DISEÑOS EXPERIMENTALES

Jorge Guzmán Calla

CAPITULO 4

DISEÑO BLOQUES
COMPLETOS AL AZAR (BCA)
4.1. INTRODUCCION

La estimación de la variación aleatoria (error experimental) a menudo puede reducirse, es decir

que se puede separar la variabilidad debida a causas extrañas, estratificando las unidades experimentales.
Esto se puede lograr cuando las fuentes de variabilidad son conocidas y se mantienen homogéneas dentro
de un bloque pero que varían de un bloque a otro.
En trabajos de campo, generalmente se presentan fuentes de variabilidad que afectan a un
adecuado análisis de los tratamientos. En este caso, se recomienda agrupar las unidades experimentales de
acuerdo a cierto criterio de clasificación o fuente de variabilidad. A cada grupo, que corresponde a un
determinado nivel de variación, con características homogéneas, se denomina bloque.
Cada bloque debe contar con tantas unidades experimentales como tratamientos. Si se tratara de
experimentos en el campo agrícola los bloques deberían estar compuestos por parcelas ubicadas en áreas
de relativa homogeneidad, respecto a las áreas aledañas, de manera que cada tratamiento pueda demostrar
su potencial verdadero. Como ejemplos podemos mencionar variabilidad debida a la pendiente de un
determinado terreno, variaciones de fertilidad, humedad, textura del suelo, etc. Si el campo tiene una
pendiente conocida las parcelas de cada bloque deben colocarse en un forma perpendicular a la pendiente,
de manera que todas unidades experimentales dentro del bloque estén bajo las mismas condiciones de
humedad y fertilidad.
En el campo ganadero, los bloques deberán estar constituidos por un número de animales de
aproximadamente igual peso, edad, raza ó sexo. La condición fundamental es que existan diferencias entre
bloques.

4.2. DEFINICION El diseño bloques completos al azar es un diseño experimental el cual compara “t”
tratamientos en “b” bloques. Los tratamientos están distribuidos en las unidades
experimentales dentro de cada bloque en forma aleatoria, con la condición que cada
tratamiento aparece una sola vez en cada bloque.

4.3. VENTAJAS 
 Es un diseño muy útil para comparar “t” medias de tratamientos en la presencia de una fuente de
variación
 En caso que alguna de las unidades se pierda, su valor puede ser estimado mediante una técnica
sencilla desarrollada por Yates.
 El análisis es simple, y el diseño fácil de plantear.
DESVENTAJAS
 Debido a que las unidades dentro de bloques deben ser homogéneas, el diseño funciona mejor con
un pequeño número de tratamientos. No es recomendable para un elevado número de tratamientos
por que esto aumenta el tamaño del bloque y por tanto la heterogeneidad dentro de bloque.
 El diseño controla solo una fuente de variación debida a bloques, Fuentes adicionales de
variabilidad tiende a incrementar el término del error, haciendo más difícil detectar diferencias
entre tratamientos.
 El efecto de cada tratamiento en la respuesta debe ser aproximadamente el mismo de bloque a
bloque.
 No es aconsejable cuando existe alta variabilidad en el material experimental.
 Si el análisis de varianza no muestra diferencias significativas entre bloques, se ha perdido
precisión respecto al diseño Completamente al azar, debido a que para estudiar el efecto de los
bloques se han sustraído grados de libertad del error.

27
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

En algunos casos, un tratamiento puede aparecer más de una vez en un bloque dependiendo
el grado de precisión con el cual este tratamiento necesita ser investigado.

4.4. REDUCCION DEL ERROR EN EL BCA

a) Variabilidad del material experimental.

- La variabilidad en el material experimental es la fuente de error más común en la
investigación en campo. Por tanto, el material utilizado para el experimento debe ser lo
más homogéneo posible.

28
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

b) Aleatorización de los tratamientos

-los tratamientos deben ser distribuidos al azar dentro de cada bloque.

c) Colocación de las parcelas en el bloque

Los bloques deben ser colocados en un mismo nivel respecto a fuente de variabilidad. Si el campo
cuenta con una gradiente de humedad los bloques deben ser colocados en un mismo nivel de
humedad y no así en diferentes niveles.

d) Forma que debe tener el bloque

e) Forma de colocar los bloques en el campo

-colocar los bloques uno al lado de otro o uno debajo del otro
-se puede colocar cada bloque en campos diferentes o en suelos con diferentes texturas o curvas de
fertilidad
-se puede colocar diferentes épocas de siembra en cada bloque en el mismo terreno
a) Número de tratamientos y Número de bloques.
- es apropiado cuando el número de tratamientos oscila entre 5 y 20
- el número de repeticiones varía desde 3 a 10
4.5. EFICIENCIA

El uso del diseño bloques completos al azar (BCA) esta basado en la discusión de si la formación de bloques ha
incrementado la precisión para comparar las medias de tratamientos en un experimento. Por tanto, es necesario
preguntarse si el uso de este diseño es mejor que el completamente al azar (CA), es decir si se ha ganado o perdido
eficiencia.

