"Año de la Unidad, la Paz y el Desarrollo”

UNIVERSIDAD NACIONAL

DE UCAYALI
FACULTAD DE CIENCIAS AGROPECUARIAS

ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL

DCA, DBCA, DCA Y DBCA CON ARREGLO FACTORIAL

Curso : Estadística aplicada a la investigación

Docente : Dr. Hector Arbildo Paredes

Alumno : Sifuentes Guzman Pedro Iroshi

Ciclo V

Grupo : “B”

Pucallpa – Perú

2023
 INTRODUCCIÓN
En el ámbito de la estadística y la investigación, el diseño de experimentos

desempeña un papel fundamental en la obtención de conclusiones precisas y

significativas. Entre las diferentes estrategias experimentales, el Diseño Completamente

al Azar (DCA) y el Diseño de Bloques Completamente al Azar (DBCA) son dos

enfoques ampliamente utilizados para evaluar el impacto de diversas variables en una

variable dependiente de interés. Además, al introducir el concepto de arreglo factorial,

estos diseños se vuelven aún más poderosos al permitirnos estudiar el efecto combinado

de múltiples factores.

El Diseño Completamente al Azar es un método en el que los tratamientos se

asignan al azar a las unidades experimentales, sin restricciones ni agrupaciones previas.

Esto posibilita la evaluación individual de cada tratamiento y su impacto en la variable

dependiente, lo que brinda una visión amplia de los efectos de cada factor. Por otro lado,

el Diseño de Bloques Completamente al Azar, busca controlar y reducir la variabilidad,

agrupando unidades experimentales homogéneas en bloques antes de asignar los

tratamientos al azar dentro de cada bloque. Esto permite un análisis más preciso y

eficiente al controlar las fuentes de variación no deseadas y detectar posibles

interacciones entre factores.

Sin embargo, la riqueza de la investigación experimental no se limita solo a

estos dos enfoques. Al combinar el DCA y el DBCA con el arreglo factorial, surge un

nuevo nivel de complejidad y profundidad en el análisis. El arreglo factorial permite

estudiar las interacciones entre los factores de manera sistemática, examinando todas las

combinaciones posibles de niveles de cada factor en el experimento. Esta metodología

ofrece una visión más completa de cómo los factores se relacionan entre sí y cómo

afectan conjuntamente a la variable dependiente.

 En esta investigación, exploraremos en detalle el Diseño Completamente al Azar

y el Diseño de Bloques Completamente al Azar, analizando sus ventajas y limitaciones

en diferentes contextos experimentales. Posteriormente, expandiremos nuestro análisis

al incluir el arreglo factorial en ambos diseños, explorando cómo esta estrategia nos

permite abordar interrogantes más complejas y obtener conclusiones más robustas. A

través de ejemplos y casos prácticos, buscamos brindar una comprensión sólida de estos

enfoques y su aplicación en diversas áreas de estudio. Con ello, esperamos proporcionar

una base sólida para la toma de decisiones informadas en el diseño y análisis de

experimentos en el ámbito científico y académico.

 INDICE
INTRODUCCIÓN.................................................................................................2

DESARROLLO.....................................................................................................5

Diseño completamente al azar (DCA)...............................................................5

Características................................................................................................5

Ventajas......................................................................................................... 5

Desventajas....................................................................................................5

Modelo matemático....................................................................................... 6

Esquema del ADEVA....................................................................................6

Ejemplo práctico............................................................................................6

Diseño en bloques completamente al azar (DBCA)..........................................8

Características................................................................................................9

Modelo matemático....................................................................................... 9

Estimación de parámetros............................................................................10

Sumas de cuadrados.................................................................................... 10

Ejemplo práctico..........................................................................................11

Diseño completo al azar con arreglo factorial................................................. 12

Ventajas....................................................................................................... 13

Desventajas..................................................................................................13

Modelo matemático..................................................................................... 14

