DISEÑO DE BLOQUES

COMPLETOS
Ing. Brayan López Fallas
 Pasos para implementar DOE
I. Planear el experimento
II. Conducir el experimento
III.Analizar estadísticamente e interpretar
los datos
IV. Tomar acciones correctivas/preventivas
basadas en la información encontrada
 I. Planear el experimento
1. Definir los objetivos
2. Identificar las variables de respuesta
3. Identificar los factores relevantes
4. Clasificar y priorizar estos factores de
acuerdo a su relevancia para el estudio
5. Diseñar el experimento
 Definición del problema
Conocer exactamente qué va a ser investigado:
formular el problema o preguntar lo más
precisamente posible.
• Para tener una buena definición del problema es
importante tener una buena conceptualización del mismo
en base de un conjunto de elementos de los cuales los
más importantes son:
población, muestra, unidad estadística elemental,
característica de estudio y observación.
Unidades Estadística Elemental
• También se conoce como la unidad de observación o
unidad experimental.
• Son las unidades individuales de una población, que
dicho sea de paso, no son el interés de la estadística
o del experimento estadístico
• Puede ser: personas, objetos o eventos sobre las
cuales se desea tomar una decisión de una
característica en particular.
 Característica de estudio
• Es la característica de interés de la unidad
estadística elemental para el experimento.
• Sobre esta característica de interés es que se
tomará la observación.
 EJEMPLO
• Un grupo de mejoramiento desea verificar la
magnitud del problema de calidad en el color de
un envase plástico. Defina la población, la
muestra, la característica, la unidad estadística
elemental y la observación que definen este
estudio.
 Experimentos sin bloques
• Suponen que las unidades experimentales en este tipo
de diseños son relativamente homogéneas respecto a
las variables de respuesta medidas.
• El diseño totalmente aleatorizado fuera de la
selección de la unidad experimental apropiada y
buenas técnicas de investigación, no controla la
varianza del error experimental
 Heterogeneidad de las unidades
experimentales
• Hay factores que afectan la variable de
respuesta y que varían entre las unidades
experimentales, aumentando la varianza del
error experimental y disminuyendo la precisión
de los resultados del experimento
 Factores que evidencian unidades
experimentales heterogéneas

edad
peso
lotes o materiales
género
separaciones físicas de parcelas
 Diseño de Experimentos

no si
Unidades
Bloqueo Continuar
homogéneas
sin
agruparlas
 DISEÑO DE BLOQUES
COMPLETOS
• Bloquización:
Es el agrupamiento de las unidades
experimentales en bloques para comparar los
tratamientos en un medio más homogéneo y
reducir así la variación del error experimental
 Objetivo del bloqueo

• Estratifica las unidades experimentales en grupos de

unidades parecidas homogéneos
• Una buena elección de criterios de bloqueo disminuye la
variación entre las unidades dentro de los bloques en
comparación con las unidades de diferentes bloques
 Criterios generales para bloqueo
 proximidad, (parcelas adyacentes)
 características físicas (edad o peso)
 tiempo
 administración de tareas en el
experimento
 Ejemplo
• Un ingeniero usa solo un lote de material
fabricado para formar un bloque o grupo
homogéneo de unidades experimentales
para el tratamiento
 Diseños comunes de bloques
Un criterio de agrupamiento: Diseño de bloques
completos aleatorizados

