Título: El diseño de bloques completamente al azar en estudios experimentales

Introducción: La investigación científica requiere de metodologías rigurosas que permitan

obtener resultados confiables y precisos. Uno de los diseños experimentales más utilizados
es el diseño de bloques completamente al azar. Este enfoque, basado en la asignación
aleatoria de tratamientos a bloques predefinidos, ofrece ventajas significativas en términos
de control de variables de bloqueo y reducción de la variabilidad experimental. este diseño
encuentra una aplicación relevante para investigaciones que buscan comprender los efectos
de diferentes intervenciones. En este ensayo, exploraremos en profundidad los fundamentos
y beneficios del diseño de bloques completamente al azar, destacando su aplicación en
estudios experimentales.

Desarrollo: El diseño de bloques completamente al azar se basa en la formación de bloques,

que representan categorías o grupos homogéneos de sujetos con características similares.
Estos bloques pueden definirse en función de variables relevantes para el estudio. La
asignación aleatoria de tratamientos dentro de cada bloque garantiza que no exista un patrón
predefinido en la secuencia de administración de los mismos.
Una de las ventajas clave del diseño de bloques completamente al azar es la reducción de
la variabilidad experimental dentro de cada bloque. Al formar bloques homogéneos, se
controlan las variables de bloqueo que podrían influir en los resultados del estudio. Esto
permite un análisis más preciso de los efectos de los tratamientos, ya que se reduce el ruido
experimental. Esto garantiza que los tratamientos se asignen equitativamente dentro de cada
bloque, minimizando la influencia de factores externos en los resultados.
Otra ventaja significativa del diseño de bloques completamente al azar es su capacidad para
controlar de manera precisa las variables de bloqueo. Al formar bloques homogéneos antes
de asignar los tratamientos, se garantiza que las diferencias observadas entre los
tratamientos sean el resultado del factor estudiado y no de un factor de ruido . Esto aumenta
la validez interna del estudio y brinda una mayor confianza en los resultados obtenidos.
Además, al controlar las variables de bloqueo, se reduce la posibilidad de sesgos o confusión
en la interpretación de los efectos de los tratamientos.
El diseño de bloques completamente al azar también se destaca por su simplicidad y
flexibilidad. No requiere un tamaño de muestra específico de bloques, lo que lo hace
adaptable a estudios con diferentes cantidades de unidades experimentales . Los
investigadores pueden ajustar el tamaño de los bloques en función de la variabilidad y el
contexto específico de su investigación. Sin embargo, es importante encontrar un equilibrio,
ya que los bloques deben ser lo suficientemente grandes para capturar la variabilidad dentro
de cada categoría, pero no excesivamente grandes para evitar una pérdida de eficiencia.
Además, el diseño de bloques completamente al azar permite un análisis estadístico
adecuado de los efectos de los tratamientos. Se utilizan pruebas estadísticas como el
análisis de varianza (ANOVA) para evaluar las diferencias entre los tratamientos y
determinar su significancia estadística. Esto brinda una base sólida para la toma de
decisiones y la generalización de los resultados.

Conclusión: El diseño de bloques completamente al azar es una metodología confiable en

la investigación experimental. Al reducir la variabilidad experimental y controlar las variables
de bloqueo, este enfoque permite obtener estimaciones precisas de los efectos de los
tratamientos. Al comprender los fundamentos y beneficios del diseño de bloques
completamente al azar, los investigadores pueden llevar a cabo estudios más sólidos y
obtener conclusiones más confiables.
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños en cuadrados latinos

Sumario:
❖ Características del DBCA
❖ Tratamiento de la información
 Diseño en Cuadrados Latinos

En el Diseño en Cuadro Latino (DCL) se controlan dos

factores de bloque y se estudia un factor de tratamiento, por
lo que se tienen cuatro fuentes de variabilidad que pueden
afectar la respuesta observada, estas son: los tratamientos, el
factor de bloque I (columnas), el factor de bloque II
(renglones) y el error aleatorio.
 Diseño en Cuadrados Latinos
El modelo estadístico para este diseño está dado por:

Es el efecto debido al tratamiento i

Es el error aleatorio atribuible a la medición

 Diseño en Cuadrados Latinos

Hipótesis para un DCL

Efecto de tratamiento

Efecto de bloque j Efecto de bloque l

𝑯𝟎 : 𝜹𝟏 = 𝜹𝟐 = 𝜹𝟑 = ⋯ = 𝜹𝒌 = 𝟎
𝑯𝒂 : 𝜹𝒍 ≠ 𝟎 𝒑𝒂𝒓𝒂 𝒂𝒍𝒈𝒖𝒏 𝒃𝒍𝒐𝒒𝒖𝒆 𝒍
 Diseño en Cuadrados Latinos
Se quieren comparar varias máquinas del mismo tipo pero de
diferentes proveedores, para determinar si alguna es superior en el
rendimiento por jornada laboral de 8 horas.

DCA Maquinarias Rendimiento

Maquinarias
DBCA Rendimiento
Obreros

Maquinarias
DCL Obreros Rendimiento
Día de la semana
 Diseño en Cuadrados Latinos

Maquinarias: A, B, C, D
Operador: 1, 2, 3, 4
Día de la semana: L, M, M, J
Dias de la semana
Operador
L M M J
1 C D A B
2 B C D A
3 A B C D
4 D A B C
 Diseño en Cuadrados Latinos

Dias de la semana Cuadrado Maquinaria Operador Día de la Sem Rendimiento

Operador 1 3 1 1
L M M J 1 4 1 2
1 1 1 3
1 C D A B
1 2 1 4
2 B C D A 1 2 2 1
1 3 2 2
3 A B C D 1 4 2 3
4 D A B C 1 1 2 4
1 1 3 1
1 2 3 2
1 3 3 3
¿Por qué en cuadrado todo es 1?
1 4 3 4
1 4 4 1
1 1 4 2
1 2 4 3
1 3 4 4
Tratamiento de la información
 Diseño de experimentos

Complementario.

Temática: Cuadrado latino y cuadrado greco-latino

Sumario:
❖ Cuadrado latino
❖ Cuadrado greco-latino
 Cuadrado latino

Un cuadrado latino de orden n es una matriz cuadrada de tamaño n x n,

donde cada fila y cada columna contiene exactamente una vez cada
uno de los n elementos diferentes del conjunto {1, 2, 3, ..., n}.

𝑺𝒆𝒂 𝑺 = { 𝟏, 𝟐, 𝟑, 𝟒, … … 𝒏}
 Cuadrado latino
Cuadrado latino de 3 x 3

𝑺𝒆𝒂 𝑺 = { 𝑨, 𝑩, 𝑪}
 Cuadrado latino
Cuadrado latino de 4 x 4

𝑺𝒆𝒂 𝑺 = { 𝑨, 𝑩, 𝑪, 𝑫}
 Cuadrados latinos
Generar y enumerar cuadrados latinos a menudo se ha considerado un pasatiempo y una
curiosidad matemática, por ejemplo un juego muy popular es el Sudoku cuya solución es
precisamente, un cuadrado latino; toda solución de un Sudoku es un cuadrado latino en el
que se le impone una restricción adicional que es que a cada uno de los subgrupos de 3×3,
debe contener todos los dígitos del 1 al 9.
 Cuadrado latino
Dos cuadrados latinos de orden n, son ortogonales entre sí, cuando si
se superponen uno encima del otro, cada una de las parejas
obtenidas ocurre una sola vez.
 Cuadrado latino
Cuadrado latino Cuadrado griego

Cuadrado grecolatino
 Cuadrado greco-latino

Un cuadrado greco-latino, cuadrado de Euler o Cuadrados

latinos ortogonales de orden n se denomina, en matemáticas, a la
disposición en una cuadrícula cuadrada 𝑛 𝑥 𝑛 de los elementos de
dos conjuntos S y T, ambos con n elementos
Cada celda conteniendo un par ordenado (s, t), siendo s elemento
de S y t de T

Con la condición de que todos los pares ordenados (s, t) sean

diferentes
Cuadrado greco-latino
Cuadrado greco-latino
Cuadrado greco-latino
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños de bloques completamente al azar

Sumario:
❖ Características del DBCA
❖ Tratamiento de la información
 Características del DBCA

Cuando se quieren estudiar el efecto de un factor sobre una variable

de respuesta, es deseable que las posibles diferencias se deban
principalmente al factor de interés.
 Características del DBCA

Cuando esto ocurre y existen otros factores que no se controlan o

nulifican para hacer la comparación, las conclusiones podrían ser
afectadas sensiblemente.

