Facultad de Ingeniería

Escuela Profesional de Ingeniería

Forestal y Ambiental

UNIVERSIDAD NACIONAL DE JAÉN, ESCUELA DE INGENIERÍA

CARRERA PROFESIONAL DE INGENIERÍA FORESTAL Y AMBIENTAL

CURSO: ESTADÍSTICAS Y PROBABILIDADES

DOCENTE: Dra. MARCELA YVONE SALDAÑA MIRANDA.

INTEGRANTES: - ARANDA RUEDA, BRAYAN ANDERSON.

-CASTILLO LIZANA, INGRID ANALY.

-MENDOZA MONTEZA. WALTER BENEDICTO

-MENDOZA PLACENCIA ERICK ANTHONY.

-VILCHEZ RABANAL, ANA BELÉN.

TEMA: DISEÑO COMPLETAMENTE ALEATORIO.

SEMANA: 15

JAÉN – PERÚ
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

I. INTRODUCCIÓN

En el campo de la estadística aplicada a la investigación experimental, uno de los diseños

más fundamentales y ampliamente utilizados es el Diseño Completamente al Azar
(DCA). Este diseño resulta especialmente útil cuando se desea comparar tres o más
tratamientos de manera eficiente, distribuyendo las unidades experimentales de forma
aleatoria para reducir el sesgo y controlar la variabilidad no explicada.

El DCA se basa en el modelo estadístico del Análisis de Varianza (ANOVA) de un solo

factor, también conocido como One-Way ANOVA. Su propósito principal es evaluar si
existen diferencias significativas entre las medias de los tratamientos aplicados. Para ello,
la variación total observada en los datos se descompone en dos componentes: la variación
debida a los tratamientos (entre grupos) y la variación debida al error experimental
(dentro de los grupos). Estas varianzas son comparadas mediante el estadístico F de
Fisher, lo que permite establecer si las diferencias entre tratamientos son producto del
efecto del tratamiento o simplemente del azar (Montgomery, 2019; Gómez y Gómez,
1984).

Uno de los aspectos esenciales del DCA es la aleatorización en la asignación de los

tratamientos. Esta característica asegura que cualquier influencia externa no controlada se
distribuya de forma equitativa entre los grupos, eliminando así posibles sesgos
sistemáticos. El diseño es particularmente recomendable cuando las unidades
experimentales son homogéneas y no hay otros factores que influyan significativamente
en los resultados.

Aunque su estructura es sencilla, el Diseño Completamente al Azar continúa siendo un

modelo robusto y eficaz cuando se emplea correctamente. Además de su utilidad práctica,
constituye la base sobre la cual se desarrollan modelos más complejos, como el diseño en
bloques completos al azar o las factoriales. Su relevancia en la enseñanza y en la
investigación lo ha convertido en una herramienta esencial para el análisis experimental
(Ott y Longnecker, 2015).

El presente informe tiene como finalidad describir el fundamento teórico del DCA,
detallar los pasos necesarios para su aplicación, y presentar un ejemplo práctico orientado
al análisis del crecimiento de plantas bajo diferentes tratamientos. Con ello se busca
ilustrar cómo este modelo permite evaluar diferencias significativas en variables de
interés, dentro de un marco estadístico confiable.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

II. OBJETIVOS:

Objetivo General: Aplicar el diseño completamente aleatorizado en ejercicios prácticos para

evaluar el efecto de distintos tratamientos.

Objetivos Específicos:

● Analizar los resultados mediante ANOVA.

● Reconocer los elementos básicos del diseño.

