DISEÑO COMPLETO A

AZAR
• Se describe las principales característica de los
diseños experimentales relacionados con un solo
factor de estudio que se emplean regularmente en
trabajos de investigación relacionados con la
agricultura, ciencias forestales, ambiental y otras
líneas de investigación.
 Experimentos unifactoriales
• Son experimentos, en donde se investiga 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 unifactoriales
• Se diseña en los tratamientos, diferentes niveles de un solo factor y
todos los factores restantes se mantienen uniformes en las parcelas o
unidades experimentales.
• Diseño completamente aleatorizado: las unidades experimentales son
homogéneas y la asignación de los distintos tratamientos se hace de
forma aleatoria.
• Ejemplos:
• Obtencion vitro plantas, a diferentes concentraciones de vitaminas e inductores de
callogenesis, raíces y hojas (que son los tratamientos. Ademas, incluir algunas partes
florales para la formación de nuevas células (raíces, tallos y meristemos).
• Efecto de hongos entomopatogenos B. bassiana y M. anisopliae (dosis concentración
de conidias), en larvas, pupas y adultos en condiciones de laboratorio.
• Control biológico de A. cystisorum, a diferentes concentraciones de biocidas
• Etc.
 Diseño completo al azar (DCA)

• Ideal para investigaciones

experimentales en laboratorio,
invernadero, y en campo en
condiciones controladas y muy
homogéneas.

• Es posible controlar
artificialmente algunos factores, o
hay muy poca variabilidad entre
las unidades experimentales

• Es posible manejar un gran

numero de tratamientos y
4
repeticiones.
Características generales
Tratamiento Insecticida
1 A

 El DCA, se asigna los 2

3
B
C

tratamientos a las unidades 4 D

experimentales sin ninguna Tratamientos

I
Repeticiones
II II IV Media
restricción en la A
B
47
55
52
56
62
67
51
59
53
59.25
aleatorización. La C 76 65 79 82 75.5

“aleatorización” es clave.
D 54 65 74 59 63

 Se dos partes:
 Las diferencias entre las medias de
los tratamientos T1 T4 T3 T2
 Las diferencias entre unidades T3 T2 T2 T4
experimentales que recibieron un
mismo tratamiento (Error T4 T1 T4 T3
experimental) T2 T3 T1 T1

Esquema de aleatorización de un DCA con 5

cuatro tratamientos y cuatro repeticiones
ANOVA DE UN FACTOR
El ANOVA de un factor completamente
aleatorizado permite decidir si los distintos niveles
de factor (variable explicativa) producen
diferentes efectos en la variable de respuesta o,
por el contrario, el comportamiento de ésta es el
mismo para todos los niveles.

Se trata de comprobar si existen diferencias

significativas en la respuesta media para los
distintos niveles del factor
 HIPOTESIS
La hipótesis nula establece que las medias poblaciones son iguales, y, por tanto,
igual a la media global, frente a la alternativa de que al menos una es diferente:

- Si se acepta H0 la respuesta no se ve afectada por los distintos niveles de

factor. Las diferencias se deben al azar, al error experimental.
- Si se rechaza H0, se pueden distinguir los efectos que producen los distintos
tratamientos.

El objetivo es analizar si los k niveles del factor X influyen de igual manera en la

variable respuesta Y.

Para ello el modelo se basa en descomponer la variabilidad de la respuesta en

dos partes:
- La originada por el factor objeto de estudio.
- La producida por el error experimental.
Croquis experimental

1 2 j k
Y11 Y12 ... Y1j ... Y1k
Y21 Y22 ... Y2j ... Y2k
... ...
Yi1 Yi2 ... Yij ... Yik
... ...
Yn1 1 Yn2 2 ... Ynj j ... Ynk k
 Modelo Lineal

El modelo lineal aditivo que define a un diseño de completamente

aleatorizado es el siguiente:

yij=m+ti+eij

Donde:
yij = respuesta observada con el tratamiento i en la repetición j
m = media general
ti = efecto del tratamiento i; i=1,2,…,t
eij = termino de error asociado al tratamiento i la repetición j

9
Análisis de varianza

- Hallar el Factor de Corrección (F.C)

2 𝑡 𝑟
𝑌..
𝐹. 𝐶. = ; 𝑌.. = ෍ ෍ 𝑌𝑖𝑗
𝑟×𝑡
𝑖=1 𝑗=1

- Hallar la Suma de Cuadrados Total SC Total

t r
SCTotal   y  F .C. 2
ij
i 1 j 1
10
- Hallar la Suma de Cuadrados de Tratamientos
t

 i.
(Y ) 2

SCTratamientos  i 1
 F .C.
r

- Hallar Suma de Cuadrados del Error

SC Error= SC Total – SC Tratamientos

- Hallar Grados de Libertad

g.l.Tratamientos  t  1
g.l.Error  t (r  1)
g.l.Total  t  r   1 11
- Hallar el Cuadrados Medios

𝑆𝐶𝑇𝑟𝑎𝑡 𝑆𝐶 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀𝑇𝑟𝑎𝑡 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 =
𝑔. 𝑙. 𝑇𝑟𝑎𝑡 𝑔. 𝑙. 𝐸𝑟𝑟𝑜𝑟

- Hallar el valor de F

𝐶𝑀 𝑡𝑟𝑎𝑡
𝐹𝑡𝑟𝑎𝑡 =
𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
- Hallar el Coeficiente de Variación

𝐶𝑀 𝐸𝑟𝑟𝑜𝑟
𝐶𝑉(%) = × 100 𝑌ത.. = 𝑀𝑒𝑑𝑖𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑌ഥ..
12
- Hallar el coeficiente de determinación R2

SCTratamientos
R 
2

SCTotal

 R2 indica la proporción de la suma de cuadrados total que es explicada por la

variación entre tratamientos.

 Conforme el valor de R2 se aproxima a 1.0 esto indicará que los datos analizados
tuvieron un mejor ajuste del modelo lineal aditivo

13
- Tabla de Análisis de Varianza (ANOVA)
Fuente de Grados de Suma de Cuadrados F
Variación libertad cuadrados medios
Tratamientos g.l. tratamientos SC Tratamientos CM Tratamientos F trat

Error g.l. Error SC Error CM Error

Total g.l. Total

- Determinar la significancia estadística de los valores de F

Prueba de hipótesis para Tratamientos

Hipótesis nula : ti=tj “No hay diferencias entre las medias de los tratamientos”

Hipótesis alternativa: ti ≠ tj “Existen diferencias al menos para un par de

14
tratamientos”

Rechazar la hipótesis nula, si F Tratamientos > F [a; (t-1), (t)(r-1) g.l.]