Curso: Estadística Aplicada

DISEÑO EXPERIMENTAL

El diseño de experimentos es en la actualidad una de las herramientas principales utilizados en la

investigación estadística, el objetivo que se tiene es estudiar el efecto de un factor sobre una variable
respuesta. El diseño de un experimento es entonces, la secuencia completa de pasos tomados de antemano
para asegurar que los datos apropiados se obtendrán de modo que permitan un análisis objetivo que sea
posible analizar inferencias estadísticas validas con respecto al problema establecido.

Definiciones Básicas
Variable Respuesta: variable en estudio, aquella cuyos cambios se desean estudiar. Es la variable
dependiente.
Factor: variable independiente, que manipula el investigador para estudiar sus efectos sobre la variable
dependiente.
Experimento Unifactorial: es aquel en el se estudia un solo factor.
Experimento Multifactorial: es aquel en el que se estudia simultáneamente más de un factor.
Tratamiento: Factor sometido a estudio y comparación en un experimento. ,son el centro de la misma. En
experimentos unifactoriales, un tratamiento corresponde a un nivel de factor. Un tratamiento puede ser:
una marca, un tipo de máquina, Método de Estudio, Variedad de solvente, etc. En algunos casos se les llama
factor.
Unidad Experimental (u.e.): Es el material experimental unitario que recibe la aplicación de un tratamiento.
es decir; es el elemento donde se realiza la medición.
Repetición, es una réplica de la aplicación de un tratamiento en otra u.e. bajo las mismas condiciones.
Error Experimental (EE): Es la medida de la variación, existente entre dos o más unidades experimentales
que han recibido la aplicación de un mismo tratamiento. El EE es el fracaso de llegar a resultados idénticos
con las unidades experimentales tratadas por igual.

Análisis de varianza (ANVA): Es una de las técnicas más utilizadas en los análisis de los datos de los diseños
experimentales. Se utiliza cuando queremos contrastar (prueba de hipótesis) más de dos medias, técnica
que se usa para comprobar si existen diferencias significativas entre los promedios de los tratamientos (2
o más). Los supuestos del ANVA son: Independencia y distribución normal y Homogeneidad de varianzas.
- Es propósito de todo investigador que realiza un ANVA de un experimento, realizar la prueba sobre el
efecto de los tratamientos en estudio, para ello hace uso de la prueba F el cual indicará si los efectos de
todos los tratamientos son iguales o diferentes. En caso de rechazar la hipótesis nula, aceptamos que todos
los tratamientos no tienen el mismo efecto, entonces es necesario realizar pruebas de comparación de
promedios a fin de saber entre que tratamientos hay diferencias, y para esto es necesario realizar pruebas
de comparación múltiple como las siguientes: DLS, Duncan, Tukey, etc. (en software estadísticos).

Diseños Básicos, Aunque los experimentos difieren unos de otros en muchos aspectos, existen diseños
estándar que se utilizan con mucha frecuencia. Algunos de los más utilizados son los siguientes:
• Diseño Completo al Azar (DCA)
• Diseños Bloques Completos al Azar (DBCA)
• Diseño Cuadrado Latino (DCL)
• Diseños factoriales, etc.

Mg. Cecilia Rios Varillas 1

 Curso: Estadística Aplicada

1. DISEÑOS COMPLETAMENTE AL AZAR (DCA)

Es el Diseño Experimental que se le conoce como diseño de clasificación simple. En este Diseño los
tratamientos (niveles) se distribuyen al azar en todas las u.e. y se utilizan para comparar un conjunto de
tratamientos. Para hacer la comparación se usa una variable de respuesta cuantitativa Y.
Características:
. Cada tratamiento puede tener igual o diferente número de unidades experimentales
. El número de tratamientos esta en función del número de unidades experimentales.
. Sólo es aplicable, cuando el material experimental es homogéneo. Por lo tanto, este diseño es apropiado
para experimentos de laboratorios o invernaderos.
Objetivo: ¿Los tratamientos tienen igual efecto en la variable respuesta? (Son los tratamientos iguales)
La hipótesis a probar es la siguiente:
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑡
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 𝜇𝑖 ≠ 𝜇𝑗 Para probar las hipótesis se realiza el ANVA