Dos criterios de agrupamiento: Arreglos de

cuadrados latinos

Tres criterios de agrupamiento: Arreglos

de cuadrados greco-latinos
 Diseño de bloques completos aleatorizados

• En este diseño las unidades experimentales quedan

estratificadas en bloques de unidades homogéneas.
Cada tratamiento se asigna al azar a un número igual
(generalmente 1) de unidades experimentales en cada
bloque.
• Así es posible hacer comparaciones más precisas
entre los tratamientos dentro del conjunto
homogéneo de unidades experimentales en un
bloque
 Ejemplo
• Las recomendaciones para fertilizar el trigo con
nitrógeno incluyen la aplicación de cantidades
específicas en etapas establecidas de crecimiento de la
planta. Las recomendaciones se desarrollaron a través
de un análisis periódico del contenido de nitratos en los
tejidos de la espiga, se pensó que el análisis del tejido
era un medio efectivo para supervisar la cantidad de
nitrógeno en la cosecha y tener una base para predecir
el nitrógeno necesario para una producción óptima
Khuel 2ªed. Ej 8.1 pág 264
 Objetivo de la investigación:
• En ciertas situaciones, las pruebas de nitrato en los
tejidos de la espiga predecían una mayor cantidad
de nitrógeno, en consecuencia, el investigador
quería evaluar el efecto de varios programas de
fertilización sobre esas cantidades de nitrógeno y
sobre la producción de trigo, para refinar las
recomendaciones del procedimiento

20
 Diseño del tratamiento:
• el diseño del tratamiento incluyo seis programas
diferentes de aplicación de nitrógeno que podían
proporcionar el intervalo de condiciones necesarias
para evaluar el proceso. Para la comparación se
incluyo un tratamiento sin nitrógeno al igual que la
recomendación normal vigente.

21
 Diseño del Experimento:
• El experimento se llevo a cabo en un campo irrigado,
con un gradiente de agua en dirección del área de
parcelas experimentales. Como las respuestas de las
plantas dependían de la variabilidad en la humedad
disponible, las parcelas se agruparon en bloques de seis
de manera que c/bloque se encontraba en partes con el
mismo gradiente de agua, de modo que cualesquiera
diferencias en las respuestas de las plantas causada por
el gradiente de agua podía asociarse con los bloques.
22
Diseño de experimento resultante
• Diseño de bloques completo aleatorizado, con
cuatro bloques de seis parcelas a las que se les
asignaron al azar los tratamientos de nitrógeno
• La distribución de las parcelas experimentales
se muestra en el siguiente cuadro

23
 Cuadro 1. Arreglo de parcelas experimentales para el
experimento de trigo en un diseño de bloques completos
aleatorizado
Bloque 1 2 5 4 1 6 3
40.89 37.99 37.18 34.98 34.8 42.07
Bloque 2 1 3 4 6 5 2
41.22 49.42 45.85 50.15 41.99 46.69
Bloque 3 6 3 5 1 2 4
44.57 52.68 37.61 36.94 46.65 40.23
Bloque 4 2 4 6 5 3 1
41.9 39.2 43.29 40.45 42.91 39.97

24
 ¿ Cómo aleatorizar el diseño ?
• La asignación aleatoria de tratamientos a las
unidades experimentales está restringida en un
diseño de bloques completos aleatorizado de
manera que c/tratamiento debe presentarse el
MISMO número de veces (una o más) dentro de
c/bloque

25
 Ilustración de la aleatorización
para el ejemplo
• Una permutación aleatoria del orden en que se colocan
los tratamientos en las unidades de c/bloque
proporcionaría una asignación aleatoria de los
tratamientos a las unidades, existen 6 ! = 720
permutaciones posibles !!
• Se selecciona una permutación al azar para c/bloque ya
que se requiere una aleatorización separada para c/uno
de ellos

26
 continuación
• Se asigna una etiqueta de tratamiento como A,
B, C, D, E o F a los valores enteros respectivos
1,2,3,4,5,6 y se obtiene una permutación
aleatoria de los valores enteros con un
programa de computadora o una tabla de
permutaciones como la del Apéndice 8 (Khuel)

27
 continuación
Entonces dada la permutación 2, 5, 4, 1, 6, 3 Se asigna el
tratamiento B a la unidad 1, el tratamiento E a la unidad 2,
...., y así sucesivamente en el bloque 1

Permutación 2 5 4 1 6 3
Tratamiento B E D A F C
Unidad experimental 1 2 3 4 5 6

28
 continuación
• Se requieren permutaciones aleatorias separadas
para c/uno de los tres bloques restantes
• Dadas las permutaciones aleatorias adicionales,
digamos (1,3,4,6,5,2) y (6,3,5,1,2,4) y (2,4,6,5,3,1) la
asignación final de tratamientos a las unidades es la
mostrada en la siguiente figura

