Documentos de Académico
Documentos de Profesional
Documentos de Cultura
20 de febrero de 2020
Tabla de Contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
2 Experimentos con un solo factor
Diseño completamente al azar (DCA)
Análisis de varianza
Intervalos de confianza para medias de tratamiento
Comparaciones o pruebas de rangos múltiples
Validación de supuestos del modelo
Diseño en bloques completos al azar (DBCA)
Diseño cuadrado latino (DCL)
3 Ejercicios
Introducción
Tabla de Contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
Tabla de Contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
Ejemplos
Comparar dos materiales con el fin de elegir el mejor.
Comparar varios instrumentos de medición para verificar si trabajan con la
misma precisión y exactitud.
Reducir el tiempo de ciclo de un proceso.
Encontrar las condiciones de operación (temperatura, velocidad, humedad,
etc) en las que se reduscan los defectos o se logre un mejor desempeño del
proceso.
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 en una o
varias propiedades del producto o resultado.
Ejemplo
En un proceso quı́mico se pueden probar diferentes temperaturas y
presiones, y medir el cambio observado en el rendimiento del proceso.
Ejemplos
Si en un proceso se usa agua a 60◦ C, entonces debe existir un mecanismo
que permita fijar la temperatura del agua dentro de un rango de operación.
En un estudio se desea investigar la textura de un yogurt cuando se usan
distintas concentraciones de fruta, entonces el factor (o caracterı́stica) objeto
de estudio es la concentración de fruta.
Se desea investigar como se mejora la calidad de las suelas de un cierto tipo
de calzado cuando se usan cuatro tipos distintos de cuero, entonces el factor
de estudio es el tipo de cuero.
Factores estudiados
Son las variables que se investigan en el experimento para observar
cómo afectan a la variable respuesta. Para que un factor pueda ser
estudiado, es necesario que durante el experimento se haya probado
en, al menos, dos niveles o condiciones.
Ejemplo
Si en un experimento se estudia la influencia de la velocidad y la temperatura, y se
decide probar cada una en dos niveles, entonces una combinación de niveles (ve-
locidad, temperatura) es un tratamiento.en este caso habrı́a cuatro tratamientos,
como se muestra en la siguiente tabla
Nivel de velocidad Nivel de temperatura Tratamiento y
1 1 1
2 1 2
1 2 3 ?
2 2 4
Unidad experimental
Una unidad experimental o parcela experimental es la pieza o muestra que se
utiliza para generar un valor que sea representativo del resultado del experimento.
En cada estudio experimental es necesario definirla de manera cuidadosa, la unidad
experimental puede ser una persona, una planta, un medio de cultivo, una bolsa,
un frasco, etc. Es decir, es donde se aplique un tratamiento
Ejemplo
Si se quiere investigar alternativas para redudir el porcentaje de piezas defectuosas,
en un proceso que produce muchas piezas en un lapso corto de tiempo, no serı́a muy
confiable que la unidad experimental fuera una sola pieza, en la cual se vea si bajo
cierta condición estaba defectuosao no. Aquı́, la unidad experimental será cierta
cantidad de piezas que se producen en las mismas condiciones experimentales, y
el valor se obtiene al analizar cuantas de ellas están defectuosas y cuantas no.
Error aleatorio
Es la variabilidad observada que no se puede explicar por los factores
estudiados; resulta del pequeño efecto de los factores no estudiados y
del error experimental
Error experimental
Componete del error aleatorio que refleja los errores del experimentador
en la planeación y ejecución del experimento.
Tabla de Contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
Aleatorización
Consiste en hacer corridas experimentales en orden aleatorio y con
material también seleccionado aleatoriamente. la aleatorización de los
tratamientos a las unidades experimentales es esencial para obtener
conclusiones válidas en los resultados y asegura que se obtengan esti-
mativas válidas del error experimental.
Aleatorización
Consiste en hacer corridas experimentales en orden aleatorio y con
material también seleccionado aleatoriamente. la aleatorización de los
tratamientos a las unidades experimentales es esencial para obtener
conclusiones válidas en los resultados y asegura que se obtengan esti-
mativas válidas del error experimental.