Se representarán los cuadrados medios del los diseños BCA y del CA por CM BCA y CMCA respectivamente. Para
estimar el error experimental que pudo haberse obtenido si se hubiera utilizado el diseño CA.

fb CMB + (f t + f e)CME
CME(CA) = -----------------------------------------------------
fb + ft + fe

Donde: CMB y CME son los cuadrados medios de los bloques y del error, y fb, ft, fe son los grados de libertad de
bloques, tratamientos y error.

(f1+1) (f2 +3) CME(CA)

ER(BCA a CA) = ----------------------------------------------- * 100 =
(f1+3) (f2+1) CME(BCA)

Donde : f1 = grados de libertad del error para el BCA

f2 = fb + fe grados de libertad del error para el CA

Si la eficiencia es menor a 100 %, podemos concluir que el diseño BCA no ha proporcionado buena información
pertinente al problema y que mejor hubiera sido usar el diseño CA.
Si la eficiencia es mayor a 100% se dice que se ha ganado eficiencia al usar el BCA y las diferencias entre bloques
fueron reales.

EJEMPLO 4.1
29
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

Se realizó un experimento para comparar el contenido de aceite de semillas de cuatro variedades lino. Los
resultados fueron los siguientes

CUADRO 4.1 Análisis de varianza para el contenido de aceite de semillas de cuatro variedades de lino.

F.V. G.L. S.C. C.M. Fc Ft(0.05)

Bloques 3 3.14 1.05 0.8 3.29
Tratamientos 5 31.65 6.33 4.83 2.9
Error 15 19.72 1.31
Total 23

3 (1.05) + (5 + 15) 1.31

CME(CA) = ----------------------------------------------------- = 1.28
3 + 5 + 15

Donde: CMB y CME son los cuadrados medios de los bloques y del error, y f b, ft, fe son los grados de libertad de
bloques, tratamientos y error.

(f1+1) (f2 +3) CME(CA) (15 + 1)(18 + 3) 1.28

1. ER(BCA a CA) = ----------------------------------------------- = ------------------------------------------- * 100 = 96 %
(f1+3) (f2+1) CME(BCA) (15 + 3)(18 + 1) 1.31

En este caso se sacrifica información, en teoría, al usar el diseño de bloques al azar en lugar del diseño
completamente al azar.

4.6. ANALISIS DE RESULTADOS DEL BCA

EJEMPLO 4.2
Se realizó un experimento comparativo de seis variedades de quinua (Chenopodium quinoa) en la Estación
experimental de Patacamaya (Guzman, et al). La datos se presentan en la CUADRO 3.2.

CUADRO 3.2 Rendimiento de seis variedades de quinua en kg/12m 2

TRATAMIENTOS
BLOQUES Chucapaca Huaranga Sajama Samaranti Kamiri Sayaña TOTAL
I 3.5 3.2 1.8 1.6 1.8 1.8 13.7
II 3.0 1.6 0.8 0.7 1.1 1.4 8.6
III 2.3 1.8 1.5 1.2 1.6 1.2 9.6
IV 2.0 1.6 1.5 1.6 1.8 1.3 9.8
TOTAL 10.8 8.2 5.6 5.1 6.3 5.7 41.7
PROMEDIO 2.70 2.05 1.40 1.28 1.58 1.42 1.74

OBJETIVO
- Estudiar el rendimiento de seis variedades de quinua en el altiplano central

HIPOTESIS
a) Respecto a las variedades:
No existen diferencias en el rendimiento de las variedades en estudio
30
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

( Ho : αi = 0)
b) Respecto a los bloques: (no es necesario mencionar la hipótesis respecto a bloques en el documento final, sin
embargo, se debe analizar su resultado.)
- No existen diferencias entre bloques.
( Ho : βj = 0)

4.6.1. MODELO ADITIVO LINEAL Yij = µ + βj + αi + εij

Donde :
Yij = Unidad experimental que recibe la i-ésima variedad, y se
encuentra en el j-ésimo bloque.
µ = Media general del experimento.
βj = Efecto del j-ésimo bloque.
αi = Efecto de la i-ésima variedad.
εij = Error experimental.