29
Figura 1. Asignación aleatoria de tratamientos en un
diseño de bloques completos
Bloque 1 1 2 3 4 5 6 Gradiente
B E D A F C
Bloque 2 1 2 3 4 5 6
A C D F E B
Bloque 3 1 2 3 4 5 6
F C E A B D
Bloque 4 1 2 3 4 5 6
B D F E C A

30
 Modelo Estadístico para el diseño de
bloques completos aleatorizados
y ij     i   j  eij
para i=1,2,...,t y para j=1,2,...,r
 = media general
i= efecto del tratamiento i
j= efecto del bloque j, representa la desviación promedio de las
unidades en el bloque j a partir de la media general
eij = error experimental

31
 Supuestos del Diseño Bloques
Completos Aleatorizado
• Aditividad = No existe interacción entre los tratamientos y
los bloques por lo que se puede suponer que los efectos
de ambos son aditivos
• También se supone que los eij son independientes con
medias 0 y varianza común σ2. La independencia se
justifica a través de la asignación aleatoria de los
tratamientos a las unidades experimentales

32
Tabla ANOVA para un diseño de bloques
completos aleatorizado

33
Ej.: Nitrogenización de las espigas de trigo en 6 tratamientos de nitrógeno
programados para c/ uno de 4 bloques en un diseño de bloques completos
aleatorizados

Bloque
Programa 1 2 3 4
Control 34.98 41.22 36.94 39.97
2 40.89 46.69 46.65 41.9
3 42.07 49.42 52.68 42.91
4 37.18 45.85 40.23 39.2
5 37.99 41.99 37.61 40.45

6 34.89 50.15 44.57 43.29

34
 Ho: 
H1: al menos una i es distinta de cero
Respuesta ANOVA
Fuente g.l. SSC MSC F Valor P
Total 23 506,33
Bloques 3 197 65,67 9,12
Tratamientos 5 201,32 40,26 5,59 0,004
Error 15 108,01 7,2

Ho se rechaza si F calculado > F  (5,15)

F calculado = s12 / s2 = 40,26 / 7,20 = 5,59 vrs F(0,05, 5, 15) = 2,9

Respuesta: Existen así diferencias significativas entre los tratamientos

35
 Observaciones
• Como consecuencia del bloqueo se parte la suma de cuadrados
de lo que hubiera sido la suma de cuadrados del error
experimental con el diseño totalmente aleatorizado.
• Los bloques mejorarán la precisión de las estimaciones de las
medias si la reducción del error experimental es sustancial,
reducción que se puede eliminar si se reducen los grados de
libertad, ya que r-1 de los grados del libertad deben asignarse a
la Suma Cuad. Bloques

36
 Errores estándar para una media
del tratamiento
La estimación del error estándar para una
media de tratamiento es:
s yi .  MSE 7.20

r 4

37
 Intervalo de confianza para una
media de tratamiento
• El I.C. para cualquier media a un nivel de confianza del
95% es

• En este caso t 0.025 , v =15 g.l. es de 2.131

38
 Error estándar para la diferencia
de medias
La estimación del error estándar para una
media de tratamiento es:

39
 Aplicación de comparaciones
múltiples
• Suponga que el programa 4 era la recomendación estándar de
fertilizante para el trigo. El investigador estaría interesado en las
diferencias entre los programas de tratamiento y la
recomendación actual durante c/etapa de crecimiento.
• Para esto es posible utilizar el método de comparaciones con un
control, Dunnet, incluso en el caso del tratamiento “control sin
nitrógeno”

40
Medias de los programas
Comparaciones Multiples con un
control
• Utilizando como control el tratamiento 4 cuya media es
40,62
• Error estándar para la diferencia de
medias resultó ser s (yi-yj) =1. 89
• Recordar que el tratamiento es lo que interesa y son
seis, cada tratamiento tiene r = 4 réplicas

