎𝑡 =∑ − = − 3053.07 = 108.13
𝑟 𝑡𝑟 5
𝑖=1
Suma de cuadrados del total

𝑡 𝑟
𝑌..2
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − = 162 + 172 + 182 + ⋯ + 142 − 3053.07 = 166.93
𝑡𝑟
𝑖=1 𝑗=1
Suma de cuadrados del error

𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑡𝑟𝑎𝑡 = 166.93 − 108.13 = 58.8
La tabla ANVA es:

F. de V. G.L. S.C. C.M. Fc
Turnos 2 108.13 54.06
11.03
Error 12 58.80 4.90
Total 14 166.93
𝐶𝑀𝑡𝑟𝑎𝑡. 54.06
𝐹𝑐 = = = 11.03
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 4.90
 Como 𝐹𝑐 = 11.03 > 𝐹12,0.95
2
= 3.89 se rechaza la hipótesis nula (H0) y se acepta la
hipótesis alterna (H1), es decir la prueba es significativa.
5) Conclusión
Existe diferencia significativa entre los rendimientos por turno, es decir las notas de
estadística en pruebas objetivas cortas dependen de la hora de realización de la
prueba.
EJEMPLO 2: Se desea probar la hipótesis de que los tiempos de activado de veinte baterías
térmicas, dependen de 4 tratamientos. Para ello se han escogido, cinco baterías asignadas
al azar a cada tratamiento. Los resultados son:
1 2 3 4
73 74 68 71
73 74 69 71
75 74 69 72
75 74 69 72
75 75 70 73
Realizar el procedimiento para la prueba de hipótesis.

EJEMPLO 3: Disminución del crecimiento en bacterias de carne almacenada

La vida en estante de carne almacenada es el tiempo en que el corte empacado se
mantiene bien, nutritivo y vendible.
El empaque estándar con aire del medio ambiente tiene una vida de 48 horas. Después se
deteriora por contaminación bacterial, degradación del color y encogimiento.
El empaque al vacío detiene el crecimiento bacterial, sin embargo, se pierde calidad.
Estudios recientes sugieren que al controlar ciertos gases de la atmósfera se alarga la vida
en estante.
Hipótesis de investigación: Algunas formas de gases controlados pueden mejorar la

efectividad del empacamiento para carne.
Diseño de tratamientos:
1. Aire ambiental con envoltura plástica
2. Empacado al vacío
3. Mezcla de gases:
 1% CO (monóxido de carbono)
 40% O2 (oxígeno)
 59% N (nitrógeno)
4. 100% CO2 (bióxido de carbono)
Diseño experimental: Completamente al azar.

Tres bistecs de res, aproximadamente del mismo tamaño (75 grs.) se asignaron
aleatoriamente a cada tratamiento. Cada bistec se empaca separadamente con su
condición asignada.
Variable de respuesta: Se mide el número de bacterias psichnotropicas en la carne

después de 9 días de almacenamiento a 4 ºC.
Estas bacterias se encuentran en la superficie de la carne y aparecen cuando la carne se
echó a perder.
La medición fue el logaritmo del número de bacterias por cm2, los datos obtenidos fueron:
Tratamientos
Observaciones
1 2 3 4
1 7.66 5.26 7.41 3.51
2 6.98 5.44 7.33 2.91
3 7.80 5.80 7.04 3.66
Pregunta de investigación: ¿Hay más crecimiento bacterial con algunos métodos de

empacado que con otros?
Pregunta estadística: ¿Cuál modelo describe mejor los resultados del experimento?

DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE NÚMERO DE OBSERVACIONES

POR TRATAMIENTO

En este diseño el valor de cada unidad experimental Yij se aplica según el siguiente Modelo
Estadístico Lineal:
𝑌𝑖𝑗 = 𝜇 + 𝑆𝑖 + 𝜀𝑖𝑗
Donde:
Yij = Es la respuesta (variable de interés o variable medida), es decir es una observación
en la j-ésima unidad experimental, sujeto al i-ésimo tratamiento.
µ = Es la media general o poblacional.
Si = Es el efecto del i-ésimo tratamiento.
ij = Es el error aleatorio asociado a la respuesta Yij, efecto verdadero de la j-ésima unidad
experimental (replica), sujeta al i-ésimo tratamiento (error experimental)
TABLA ANVA: Fórmulas

𝑡
𝑌𝑖.2 𝑆𝐶𝑡𝑟𝑎𝑡.
Tratamientos t-1 ∑ − 𝑇𝐶
𝑟𝑖 𝑡−1 𝐶𝑀𝑡𝑟𝑎𝑡.
𝑖=1
𝑡 𝑟 𝑡
𝑡
𝑌𝑖.2 𝑆𝐶𝑒𝑟𝑟𝑜𝑟 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Error Experimental ∑(𝑟𝑖 − 1) ∑ ∑ 𝑌𝑖𝑗2 − ∑
𝑖=1
𝑟𝑖 𝑡(𝑟 − 1)
𝑖=1 𝑗=1 𝑖=1
𝑡 𝑡 𝑟
Total ∑ 𝑟𝑖 − 1 ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑖=1 𝑗=1
√𝐶𝑀𝑒𝑟𝑟𝑜𝑟 𝑌.. = 𝐺𝑟𝑎𝑛 𝑇𝑜𝑡𝑎𝑙