Repetición
Es correr más de una vez un tratamiento o combinación de factores de
acuerdo con la aleatorización. Éstas permiten distinguir que parte de
la variabilidad total se debe al error aleatorio y cual a los factores.
Estadı́stica-Control local
El control del error experimental puede lograrse mediante la
escogencia del diseño experimental adecuado, es decir, por medio
de diseños como el de bloques completos aleatorizados (DBCA)
o cuadrados latinos (DCL) los cuales se estudiarán en breve.
El uso de observaciones concominantes (Covariables).
Una apropiada elección del tamaño de muestra y la forma de las
unidades experimentales.
Tabla de Contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
Etapa 3: Interpretación
Con respaldo del análisis estadı́stico formal, se debe analizar con detalle lo que ha
pasado en el experimento; verificar supuestos, elegir el mejor tratamiento, contras-
tar las conjeturas iniciales.
Etapa 3: Interpretación
Con respaldo del análisis estadı́stico formal, se debe analizar con detalle lo que ha
pasado en el experimento; verificar supuestos, elegir el mejor tratamiento, contras-
tar las conjeturas iniciales.
Tabla de Contenido
Tabla de Contenido
Ejemplo 1
Comparación de cuatro proveedores de alimento.
Los profesionales de una granja agropecuaria experimental están tratando de tomar
una decisión para la compra de un complemento alimenticio, para lo cual evalúan
ofertas de 4 proveedores A, B, C y D, mediante la ganancia en peso de 4 lotes de
semovientes y determinaron las siguientes ganancias en peso (Kgs).
Proveedor
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9
Tratamiento Observaciones
Control(T1 ) 213 214 204
T2 76 85 74
T3 57 67 55
T4 84 82 85
Desventajas
La principal desventaja es su baja precisión y eficiencia cuando las unidades experi-
mentales son heterogéneas, hecho que lleva a una sobre-estimación de la varianza
del error experimental.
Desventajas
La principal desventaja es su baja precisión y eficiencia cuando las unidades experi-
mentales son heterogéneas, hecho que lleva a una sobre-estimación de la varianza
del error experimental.
Usos
1. Si las unidades experimentales son uniformes, es el diseño más eficiente entre
todos los diseños
2. Útil cuando una porción grande de unidades experimentales pueden no res-
ponder o pueden perderse
3. Útil en experimentos donde hay una limitación en el número total de unidades
experimentales ya que proporciona el mayor número de grados de libertad.
Consideremos que Y11 , Y21 , Y31 , . . . , Yr1 1 es una muestra aleatoria de tamaño
r1 , tomada de una población con media µ1 y varianza σ12 .
De igual manera, consideremos que Y12 , Y22 , Y32 , . . . , Yr2 2 es una muestra
aleatoria de tamaño r2 , tomada de una población con media µ2 y varianza
σ22 , y ası́ sucesivamente para cada j = 1, 2, . . . , t.
Consideremos que Y11 , Y21 , Y31 , . . . , Yr1 1 es una muestra aleatoria de tamaño
r1 , tomada de una población con media µ1 y varianza σ12 .
De igual manera, consideremos que Y12 , Y22 , Y32 , . . . , Yr2 2 es una muestra
aleatoria de tamaño r2 , tomada de una población con media µ2 y varianza
σ22 , y ası́ sucesivamente para cada j = 1, 2, . . . , t.
Consideremos el caso más simple donde σ12 = σ22 = · · · = σt2 = σ 2 , esto es, cuando
la aplicación del tratamiento j − ésimo en la unidad experimental i − ésima afecta
la media de la respuesta debido a la aplicación del tratamiento pero no su varianza.
Yij = µ + τj + εij
para i = 1, 2, . . . , rj y j = 1, 2, . . . , t
Componentes
Yij Es la observación obtenida en la i − ésima unidad experimental del
j − ésimo tratamiento.
µ Es un parámetro común a todos los tratamientos y corresponde a la media
general.
τj Es el efecto del tratamiento j − ésimo.