42
 Cálculos
• Comparar los valores absolutos de todas las posibles diferencias
pareadas vrs

• La diferencia |yi – yc| es significativa si es mayor que

d  (k,v) * s (yi-yj) o si el intervalo de confianza no incluye el
cero

43
 Solución
ICS (95%)
Programa Media yi-yc vrs 5,35 L U
4 40,62 - incluye 0
1 38,28 -2,34 A -7,69 3,02 SI
2 44,03 3,42 A -1,94 8,77 SI
3 46,77 6,16 R 0,80 11,51 NO
5 39,51 -1,11 A -6,46 4,25 SI
6 43,23 2,61 A -2,74 7,97 SI

Respuesta: El tratamiento 3 tiene un contenido de nitrogeno significativamente diferente al control y es mayor

44
 Suposición de no interacción
• La suposición de que no haya interacción
tratamiento X bloques implica que los efectos de
tratamiento y bloque son aditivos

45
Gráficas de supuestos del modelo

46
¿ Aumento la precisión con el uso de bloques ?
• Comparando la eficiencia de un diseño de bloques
completos aleatorizado con la del diseño totalmente
aleatorizado, la estimación de σ2, llámese s2rcb es el
cuadrado medio del error experimental del ANOVA del
diseño con bloques
• Se requiere una estimación de σ2 a partir de un diseño
totalmente aleatorizado, llámese s2cr, para medir la
eficiencia relativa
estimaciones
El cálculo de 𝑠 2 𝑐𝑟 , a partir del ANOVA del diseño de bloques completos aleatorizados
es:

2
𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒 + 𝑟 𝑡 − 1 𝑀𝑆𝐸
𝑠𝑐𝑟 =
𝑟𝑡 − 1

2 , estimada para el estudio de fertilización del trigo es

La 𝜎𝑐𝑟

2
197,00 + 4 6 − 1 (7,20)
𝑠𝑐𝑟 = = 14,80
24 − 1

48
Eficiencia relativa
2 2
La estimación de 𝜎 𝑟𝑐𝑏 , 𝑠 𝑟𝑐𝑏 es MSE = 7,20

La estimación de la eficiencia relativa ER, sin corrección por g.l. para

las estimaciones de 𝜎 2 es

2
𝑠𝑐𝑟 14,80
𝐸𝑅 = 2 = = 2,06
𝑠𝑟𝑐𝑏 7,20
Grados de libertad
La corrección para la estimación de 2 mediante s2 es:

frcb=15 y fcr=18 son los grados de libertad respectivos para el ERROR en el

diseño de bloques completos aleatorizado y el totalmente aleatorizado,
respectivamente
 Eficiencia relativa corregida
• ER se reduce a 0,98 * 2,06 = 2,02 , la cual
tienen poco efecto con grados de libertad
moderados para las estimaciones de la
varianza del error experimental

51
 Ventajas del uso de Bloques
• Se estima que el diseño de bloques completos
aleatorizado para el experimento de trigo tiene
un poco más del doble de la eficiencia que un
diseño totalmente aleatorizado, pues un diseño
totalmente aleatorizado requeriría 8 réplicas
para obtener varianzas equivalentes

52
Dos criterios de agrupamiento:
Arreglos de cuadrados latinos
 Cuadrados Latinos
• Bloquizar unidades de acuerdo a dos factores distintos de los tratamientos en
la variable respuesta siendo posible lograr más precisión
• En el arreglo Cuadrado Latino se deriva de las letras del alfabeto latino A, B, C,
..., dispuestas en un arreglo cuadrado de manera que letra aparece una vez en
cada columna y una vez en cada renglón del cuadrado, en sus aplicaciones a
experimentos, los renglones y las columnas del arreglo se identifican con los
dos criterios de bloque y las letras latinas con los tratamientos

54
 Ejemplo*
• Las prácticas de cultivo de trigo como la cantidad de
semillas plantadas, el espaciamiento de filas, y la fecha
de siembra tiene efectos directos en la cosecha
• Las prácticas de cultivo para optimizar la producción se
establece con experimentos en cultivos nuevos

* Khuel 2 ed. Ej: 8.2 pág 276

55
• Objetivo de la investigación: se deseaba
determinar la tasa de siembra óptima para una
nueva especie de trigo, con alto contenido de
extracto de semolina, importante para la
elaboración de pastas

• Diseño del tratamiento: Se usaron cinco tasas

de siembra (30,80,130,180,230 lb/acre) para el
diseño del tratamiento.