REQUISITOS
a) Distribución normal de rendimiento en kg.
b) Medias y variancias independientes Efectos aditivos de tratamientos y bloques, no existe interacción entre
ambos.
c) Homoscedasticidad (variancias homogeneas)
d) Errores distribuidos normalmente con media = 0 y varianza = σ 2 ; NID(0, σ2)

NIVEL DE SIGNIFICACION α = 0.05

REGLA DE DECISION Aceptar la Ho si Fc ≠ Ft(0.05)

4.6.2. CALCULOS PARA RENDIMIENTO

Tratamientos: i : 1.....a a=6

Bloques : j : 1.....b b=4
a) Factor de corrección (FC)

Y2 41.72
FC = ---------- = --------------- = 72.45
a*b 6*4

b) Suma de Cuadrados del Total

SCT = ΣΣY2 ij - FC = 83.15 - 72.45 = 10.70

c) Suma de Cuadrados de Tratamientos

ΣY2 i 313.43
SCα = --------------- - FC = ---------------- - 72.45 = 5.90
b 4

d) Suma de Cuadrados de Bloques

Y2j 449.85
SCβ = ------------- - FC = -------------- - 72.45 = 2.52
a 6

e) Suma de Cuadrados del Error

SCε = SCT - SCα - SCβ = 10.70 - 5.91 - 2.53 = 2.27
31
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

f) Análisis de varianza

CUADRO 4.3 Análisis de varianza para el rendimiento de seis variedades de quinua.

F.V. G.L. S.C. C.M. Fc Ft(0.05)

Bloques 3 2.52 0.84 5.6 3.29

Tratamientos 5 5.9 1.18 7.9 2.9

Error 15 2.27 0.15

Total 23

Coeficiente de variabilidad = 22.3

4.6.3. EFICIENCIA

3 (0.84) + (5 + 15) 0.15

CME(CA) = ----------------------------------------------------- = 0.24
XFXCF 3 + 5 + 15

Donde: CMB y CME son los cuadrados medios de los bloques y del error, y fb, ft, fe son los grados de libertad de
bloques, tratamientos y error.

(f1+1) (f2 +3) CME(CA) (15 + 1)(18 + 3) 0.24

ER(BCA a CA) = --------------------------------------------* 100 = ---------------------------- * 100 = 157 %
(f1+3) (f2+1) CME(BCA) (15 + 3)(18 + 1) 0.15

Donde : f1 = grados de libertad del error para el BCA

f2 = fb + fe grados de libertad del error para el CA

En este caso, al utilizar el diseño bloques al azar , en lugar del diseño completamente al azar se gana 57 %
de eficiencia. La suposición inicial de la existencia de una fuente de variabilidad, en este caso pendiente, era cierta
y la variabilidad fue controlada con la estratificación del terreno mediante bloques.

4.7. COMPARACION DE MEDIAS

4.7.1. COMPARACION MULTIPLE DE DUNCAN

CME = 0.15 r=4 GLE = 15

Determinación de

a) Buscar en la tabla de Duncan los valores de las Amplitudes Estudiantizadas Significativas de Duncan (AES-D)

Valores de p 2 3 4 5 6

32
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

AES (D) 304 316 325 331 336

Sx = 0.194
ALS(D) 59 61 63 64 65

b) Se ordenan los promedios y comparan medias aledañas

Comparados con : Chucaoaca Huaranga Kamiri Sayaña Sajama Samaranti

I II III IV V VI
2.7 2.05 1.58 1.42 1.40 1.28
Chucapaca I 2.7 -- 0.65 * 1.12 * 1.28 * 1.30 * 1.42 *
Huaranga II 2.05 -- 47 0.63 * 0.65 * 0.77 *
Kamiri III 1.58 -- 16 18 30
Sayaña IV 1.42 -- 2 14
Sajama V 1.40 -- 12
Samaranti VI 1.28 --

c) Resultado final
Chucaoaca Huaranga Kamiri Sayaña Sajama Samaranti
I II III IV V VI
27 205 158 142 140 128

4.8. CONCLUSIONES a
 El coeficiente de variabilidad igual a 22.3% indica que los datos son confiables.
 El cuadro de análisis de varianza muestra que existen diferencias significativas entre bloques lo cual
indica que la suposición inicial de diferencias en terreno fue verdadera. Se ganó el 57 % de eficiencia
al bloquear la fuente de variación presente en el terreno que en este caso es la pendiente.
 El valor de F calculado muestra que existen diferencias significativas entre los promedios de las
variedades en estudio. El siguiente paso será hacer la comparación entre medias
 La prueba de rango múltiple de Duncan al nivel del 5% indica que existen diferencias significativas
entre las variedades Chucapaca y el resto de las variedades en estudio, esta variedad superó a las demás
variedades, alcanzando un rendimiento de 2.7 kg/parcela. No se encontraron diferencias significativas
entre las variedades Huaranga y Kamiri las cuales alcanzaron rendimientos 2.05 y 1.58 kg/parcela.
Finalmente, no se encontraron diferencias significativas entre las variedades Kamiri, Sayaña, Sajama y
Samaranti las cuales mostraron rendimientos en un rango de 1.58 a 1.28 kg/parcela.
a
PROGRAMACION Y RESULTADOS EN ‘SAS’