III. MARCO TEÓRICO:

● DISEÑOS EXPERIMENTALES:

Los diseños experimentales constituyen una estrategia metodológica rigurosa que permite
establecer relaciones causales entre variables mediante la manipulación deliberada de factores
y el control de condiciones externas. Su propósito es medir el impacto de tratamientos
específicos sobre una o más variables dependientes, garantizando la validez interna del
estudio (Hernández, Fernández & Baptista, 2014).
Existen diversos tipos de diseños experimentales según la complejidad del estudio y el
número de factores involucrados, como los diseños completamente aleatorizados, los diseños
de bloques, los factoriales y los diseños con medidas repetidas. Cada uno se selecciona en
función del objetivo del estudio, el control requerido y los recursos disponibles (Kerlinger &
Lee, 2002).
El uso de diseños experimentales es fundamental en disciplinas como la psicología, la
biología, la educación o la economía aplicada, ya que proporcionan evidencia sólida para la
toma de decisiones basada en datos empíricos. Una adecuada planificación experimental
permite aumentar la precisión, reducir la variabilidad no deseada y facilitar inferencias
confiables (Shadish, Cook & Campbell, 2002).

● DEFINICIONES BÁSICAS

1. Normalidad: Los residuos (errores) deben seguir una distribución normal.

2. Homogeneidad de varianzas (homocedasticidad): Las varianzas dentro de cada grupo
deben ser aproximadamente iguales.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

3. Independencia de los errores: Las observaciones deben ser independientes entre sí.
4. Aditividad de los efectos: Los efectos del factor tratamiento y del error deben ser aditivos, es
decir, no debe haber interacciones entre ellos.

Si estos supuestos no se cumplen, pueden aplicar transformaciones a los datos o recurrirse a

pruebas no paramétricas como alternativas.

● TIPOS DE DISEÑOS EXPERIMENTALES

1. TIPOS DE DISEÑOS EXPERIMENTALES

El diseño completamente aleatorizado es uno de los más simples en la

experimentación. En él, las unidades experimentales se asignan al azar a los diferentes

tratamientos, asegurando que todas tengan la misma probabilidad de ser seleccionadas

para cualquier grupo. Esto minimiza el sesgo y facilita el análisis estadístico. Se aplica

cuando no existen factores externos que puedan influir significativamente en los

resultados, aunque puede perder eficiencia si hay mucha variabilidad no controlada

(Hernández et al., 2014; Ruiz, 2012).

❖ Término de corrección.

❖ Suma de los Cuadrados para tratamiento.

❖ Suma de los Cuadrados para total.

❖ Suma de los Cuadrados para error.

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Cálculo del error estándar de la diferencia entre dos tratamientos.

❖ De igual número de repeticiones.

❖ Número de repeticiones diferentes.

● DISEÑO COMPLETAMENTE ALEATORIZADO CON

UNA OBSERVACIÓN POR UNIDAD EXPERIMENTAL
𝑌𝑖𝑗 = 𝜇 + 𝑇𝑖 + 𝑒𝑖𝑗

Dónde:
● Yij : Valor observado en la j-ésima repetición del i-ésimo tratamiento.
● μ : Medios generales del experimento.
● τi : Efecto del i-ésimo tratamiento.
● ϵij : Error experimental asociado a la observación.

Análisis de varianza (ANOVA)

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

El ANOVA permite descomponer la variabilidad total de los datos en varias fuentes de

variación:
● Variación entre tratamientos (SC Tratamiento): Mide cómo varían las medias de los
tratamientos respecto a la media general.
● Variación dentro de tratamientos (SC Error): Mide la variabilidad natural dentro de
cada grupo.
● Variación total (SC Total): Es la suma de las dos anteriores.

La tabla de ANOVA típica tiene la siguiente estructura:

FUENTE DE GRADOS DE SUMA DE CUADRADO VALOR

VARIACIÓN LIBERTADA CUADRADOS MEDIO F

Tratamientos t-1 SC Tratamiento CM Tratamiento F

Error t (r – 1) Error de SC Error de CM

Total n-1 Total de SC

Dónde:
● t : número de tratamientos.
● r : número de repeticiones por tratamiento.
● n : número total de observaciones.
El valor de F se compara con el valor crítico de la tabla F de Fisher, o bien, se usa el
p-valor asociado para tomar una decisión estadística.