Presentación de datos en el DCA:

t tratamientos
𝟏 𝟐 ⋯ 𝒊 ⋯ 𝒕
𝒀𝟏𝟏 𝒀𝟐𝟏 … 𝒀𝒊𝟏 … 𝒀𝒕𝟏
𝒀𝟏𝟐 𝒀𝟐𝟐 ⋯ 𝒀𝒊𝟐 ⋯ 𝒀𝒕𝟐
⋮ ⋮ ⋮
𝒀𝟏𝒋 𝒀𝟐𝒋 ⋯ 𝒀𝒊𝒋 ⋯ 𝒀𝒕𝒋 𝑌. . = ∑𝑡𝑖=1 𝑌𝑖. = ∑𝑡𝑖=1 ∑𝑛𝑗=1 𝑌𝑖𝑗
⋮ ⋮ ⋮ 𝑛° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑢. 𝑒. :   𝑛. . = ∑𝑡𝑖=1 𝑛𝑖
𝒀𝟏𝒏 𝟏 𝒀𝟐𝒏 𝟐 ⋯ 𝒀𝒊𝒏 𝒊 ⋯ 𝒀𝒕𝒏𝒕
(𝑌. . )2
𝑇𝐶 = termino de corrección
𝑛. .

TO totales 𝒀𝟏. 𝒀𝟐. ⋯ 𝒀𝒊. ⋯ 𝒀𝒕. 𝒀..

yij resultado de la medición del i-ésimo
tratamiento en la j-ésima repetición.
Tabla ANVA Diseño Completo al Azar
Fuente de g.l. Suma de Cuadrados CM F cal (Fc)
Variación (varianzas)
t
 yi2.  SCTr CMTr
Tratamientos t-1 SCTr =   − TC CMTr =
t −1
Fc =
CME
i =1  ni 
t

Error  (n
i =1
i − 1) SCE = SCTo − SCTr CME
t ni

Total n. - 1 SCTo =   yij2 − TC

i =1 j =1

𝑆𝐶𝐸 √𝐶𝑀𝐸
𝐶𝑀𝐸 = 𝑔.𝑙.𝑒𝑟𝑟𝑜𝑟 = media general 𝐶𝑉 = ∗ 100%
𝑌̅..

Si Fc  f0 ➔ Se rechaza H0
Si Fc  f0 ➔ Se acepta H0

𝑓0 = 𝑓1−𝛼,[𝑔𝑙.𝑡𝑟𝑎𝑡;𝑔𝑙.𝑒𝑟𝑟𝑜𝑟]

Mg. Cecilia Rios Varillas 2

 Curso: Estadística Aplicada

2. DISEÑO BLOQUE COMPLETO AL AZAR

Es aquel modelo en que las unidades experimentales sobre las que se toman las medidas se asignan al azar a
los diferentes niveles de tratamientos y bloques, donde los bloques son subgrupos homogéneos con relación
a la variable exógena cuyos efectos se desea eliminar. La variable que define el bloque recibe el nombre de
variable de bloque.
El Diseño es completo en el sentido de que cada tratamiento aparece en cada bloque.
- Efecto que tiene un FACTOR sobre la variable respuesta. (Como en el modelo ANVA).
- Además, existe otro factor secundario, BLOQUE, que afecta a los resultados.

tratam 𝟏 𝟐 ⋯.. 𝒊 ⋯ 𝒕 Totales

bloques
Bloque I 𝒀𝟏𝟏 𝒀𝟐𝟏 … 𝒀𝒊𝟏 … 𝒀𝒕𝟏 Y.1
Bloque II 𝒀𝟏𝟐 𝒀𝟐𝟐 ⋯ 𝒀𝒊𝟐 ⋯ 𝒀𝒕𝟐 Y.2
. ⋮ ⋮ … ⋮ … ⋮ .
Bloque j 𝒀𝟏𝒋 𝒀𝟐𝒋 ⋯ 𝒀𝒊𝒋 ⋯ 𝒀𝒕𝒋 .
. ⋮ ⋮ … ⋮ ⋮ ⋮ .
Bloque r 𝒀𝟏𝒓 𝒀𝟐𝒓 ⋯ 𝒀𝒊𝒓 ⋯ 𝒀𝒕𝒓
Y.r
Total Trat. 𝒀𝟏. 𝒀𝟐. ⋯ 𝒀𝒊. ⋯ 𝒀𝒓. 𝒀..