Ejemplo práctico..........................................................................................15

Diseño de bloques completamente al azar con arreglo factorial..................... 15

 Ventajas....................................................................................................... 16

Desventajas..................................................................................................17

Modelo matemático..................................................................................... 17

Ejemplo práctico..........................................................................................18

CONCLUSIONES...............................................................................................21

REFERENCIAS BIBLIOGRÁFICAS................................................................ 23

ANEXOS.............................................................................................................24
 DESARROLLO

Diseño completamente al azar (DCA)

El diseño completamente al azar es un enfoque estadístico que se basa en el análisis de

varianza (ANOVA). En esta prueba, la varianza total se descompone en dos componentes:
la "varianza de tratamientos" y la "varianza de error". El propósito principal es determinar
si existen diferencias significativas entre los tratamientos, comparando la magnitud de la
"varianza de tratamientos" con la "varianza de error" y evaluando si la primera es lo
suficientemente grande de acuerdo con la distribución F. Para que esta prueba sea válida, se
deben cumplir ciertas condiciones: la distribución de los datos debe ser normal, los errores
deben ser independientes, los efectos deben ser aditivos y los tratamientos deben asignarse
al azar. Históricamente, este modelo se conocía como "ANOVA de un factor" o "ONE
WAY ANOVA", y todavía se encuentra referenciado en muchos materiales antiguos.

Aunque el diseño completamente al azar es una herramienta valiosa en la investigación

estadística, es importante tener en cuenta que no siempre es aplicable a todas las situaciones.
En algunos casos, las condiciones requeridas pueden ser difíciles de cumplir, lo que puede
afectar la validez de los resultados obtenidos. Por lo tanto, es fundamental que los
investigadores evalúen cuidadosamente si este diseño es el más adecuado para sus datos y
objetivos de investigación.

Además, en la actualidad, han surgido nuevas técnicas y enfoques en el campo de la

estadística que pueden complementar o incluso reemplazar el diseño completamente al azar
en ciertos contextos. Entre estas técnicas se encuentran los diseños experimentales más
complejos, como el diseño en bloques aleatorizados y los diseños factorial y fraccional, que
permiten controlar y estudiar múltiples factores al mismo tiempo. Estos diseños más
avanzados pueden proporcionar una mayor eficiencia en la recolección y el análisis de
datos, lo que resulta especialmente relevante en estudios con recursos limitados o cuando se
busca obtener información precisa con el menor número de observaciones posible.
Características

 Las unidades experimentales deben ser homogéneas.

 La distribución necesariamente debe ser al azar.

Ventajas

 Flexibilidad en el número de tratamientos y observaciones por

tratamientos (2 – 6 tratamientos).

 Genera el mayor número de grados de libertad para el error experimental,

permitiendo detectar con mayor facilidad el valor estadístico.

 Si se pierden unidades experimentales, no se altera la estructura del

experimento.

 Simple de planificar y ejecutar.

Desventajas
 Necesita que el sitio experimental y el materia experimental sean muy

homogéneos.
  Se deben realizar muchas observaciones.

Modelo matemático

Yij = µ + τi + εij

Donde:

 Yij = Observación en la unidad experimental.

 µ = Parámetro, efecto medio.

 τi = Parámetro, efecto del tratamiento 1.

 εij = Error experimental cometido en la repetición j del tratamiento i.

 i = 1............................... t tratamientos.

 j = 1............................... r observaciones.

Esquema del ADEVA

Ejemplo práctico

Se requiere analizar el efecto de tres dietas en terneras de la raza Jersey a los 5

meses de edad, la variable a evaluar es diámetro torácico.