● CARACTERISTÍCAS CLAVES DEL DISEÑO COMPLETAMENTE

ALEATORIZADO
Una de las características clave del Diseño Completamente Aleatorizado es su
simplicidad. En el CRD, la asignación aleatoria de tratamientos a las unidades
experimentales se realiza sin ninguna restricción, lo que significa que cada unidad es
tratada de forma independiente. independencia es crucial para la validez de las
pruebas estadísticas que siguen, ya que garantiza que los efectos observados se deben
a los tratamientos y no a variables de confusión. Además, el CRD es flexible y se
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

puede aplicar a varios tipos de experimentos, lo que lo convierte en una opción

popular entre los investigadores

● APLICACIONES DEL DISEÑO COMPLETAMENTE ALEATORIO

El diseño completamente aleatorizado se utiliza ampliamente en diversos campos,

como la agricultura, la medicina y las ciencias sociales. En la investigación agrícola,
por ejemplo, el CRD se puede emplear para probar los efectos de diferentes
fertilizantes en el rendimiento de los cultivos. En los ensayos clínicos, se utiliza a
menudo para evaluar la eficacia de nuevos medicamentos asignando aleatoriamente a
los pacientes a grupos de tratamiento y de control. La versatilidad del CRD lo
convierte en una herramienta valiosa para los investigadores que buscan establecer
relaciones causales entre variable.

● CÓMO IMPLEMENTAR UN DISEÑO ALEATORIO

La implementación de un diseño completamente aleatorizado implica varios pasos. En

primer lugar, los investigadores deben definir las unidades experimentales y los
tratamientos que se van a probar. A continuación, asignan aleatoriamente los
tratamientos a las unidades experimentales, asegurándose de que cada unidad tenga la
misma probabilidad de recibir cualquier tratamiento. Después de realizar el
experimento, los investigadores recopilan datos sobre la variable de respuesta y
analizan los resultados utilizando métodos estadísticos adecuados, como ANOVA,
para determinar si existen diferencias significativas entre los grupos de tratamiento

● ANALISIS EN UN DISEÑO COMPLETAMENTE ALEATORIZADO

El análisis estadístico de los datos obtenidos a partir de un diseño completamente

aleatorizado generalmente implica el uso de ANOVA. Este método permite a los
investigadores comparar las medias de diferentes grupos de tratamiento y evaluar si
las diferencias observadas son estadísticamente significativas. El ANOVA supone que
los datos se distribuyen normalmente y que las varianzas son iguales en todos los
grupos. Si se cumplen estos supuestos, los investigadores pueden sacar conclusiones
con confianza sobre los efectos de los tratamientos que se están estudiando.

● COMPARACIÓN CON OTROS DISEÑOS EXPERIMENTALES

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Al comparar el diseño completamente aleatorizado con otros diseños experimentales,

como el diseño de bloques aleatorizados (RBD) o el diseño factorial, es esencial
considerar el contexto del experimento. Si bien el CRD es más simple y fácil de
implementar, el RBD es más efectivo cuando existe una variabilidad conocida entre
las unidades experimentales. El diseño factorial, por otro lado, permite a los
investigadores estudiar los efectos de múltiples factores simultáneamente, lo que
proporciona una comprensión más integral de las interacciones entre los tratamientos.

IV. EJERCICIOS

1. Un ingeniero forestal desea evaluar el efecto de tres tipos de fertilizante (A, B y C) en

la altura (en cm) de las plantas de maíz después de un mes. Tiene nueve plantas
homogéneas y tres tipos de fertilizantes. Se uso tres plantas por tratamiento. FA
(25,27,26) , FB(30,32,31), FC(28,29,27).

Hipótesis nula (H0):

Todos los fertilizantes son iguales.