εij Es el error que se comete en la i−ésima unidad experimental del j−ésimo
tratamiento
rj Es el número de repeticiones del j − ésimo tratamiento.
t Número de tratamientos.
ebij = yij − y j
Tabla de Contenido
Criterio de rechazo
Se rechazará H0 al nivel de significancia α si
F0 > F(α;t−1;n−t)
Y2
Factor de corrección: F C = t
P
rj
j=1
rj P
P t
donde Y = Yij es el total global.
i=1 j=1
Y2
Factor de corrección: F C = t
P
rj
j=1
rj P
P t
donde Y = Yij es el total global.
i=1 j=1
Y2
Factor de corrección: F C = t
P
rj
j=1
rj P
P t
donde Y = Yij es el total global.
i=1 j=1
Cuadrados medios
SCtto
Cuadrado medio de tratamientos: CMtto = t−1
SCE
Cuadrado medio del error: CME = n−1
Grados de libertad
Total GLT = n − 1 = 16 − 1 = 15
Tratamientos GLtto = t − 1 = 4 − 1 = 3
Error GLE = n − t = 16 − 4 = 12
Cuadrados medios
SCtto 69,5
Tratamientos CMtto = GLtto = 3 = 23,1667
SCE 29,5
Error CME = GLE = 12 = 2,4583
Estadı́stico F0
CMtto 23,1667
F0 = CME = 2,4583 = 9,4239
F(0,05;3;12) = 3,4903
Decisión
F0 = 9,4239 > 3,4903
De acuerdo con el criterio de rechazo, se debe rechazar la hipótesis H0 .
Ejercicio
Construir la tabla de análisis de varianza para el ejemplo de la reducción
del tiempo de cocción de los frijoles.
Tratamiento Observaciones
Control(T1 ) 213 214 204
T2 76 85 74
T3 57 67 55
T4 84 82 85
Tabla de Contenido
Ejercicio
Construir intervalos de 95 % de confianza para la media de los tra-
tamientos del ejemplo de la reducción del tiempo de cocción de los
frijoles.
Tabla de Contenido
H0 : µ1 = µ2 vs H1 : µ1 6= µ2 H0 : µ2 = µ3 vs H1 : µ2 6= µ3
H0 : µ1 = µ3 vs H1 : µ1 6= µ3 H0 : µ2 = µ4 vs H1 : µ2 6= µ4
H0 : µ1 = µ4 vs H1 : µ1 6= µ4 H0 : µ3 = µ4 vs H1 : µ3 6= µ4
s s
1 1 1 1
t(α/2;GLE ) CME + = t(0,025;12) 2,4583 + = 2,4156
rj rj 0 4 4
Método de Tukey
Un método más conservador para comparar pares de medias de tratamientos es el
método de Tukey, el cual es aplicable cuando r1 = r2 = · · · = rt = r. Se rechazará
H0 al nivel de significancia α si
r
CME
|Y j − Y j 0 | > q(α;t;GLE ) = Tα
r
Los valores crı́ticos de Tukey q(α;t;GLE ) , se muestran en las siguientes tabla para
α = 0,01 y α = 0,05
Método de Duncan
En este método para la comparación de medias, si los t grupos son de igual tamaño,
los t promedios se acomodan en orden ascendente. Se rechazará H0 al nivel de
significancia α si
r
CME
|Y j − Y j 0 | > Q(α;p;GLE ) = Dp;α
r
donde p = 2, 3, . . . , t, representa el número de medias entre los dos tratamientos
que se van a comparar.
Los valores crı́ticos de Duncan Q(α;p;GLE ) , se muestran en las siguientes tabla para
α = 0,01 y α = 0,05
Método de Duncan
Si alguno o todos los tratamientos tienen tamaños diferentes, se reemplaza r por
la media armónica de los {rj }, que está dada por
t
rh = t
1
P
rj
j=1
Tratamiento A B D C
Media 7,25 8,50 10,50 12,75
Grupos a ab bc c
Los valores crı́ticos de Dunnet d(α;t−1;GLE ) , se en las siguientes tabla para α = 0,01
y α = 0,05
Ejercicio
Realizar la prueba de Dunnet para el ejemplo de la reducción del tiempo de cocción
Contrastes Ortogonales
No siempre interesa probar solo las t(t−1)
2 hipótesis dos a dos dadas por
H0 : µj = µj 0 vs H1 : µj 6= µj 0 para j 6= j 0 y no siempre estas hipótesis dos a dos
interesan todas por igual. En ocasiones el objetivo del estudio lleva a contrastar
hipótesis que involucran más de dos medias de tratamientos.