33
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

Options ps=85 ls=85 nodate;

data FERT;
input block trt $ Y @@;
CARDS;
1 chucapaca 3.5 2 chucapaca 3.0 3 chucapaca 2.3 4 chucapaca 2.0
1 huaranga 3.2 2 huaranga 1.6 3 huaranga 1.8 4 huaranga 1.6
1 sajama 1.8 2 sajama 0.8 3 sajama 1.5 4 sajama 1.5
1 samaranti 1.6 2 samaranti 0.7 3 samaranti 1.2 4 samaranti 1.6
1 kamiri 1.8 2 kamiri 1.1 3 kamiri 1.6 4 kamiri 1.8
1 sayana 1.8 2 sayana 1.4 3 sayana 1.2 4 sayana 1.3
;
proc print;

proc anova;
class block trt;
model Y=block trt;
means trt /duncan;
run;
quit;
RESULTADOS
The SAS System
Analysis of Variance Procedure
Dependent Variable: Y

Source DF Sum of Squares Mean Square F Value Pr > F

Model 8 8.42500000 1.05312500 6.96 0.0007
Error 15 2.27125000 0.15141667
Corrected Total 23 10.69625000
R-Square C.V. Root MSE Y Mean
0.787659 22.39557 0.38912295 1.73750000

Source DF Anova SS Mean Square F Value Pr > F

BLOCK 3 2.52125000 0.84041667 5.55 0.0091
TRT 5 5.90375000 1.18075000 7.80 0.0009

Analysis of Variance Procedure

Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error rate, not the
experimentwise error rate
Alpha= 0.05 df= 15 MSE= 0.151417
Number of Means 2 3 4 5 6
Critical Range .5865 .6148 .6324 .6444 .6530
Means with the same letter are not significantly different.
Duncan Grouping Mean N TRT

A 2.7000 4 chucapac
B 2.0500 4 huaranga
C B 1.5750 4 kamiri
C 1.4250 4 sayana
C 1.4000 4 sajama
C 1.2750 4 samarant

4.9. PERDIDA DE UNA UNIDAD EXPERIMENTAL

En la realización de experimentos pueden ocurrir accidentes que causen la pérdida de unidades

experimentales. Las razones pueden ser múltiples, mala preparación del suelo, exceso de humedad, daños
mecánicos, granizo, etc. En experimentos conducidos en laboratorio, puede suceder la rotura de frascos que
contienen determinados tratamientos, cortes en la energía eléctrica, material contaminado, etc.
En estos casos, la pérdida de una o varias unidades experimentales anulan el teorema de la adición de la
suma de cuadrados a menos que se haga una estimación estadística del valor perdido. Yates (1933), modificó un
procedimiento ideado por Allan et al (1930) para la estimación de los valores de varias unidades experimentales
perdidas.

4.9.1. UNA UNIDAD EXPERIMENTAL PERDIDA

La ecuación que permite estimar el valor de la unidad experimental perdida en el diseño BCA es:

34
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

tT + r B - G
Y = ---------------------------
(t - 1)(r - 1)
Donde:
t = No de tratamientos
r = No de bloques
T = sumatoria de los valores de las celdas que le quedan al tratamiento.
B = sumatoria de los valores de las celdas que le quedan al bloque.
G = gran total de los valores de las celdas que quedan en el experimento.

El valor de Y es el mejor estimador de la unidad perdida dicho valor debe ser transcrito a la tabla de datos y
se realizará el análisis de varianza en la forma usual. Puesto que el valor estimado no tiene error asociado con él, se
resta un grado de libertad a los grados de libertad del total.
La suma de cuadrados calculada tiene un sesgo, por lo tanto habrá que restarle el valor Z, que se denomina
corrección por sesgos y tiene la siguiente fórmula:

[ B - (t - 1) Y ]2
Z = ------------------------------
t (t - 1)

Para comparar promedios de tratamientos se debe tener presente el número de repeticiones efectivo para cada
tratamiento, que se refiere al número de unidades presentes en el ensayo. El error estandard de la diferencia entre la
media del tratamiento con un valor faltante y la de cualquier otro tratamiento es:

Love (1943), propone un método que es aproximadamente comparable con la fórmula mencionada, para el
error estandard de las diferencias y es más fácil de utilizar. Esta es:

Donde:
CME = cuadrado medio del error (varianza del error)
r = número de repeticiones.

El valor de (r - 1) en el denominador de la ecuación anterior se refiere al tratamiento que tiene el valor perdido,
mientras que (r - 0.5) es el denominador para los tratamientos que no tienen la parcela perdida. Para las
comparaciones entre tratamientos que no tienen parcela perdida el error estandard es:

Las pruebas de Duncan, Tukey, SNK, se realiza considerando que los tratamientos tienen diferente número de
repeticiones, especialmente si las unidades perdidas son varias.