𝐶𝑉 = . 100
𝑌̅..
Fórmulas de Cálculo
2
 t ri 
a) Término o Factor de Corrección:   Yij 
 
TC   
i 1 j 1
t
b) Suma de Cuadrados del Total:

r
i 1
i
𝑡 𝑟
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑗=1
c) Suma de Cuadrados de Tratamientos:

𝑡
𝑌𝑖.2
𝑆𝐶𝑡𝑟𝑎𝑡 = ∑ − 𝑇𝐶
𝑟𝑖
𝑖=1

d) Suma de Cuadrados del Error Experimental:

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑡𝑟𝑎𝑡
El procedimiento para la prueba de hipótesis es similar al caso anterior solo cambia en el

Cuadro ANVA.
EJEMPLO 4: En un centro experimental, se apareo 9 pares de ovinos de raza corriedale

con diferentes hembras de la misma raza aleatoriamente, obteniéndose pesos de crías al
nacimiento (Kg.), realizar la prueba de hipótesis respectiva con los datos que se presentan
a continuación.
PADRES
Observaciones
1 2 3 4 5 6 7 8 9
1 3.6 3.5 3.0 3.0 3.3 4.3 4.1 3.0 3.6
2 3.0 4.2 3.6 3.2 2.8 1.9 3.2 3.2 3.6
3 3.1 3.4 4.2 2.2 4.0 3.1 3.4 3.9 3.8
4 4.0 3.0 2.2 4.1 3.0 3.4 3.2 4.0
5 4.0 4.4 3.4 3.8 3.2 3.9 3.7
6 3.8 3.8 3.5 3.0 4.0 2.4
7 3.8 2.2 3.0 4.0 4.1 2.8
8 4.3 4.2 3.7 3.6 3.6
9 3.8 3.5 3.8
10 3.4 4.2
11 3.8 4.2
12 3.9 3.9
13 3.3
14 3.6
15 3.2

H0: i=0
Es decir:
H0: no existe diferencia significativa entre los tratamientos
H1: existe diferencia significativa entre los tratamientos
Respecto al problema planteado

H0: los pesos de las crías al nacimiento no difieren por padre (tratamiento)
H1: los pesos de las crías al nacimiento difieren por padre (tratamiento)

2) Nivel de Significancia
α=0.05
𝐶𝑀
Será 𝐹𝑐 = 𝐶𝑀 𝑡𝑟𝑎𝑡 ∼ a una distribución F con n1 y n2 grados de libertad
𝑒𝑟𝑟𝑜𝑟
 Si 𝐹𝑐 ≤ 𝐹𝑡 se acepta la hipótesis nula con 1-α % de confianza y se rechaza la

hipostasis alterna con un α% de significancia.
 Si 𝐹𝑐 > 𝐹𝑡 se rechaza la hipótesis nula con un α % de significancia y se acepta la
hipostasis alterna con un 1-α% de confianza.
5) Cálculos
El esquema de la matriz de datos a ser procesada, para los cálculos es:
PADRES
Observaciones
1 2 3 4 5 6 7 8 9
1 3.6 3.5 3.0 3.0 3.3 4.3 4.1 3.0 3.6
2 3.0 4.2 3.6 3.2 2.8 1.9 3.2 3.2 3.6
3 3.1 3.4 4.2 2.2 4.0 3.1 3.4 3.9 3.8
4 4.0 3.0 2.2 4.1 3.0 3.4 3.2 4.0
5 4.0 4.4 3.4 3.8 3.2 3.9 3.7
6 3.8 3.8 3.5 3.0 4.0 2.4
7 3.8 2.2 3.0 4.0 4.1 2.8
8 4.3 4.2 3.7 3.6 3.6
9 3.8 3.5 3.8
10 3.4 4.2
11 3.8 4.2
12 3.9 3.9
13 3.3
14 3.6
15 3.2
TOTAL 33.4 24.5 16.4 8.4 28.7 12.3 28 43.5 53.7
ri 9 7 5 3 8 4 8 12 15
Grados de libertad de tratamientos (padres) : t-1 = 9-1 = 8
Grados de libertad del error experimental:

∑(𝑟𝑖 − 1) = 62
𝑖=1
Grados de libertad del total:
𝑡
∑ 𝑟𝑖 − 1 = 70
𝑖=1
(248.90)2
𝑇𝐶 = = 872.55
71
Suma de cuadrados de tratamientos (padres)

33.42 24.52 53.72
𝑆𝐶𝑡𝑟𝑎𝑡 = + + ⋯+ − 872.55 = 3.18
9 7 15

𝑡 𝑟
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶 = 3.62 + 3.02 + 3.12 + ⋯ + 3.22 − 872.55 = 21.44

𝑖=1 𝑗=1

𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑡𝑟𝑎𝑡 = 21.44 − 3.18 = 18.26
La tabla ANVA es:

Padres 8 3.18 0.397
1.35
Error 62 18.26 0.295
Total 70 21.44
𝐶𝑀𝑡𝑟𝑎𝑡. 0.397
𝐹𝑐 = = = 1.35
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 0.295
6) Conclusión
 Como 𝐹𝑐 = 1.35 ≤ 𝐹62,0.95
8
= 2.09 se acepta la hipótesis nula (H0) y se rechaza la
hipótesis alterna (H1), es decir no existen evidencias estadísticas significativas
entre los diferentes tratamientos o padres que se sometieron al estudio. La
prueba no es significativa.
7) Interpretación
No existe diferencia significativa entre los tratamientos (padres) que se sometieron
al estudio, es decir los pesos vivos al nacimiento no dependen del padre por lo tanto
se puede tomar cualquiera de los padres para las siguientes generaciones.