Definición: Contrastes
Pt
Una expresión de la forma Z = j=1 cj µj es una combinación lineal de las me-
dias poblacionales de interés, donde los coeficientes cj son números reales. La
Pt c
combinación lineal Z se llama contraste si se cumple que ( j=1 rjj = 0), si los
tratamientos
Pt tienen el mismo número de repeticiones, la condición anterior se re-
duce a ( j=1 cj = 0)
Muchas hipótesis estadı́sticas de interés son contrastes, como por ejemplo las
hipótesis de comparación de medias. En efecto, ya hemos visto que la hipótesis
nula H0 : µj = µj 0 para j 6= j 0 se puede escribir de manera equivalente como
H0 : µj − µj 0 = 0, donde se observa que el contraste correspondiente es la com-
binación lineal cj µj + cj 0 µj 0 , con cj = 1 y cj 0 = −1, e interesa verificar si es
estadı́sticamente igual a cero.
Hipótesis de un contraste
De lo anterior, es posible escribir una prueba de hipótesis que involucre grupo
de medias de tratamientos a partir del concepto de lo que es un contraste. Si Z
es el contraste que representa una comparación de medias entonces las hipótesis
estadı́sticas se escriben como se muestra a continuación:
t
X t
X
H0 : Z = cj µj = 0 vs H1 : Z = cj µj 6= 0
j=1 j=1
y
t t t t
X X X σj2 X c2j
V Z
b =V cj Y j = c2j V Y j = c2j = σ2
j=1 j=1 j=1
rj r
j=1 j
Zb − Z
t= s ∼ t(GLE )
t
P c2j
σ2 rj
j=1
2
Z
b
Zb = c1 Y1 + c2 Y2 + · · · + ct Yt ⇒ SCZb = t
para totales
rj c2j
P
j=1
H0 : Z = 0 vs H1 : Z 6= 0
F0 > F(α;1;GLE )
Contrastes Ortogonales
Sean Z1 y Z2 dos contrastes, de modo que
t
X
Z1 = c11 µ1 + c12 µ2 + · · · + c1t µt = c1j µj
j=1
t
y X
Z2 = c21 µ1 + c22 µ2 + · · · + c2t µt = c2j µj
j=1
Entonces:
t c c
P 1j 2j
los dos contrastes se dicen ortogonales sı́ = 0 (para promedios)
j=1 rj
t
P
o rj c1j c2j = 0 (para totales)
j=1
t
P
Si se tienen igual número de repeticiones, lo anterior se reduce a c1j c2j = 0
j=1
Contrastes Ortogonales
Se puede probar que dados t tratamientos, se pueden obtener a lo más t − 1
contrastes ortogonales cada uno con 1 grado de libertad y además que:
puesto que los contrastes que se analizan son independientes dos a dos, lo que
conlleva a que la variación que se deduce de uno de los contrastes no es posible
volverla a tener en otro contraste.
Ejemplo 8
Se realizó un experimento con tres tratamientos, que consistı́an en tres tipos de
empaques, llámense A (testigo), B y C, con 7 repeticiones cada uno, con el fin de
observar en un tiempo determinado la conservación de un alimento. Después de
procesar la información, se obtuvo un CME = 3,076. Las comparaciones deseadas
son:
1) TA contra (TB , TC ) 2) TB contra TC
que en terminos de contrastes ortogonales se escriben como
µB + µC
1) µA = o también Z1 : 2µA − µB − µC = 0
2
2) µB = µC o también Z2 : µB − µC = 0
Ejemplo 9
Realizaremos los contrastes ortogonales para el experimento de reducción del
tiempo de cocción del ejemplo 2. Los tratamientos son a base de bicarbonato
de sodio (NaHCO3) y cloruro de sodio o sal común (NaCl). El primer tratamiento
es el de control, que consiste en no aplicar ningún tratamiento. El tratamiento T2
es el remojo en agua con bicarbonato de sodio, el T3 es remojar en agua con sal
común y el T4 es remojar en agua con una combinación de ambos ingredientes en
proporciones iguales.
