Curso: Mtodos estadsticos de investigacin

Profesor: Ing Antonio Matos Alejandro

DISEO DE BLOQUES COMPLETAMENTE AL AZAR (DBCA)

Conocido como diseo de doble va de clasificacin, en este diseo, las unidades

experimentales se agrupan en bloques, siendo estas homogneos en el bloque y
heterogneos entre bloques (grupos o estratos).

Caractersticas:

Este diseo es uno de los ms ampliamente conocidos de los diseos experimentales,

tambin se conoce como Diseo Bloque Completamente Aleatorizado, y se caracteriza
porque los tratamientos se distribuyen en forma aleatoria, a un grupo de unidades
experimentales denominado bloque, la finalidad es que las unidades experimentales dentro
de un bloque sean lo ms homogneas posibles, es decir el nmero de unidades
experimentales en cada bloque debe ser igual al nmero de tratamientos que se quiere
estudiar.

Los bloques pueden estar formados por reas homogneas de un terreno, grupo de
animales que puedan manipularse en forma uniforme (misma raza, misma edad, mismo
peso, etc.).

En resumen, en este diseo de bloques completos al azar los tratamientos son

aleatoriamente asignados a las unidades experimentales (homogneos) dentro de cada
estrato o subgrupo o bloque. De esta forma, el proceso de aleatorizacin de los
tratamientos ha sido restringido a las unidades dentro de cada bloque. Desde el punto de
vista de la variabilidad de los datos, se han introducido una variabilidad artificial por
estudiar distintos tratamientos.

La variabilidad natural existente entre las unidades experimentales puede ser subdividida
por el hecho de haber agrupado a las unidades experimentales en grupos heterogneos
(bloques) pero conformados por unidades homogneas. As, parte de lo que es la
variabilidad natural de las unidades puede ser atribuda a algo ahora conocido (bloques) y
otra parte seguir siendo variabilidad natural de las unidades experimentales.

Es interesante notar que la restriccin impuesta la aleatorizacin sorteo implica que cada
estrato o bloque corresponde con una repeticin completa de los tratamientos.

Los bloques o repeticiones puede ser das, observadores, animales, corrales, pacientes,
colegios, clones, laboratorios, estufas, cmaras de crecimiento, etc. As este diseo podra
ser usado para controlar una fuente de variacin en el material experimental y no
solamente la variacin entre bloques en un campo.

En resumen, en este diseo se puede mencionar:

1. Las unidades experimentales (u.e) se distribuyen en grupos (bloques), bajo el criterio
de homogeneidad dentro del grupo y heterogeneidad entre grupos.
2. En cada bloque, el n de unidades es igual al n de tratamientos (bloques completos).
3. Los tratamientos son asignados al azar en las u.e dentro de cada bloque.
4. El n de bloques puede ser igual o diferente al n de tratamientos. En muchos
experimentos las rplicas son consideradas bloques, en otros, un 2do criterio de
clasificacin es considerado como bloques.
5. Los anlisis estadsticos DLS, Duncan, Tukey, etc. y pruebas de comparacin de
contraste se procede como en el diseo completo al azar.

Con la formacin de bloques, se eliminan en parte la heterogeneidad del medio

experimental.

Ejemplo: Si se tiene animales de 3 camadas diferentes, pero de la misma raza se podra

bloquear en forma similar, as para un experimento con 4 tratamientos.

Bloque I T1 T2 T3 T4 Camada 1 (animales homogneos)

Bloque II T3 T1 T4 T2 Camada 2 (animales homogneos)

Bloque III T4 T3 T1 T2 Camada 3 (animales homogneos)

Ejm.
E D C

A C B

C A D 5 tratamientos
cada bloque debe
D B E tener 5 u.e.

B E A Tratamientos: A,B,C,D,E.