EJEMPLO 5: En un experimento se van a comparar los % de carbohidratos en cuatro

marcas de pan, para lo cual se van a hacer 18 determinaciones: 5 en la marca A, 3 en la B,
4 en la C y 6 en la D.
En este caso, cada marca de pan es un tratamiento (t = 4) y se tienen n1 = 5, n2 = 3, n3 = 4,
n4 = 6. Para obtener las respuestas se tomarán muestras aleatorias de los tamaños
especificados de cada marca y se harán determinaciones de los porcentajes mediante un
procedimiento (hasta donde sea posible) idéntico en las 18 unidades experimentales.
Las observaciones se muestran a continuación:
Tratamiento (Marca)
A B C D
63 60 59 70
68 65 66 69
71 61 58 62
70 59 71
69 70
66
Realice la prueba de hipótesis para la significancia o no de los tratamientos.
DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NÚMERO DE SUBUNIDADES

EXPERIMENTALES POR UNIDAD EXPERIMENTAL
Este diseño puede ser usado cuando se demandan unidades experimentales muy grandes,
debido a ello es posible dividirla en subunidades y ser estudiadas a partir de muestras
pequeñas, también puede ser usado cuando se presentan experimentos donde es muy
tedioso tomar toda la unidad experimental, siempre que sea necesario se puede sacar
subunidades de cada unidad.
CARACTERÍSTICAS
Se debe tener claro que en este tipo de diseños existen dos tipos de análisis uno referente
a las unidades y otro referente a las subunidades, generando las fuentes de variabilidad
que contribuyen a formar la varianza para las comparaciones entre los promedios de los
tratamientos, estas son:
 La variabilidad entre las subunidades de una misma unidad experimental. El

cuadrado medio de esta variabilidad se denomina error de muestreo.
 La variabilidad entre las unidades experimentales de un mismo tratamiento. El

cuadrado medio de esta variabilidad se denomina error experimental.
ANÁLISIS ESTADÍSTICO
Teniendo en cuanta t niveles de un factor (tratamientos), r repeticiones y m submuestras
por repetición Yijk (i=1, 2, 3, …, t; j=1, 2, 3, …, r: k=1, 2, 3, …, s) se considera como la

observación de una unidad experimental perteneciente a una población cuya media es

µijk. Entonces se generará tres poblaciones, las cuales se distribuirán normalmente.

El modelo estadístico apropiado estará dado por:
𝑌𝑖𝑗 = 𝜇 + 𝑖 + 𝜀𝑖𝑗 + 𝑖𝑗𝑘
i=1, 2, 3, …, t
j=1, 2, 3, …, r
k=1, 2, 3, …, s
Donde:
Yijk = Es la variable respuesta de la k-ésima muestra (subunidad) de la j-ésima unidad
experimental, sujeto al i-ésimo tratamiento.
µ = Es la media general poblacional o constante común.
i = Es el verdadero efecto del i-ésimo tratamiento.
ij = Es el efecto verdadero de la j-ésima unidad experimental sujeta al i-ésimo
tratamiento.
ij = Es el verdadero efecto aleatorio del error muestral en la k-ésima subunidad, de la j-
ésima unidad experimental, sujeta al i-ésimo tratamiento.
TABLA DE ANVA
𝑡
Tratamientos 𝑌𝑖..2 𝑌...2 𝑆𝐶𝑡𝑟𝑎𝑡. 𝐶𝑀𝑡𝑟𝑎𝑡.
t-1 ∑ −
(entre grupos) 𝑟𝑠 𝑡𝑟𝑠 𝑡−1 𝐶𝑀𝑒𝑒
𝑖=1
Error experimental 𝑡 2𝑟 𝑡
𝑌𝑖𝑗. 𝑌𝑖..2 𝑆𝐶𝑒𝑒 𝐶𝑀𝑒𝑒
(unidades dentro t(r-1) ∑∑ −∑
𝑠 𝑟𝑠 𝑡(𝑟 − 1) 𝐶𝑀𝑒𝑚
de grupos) 𝑖=1 𝑗=1 𝑖=1
𝑡 𝑟 𝑠 𝑡 𝑟 2
2
𝑌𝑖𝑗. 𝑆𝐶𝑒𝑚
Error de muestreo tr(s-1) ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − ∑∑
𝑠 𝑡𝑟(𝑠 − 1)
𝑖=1 𝑗=1 𝑘 𝑖=1 𝑗=1
𝑡 𝑟 𝑠
2
𝑌...2
Total trs-1 ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 −
𝑡𝑟𝑠
𝑖=1 𝑗=1 𝑘=1
EJEMPLO 6: Los datos que se muestran a continuación se refieren a producciones

parciales de forraje de maíz en verde, tomadas como muestras ante la imposibilidad de
medir la producción total de cada unidad experimental. Los tratamientos consisten en
cantidades diferentes de estiércol incorporado al suelo como mejorador.

