DISEÑO DE BLOQUES

COMPLETAMENTE ALEATORIZADOS
PLAN DE CLASE

• Motivación
• Competencias
Inicio • Saberes previos

• Diseños de Bloques Completamente Aleatorizados.

Construcción

• Retroalimentación
• Autoevaluación
Cierre

Estadística para Ingeniería II - DBCA 16/03/2016 2

 CASO PRACTICO
Se efectuó un experimento para determinar el efecto de cuatro
diferentes compuestos químicos sobre la resistencia de una fibra. Cada
compuesto se utilizó en cinco muestras de fibra; y, se ejecutó un
diseño de bloque aleatorio. Los resultados obtenidos son los
siguientes:
Tipo de Muestra de fibra
compuest
o químico M1 M2 M3 M4 M5
C1 1.3 1.6 0.5 1.2 1.1
C2 2.2 2.4 0.4 2.0 1.8
C3 1.8 1.7 0.6 1.5 1.3
C4 3.9 4.4 2.0 4.1 3.4

Determine si existen diferencias significativas entre los tipos de

compuesto químico.
Competencias
Al termino de la sesión, el
estudiante estará en capacidad
de:
 Aplicar el diseño bloques
completamente aleatorizados
(DBCA) en problemas
contextualizados.
 Interpretar los resultados del
análisis de variancia del DBCA.
 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
1. Introducción
El Diseño Completamente al Azar (DCA) es aplicable en casos en los que la única
fuente de variabilidad son los tratamientos y cuando se utilizan unidades
experimentales homogéneas.

Hay otras fuentes de variación que pueden ser controladas mediante la formación de
grupos denominados bloques. De tal manera que las unidades experimentales dentro
de cada bloque sean homogéneas y las unidades experimentales entre bloques
distintos sean heterogéneas.

Se debe suponer que no existe interacción entre los bloques y los tratamientos de
interés.

Los bloques deben ser definidos por el investigador antes de llevarse a cabo el
experimento. Si los bloques no resultan significativos (no hay diferencia entre
bloques), los datos no deberían ser analizado como un DCA.

Estadística para Ingeniería II - DBCA 16/03/2016 5

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
Se denominan bloques completos porque existe al menos una unidad experimental en cada
bloque para cada uno de los tratamientos en estudio. A este diseño también se le conoce
como diseño de clasificación de dos vías sin interacción (Two Way).
Ventajas
• Los bloques aumentan la precisión del experimento con relación al D.C.A.
• No existe restricción en cuanto al número de tratamientos o bloques.
• El análisis estadístico es simple.
• Si se pierde los datos de un bloque completo, estos pueden omitirse sin mayores
complicaciones para el estudio. Si faltan datos de unidades experimentales, estos pueden
estimarse (estimación de unidades perdidas).
Desventajas
• Cuando la variabilidad entre las unidades experimentales dentro de los bloques es
grande, resulta un error experimental considerable. Esto ocurre usualmente cuando el
número de tratamientos es muy grande.
• Si existe interacción entre los bloques y los tratamientos, esta va incluida en el error
experimental.
• Si no existe una real diferencia entre los bloques, habrá una perdida de precisión en el
experimento con relación al D.C.A. debido a la disminución de los grados de libertad del
error.

Estadística para Ingeniería II - DBCA 16/03/2016 6

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS

2. Croquis experimental
Ejemplo de 4 tratamientos (marcas de carros) en 3 bloques (año de
fabricación)

Bloque 1 T1 T3 T2 T4

Bloque 2 T2 T4 T1 T3

Bloque 3 T3 T2 T4 T1

Estadística para Ingeniería II - DBCA 16/03/2016 7

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
3. Tabla de datos
Ejemplo de t tratamientos con b bloques por tratamiento.

Tratamientos
Bloque Totales
1 2 ⋯ t
1 𝑌11 𝑌2 1 ⋯ 𝑌𝑡 1 𝑌•1
1 𝑌12 𝑌2 2 ⋯ 𝑌𝑡 2 𝑌• 2
⋮ ⋮ ⋮
b 𝑌1 𝑏 𝑌2 𝑏 ⋯ 𝑌𝑡 𝑏 𝑌•𝑏
𝑡 𝑏

Totales 𝑌1 • 𝑌2 • ⋯ 𝑌𝑡 • 𝑌• • = 𝑌𝑖 𝑗
𝑖=1 𝑗=1
𝑌• •
Promedios 𝑌1 • 𝑌2 • ⋯ 𝑌𝑡 • 𝑌• • =
𝑛

Estadística para Ingeniería II - DBCA 16/03/2016 8

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Modelo aditivo lineal
𝑌𝑖 𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖 𝑗 i=1, 2, …, t j=1, 2,…, b

𝑌𝑖 𝑗 : valor observado en el i-ésimo tratamiento y la j-ésimo bloque.

