INSTITUTO  TECNOLÓGICO  SUPERIOR  DE  

JESÚS  CARRANZA  
 
 
DOCENTE  
 
ARMANDO  VAZQUE  RAMIREZ  
 
MATERIA  
DISEÑOS  EXPERIMENTALES  
 
ALUMNO  
 
                   ENOC  RAMIREZ  PEREYRA  
 
 
ACTIVIDAD  
INVESTIGACION  DE  LA  UNIDAD  3  
 
GRUPO  
 
505-­c  
 
 
SEMETRES  
 
5  
 
 
 
 
 
EXTENSIÓN  SAYULA  DE  ALEMAN  DEL  17  DE  DICIEMBRE  2020  
 
 
 
 
 
 
ÍNDICE    
 
 
 
 

Tabla  de  contenido  

INTRODUCCIÓN  ......................................................................................................  3  
3.1.   FUNDAMENTO   DEL   ANÁLISIS   DE   VARIANZA   (ANOVA)   PARA   CADA  
DISEÑO.  ...............................................................................................................  4  

3.2.  DISEÑO  COMPLETAMENTE  ALEATORIO  (DCA).  ..........................................  6  

3.2.1.  CARACTERÍSTICAS  DEL  DCA.  ................................................................  7  

3.2.2.   ANÁLISIS   DEL   DCA   CON   MÁS   DE   DOSTRATAMIENTOS   Y   EL   MISMO  

NÚMERO  DE  OBSERVACIONES  POR  UNIDAD  EXPERIMENTAL.  ......................  8  
3.2.3.   DCA   CON   DIFERENTE   NÚMERO   DE   OBSERVACIONES   POR  
TRATAMIENTO  Y  SU  ANÁLISIS  E  INTERPRETACIÓN.  ..................................  10  

3.3.  DISEÑO  DE  BLOQUES  COMPLETOS  AL  AZAR  (DBCA).  ............................  11  
3.3.1.  CARACTERÍSTICAS  DEL  DBCA.  ............................................................  13  

3.3.2.  ANÁLISIS  DEL  DBCA.  .................................................................................  14  

3.3.3.  DBCA  CON  VARIAS  OBSERVACIONES  POR  UNIDAD  EXPERIMENTAL.
 ............................................................................................................................  15  

3.3.4.   DBCA   CON   DESIGUAL   NÚMERO   DEOBSERVACIONES   POR   UNIDAD  

EXPERIMENTAL.  ...................................................................................................  17  
3.4.  DISEÑO  DE  CUADRO  LATINO  (DCL).  .......................................................  18  

3.4.1.  CARACTERÍSTICAS  DEL  DCL.  ..................................................................  20  

3.4.2.  ANÁLISIS  DE  VARIANZA  DEL  DCL.  .......................................................  21  

CONCLUSIÓN  ........................................................................................................  22  

BIBLIOGRAFÍA  ...................................................................................................  23  
 
 
 
INTRODUCCIÓN    
 
 
 
En  este  presente  trabajo  Análisis  de  Varianza  y  Diseños  experimentales  básicos,  
tenemos  lo  que  es  los  tipos  de  varianza,  El  análisis  de  la  varianza  permite  contrastar  
la  hipótesis  nula  de  que  las  medias  de  K  poblaciones  (K  >2)  son  iguales,  frente  a  la  
hipótesis   alternativa   de   que   por   lo   menos   una   de   las   poblaciones   difiere   de   las  
demás   en   cuanto   a   su   valor   esperado.   Es   muy   importante   conocer   los   tipos   de  
diseños,  se  me  hace  importante  conocer  estos  temas,  para  un  futuro,  lo  podemos  
ocupar.    
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  UNIDAD  3  ANÁLISIS  DE  VARIANZA  Y  DISEÑOS  EXPERIMENTALES  
BÁSICOS  
 
 
 
 
3.1.  Fundamento  del  Análisis  de  Varianza  (ANOVA)  para  cada  diseño.  
 
 
El  análisis  de  la  varianza  permite  contrastar  la  hipótesis  nula  de  que  las  medias  de  
K   poblaciones   (K   >2)   son   iguales,   frente   a   la   hipótesis   alternativa   de   que   por   lo  
menos  una  de  las  poblaciones  difiere  de  las  demás  en  cuanto  a  su  valor  esperado.  
Este  contraste  es  fundamental  en  el  análisis  de  resultados  experimentales,  en  los  
que  interesa  comparar  los  resultados  de  K  'tratamientos'  o  'factores'  con  respecto  a  
la  variable  dependiente  o  de  interés.  
 
 
El  Anova  requiere  el  cumplimiento  los  siguientes  supuestos:  

•   Las  poblaciones  (distribuciones  de  probabilidad  de  la  variable  dependiente  

correspondiente  a  cada  factor)  son  normales.  
•   Las  K  muestras  sobre  las  que  se  aplican  los  tratamientos  son  independientes.  
•   Las  poblaciones  tienen  todas  igual  varianza  (homoscedasticidad).  