A los factores adicionales al factor de interés que se incorporan de

manera explícita en un experimento se les llama factores de bloque.
 Características del DBCA

Modelo matemático
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento donde se encuentre, del efecto del
bloque al que pertenece y de cierto error que se espera sea aleatorio.
El modelo estadístico para este diseño está dado por:

Donde
𝑌𝑖𝑗 Es la medición que corresponde al tratamiento i y al bloque j
μ Es la media global poblacional
𝑇𝑖 Es el efecto debido al tratamiento i
𝛾𝑗 Es el efecto debido al bloque j
𝑒𝑖𝑗 Es el error aleatorio atribuible a la medición 𝑌𝑖𝑗
 Características del DBCA

Ejemplo 1
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras

Si cada máquina es manejada por un operador diferente y se sabe que éste tiene
una influencia en el resultado, entonces es claro que el factor operador debe
tomarse en cuenta si se quiere comparar a las máquinas de manera justa.
Un operador más hábil puede hacer ver a su máquina (aunque ésta sea la peor)
como la que tiene el mejor desempeño, lo cual impide hacer una comparación
adecuada de los equipos.
 Características del DBCA

Maq 1 Maq 2 Maq 3 Maq 4

Maquinaria
Rendimiento
Operador

Combustible

Tarea
 Características del DBCA

Para evitar el posible efecto del factor operador hay dos maneras.

1. Utilizar el mismo operador en las cuatro maquinarias; sin

embargo, tal estrategia no siempre es aconsejable, ya que utilizar al
mismo sujeto elimina el efecto del factor operador, pero restringe la
validez de la comparación con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores.
 Características del DBCA

2. Que cada operador trabaje durante el experimento con cada una

de las maquinarias. Esta estrategia es la más recomendable, ya que
utilizar a todos los operadores con todas las maquinarias permite tener
resultados de la comparación que son válidos para todos los operadores.
Esta última recibe el nombre de bloqueo.
 Principios básicos del diseño de experimento.
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras
Variable de Respuesta: Rendimiento

Factor: Maquinaria A, Maquinaria B, Maquinaria C, Maquinaria D

Combustible
Nulificar
Material a procesar

Bloque
Operario Tomar en cuenta Minimizar
 Principios básicos del diseño de experimento.

Se van a probar 4 veces cada maquinaria.

Se va trabajar 4 días, de 8:00 AM a 11:00 AM las cuatro maquinas al mismo

tiempo de lunes a jueves

1 día 2 día 3 día 4 día

M-1

M-2

M-3

M-4
 Tratamiento de la información
N. Maquinaria Obrero Rendimiento

10

11

12

13

14

15

16
 Características del DBCA

Hipótesis de factor
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 ¿Cuál?

Hipótesis de bloque
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

Nivel de significación 𝛼 = 0,05

 Características del DBCA

❖ Si resulta significativa (Sig. menor que 0,05 rechazo Hipótesis Nula y

acepto la hipótesis alternativa) implica que el factor de bloque tiene
influencia sobre la variable de respuesta, y debe ser tomado en
cuenta para mejorar la calidad de ésta.

❖ Si no resulta significativa (Sig. mayor que 0,05 acepto Hipótesis Nula)

implica que el factor de bloque no tiene influencia sobre la variable de
respuesta, y se tiene el argumento a favor para no controlar este
factor en futuros experimentos sobre esta misma respuesta
Tratamiento de la información . Calculo manual
Tratamiento de la información . En SPSS
Ejemplo 1
 Maquinaria, nivel de significación
0,000 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay una
maquinaria que es diferente
respecto al rendimiento

Obrero, nivel de significación 0,159 acepto la 𝐻0 : Por tanto no hay diferencia entre los
cuatro obreros

El investigador no estaba interesado en incluir el obrero en el experimento (bloque)

Pero al saber que todos son iguales, de tener que repetir el experimento ya podría hacer
un Diseño Completamente al Azar (DCA)
 Tratamiento de la información . En SPSS
Ejemplo 2

Un investigador desea saber si uno de

tres tipos de sustrato (A, B ,C) que
dispone es más eficiente para el
desarrollo de terminada especie de panta
en un vivero. Dicho vivero dispone de
tres filas de mesas y el investigador
sospecha que la posición de las filas
(izquierda, central y derecha) pueden
influir en el crecimiento de la planta.
Por lo que decide incluir en el estudio el
factor de bloque posición en el vivero.
 Sustrato, nivel de significación
0,029 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay un
sustrato diferente respecto a la
altura de la planta

Posición, nivel de significación 0,030 rechazo la 𝐻0 y acepto la 𝐻1 : Por tanto al menos hay
una posición diferente respecto a la altura de la planta

El investigador no estaba interesado en incluir el la posición en el experimento (bloque)

Pero al saber que no son iguales, de tener que repetir el experimento tendría que hacer
de nuevo un Diseño de Bloque Completamente al Azar (DBCA)
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños de bloques completamente al azar

Sumario:
❖ Características del DBCA
❖ Tratamiento de la información
 Características del DBCA

Cuando se quieren estudiar el efecto de un factor sobre una variable

de respuesta, es deseable que las posibles diferencias se deban
principalmente al factor de interés.
 Características del DBCA

Cuando esto ocurre y existen otros factores que no se controlan o

nulifican para hacer la comparación, las conclusiones podrían ser
afectadas sensiblemente.

A los factores adicionales al factor de interés que se incorporan de

manera explícita en un experimento se les llama factores de bloque.
 Características del DBCA

Modelo matemático
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento donde se encuentre, del efecto del
bloque al que pertenece y de cierto error que se espera sea aleatorio.
El modelo estadístico para este diseño está dado por:

Donde
𝑌𝑖𝑗 Es la medición que corresponde al tratamiento i y al bloque j
μ Es la media global poblacional
𝑇𝑖 Es el efecto debido al tratamiento i
𝛾𝑗 Es el efecto debido al bloque j
𝑒𝑖𝑗 Es el error aleatorio atribuible a la medición 𝑌𝑖𝑗
 Características del DBCA

Ejemplo 1
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras

Si cada máquina es manejada por un operador diferente y se sabe que éste tiene
una influencia en el resultado, entonces es claro que el factor operador debe
tomarse en cuenta si se quiere comparar a las máquinas de manera justa.
Un operador más hábil puede hacer ver a su máquina (aunque ésta sea la peor)
como la que tiene el mejor desempeño, lo cual impide hacer una comparación
adecuada de los equipos.
 Características del DBCA

Maq 1 Maq 2 Maq 3 Maq 4

Maquinaria
Rendimiento
Operador

Combustible

Tarea
 Características del DBCA

Para evitar el posible efecto del factor operador hay dos maneras.

