UNIVERSIDAD NACIONAL EXPERIMENTAL “SIMÓN RODRIGUEZ”

NÚCLEO ANTONIO JOSÉ DE SUCRE EXTENSIÓN CUMANÁ

PNF: MEDICINA VETERINARIA

TRAYECTO II TRAMO II

CURSO: BIOESTADÍSTICA

DISEÑO COMPLETAMENTE ALEATORIO

Participantes:
Bermúdez, Aviannys CI: 25621108
Centeno, Carla CI: 21.095.168
Chaparro, Patricia CI: 31.157.169
Reyes, Roxana CI: 29.721.657
Suarez, Diana CI: 31.334.725

Cumana 28 de abril de 2025.

 INTRODUCCION
El diseño experimental explica la variación y plantea las condiciones como
una hipótesis de la variación, y se le asigna el diseño completamente aleatorio
(DCA), a cada unidad experimental, se distribuyen los tratamientos y no se pone
restricción en el diseño, y es de fácil uso. Diseño completamente aleatorio se usa
en experimentos donde las condiciones ambientales y físicas son totalmente
controlables, las características deben ser con igualdad y distribuidas al azar,
aunque alguna información se pierda no se altera la estructura del experimento
Debido a su aleatorización irrestricta, es conveniente que se utilicen
unidades experimentales de lo más homogéneas posibles: animales de la misma
edad, del mismo peso, similar estado fisiológico; parcelas de igual tamaño, etc., de
manera de disminuir la magnitud del error experimental, ocasionado por la
variación intrínseca de las unidades experimentales. Este diseño es apropiado
para experimentos de laboratorio, invernadero, animales de bioterio, aves,
conejos, cerdos, etc., es decir, situaciones experimentales como de las
condiciones ambientales que rodean el experimento. En el presente trabajo
hablamos sobre este diseño, el modelo aditivo lineal para submuestreo y la técnica
de comparación múltiple.
 DISEÑO COMPLETAMENTE ALEATORIO
Es el diseño más simple y sencillo de realizar, en el cual los tratamientos se
asignan al azar entre las unidades experimentales (UE) o viceversa. Este diseño
tiene amplia aplicación cuando las unidades experimentales son muy
homogéneas, es decir, la mayoría de los factores actúan por igual entre las
unidades experimentales. Esta situación se presenta en los experimentos de
laboratorio donde casi todos los factores están controlados, también en ensayos
clínico y experimentos industriales. En ensayos de invernaderos es muy útil. Ha
sido ampliamente utilizado en experimentos [Link] homogeneidad de las
unidades experimentales puede lograrse ejerciendo un control local apropiado
(seleccionando, por ejemplo, sujetos, animales o plantas de una misma edad,
raza, variedad o especie). Pero debe tenerse presente que todo material bilógico,
por homogéneo que sea, presenta una cierta fluctuación cuyos factores no se
conocen y son. Por lo tanto, incontrolables. En este mismo orden de ideas, si
logramos controlar factores cualitativos como sexo, camada, color, raza o
cuantitativos como peso, alzada, edad, consumo, podremos eliminar su influencia
del error experimental; la varianza de este componente disminuiría y, en
consecuencia, aumentara la eficiencia del experimento posibilitando la detección
de efectos entre los tratamientos o condiciones experimentales si es que los hay.
Su nombre deriva del hecho que existe completamente una aleatorización, la cual
valida como ya se dijo la prueba F de Fisher- Snedecor, También se le conoce
como Diseño de una Vía o un solo Criterio de clasificación en virtud de que las
respuestas se hallan clasificadas únicamente por los tratamientos. Este diseño no
impone ninguna restricción en cuanto a las unidades experimentales, estas
deberán ser, en todo caso, homogéneas. El diseño en su estructura no se ve
afectado por el número igual o desigual de observaciones por tratamiento.

Características generales
 La principal característica que distingue al Diseño Completamente
Aleatorizado (DCA) es que la asignación de los tratamientos a las unidades
experimentales se hace sin ninguna restricción en la aleatorización. Es
decir de forma “Completamente Aleatoria”.

