INSTITUTO TECNOLÓGICO SUPERIOR DE MÚZQUIZ

Tecnología, Ecología y Ciencias para un México mejor.

EXTENSIÓN QUÍMICA DEL REY
INGENIERÍA GESTIÓN EMPRESARIAL

Metodología del Diseño Experimental de

Bloques al Azar

Asignatura: Estadística Inferencial II

Semestre: V Semestre
 Página |2

Contenido
Introducción ........................................................................................................... 3
Metodología del Diseño Experimental de Bloques al Azar ..................................... 3
Modelo Estadístico ............................................................................................. 5
Hipótesis a Probar .............................................................................................. 6
Análisis de varianza ............................................................................................ 6
Ventajas .............................................................................................................. 8
Desventajas ........................................................................................................ 8
Ejemplo de DBCA ............................................................................................... 9
Planteamiento del Problema ............................................................................ 9
Conclusión..................................................................................................... 12
Bibliografía ........................................................................................................... 13
 Página |3

Introducción
Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
interés y, si existe influencia de algún factor, cuantificar dicha influencia.
El diseño experimental sirve para estudiar el efecto individual y de interacción de
varios factores sobre una o varias respuestas. Es decir, lo que se busca es
estudiar la relación entre factores y la respuesta, con la finalidad de conocer mejor
como es esta relación y generar conocimiento que permita tomar acciones y
decisiones que mejoren el desempeño de proceso.
La metodología del diseño de experimentos se basa en la experimentación. Es
sabido que, si se repite un experimento, en condiciones indistinguibles, los
resultados presentan una cierta variabilidad. Si la experimentación se realiza en un
laboratorio donde la mayoría de las causas de variabilidad están muy controladas,
el error experimental será pequeño y habrá poca variación en los resultados del
experimento. Pero si se experimenta en procesos industriales o administrativos la
variabilidad será mayor en la mayoría de los casos.
El objetivo del diseño de experimentos es estudiar si cuando se utiliza un
determinado tratamiento se produce una mejora en el proceso o no. Para ello se
debe experimentar aplicando el tratamiento y no aplicándolo. Si la variabilidad
experimental es grande, sólo se detectará la influencia del uso del tratamiento
cuando éste produzca grandes cambios en relación con el error de observación.

Metodología del Diseño Experimental de Bloques al Azar

La metodología del diseño de experimentos estudia cómo variar las condiciones
habituales de realización de un proceso empírico para aumentar la probabilidad de
detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor
conocimiento del comportamiento del proceso de interés.
Para que la metodología de diseño de experimentos sea eficaz es fundamental
que el experimento esté bien diseñado.
Un experimento se realiza por alguno de los siguientes motivos:
• Determinar las principales causas de variación en la respuesta.
• Encontrar las condiciones experimentales con las que se consigue un valor
extremo en la variable de interés o respuesta.
• Comparar las respuestas en diferentes niveles de observación de variables
controladas.
• Obtener un modelo estadístico-matemático que permita hacer predicciones
de respuestas futuras.
 Página |4

Los diseños de bloques al azar (DBA) son clasificados de acuerdo al número de

tratamientos que pueden ser colocados en el bloque. En general, un diseño de
bloques al azar consiste en bloques que contienen unidades experimentales, con
cada uno de los tratamientos replicados veces, Los diseños de bloques pueden
ser clasificados así:
1. Diseño de Bloques Completamente al azar. En éste cada tratamiento ocurre
una sola vez en cada bloque
2. Diseño de Bloques al Azar Generalizado. Los tratamientos aparecen todos
en cada bloque, pero pueden ocurrir más de una vez.
3. Diseño de Bloques Incompletos. Es caracterizado porque no todos los
tratamientos ocurren en cada bloque. Estos diseños son llamados diseños
no ortogonales.