B1 B2 B3
Ventajas:

1. Precisin: Este diseo ha resultado ms preciso que el diseo completamente al azar,

para la mayora de los tratamientos experimentales. La eliminacin de la suma de
cuadrados de bloques desde la suma de cuadrados del error usualmente resulta en un
decrecimiento en el cuadro medio del error a pesar de la prdida de grados libres para
estimar este error. Permite ganar mayor precisin en el experimento, principalmente
cuando existe diferencias significativas entre bloques.

Flexibilidad: No existe una restriccin en relacin al nmero de tratamientos y de

repeticiones, sin embargo, el aumento en el nmero de tratamientos conlleva a la
prdida de la homogeneidad dentro de bloques.

2. Es un diseo bastante usado por su adaptabilidad, recomendndose generalmente ms de

tres bloques y por lo menos dos tratamientos por bloque.

3. Es factible realizar el anlisis experimental, cuando por alguna causa se hubiera perdido
algn bloque. Adems si el resultado de una unidad experimental no se llegara a
registrar (prdida de la unidad experimental), existen tcnicas estadsticas simples para
poder estimar el resultado.

Desventajas:

1. La desventaja de este diseo es que no es adecuado a gran nmero de tratamientos y

para los casos en que el bloque contenga considerable variabilidad.

2. Cuando existe prdida de muchas unidades experimentales, el anlisis estadstico se

complica seriamente y muchas veces no es posible analizarlo.

3. No es recomendable utilizar este diseo cuando se verifica que existe interaccin entre
bloques y tratamientos.

Modelo matemtico o estadstico (aditivo lineal)

A cada observacin le corresponde una ecuacin lineal de la forma.

yij i j ij ; i = 1,2,.,t (tratamientos)

j = 1,2,..,r (repeticiones o bloques)

Donde:

yij Variable de respuesta observada en la unidad experimental ubicada en el j-simo

bloque que recibe el tratamiento i-simo.
Constante para toda observacin, es la media de la poblacin, parmetro.
 i Es el efecto del tratamiento i-simo, el cual es igual a (i - ), es decir a la
diferencia entre el promedio poblacional del tratamiento y la media poblacional en
estudio, parmetro.
j Es el efecto del bloque j-simo, el cual es igual a ( j - ), es decir a la diferencia
entre el promedio poblacional del bloque y la media poblacional , parmetro.
ij Es el efecto del error experimental en la observacin yij (i-simo tratamiento, j-
simo bloque).

Este modelo corresponde al modelo poblacional y debe ser estimado a travs del
experimento en s. La estimacin de parmetros del modelo se obtiene por el mtodo de
mnimos cuadrados del error.

Hiptesis:

1. Para tratamientos:

Ho: 1 = 2 = = t
H1: 1 2 t
2. Para bloques:

r
H o : B j 0 (No hay diferencia entre los bloques)
j 1

r
H1 : B j 0 (Si hay diferencia entre los bloques)
j 1

Criterio de prueba F:

1. Para tratamientos:
Fc = CMTratam./CMEE

Ft ( t 1);( r 1)( t 1) ;

Fc Ft Re chazoH 0
Si:
Fc Ft AceptoH 0

2. Para bloques:
Fc = CMBloques/CMEE

Ft ( r 1); ( r 1)(t 1);

Fc Ft Re chazoH 0
Si:
Fc Ft AcaptoH 0
 ANVA

F.V. G.L SC CM Fc

Bloques (r-1)
y. 2
j

y ij
2 CMBloq. CMBloq./CMerror
CMTrat/CMerror
Tratamientos (t-1) t rt CM Tratam.
y 2
i .

y ij
2

Error Exper. (r-1)(t-1) r rt CMEE

Por diferencia
Total rt-1
( yij ) 2
yij2 rt

Representacin simblica de los datos correspondientes a una u.e. por tratamiento en

diseo bloque completamente al azar (D.B.C.A).