 Debido a que no se forman bloques, la variación total de las observaciones

o datos únicamente puede dividirse en dos partes:

1) las diferencias entre las medias de los tratamientos

 2) las diferencias entre unidades experimentales que recibieron un mismo
tratamiento (Error experimental)

Ventajas del Diseño completamente al azar

 Su flexibilidad. Puesto que permite una total libertad en el dispositivo
experimental, por un lado, se puede probar cualquier número de tratamiento
y, por otro lado, el número de observaciones por tratamiento puede ser
igual o desigual.
 El número de repeticiones puede variar entre tratamientos aunque
generalmente lo ideal es tener un número igual para cada tratamiento.
 El análisis estadístico es simple ya sea cuando todos los tratamientos
tengan igual número de réplicas (balanceado), diferente número de réplicas
(desbalanceado) o pérdida de datos, caso en el cual se trata como un
análisis desbalanceado.
 Maximiza los grados de libertad para estimar el error experimental.
 Permite observaciones perdidas y no se dificulta el análisis estadístico. Muy
fácil de usar en experimentación.
 En el caso en que se hayan perdido algunos datos, el método de análisis
sigue siendo sencillo y la pérdida relativa de información es de menor
importancia que en cualquier otro diseño.
Desventajas del Diseño completamente al azar
 Es apropiado para un número pequeño de tratamiento.
 Es apropiado solo en caso de disponer de material experimental
homogéneo.
 En comparación con otros dispositivos experimentales donde se pueda
ejercer control local es menos sensible y tienen un poder analítico débil.
Esta falta de sensibilidad se debe a que todos los factores que no se
controlaron se acumulan en el error experimental, provocando que este
aumente y no permita detectar diferencias significativas entre los
tratamientos. Este es el motivo por el cual los investigadores estadígrafos
se dedican a buscar diseños experimentales más complejos, pero que
fueran capaz de estimar el error experimental con mayor grado de
precisión.
 Dado que no hay restricciones de aleatoriedad toda la variabilidad existente
en las unidades experimentales tratadas en el mismo tratamiento estará
incluida en el error experimental.
Usos
 Es recomendado cuando es posible que gran parte de las unidades
experimentales no respondan al tratamiento o puedan perderse durante el
experimento.
 Es útil en experimentos en los que el número de unidades experimentales
es limitado, ya que provee el máximo número de grados de libertad del
error

Ejemplo
1) La tabla de números al azar.
Explicación: Suponga que se tienen N= 16 unidades experimentales (u.e)
homogéneas, para un experimento bajo un DCA con t= 4 tratamientos y r= 4
réplicas. Inicialmente asigne los dígitos 01, 02, . . ., 16 a las u.e, ubique la
punta de su lápiz aleatoriamente en cualquier lugar de la tabla de números
aleatorios, por decir en la fila 26 columna 4 donde aparece el número 24878, a
partir de lo dos primeros dígitos (24) empiece a recorrer en cualquier sentido,
suponga que se hace hacia abajo de la columna donde está el número 24,
registre los números de dos cifras (o de tres cifras cuando los rótulos de las u.e
tengan tres cifras) que estén entre 1 y 16 inclusive. En este caso son: 04, 02,
01, 14, continuando desde la parte inferior de la columna (6) hacia arriba se
obtiene: 06, 13, 10, 11 siga a la parte superior de la columna (7): 15, 09, 16,
07, continuando se asignan las otras cuatro: 03, 08, 05, 12. Por lo que al
tratamiento 1 se le siguientes cuatro: 04, 02, 01, 14 al tratamiento 2 las
siguientes cuatro: 06, 13, 10, 11 las restantes al: 15, 09, 16, 07 y al tratamiento
3 las restantes 03, 08, 05, 12.
MODELO ADITIVO LINEAL PARA SUBMUESTREO
EI modelo aditivo lineal para submuestreo es una expresión algebraica que
condensa todos los factores presentes en la investigación. Se utiliza para analizar
datos en los que se han tomado muestras de subgrupos de una población más
grande. Resulta útil para sintetizar que factores son independientes o
dependientes, cuales son fijos o aleatorios, cuales son cruzados o aninados. Para
este diseño el modelo aditivo lineal para submuestreo es:

Yij= μ+ Ti+ εij

i=1,……,k j =1,……. ni
Donde:
Yij: Es la respuesta (variable de interés o variable medida)
μ: Es la medida general del experimento.
Ti: Es el efecto de tratamiento
εij: Es el error aleatorio asociado a la respuesta Yij
k: es el número de tratamientos
ni: es el número de repeticiones para el i-ésimo tratamiento