56
 Diseño del experimento:
• El experimento se llevó a cabo en un campo irrigado con
un gradiente de agua en una dirección en el área
experimental. Además se sabía que los campos
experimentales de la granja tienen diferencias en el suelo
creadas por la pendiente requerida para la irrigación.
• En general, las diferencias en el suelo eran perpendiculares
a los canales de irrigación.

57
 continuación
• El investigador hizo un bloque de las parcelas
experimentales con un arreglo de renglones y columnas
para controlar los gradientes del suelo y agua en dos
direcciones sobre el campo experimental
• Los tratamientos de la tasa de siembra se diseñaron de
manera aleatoria a las parcelas en un arreglo cuadrado
latino de 5 x 5

58
 Arreglo Cuadrado Latino
• Los bloques por fila del campo coinciden con el
gradiente de irrigación y los bloques renglón – columna
corresponden al gradiente de irrigación
• Los tratamientos así tienen un arreglo de cuadrado
latino donde c/u aparece una vez en c/bloque de
renglón y una vez en c/bloque de columna

59
 Ej.: Cosecha de grano de variedad de trigo
para cinco tasas de siembra en un diseño
cuadrado latino
Columna 1 Columna 2 Columna 3 Columna 4 Columna 5

Fila 1 59.45(E) 47.28(A) 54.44(C) 50.14(B) 59.45(D)

Fila 2 55.16(C) 60.89(D) 56.59(B) 60.17(E) 48.71(A)

Fila 3 44.41(B) 53.72(C) 55.87(D) 47.99(A) 59.45(E)

Fila 4 42.26(A) 50.14(B) 55.87(E) 58.74(D) 55.87(C)

Fila 5 60.89(D) 59.45(E) 49.43(A) 59.45(C) 57.31(B)

60
 Uso del cuadrado latino estándar
para generar los diseños
• Un cuadrado estándar tiene los símbolos de tratamientos
(A,B,C,...) en orden alfabético en el primer renglón y en la
primer columna del arreglo, c/tratamiento ocurre solo una
vez en c/columna y en c/renglón
• El tamaño adecuado para los arreglos de cuadrados latinos
es de t = 5 a 7 tratamientos
• Apéndice 8.A Khuel

61
 Ej: Posición de llantas en un
auto
Posicion de la llanta
Auto 1 2 3 4
1 A B C D
2 B C D A
3 C D A B
4 D A B C

Ver cuadrados estándar en el apendice 8 A del Kuehl

62
 ¿ Cómo aleatorizar el diseño ?
• Si se dispone de todos los cuadrados latinos t x t la
aleatorización se logra con los siguientes pasos:
1) Seleccionar al azar uno de los cuadrados latinos
2) Ordenar al azar todos menos el primer renglón
3) Ordenar al azar todas las columnas
4) Asignar al azar los tratamientos a las letras

63
 Modelo Estadístico y Análisis para
Diseños Cuadrados Latinos
y ij    i   j   k  eij
para i,j,k =1,2,...,t (tratamientos)

k= efecto del k – ésimo tratamiento

i= efecto del i-ésimo renglón

j = efecto de la j-ésima columna

eij= errores experimentales independientes

aleatorios con media 0 y varianza 2

64
 Supuestos del modelo
• Se supone que no hay interacción entre los
tratamientos y las columnas y los renglones

65
Tabla Anova Diseño Cuadrados Latinos

66
 Observaciones
• La SSE se ha reducido respecto a la del diseño de bloques
completos aleatorizados en una cantidad igual
SSrenglón / SScolumna, con un costo de t – 1 grados de libertad
• El MSE como estimación de 2 tiene pocos grados de libertad con
un nº pequeño de tratamientos
• Se pierde mucho poder en las pruebas de hipótesis para
comparaciones entre tratamientos a menos que la reducción en
la SSE, debida al uso de bloques latinos sea sustancial.