𝜇 : efecto de la media general
𝜏𝑖 : efecto del i-ésimo tratamiento
j : efecto del j-ésimo bloque
𝜀𝑖 𝑗 : efecto del error experimental del i-ésimo tratamiento y el j-ésimo bloque

𝜀𝑖 𝑗 ~ N(0, 2)
5. Suposiciones
 Prueba de Normalidad
 Prueba de homogeneidad de variancias

Estadística para Ingeniería II - DBCA 16/03/2016 9

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
6. Análisis de Variancia
𝑡 𝑏 𝑡 𝑏
𝑌𝑖2• 𝑌•𝑗2
𝑆𝐶 𝑡𝑟𝑎𝑡 = − 𝑇𝐶 𝑆𝐶 𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = − 𝑇𝐶 𝑆𝐶 𝑇𝑜𝑡𝑎𝑙 = 𝑌𝑖𝑗2 − 𝑇𝐶
𝑏 𝑡
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑌••2
𝑇𝐶 =
𝑡𝑏
Fuentes de Grados de Suma de Cuadrado
F cal
variabilidad libertad cuadrados Medio
𝑆𝐶(𝑡𝑟𝑎𝑡) 𝐶𝑀(𝑇𝑟𝑎𝑡)
Tratamientos t–1 SC (trat)
𝑡−1 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟)
𝑆𝐶(𝐵𝑙𝑜𝑞𝑢𝑒 𝐶𝑀(𝐵𝑙𝑜𝑞𝑢𝑒𝑠)
Bloques b-1 SC (Bloq)
𝑏−1 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟)
𝑆𝐶 (𝐸𝑟𝑟𝑜𝑟)
Error (t–1) (b-1) SC (Error)
(𝑡 − 1)(𝑏 − 1)

Total tb – 1 SC (Total)

Estadística para Ingeniería II - DBCA 16/03/2016 10

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
 Ho: 1= 2=…= t
Ha: i j para al menos un par (i, j)
 Prueba Estadística:
𝐶𝑀(𝑇𝑟𝑎𝑡)
Fcal = 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟) ~ F(t-1, (t-1)(b-1))
 Regla de decisión: Ho es rechazada
con un nivel de significación  si
Fcal > F(1-, t-1, (t-1)(b-1))
 Coeficiente de variabilidad:
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
CV =
𝑌• •
 Prueba de Tukey: (p=t y gl del error)
CME
ALS T = AES(T)
𝑏
Estadística para Ingeniería II - DBCA
 Ho: 1= 2=…= b
Ha: i j para al menos un par (i, j)
 Prueba Estadística:
𝐶𝑀(Bloq)
Fcal = 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟) ~ F(b-1, (t-1)(b-1))
 Regla de decisión: Ho es rechazada
con un nivel de significación  si
Fcal > F(1-, b-1, (t-1)(b-1))
 Coeficiente de variabilidad:
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
CV =
𝑌• •
16/03/2016 11
 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
 Posibles resultados del ANOVA

Fuente de Variación Sig. Sig. Sig. Sig.

Tratamientos * n.s * n.s.
Bloques * * n.s n.s.

• No se
Se justifica el justifica el
uso del uso del
D.B.C.A DBCA
• Usar DCA

Estadística para Ingeniería II - DBCA 16/03/2016 12

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
Ejemplo 1
Una fisioterapeuta desea comparar métodos para enseñar a los pacientes
el uso de un determinado mecanismo de prótesis. El especialista piensa
que la rapidez (en días) de aprendizaje es distinta en pacientes de
diferentes edades. Los resultados se presentan en la siguiente tabla:
Grupo de Métodos de Enseñanza
edades A B C D E Total
Menos de 20 años 7 9 10 6 13 45
De 21 a 29 años 8 9 11 5 12 45
De 30 a 39 años 9 9 11 6 14 49
40 o más años 10 12 12 8 15 57
Total 34 39 44 25 54 196
Promedio 8.5 9.75 11 6.25 13.5 9.8

¿Qué método de enseñanza es el mejor? Utilice un nivel de significación de 0.05.