Ya habiendo definido una variable a evaluar, lo que se procede a hacer es una

planificación en donde se identifica el problema, el diseño experimental, el factor de

estudio, los tipos de tratamientos, el número de observaciones, la unidad experimental, la

variable también está incluida dentro de la planificación y por último la hipótesis. Los

datos obtenidos se van anotando en un cuadro, similar al siguiente:

Ya teniendo los datos, se procede a realizar los cálculos respectivos mediante la

aplicación de las siguientes ecuaciones:

 Los resultados obtenidos de los cálculos se plantean dentro del cuadro ADEVA u

de otro estilo similar como el ANOVA.

Diseño en bloques completamente al azar (DBCA)

Una estrategia para reducir la variabilidad en experimentos planificados es

mediante el agrupamiento de Unidades Experimentales (UE) homogéneas en

bloques. La idea central detrás de esta técnica es crear bloques de UEs que muestren

poca variación interna, mientras que entre bloques se espera encontrar diferencias

significativas. De esta manera, se logra un diseño en bloques eficiente, donde la

heterogeneidad se maximiza entre bloques y la homogeneidad dentro de cada

bloque con respecto a las UEs. Una vez que se han formado estos grupos

homogéneos, todos los tratamientos se comparan dentro de cada bloque, lo que

permite una evaluación más precisa de los efectos de los tratamientos.

Es esencial destacar que existen diferentes tipos de diseños en bloques, siendo

uno de ellos el Diseño en Bloques Completos. En este enfoque, se asegura que cada
bloque contenga una muestra de cada tratamiento, es decir, el número de UEs dentro de

un bloque es igual al número de tratamientos. Además, la asignación de los tratamientos

a las UEs del bloque se realiza al azar, lo que garantiza una aleatorización restringida

que aumenta la validez de las inferencias estadísticas.

Los diseños en bloques aleatorizados difieren del enfoque completamente

aleatorizado, donde los tratamientos se asignan al azar sin restricciones a las parcelas.

En el caso del diseño en bloques aleatorizados, primero se agrupan las UEs en bloques

homogéneos, lo que permite una mayor precisión al controlar las fuentes de variación

no deseadas y mejorar la detección de efectos de tratamiento. Esta metodología se ha

convertido en una herramienta valiosa en la investigación científica, especialmente en

aquellos estudios donde se busca controlar la variabilidad y obtener resultados más

confiables y significativos.

Características

 El número de repeticiones es igual al número de bloques.

 En cada bloque se tiene un número de unidades igual al número de

tratamientos (bloques completos).

 Las unidades experimentales son heterogéneas.

 Las unidades homogéneas están agrupadas formando los bloques.

 Los tratamientos están distribuidos al azar en cada bloque.

Modelo matemático

Cada observación del experimento es expresada mediante una ecuación lineal en

los parámetros, el conjunto conforma el modelo para el diseño de bloques completos al

azar:

Donde:
 µ = Parámetro, efecto medio.

 τi = Parámetro, efecto del tratamiento I.

  βj = Parámetro, efecto del bloque j.

 εij= Valor aleatorio, error experimental de la UE i,j.

 Yij = Observación en la unidad experimental.

Estimación de parámetros

La estimación de parámetros se realiza por mínimos cuadrados del error.

El error en cada unidad experimental puede ser encontrado por diferencia,

mediante la siguiente ecuación:

Sumas de cuadrados

��2..
es el termino de corrección (TC) de las sumas de cuadrados, en las expresiones

de sumas de cuadrados se acostumbra colocar sólo TC, por ejemplo:

 Ejemplo práctico

Se realizó un experimento para probar el efecto de suministrar diferentes niveles

de energéticos suministrados a diferentes dietas a base de sorgo, en el consumo de

alimento para pollos abarca desde los 5 días de edad hasta las 8 semanas. Para ello, se

utilizaron 160 pollos de 5 líneas comerciales mismas que constituyeron los bloques;

dentro de los cuales, fueron distribuidos los tratamientos; entonces cada grupo de 8 pollos

constituyó una unidad experimental, obteniéndose la siguiente información:

 Aplicando la suma de cuadrados con los datos obtenidos.