Ejemplo: Se realizó un experimento para evaluar el efecto de la adicción de

compuestos vitamínicos al alimento balanceado en la ganancia de peso en cerdos.
Tres diferentes compuestos fueron evaluados (A, B y C) y un control (D –sin la
adicción de compuesto vitamínico). El aumento de peso tras una semana en una
muestra aleatoria de 22 cerdos se da a continuación
 Compuesto vitamínico Aumento de peso tras una semana en
lb
A 11.1 10.9 10.8 10.2 11.4
10.7
B 11.5 11 10.8 10.6 11.2
10.9
C 10.1 10.6 11.2 10.2 10.4
D 9.2 9.8 10.1 9.7 10.4

Este experimento fue conducido bajo los lineamientos de un DCA, por lo que el
modelo aditivo es el siguiente:
Yij= μ+ Ti+ εij ---- i=1,……, k ------ j =1,……. ni

Donde:
Yij: es la ganancia de peso obtenida en el j-ésimo cerdo alimentado con la i-ésimo
compuesta vitamínico.
µ: es el efecto de la media general de peso.
Ti: es el efecto del i-ésimo compuesto vitamínico.
εij : es el efecto del error experimental con el j-ésimo cerdo alimentado con el i-
ésimo complejo vitamínico.
K=4
ni: = 6, n2 = 6 , n3 =5 , n4 =5 (número de repeticiones por tratamiento).

Supuestos del Modelo Estadístico

El modelo estadístico debe cumplir con los siguientes supuestos
1) Aditividad: Los efectos del modelo son aditivos.
2) Linealidad: Las relaciones entre los efectos del modelo son lineales.
3) Normalidad: Los errores del modelo deben tener una distribución normal con
media cero y varianza σ2.
4) Independencia: Los resultados obtenidos en el experimento son independientes
entre sí.
5) Homogeneidad de la Varianza: Las diferentes poblaciones generadas por la
aplicación de los diferentes tratamientos tienen variancias iguales (σ2).

LAS COMPARACIONES MÚLTIPLES

Son técnicas estadísticas utilizadas para realizar pruebas de hipótesis entre
múltiples grupos o tratamientos después de haber realizado un análisis de
varianza, ya que permiten efectuar un conjunto de comparaciones.
Suponga por ejemplo que se conduce un experimento con 3 tratamientos (A, B y
C). En este caso se debe efectuar 3 comparaciones por pares (A con B, A con C y
B con C).
Ejemplo
-Prueba de Tukey: Compara todas las medias de los grupos.
Permite evaluar la significación de todas las diferencias entre tratamientos. Las
hipótesis correspondientes a todas las comparaciones constituyen una familia y
por lo tanto el error es familiar. Los supuestos para la realización de esta prueba
son:
 Varianzas homogéneas.
 Las muestras son extraidas al azar
Hipótesis:

Amplitud Límite Significativa de

Tukey:
ALS(T)= AES(T) Sd
Dónde:
AES(T) es la amplitud estandarizada significativa de Tukey, obtenida desde tabla
de Tukey con α= nivel de significación, p= número de tratamientos d experimento
y los grados de libertad del error experimental.
 Es la deviación estándar de la diferencia de las medias
maestrales de dos tratamientos para la prueba de Tukey cuando los tratamientos
tienen el mismo número de repeticiones

Si los tratamientos no están iguales entonces la desviación estándar puede

calcularse por

Sin embargo esta aproximación hace que la prueba sea ligeramente conservada
(esto es, disminuye la probabilidad de detectar diferencias significativas) ya que el
nivel de significación real es ligeramente menor que el establecido en la prueba.
 CONCLUSIÓN

El diseño completamente aleatorizado, junto con el modelo lineal aditivo y

las comparaciones múltiples, son herramientas fundamentales en el análisis
estadístico de experimentos. Estos conceptos permiten a los investigadores
diseñar, analizar y validar sus experimentos de manera efectiva.
 BIBLIOGRAFÍA
Félix Arley Díaz Rosell (2006) Diseño Estadístico de Experimentos.
Universidad Central “Marta Abreu” de Las Villas. Cuba
Oruna Lara Juan Carlos (2016) DISEÑO COMPLETAMENTE ALEATORIO.
Estadística inferencial. Universidad Nacional Tecnológica de Lima Sur .Perú