En este experimento, los siguientes contrastes pueden ser de interés.
1) T1 vs T2 T3 T4 comparar el control con los demás niveles.
2) T2 T3 vs T4 comparar las sustancias puras con la mezcla.
3) T2 vs T3 comparar las sustancias puras.
Media
µ1 µ2 µ3 µ4 t
P c2j
Contraste Media estimada Zb rj SCZb
j=1
Y 1 = 210,33 Y 2 = 78,33 Y 3 = 59,67 Y 4 = 83,67
Z1 3 -1 -1 -1 409,333 4 41888,444
Z2 0 1 1 -2 −29,333 2 430,222
Z3 0 1 -1 0 18,667 0,667 522,667
Tabla ANAVA
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
Tratamiento 3 42841,333 14280,444 527,278 4,066 ***
Z1 1 41888,444 41888,444 1546,650 5,31 ***
Z2 1 430,222 430,222 15,885 5,31 **
Z3 1 522,667 522,667 19,298 5,31 **
Error 8 216,667 27,083
Total 11 43058
Tabla de Contenido
k
!2
1 X
Wc = ai x(n−i+1) − x(i)
(n − 1)S 2 i=1
Ejemplo 10
Probaremos si los residuales del modelo DCA del ejemplo de los cuatro proveedores
de alimento siguen una distribución normal. Los residuales estimados se calculan
como
ebij = yij − y j
Tabla de residuales
Proveedor
A B C D
−1,25 −1,5 −1,75 −0,5
0,75 0,5 3,25 1,5
−0,25 1,5 −1,75 0,5
0,75 −0,5 0,25 −1,5
Cálculo de Wc
k
!2
1 X 5,2602
Wc = ai x(n−i+1) − x(i) = = 0,938
SCE i=1
29,5
Para n = 16 y α = 0,05, el valor crı́tico de la tabla de Shapiro Wilks es
W(0,95;16) = 0,981
" #
t t (rj −1)σj2
1 1 1
σp2 =
P P
donde C = 1 + 3(t−1) rj −1 − n−t y n−t
j=1 j=1
Ejemplo 11
Continuando con el ejemplo de los cuatro proveedores de alimento, se probará la
hipótesis (
H0 : σ12 = σ22 = σ32 = σ42 = σ 2
H1 : σj2 6= σj20 para algún j 6= j 0
1
Tratamiento j rj rj − 1 rj −1 σj2 (rj − 1)ln σj2
A 4 3 0,3333 0,9167 −0,2610
B 4 3 0,3333 1,6667 1,5325
C 4 3 0,3333 5,5833 5,1594
D 4 3 0,3333 1,6667 1,5325
1,3333 7,9633
σp2 = CME
El estadı́stico de prueba es
t
1 X
2
U = (n − t)ln (CME ) − (rj − 1)ln σj
C j=1
1
= [12 · ln (2,4583) − 7,9633]
1,1389
= 2,4853
Ejemplo 9
El valor crı́tico para α = 0,05 y t − 1 = 3 es χ2(0,05;3) = 7,815.
De acuerdo con el criterio de rechazo, dado que
Ejemplo 12
hipótesis de interés (
H0 : ρ = 0
H1 : ρ 6= 0
El estadı́stico de prueba es
n
P 2
(ei − ei−1 )
i=1 67,938
d= = = 2,301
SCE 29,50
Para α = 0,05 y n = 16, los valores de la tabla son dL;0,05 = 1,10 y dU ;0,05 = 1,37.
De acuerdo con el criterio de rechazo, d = 2,301 > 1,37, por lo tanto no se puede
rechazar H0 y se concluye que los errores son independientes.