El   ANOVA   se   basa   en   la   descomposición   de   la   variación   total   de   los   datos   con  

respecto  a  la  media  global  (SCT),  que  bajo  el  supuesto  de  que  H0  es  cierta  es  una  
estimación  de    obtenida  a  partir  de  toda  la  información  maestral,  en  dos  partes:  
 
ü   Variación   dentro   de   las   muestras   (SCD)   o   Intra-­grupos,   cuantifica   la  
dispersión   de   los   valores   de   cada   muestra   con   respecto   a   sus  
correspondientes  medias.  
ü   Variación  entre  muestras  (SCE)  o  Inter-­grupos,  cuantifica  la  dispersión  de  las  
medias  de  las  muestras  con  respecto  a  la  media  global.  
 
 
Se   selecciona   en   Variable   la   variable   dependiente   del   ANOVA   y   en   el   Eje   de  
categorías   la   variable   factor.   El   intervalo   de   confianza  
para  la  media  se  calcula  por  defecto  al  95%  de  confianza.  Al  aceptar  aparece  en  el  
visor  de  resultados  los  puntos  que  representan  a  la  media  de  cada  grupo  junto  con  
los  límites  del  correspondiente  intervalo  de  confianza  para  la  media  poblacional.  Si  
los   puntos   que   representan   las   medias   están   desigualmente   distribuidos   en   el  
gráfico   se   tiene   un   indicio   de   que   a   nivel   poblacional   no   puede   sostenerse   la  
hipótesis  de  igualdad  de  medias;;  es  decir,  por  lo  menos  uno  de  los  niveles  del  factor  
influye  significativamente  sobre  la  variable  dependiente.  
 
 
 
EJEMPLOS  

Con   los   datos   de   la   encuesta   sobre   transporte,   Enctrans.sav,   razonar   si   puede  

aceptarse  que  el  tipo  de  transporte  utilizado,  Trans,  influye  sobre  la  variable  tiempo.  

 
 
 
3.2.  DISEÑO  COMPLETAMENTE  ALEATORIO  (DCA).  
 
El  diseño  completamente  al  azar,  es  aquel  en  el  cual  los  tratamientos  se  asignan  
completamente  al  azar  a  las  unidades  experimentales  o,  viceversa.  Este  diseño  es  
usado   ampliamente,   Los   tratamientos   pueden   tener   igual   o   diferente   número   de  
unidades  experimentales.

Este   trabajo   estudia   un   conjunto   de   tareas   que   se   deben   realizar   para   utilizar   el  
diseño  completamente  aleatorizado  para  analizar  la  edad  cuando  los  lanzadores  del  
martillo  comienzan  a  obtienen  los  mejores  resultados,  la  investigación  demuestra  
cómo  en  15  de  los  mejores  atletas  entre  los  años  95  y  96,  la  etapa  de  los  mejores  
resultados  comienza  a  los  24  años  y  esta  puede  prolongarse  más  allá  de  los  29,  los  
resultados  obtenidos  son  validados  con  el  uso  de  la  prueba  de  Levene,  que  verifica  
que  las  muestras  utilizadas  tienen  iguales  desviaciones  estándar  y  las  pruebas  de  
Kruskal  Willisy  la  de  Mood  comprueban  que  no  existe  diferencias  significativas  entre  
las   medianas   de   estas   muestras,   estos   resultados   comprobatorios   justifican   la  
veracidad  de  los  resultados  obtenidos.  
 
 
 
DCA:    
 
Es  el  más  simple  de  todos  los  diseños,  solamente  se  estudia  el  efecto  de  un  factor,  
el  cual  se  varía  en  diferentes  tratamientos  o  niveles.  
 

 
 
 
3.2.1.  CARACTERÍSTICAS  DEL  DCA.  
 
 
El  diseño  completamente  al  azar,  es  aquel  en  el  cual  los  tratamientos  se  asignan  
completamente  al  azar  a  las  unidades  experimentales  o,  viceversa.  Los  tratamientos  
pueden  tener  igual  o  diferente  número  de  unidades  experimentales.  
 
 
ü   3.1.  Características  principales  
ü   Aplicable   sólo   cuando   las   unidades   experimentales   son   homogéneas  
(verificar  si  existe  tal  homogeneidad).  
ü   Los   tratamientos   pueden   tener   igual   o   diferente   número   de   unidades  
experimentales.  
ü   La  distribución  de  los  tratamientos  es  al  azar  en  las  unidades  experimentales.  
ü   El   número   de   tratamientos   está   en   función   del   número   de   unidades  
experimentales  que  se  dispone.  Es  conveniente  tener  pocos  tratamientos  y  
más  unidades  experimentales  que  muchos  tratamientos  con  pocas  unidades  
experimentales.  
o   Modelo  estadístico  Lineal  
ü   Este  modelo  lineal  es  la  siguiente:  
 
 

 
 
 
3.2.2.  ANÁLISIS  DEL  DCA  CON  MÁS  DE  DOSTRATAMIENTOS  Y  EL  MISMO  
NÚMERO  DE  OBSERVACIONES  POR  UNIDAD  EXPERIMENTAL.  