1. Utilizar el mismo operador en las cuatro maquinarias; sin

embargo, tal estrategia no siempre es aconsejable, ya que utilizar al
mismo sujeto elimina el efecto del factor operador, pero restringe la
validez de la comparación con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores.
 Características del DBCA

2. Que cada operador trabaje durante el experimento con cada una

de las maquinarias. Esta estrategia es la más recomendable, ya que
utilizar a todos los operadores con todas las maquinarias permite tener
resultados de la comparación que son válidos para todos los operadores.
Esta última recibe el nombre de bloqueo.
 Principios básicos del diseño de experimento.
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras
Variable de Respuesta: Rendimiento

Factor: Maquinaria A, Maquinaria B, Maquinaria C, Maquinaria D

Combustible
Nulificar
Material a procesar

Bloque
Operario Tomar en cuenta Minimizar
 Principios básicos del diseño de experimento.

Se van a probar 4 veces cada maquinaria.

Se va trabajar 4 días, de 8:00 AM a 11:00 AM las cuatro maquinas al mismo

tiempo de lunes a jueves

1 día 2 día 3 día 4 día

M-1

M-2

M-3

M-4
 Tratamiento de la información
N. Maquinaria Obrero Rendimiento

10

11

12

13

14

15

16
 Características del DBCA

Hipótesis de factor
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 ¿Cuál?

Hipótesis de bloque
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

Nivel de significación 𝛼 = 0,05

 Características del DBCA

❖ Si resulta significativa (Sig. menor que 0,05 rechazo Hipótesis Nula y

acepto la hipótesis alternativa) implica que el factor de bloque tiene
influencia sobre la variable de respuesta, y debe ser tomado en
cuenta para mejorar la calidad de ésta.

❖ Si no resulta significativa (Sig. mayor que 0,05 acepto Hipótesis Nula)

implica que el factor de bloque no tiene influencia sobre la variable de
respuesta, y se tiene el argumento a favor para no controlar este
factor en futuros experimentos sobre esta misma respuesta
Tratamiento de la información . Calculo manual
Tratamiento de la información . En SPSS
Ejemplo 1
 Maquinaria, nivel de significación
0,000 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay una
maquinaria que es diferente
respecto al rendimiento

Obrero, nivel de significación 0,159 acepto la 𝐻0 : Por tanto no hay diferencia entre los
cuatro obreros

El investigador no estaba interesado en incluir el obrero en el experimento (bloque)

Pero al saber que todos son iguales, de tener que repetir el experimento ya podría hacer
un Diseño Completamente al Azar (DCA)
 Tratamiento de la información . En SPSS
Ejemplo 2

Un investigador desea saber si uno de

tres tipos de sustrato (A, B ,C) que
dispone es más eficiente para el
desarrollo de terminada especie de panta
en un vivero. Dicho vivero dispone de
tres filas de mesas y el investigador
sospecha que la posición de las filas
(izquierda, central y derecha) pueden
influir en el crecimiento de la planta.
Por lo que decide incluir en el estudio el
factor de bloque posición en el vivero.
 Sustrato, nivel de significación
0,029 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay un
sustrato diferente respecto a la
altura de la planta

Posición, nivel de significación 0,030 rechazo la 𝐻0 y acepto la 𝐻1 : Por tanto al menos hay
una posición diferente respecto a la altura de la planta

El investigador no estaba interesado en incluir el la posición en el experimento (bloque)

Pero al saber que no son iguales, de tener que repetir el experimento tendría que hacer
de nuevo un Diseño de Bloque Completamente al Azar (DBCA)
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños de bloques completamente al azar

Sumario:
❖ Características del DBCA
❖ Tratamiento de la información
 Características del DBCA

Cuando se quieren estudiar el efecto de un factor sobre una variable

de respuesta, es deseable que las posibles diferencias se deban
principalmente al factor de interés.
 Características del DBCA

Cuando esto ocurre y existen otros factores que no se controlan o

nulifican para hacer la comparación, las conclusiones podrían ser
afectadas sensiblemente.

A los factores adicionales al factor de interés que se incorporan de

manera explícita en un experimento se les llama factores de bloque.
 Características del DBCA

Modelo matemático
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento donde se encuentre, del efecto del
bloque al que pertenece y de cierto error que se espera sea aleatorio.
El modelo estadístico para este diseño está dado por:

Donde
𝑌𝑖𝑗 Es la medición que corresponde al tratamiento i y al bloque j
μ Es la media global poblacional
𝑇𝑖 Es el efecto debido al tratamiento i
𝛾𝑗 Es el efecto debido al bloque j
𝑒𝑖𝑗 Es el error aleatorio atribuible a la medición 𝑌𝑖𝑗
 Características del DBCA

Ejemplo 1
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras

Si cada máquina es manejada por un operador diferente y se sabe que éste tiene
una influencia en el resultado, entonces es claro que el factor operador debe
tomarse en cuenta si se quiere comparar a las máquinas de manera justa.
Un operador más hábil puede hacer ver a su máquina (aunque ésta sea la peor)
como la que tiene el mejor desempeño, lo cual impide hacer una comparación
adecuada de los equipos.
 Características del DBCA

Maq 1 Maq 2 Maq 3 Maq 4

Maquinaria
Rendimiento
Operador

Combustible

Tarea
 Características del DBCA

Para evitar el posible efecto del factor operador hay dos maneras.

1. Utilizar el mismo operador en las cuatro maquinarias; sin

embargo, tal estrategia no siempre es aconsejable, ya que utilizar al
mismo sujeto elimina el efecto del factor operador, pero restringe la
validez de la comparación con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores.
 Características del DBCA

2. Que cada operador trabaje durante el experimento con cada una

de las maquinarias. Esta estrategia es la más recomendable, ya que
utilizar a todos los operadores con todas las maquinarias permite tener
resultados de la comparación que son válidos para todos los operadores.
Esta última recibe el nombre de bloqueo.
 Principios básicos del diseño de experimento.
Un investigador quiere determinar si alguna de las maquinarias del mismo tipo,
pero de diferentes fabricantes tienen el mismo rendimiento o si hay alguna más
eficaz que las otras
Variable de Respuesta: Rendimiento

Factor: Maquinaria A, Maquinaria B, Maquinaria C, Maquinaria D

Combustible
Nulificar
Material a procesar

Bloque
Operario Tomar en cuenta Minimizar
 Principios básicos del diseño de experimento.

Se van a probar 4 veces cada maquinaria.

Se va trabajar 4 días, de 8:00 AM a 11:00 AM las cuatro maquinas al mismo

tiempo de lunes a jueves

1 día 2 día 3 día 4 día

M-1

M-2

M-3

M-4
 Tratamiento de la información
N. Maquinaria Obrero Rendimiento

10

11

12

13

14

15

16
 Características del DBCA

Hipótesis de factor
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 ¿Cuál?

Hipótesis de bloque
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

Nivel de significación 𝛼 = 0,05

 Características del DBCA

❖ Si resulta significativa (Sig. menor que 0,05 rechazo Hipótesis Nula y

acepto la hipótesis alternativa) implica que el factor de bloque tiene
influencia sobre la variable de respuesta, y debe ser tomado en
cuenta para mejorar la calidad de ésta.