Tabla de Contenido
Bloqueo
Consiste en nulificar adecuadamente los factores que puedan afectar la variable
respuesta. Al bloquear, se supone que el subconjunto de datos dentro de cada
bloque es más homogeneo que el conjunto total de datos. Por ejemplo, si se quieren
comparar cuatro máquinas, entonces, el operador de las máquinas (dependiendo de
su habilidad) puede influir en el resultado. Una posible estratégia de bloqueo serı́a
que el mismo operador realice todas las pruebas del experimento. Otra estrategı́a
puede ser experimentar con cuatro operadores (cuatro bloques), cada uno de los
cuales prueba en orden aleatorio las cuatro máquinas.
Ventajas
El agrupamiento de las unidades experimentales permite controlar una
fuente de variación, obteniendose una reducción del error experimental.
Es posible aumentar el número de repeticiones dentro de cada bloque para
aquellos tratamientos que se deseen estudiar con mayor precisión.
Si se pierde una, o más de una unidad experimental, esta(s) se puede(n)
estimar con las restantes.
Desventajas
No es apropiado para un número grande de tratamientos (se recomiendan
máximo 25)
Si se bloquea sin necesidad, no hay ganancia en precisión respecto al DCA y
por el contrario se pierde eficiencia debido a la reducción de los GLE .
Yij = µ + βi + τj + εij
para i = 1, 2, . . . , r y j = 1, 2, . . . , t
Componentes
Yij Es la observación obtenida en el bloque i − ésimo del tratamiento j.
µ Es un parámetro común a todos los tratamientos y corresponde a la media
general.
βi Es el efecto del bloque i − ésimo.
τj Es el efecto del tratamiento j − ésimo.
εij Es el error aleatorio que se atribuye a la observación Yij .
Los supuestos sobre los errores εij son los mismos que en el DCA.
fermadera85@gmail.com DISEÑO EXPERIMENTAL 111 / 168
Experimentos con un solo factor Diseño en bloques completos al azar (DBCA)
Hipótesis de interés
1) Para los tratamientos
(
H0 : µ1 = µ2 = · · · = µt
H1 : µj 6= µj 0 para algún j 6= j 0
F0 > F(α;t−1;n−t)
Y2
Factor de corrección: F C = rt
Cuadrados medios
SCBloq
Cuadrado medio del bloque: CMBloq = r−1
Cuadrado medio de tratamientos: CMtto = SC tto
t−1
SCE
Cuadrado medio del error: CME = (r−1)(t−1)
Ejemplo 13
En una empresa lechera se tienen varios silos para almacenar leche (cisternas de
60 000 L). Un aspecto crı́tico para que se conserve la leche es la temperatura de
almacenamiento. Se sospecha que en algunos silos hay problemas, por ello, durante
cinco dı́as se decide registrar la temperatura a cierta hora crı́tica. Obviamente la
temperatura de un dı́a a otro es una fuente de variabilidad que podrı́a impactar la
variabilidad total.
Dı́a
Silo Lunes Martes Miércoles Jueves Viernes
A 4,0 4,0 5,0 0,5 3,0
B 5,0 6,0 2,0 4,0 4,0
C 4,5 4,0 3,5 2,0 3,0
D 2,5 4,0 6,5 4,5 4,0
Ejemplo 13
Para el ejemplo dado se tiene que r = 5 bloques y t = 4 tratamientos.
Bloques(Dı́as)
Silos Lunes Martes Miércoles Jueves Viernes Yj Y j
A 4,0 4,0 5,0 0,5 3,0 16,5 3,3
B 5,0 6,0 2,0 4,0 4,0 21 4,2
C 4,5 4,0 3,5 2,0 3,0 17 3,4
D 2,5 4,0 6,5 4,5 4,0 21,5 4,3
Yi 16 18 17 11 14 Y Y
Y i 4 4,5 4,25 2,75 3,5 76 3,8
Y2 76
Factor de correción F C = rt = 5·4 = 288,8
Cuadrados medios
SCBloq 7,7
CMBloq = r−1 = 4 = 1,925
4,1
CMtto = SC
t−1 = 3 = 1,367
tto
SCE
CME = (r−1)(t−1) = 24,9
4·3 = 2,075
Tabla ANAVA
Para α = 0,05, los puntos crı́ticos de la tabla F son
F(α;r−1;n−t) = F(0,05;4;12) = 3,259 para los bloque
F(α;t−1;n−t) = F(0,05;3;12) = 3,490 para los tratamientos
Tabla ANAVA
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
Bloque 4 7,7 1,925 0,928 3,259
Tratamiento 3 4,1 1,367 0,659 3,490
Error 12 24,9 2,075
Total 19 36,7
ebij = yij − y i − y j + y
Nota
Las pruebas de comparaciones múltiples LSD, Tukey y Duncan, se realizan de
manera similar al DCA.