En  algunos  experimentos,  pueden  obtenerse  varias  observaciones  en  cada  Unidad  

Experimental  (UE).  Si  estas  observaciones  están  todas  en  la  misma  característica  
(o  se  mide  la  misma  variable  respuesta),  el  proceso  para  obtener  las  observaciones  
es  frecuentemente  llamado  Submuestreo.  

En   algunos   estudios   de   educación   cuando   se   quieren   comparar   dos   métodos   de  

enseñanza,  (tratamientos)  se  considera  a  la  clase  (colección  de  estudiantes)  como  
la   unidad   experimental.   Pero   como   las   observaciones   al   aplicar   una   prueba   se  
hacen   sobre   cada   estudiante,   entonces   los   estudiantes   son   las   unidades  
observacionales.   En   este   caso   se   presenta   un   error   asociado   a   las   unidades  
observacionales  el  cual  es  llamado  error  de  muestreo  u  observacional  ya  que  los  
estudiantes  tomados  para  el  estudio  serían  una  muestra  de  los  posibles  que  pueden  
pertenecer  a  dicha  clase.  Este  tipo  de  estudios  generalmente  se  refieren  a  Diseño  
completamente  Aleatorio  con  submuestreo.  

EJEMPLOS    

•   En   un   experimento   de   campo,   el   investigador   puede   no   tener   tiempo   de  

cosechar   (totalmente)   cada   parcela   experimental,   de   esta   manera   podrá  
seleccionar  al  azar  varios  cuadros  por  parcela  y  cosechar  el  grano  en  cada  
cuadro  seleccionado.  Estas  observaciones  serán  muestras  dentro  de  la  UE.  
 
•   En   un   experimento   de   tecnología   de   alimentos   que   implica   el  
almacenamiento  de  fresas  congeladas,  se  almacenan  10  pintas  (UE)  a  cada  
5   lapsos   de   almacenamiento   (tratamientos).   Cuando   se   hicieron   las  
determinaciones   de   ácido   ascórbico   después   del   almacenamiento,   se  
hicieron  dos  determinaciones  en  cada  pinta  (muestra  dentro  de  la  UE).  
•   La   realización   del   submuestreo   tiene   efectos   sobre   el   análisis.   El   modelo  
estadístico  propuesto  por  un  D.C.A  se  transforma  en:  
•   Modelo  para  desigual  número  de  observaciones  por  U.E  y  diferentes  réplicas  
por  U.O.  
 •   DISEÑO  EXPERIMENTAL  Y  ANÁLISIS  DE  VARIANZA  

 
 
 
Un  diseño  experimental  sirve  para  comparar  las  medias  de  dos  o  más  tratamientos  
(niveles  de  factor)  a  través  del  análisis  de  varianza,  propuesto  por  Ronald  A.  Fisher  a  
principios  del  Siglo  XX,  de  los  datos  experimentales.  Como  se  sabe,  un  experimento  
consiste  en  la  manipulación  intencional  y  controlada  de  una  o  más  variables  para  
evaluar   su   (supuesto)   efecto   en   la   variable   dependiente   (variable   de   respuesta).  
Dependiendo  de  las  características  del  material  experimental,  el  experimento  puede  
hacerse  en  un  diseño  completamente  aleatorizado  (cuando  el  material  experimental  
se  supone  sensiblemente  homogéneo),  en  un  diseño  de  bloques  completos  al  azar  
(cuando  se  supone  variación  en  una  sola  dirección),  en  diseño  en  cuadrados  latinos  
(se   asume   que   hay   variación   en   dos   direcciones);;   hay   otras   variantes   de   diseño  
experimental   como   el   diseño   grecolatino,   parcelas   divididas   o   anidado,   bloques  
incompletos,  bloques  generalizados,  entre  otros.    
 