EJEMPLO 4.3

35
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

En la localidad de Tiahuanaco se realizó un experimento para comparar 4 variedades de papa y estudiar su

comportamiento (Guzmán, 1989). En el transcurso del experimento se perdió una unidad experimental
correspondiente a a variedad Huaycha paceña, en el tercer bloque.

CUADRO 4.4. Rendimiento de seis variedades de papa en kg/12m 2, con un dato perdido.

TRATAMIENTOS
BLOQUES Sani Imilla Huaycha Imilla negra Pala TOTAL

I 9 17 15 11 52
II 9 18 17 12 56
III 10 13 13 36
IV 8 21 12 9 50
V 11 20 18 11 60
TOTAL 47 76 75 56 254
Haciendo uso de la ecuación de Yates, se calcula el valor faltante:
tT + r B - G 4(76) + 5(36) - 254
Y = --------------------- = ------------------------------- = 19.2
(t - 1)(r - 1) (4 - 1)(5 - 1)

Corrección por sesgos en la suma de cuadrados de tratamientos.

[ B - (t - 1) Y ]2 [36 - (4 - 1) 19.2 ]2
Z = ---------------------- = ---------------------------- = 38.9
t (t - 1) 4 (4 - 1)

Si utilizamos el valor estimado de 19.2, el total del bloque III, será de 36 + 19.2 = 55.2 ; el total del tratamiento
Huaycha es: 76 + 19.2 = 95.2 ; y el total 254 + 19.2 = 273.2. Con estos valores se procede a obtener las sumas de
cuadrados para el experimento.

a) Factor de corrección (FC)

Y2 273.22
FC = ---------- = --------------- = 3731.9
ab 4*5

b) Suma de Cuadrados del Total

SCT = ΣΣY2 ij - FC = 4056.6 - 3731.9 = 324.7
c) Suma de Cuadrados de Tratamientos ( se resta Z )

ΣY2 i 20033
SCα = - FC - Z =
--------------- ---------------- - 3731.9 - 38.9 = 235.8
b 5
d) Suma de Cuadrados de Bloques

ΣY2j 14987
SCβ = ------------- - FC = -------------- - 3731.9 = 14.9
a 4

e) Suma de Cuadrados del Error

SCε = SCT - SCα - SCβ = 324.7 - 235.8 - 14.9 = 74

f) Análisis de varianza. Los valores encontrados mediante la fórmula de Yates no cuentan con un estimado del
36
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

error. Por esto, no contribuyen a formar la suma de cuadrados del error, razón por la cual se debe restar 1 grado
de libertad al error.

CUADRO 4.5 Análisis de varianza para el experimento con una unidad experimental perdida

F.V. G.L. S.C. C.M. Fc Ft(0.05)

Bloques 4 14.9 3.7 0.55 3.36

Variedades 3 235.8 78.6 11.7 3.59
Error 11 74 6.73
Total 18

_____ ___
/CME / 3.2
coeficiente de variabilidad CV = ----------------- * 100 = ------------------- * 100 = 13 %
Y 13.7

La prueba para bloques es no significativa, por tanto podemos decir que la suposición inicial sobre la existencia de
una fuente de variación en el terreno no era cierta. Se puede asegurar que se perdió eficiencia al utilizar un diseño
bloques al azar respecto al diseño completamente al azar.
Se rechaza la Ho para tratamientos, y se puede decir que existen diferencias entre los promedios de las
variedades. Para detectar las diferencias y, debido a la pérdida de una unidad experimental, se utilizará la prueba de
Tukey.

4.9.1.1 COMPARACION DE MEDIAS.

El valor (r -1) en el denominador de la expresión se refiere al tratamiento en el cual se perdió la unidad

experimental. Mientras que, (r - 0.5) es el denominador para los tratamientos con las unidades completas.

=1.51

Determinación de Para tratamientos sin unidades perdidas.

a) Buscar en la tabla de Tukey el valor de la Amplitudes Estudiantizadas Significativas de Tukey (AES-T)

Valores de p 4
AES (T) 426
Sx = 0.80
ALS(T) 3.40
Sx = 1.22 (Dato faltante)
ALS(T) (Dato faltante) 5.19

b) Se ordenan y comparan los promedios

Huaycha Imilla negra Pala Sani imilla
152 15 112 94

37
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

4.9.2. DOS UNIDADES EXPERIMENTALES PERDIDAS

Para los casos en que se pierden más de dos unidades experimentales, se utiliza la estimación de los valores
mediante el método de Yates, utilizando iteraciones a partir de promedios calculados con los valores restantes.