❖ Si no resulta significativa (Sig. mayor que 0,05 acepto Hipótesis Nula)

implica que el factor de bloque no tiene influencia sobre la variable de
respuesta, y se tiene el argumento a favor para no controlar este
factor en futuros experimentos sobre esta misma respuesta
Tratamiento de la información . Calculo manual
Tratamiento de la información . En SPSS
Ejemplo 1
 Maquinaria, nivel de significación
0,000 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay una
maquinaria que es diferente
respecto al rendimiento

Obrero, nivel de significación 0,159 acepto la 𝐻0 : Por tanto no hay diferencia entre los
cuatro obreros

El investigador no estaba interesado en incluir el obrero en el experimento (bloque)

Pero al saber que todos son iguales, de tener que repetir el experimento ya podría hacer
un Diseño Completamente al Azar (DCA)
 Tratamiento de la información . En SPSS
Ejemplo 2

Un investigador desea saber si uno de

tres tipos de sustrato (A, B ,C) que
dispone es más eficiente para el
desarrollo de terminada especie de panta
en un vivero. Dicho vivero dispone de
tres filas de mesas y el investigador
sospecha que la posición de las filas
(izquierda, central y derecha) pueden
influir en el crecimiento de la planta.
Por lo que decide incluir en el estudio el
factor de bloque posición en el vivero.
 Sustrato, nivel de significación
0,029 rechazo la 𝐻0 y acepto la
𝐻1 : Por tanto al menos hay un
sustrato diferente respecto a la
altura de la planta

Posición, nivel de significación 0,030 rechazo la 𝐻0 y acepto la 𝐻1 : Por tanto al menos hay
una posición diferente respecto a la altura de la planta

El investigador no estaba interesado en incluir el la posición en el experimento (bloque)

Pero al saber que no son iguales, de tener que repetir el experimento tendría que hacer
de nuevo un Diseño de Bloque Completamente al Azar (DBCA)
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños completamente al azar. DCA

Sumario:
❖ Diseño completamente al azar
❖ Tratamiento de la información
 Diseño completamente al azar

Diseños para comparar dos o más tratamientos.

Diseños para estudiar el efecto de varios factores sobre la(s) respuesta(s).

Diseños para determinar el punto óptimo de operación del proceso.

Diseños para la optimización de una mezcla.

El diseño completamente al azar (DCA), es el más simple de todos

los diseños que se utilizan para comparar dos o más tratamientos,
dado que sólo consideran dos fuentes de variabilidad: los tratamientos
y el error aleatorio.
 Diseño completamente al azar

Nivel 1 Nivel 2 Nivel 3

Factor estudiado Como es de un solo factor

Niveles = Tratamientos
Factor

Factor Variable de respuesta

Factor

Factor
 Diseño completamente al azar
Modelo matemático
En un diseño completamente aleatorizado, el modelo matemático es una representación formal
de la relación entre las variables del experimento. El modelo matemático describe cómo las
variables independientes afectan a la variable dependiente y cómo se relacionan entre sí.
El modelo matemático en un diseño completamente aleatorizado puede ser expresado de la
siguiente manera:
Y=μ+τ+ε
Donde:
❖ Y representa la variable dependiente (la respuesta o el resultado medido).
❖ μ es la media general o el valor promedio de la variable dependiente en todo el experimento.
❖ τ es el efecto del tratamiento o de la condición experimental.
❖ ε es el error aleatorio, que incluye todos los factores no controlados o aleatorios que pueden
afectar la variable dependiente y no están relacionados con el tratamiento.
 Diseño completamente al azar

Hipótesis estadística

𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇

𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 ¿Cuál?

Nivel de significación 𝛼 = 0,05

La técnica estadística utilizada en el DCA para decidir

sobre las Hipótesis es la ANOVA DE UN FACTOR
 Diseño completamente al azar

Interpretación grafica

𝑯𝒐 : 𝝁𝟏 = 𝝁𝟐 = 𝝁𝟑 = 𝝁

𝑯𝟏 : 𝑨𝒍 𝒎𝒆𝒏𝒐𝒔 𝒉𝒂𝒚 𝒖𝒏 𝝁𝒊 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆

 Diseño completamente al azar

Investigador desea conocer cuál es el mejor sustrato para favorecer el

crecimiento de determinada especie de plantas sembradas en un vivero.
Realizando el experimento de la siguiente forma

Utiliza cuatro tipos diferentes de sustratos: turba, compost, gallinaza, humos de

Lombriz

Controla que las variables humedad, iluminación, temperatura se mantengan

igual para todos los sustratos

Al cabo de 20 días mide 16 plantas al azar de cada sustrato

 Diseño completamente al azar

Turba Compost Gallinaza H. lombriz

Sustrato

Humedad

Temperatura Altura de la planta

Iluminación Hipótesis estadística

𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒
 Diseño completamente al azar
Sustrato Altura
Turba Gallinaza Compost H. de Lombriz
Turba 19,62
19,62 16,00 15,30 12,20 Turba 19,60
Procesamiento
19,60 16,20 13,10 12,57 Turba
Turba
19,59
19,63
Estadístico
19,59 18,70 16,00 11,56
Turba 19,61
19,63 15,71 16,50 9,30 Turba 19,62

19,61 18,62 15,80 10,24 Turba 19,68

Turba 19,62
19,62 16,70 15,75 12,40
Turba 19,00
19,68 15,15 17,50 11,41 Turba 17,10
Turba 17,00
19,62 17,90 18,00 9,00
Turba 16,20
19,00 13,80 12,50 11,80 Turba 16,13
17,10 13,20 11,30 12,50 Turba
Turba
16,98
15,89
ANOVA
17,00 13,49 13,60 14,50
16,20 14,56 13,91 13,20
Turba
Gallinaza
16,10
16,00
de un factor
16,13 15,27 13,54 13,41 Gallinaza 16,20
Gallinaza 18,70
16,98 16,87 13,51 13,54
Gallinaza 15,71
15,89 15,40 13,00 14,30 Gallinaza 18,62
Gallinaza 16,70
16,10 13,40 14,00 13,40
 Tratamiento de la información

Calculando ANOVA manualmente

Tratamiento de la información
Tratamiento de la información
Tratamiento de la información
Tratamiento de la información
 Tratamiento de la información

Si la significación es
mayor que 0,05 se
a𝐜𝐞𝐩𝐭𝐚 𝑯𝟎

Si la significación es
menor que 0,05 se
rechaza 𝑯𝟎 y se
acepta 𝑯𝟏

𝑯𝟎 : 𝝁𝟏 = 𝝁𝟐 = 𝝁𝟑 = 𝝁𝟒 = 𝝁
𝑯𝟏 : 𝒂𝒍 𝒎𝒆𝒏𝒐𝒔 𝒉𝒂𝒚 𝒖𝒏 𝝁𝒊 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆
Tratamiento de la información
 Tratamiento de la información

Otras posibilidades de resultados

Tratamiento de la información Caso II

Si la significación es
mayor que 0,05 se
a𝐜𝐞𝐩𝐭𝐚 𝑯𝟎

Si la significación es
menor que 0,05 se
rechaza 𝑯𝟎 y se
acepta 𝑯𝟏

𝑯𝟎 : 𝝁𝟏 = 𝝁𝟐 = 𝝁𝟑 = 𝝁𝟒 = 𝝁
𝑯𝟏 : 𝒂𝒍 𝒎𝒆𝒏𝒐𝒔 𝒉𝒂𝒚 𝒖𝒏 𝝁𝒊 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆
Tratamiento de la información Caso III

Si la significación es
mayor que 0,05 se
a𝐜𝐞𝐩𝐭𝐚 𝑯𝟎

Si la significación es
menor que 0,05 se
rechaza 𝑯𝟎 y se
acepta 𝑯𝟏

𝑯𝟎 : 𝝁𝟏 = 𝝁𝟐 = 𝝁𝟑 = 𝝁𝟒 = 𝝁
𝑯𝟏 : 𝒂𝒍 𝒎𝒆𝒏𝒐𝒔 𝒉𝒂𝒚 𝒖𝒏 𝝁𝒊 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Diseños en cuadrados greco-latinos