Tenemos t tratamientos y r bloques N = tr, el número total de observaciones

Análisis estadístico: Así las hipótesis de interés en el DBCA son:

𝑃𝑎𝑟𝑎 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠: 𝑃𝑎𝑟𝑎 𝑏𝑙𝑜𝑞𝑢𝑒𝑠:
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑡 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑟
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜇𝑖 ≠ 𝜇𝑗 𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜇𝑖 ≠ 𝜇𝑗

ANVA EN DBCA
Fuente de Grados de Suma de Cuadrados F calculado
Variación Libertad Cuadrados Medios
2
𝑦𝑖. 𝑆𝐶𝑇𝑟 𝐶𝑀𝑇𝑟
∑ − 𝑇𝐶 𝑡−1 𝐶𝑀𝐸
Tratamientos t-1 𝑟
2 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒
𝑦.𝑗
Bloque r-1 ∑ − 𝑇𝐶 (𝑟 − 1) 𝐶𝑀𝐸
𝑡
SCE (por 𝑆𝐶𝐸
Error (t-1)(r-1) diferencia) (𝑡 − 1)(𝑟 − 1)
𝑡 𝑟
Total tr - 1
2
∑ ∑ 𝑦𝑖𝑗 − 𝑇𝐶
𝑖=1 𝑗=1

Mg. Cecilia Rios Varillas 3

Curso: Estadística Aplicada

3.- Diseño Cuadrado Latino (DCL)

Este diseño permite al investigador delimitar con toda seguridad, los efectos relativos de cierto factor,
cuando se impone a las u.e. una restricción del tipo de Doble Bloqueo. El diseño de cuadrado latino se
puede utilizar si se verifican las siguientes condiciones:
1. Es un diseño de experimentos con tres factores.
2. Los tres factores tienen el mismo número de niveles: k.
3. No hay interacciones entre los tres factores.

El DCL está especialmente indicado para estudiar un factor tratamiento con K niveles y con dos factores-
bloque de K bloques cada uno. Este diseño se basa en el concepto de cuadrado latino que es el siguiente:
“Un cuadrado latino K × K es una disposición de K letras en una matriz K × K de forma que todas las
letras aparecen una vez en cada fila y una vez en cada columna”.

La u.e. Y ij(k) i: fila; j: columna; k:tratamiento. Por ejemplo, un Cuadrado latino 3 × 3.es el siguiente
A B C
B C A
C A B
Las hipótesis para probar son:

𝑃𝑎𝑟𝑎 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠: 𝑃𝑎𝑟𝑎 𝑓𝑖𝑙𝑎𝑠: 𝐻0 : 𝜇𝐴 = 𝜇𝐵 = ⋯ = 𝜇𝑡 𝐻0 : 𝜇1 = 𝜇2

= ⋯ = 𝜇𝑘 𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜇𝑖 ≠ 𝜇𝑗 𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜇𝑖 ≠ 𝜇𝑗
Para columnas
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜇𝑖 ≠ 𝜇𝑗

Tabla ANVA en DCL

F.de V. G.L. SC CM Fc
Tratamientos k-1 SCtr SCtr/(k-1) CMtr/CME
Filas k-1 SCf SCf/(k-1) CMf/CME
Columnas K-1 SCc SCc/(k-1) CMc/CME
Error (k-1)(k-2) SCE SCE/(k-1)(k-2)
Total K2-1 SCto

2
𝑦..(.) 𝑦..2 (𝑘) 2
𝑦..(.)
2
2.
TC = Y .(.) N=k2 𝑆𝐶𝑇𝑜 = ∑ 𝑦𝑖𝑗(𝑘) − 𝑁
𝑆𝐶𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = ∑ 𝑘
− 𝑁

N 2
𝑦𝑖.(.) 2
𝑦..(.) 2
𝑦.𝑗(.) 2
𝑦..(.)
𝑆𝐶𝐹𝑖𝑙𝑎𝑠 = ∑ 𝑘 − 𝑁 𝑆𝐶𝐶𝑜𝑙𝑢𝑚𝑛𝑎𝑠 = ∑ 𝑘
− 𝑁
𝑆𝐶𝐸𝑟𝑟𝑜𝑟𝑠 = 𝑝𝑜𝑟 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎

Mg. Cecilia Rios Varillas 4