Diseño completo al azar con arreglo factorial

El diseño factorial completamente aleatorizado es una estrategia experimental

que permite examinar cómo múltiples factores afectan una variable dependiente. En este

diseño, todas las combinaciones posibles de niveles de los factores se evalúan en

unidades experimentales seleccionadas al azar. Esto posibilita analizar tanto los efectos

individuales de cada factor como las interacciones que puedan surgir entre ellos.
 Por ejemplo, al estudiar dos factores, A y B, con dos niveles cada uno (alto y

bajo), se obtienen cuatro tratamientos: A alto-B alto, A alto-B bajo, A bajo-B alto y A

bajo-B bajo. Cada tratamiento se asigna aleatoriamente a una unidad experimental,

como una parcela de cultivo o un animal de laboratorio. A continuación, se mide la

variable dependiente en cada unidad experimental y se realiza un análisis de varianza

para detectar diferencias significativas entre los tratamientos y posibles interacciones

entre los factores.

Este diseño resulta especialmente útil para explorar el impacto combinado de

varios factores en unidades experimentales homogéneas. Sin embargo, es importante

tener en cuenta que puede requerir un número considerable de unidades experimentales

y, en algunos casos, podría ser menos eficiente que otros diseños si existen fuentes

significativas de variación entre las unidades experimentales que no están relacionadas

con los factores bajo estudio.

El diseño factorial completamente aleatorizado ofrece una ventaja valiosa al

permitir la evaluación simultánea de múltiples factores en un único experimento, lo que

ahorra tiempo y recursos en comparación con realizar estudios independientes para cada

factor. Además, su enfoque en la aleatorización ayuda a controlar posibles sesgos y

garantizar la validez de las conclusiones obtenidas.

Una vez que se ha aplicado el diseño factorial completamente aleatorizado y se

han obtenido los resultados, es esencial realizar un análisis adecuado de los datos para

interpretar correctamente los efectos de los factores y las interacciones. El uso de

técnicas estadísticas avanzadas, como análisis de varianza multivariado o modelos

lineales generalizados, puede mejorar la precisión y la comprensión de los resultados

obtenidos en este tipo de diseños complejos.

 Aunque el diseño factorial completamente aleatorizado es una poderosa

herramienta en la investigación, también puede presentar desafíos en términos de la

interpretación de las interacciones. En algunos casos, puede resultar difícil determinar si

una interacción es genuina o simplemente el resultado de variaciones aleatorias. Por lo

tanto, es fundamental contar con un buen conocimiento del área de estudio y una

cuidadosa planificación experimental para obtener conclusiones significativas y

prácticas a partir de este tipo de diseño.

Ventajas

 Es fácil de entender y aplicar.

 Permite estudiar el efecto conjunto de varios factores en una variable de

respuesta.

 Permite evaluar no solo los efectos principales de cada factor, sino también

las interacciones entre ellos.

Desventajas

 Puede requerir un número grande de unidades experimentales, lo que

puede aumentar el costo y la complejidad del experimento.

  Puede ser menos eficiente que otros diseños si hay una fuente importante

de variación entre las unidades experimentales que no está relacionada con

los factores estudiados.

 No es adecuado para estudiar factores con muchos niveles o para

experimentos con muchas unidades experimentales heterogéneas.

En resumen, un diseño completo al azar con arreglo factorial puede ser una buena

opción cuando se quiere estudiar el efecto conjunto de varios factores en unidades

experimentales homogéneas. Sin embargo, puede ser menos eficiente que otros diseños

en ciertas situaciones y puede requerir un gran número de unidades experimentales.

Modelo matemático

El modelo matemático para un diseño completo al azar con arreglo factorial se

puede expresar de la siguiente manera:

Yijk=μ+αi+βj+(αβ)ij+εijk

Donde:

 Yijk = Observación en el nivel i del factor A, el nivel j del factor B y la

repetición k.