Un  diseño  experimental  se  considera  estándar  si  en  cada  unidad  experimental  se  
toma  sólo  una  observación  al  azar;;  en  cambio,  si  se  toma  más  de  una  observación  
por   unidad   experimental   se   tendrá   un   diseño   experimental   con   submuestreo.   El  
análisis   de   los   datos   de   los   diseños   completamente   al   azar   y   bloques   completos  
aleatorizados  con  submuestreo  es  relativamente  fácil,  puesto  que  los  pasos  y  las  
fórmulas  para  dicho  análisis  se  encuentran  directamente  en  los  libros  de  diseños  
conocidos   como   el   de   Steel   y   Torrie   (1985)   o   el   de   Martínez   Garza   (1988).   En  
cambio,  el  análisis  de  un  diseño  experimental  con  submuestreo  que  no  sea  el  de  los  
dos   diseños   mencionados   resulta,   cuando   menos,   ambiguo,   puesto   que   no  
aparecen   en   los   libros,   de   manera   explícita,   los   pasos   a   seguir   y   las   fórmulas  
correspondientes.  Se  deja  a  que  el  lector  lo  deduzca  del  análisis  para  los  diseños  
más  elementales,  lo  que  no  resulta  sencillo.  
para  analizar  los  datos  de  cualquier  diseño  experimental  con  submuestreo  en  el  que  
se   haya   tomado   el   mismo   número   de   submuestras   por   unidad   experimental.   La  
explicación  detallada  de  cómo  se  deriva  el  algoritmo,  así  como  ejemplos  numéricos  
acompañados  de  programas  en  SAS,  
 
 

En  estas  fórmulas,    representa  el  total  de  la  i-­ésima  unidad  experimental  y    es  
el   gran   total   obtenido   de   sumar   todas   las   observaciones   de   todas   las   unidades  
experimentales.  

PASO   2.   Ahora   se   ajusta   un   modelo   usando   una   variable-­respuesta   Nueva   que  

denotaremos  como   .  La    se  calcula  así:  (el  total  obtenido  de  sumar  las  
submuestras   de   una   unidad   experimental)   se   divide   entre   (la   raíz   cuadrada   del  
número  de  esas  submuestras.  

3.2.3.  DCA  CON  DIFERENTE  NÚMERO  DE  OBSERVACIONES  POR  

TRATAMIENTO  Y  SU  ANÁLISIS  E  INTERPRETACIÓN.  
 
Observemos  el  siguiente  caso,  el  cual  fue  tomado  de  Reyes  Castañeda  (pp.  122-­
124):    
 
Tratamientos  a:  i  =  1  .  .  .  α  Repeticiones  n:  j  =  1  .  .  .  ni  1  2  3  x11  x21  x31  xij  x12  
x22  x32  x13  x23  x33  x14  x24  x34  x25  x35  x26  x1  .  x2  .  x3  .  a  =  3;;  n1  =  4  n2  =  6  n3  
=  5  X1.  +  X2.  +  X3.  =  X..  =  ∑Xij  

EJEMPLOS    

Los   experimentos   en   los   que   únicamente   se   ensayan   diferentes   modalidades   o  

intensidades  de  un  solo  factor  y  el  resto  de  factores  se  mantienen  constantes  se  
conocen  como  experimentos  con  un  solo  factor  de  estudio  o  experimentos  mono  
factoriales.  
Antes  de  comenzar  el  experimento  se  debe  especificar  claramente  el  problema  y  
las   preguntas   que   la   investigación   debe   contestar;;   es   decir,   lo   que   podría  
denominarse   las   “pruebas   de   interés”.   Por   otro   lado,   es   necesario   hacer   una  
reflexión   sobre   los   aspectos   anteriores   estructurándolos   mediante   una   serie   de  
preguntas  cuyas  respuestas  ayudan  a  diseñar  correctamente  el  experimento.  

El   objetivo   final   de   todo   experimento   es   proporcionar   el   máximo   de   información  

sobre  el  problema  estudiado.  Sin  embargo,  esta  información  debe  ser  obtenida  de  
una  forma  eficiente  tanto  practica  como  estadísticamente.  Mediante  un  buen  diseño  
se  puede  maximizar  la  cantidad  de  información  con  un  mínimo  uso  de  recursos.  Una  
forma  de  mejorar  la  eficiencia  es  considerar  el  análisis  de  los  datos  incluso  antes  de  
haber   sido   obtenidos.   Un   conocimiento   previo   de   qué   se   va   a   hacer   con   los  
resultados  del  experimento  conducirá  a  evitar  un  diseño  absurdo  
 
Una  vez  decidido  el  experimento  se  describirá  en  forma  matemática  mediante  un  
modelo   estadístico   que   dará   lugar   a   un   análisis   de   los   datos.   Tal   como   se   ha  
indicado  anteriormente,  este  análisis  retroalimentará  la  fase  de  diseño  para  probar  
su   eficiencia.   Por   tanto,   existe   una   cadena   fundamental   problema-­diseñomodelo-­
análisis-­diseño.   Por   ello   se   ha   de   señalar   el   peligro   que   encierra   la   utilización   “a  
ciegas”  tanto  de  los  diseños  clásicamente  descrito  (bloques  al  azar,  cuadrado  latino,  
etc.)  como  de  los  programas  enlatados  de  ordenador.    