Tratam.
Total
T1 T2 T3 ... Tt (i)
Bloques
Bloques
I y11 y21 y31 ... yt2 y.1
II y12 y22 y32 ... yt2 y.2
III (j) y13 y23 y33 ... yt3 y.3
. . . . ... . .
. . . . ... . .
. . . . ... . .
r y1r y2r y3r ... ytr y.r
Total de Total
y1. y2. y3. . yt. Y..
tratamientos general

CALCULO DE LAS SUMAS DE CUADRADOS:

2
y y.22 ... y.2r y..2
1. SCBLOQ.= .1
t rt

y12. y22. ... yt2. y..2

2. SCTRAT .
r rt
y..2
3. SCTOTAL y112 y122 ... y21
2
y22
2
... yt21 yt22 ... ytr2
rt
4. SC ERROR SCTOTAL SC BLOQ . SCTRAT .
Pruebas de comparacin de medias de tratamientos

Anlisis: Con qu tratamiento se obtienen los mayores resultados? es este tratamiento

significativamente superior a los dems? Es el tratamiento A mejor que el B?
Se realiza pruebas adicionales que permitan comparar a los distintos tratamientos, en forma
individual o por grupos, unos con otros.
Al total de comparaciones por pares posibles entre los tratamientos se le llamar una
familia de comparaciones y al nivel de significacin para una comparacin se le llamar
tasa de error individual y al nivel de significacin para el total de comparaciones
(probabilidad de encontrar diferencias significativas en al menos una de las
comparaciones) tasa de error por familia. Las pruebas en las que el nivel de significacin
sea por familia servirn para efectuar todas las comparaciones posibles (comparaciones
mltiples).

1. Prueba t
Es una prueba para comparaciones planeadas con anterioridad. El nivel de significacin se
toma como una tasa de error individual. Los supuestos para la realizacin de esta prueba es
que la prueba F del anlisis de varianza sea significativa.

Hiptesis:

H0: i - j = k
Ha: i j k

Estadstico de prueba:

Tc
Y i0 Y jo K
: (GLERROR ,1 )
Sd
1 1
Donde Sd= CM E
ri rj

Sd, es la desviacin estndar de la diferencia de las medias muestreales de los dos

tratamientos.

Si todos los tratamientos tienen el mismo nmero de repeticiones, el estadstico de prueba

se simplifica a:

Tc
Yi0 Y jo K
2CM E
r

Regla de decisin:

Si: t calculado (tc) tt(1-, glEE) se acepta H0

t calculado (tc) > tt(1-, glEE) se rechazaH0

2. Prueba de diferencia lmite significativa (D.L.S)

La prueba consiste en calcular una diferencia lmite significativa (DLS) de modo que
cualquier diferencia entre las medias de dos tratamientos mayor a dicho lmite sea
significativa. El supuesto para esta prueba es lo mismo que para la prueba t y por supuesto,
tambin debe ser planeada con anterioridad.

Esta prueba se realiza cuando el N de tratamientos en estudio no es mayor de 4, si es

mayor, se utiliza Duncan.
Esta prueba se puede hacer sin necesidad que exista significancia.
Previamente a los resultados debemos fijar el tipo de prueba y las comparaciones que
se necesita hacer.
Hiptesis:

H0 = i = j
Ha = i j

Calculo el valor crtico de (DLS):

La diferencia lmite de significacin, para un nivel significante es:

DLS S d xt v ,

Donde: = nivel de significacin de la prueba.

v G.L.deError
Sd = desviacin estndar de la diferencia de las medias muestrales de los dos
tratamientos.

Se calcula el error estndar de la diferencia.

2CM ERROR
Sd para: r1= r2 =...= rj
r

1 1
Sd= CM error ri rj
ri rj

Criterio de decisin:

La H0 se rechaza con un N.S. si la diferencia de las medias de la comparacin de dos

tratamientos es mayor que DLS.
3. Prueba de Duncan

Esta prueba tiene en cuenta los rdenes que les toca a los promedios de los tratamientos en
comparacin en el ordenamiento general, dando mayores lmites de significacin (mayor
exigencia) en las comparaciones de tratamientos ms apartados en el ordenamiento.
Esta prueba no requiere como la de t y DLS de una prueba previa de F, pues puede hacerse
la prueba de Duncan an sin ser significativa la prueba F, pero s requiere homogeneidad
de variancias entre los tratamientos.