En muchos problemas de diseño experimental es necesario diseñar el

experimento de modo que sea posible controlar la variabilidad generada por un
factor indeseable. El procedimiento general para el diseño aleatorizado por
bloques completos consiste en seleccionar b bloques y realizar una réplica
completa de experimentos en cada uno de ellos. En cada bloque existe a
observaciones (una por cada nivel de factor), y el orden en que se toman esas
observaciones se asigna de manera aleatoria dentro del bloque.
En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de
variabilidad:
• El factor de tratamientos
• El factor de bloque
• El error aleatorio
• Diseño de Bloque Incompleto Balanceado.
• Diseño de Bloque Incompleto de Tratamiento Balanceado
• Diseño de Bloque Incompleto Parcialmente Balanceado
• Diseño Latice
• Diseño de Bloque Extendido. Si cada bloque contiene el mismo número de
UE que es mayor que el número de tratamientos

Es decir, se tienen tres posibles ¨culpables¨ de la variabilidad presente en los

datos. La palabra completo en el nombre del diseño se debe a que en cada bloque
se prueban todos los tratamientos, o sea, los bloques están completos. La
aleatorización se hace dentro de cada bloque; por lo tanto, no se realiza de
manera total como en el diseño completamente al azar.
 Página |5

Los factores de bloqueo que aparecen en la práctica son: Turno, lote, día, tipo de
material, línea de producción, operador, maquina, método, etc.
Supongamos una situación experimental con k tratamientos y b bloques. El
aspecto de los datos para este caso se muestra en la tabla. Considerando una
repetición en cada combinación de tratamiento y bloque.
Tabla 1. Arreglo de los Datos en un Diseño en Bloques Completos al Azar
Bloque
Tratamiento
B1 B2 B3 … B
1 Y11 Y12 Y13 … Y1b
2 Y21 Y22 Y23 … Y2b
3 Y31 Y32 Y33 … Y3b
… … … … … …
k Yk1 Yk2 Yk3 … Ykb

Modelo Estadístico
Un modelo estadístico es una ecuación matemática que reproduce los fenómenos
que observamos de la forma más exacta posible. Para ello tiene en cuenta los
datos suministrados y la influencia que el azar tiene en estas observaciones.
Tipos de modelos estadísticos, en los que encontramos:
• Modelo de correlación
• Modelo regresión lineal
• Modelo regresión exponencial
• Modelos de mínimos cuadrados

Estos modelos sirven para elaborar estimaciones estadísticas, y el modelo de

regresión lineal, es el modelo más fácil para la elaboración de análisis.
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento donde se encuentre, del efecto al que
pertenece y de cierto error que se espera sea aleatorio. El modelo estadístico para
este diseño está dado por:
𝑖 = 1,2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 ; { }
𝑗 = 1,2, … , 𝑏
Donde:
Yij es la medición que corresponde al tratamiento i y al bloque j.
µ es la media global poblacional
 Página |6

Ti es el efecto debido al tratamiento i.

Yj es el efecto debido al bloque j

εij es el error aleatorio atribuible a la medición Yij

Hipótesis a Probar
La hipótesis de interés es la misma para todos los diseños comparativos, y está
dada por:
𝐻𝑂 : 𝜇1 = 𝜇2 = 𝜇3 = ⋯ = 𝜇𝑘 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑖 ≠ 𝑗

que también se puede expresar como:

𝐻𝑂 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑘 = 0
𝐻1 : 𝜏𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑖
En cualquiera de estas hipótesis la afirmación a probar es que la respuesta media
poblacional lograda con cada tratamiento es la misma para los k tratamientos y
que, por lo tanto, cada respuesta media µi es igual a la media global poblacional µ.
De manera alternativa, es posible afirmar que todos los efectos de tratamiento
sobre la variable de respuesta son nulos, porque cuando el efecto Ti= µi- µ=0,
entonces necesariamente la respuesta media del tratamiento es igual a la media
global (µi=µ).