Alternativa a la hipóstasis (H1):

Al menos un fertilizante es diferente de los demás

DATOS:

FA FB FC FA
2
FB
2
FC
2
∑T ∑T
2

R1 25 30 28 625 900 784 78 6084

R2 27 32 29 729 1024 841 93 8649

R3 26 31 27 676 961 729 84 7056

TOTAL 255 7269 21789

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

SOLUCIÓN:
 PARTE I:
Paso 01:
2
y
SUMA DE CUADRADOS=∑ y ij −
2
n
( 255 )2
SUMA DE CUADRADOS=7269−
9
SUMA DE CUADRADOS=44

Paso 02:

∑T
2
2
y
SUMA DE CUADRADOS DE TRATAMIENTOS= −
r n
2
21789 (255)
SUMA DE CUADRADOS DE TRATAMIENTOS= −
3 9

SUMA DE CUADRADOS DE TRATAMIENTOS=38

Paso 03:

SUMA DE CUADRADOS DEL ERROR=SCTOTAL−SCTRATAMIENTO

SUMA DE CUADRADOS DEL ERROR=44−38

SUMA DE CUADRADOS DEL ERROR=6

 PARTE II:

Paso 04:
GRADOS DE LIBERTAD DE TRAT =t−1

GRADOS DE LIBERTAD DE TRAT =3−1

GRADOS DE LIBERTAD DE TRAT =2

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Paso 05:

GRADOS DE LIBERTAD DE TOTAL=n−1

GRADOS DE LIBERTAD DE TOTAL=9−1

GRADOS DE LIBERTAD DE TOTAL=8

Paso 06:

GRADOS DE LIBERTAD DE ERROR=t(r −1)

GRADOSDELIBERTADDEERROR=3 ( 3−1 )

GRADOSDELIBERTADDEERROR=6

 PARTE III:

Paso 07:
SC Trat
CUADRADOS MEDIOS DE LOS TRAT =
GL Trat

38
CUADRADOS MEDIOS DE LOS TRAT =
2

CUADRADOS MEDIOS DE LOS TRAT =19

Paso 08:

SC Error
CUADRADOS MEDIOS DEL ERROR=
GL Error

6
CUADRADOS MEDIOS DEL ERROR=
6

CUADRADOS MEDIOS DEL ERROR=1

 PARTE IV:
Paso 09: Formular la hipótesis
H 0 : μ1=μ2 =…=μ k
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

H 1 : Algún μ i ≠ μk

Paso 10: Nivel de significación

α = 0,05

Paso 11: Estadística de prueba

CM Trt 19
F calc= = =19
CM error 1

F 2 ,6=5.14

19

5.14

Paso 12: Regla de decisión

Paso 14: Decisión

No se acepta H 0

Paso 15: Conclusión

Existe evidencia estadística suficiente para concluir que existe una diferencia
significativa en el efecto de los diferentes tipos de fertilizantes sobre el
crecimiento de las plantas de maíz al nivel de significancia del 5%.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

 PARTE V:

FUENTE DE GRADOS DE SUMA DE CUADRADO VALOR

VARIACIÓN LIBERTADA CUADRADOS MEDIO F

Tratamientos 2 38 19 19

Error 6 6 1

TOTAL 8 44

Interpretación:

El análisis estadístico (ANOVA) mostró diferencias significativas entre los

tratamientos; es decir, que el tipo de fertilizante aplicado afectó el crecimiento de las
plantas de maíz.

2. Un ingeniero ambiental desea evaluar el efecto de tres tratamientos diferentes (A, B y

C) para reducir la concentración de un contaminante químico en muestras de agua. De
estos, se homogeneizaron 6 muestras y se asignaron aleatoriamente 2 muestras a cada
tratamiento.

Hipótesis nula (H0):

Todos los tratamientos son iguales.