 μ = Media general.

 αi = Efecto del nivel i del factor A.

 βj = Efecto del nivel j del factor B.

 (αβ)ij = Efecto de la interacción entre el nivel i del factor A y el nivel j del

factor B.

 εijk = Error aleatorio asociado con la observación yijk.

Este modelo permite evaluar los efectos principales de cada factor y las

interacciones entre ellos. Para hacerlo, se puede utilizar un análisis de varianza (ANOVA)
para determinar si hay diferencias significativas entre los niveles de cada factor y si hay

interacciones significativas entre ellos.

Ejemplo práctico

Imagina que eres un agricultor y quieres estudiar el efecto de dos tipos de

fertilizantes (A y B) y dos niveles de riego (alto y bajo) en el rendimiento de tu cultivo de

maíz. Para hacerlo, podrías utilizar un diseño completo al azar con arreglo factorial.

Primero, definirías los tratamientos: A alto-B alto, A alto-B bajo, A bajo-B alto y

A bajo-B bajo. Luego, seleccionarías al azar parcelas de cultivo para asignar a cada

tratamiento. Por ejemplo, podrías tener 4 parcelas para cada tratamiento, para un total de

16 parcelas.

Después, aplicarías los tratamientos a las parcelas asignadas y medirías el

rendimiento del maíz en cada parcela al final de la temporada. Luego, podrías utilizar un

análisis de varianza (ANOVA) para determinar si hay diferencias significativas en el

rendimiento del maíz entre los tratamientos y si hay interacciones entre los factores.

Este es solo un ejemplo simple de cómo se podría aplicar un diseño completo al

azar con arreglo factorial en la práctica. Este tipo de diseño se puede utilizar en muchos

campos diferentes para estudiar el efecto conjunto de varios factores en una variable de

respuesta.

Diseño de bloques completamente al azar con arreglo factorial

Un diseño factorial de bloques completamente aleatorizado es un método

experimental que se utiliza para controlar la variabilidad entre las unidades

experimentales. En este diseño, las unidades experimentales se agrupan en bloques

homogéneos y se asignan aleatoriamente a los tratamientos dentro de cada bloque. Al

igual que en un diseño completamente aleatorizado, se estudian los efectos de múltiples

factores y sus interacciones.

 La principal diferencia entre un diseño de bloques completamente aleatorizado y

un diseño completamente aleatorizado es que en el primero, las unidades experimentales

se agrupan en bloques homogéneos antes de asignar los tratamientos. Esto permite

controlar la variabilidad entre las unidades experimentales y aumentar la precisión del

experimento.

Por ejemplo, si se estudian dos factores, A y B, con dos niveles cada uno (alto y

bajo), habría cuatro tratamientos: A alto-B alto, A alto-B bajo, A bajo-B alto y A bajo-B

bajo. En un diseño de bloques completamente aleatorizado, las unidades experimentales

se agruparían en bloques homogéneos (como parcelas de cultivo con características

similares o animales de laboratorio de la misma edad y peso) y cada tratamiento se

asignaría aleatoriamente a una unidad experimental dentro de cada bloque. Después, se

mediría la variable dependiente en cada unidad experimental y se analizaría la varianza

para determinar si hay diferencias significativas entre los tratamientos y si hay

interacciones entre los factores.

Este diseño es útil cuando hay una fuente importante de variación entre las

unidades experimentales que no está relacionada con los factores estudiados. Al agrupar

las unidades experimentales en bloques homogéneos, se puede controlar esta variabilidad

y aumentar la precisión del experimento. Sin embargo, puede requerir un mayor número

de unidades experimentales que un diseño completamente aleatorizado y puede ser más

complejo de implementar.

Ventajas

 Permite controlar la variabilidad entre las unidades experimentales al

agruparlas en bloques homogéneos.

 Permite estudiar el efecto conjunto de varios factores y sus interacciones

en una variable de respuesta.