 
3.3.  DISEÑO  DE  BLOQUES  COMPLETOS  AL  AZAR  (DBCA).  
 
DBCA:  Considera  el  efecto  de  un  factor  por  bloques  que  a  su  vez  están  constituidos  
por  tratamientos.  

 
DBCA  completo:  Un  diseño  experimental  de  bloques  al  azar  está  completo  cuando  
cada  bloque  tiene  el  mismo  número  de  tratamientos.  Ejemplos  de  bloques:  Lote  de  
materia  prima,  turno,  día,  operador  máquina,  método,  etc.  
 
Análisis  de  varianza  (ANOVA)  en  DBCA.  Consiste  en  analizar  los  cocientes  de  las  
varianzas   para   probar   la   hipótesis   de   igualdad   o   desigualdad   entre   las   medias  
debidas  a  los  tratamientos  y  los  bloques,  separando  la  variación  total  en  las  partes  
Diseño  experimental  de  bloques  completos  al  azar  (DBCA).  con  que  contribuye  cada  
fuente   de   variación.   Las   fuentes   de   variación   principales   son   las   debidas   a   los  
tratamientos,  a  los  bloques  y  las  debidas  a  el  error.    
 
 
EJEMPLOS    
 
 
En   una   empresa   maquiladora   de   ensamble,   se   desean   probar   cuatro   tipos   de  
métodos   de   ensamblaje   A,   B,   C   y   D,   para   encontrar   el   método   más   rápido.   Sin  
embargo,  también  se  ha  Diseño  experimental  de  bloques  completos  al  azar  (DBCA).  
encontrado   que   puede   ser   posible   que   dependiendo   del   tipo   de   operador   será   el  
tiempo  ensamble.  Para  esto  se  realizan  las  pruebas  de  ensamblaje,  ensamblando  
una  pieza  por  cada  uno  de  los  cuatro  métodos,  con  cuatro  operadores.    
 
Planteamiento  del  experimento:  

Determinar   el   efecto   del   método   de   ensamble   y   su   dependencia   del   tipo   de  

operador  sobre  el  tiempo  de  ensamble.    
 
Factor:  Método  de  ensamble  Niveles:  métodos  A,  B,  C,  y  D  Bloques:  

tipo  de  operador  Variable  de  respuesta:  

 
tiempo  de  ensamble    

 
  

3.3.1.  CARACTERÍSTICAS  DEL  DBCA.  

 
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:  
 
Debido  a  que  solo  la  variación  dentro  de  bloques  resulta  parte  del  error  experimental  
la  conformación  de  los  bloques  es  más  efectiva  cuando  el  área  experimental  tiene  
un   gradiente   de   productividad   predecible.  
B1  1  T5  2  T1  3  T6  4  T4  5  T3  6  T2  B2  7  8  9  10  11  12  B3  13  14  15  16  17  18Esquema  
de   aleatorización   en   donde   cada   tratamiento   (Ti)   ocurre   una   sola   vez   en   cada  
bloque.  

En  cualquier  experimento,  la  variabilidad  proveniente  de  un  factor  de  ruido  puede  
afectar  los  resultados.  
Un  factor  de  ruido  es  un  factor  que  probablemente  tiene  un  efecto  en  la  respuesta  
pero   que   no   nos   interesa   estudiar.   Si   el   factor   de   ruido   es   desconocido   y   no  
controlable,   la   solución   es   la   aleatorización,   que   tiende   a   distribuir   los   niveles   y  
efectos   de   este   factor   entre   todas   las   u.e.   Si   el   factor   de   ruido   es   conocido   y   no  
controlable,   pero   por   lo   menos   podemos   medir   su   valor   en   cada   corrida   del  
experimento,  entonces  podemos  compensarlo  usando  análisis  de  covarianza.  
  

3.3.2.  ANÁLISIS  DEL  DBCA.  

En  ocasiones  al  realizar  un  experimento  existen  variables  que  puede  crear  un  efecto  
sobre   las   variables   de   respuesta   por   consiguiente   se   ve   afectadas   las   hipótesis.  
Para  evitar  que  se  den  estas  afectaciones  a  los  resultados  se  aplica  lo  que  son  los  
bloques.  Los  bloques  constan  de  anular  los  efectos  de  factores  externos  y  que  están  
directamente  relacionados  con  la  variable  de  respuesta,  estos  factores  se  manejan  
de  cierta  forma  en  el  experimento  para  conocer  su  porcentaje  de  afectación  a  los  
resultados   del   experimento.   Algunos   ejemplos   de   bloques   son:   operadores,  
máquinas,  herramientas  o  materiales.    

Ø   Factores  de  bloque  El  factor  de  bloque  es  otra  fuente  de  variabilidad  aparte  
del  error  aleatorio  y  el  factor  de  interés.  Se  le  denomina  al  diseño  bloques  
completos  al  azar  ya  que  todos  los  tratamientos  deben  interactuar  en  todos  
los  bloques.  En  cuanto  a  la  aleatorización  esta  se  hace  en  cada  bloque,  por  
esto  la  aleatorización  no  se  puede  hacer  en  su  totalidad.  