Alternativa a la hipóstasis (H1):

Al menos un tratamiento es diferente de los demás
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

MUESTRA TA TB TC TA
2
TB
2
TC
2
∑T ∑T
2

1 15.2 12.5 13.8 231.04 156.25 190.44 42 1764

2 14.8 12.9 14.1 219.04 166.41 198.81 40.4 1632.16

3 12 15 4 144 225 16 31.9 1017.61

TOTAL 114.3 1546.99 4413.77

DATOS:

SOLUCIÓN:

 PARTE I:
Paso 01:
2
y
SUMA DE CUADRADOS=∑ y −
2
ij
n
( 114.3 )2
SUMA DE CUADRADOS=1546.99−
9
SUMA DE CUADRADOS=95.47

Paso 02:
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

∑T
2
2
y
SUMA DE CUADRADOS DE TRATAMIENTOS= −
r n
2
4413.77 (114.3)
SUMA DE CUADRADOS DE TRATAMIENTOS= −
3 9

SUMA DE CUADRADOS DE TRATAMIENTOS=19.65

Paso 03:

SUMA DE CUADRADOS DEL ERROR=SCTOTAL−SCTRATAMIENTO

SUMA DE CUADRADOS DEL ERROR=95.47−19.65

SUMA DE CUADRADOS DEL ERROR=75.82

 PARTE II:
Paso 04:
GRADOS DE LIBERTAD DE TRAT =t−1

GRADOS DE LIBERTAD DE TRAT =3−1

GRADOS DE LIBERTAD DE TRAT =2

Paso 05:

GRADOS DE LIBERTAD DE TOTAL=n−1

GRADOS DE LIBERTAD DE TOTAL=9−1

GRADOS DE LIBERTAD DE TOTAL=8

Paso 06:

GRADOS DE LIBERTAD DE ERROR=t(r −1)

GRADOSDELIBERTADDEERROR=3 ( 3−1 )

GRADOSDELIBERTADDEERROR=6

 PARTE III:
Paso 07:
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

SC Trat
CUADRADOS MEDIOS DE LOS TRAT =
GL Trat

19.65
CUADRADOS MEDIOS DE LOS TRAT =
2

CUADRADOS MEDIOS DE LOS TRAT =9.83

Paso 08:

SC Error
CUADRADOS MEDIOS DEL ERROR=
GL Error

75.82
CUADRADOS MEDIOS DEL ERROR= l
6
kkkkkkkkkkk llllllllllllllllllll CUADRADOS MEDIOS DEL ERROR=12.64

 PARTE IV:

Paso 09: Formular la hipótesis

H 0 : μ1=μ2 =…=μ k
H 1 : Algún μ i ≠ μk
Paso 10: Nivel de significación
α = 0,05
Paso 11: Estadística de prueba
0.78
CM Trt 9.83
F calc= = =0.78
CM error 12.64

Paso 12: Regla de decisión

F 2 ,6=5.14

5.14
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Paso 14: Decisión

No explica H 0

Paso 15: Conclusión

No hay suficiente evidencia estadística para afirmar que existen diferencias

significativas entre los tratamientos en la concentración del contaminante al
nivel de significancia del 5%.

 PARTE V:

FUENTE DE GRADOS DE SUMA DE CUADRADO VALOR

VARIACIÓN LIBERTADA CUADRADOS MEDIO F

Tratamientos 2 38 19 19

Error 6 6 1

TOTAL 8 44

Interpretación:

El análisis de varianza (ANOVA) realizado para comparar los efectos de tres

tratamientos diferentes sobre la concentración de un contaminante en agua arrojó un
valor calculado del estadístico F de 0,78 , el cual es menor que el valor crítico de la
tabla F ( 5,14 ) para un nivel de significancia del 5% y los grados de libertad
correspondientes.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

V. BLOQUES COMPLETAMENTE ALEATORIOS

Se denomina bloque completamente aleatorio a un fragmento de contenido (texto, imagen,

sonido o datos) compuesto por elementos seleccionados de manera aleatoria, sin coherencia
semántica aparente ni propósito comunicativo lineal. Su objetivo no es transmitir un mensaje
directo, sino generar un estímulo mental o sensorial a través del desorden, la sorpresa o la
desconexión lógica.