Dosis I II III IV
24 19 18 23
0 23 21 19 22
21 24 22 20
24 21 23 19
2 TM/ha 19 22 18 21
23 24 22 23
25 31 28 34
4 TM/ha 28 24 32 33
30 32 36 29
56 62 61 62
6 TM/ha 65 60 60 60
58 59 64 61
Solución:
El esquema de la matriz de datos a ser procesada es:
Dosis I II III IV Yi..
24 19 18 23
0 23 21 19 22
21 24 22 20
Y1j. Y11.=68 Y12.=64 Y13.=59 Y14.=65 Y1..=256
24 21 23 19
2 TM/ha 19 22 18 21
23 24 22 23
Y2j. Y21.=66 Y22.=67 Y23.=63 Y24.=63 Y2..=259
25 31 28 34
4 TM/ha 28 24 32 33
30 32 36 29
Y3j. Y31.=83 Y32.=87 Y33.=96 Y34.=96 Y3..=362
56 62 61 62
6 TM/ha 65 60 60 60
58 59 64 61
Y4j. Y41.=179 Y42.=181 Y43.=185 Y44.=183 Y4..=728
Y…=1605

H0: i=0

α=0.01
𝐶𝑀𝑡𝑟𝑎𝑡
Será 𝐹𝑐 = ∼ a una distribución F con (t-1) y t(r-1) grados de libertad
𝐶𝑀𝑒𝑒

hipostasis alterna con un 1-α% de confianza.
5) Cálculos
Grados de libertad Entre grupos (tratamientos) : t-1 = 4 - 1 = 3
Grados de libertad de las unid. Dentro de grupos : t(r-1) = 4(4 - 1) = 12
Grados de libertad del error de muestreo : tr(s-1) = (4)(4)(3 - 1) = 32
Grados de libertad del total : trs – 1= (4)(4)(3) – 1 = 47
𝑌...2 (1605)2 2576025
𝑇𝐶 = = = = 53667.188
𝑡𝑟𝑠 (4)(4)(3) 48
Suma de cuadrados de tratamientos

4
𝑌𝑖..2 𝑌...2 2562 + 2592 + 3622 + 7282
𝑆𝐶𝑡𝑟𝑎𝑡 =∑ − = − 53667.188 = 12469.895
𝑟𝑠 𝑡𝑟𝑠 (4)(3)
𝑖=1
Suma de cuadrados del error experimental

4 2 4 4
𝑌𝑖𝑗. 𝑌𝑖..2 682 + 642 + 592 + ⋯ + 632
𝑆𝐶𝑒𝑒 = ∑∑ −∑ = − 66137.086 = 67.917
𝑠 𝑟𝑠 3
𝑖=1 𝑗=1 𝑖=1

4 4 3
2
𝑌…2
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − = 242 + 232 + ⋯ + 612 + 53667.188 = 12765.812
𝑡𝑟𝑠
𝑖=1 𝑗=1 𝑘=1


𝑆𝐶𝑒𝑚 = 12765.812 − (12469.895 + 67.917) = 228
La tabla ANVA es:

Tratamientos 3 12469.895 4156.632 734.4
Error Experimental 12 67.917 5.660 0.79
Error de muestreo 32 228.000 7.125
Total 47 12765.812
6) Conclusión
Para tratamientos
 Como 𝐹𝑐 = 734.4 > 𝐹3,12,0.95 = 3.49 se rechaza la hipótesis nula (H0) es decir se
rechaza la hipótesis de igualdad de tratamientos y se acepta la hipótesis alterna
(H1), es decir la prueba es significativa.
7) Interpretación
 Existe diferencia significativa entre los tratamientos, es decir entre las diferentes
cantidades de estiércol aplicadas al suelo.
EJEMPLO 7: Analice los resultados que se muestran a continuación:

Planta i Hoja j Determinaciones Yijk
1 3.28 6.37
1 2 3.52 7.00
3 2.88 5.68
1 2.46 4.90
2 2 1.87 3.79
3 2.19 4.38
1 2.77 5.43
3 2 3.74 7.18
3 2.55 5.10
1 3.78 7.65
4 2 4.07 8.19
3 3.31 6.62
Realice el procedimiento completo para la prueba de hipótesis.

DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE NÚMERO DE SUBUNIDADES

EXPERIMENTALES POR UNIDAD EXPERIMENTAL
El Modelo Estadístico Lineal es similar al caso anterior solo cambia en la Tabla ANVA.
2
 ri rij 
t   ijk 
 Y 
 j 1 k 1   TC 𝑆𝐶𝑡𝑟𝑎𝑡 𝐶𝑀𝑡𝑟𝑎𝑡.
Tratamientos t-1  ri
𝐺𝐿𝑡𝑟𝑎𝑡 𝐶𝑀𝑒𝑒
i 1
 rij
j 1`
2 2
 rij   ri rij 
𝑡   Yijk    Yijk 
ri   t   𝑆𝐶𝑒𝑒 𝐶𝑀𝑒𝑒
 k 1    j 1 k 1 
t
Error experimental ∑(𝑟𝑖 − 1)  
rij ri
𝐺𝐿𝑒𝑒 𝐶𝑀𝑒𝑚
𝑖=1
i 1 j 1 i 1
 rij j 1
2
𝑡 𝑟𝑖  rij 
ri   ijk 
 Y  𝑆𝐶𝑒𝑚
Error de muestreo ∑ ∑( 𝑟𝑖𝑗 − 1) ri rij
Yijk2    
t t

k 1`
𝐺𝐿𝑒𝑚
𝑖=1 𝑗=1 rij
i 1 j 1 k 1 i 1 j 1
𝑡 𝑟𝑖
t ri rij
Total ∑ ∑ 𝑟𝑖𝑗 − 1  Y

i 1 j 1 k 1
2
ijk  TC
𝑖=1 𝑗=1
2
 t ri rij 
  Yijk 
 i 1 j 1 k 1  Y 2
TC    
t ri
n..
 rij
i 1 j 1
EJEMPLO: En el Centro Experimental Chuquibambilla de la Universidad Nacional del

Altiplano, se evaluaron los pesos de destete (Kg) en ovinos criollos de la progenie de 8
hembra, las cuales fueron apareadas a 3 padres. Cada padre fue apareado al azar con
diferente número de madres, de los cuales cada madre tiene diferente número de crías.
Con la información obtenida se estimaron los componentes de varianza para esta
característica.
Padres P1 P2 P3
Madres M602 M270 M694 M268 M278 M246 M249 M603
1 15 16 17 22 22 15 16 25
2 17 15 19 15 19 17 17 16
3 14 13 18 19 18 18 20 16
4 13 24 20 15 22 18 20
5 15 17 20 15
6 17 18

Solución: El esquema de la matriz de datos a ser procesada es:

Padres
P1 P2 P3
Madres Madres Madres
Crías M602 M270 M694 M268 M278 M246 M249 M603
1 15 16 17 22 22 15 16 25
2 17 15 19 15 19 17 17 16
3 14 13 18 19 18 18 20 16
4 13 24 20 15 22 18 20
5 15 17 20 15
6 17 18
Yij. Y11.=74 Y12.=44 Y13.=78 Y21.=93 Y22.=74 Y31.=109 Y32.=71 Y33.=110 Y…=653
rij r11=5 r12=3 r13=4 r21=5 r22=4 r31=6 r32=4 r33=6 r..=37
Yi.. Y1..=196 Y2..=167 Y3..=290

H0: i=0
α=0.05
𝐶𝑀𝑡𝑟𝑎𝑡
Será 𝐹𝑐 = ∼ a una distribución F con n1 y n2 grados de libertad
𝐶𝑀𝑒𝑒

hipostasis alterna con un 1-α% de confianza.
5) Cálculos
G. L. de los tratamientos : t-1 = 3 - 1 = 2

3
G. L. del error experimental:  r  1  3  1  2  1  3  1  5
i 1
i
G. L. del error de muestreo:

3 ri
 (r
i 1 j 1
ij  1)  (5  1)  (3  1)  (4  1)  (5  1)  (4  1)  (6  1)  (4  1)  (6  1)  29
3 ri
G. L. del total:  r
i 1 j 1
ij  1  (5  3  4  5  4  6  4  6)  1  37  1  36
2
 3 ri rij 
  Yijk 
 i 1 j 1 k 1  Y 2 (653) 2
TC       11524.56757
3 ri
n.. 37
 rij i 1 j 1
Para la suma de cuadrados de tratamientos calculamos:

2
 ri rij 
  Yijk 
 j 1 k 1 
   (196)  (167)  (290)  11556.3611
3 2 2 2
 ri
12 9 16
i 1
r
j 1`
ij
2
 ri rij 
  Yijk 
 j 1 k 1 
   TC  11556 .36111  11524 .56757  31 .793544
3
SC trat   ri
i 1
r
j 1`
ij
Para la suma de cuadrados del error experimental

2
 rij 
  Yijk 
3 ri   2 2 2 2 2 2 2 2
 k 1   74  44  78  93  74  109  71  110  11617.41667
 
i 1 j 1 rij 5 3 4 5 4 6 4 6
2 2
 rij   ri rij 
  Yijk    Yijk 
3 ri   3  
SCee       j 1 k 1   11617.41667  11556.36111  61.05556

k 1
ri
rij
i 1 j 1 i 1
 rij j 1
Para la suma de cuadrados del error de muestreo

3 ri rij
 Y
i 1 j 1 k 1
2
ijk 15 2  17 2  14 2    15 2  18 2  11823

2
 rij 
  Yijk 
3 ri rij 3 ri  
  Yijk2      11823  11617.41667  205.58333
k 1`
SCem
i 1 j 1 k 1 i 1 j 1 rij

t ri rij
SCtotal   Yijk2  TC  11823  11524 .56757  298 .43243
i 1 j 1 k 1
La tabla ANVA es:

Entre padres 2 31.793544 15.89677 1.302
Entre madres/padres 5 61.05556 12.21111 1.723
Progenie/madre/padre 29 205.58333 7.08908
Total 36 298.43243
6) Conclusión
Para tratamientos (entre padres)
Como 𝐹𝑐 = 1.30 > 𝐹2,5,0.95 = 5.79 se acepta la hipótesis nula (H0) es decir acepta la
hipótesis de igualdad de tratamientos al 95% de nivel de confianza.
7) Interpretación
No existen evidencias estadísticas significativas, es decir aceptamos la hipótesis de
que los tratamientos (padres) son similares o no demuestran ser diferentes.
EJEMPLO 8: Considere un ejemplo para investigar la conversión fermentativa del azúcar

a ácido láctico. Deseamos comparar la capacidad de dos microorganismos para efectuar
esta conversión. Una cantidad de substracto es preparada y dividida en dos porciones
desiguales. Cada porción es dividida en un número de subporciones de 100 ml. (unidades
experimentales) como sigue: Nº 1, 4 unidades; Nº 2, 3 unidades. Cada una de las unidades
de 100 ml. Es inoculada como uno u otro de los dos microorganismos, 4 unidades fueron
inoculadas con el microorganismo Nº 1 y 3 unidades con el microorganismo Nº 2. La
fermentación se deja proceder por 24 horas, y después cada unidad experimental
(subporción de 100 ml.) es examinada respecto a la cantidad de azúcar residual,
expresada en mg. por 5 c.c., para determinar la cantidad de cambio producida por cada
microorganismo. El azúcar previamente presentado será convertido y aparece como
ácido láctico. Posteriormente varios números de determinaciones son hechos en cada
muestra. Los datos se registran en la siguiente tabla.

Microorganismo Nº 1 Microorganismo Nº 2
Determinaciones Muestra Nº Muestra Nº
1 2 3 4 1 2 3
1 5.6 5.0 5.4 5.3 7.6 7.4 7.5
2 5.7 5.0 5.4 5.5 7.6 7.0 7.6
3 5.1 5.4 7.8 7.2 7.5
4 5.5 7.4
5 5.4
Se pide realizar el procedimiento para la prueba de hipótesis de significancia o no de los

tratamientos.
DISEÑO EN BLOQUE COMPLETO AL AZAR (DBCA)

Este diseño es uno de los más ampliamente conocidos y difundidos de los diseños
experimentales, también se conoce como Diseño Bloque Completamente Aleatorizado, y
se caracteriza porque los tratamientos se distribuyen en forma aleatoria, a un grupo de
unidades experimentales denominado bloque, la finalidad es que las unidades
experimentales dentro de un bloque sean lo más homogéneas posibles, es decir el número
de unidades experimentales en cada bloque debe ser igual al número de tratamientos que
se quiere estudiar.
Los bloques pueden estar formados por áreas homogéneas de un terreno, grupo de
animales que puedan manipularse en forma uniforme (misma raza, misma edad, mismo
peso, etc.)
En resumen, en este diseño de bloques completos al azar los tratamientos son
aleatoriamente asignados a las unidades experimentales (homogéneos) dentro de cada
estrato o subgrupo o bloque. De esta forma, el proceso de aleatorización de los
tratamientos ha sido restringido a las unidades dentro de cada bloque. Desde el punto de
vista de la variabilidad de los datos, se han introducido una variabilidad artificial por
estudiar distintos tratamientos.
La variabilidad natural existente entre las unidades experimentales puede ser
subdividida por el hecho de haber agrupado las unidades experimentales en grupos
heterogéneos (bloques) pero conformados por unidades homogéneas. Así, parte de lo que
es la variabilidad natural de las unidades puede ser atribuida a algo ahora conocido
(bloques) y otra parte seguirá siendo variabilidad natural de las unidades
experimentales.
Es interesante notar que la restricción impuesta la aleatorización sorteo implica que cada
estrato o bloque corresponde con una repetición completa de los tratamientos.
Los bloques o repeticiones pueden ser días, observadores, animales, corrales, pacientes,
colegios, clones, laboratorios, estufas, cámaras de crecimiento, etc. Así este diseño podría
ser usado para controlar una fuente de variación en el material experimental y no
solamente la variación entre bloques en un campo.

En la figura siguiente, se observa que las unidades no son completamente iguales, son
heterogéneas, tal como se simboliza mediante formas diferentes.
Figura 1: Principio de formación de bloques
Primero se ordena las unidades experimentales de acuerdo a sus características, de forma

que todas las unidades iguales formen un grupo (bloque) en el ejemplo cada bloque
comprende 4 unidades homogéneas Fig 1 (b). Y finalmente los 4 tratamientos (indicados
mediante 1, 2, 3, 4), se asignan al azar a las 4 unidades de cada bloque Fig. 1(c). La
evidente heterogeneidad de las unidades está controlada por el proceso de la formación
de bloques. Obsérvese el balance que existe en este diseño. Cada observación se clasifica
de acuerdo con el bloque que contiene la unidad experimental y al tratamiento aplicado,
dando lugar a una clasificación de dos vías. Cada tratamiento aparece un número igual de
veces, generalmente una vez, en cada bloque y cada bloque contiene todos los
tratamientos. Bloques y tratamientos son ortogonales entre sí. Esta propiedad es la que
lleva a los sencillos cálculos aritméticos que entran en el análisis de los datos resultantes.
Este diseño se usa con mayor frecuencia que cualquier otro y si da precisión satisfactoria,
no hay objeto de usar otro diferente.
VENTAJAS:
1) Precisión: Este diseño ha resultado más preciso que el diseño completamente al azar,
para la mayoría de los tratamientos experimentales. La eliminación de la suma de
cuadrados de bloques desde la suma de cuadrados del error usualmente resulta en un
decrecimiento en el cuadro medio del error a pesar de la pérdida de grados libres para
estimar este error. Permite ganar mayor precisión en el experimento, principalmente
cuando existe diferencias significativas entre bloques.
Flexibilidad: No existe una restricción en relación al número de tratamientos y de