Sumario:
❖Diseño en cuadrados greco-latinos
❖Tratamiento de la información
 Diseños en cuadrados greco-latinos

El diseño en cuadrados grecolatinos constituye una extensión del

diseño en cuadrados latinos. En este caso se controlan tres factores
de bloques y un factor de tratamiento.
Este diseño permite una investigación de cuatro factores (filas,
columnas, letras latinas y letras griegas), cada una con “n” niveles
 Diseños en cuadrados greco-latinos

Por tanto, el diseño en cuadrado grecolatino se caracteriza por lo

siguiente:
❖ Es un diseño con cuatro factores a n niveles
❖ Requiere de n2 observaciones
❖ Cada nivel de un factor aparece una vez con cada nivel de los
otros factores
❖ Se trata de la superposición de dos cuadrados latinos
 Diseños en cuadrados greco-latinos

❖ 𝑌𝑖𝑗𝑙𝑚 : Es la variable de respuesta que representa el valor observado o medido en la

posición (i, j) del cuadrado grecolatino para el factor l del conjunto m.
❖ μ: Es la media general o constante en el modelo, que representa el valor promedio de
todas las observaciones en el cuadrado grecolatino.
❖ 𝜏𝑖 : Es el efecto del nivel i del factor i
❖ 𝛾𝑗 : Es el efecto del nivel j del factor j
❖ 𝛿𝑙 : Es el efecto del nivel l del factor l
❖ 𝜑𝑚 : Es el efecto del nivel m del factor m
❖ 𝜀𝑖𝑗𝑙𝑚 : Es el término de error o residuo, que representa las fluctuaciones aleatorias o
no explicadas por los efectos de los factores y la media general.
 Diseños en cuadrados greco-latinos
Hipótesis para un DCGL
𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

Efecto de tratamiento

Efecto de bloque j

Efecto de bloque l

Efecto de bloque m
 Diseños en cuadrados greco-latinos

Se quieren comparar varias máquinas del mismo tipo pero de

diferentes proveedores, para determinar si alguna es superior en el
rendimiento por jornada laboral de 8 horas.

Maquinarias
DCL Obreros Rendimiento
Día de la semana

Maquinarias
Obreros Rendimiento
DCGL
Día de la semana
Tipo de material a procesar
 Diseños en cuadrados greco-latinos

Variable de respuesta: Rendimiento

Maquinarias: 𝑴𝟏 𝑴𝟐 𝑴𝟑 𝑴𝟒

Obreros: 𝑶𝟏 𝑶𝟐 𝑶𝟑 𝑶𝟒

Días de la semana : 𝑳 𝑴𝒂 𝑴𝒊 𝑱

Material a procesar : 𝑴𝒑𝟏 𝑴𝒑𝟐 𝑴𝒑𝟑 𝑴𝒑𝟒

 Diseños en cuadrados greco-latinos

𝑴𝟏 𝑴𝟐 𝑴𝟑 𝑴𝟒

𝑶𝟏
𝑶𝟐
𝑶𝟑
𝑶𝟒

Dia de la semana : 𝐿 𝑀𝑎 𝑀𝑖 𝐽
Material a procesar : 𝑀𝑝1 𝑀𝑝2 𝑀𝑝3 𝑀𝑝4
Diseños en cuadrados greco-latinos
Maquinaria Obrero Dia de la Sem Materia P Rendimiento

1 1 1 3
1 2 2 2
1 3 3 4
1 4 4 1
2 1 2 4
2 2 3 1
2 3 4 3
2 4 1 2
3 1 3 2
3 2 4 4
3 3 1 1
3 4 2 3
4 1 4 4
4 2 1 4
4 3 2 1
4 4 3 3
Tratamiento de la información
 Diseño de experimento

Introducción al diseño de experimento

Temática: Conceptos básicos y errores

Sumario:
❖ Conceptos básicos
❖ Error aleatorio, error experimental

Bibliografía:
Análisis y diseño de experimentos. Gutiérrez Pulido Humberto y Vara Salazar Román. Tercera
Edición. 2012 McGraw-Hill
 Conceptos básicos

Un experimento es un cambio en las condiciones de operación de un

sistema o proceso, que se hace con el objetivo de medir el efecto del
cambio sobre una o varias propiedades del producto o resultado.
 Conceptos básicos

El diseño de experimentos consiste en determinar cuáles pruebas se deben

realizar y de qué manera, para obtener datos que, al ser analizados
estadísticamente, proporcionen evidencias objetivas que permitan responder las
interrogantes planteadas
 Conceptos básicos
La unidad experimental es el elemento que se utiliza para generar un
valor que sea representativo del resultado del experimento o prueba. En cada
diseño de experimentos es importante definir de manera cuidadosa la unidad
experimental, esta puede ser:

Un árbol Una parcela Una maquinaria

Cada litro Cada ave Cada muestra tomada

 Conceptos básicos

Variable(s) de respuesta. A través de esta(s) variable(s) se conoce el

efecto o los resultados de cada prueba experimental
Cantidad de hojas Rendimiento
Altura Efectividad
Diámetro
Volumen

PH Cantidad de arboles
Densidad Cantidad de especies
Rendimiento

Peso PH
Altura Concentración
 Conceptos básicos
Factores controlables. Son variables de proceso o características de los materiales
experimentales que se pueden fijar en un nivel dado. Algunos de éstos son los que
usualmente se controlan durante la operación normal del proceso y se distinguen
porque, para cada uno de ellos, existe la manera o el mecanismo para cambiar o
manipular su nivel de operación.

Se tiene un vivero
Factores ¿ Se puede controlar?
Cantidad de agua 𝑺𝒊
Tipo de fertilizante 𝑺𝒊
Tipo de sustrato 𝑺𝒊
Humedad 𝑺𝒊
Temperatura
𝑺𝒊
Iluminación 𝑵𝒐
 Conceptos básicos
Factores no controlables o de ruido. Son variables o características de materiales y
métodos que no se pueden controlar durante el experimento o la operación normal del
proceso.

Se tiene un bosque forestal

Factores ¿ Se puede controlar?
Cantidad de agua 𝑵𝒐
Tipo de fertilizante 𝑺𝒊
Tipo de herbicida 𝑺𝒊
Humedad 𝑵𝒐
Temperatura 𝑵𝒐
Iluminación 𝑵𝒐
 Conceptos básicos
Factores estudiados. Son las variables que se investigan en el experimento,
respecto de cómo influyen o afectan a la(s) variable(s) de respuesta.

El objetivo de muchos estudios experimentales es encontrar la forma de mejorar la(s)

variable(s) de respuesta.