5.1. Fundamentos en la teoría del azar

En términos estadísticos, la aleatoriedad se rige por leyes de
probabilidad. Por ejemplo, si se escoge una palabra al azar de un
conjunto de n palabras, la probabilidad de elegir cualquier
palabra específica es:

5.2. Combinatoria en bloques aleatorios

La cantidad total de bloques posibles que se pueden formar seleccionando k elementos de un
conjunto de n opciones (sin repetir) es:

Esto demuestra que incluso con pocos elementos, los bloques aleatorios pueden generar miles
de combinaciones únicas.
5.3. Generación computacional aleatoria
En programación, los números aleatorios se generan mediante algoritmos como el generador
congruencial lineal:
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

EJERCICIO 1:

Un investigador en el área de ingeniería forestal desea evaluar la eficacia de tres tipos de

fertilizantes (A, B y C) en el crecimiento de plantones de una especie forestal de interés
económico. Para controlar la variabilidad ambiental (como diferencias en la luz, suelo o
humedad), se utiliza un diseño en bloques completos al azar (DBCA).

Se establecen 4 bloques, cada uno representando una condición ambiental homogénea. En

cada bloque, se aplican aleatoriamente los tres fertilizantes a un plantón diferente. Luego de
un periodo de crecimiento, se mide la altura (en cm) alcanzada por cada plantón.

1. Tabla de datos
Bloque Fertilizante A Fertilizante B Fertilizante C
1 15 18 14
2 17 20 16
3 14 17 13
4 16 19 15
2. Cálculos preliminares
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Media por fertilizante:

15+17+14 +16
 A: ( ) = 15.5
4
18+20+17+19
 B: ( ) = 18.5
4
14+16+ 13+15
 C: ( ) = 14.5
4

Media por bloque:

15+18+14
 Bloque 1: ( ) = 15.67
3
17+20+16
 Bloque 2: ( ) = 17.67
3
14+17+ 13
 Bloque 3: ( ) = 14.67
3
16+19+15
 Bloque 4: ( ) = 16.67
3

Número total de datos (N):

3 tratamientos × 4 bloques = 12

Total general:
T =15+18+14 +17+20+16 +14+17 +13+16+19+15=194
Promedio general (Y ̄ ):
194
Y= =16.17
12
3. Formulación de las hipótesis

 H₀: Los tres fertilizantes tienen el mismo efecto sobre el crecimiento (μA=μB=μC)
 H₁: Al menos uno de los fertilizantes tiene un efecto diferente.

4. Cálculo de cuadrados
Suma total de cuadrados (STC o SCT):

2
T
SCT =∑ Y −
2
ij
N
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental
2
2 2 2 2 2 2 2 2 2 2 2 2 194
¿(15 + 18 + 14 +17 +20 +16 +14 +17 +13 +16 +19 +15 )−
12

37636
¿(225+324+196 +289+400+ 256+196+289+169+ 256+361+225)−
12

¿ 3196−3136.33=59.67

Suma de cuadrados por tratamientos (SCTto):

2 2 2 2
(62) +(74) +(58) (194 )
¿ −
4 12

3844+5476+3364 12684
¿ −3136.33= −3136.33=3171−3136.33=34.67
4 4

Suma de cuadrados por bloques (SCB):

2 2 2 2 2
(47) +(53) +(44 ) +(50) (194)
¿ −
3 12

2209+2809+1936+2500
¿ −3136.33
3

9454
¿ −3136.33
3

¿ 3151.33−3136.33

¿ 15.00

Suma de cuadrados del error (SCE):

SCE=SCT−SCTto−SCB=59.67−34.67−15.00=10.00

5. Tabla ANOVA
Fuente de Variación SC gl CM (SC/gl) F

Tratamiento 34.67 2 17.33 17.33

Bloque 15.00 3 5.00 —

Error 10.00 6 1.67 —

Total 59.67 11

F calculada para tratamientos:

 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

CMtratamiento 17.33
F= = ≈10.38
CMerror 1.67

6. Decisión estadística

Buscamos el valor crítico de F para:

 gl₁ = 2 (tratamientos)
 gl₂ = 6 (error)
 Nivel de significancia α = 0.05

Fcr í tico(2 , 6 , 0.05)≈ 5.14

 Como F calculada = 10.38 > 5.14, se rechaza la hipótesis nula (H₀).