repeticiones, sin embargo, el aumento en el número de tratamientos conlleva a la
pérdida de la homogeneidad dentro de bloques.

2) Es un diseño bastante usado por su adaptabilidad, recomendándose generalmente

más de tres bloques y por lo menos dos tratamientos por bloque.
3) Es factible realizar el análisis experimental, cuando por alguna causa se hubiera
perdido algún bloque. Además si el resultado de una unidad experimental no se
llegaría a registrar (pérdida de la unidad experimental), existen técnicas estadísticas
simples para poder estimar el resultado.
DESVENTAJAS:
1) La desventaja de este diseño es que no es adecuado a gran número de tratamientos y
para los casos en que el bloque contenga considerable variabilidad.
2) Cuando existe pérdida de muchas unidades experimentales, el análisis estadístico se
complica seriamente y muchas veces no es posible analizarlo.
3) No es recomendable utilizar este diseño cuando se verifica que existe interacción
entre bloques y tratamientos.
ESQUEMA DEL DISEÑO BLOQUE COMPLETO AL AZAR.
Tabla de valores de la muestra para DBCA.

Tratamientos Repeticiones (j) Total
(i) 1 2 3 ... j ... r Yi.
1 Y11 Y12 Y13 ... Y1j ... Y1r Y1.
2 Y21 Y22 Y23 ... Y2j ... Y2r Y2.
3 Y31 Y32 Y33 ... Y3j ... Y3r Y3.
... ... ... ... ... ... ... ... ...
i Yi1 Yi2 Yi3 ... Yij ... Yir Yi.
... ... ... ... ... ... ... ... ...
t Yt1 Yt2 Yt3 ... Ytj ... Ytr Yt.
Total Y.j Y.1 Y.2 Y.3 ... Y.j ... Y.r Y..
MODELO ADITIVO LINEAL
El modelo estadístico lineal aditivo para un DBCA es el siguiente:

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖𝑗
i=1, 2, 3, …, t (t tratamientos)
j=1, 2, 3, …, r (r bloques)
Donde:
Yij = Variable de respuesta observada en la unidad experimental ubicada en el j-ésimo
bloque que recibe el tratamiento "i"
µ = Constante común para toda la observación o media de la población.
i = Es el efecto del i-ésimo tratamiento.

j = Es el efecto del j-ésimo bloque.
ij = Término que representa el error de su respectiva Yij que se considera como la
variable aleatoria distribuida en forma normal e independiente con media cero y varianza
constante, es: 𝜀𝑖𝑗 ~ 𝐷𝑁𝐼(0, 𝜎𝑒2 ).
HIPÓTESIS Modelo I Modelo II

Respecto a los tratamientos 𝐻0 : 𝜏𝑖 = 0 𝐻0 : 𝜎𝜏2 = 0
𝐻1 : 𝜏𝑖 ≠ 0 𝐻1 : 𝜎𝜏2 ≠ 0
Respecto a los bloques 𝐻0 : 𝛽𝑗 = 0 𝐻0 : 𝜎𝛽2 = 0
𝐻1 : 𝛽𝑗 ≠ 0 𝐻1 : 𝜎𝛽2 ≠ 0
ANÁLISIS DE VARIANZA
De acuerdo al modelo estadístico lineal el análisis de varianza tiene 3 fuentes de
variación: Tratamientos, bloques y error experimental que juntos constituyen la
variabilidad total.

TABLA DE ANVA
S.C.
F. de V. G.L. C.M. Fc
Definición Operacional
𝑟 𝑟 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒
2 𝑌.𝑗2 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒
Bloques r-1 𝑡 ∑(𝑌̅.𝑗 − 𝑌̅.. ) 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 = ∑ − 𝑇𝐶 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑡 𝑡−1
𝑗=1 𝑗=1
𝑡 𝑡 𝐶𝑀𝑇𝑟𝑎𝑡
𝑌𝑖.2 𝑆𝐶𝑇𝑟𝑎𝑡.
Tratamientos t-1 𝑟 ∑(𝑌̅𝑖. − 𝑌̅.. )2 𝑆𝐶𝑇𝑟𝑎𝑡 = ∑ − 𝑇𝐶 𝐶𝑀𝑇𝑟𝑎𝑡 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑟 𝑡−1
𝑖=1 𝑖=1
𝑡 𝑟 𝑡 𝑟 𝑡 𝑟
Error 2 𝑌𝑖.2 𝑌.𝑗2 𝑆𝐶𝐸𝑟𝑟𝑜𝑟
(t-1)(r-1) ∑ ∑(𝑌𝑖𝑗 − 𝑌̅𝑖. − 𝑌̅.𝑗 + 𝑌̅.. ) 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 2
= ∑ ∑ 𝑌𝑖𝑗 − ∑ − ∑ + 𝑇𝐶 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 =
Experimental 𝑟 𝑡 (𝑡 − 1)(𝑟 − 1)
𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑡 𝑟 𝑡 𝑟
2
Total tr-1 ∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. ) 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑌..2 √𝐶𝑀𝑒𝑟𝑟𝑜𝑟
𝑇𝐶 = 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − (𝑆𝐶𝑇𝑟𝑎𝑡. − 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 ) 𝐶𝑉 = . 100
𝑡𝑟 𝑌̅..