  Puede aumentar la precisión del experimento al controlar la variabilidad

entre las unidades experimentales.

Desventajas

 Puede requerir un número mayor de unidades experimentales que un

diseño completo al azar, lo que puede aumentar el costo y la complejidad

del experimento.

 Puede ser más complejo de implementar que un diseño completo al azar

debido a la necesidad de agrupar las unidades experimentales en bloques

homogéneos.

 No es adecuado para estudiar factores con muchos niveles o para

experimentos con muchas unidades experimentales heterogéneas.

En resumen, un diseño de bloques completamente al azar con arreglo factorial

puede ser una buena opción cuando se quiere controlar la variabilidad entre las unidades

experimentales y estudiar el efecto conjunto de varios factores. Sin embargo, puede ser

más complejo y costoso que un diseño completo al azar y puede requerir un mayor

número de unidades experimentales.

Modelo matemático

El modelo matemático para un diseño de bloques completamente al azar con

arreglo factorial se puede expresar de la siguiente manera:

Yijk=μ+αi+βj+(αβ)ij+γk+εijk

Donde:

 Yijk = Observación en el nivel i del factor A, el nivel j del factor B, el

bloque k y la repetición.

 μ = Media general.

 αi = Efecto del nivel i del factor A.

  βj = Efecto del nivel j del factor B.

 (αβ)ij = Efecto de la interacción entre el nivel i del factor A y el nivel j del

factor B.

 γk = Efecto del bloque k.

 εijk = Error aleatorio asociado con la observación Yijk.

Este modelo permite evaluar los efectos principales de cada factor, las

interacciones entre ellos y el efecto de los bloques. Para hacerlo, se puede utilizar un

análisis de varianza (ANOVA) para determinar si hay diferencias significativas entre los

niveles de cada factor, si hay interacciones significativas entre ellos y si hay diferencias

significativas entre los bloques.

Ejemplo práctico

Con el objetivo de averiguar la estabilidad del ácido ascórbico como principio

activo en de vitamina C (gomas masticables). Se probaron diferentes formulaciones de

gomas de vitamina C. Una de las formulaciones se realizó ácido ascórbico liofilizado,

ácido ascórbico sintético, a diferentes tiempos (30, 60, 90). La información se recogió

diferentes muestras, provenientes de 4 diferentes operarios. Los resultados expresados en

mg/ml de vitamina C, fueron los siguientes:

Operadores B1 B2 B3 B4
(Bloques)

Ácido Liofilizado Sintético Liofilizado Sintético Liofilizado Sintético Liofilizado Sintético

ascórbico

Tiempo

30 46,63 51,13 46,58 51,10 46,65 51,11 46,67 51,15

60 46,35 50,09 46,33 50,10 46,30 50,12 46,30 50,09

90 31,39 43,25 31,42 43,22 31,37 43,23 31,40 43,25

Variable respuesta: Estabilidad del ácido ascórbico.

Diseño experimental: DBCA con arreglo factorial axb.
 Niveles
Factor a: Tipo de formulaciones. ácido ascórbico liofilizado
Ácido ascórbico sintético.

Factor b: Tiempo de estudio de 30, 60, 90. días

estabilidad.
Bloques: Operarios B1, B2, B3, B4.

Hipótesis del problema

Para el Factor A
0: =0
��: ������� � ≠ 0
Para el Factor B
0: =0
��: ������� � ≠ 0
Para la interacción AB:
0: =0
��: ������� �� ≠ 0

Para el bloque
0: 1 = 2 = 3 = 4 = 0
��: ��� ≠ 0 ���� ���ú� ��

Resultados

Conclusión: Hay diferencia significativa tanto en A (tipo de formulación), B

(tiempo). Es decir, todas estas fuentes de variación influyen en la variable respuesta

(estabilidad). Se acepta la hipótesis nula de los bloques y de interacción, es decir no

intervienen en la variable respuesta.