Ejemplo 14
Supongamos que para los datos del ejemplo 13 se ha perdido la observación y43 ,
es decir, la observación del bloque 4 en el tratammiento 3..
Dı́a
Silo Lunes Martes Miércoles Jueves Viernes
A 4,0 4,0 5,0 0,5 3,0
B 5,0 6,0 2,0 4,0 4,0
C 4,5 4,0 3,5 3,0
D 2,5 4,0 6,5 4,5 4,0
Bloques(Dı́as)
Silos Lunes Martes Miércoles Jueves Viernes Yj
A 4,0 4,0 5,0 0,5 3,0 16,5
B 5,0 6,0 2,0 4,0 4,0 21
C 4,5 4,0 3,5 3,0 15
D 2,5 4,0 6,5 4,5 4,0 21,5
Yi 16 18 17 9 14 Y = 74
Para r = 5 y t = 4.
El estimador de la observación perdida es
0 0
ry4 + ty3 − y0 (5)(9) + (4)(15) − 74
yb43 = = = 2,58
(r − 1)(t − 1) (4)(3)
CMBloq + (t − 1) CME
ER =
tCME
Si el valor de ER es menor o igual que 1, se concluye que el diseño en bloques no
fue eficiente, en comparación con el DCA.
Ejemplo 15
Se calcula la eficiencia relativa a partir de la tabla ANAVA del ejemplo 11.
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
Bloque 4 7,7 1,925 0,928 3,259
Tratamiento 3 4,1 1,367 0,659 3,490
Error 12 24,9 2,075
Total 19 36,7
Tabla de Contenido
Ventajas
El control de dos variables permite disminuir el error experimental y la varia-
ción atribuı́da al efecto de estas variables.
Normalmente hay una mayor precisión debido a la reducción de la varianza
residual CME
Cuando se presentan experimentos a largo plazo bien puede ocurrir que un
primer conjunto de tratamientos ya se haya terminado y hubiesen estado
distribuidos bajo un diseño de bloques completos, un segundo grupo de tra-
tamientos puede aplicarse y si no interactúa con el primer conjunto, se puede
usar la estructura de filas y columnas bajo un diseño de cuadrado latino,
controlándose posibles efectos residuales.
Desventajas
El uso del DCL disminuye el número de grados de libertad del error.
La pérdida de más de una parcela experimental dificulta el análisis.
El número de las unidades experimentales requeridas para un experimento se
incrementa notablemente a medida que aumenta el número de tratamientos
en el ensayo.
para i = j = k = 1, 2, . . . , t
Criterio de rechazo
Para cada hipótesis respectivamente, Se rechazará H0 al nivel de significancia α si
F0 > F(α;t−1;GLE )
Cuadrados medios
SCF ila
Cuadrado medio del Fila: CMF ila = t−1
Cuadrado medio del Columnas: CMCol = SC Col
t−1
Cuadrado medio de tratamientos: CMtto = SC tto
t−1
SCE
Cuadrado medio del error: CME = (t−1)(t−2)
Ejemplo 16
Se comprueba el peso en gramos de un material de tres proveedores: A, B y C, por
tres diferentes inspectores: I, II y III, utilizando tres diferentes escalas: 1, 2 y 3. El
experimento es llevado a cabo como el cuadro latino siguiente:
Escala
1 2 3
I A = 16 B = 10 C = 11
Inspector II B = 15 C=9 A = 10
III C = 13 A = 11 B = 13
Proveedor A B C
Yk 37 38 33
Y k 12,333 12,667 11,000
Factor de corrección
Y2 1082
FC = 2
= 3 = 1296
t 3
Tabla ANAVA
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
Filas 2 2,000 1,000 0,429 19,000
Columnas 2 34,667 17,333 7,429 19,000
Tratamiento 2 4,667 2,333 1,000 19,000
Error 2 4,667 2,333
Total 8 46,000
Proveedor A B C
Yk 37 38 24
En este caso, la observación perdida es Y223 , y la estimación para este valor con
t = 3 es
0 0 0 0
t (y2 + y2 + y3 ) − 2y 3 (25 + 21 + 24) − 2(99)
yb223 = = =6
(t − 2)(t − 1) (1)(2)
Nota
Las pruebas de comparaciones múltiples se realizan como se ha visto anteriormente.