Ø   Modelo   estadístico   El   diseño   de   bloques   completos   al   azar   incluye   la  

medición  del  efecto  del  tratamiento  en  el  que  se  encuentre,  efecto  del  bloque  
y  el  error.  Se  representa  de  la  siguiente  forma.  

 
Comparación  de  parejas  de  medias  en  DBCA  Para  la  comparación  de  medias  en  
un  modelo  DBCA  en  caso  de  que  se  rechace  la  hipótesis  nula  se  puede  conocer  
cuales   son   las   variables   que   son   diferentes   entre   sí   utilizando   LSD,   diferencia  
mínima  significativa.  Esto  se  da  con  la  siguiente  fórmula  para  el  caso  de  este  tipo  
de  diseño.  

Donde   b   es   el   número   de   bloques,   (k-­1)   (b-­1)   son   los   grados   de   libertad   del  
Cuadrado  medio  del  error.    
 
Efecto  del  bloque  En  este  tipo  de  diseño  como  se  pudo  observar  en  el  análisis  de  
varianza,  se  genera  un  efecto  por  los  bloques  establecidos  en  el  experimento  por  lo  
que  se  necesita  establecer  una  hipótesis  para  estos.  

Esta  tiene  que  ver  con  las  veces  que  aparece  un  tratamiento  dado  haciendo  pareja  
con  otros.  La  fórmula  representa  (k-­1)  tratamientos  restantes  λ  veces  y  hace  pareja  
con  (t-­1)  tratamientos  en  cada  bloque  (r).  
ANÁLISIS  DEL  DISEÑO  

Yij=μ+τi+  β  j+εijl  
Yij=medición  que  corresponde  al  tratamiento  i  y  al  bloque  j.    
=media   global   poblacional   τi=efecto   debido   al   tratamiento   β   j=efecto   debido   al  
bloque  j.  εij..=error  aleatorio  atribuible  alamedicionYij.  
 
3.3.3.  DBCA  CON  VARIAS  OBSERVACIONES  POR  UNIDAD  EXPERIMENTAL.  
 

En  algunos  experimentos,  pueden  obtenerse  varias  observaciones  en  cada  Unidad  

Experimental  (UE).  Si  éstas  observaciones  están  todas  en  la  misma  característica  
(o  se  mide  la  misma  variable  respuesta),  el  proceso  para  obtener  las  observaciones  
es  frecuentemente  llamado  Su  muestreo.  
En   algunos   estudios   de   educación   cuando   se   quieren   comparar   dos   métodos   de  
enseñanza,  (tratamientos)  se  considera  a  la  clase  (colección  de  estudiantes)  como  
la   unidad   experimental.   Pero   como   las   observaciones   al   aplicar   una   prueba   se  
hacen   sobre   cada   estudiante,   entonces   los   estudiantes   son   las   unidades  
observacionales.   En   este   caso   se   presenta   un   error   asociado   a   las   unidades  
observacionales  el  cual  es  llamado  error  de  muestreo  u  observacional  ya  que  los  
estudiantes  tomados  para  el  estudio  serían  una  muestra  de  los  posibles  que  pueden  
pertenecer  a  dicha  clase.  Este  tipo  de  estudios  generalmente  se  refieren  a  Diseño  
completamente  Aleatorio  con  su  muestreo.  

En  un  experimento  de  campo,  el  investigador  puede  no  tener  tiempo  de  cosechar  
(totalmente)  cada  parcela  experimental,  de  esta  manera  podrá  seleccionar  al  azar  
varios  cuadros  por  parcela  y  cosechar  el  grano  en  cada  cuadro  seleccionado.  Estas  
observaciones  serán  muestras  dentro  de  la  UE.  

En  un  experimento  de  tecnología  de  alimentos  que  implica  el  almacenamiento  de  
fresas   congeladas,   se   almacenan   10   pintas   (UE)   a   cada   5   lapsos   de  
almacenamiento  (tratamientos).  Cuando  se  hicieron  las  determinaciones  de  ácido  
ascórbico  después  del  almacenamiento,  se  hicieron  dos  determinaciones  en  cada  
pinta  (muestra  dentro  de  la  UE).  

Una  vez  decidido  el  experimento  se  describirá  en  forma  matemática  mediante  un  
modelo   estadístico   que   dará   lugar   a   un   análisis   de   los   datos.   Tal   como   se   ha  
indicado  anteriormente,  este  análisis  retroalimentará  la  fase  de  diseño  para  probar  
su  eficiencia.  Por  tanto,  existe  una  cadena  fundamental  problema-­diseño  modeló-­
análisis-­diseño.   Por   ello   se   ha   de   señalar   el   peligro   que   encierra   la   utilización   “a  
ciegas”  tanto  de  los  diseños  clásicamente  descrito  (bloques  al  azar,  cuadrado  latino,  
etc.)  como  de  los  programas  enlatados  de  ordenador.    
 