Factores
Cantidad de agua
Tipo de fertilizante
Tipo de sustrato Altura
Humedad
Temperatura
Iluminación
 Conceptos básicos

Niveles son los diferentes valores que se asignan a cada factor

estudiado en un diseño experimental.
Ejemplos

1) Se desea estudiar el efecto de tres tipo de sustratos (A,B,C) en el

crecimiento de determinada especie de planta

Niveles: Sustrato A; Sustrato B; Sustrato C

2) Se desea estudiar el efecto de dos tipo de roturación (R-1; R-2 ) en el
crecimiento de determinada especie de planta
Niveles: Roturación 1 ; Roturación 2
 Conceptos básicos

Turba Compost Gallinaza H. lombriz

Sustrato

Humedad

Temperatura Altura de la planta

Iluminación
 Conceptos básicos
Tratamiento es la combinación de niveles de todos los factores
estudiados

Ejemplo
Se desea estudiar el efecto de tres tipo de sustratos (A,B,C) y dos métodos de
roturación (R-1; R-2) en el crecimiento de determinada especie de planta

Tratamientos 3∗2=6
𝑨 con R-1; A con R-2; B con R-1; B con R-2; C con R-1; C con R-2
 Conceptos básicos

Nivel Nivel Nivel Nivel

Factor estudiado 1
1 2 3 4

Factor estudiado 2 Nivel 2 Nivel 3

Nivel 1

Factor

4 ∗ 3 = 12 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
Factor

Factor
 Conceptos básicos

Nivel Nivel Nivel Nivel

Factor estudiado 1
1 2 3 4

Factor estudiado 2 Nivel 2 Nivel 3

Nivel 1

Factor estudiado 3 Nivel 1 Nivel 2

Factor
4 ∗ 3 ∗ 2 = 24 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
Factor
 Conceptos básicos

Turba Compost Gallinaza H. lombriz

Sustrato
4 Niveles 4 Tratamientos
Humedad

Temperatura Altura de la planta

Iluminación
 Error aleatorio, error experimental
Error aleatorio
Siempre que se realiza un estudio experimental, parte de la variabilidad observada
en la respuesta no se podrá explicar por los factores estudiados. Siempre habrá
un remanente de variabilidad que se debe a causas comunes o aleatorias, que
generan la variabilidad natural del proceso.

Será parte de este error aleatorio

❖ El pequeño efecto que tienen los factores que no se estudiaron, siempre y

cuando se mantenga pequeño o despreciable.

❖ La variabilidad de las mediciones hechas bajo las mismas condiciones

 Error aleatorio, error experimental

Error experimental.

Sin embargo, el error aleatorio también absorberá todos los errores que el
experimentador comete durante los experimentos, y si éstos son graves, más que
error aleatorio hablaremos de error experimental

De predominar el error experimental la detección de cuáles de los factores

estudiados tienen un efecto real sobre la respuesta será difícil.
 Error aleatorio, error experimental

Factores
Cantidad de agua
Tipo de fertilizante
Tipo de sustrato
Crecimiento
Humedad de la planta
Temperatura
Iluminación

Tipo de sustrato
Sustrato A
Sustrato B
Sustrato C
Sustrato D
 Error aleatorio, error experimental

El grado en el cual una “variable” se

Error aleatorio Fiabilidad aproxima al mismo valor, cuando se
mide repetidamente

El grado en el cual una “variable”

Error experimental. Validez realmente representa, lo que se
supone que representa
 Diseño de experimentos

Introducción al diseño de experimento

Temática: Etapas de un diseño de experimento

Sumario:
❖ Etapas de un diseño de experimento

Bibliografía:
Análisis y diseño de experimentos. Gutiérrez Pulido Humberto y Vara Salazar
Román. Tercera Edición. 2012 McGraw-Hill
 Etapas en el diseño de experimentos
1. Planeación y realización
a) Entender y delimitar el problema u objeto de estudio.
b) Elegir la(s) variable(s) de respuesta
c) Determinar cuáles factores deben estudiarse o investigarse.
d) Seleccionar los niveles de cada factor.
e) Seleccionar el diseño experimental
f) Planear y organizar el trabajo experimental.
g) Realizar el experimento.

2. Análisis

3. Interpretación

4. Control y conclusiones finales

 Etapas en el diseño de experimentos
1. Planeación y realización
a) Entender y delimitar el problema u objeto de estudio.
En la etapa de planeación se deben hacer investigaciones preliminares que
conduzcan a entender y delimitar el problema u objeto de estudio

Debe quedar claro qué se va a estudiar, por qué es importante

 Etapas en el diseño de experimentos
1. Planeación y realización
b) Elegir la(s) variable(s) de respuesta
En ellas se reflejan el resultado de las pruebas, por lo que se deben
elegir aquellas que mejor reflejen el problema o que caractericen al
objeto de estudio.
Hay que garantizar que las mediciones que se obtengan sobre esas
variables sean confiables.

Altura

Diámetro
 Etapas en el diseño de experimentos
1. Planeación y realización
c) Determinar cuáles factores deben estudiarse o investigarse.
No se trata de que el experimentador tenga que saber a priori cuáles
son todos los factores influyen, puesto que existen experimentos para
determinar los factores que influyen favorablemente en la variable
de respuesta
Factores
Cantidad de agua
Tipo de fertilizante
Altura
Tipo de sustrato
Humedad
Temperatura
Iluminación
 Etapas en el diseño de experimentos
1. Planeación y realización
d) Seleccionar los niveles de cada factor.
En la selección de los niveles se debe considerar que estos
repercuten en la cantidad de tratamientos y hay que tomar en
cuenta el tiempo y el costo.

Turba

Sustrato Gallinaza Altura

Compost
 Etapas en el diseño de experimentos
1. Planeación y realización
e) Seleccionar el diseño experimental adecuado
Teniendo en cuenta los objetivos, los tratamientos , los niveles , la
naturaleza de las variables se decidirá que tipo de experimentos realizar
 Etapas en el diseño de experimentos
1. Planeación y realización
f) Planear y organizar el trabajo experimental.

Con base en el diseño seleccionado, organizar y planear con detalle el

trabajo experimental, por ejemplo, las personas que van a intervenir, la
forma operativa en que se harán las cosas, etc.
 Etapas en el diseño de experimentos
1. Planeación y realización
g) Realizar el experimento.

Seguir al pie de la letra el plan previsto en la etapa anterior, y en caso

de algún imprevisto, determinar a qué persona se le reportaría y lo
que se haría.
 Etapas en el diseño de experimentos
2. Análisis
En esta etapa no se debe perder de vista que los resultados
experimentales son observaciones muestrales, no poblacionales. Por
ello, se debe recurrir a métodos estadísticos inferenciales

La técnica estadística central en el análisis de los experimentos es el

llamado análisis de varianza ANOVA (acrónimo en inglés).
 Etapas en el diseño de experimentos

3. Interpretación

Con el respaldo del análisis estadístico formal, se debe contrastar las

conjeturas iniciales con los resultados del experimento.

Observar los nuevos aprendizajes que sobre el proceso se lograron,

verificar supuestos y elegir el tratamiento ganador, siempre con apoyo
de las pruebas estadísticas.
 Etapas en el diseño de experimentos

4. Control y conclusiones finales

Para concluir el estudio experimental se recomienda decidir qué

medidas implementar para generalizar el resultado del estudio y para
garantizar que las mejoras se mantengan.

Se debe organizar una presentación para difundir los logros

 Diseño de experimento

Tema: Introducción al diseño de experimento. III

Temática: Principios básicos y tipos de diseños

Sumario:
❖ Principios básicos del diseño de experimentos
❖ Clasificación y selección de los diseños experimentales
 Principios básicos del diseño de experimento.

Para que un diseño tenga validez estadística es necesario aplicar

los tres principios básicos del diseño de experimentos, los cuales
son aleatorización, repetición y bloqueo; de la aplicación de
estos, dependerá que los datos obtenidos sean útiles para
responder a las preguntas planteadas y así obtener conclusiones
válidas.
 Principios básicos del diseño de experimento.

Aleatorización.

Consiste en hacer las corridas experimentales en orden aleatorio

(al azar) y con material también seleccionado aleatoriamente.

Este principio aumenta la probabilidad de que el supuesto de independencia de los

errores se cumpla, lo cual es un requisito para la validez de las pruebas de
estadísticas que se realizan.

También es una manera de asegurar que las pequeñas diferencias provocadas por
materiales, equipo y todos los factores no controlados, se repartan de manera
homogénea en todos los tratamientos.
Principios básicos del diseño de experimento.