 La línea roja punteada indica el valor crítico F: Fcrítico= 5.14

 La línea azul punteada indica el valor F calculado: Fcalc=10.
 La zona sombreada (roja) es la región de rechazo (RR), donde se rechaza la

Como Fcalculada está dentro de esa zona ⇒ se rechaza H₀, es decir, sí hay
hipótesis nula.

diferencias significativas entre fertilizantes.

Conclusión

Dado que F calculada > F crítica y por tanto p < 0.05, hay diferencias estadísticamente
significativas entre los fertilizantes. Es decir, no todos los fertilizantes tienen el mismo efecto
sobre el crecimiento de las plantas.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

REFERENCIAS BIBLIOGRÁFICAS:

Diseño completamente al azar (DCA). Blog Estadística y Bioestadística , Facultad de Estudios

Superiores Zaragoza, UNAM. https://blogceta.zaragoza.unam.mx/estabio/diseno-
completamente-al-azar-dca/

Diseño completamente aleatorio (20XX). Escrito. https://es.scribd.com/document/500867560/6-

DISENO-COMPLETAMENTE-ALEATORIZADO

Domínguez Cajamarca, J. (2021, 16 de marzo). ANOVA de un factor - Diseño completamente al azar

[Vídeo]. YouTube. https://youtu.be/H5uzVaqDm-s?feature=shared

EstadísticasFácilmente. (sf). ¿Qué es el diseño completamente aleatorio?

https://es.statisticseasily.com/glosario/%C2%BFQu%C3%A9-es-el-dise%C3%B1o-
completamente-aleatorio%3F/

Méléndez Botello, J. (sf). Diseño completamente al azar . Universidad Autónoma Agraria Antonio
Narro. http://www.uaaan.mx/~jmelbos/curso/deman7.pdf

Breton, A. (1924). Manifiesto del surrealismo. Éditions du Sagittaire.

Boden, M. A. (2004). The Creative Mind: Myths and Mechanisms. Routledge.

McCormack, J. & d’Inverno, M. (2012). Computers and Creativity. Springer.

Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal.

Gómez, K. A., & Gómez, A. A. (1984). Statistical procedures for agricultural research (2nd ed.).
John Wiley & Sons.
https://www.wiley.com/en-us/Statistical+Procedures+for+Agricultural+Research
%2C+2nd+Edition-p-9780471870920

Montgomery, D. C. (2019). Design and analysis of experiments (10th ed.). John Wiley & Sons.
https://www.wiley.com/en-us/Design+and+Analysis+of+Experiments%2C+10th+Edition-p-
9781119492443

Ott, R. L., & Longnecker, M. T. (2015). An introduction to statistical methods and data analysis (7th
ed.). Cengage Learning. https://www.cengage.com/c/an-introduction-to-statistical-methods-
and-data-analysis-7e-ott

Steel, R. G. D., Torrie, J. H., & Dickey, D. A. (1997). Principles and procedures of statistics: A
biometrical approach (3rd ed.). McGraw-Hill.
 Facultad de Ingeniería
Escuela Profesional de Ingeniería
Forestal y Ambiental

Pérez, C. (2004). Bioestadística aplicada a las ciencias de la salud. Masson.

Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de
la investigación (6.ª ed.). McGraw-Hill Interamericana.

Kerlinger, F. N., & Lee, H. B. (2002). Investigación del comportamiento: métodos de investigación
en ciencias sociales (4.ª ed.). McGraw-Hill.

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental
designs for generalized causal inference. Houghton Mifflin.