 
3.3.4.  DBCA  CON  DESIGUAL  NÚMERO  DEOBSERVACIONES  POR  UNIDAD  
EXPERIMENTAL.  
 
 
El  diseño  completamente  al  azar  da  la  posibilidad  de  procesar  los  datos  aun  cuando  
el  número  de  repeticiones  sea  diferente,  ya  que  a  veces  se  da  el  caso  de  que,  por  
insuficiencia   de   material   para   todos   los   tratamientos   o   porque   se   han   perdido  
unidades  experimentales  para  ciertos  tratamientos,  no  se  dispone  de  igual  número  
de  observaciones  por  tratamiento.  Esta  es  una  de  las  ventajas  del  DCA  para  que  se  
pueda  analizar  los  datos  directamente,  sin  tener  que  calcular  parcelas  perdidas,  en  
aprovechamiento  del  material  experimental  homogéneo.  
 
 
número   de   repeticiones   se   define   por   el   número   de   observaciones   totales   (n)  
dividido  para  el  número  de  tratamientos.  
 
Este  diseño  es  útil  cuando  las  unidades  experimentales  son  homogéneas,  es  decir  
cuando  las  variaciones  entre  ellas  son  pequeñas  y  agrupadas  en  bloques  sería  poco  
más   que   un   proceso   aleatorio.   Este   es   el   caso   de   muchos   experimentos   de  
laboratorio,  en  los  que  una  cantidad,  de  material  está  completamente  mezclado  y  
luego  se  divide  en  porciones  pequeñas  para  formar  las  unidades  experimentales  a  
las  cuales  se  les  asigna  los  tratamientos  en  forma  aleatoria,  o  en  experimentos  con  
animales  y  plantas  con  condiciones  ambientales  muy  parecidas.  La  aleatorización  
es   un   proceso   que   hace   aplicable   las   leyes   del   azar.   Se   logra   asignando  
tratamientos  a  las  unidades  experimentales.  
 
 
 
 
 
 
En   aprovechamiento   de   la   condición   de   homogeneidad   de   las   unidades  
experimentales,  se  puede  trabajar  con  igual  y  desigual  número  de  repeticiones  por  
tratamiento,  sin  que  medie  la  necesidad  de  recuperación  de  parcelas  o  unidades  
experimentales  inexistentes,  para  lo  cual  es  preciso  hacer  una  ponderación  en  la  
suma  de  cuadrados  y  en  el  cálculo  de  los  grados  de  libertad.  
 
 
En   su   conjunto,   la   ecuación   representa   a   la   media   general,   más   el   efecto  
proveniente  de  los  tratamientos,  más  la  presencia  de  un  efecto  al  azar,  que  es  el  
error  experimental  para  cada  observación.  Una  suposición  básica  dentro  del  ADEVA  
es  que  este  elemento  al  azar  (C)  es  normal  e  independientemente  distribuido,  con  
µ  =  0  y  Ʊ  común.  La  independencia  es  necesaria  para  poder  estimar  la  µ  y  Ʊ  y  la  
normalidad   para   poder   realizar   pruebas   de   significancia.   Dependiendo   de   los  
efectos  de  los  tratamientos,  podemos  tener  los  siguientes  modelos:  
 
 
 
3.4.  DISEÑO  DE  CUADRO  LATINO  (DCL).  
 
 
El   diseño   cuadro   latino   se   usa   cuando   se   tienen   tres   factores   a   evaluar   en   una  
misma  unidad  experimental,  por  ejemplo,  la  ingesta  de  varios  niveles  de  suplemento  
alimenticio,  aplicado  a  vacas  de  diferente  edad,  en  diferentes  tiempos.  
 
En   una   planta,   por   ejemplo,   los   tres   factores   pueden   ser:   Densidad   de   siembra,  
cantidad  de  riego  y  tipo  de  fertilizante.  
 
Se  llama  cuadro  latino  porque  existen  diferentes  diseños  que  usan  letras  latinas  y  
letras  griegas  para  denominar  los  tratamientos,  en  el  diseño  más  sencillo  solo  se  
usan  letras  latinas  (A,  B,  C,  etc.).  
 