Estadística para Ingeniería II - DBCA 16/03/2016 13

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
1. Modelo aditivo lineal: Yi j =  + i + j + i j i=1,2,3,4,5 j=1,2,3,4
Yi j : Tiempo que se requiere con el i-ésimo método de enseñanza en el j-ésimo grupo de
edad.
 : Efecto del promedio general del método de enseñanza.
i : Efecto del i-ésimo método de enseñanza.
j : Efecto del l-ésimo grupo de edad
i j : Efecto del error experimental en el i-ésimo método de enseñanza en el j-ésimo grupo
de edad.
Gráfica de probabilidad de RESID1
2. Normalidad de la variable Normal

respuesta 99

Ho: Los errores se distribuyen 95

normalmente 90

Ha: Los errores no se

80
70
Porcentaje

distribuyen normalmente 60
50

= 0.05 40
30

P-value=0.632 20 Media
Desv .Est.
8.881784E-16
0.4757
Se puede afirmar que los 10

5
N
AD
20
0.272

errores se distribuyen Valor P 0.632

normalmente.
1
-1.0 -0.5 0.0 0.5 1.0
Estadística para Ingeniería II - DBCA 16/03/2016 RESID1 14
 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
3. Homogeneidad de variancias
Ho: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42 = 𝜎52
Ha: 𝜎𝑖2 ≠ 𝜎𝑗2 para al menos un par
(i, j)
 = 0.05 Prueba de igualdad de varianzas para Días

Prueba de Bartlett
p-valor = 0.918 A Estadística de prueba 0.95
Valor P 0.918
Prueba de Lev ene

B Estadística de prueba 0.21

Se cumple el supuesto de Valor P 0.929

homogeneidad de variancias.
Método

0 2 4 6 8 10
Intervalos de confianza de Bonferroni de 95% para Desv.Est.

Estadística para Ingeniería II - DBCA 16/03/2016 15

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Análisis de varianza
Prueba de hipótesis de tratamientos
a) Ho: 1= 2= 3 = 4 = 5
Ha: i j para al menos un par (i, j)
b)  =0.05
c) Prueba Estadística: Gráfica de distribución
F, df1=4, df2=12
𝐶𝑀(𝑇𝑟𝑎𝑡)
Fcal= ~ F(4, 12) 0.7
𝐶𝑀(𝐸𝑟𝑟𝑜𝑟)
0.6
d) Regla de decisión:
0.5

Si Fcal > 3.26 se rechaza la Ho.

Densidad
0.4

En caso contrario no se rechaza. 0.3

0.2

0.1
0.05
0.0
0 3.26
X

Estadística para Ingeniería II - DBCA 16/03/2016 16

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Análisis de varianza
Prueba de hipótesis de bloques
a) Ho: 1= 2= 3 = 4 = 5
Ha: i j para al menos un par (i, j)
b)  =0.05 Gráfica de distribución
F, df1=3, df2=12
c) Prueba Estadística: 0.7

𝐶𝑀(𝑇𝑟𝑎𝑡) 0.6
Fcal= 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟) ~ F(3, 12)
0.5

d) Regla de decisión:

Densidad
0.4

Si Fcal > 3.49 se rechaza la Ho. 0.3

En caso contrario no se rechaza. 0.2

0.1
0.05
0.0
0 3.49
X

Estadística para Ingeniería II - DBCA 16/03/2016 17

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Análisis de varianza

e) Cálculos
1962
TC   1920.8
20

𝑡 𝑏 2 𝑌•2•
𝑆𝐶(𝑡𝑜𝑡𝑎𝑙)= 𝑖=1 𝑗=1 𝑌𝑖 𝑗 − = 72 + ⋯ + 152 − 𝑇𝐶 = 141.2
𝑡𝑏

2
𝑡 𝑌𝑖•
𝑆𝐶(𝑡𝑟𝑎𝑡)= 𝑖=1 𝑏 − 𝑇𝐶 = 2038.5-1920.8=117.7

2
𝑏 𝑌•𝑗
𝑆𝐶(𝐵𝑙𝑜𝑞𝑢𝑒𝑠)= 𝑗=1 𝑡 − 𝑇𝐶 = 1940-1920.8=19.2

𝑆𝐶(𝐸𝑟𝑟𝑜𝑟)= 141.2-117.7-19.2=4.3

Estadística para Ingeniería II - DBCA 16/03/2016 18

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Análisis de varianza
e) Cálculos
Fuente de Grados de Suma de Cuadrados
Fcal
Variación Libertad Cuadrados Medios
Métodos 4 117.7 29.425 82.1239
Edad 3 19.2 6.4 17.86
Error 12 4.3 0.3583
Total 19 141.2
0.358
𝐶𝑉 = × 100 = 6.105%
9.8
Conclusión: a) Fcal=82.12> Ft = 3.26, se rechaza la Ho. Hay evidencia estadística
suficiente para afirmar que hay diferencias significativas entre los
métodos de enseñanza.
b) ) Fcal=17.86> Ft = 3.49 se rechaza la Ho. Se justifica el uso de
bloques.

Estadística para Ingeniería II - DBCA 16/03/2016 19

 DISEÑOS DE BLOQUES COMPLETAMENTE
ALEATORIZADOS
4. Análisis de varianza
f) Prueba de comparación de Ho Ha ALS |𝒀𝒊• − 𝒀𝒋• |
Tukey Ho: A=B Ha: AB A-B 1.3498 1.25 N.S.
De la tabla de Tukey para
Ho: A=C Ha: AC A-C 1.3498 2.5 *
=0.05 con t=5 y 12 grados de
libertad del error, el valor es Ho: A=D Ha: AD A-D 1.3498 2.25 *
4.51. Ho: A=E Ha: AE A-E 1.3498 5.0 *
Luego, el valor crítico para Ho: B=C Ha: BC B-C 1.3498 1.25 N.S.
realizar las comparaciones es
Ho: B=D Ha: BD B-D 1.3498 3.5 *
0.3583
𝐴𝐿𝑆 = 4.51 4
= 1.3498 Ho: B=E Ha: BE B-E 1.3498 3.75 *
Ho: C=D Ha: CD C-D 1.3498 4.75 *
Ho: C=E Ha: CE C-E 1.3498 2.5 *
Ho: D=E Ha: DE D-E 1.3498 7.25 *

Conclusión: A un nivel de significación de 0.05, se puede afirmar que según los

resultados obtenidos con la prueba de Tukey se recomendaría el método D.
Estadística para Ingeniería II - DBCA 16/03/2016 20
 EJERCICIO RESUELTO
Se desea comparar tres métodos de entrenamiento para determinar si
conducen hacia una mayor productividad a los empleados que los cursan.
Los datos que se presentan a continuación son medidas de la
productividad de los individuos entrenados por cada método y por su edad:
26-30 31-35 36-40 41-45 46-50
Método 1 3 4 5.5 3.5 4
Método 2 3 3.5 4.5 4 5.5
Método 3 2 3.5 5 6.5 6
Método 4 8 9 15.5 12.5 8

Fuente: Levin, Richard y Rubin, Levin. Estadística para Administradores. Editorial Prentice Hall

a) Pruebe de homogeneidad de variancias

b) Pruebe la normalidad de los datos
c) Ejecute el análisis de variancia y las pruebas de hipótesis
respectivas.

miércoles, 16 de marzo de 2016

 EJERCICIO RESUELTO
a) Prueba de homogeneidad de
variancias

𝐻0 : 𝜎1 2 = 𝜎2 2 = 𝜎3 2 = 𝜎4 2
𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜎𝑖 2 𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

Nivel de significancia α = 0.05

Conclusión: P-valor=0.870
Como P-valor> α, no se rechaza la
hipótesis nula. Por lo tanto, se
cumple el supuesto de
homogeneidad de varianzas.

miércoles, 16 de marzo de 2016

 EJERCICIO RESUELTO
b) Prueba de normalidad

Ho : Los datos tienen una

distribución normal
Ha : Los datos no tienen una
distribución normal

Nivel de significancia α = 0.05

Conclusión: como P-valor< α, se

rechaza la hipótesis nula. Por lo
tanto, los datos no se distribuyen
como una normal; sin embargo,
para efectos de la resolución
completa del problema, se
procederán a realizar los análisis
del ANOVA.