Disenos Experimentales Todo PDF

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Disenos Experimentales Todo PDF

Caricato da

Copyright:

Formati disponibili

UNA PUNO DISEÑOS EXPERIMENTALES

DISEÑO COMPLETAMENTE AL AZAR (DCA, DIA)

El Diseño Completamente al Azar, es aquel en el cual los tratamientos son asignados en

Ing. Ronald Mamani Mayta Página | 1

¿Cómo asignamos los conejos a los cuatro grupos tratamiento?

MODELO ESTADÍSTICO LINEAL

Ing. Ronald Mamani Mayta Página | 2

i = Es el efecto del i-ésimo tratamiento.

ESQUEMA O REPRESENTACIÓN SIMBÓLICA DEL DISEÑO

Observaciones Tratamiento (i)

Ing. Ronald Mamani Mayta Página | 3

DISEÑO COMPLETAMENTE AL AZAR CON IGUAL NÚMERO DE OBSERVACIONES POR

TABLA ANVA: Fórmulas

√𝐶𝑀𝑒𝑟𝑟𝑜𝑟 𝑌..2 𝑌.. = 𝐺𝑟𝑎𝑛 𝑇𝑜𝑡𝑎𝑙

MODELO DE EFECTOS FIJOS, ALEATORIOS O MIXTOS

a) MODELO I: Llamado modelo de Efectos fijos o modelo de análisis de varianza. Este

b) MODELO II: Llamado modelo de efectos aleatorios o modelo de componentes de

Ing. Ronald Mamani Mayta Página | 4

En este caso el investigador asume que i tratamientos están distribuidos normal e

c) MODELO MIXTO: Hace referencia a aquellos casos en los cuales el investigador

PROCEDIMIENTO PARA LA PRUEBA DE HIPÓTESIS

EJEMPLO: Se desea probar la hipótesis de que las notas de estadística en pruebas

Ing. Ronald Mamani Mayta Página | 5

Se pide realizar el procedimiento para la prueba de hipótesis.

PROCEDIMIENTO PARA LA PRUEBA DE HIPÓTESIS

Respecto al problema planteado

Suma de cuadrados de tratamientos (turnos)

Ing. Ronald Mamani Mayta Página | 6

Suma de cuadrados del total

Suma de cuadrados del error

La tabla ANVA es:

Ing. Ronald Mamani Mayta Página | 7

EJEMPLO 3: Disminución del crecimiento en bacterias de carne almacenada

Hipótesis de investigación: Algunas formas de gases controlados pueden mejorar la

Diseño experimental: Completamente al azar.

Variable de respuesta: Se mide el número de bacterias psichnotropicas en la carne

Pregunta de investigación: ¿Hay más crecimiento bacterial con algunos métodos de

Ing. Ronald Mamani Mayta Página | 8

DISEÑO COMPLETAMENTE AL AZAR CON DIFERENTE NÚMERO DE OBSERVACIONES

MODELO ESTADÍSTICO LINEAL

TABLA ANVA: Fórmulas

√𝐶𝑀𝑒𝑟𝑟𝑜𝑟 𝑌.. = 𝐺𝑟𝑎𝑛 𝑇𝑜𝑡𝑎𝑙

b) Suma de Cuadrados del Total:

c) Suma de Cuadrados de Tratamientos:

Ing. Ronald Mamani Mayta Página | 9

d) Suma de Cuadrados del Error Experimental:

El procedimiento para la prueba de hipótesis es similar al caso anterior solo cambia en el

EJEMPLO 4: En un centro experimental, se apareo 9 pares de ovinos de raza corriedale

PROCEDIMIENTO PARA LA PRUEBA DE HIPÓTESIS

Respecto al problema planteado

Ing. Ronald Mamani Mayta Página | 10

 Si 𝐹𝑐 ≤ 𝐹𝑡 se acepta la hipótesis nula con 1-α % de confianza y se rechaza la

Grados de libertad de tratamientos (padres) : t-1 = 9-1 = 8

Grados de libertad del error experimental:

Ing. Ronald Mamani Mayta Página | 11

Suma de cuadrados de tratamientos (padres)

Suma de cuadrados del total

𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶 = 3.62 + 3.02 + 3.12 + ⋯ + 3.22 − 872.55 = 21.44

Suma de cuadrados del error

La tabla ANVA es:

Ing. Ronald Mamani Mayta Página | 12

EJEMPLO 5: En un experimento se van a comparar los % de carbohidratos en cuatro