Tabla de Contenido
3 Ejercicios
Ejercicios
1) A continuación se muestra parte del ANOVA para comparar cinco tratamien-
tos con cuatro réplicas cada uno.
Tabla ANAVA
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
Tratamiento 800
Error 400
Total
9) En una empresa lechera se tienen varios silos para almacenar leche (cisternas
de 60 000 L). Un aspecto crı́tico para que se conserve la leche es la tempera-
tura de almacenamiento. Se sospecha que en algunos silos hay problemas, por
ello, durante cinco dı́as se decide registrar la temperatura a cierta hora crı́ti-
ca. Obviamente la temperatura de un dı́a a otro es una fuente de variabilidad
que podrı́a impactar la variabilidad total.
Ejercicios
Ejercicios
Ejercicios
Ejercicios
13) Cuando se comparan varios fertilizantes o diferentes variedades de cierto
cultivo, es tı́pico que se deba considerar el gradiente de fertilidad del suelo
(factor columna) o los efectos residuales de cultivos previos (factor renglón).
Considerando estos factores de bloque, Gomez y Gomez (1984) plantean un
experimento en cuadro latino para comparar, en cuanto a rendimiento en
toneladas por hectárea, tres variedades de maı́z hı́brido (A, B, C) y una
variedad control (C). Para ello, se utiliza un campo agrı́cola cuadrado de 16
hectáreas, dividido en parcelas de una hectárea. Los datos de rendimiento
obtenidos en cada parcela se muestran a continuación:
Ejercicios
Ejercicios
14) Los siguientes datos son los resultados de un experimento realizado para
determinar si cinco fuentes de nitrógeno difirieron en sus efectos sobre la
producción de arroz. Se aplicaron los tratamientos al azar a 20 parcelas en
un diseño completamente aleatorizado. La tasa de N era constante y los
tratamientos eran: T1 = Ca(N O3 )2 , T2 = N a N O3 , T3 = N H4 N O3 ,
T4 = (N H2 )2 CO, T5 = (N H4 )2 SO4 .
Ejercicios
Ejercicios
15) En un experimento se desea conocer si hay alguna variedad de geranio que
produce más flores. Se probaron 5 variedades (B1 y B2, dos hı́bridos belgas;
S1 y S2, dos hı́bridos canadienses, y T e, una variedad comúnmente usada).
Se realizó un DBCA con 4 repeticiones.
Tratamiento Repetición No. Flores Tratamiento Repetición No. Flores
B1 1 67 B1 3 48
B2 1 50 B2 3 52
S1 1 46 S1 3 33
S2 1 43 S2 3 34
Te 1 36 Te 3 31
B1 2 51 B1 4 54
B2 2 43 B2 4 32
S1 2 29 S1 4 37
S2 2 33 S2 4 27
Te 2 28 Te 4 33
Ejercicios
16) Se probaron 4 raciones alimenticias para pollos, criados en jaula tipo baterı́a
de 4 pisos (filas) y 4 casilleros (columnas). La variable analizada fue: peso
del pollo (kg.) a las 8 semanas de edad
Casilleros
Pisos 1 2 3 4
1 1.40(A) 1.38(B) 1.40(C) 1.60(D)
2 1.35(B) 1.28(A) 1.45(D) 1.62(C)
3 1.38(C) 1.40(D) 1.42(B) 1.63(A)
4 1.39(D) 1.39(C) 1.40(A) 1.60(B)