miércoles, 16 de marzo de 2016

 EJERCICIO RESUELTO
c) ANOVA

Cálculos
116.52
𝑇𝐶 = = 678.6125
20

𝑡 𝑏 2 𝑌•2•
𝑆𝐶(𝑡𝑜𝑡𝑎𝑙)= 𝑖=1 𝑗=1 𝑌𝑖 𝑗 − = 32 + ⋯ + 82 − 𝑇𝐶 = 217.6375
𝑡𝑏

2
𝑡 𝑌𝑖•
𝑆𝐶(𝑡𝑟𝑎𝑡)= 𝑖=1 𝑏 − 𝑇𝐶 = 831.65 -678.6125 =153.0375

2
𝑏 𝑌•𝑗
𝑆𝐶(𝐵𝑙𝑜𝑞𝑢𝑒𝑠)= 𝑗=1 𝑡 − 𝑇𝐶 = 710.1875 -678.6125 =31.575

𝑆𝐶(𝐸𝑟𝑟𝑜𝑟)= 217.6375-153.0375-31.575=33.025

miércoles, 16 de marzo de 2016

 EJERCICIO RESUELTO
Análisis de Varianza

Fuente de Grados de Suma de Cuadrado F cal P-valor

variabilidad libertad cuadrados medio
Tratamientos 3 153.037 51.012 18.54 0.000
Bloques 4 31.575 7.894 2.87 0.07
Error 12 33.025 2.752
Total 19 217.638

Prueba de tratamientos:

H0: 1=2=3=4
Ha: Al menos un i es diferente
Nivel de significancia α = 0.05

Fc=CMTrat/ CMError ~ F(3,12)

Regla de decisión: Si Fc>3.49, se rechaza la H0

Conclusión: Hay diferencias significativas entre los

métodos de entrenamiento. miércoles, 16 de marzo de 2016
 EJERCICIO RESUELTO
Análisis de Varianza
Fuente de Grados de Suma de Cuadrado F cal P-valor
variabilidad libertad cuadrados medio
Tratamientos 3 153.037 51.012 18.54 0.000
Bloques 4 31.575 7.894 2.87 0.07
Error 12 33.025 2.752
Total 19 217.638

Prueba de bloques:
𝐻0 : 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4
𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝐵𝑖 𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒
Nivel de significancia α = 0.05
CMBloques
Fc = ~F(4,12)
CMError
Regla de decisión: Si Fc>2.480, se rechaza la H0.
Conclusión: Se rechaza la H0. A un nivel de significancia del
5%, se puede afirmar que existe diferencia entre los bloques,
por lo que se justifica el bloqueo.
miércoles, 16 de marzo de 2016
 EJERCICIO PROPUESTO

El gerente de la empresa pesquera “Pescados del Norte” conoce que la

banda transportadora de la línea de ensamblaje de las latas de conservas
tiene efecto sobre la cantidad de latas defectuosas producidas en los tres
turnos de trabajo de la empresa. Con la finalidad de analizar este problema,
se programa la banda a cuatro velocidades distintas y se registra el número
de unidades defectuosas, los resultados son los siguientes:

Turno 1 Turno 2 Turno 3

Velocidad 1 36 44 55
Velocidad 2 45 35 45
Velocidad 3 23 30 55
Velocidad 4 28 39 45

Analice los datos y establezca sus conclusiones. Use α=0.05.

 SÍNTESIS
 Diseño bloques completamente aleatorizados
 Útil cuando las unidades experimentales son muy heterogéneas.
 En cada bloque debe existir el mismo número de tratamientos.
 Las unidades experimentales dentro de cada bloque son homogéneas y las
unidades experimentales entre bloques distintos son heterogéneas.
 No existe interacción entre los bloques y los tratamientos de interés.
 Los bloques deben ser definidos por el investigador antes de llevarse a cabo el
experimento.
 Componentes del modelo lineal aditivo.
 METACOGNICIÓN

 ¿Qué aspectos te han parecido interesantes?

 ¿Qué contenido consideras más importante del tema trabajado?
 ¿Qué competencias del tema podrías aplicar en tu vida diaria?
 PARA REFORZAR LO APRENDIDO

RESOLVER LOS PROBLEMAS DE LA GUÍA DE TRABAJO.

 REFERENCIAS BIBLIOGRÁFICAS
1. Referencias básicas:
• Anderson, D. (2012) Estadística para Negocios y Economía.
México: CENGAGE Learning.
• Chue, J. (2012) Estadística Descriptiva y Probabilidades. Lima:
Universidad de Lima.
2. Referencias de lectura obligatoria:
• Lind, D. (2012) Estadística Aplicada a los Negocios y la
Economía. México: Mc Graw Hill.
• Pérez, C. (2013) Diseño de experimentos: técnicas y
herramientas. Madrid: Garceta.