EJEMPLO 4.4
Se realizó un experimento para estudiar el comportamiento de seis variedades de papa en kg/12m 2, en la
localidad de Tiahuanaco.
CUADRO 4.6 Rendimiento de seis variedades de papa en kg/12m 2, con un dos unidades experimentales perdidas.

TRATAMIENTOS
BLOQUES A B C D E TOTAL
I 10 16 14 b 10 50
II 9 19 16 15 11 70
III 8 a 14 17 12 51
IV 7 21 13 15 9 65
TOTAL 34 56 57 47 42 236
PROMEDIO

1. Se calcula el valor de “b” como un promedio de los promedios de bloque y tratamiento:

_ _

2. Se estima el valor de “a” mediante la ecuación de Yates. A este cálculo se denomina primer ciclo.

tT + r B - G 5(56) + 4(51) - (236 + 14.1)

a1 = --------------------------- = ---------------------------------------------------------- = 19.5
(t - 1)(r - 1) (5 - 1)(4 - 1)

3. El valor de a1 se reemplaza en la correspondiente casilla. En base a este valor se estima el valor de “b”
correspondiente al primer ciclo.

tT + r B - G 5(47) + 4(50) - (236 + 19.5)

b1 = --------------------------- = ---------------------------------------------------------- = 15.0
(t - 1)(r - 1) (5 - 1)(4 - 1)

4. Estimar “a”: segundo ciclo:

tT + r B - G 5(56) + 4(51) - (236 + 15.0)
a2 = --------------------------- = ---------------------------------------------------------- = 19.4
(t - 1)(r - 1) (5 - 1)(4 - 1)

5. Estimar b : segundo ciclo.

tT + r B - G 5(47) + 4(50) - (236 + 19.4)
b2 = --------------------------- = ---------------------------------------------------------- = 15.0
(t - 1)(r - 1) (5 - 1)(4 - 1)

38
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

6. Estimar a : tercer ciclo.

tT + r B - G 5(56) + 4(51) - (236 + 15.0)
a3 = --------------------------- = ---------------------------------------------------------- = 19.4
(t - 1)(r - 1) (5 - 1)(4 - 1)

7. Estimar b : tercer ciclo.

tT + r B - G 5(47) + 4(50) - (236 + 19.4)
b3 = --------------------------- = ---------------------------------------------------------- = 15.0
(t - 1)(r - 1) (5 - 1)(4 - 1)

La estimación de los valores a y b en el tercer ciclo da valores similares a los del segundo. Los valores obtenidos
deben ser utilizados para calcular el ANVA tal como en el caso anterior. Debido a la pérdida de

4.9.2.1 COMPARACION DE MEDIAS

Error estandard para tratamientos con unidades perdidas. Si deseamos comparar las variedades Sani imilla y
Huaycha, se cuenta una repetición a favor de la variedad Sani imilla en aquellas parcelas en que ambas variedades
no tienen

4.10. BLOQUES COMPLETOS AL AZAR CON SUBMUESTREO

En algunos casos, por razones de tiempo, limitaciones en la mano de obra o en el material disponible, no es posible
tomar datos de el total de las unidades experimentales, y es necesario sacar submuestras de cada unidad
experimental. Especificamente, se debe hacer un análisis del diseño bloques al azar con submuestreo. El análisis es
muy similar al realizado en la anterior sección, sin embargo, se debe hallar el error experimental y el error de
submuestreo.
Para facilitar los cálculos, es conveniente contar con igual número de submuestras por unidad experimental. Los
cálculos incluyen un nivel más (s) que corresponde a las submuestras. Las sumas de cuadrados (SC) están en base
de las subunidades y el error experimental se calcula generalmente por sustracción.

EJEMPLO 4.5

En un experimento para estudiar el comportamiento de cuatro variedades de papa se realizó un

submuestreo para analizar el contenido de solanina en los tubérculos. Los resultados fueron:

CUADRO 4.7 Rendimiento de cuatro variedades de papa , con submuestreo.

Tratamientos (i)
Bloques (j) Subunidades (k) A B C D TOTAL
1 32.3 33.2 30.5 29.3 125.3
1 2 34.5 33.8 30.4 29 127.7
3 36.8 37 31.9 28.3 134
Total Unidades Xij• 103.6 104 92.8 86.6 387
1 41.3 39 35.5 32 147.8
2 2 42.2 38.4 34.6 31.5 146.7
3 43.5 37.4 30.1 33.5 144.5
Total Unidades Xij• 127 114.8 100.2 97 439
1 29 28.7 27.8 25.6 111.1
3 2 29.5 27.7 26.5 25.7 109.4
3 28.5 26.4 24.3 21.3 100.5

39
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

Total Unidades Xij• 87 82.8 78.6 72.6 321

Total Tratamientos Xi•• 317.6 301.6 2 71.6 256.2 1147

i = 1......t j = 1......b k == 1 .........s

1. Factor de corrección (FC)

Y2 11472
FC = ------------ = --------------- = 36544.7
tbs 4 * 3 *3
2. Suma de Cuadrados de Bloques

Y2j 445531
SCβ = ------------- - FC = ---------------- - 36544.7 = 582.9
t*s 4*3
3. Suma de Cuadrados de Tratamientos

Y2 i 331237.3

SCα = --------------- - FC = ------------------- - 36544.7 = 259.4
b*s 3*3
4. Suma de Cuadrados de Unidades.