67
 ANOVA
Resultados del anova
Fuente g.l. SSC CM F Valor P
Total 24 716,6
Renglon 4 99,2 24,8
Columna 4 38,48 9,62
Tasasiembra 4 522,3 130,57 27,67 0
Error 12 56,63 4,72

Ho: 1=2=3=4=5=0
H1: al menos un  ≠ 0

Usar = 0.05 , el valor f crítico es f 0.04 (4,12)= 3.26 por lo que la hipótesis nula se rechaza

68
 Errores estándar
• Se calculan igual que en el diseño de bloques
completos aleatorizados:
Errores estandar para las medias del tratamiento
CME 4.72
s yk    0.97
t 5

La estimacion del error estandar para la diferencia de dos medias es:

s ( yk  ym)  2 * CME 2 * 4.72

  1.37
t 5

69
 ¿ Aumentaron la precisión los
dos factores de bloque ?
• La eficiencia del diseño cuadrado latino se
determina en relación con el diseño de
bloques completos aleatorizado
• Las medidas de eficiencia se calculan por
separado para los criterios de bloque de
renglón y de columna

70
Eficiencia relativa del bloque por columna
Si solo usara el criterio de bloque de los renglones, la estimación del cuadrado medio
del error es:

2 𝑀𝑆𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 + 𝑡 − 1 𝑀𝑆𝐸
𝑠𝑟𝑐𝑏 =
𝑡

Donde MSE es el correspondiente al ANOVA para el cuadrado latino, así

2 9,62 + 5 − 1 (4,72)
𝑠𝑟𝑐𝑏 = = 5,70
5
2
Y 𝑠𝑙𝑠 = 𝑀𝑆𝐸 = 4,72
Eficiencia relativa del bloque por columna
• Es de:
2
𝑠𝑟𝑐𝑏 5,70
𝑅𝐸𝑐𝑜𝑙𝑢𝑚𝑛𝑎 = 2 = = 1,21
𝑠𝑙𝑠 4,72

• Hay una ganancia del 21% en eficiencia sobre el diseño de bloques completos
aleatorizado, respecto los renglones del cuadrado latino.
• Los bloques de las columnas para los gradientes del suelo reducen la varianza del
error experimental en un 21% de manera efectiva.
• Sin los bloques de columnas para los gradientes de suelo requerirían 1,21 * 5 = 6
réplicas para obtener una varianza estimada de la media del tratamiento igual a la
del diseño de cuadrados latinos.
Eficiencia relativa del bloque por renglón
Si solo se usara el criterio de bloque de las columnas, la estimación del
cuadrado medio del error es:
2 𝑀𝑆𝑟𝑒𝑛𝑔𝑙𝑜𝑛 + 𝑡 − 1 𝑀𝑆𝐸
𝑠𝑟𝑐𝑏 =
𝑡
Donde MSE es el correspondiente al ANOVA para el cuadrado latino, así
2 24,80 + 5 − 1 (4,72)
𝑠𝑟𝑐𝑏 = = 8,74
5
2
Y 𝑠𝑙𝑠 = 𝑀𝑆𝐸 = 4,72
Eficiencia relativa del bloque por renglón
• Es de:
2
𝑠𝑟𝑐𝑏 8,74
𝑅𝐸𝑟𝑒𝑛𝑔𝑙𝑜𝑛 = 2 = = 1,85
𝑠𝑙𝑠 4,72

• Hay una ganancia del 85% en eficiencia con el bloque renglón para el
gradiente de irrigación en el experimento.
• Sin los bloques de renglones para los gradientes de irrigación se
requerirían 1,85 * 5 = 9,25 o 10 réplicas para obtener una varianza
estimada de la media del tratamiento igual a la del diseño de cuadrados
latinos.