Hiptesis:

H0 = i = j
Ha = i j
Se hace las hiptesis para todas las comparaciones posibles entre los tratamientos.

Se trabaja con la desviacin estndar promedio:

CM ERROR
SX r1 r2 ... rj
r
CM ERROR 1 1
SX r rj (Cuando son desiguales)
2 ri rj

Valor Crtico:

Se denomina amplitud lmite de significacin de Duncan (ALSD)

ALSD = (AES)D*SX

Donde: AES = Amplitud Estudiantizada Significativa.

Criterio de decisin:

La H0 se rechaza con un N.S. si la diferencia de las medias de la comparacin de dos

tratamientos es mayor que ALSD.

4. La prueba de Tukey

La prueba de Tukey permite evaluar la significancia de todas las diferencias entre

tratamientos. Las hiptesis correspondientes a todas las comparaciones constituyen una
familia y por lo tanto la tasa de error es familiar. Los supuestos para la realizacin de esta
prueba son:
- Variancias homogneas
- Las muestras son extradas al azar.

Hiptesis:

H0 = i = j
Ha = i j
Se hace las hiptesis para todas las comparaciones posibles entre los tratamientos.

Amplitud Lmite Significativa de Tukey:

ALST = (AES)T*SX
Donde:

- AEST se obtiene de la misma tabla de S-N-K, con NS , y valor de p = N de

tratamientos del experimento y G.LERROR.

- SX, es la desviacin estndar de la diferencia de las medias muestrales de dos

tratamientos para la prueba de Tukey.

CM ERROR
SX r1 r2 ... rj
r
CM ERROR 1 1
SX r rj (Cuando son desiguales)
2 ri rj
Criterio de decisin:

La H0 se rechaza con un N.S. si la diferencia de las medias de la comparacin de dos

tratamientos es mayor que ALST.

5. Prueba de Student-Newman-Keul (S-N-K)

Hiptesis:

H0 = i = j
Ha = i j
Se hace las hiptesis para todas las comparaciones posibles entre los tratamientos.

Comparacin de prueba.

ALSS-N-K= (AES)i x S X
Donde:

- AES, se busca en la tabla de S-N-K con los G.L error y el nivel para p = 2,3,...t (N de tratamientos).

CM ERROR
SX r1 r2 ... rj
r
CM ERROR 1 1
SX r rj (Cuando son desiguales)
2 ri rj
Criterio de decisin:
La H0 se rechaza con un N.S. si la diferencia de las medias de la comparacin de dos
tratamientos es mayor que ALSS-N-K.

6. Prueba de Dunnet

La prueba de Dunnet es utilizada cuando se quiere comparar a cada uno de los tratamientos
contra el tratamiento testigo o control (cul o cules de los tratamientos superan al
tratamiento testigo). En esta prueba la tasa de error tambin es familiar. Los supuestos para
la realizacin de esta prueba son:
- Variancias homogneas
- Las muestras son extradas al azar.

Igual que la prueba de Tukey, DSL, existe un solo valor crtico, lo mismo que se encuentra
de la siguiente manera.

Hiptesis:

H0 = T = i
Ha = T i
Se hace las hiptesis para todas las comparaciones posibles entre los tratamientos y el
tratamiento testigo.

Amplitud Lmite Significativa de Dunnet:

ALSDn = t(Dn)*Sd
Donde:

t(Dn) es el valor de la tabla para la prueba (tabla de Dunnet) con NS , p = nmero de

tratamientos del experimento sin incluir el control y los glEE.

2CM ERROR
Sd . cuando r1 r2 ... Cte.
2

1 1
Sd= CM error ri rj
ri rj

Sd es la desviacin estndar de la diferencia de las medias muestrales del tratamiento

testigo y el tratamiento i para la prueba de Dunnet.

Criterio de decisin:

La H0 se rechaza con un N.S. si la diferencia de las medias de la comparacin de dos

tratamientos es mayor que ALS(Dn).