Y2 ij 112291

SCUn = --------------- - FC - = ------------------- - 36544.7 = 885.6
s 3

5. Suma de Cuadrados del Error Experimental

ΣY2 ij 112291
SCE = --------------- - FC - SCB - SCt = ------------------- - 36544.7 - 582.9 - 259.4 = 43.3
s 3

6. Suma de Cuadrados del Total

SCT = ΣΣY2 ijk - FC = 37495.4 - 36544.7 = 950.7

7. Suma de cuadrados del Error de Muestreo

SCEM = ΣΣY2 ijk - FC - SCUn = 37495 - 36544.7 - 885.6 = 64.7

CUADRO 4.8 Análisis de varianza para el contenido de solanina de cuatro variedades de papa.

F.V. G.L. S.C. C.M. Fc Ft(0.05)

Bloques (b - 1) = 2 582.9 291.5 40.5 3.36

Variedades (t - 1 ) = 3 259.4 86.5 12 3.59

Error experimental (b - 1)(t - 1) = 6 43.3 7.2

TOTAL UNIDADES t b - 1 = 11 885.6 80.5

Error de muestreo bt(s - 1) = 24 64.7 2.7

Total bts - 1 = 35 950.3

40
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

Es corriente que el Error experimental sea mayor que el Error de Muestreo, lo cual se debe a que la variabilidad
entre las unidades de cada tratamiento es mayor que la variabilidad entre las unidades de cada tratamiento mayor
que la variabilidad entre las subunidades de cada unidad. Cuando se asume que ambas causas de variabilidad son al
azar, el Error Experimental es apropiado para probar la hipótesis concerniente a los tratamientos y bloques.
PROGRAMACION Y RESULTADOS EN ‘SAS’

options ps=85 ls=85 nodate;

data FERT;
input block trt $ N Y @@;
CARDS;
1 A 1 32.3 2 A 1 41.3 3 A 1 29.0
1 A 2 34.5 2 A 2 42.2 3 A 2 29.5
1 A 3 36.8 2 A 3 43.5 3 A 3 28.5
1 B 1 33.2 2 B 1 39.0 3 B 1 28.7
1 B 2 33.8 2 B 2 38.4 3 B 2 27.7
1 B 3 37.0 2 B 3 37.4 3 B 3 26.4
1 C 1 30.5 2 C 1 35.5 3 C 1 27.8
1 C 2 30.4 2 C 2 34.6 3 C 2 26.5
1 C 3 31.9 2 C 3 30.1 3 C 3 24.3
1 D 1 29.3 2 D 1 32.0 3 D 1 25.6
1 D 2 29.0 2 D 2 31.5 3 D 2 25.7
1 D 3 28.3 2 D 3 33.5 3 D 3 21.3
;
proc print;
proc GLM;
class block trt;
model Y=block trt N;
means trt /duncan;
means trt;
means block;
run;
quit;

41
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

The SAS System

General Linear Models Procedure
Class Level Information
Class Levels Values
BLOCK 3 123
TRT 4 ABCD
Number of observations in data set = 36
General Linear Models Procedure
Dependent Variable: Y
Source DF Sum of Squares Mean Square F Value Pr > F
Model 6 843.46777778 140.57796296 38.00 0.0001
Error 29 107.27777778 3.69923372
Corrected Total 35 950.74555556
R-Square C.V. Root MSE Y Mean
0.887165 6.036636 1.92333921 31.86111111
Source DF Type I SS Mean Square F Value Pr > F
BLOCK 2 582.88888889 291.44444444 78.79 0.0001
TRT 3 259.45222222 86.48407407 23.38 0.0001
N 1 1.12666667 1.12666667 0.30 0.5853

General Linear Models Procedure

Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error rate, not the
experimentwise error rate
Alpha= 0.05 df= 29 MSE= 3.699234
Number of Means 2 3 4
Critical Range 1.854 1.949 2.010
Means with the same letter are not significantly different.
Duncan Grouping Mean N TRT
A 35.2889 9 A
A 33.5111 9 B
B 30.1778 9 C
B 28.4667 9 D
General Linear Models Procedure
Level of --------------Y-------------- --------------N--------------
TRT N Mean SD Mean SD
A 9 35.2888889 5.94042180 2.00000000 0.86602540
B 9 33.5111111 4.86041265 2.00000000 0.86602540
C 9 30.1777778 3.61827921 2.00000000 0.86602540
D 9 28.4666667 3.79572128 2.00000000 0.86602540
General Linear Models Procedure
Level of --------------Y-------------- --------------N--------------
BLOCK N Mean SD Mean SD