Se quiere probar tres tipos de tratamientos

❖ Escoger los arboles al azar (muestreo
probabilístico)

Se tiene que medir en el laboratorio el resultados

de varias pruebas en varios tratamientos
❖ No hacer primero los de un tratamiento y
después los de otro
 Principios básicos del diseño de experimento.

Repetición.
Es correr más de una vez un tratamiento o una combinación de factores.

Repetir es volver a realizar un tratamiento, pero no inmediatamente después de

haber corrido el mismo tratamiento, sino cuando corresponda de acuerdo con la
aleatorización.

Las repeticiones permiten distinguir mejor qué parte de la variabilidad total de los
datos se debe al error aleatorio y cuál a los factores. Cuando no se hacen
repeticiones no hay manera de estimar la variabilidad natural o el error aleatorio, y
esto dificulta la construcción de estadísticas realistas en el análisis de los datos.
Principios básicos del diseño de experimento.

Medir mas de una planta con

el mismo tratamiento
 Principios básicos del diseño de experimento.

Bloqueo.
Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los
factores que puedan afectar la respuesta observada. Al bloquear, se
supone que el subconjunto de datos que se obtengan dentro de cada
bloque (nivel particular del factor bloqueado), debe resultar más
homogéneo que el conjunto total de datos.
 Principios básicos del diseño de experimento.
Un investigador quiere determinar si alguna de la maquinaria del mismo tipo
pero suministrada por diferentes proveedores tienen el mismo rendimiento o
hay alguna más eficaz que las otras

Variable de Respuesta: Rendimiento

Factor: Maquinaria A, Maquinaria B, Maquinaria C, Maquinaria D

Combustible
Nulificar
Material a procesar

Operario Tomar en cuenta Minimizar

 Principios básicos del diseño de experimento.

Se van a probar 4 veces cada maquinaria.

Se va trabajar 4 días, de 8:00 AM a 11:00 AM las cuatro maquinas al mismo

tiempo de lunes a jueves

1 día 2 día 3 día 4 día

M-1

M-2

M-3

M-4
 Principios básicos del diseño de experimento.

Se llevó a cabo un experimento para determinar la eficacia de fertilizantes de

nitrógeno en tres concentraciones diferentes para una cierta especie de árbol.
Se consta con tres parcelas experimentales. Pero considerando que puede
existir variabilidad entre las parcelas experimentales, se decidió que cada uno
de los tres fertilizantes fuera aplicado a las tres parcelas experimentales.

Realizado el experimento, el investigador mediante un muestreo aleatorio

selecciona de cada parcela 8 arboles por cada tipo de fertilizante, mide su
altura y aplicando métodos estadísticos determina que concentración de
nitrógeno es la más efectiva para el crecimiento de la planta
Principios básicos del diseño de experimento.
 Principios básicos del diseño de experimento.

Variable de respuesta:

Factor estudiado.

Niveles del factor estudiado

Principio de aleatorización

Principio de repetición

Principio de bloqueo
 Clasificación y selección de los diseños experimentales

Existen muchos diseños experimentales para estudiar la gran

diversidad de problemas o situaciones que ocurren en la práctica. Esta
cantidad de diseños hace necesario saber cómo elegir el más
adecuado para una situación dada y, por ende, es preciso conocer
cómo es que se clasifican los diseños de acuerdo con su objetivo y su
alcance.
 Clasificación y selección de los diseños experimentales

Los cinco aspectos que más influyen en la selección de un diseño experimental, en

el sentido de que cuando cambian por lo general nos llevan a cambiar de diseño,
son:
1. El objetivo del experimento.
2. El número de factores a estudiar.
3. El número de niveles que se prueban en cada factor.
4. Los efectos que interesa investigar
5. El costo del experimento, tiempo y precisión deseada.
 Clasificación y selección de los diseños experimentales
El objetivo del experimento se utiliza como un criterio general de clasificación de
los diseños experimentales, mientras que los otros cuatro puntos son útiles para
subclasificarlos.

Diseños para comparar dos o más tratamientos.

Turba

Compost
Altura de la
planta en cm Sustrato
H. lombriz

Gallinaza
 Clasificación y selección de los diseños experimentales
Diseños para estudiar el efecto de varios factores sobre la(s) respuesta(s).

Presión

Humedad

Temperatura
Rendimiento en Kg
Tiempo

Concentración %
 Clasificación y selección de los diseños experimentales
Diseños para determinar el punto óptimo de operación del proceso.

Temperatura
Rendimiento en Kg
Tiempo
 Clasificación y selección de los diseños experimentales
Diseños para la optimización de una mezcla.

Turba

Compost
Altura de la
planta en cm
H. lombriz

Gallinaza
Gracias
Título: Supuestos de normalidad, homogeneidad e independencia en el Diseño de
Experimentos

El análisis de varianza (ANOVA) es una técnica estadística utilizada en el Diseño de

Experimentos para comparar las medias de tres o más grupos y determinar si existen
diferencias significativas entre ellos. Sin embargo, antes de aplicar la ANOVA, es esencial
verificar varios supuestos para asegurar la validez de los resultados obtenidos.

El primer supuesto es la normalidad de los datos. Este supuesto establece que los datos
dentro de cada grupo o tratamiento siguen una distribución normal. Esto implica que la
mayoría de los valores se concentran alrededor de la media y se distribuyen simétricamente
hacia ambos lados. La normalidad de los datos es fundamental para garantizar que los
resultados de la ANOVA sean confiables. Se pueden utilizar pruebas estadísticas como la
prueba de Shapiro-Wilk, la prueba de Kolmogorov-Smirnov o gráficos QQ (Quantile-
Quantile) para evaluar la normalidad de los datos.

El segundo supuesto es la homogeneidad de varianzas. Este supuesto establece que las

varianzas de los datos en cada grupo o tratamiento son aproximadamente iguales. Si los
grupos presentan varianzas diferentes, puede haber un impacto en los resultados de la
ANOVA y puede conducir a conclusiones incorrectas. Para evaluar este supuesto, se pueden
utilizar pruebas de homogeneidad de varianzas como la prueba de Levene o la prueba de
Bartlett. Estas pruebas comparan las varianzas de los datos entre los grupos y determinan
si existen diferencias significativas.

El tercer supuesto es la independencia de las observaciones. Este supuesto establece que

las observaciones dentro de cada grupo o tratamiento son independientes entre sí y no están
relacionadas. La independencia se logra mediante un diseño adecuado del experimento,
como el muestreo aleatorio o el uso de un diseño completamente aleatorizado. La
independencia es importante para evitar sesgos y garantizar que cada observación
contribuya de manera única a los resultados del análisis.
Es esencial tener en cuenta que estos supuestos están interrelacionados. La normalidad de
los datos contribuye a la homogeneidad de varianzas, ya que las distribuciones normales
generalmente tienen varianzas similares. Además, la independencia de las observaciones
es necesaria para realizar inferencias válidas sobre los grupos.

Si alguno de estos supuestos no se cumple, existen enfoques alternativos que se pueden

considerar. Por ejemplo, si los datos no siguen una distribución normal, se pueden aplicar
transformaciones a los datos para lograr una aproximación más cercana a la normalidad.

También se pueden utilizar métodos no paramétricos, como la prueba de Kruskal-Wallis, que

no requieren la suposición de normalidad. En cuanto a la independencia, si se viola este
supuesto, se pueden utilizar técnicas de muestreo más complejas o modelos estadísticos
que tengan en cuenta la estructura de dependencia de los datos.