En   cada   uno   de   los   tres   factores   se   tienen   niveles,   por   ejemplo,   en   el   factor   de  
densidad  de  siembra  puede  ser  surcos  de  30,  40  y  50  cms.  Una  característica  del  
cuadro  latino  es  que  los  tres  factores  deben  tener  el  mismo  número  de  niveles.  A  
los  niveles  del  primer  factor  se  le  llamarán  tratamientos,  y  se  les  asignarán  las  letras:  
A,  B,  C,  etc.  Los  niveles  del  segundo  factor  se  llamarán  hileras,  con  los  número  1,  
2,  3,  etc,  y  los  niveles  del  tercer  factor  se  llamarán  columnas,  y  de  igual  manera  se  
les  asignarán  los  niveles  1,  2,  3,  etc,  
 
 
CARACTERÍSTICAS  DEL  DISEÑO  
 
 
 
Lo   importante   del   diseño   es   que   con   pocas   unidades   experimentales   se   pueden  
probar  varios  factores,  sin  embargo,  se  tienen  dos  limitantes  importantes:  a)  Que  el  
número  de  niveles  deben  ser  iguales.  b)  Que  no  se  pueden  evaluar  interacciones.  
En  algunos  casos  se  pueden  realizar  repeticiones,  especialmente  para  cuadros  de  
3  o  4  tratamientos,  que  los  datos  son  pocos.  
 
 

 
 
 
3.4.1.  CARACTERÍSTICAS  DEL  DCL.  
 
 
El  Diseño  de  Cuadrado  Latino  (DCL)  es  el  segundo  subtipo  de  diseño  que  utiliza  
bloqueo,  con  similares  características  de  control  de  factores  que  el  DBCA,  el  DCL  
tiene  otros  fundamentos  adicionales  que  incluyen:  

-­Incorpora   el   control   sobre   otro   factor   adicional   indeseado,   por   lo   tanto,   controla  

simultáneamente  dos  fuentes  no  deseables  de  variación.

 
Una  regla  primordial  sobre  este  tipo  de  diseños  es  que  los  tratamientos  y  los  factores  
no  deseables  que  se  quieren  controlar  NO  DEBEN  INTERACTUAR  entre  ellos.  En  
síntesis,  los  tres  factores  deben  afectar  a  la  variable  respuesta,  pero  no  entre  ellos.  
Si  esta  regla  no  es  tenida  en  cuenta  el  DCL  no  producirá  resultados  válidos.  
 
 
 
 

 
 
 
 
 
3.4.2.  ANÁLISIS  DE  VARIANZA  DEL  DCL.  
 
Se  definen  los  tratamientos  de  las  columnas,  de  las  hileras  y  de  los  tratamientos.  
Se  sortean  las  unidades  experimentales,  se  realiza  el  experimento  y  se  recopilan  
los  datos.  Se  suman  todos  los  valores  de  las  unidades  experimentales.  A  ese  valor  
se   le   llamará   y.   Se   obtiene   el   cuadrado   de   todos   los   valores   de   la   unidad  
experimental  y  luego  se  suman,  a  ese  valor  se  le  llamará  Σ  yij  2.  Para  encontrar  la  
varianza   entre   los   tratamientos.   Primero   se   obtiene   la   suma   de   cada   uno   de   los  
tratamientos   (que   se   llamarán   yi   trat   ).   Cada   suma   de   tratamientos   se   eleva   al  
cuadrado  y  se  suman  los  cuadrados.  
 

 
Pasos  para  la  realización  del  análisis  de  varianza  
 
 
Obtener  el  Factor  de  Corrección  (F.C)  
 

𝐹. 𝐶. = 𝑌.. 2 𝑟 × 𝑡 ; 𝑌.. = 𝑖=1 𝑡 𝑗=1 𝑟 𝑌𝑖�

 
 
Obtener  la  Suma  de  Cuadrados  Total  SC  Total  
 
𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 = 𝑖=1 𝑡 𝑗=1 𝑟 𝑦𝑖𝑗 2 − 𝐹. 𝐶.
 
 
 
 
 
 
 
 
 
CONCLUSIÓN    
 
 
 En  conclusión,  Análisis  de  Varianza  y  Diseños  experimentales  básicos,  comprendí  
su   importancia   de   estos   temas   El   análisis   de   la   varianza   permite   contrastar   la  
hipótesis  nula  de  que  las  medias  de  K  poblaciones  (K  >2)  son  iguales,  frente  a  la  
hipótesis   alternativa   de   que   por   lo   menos   una   de   las   poblaciones   difiere   de   las  
demás   en   cuanto   a   su   valor   esperado.   Es   muy   importante   conocer   los   tipos   de  
diseños,  se  me  hace  importante  conocer  estos  temas  ,  para  un  futuro,  lo  podemos  
ocupar  .    
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
BIBLIOGRAFÍA    
 
 
Martínez   Garza.   A.   (1988)   Diseños   Experimentales.   Métodos   de   teoría.   Editorial  
Trillas,  México  D.F.  q  Padrón  Corral.  (2008)  Diseños  experimentales  con  aplicación  
a  la  agricultura  y  ganadería.  Editorial  Trilla,  México,  D.F.