1 12 32.2500000 2.90938919 2.00000000 0.85280287

2 12 36.5833333 4.42037294 2.00000000 0.85280287
3 12 26.7500000 2.33179603 2.00000000 0.85280287
d

4.11. BLOQUES COMPLETOS AL AZAR CON TESTIGO REPETIDO

En algunos casos, es necesario incluir uno o varios testigos en los experimentos, esto puede deberse a que el
investigador desea tener mayor información respecto al material o mejor precisión en su estudio. Para ilustrar el
análisis en este caso se presenta el siguiente ejemplo:

EJEMPLO 4.5
Se estudió el comportamiento de tres variedades de papa en la región de Tiahuanaco y se comparó el
rendimiento con un testigo de la zona, que fue repetido para aumentar la precisión en su estudio. Se
utilizaron cuatro bloques completos y las variedades fueron sembradas una sola vez por bloque, sin
embargo, el testigo fue sembrado en dos unidades experimentales en cada bloque. Los resultados fueron los
siguientes:

CUADRO 4.8 Rendimiento de seis variedades de quinua en kg/12m 2

TRATAMIENTOS

42
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

BLOQUES Sani Imilla Janko Imilla Huaycha Paceña Testigo 1 Testigo 1 TOTAL
I 2.7 3.0 3.1 2.1 2.4 13.3
II 2.5 3.1 3.5 2.0 2.5 13.6
III 2.0 2.8 2.9 1.9 2.2 11.8
IV 2.3 2.6 2.8 1.7 1.7 11.1
TOTAL 9.5 11.5 12.3 7.7 8.8 49.8

OBJETIVO- Estudiar el rendimiento de cuatro variedades de papa en la zona de Tiahuanaco

HIPOTESIS
a) Respecto a las variedades:
- No existen diferencias en el rendimiento de las variedades en estudio
( Ho : αi = 0)
b) Respecto a los bloques
- No existen diferencias entre bloques.
( Ho : βj = 0)

4.6.1. MODELO ADITIVO LINEAL Yij = µ + βj + αi + ij

Para: i = 1........t = número de tratamientos
j = 1........b = número de bloques
Donde :
Yij = Unidad experimental que recibe la i-ésima variedad, y se
encuentra en el j-ésimo bloque.
µ = Media general del experimento.
βj = Efecto del j-ésimo bloque.
αi = Efecto de la i-ésima variedad.
εij = Error experimental.

NIVEL DE SIGNIFICACION α = 0.05

REGLA DE DECISION Aceptar la Ho si Fc ≠ Ft(0.05)

4.6.2. CALCULOS PARA RENDIMIENTO

Tratamientos : i : 1.....a a=4

Bloques : j : 1.....b b=4
a) Factor de corrección (FC)
Y2 49.82
FC = ---------- = --------------- = 124.00
a* b 5*4

b) Suma de Cuadrados del Total

SCT = ΣΣY2 ij - FC = (2.72 - 1.72 ) - FC = 128.8 - 124.0 = 4.8
Suma de Cuadrados de Tratamientos. Este término cambia debido a que existen ocho unidades experimentales con
el testigo y solo cuatro para el resto de tratamientos.

9.52 + 11.52 + 12.32 16.52

SCα = --------------------------------- + --------------- - FC =127.47 - 124.0 = 3.47
43
 DISEÑOS EXPERIMENTALES
Jorge Guzmán Calla

4 8
c) Suma de Cuadrados de Bloques

ΣY2j 13.32 + 13.62 + 11.82 + 11.12

SCβ = ------------- - FC = ----------------------------------------------------- - 124.0 = 0.86
a 5

d) Suma de Cuadrados del Error

SCε = SCT - SCα - SCβ = 4.8 - 3.47 - 0.86 = 0.47

e) Análisis de varianza: el cálculo de la suma de cuadrados y los grados de libertad de tratamientos y el error sufre
un cambio, esto implica ganancia de grados de libertad del error.

CUADRO 4.3 Análisis de varianza para el estudio de 3 variedades de papa con testigo repetido

F.V. G.L. S.C. C.M. Fc Ft(0.05)

Bloques 3 0.86 0.286 7.94 3.41

Tratamientos 3 3.47 1.156 32.11 3.41

Error 13 0.47 0.036

Total 19 4.8

_____ ___
/ CME /0.036
Coeficiente de variabilidad CV = ----------------- * 100 = ----------------- * 100 = 7.61
Y 2.49

44