Análisis de varianza
La hipótesis dada se prueba con un análisis de varianza con dos criterios de
clasificación, porque se controlan dos fuentes de variación: el factor de
tratamientos y el factor de bloque.
 Página |7

ANOVA para un Diseño en Bloques al Azar

FUENTE DE SUMA DE GRADO DE CUADRADO Fo Valor-p
VARIABILIDAD CUADRADOS LIBERTAD MEDIO
Tratamientos 𝑆𝐶𝑇𝑅𝐴𝑇 𝑘−1 𝐶𝑀𝑇𝑅𝐴𝑇 𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹𝑂 )
𝐹𝑜 =
𝐶𝑀𝐵

Bloques 𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵 𝐶𝑀𝐵 𝑃(𝐹 > 𝐹𝑂 )

𝐹𝑜 =
𝐶𝑀𝐸

Error 𝑆𝐶𝐸 (𝐾 − 1)(𝑏 − 1) 𝐶𝑀𝐸

Total 𝑆𝐶𝑇 𝑁−1

Formulas para obtener las sumas de los cuadrados:

𝑏 𝑘
𝑌..2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑗=1 𝑖=1

𝑘
𝑌𝑖.2 𝑌..2
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑏 𝑁
𝑖=1
𝑏
𝑌.𝑗2 𝑌..2
𝑆𝐶𝐵 = ∑ −
𝑘 𝑁
𝑗=1

Y la del error se obtiene por sustracción:

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 − 𝑆𝐶𝐵
Los cálculos necesarios pueden ser manuales, pero siempre es más práctico
hacerlos con un software estadístico, porque además proporciona muchas otras
opciones gráficas y tabulares útiles (no sólo el ANOVA).
 Página |8

Ventajas
• Permite una gran flexibilidad en la relación de tratamiento bloque, siempre y
cuando se reserven un número igual (o un múltiplo) de tratamiento por
unidad experimental.
• La pérdida de información por bloque o tratamiento no dificulta el análisis
estadístico.
• Permite aplicar el principio de confusión al hacer coincidir los bloques con
ciertas variables que influyen sobre la respuesta que no son de interés para
el investigador.

Desventajas
• No es apropiado para un número elevado de tratamientos (se
recomienda 6 y 24 tratamientos).
• No es aconsejable cuando exista una gran variación (en más de una
variable) en el material experimental.
• Si resulta una interacción entre bloque y tratamiento, se invalida la
prueba F.
 Página |9

Ejemplo de DBCA
Una empresa maquiladora de ensamble, desea controlar activamente en el
experimento a los operadores que realizarán el ensamble, lo que da lugar al
siguiente diseño en bloques completos al azar. Se ha encontrado que puede ser
posible que dependiendo del tipo de operador será el tiempo de ensamble. Para
esto se realizan las pruebas de ensamblaje, ensamblando una pieza por cada uno
de los cuatro métodos, con cuatro operadores.
Método OPERADOR 1 OPERADOR 2 OPERADOR 3 OPERADOR 4

A 6 9 7 8

B 7 10 11 8

C 10 16 11 14

D 10 13 11 9

Planteamiento del Problema

Hipótesis
H0: u1=u2=u3=u4
H1: u1≠ 𝑢2 ≠u3≠u4
Ho: El tiempo promedio de los métodos son iguales
H1: Al menos dos de los métodos son diferentes en cuanto al tiempo promedio que
requieren.

Ho: El tiempo promedio de los operadores son diferentes

H1: Al menos dos de los operadores son diferentes en cuanto al tiempo promedio.
Nivel de significancia
∝= 0,05
Factor: Método de ensamble
Métodos: A, B, C, y D
Bloques: tipo de operador
Variable de respuesta: tiempo de ensamble
 P á g i n a | 10

DATOS

b Operador 4

Se obtiene la
k Métodos 4 suma de cada
uno de los
N Total 16 métodos

Método Operador 1 Operador 2 Operador 3 Operador 4 Total

A 6 9 7 8 30

B 7 10 11 8 36

C 10 16 11 14 51

D 10 13 11 9 43

Total 33 48 40 39 160

Se obtiene Se suman todos

la suma de los valores de
cada uno de las unidades
los bloques experimentales
 P á g i n a | 11