En conclusión, antes de realizar un análisis de ANOVA en el Diseño de Experimentos, es

necesario verificar los supuestos de normalidad de los datos, homogeneidad de varianzas e
independencia de las observaciones. Estos supuestos garantizan la validez de los resultados
de la ANOVA y se pueden evaluar utilizando pruebas
 Diseño de experimentos

Tema II: Diseños de un solo factor

Temática: Verificación de los supuestos

Sumario:
❖ Supuestos del modelo
❖ Tratamientos en SPSS
❖ Alternativas
 Diseño completamente al azar

Turba Compost Gallinaza H. lombriz

Sustrato

Humedad

Temperatura Altura de la planta

Iluminación Hipótesis estadística

𝐻𝑜 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 ℎ𝑎𝑦 𝑢𝑛 𝜇𝑖 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒
Tratamiento de la información

Si la significación es
mayor que 0,05 se
a𝐜𝐞𝐩𝐭𝐚 𝑯𝟎

Si la significación es
menor que 0,05 se
rechaza 𝑯𝟎 y se
acepta 𝑯𝟏
 Supuestos del modelo

La validez de los resultados obtenidos en cualquier análisis de varianza

queda supeditado a que los supuestos del modelo se cumplan. Estos
supuestos son:

❖ Normalidad para cada tratamiento 𝑯𝟎 : 𝑳𝒂 𝒄𝒖𝒎𝒑𝒍𝒆

❖ Homogeneidad de varianzas
❖ Independencia de cada tratamiento 𝑯𝟏 : 𝑵𝒐 𝒍𝒂 𝒄𝒖𝒎𝒑𝒍𝒆

Los supuestos del modelo son los requisitos previos que

deben cumplir los datos para poder realizar una ANOVA
 Supuestos del modelo

El supuesto de normalidad asume que los datos siguen una distribución normal.
Esto implica que la mayoría de los valores se encuentran cerca de la media y que la
distribución tiene forma de campana.

Este supuesto es fundamental en

muchos métodos estadísticos, ya que
permite aplicar pruebas y
procedimientos estadísticos válidos.
Además, la normalidad facilita la
interpretación de los resultados.
 Supuestos del modelo

Método gráfico

Grafica Q-Q

Lo residuos siguen una

distribución normal, al quedar
alineados en una línea recta.
Cabe enfatizar el hecho de
que el ajuste de los puntos a
una recta no tiene que ser
perfecto, dado que el análisis
de varianza resiste pequeñas
y moderadas desviaciones al
supuesto de normalidad
 Supuestos del modelo

Métodos Analíticos 𝑯𝟎 : 𝑺𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒚𝒆 𝒏𝒐𝒓𝒎𝒂𝒍

❖ Prueba de Shapiro-Wilks 𝑯𝟏 : 𝑵𝒐 𝒔𝒆 𝒅𝒊𝒔𝒕𝒓𝒖𝒃𝒖𝒚𝒆 𝒏𝒐𝒓𝒎𝒂𝒍
❖ Prueba Kolmogorov-Smirnov
𝑮𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝑳𝒊𝒃𝒆𝒓𝒕𝒂𝒅 < 𝟓𝟎

Las tres concentraciones se distribuyen normal porque se acepta 𝑯𝟎 ; 𝑺𝒊𝒈 > 𝟎, 𝟎𝟓

 Supuestos del modelo

El supuesto de homogeneidad (o igualdad de varianzas) supone que las varianzas

de las diferentes muestras o grupos son iguales. Esto implica que las diferencias
observadas entre grupos son debidas únicamente a las diferencias reales en las
medias de los grupos. Este supuesto es crucial en el
análisis de la varianza
(ANOVA) y en otras pruebas
paramétricas que involucran
múltiples grupos. Sin la
homogeneidad de varianzas,
los resultados pueden ser
sesgados y no confiables.
 Supuestos del modelo

Para verificar la homogeneidad de varianzas, se pueden utilizar pruebas

estadísticas como la prueba de Levene o la prueba de Bartlett.

No hay homogeneidad porque se rechaza 𝑯𝟎 𝒚 𝒔𝒆 𝒂𝒄𝒆𝒑𝒕𝒂 𝑯𝟏 ; 𝑺𝒊𝒈 < 𝟎, 𝟎𝟓

 Supuestos del modelo
El supuesto de independencia asume que las observaciones o datos son
independientes entre sí. Esto significa que la ocurrencia de un evento o la medición de
una variable no está influenciada por la ocurrencia o medición de otros eventos o
variables.
3,45 3,45 La independencia es fundamental para asegurar
2,25 0,1 2,35
que los datos recopilados sean lo más objetivos y
3,17 0,2 3,37
2,81 0,3 3,11 representativos posible. La violación de este
3,03 0,4 3,43
supuesto puede llevar a una sobreestimación de
2,3 0,5 2,8
3,38 0,6 3,98 la significancia estadística y resultados
4,15 0,7 4,85 incorrectos.
2,7 0,8 3,5
2,8 0,9 3,7
 Supuestos del modelo
Para verificar la independencia se utiliza la prueba de Rachas

En cada caso los tratamientos aleatorios

se a𝐜𝐞𝐩𝐭𝐚 𝑯𝟎 ; 𝑺𝒊𝒈 > 𝟎, 𝟎𝟓
 Supuestos del modelo

Prueba de rachas para las mediciones reales y las incrementadas por el uso
del equipo
¿Cómo calcular utilizando el SPSS?
❖ Supuesto de normalidad
❖ Supuesto de homogeneidad
❖ Supuesto de independencia
Alternativas para el caso de que
no se cumplan los supuestos
 Alternativas. Normalidad

❖ Si los datos no se distribuyen normal se podría hacer una transformación con el fin de
obtener nuevos datos que si se distribuyan normal
Cuando estas transformaciones son incapaces de adecuar los datos a una
distribución normal pueden utilizarse Técnicas Analíticas No Paramétricas.

Las Técnicas No Paramétricas son de cálculo más rápido y de supuestos más

sencillos que las técnicas paramétricas (no requieren el cumplimiento del
supuesto de normalidad). No obstante, cuando se cumplen los requisitos del
análisis de la varianza se debe de realizar ya que las técnicas paramétricos
mas eficientes
Prueba de Kruskal-Wallis
 Alternativas. Homogeneidad

❖ Si los datos no son homogéneos existen pruebas para las comparaciones múltiples que
necesariamente no asumen la homogeneidad
DMS, Bonferroni, Sidak, Scheffé, R-G-E WF, R-G-E WQ, SNK, Tukey, Tukey-b,
Duncan, GT2 de Hochberg, Gabriel

❖ Ventajas: Estas pruebas ofrecen una variedad de enfoques y ajustes para

controlar el error tipo I en comparaciones múltiples. Algunas pruebas, como
Tukey , son ampliamente utilizadas y ofrecen intervalos de confianza
ajustados.

❖ Desventajas: Algunas pruebas pueden requerir supuestos específicos, como

la homogeneidad de varianzas, y pueden ser más conservadoras o menos
potentes en ciertos escenarios.
 T2 de Tamhane, T3 de Dunnett, Games-Howell, C de Dunnett

❖ Ventajas: No asumen homogeneidad de varianzas, lo que las hace adecuadas en

situaciones en las que las varianzas entre los grupos son heterogéneas. Además,
todas estas pruebas permiten comparaciones con un grupo de control o referencia.

❖ Desventajas: Algunas de estas pruebas pueden ser conservadoras y requerir

tamaños de muestra grandes.
 Alternativas. Independencia

La violación de este supuesto generalmente indica deficiencias en la

planeación y ejecución del experimento; asimismo, puede ser un
indicador de que no se aplicó en forma correcta el principio de
aleatorización, o de que conforme se fueron realizando las pruebas
experimentales aparecieron factores que afectaron la respuesta
observada.

De no cumplirse este supuesto el investigador no podrá continuar con

el experimento pues incorporaría a los resultados el Error Experimental