Método Operador 1 Operador 2 Operador 3 Operador 4 Total

A 6 9 7 8 30

B 7 10 11 8 36

C 10 16 11 14 51

D 10 13 11 9 43

TOTAL 33 48 40 39 160

𝑏 𝑘
𝑌..2 1602
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 − 2 2 2 2
= (6 + 7 + 10 … … . +9 ) − = 108
𝑁 16
𝑗=1 𝑖=1
𝑘
𝑌𝑖.2 𝑌..2 302 + 362 + 512 + 432 1602
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ − = − = 61.5
𝑏 𝑁 4 16
𝑖=1
𝑏
𝑌.𝑗2 𝑌..2 332 + 482 + 402 + 392 1602
𝑆𝐶𝐵 = ∑ − = − = 28.5
𝑘 𝑁 4 16
𝑗=1

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 − 𝑆𝐶𝐵 = 108 − 61.5 − 28.5 = 18

Suma de Grados de Cuadrado
Fuente F p
cuadrado libertad medio

Métodos 61,5 3 20,5 10,25 0,003

Operadores 28,5 3 9,5 4,75 0,03

Error 18 9 2

TOTAL 108 15

𝑘−1
𝑏−1 Grados de
Libertad
 P á g i n a | 12

(𝑘 − 1)(𝑏 − 1)
𝑁−1
Conclusión
p<∝ ===Ho se rechaza
0,003 <0,05 Ho se rechaza MÉTODOS
Existe suficiente evidencia para rechazar Ho es decir, es decir que al menos dos
de los métodos son diferentes en cuanto al tiempo promedio que requieren.
p<∝ ===Ho se rechaza
0,03 <0,05 Ho se rechaza OPERADORES
Existe suficiente evidencia para rechazar Ho, es decir que existe diferencias entre
los operadores en cuanto al tiempo promedio.
Hipótesis
H0: A=B
H1: A≠ 𝐵

1 1
|̅ − ̅ | > 𝑡𝛼/2,𝑁/𝑘 √𝐶𝑀𝐸 (𝑛 + 𝑛 ) = 𝐿𝑆𝐷
𝑖 𝑗

Ho se rechaza
Sin significativas
a-b 1,5 < 2,26 No significativo

a-c 5,25 < 2,26 significativo

a-d 3,25 < 2,26 significativo

b-c 3,75 < 2,26 significativo

b-d 1,75 < 2,26 No significativo

c-d 2< 2,26 No significativo

El tratamiento A es diferente del C Y D y el tratamiento B es diferente de C. El

método A es el mejor y requiere menos tiempo para el ensamble que los métodos
C y D.
 P á g i n a | 13

Bibliografía
• Elena, C. (s. f.). DISEÑO EXPERIMENTAL DE BLOQUES AL AZAR.

Academia.edu. Recuperado 28 de noviembre de 2020, de

https://www.academia.edu/35990172/DISE%C3%91O_EXPERIMENTAL_D

E_BLOQUES_AL_AZAR

• Guaraca, A. G., & Mariño, G. M. (2018, 11 octubre). DISEÑO DE

BLOQUES COMPLETAMENTE AL AZAR [Diapositivas]. Academia,edu.

https://www.academia.edu/37684587/DISE%C3%91O_DE_BLOQUES_CO

MPLETAMENTE_AL_AZAR_DBCA_

• Moon, R. (s. f.). UNIDAD 5: DISEÑO EXPERIMENTAL CON BLOQUES AL

AZAR Y DISEÑOS FACTORIALES. academia.edu. Recuperado 28 de

noviembre de 2020, de

https://www.academia.edu/23696484/UNIDADA_5_DISE%C3%91O_EXPE

RIMENTAL_CON

• Ortiz, B. (2016, 1 diciembre). METODOLOGÍA DEL DISEÑO

EXPERIMENTAL DE BLOQUES AL AZAR. [Diapositivas]. prezi.com.

https://prezi.com/szrxsvf-jjfr/metodologia-del-diseno-experimental-de-

bloques-al-azar/

• Velázquez, N. (2013, 12 diciembre). Metodología del diseño experimental de

bloques al azar. Scribd.

https://es.scribd.com/document/191178799/Metodologia-del-diseno-

experimental-de-bloques-al-azar