 Prueba de Diferencia menos significativa (LSD)

FACTOR B

FACTOR A

Conclusión: Hay diferencia significativa entre los tiempos y la formulación de

ácido ascórbico sintético y liofilizado.

 CONCLUSIONES

 El DBCA Reduce el efecto de la variabilidad proveniente de causas propias del

experimento, pero independiente del efecto que se desea estudiar. Puede

introducir, deliberadamente, variabilidad en las unidades experimentales para

ampliar el rango de validez de los resultados sin sacrificar la precisión de los

resultados.

 Por otro lado, se ha demostrado que el Diseño en Bloques Completamente Al Azar

nos presenta resultados más exactos que un Diseño Completamente Al Azar, por

lo cual es necesario que lo desarrollemos y comprendamos su importancia, pues

es una herramienta que es utilizada por muchas empresas.

 Los diseños experimentales DCA (Diseño Completamente al Azar), DBCA

(Diseño de Bloques Completamente al Azar) y DCA y DBCA con arreglo

factorial son herramientas útiles para estudiar el efecto de uno o más factores en

una variable de respuesta. Cada uno de estos diseños tiene sus propias ventajas y

desventajas, y su elección dependerá de las características del experimento y de

los objetivos del investigador.

 El DCA es un diseño simple y fácil de aplicar, pero puede ser menos eficiente que

otros diseños si hay una fuente importante de variación entre las unidades

experimentales que no está relacionada con los factores estudiados. El DBCA

permite controlar esta variabilidad al agrupar las unidades experimentales en

bloques homogéneos, pero puede requerir un mayor número de unidades

experimentales y puede ser más complejo de implementar.

 Los diseños DCA y DBCA con arreglo factorial permiten estudiar el efecto

conjunto de varios factores y sus interacciones. Estos diseños son útiles cuando se

quiere evaluar cómo los factores interactúan entre sí y cómo afectan

conjuntamente a la variable de respuesta. Sin embargo, pueden requerir un gran

número de unidades experimentales y pueden ser más complejos de implementar

que los diseños DCA y DBCA sin arreglo factorial.

 REFERENCIAS BIBLIOGRÁFICAS

Diseño de bloques completamente al azar: DBCA.

http://tarwi.lamolina.edu.pe/~fmendiburu/index-filer/academic/metodos1/Bloques.pdf

Ramírez V. G. (s.f.). Experimentos de un solo factor. Recuperado de:

https://educacionenlinea.colpos.mx/moodle/pluginfile.php/16599/mod_resource/content

/1/unidad_3%20Diseño%20completamente%20al%20azar.pdf

Sanchez S. P. (2020). Arreglo factorial en un diseño completamente al azar: 2

factores. Recuperado de: https://www.youtube.com/watch?v=VAiYTJmK5YI

Taipe V. (2015). Diseño completamente al azar. Recuperado de:

https://es.slideshare.net/LpzSpaaIngOdranoel/diseo-completamente-al-azar-55373389
 ANEXOS

Anexo 1. Formato del diseño factorialcompletamente al azar.

Anexo 2. Manual de statgraphic para dbca con arreglo factorial.

MANUAL DE STATGRAPHIC PARA DBCA CON

ARREGLO FACTORIAL
1. Abrir el programa: STATGRAPHIC Centurion

2. Para configurar y ordenar datos

En la primera columna se numerará el n° de determinaciones. En el resto de columnas

se colocará los factores: Un factor por columna con sus respectivos niveles. Se

recomienda ubicar en la segunda columna el factor con menos niveles y en la penúltima

columna a usarse el factor con mayor número de niveles.

Para configurar el tipo de datos admisibles y el nombre de cada columna dar doble click

en el nombre predeterminado de la columna.

3. Se asignará el nombre de los factores a cada columna: clik en la columna

4. Se ingresan los datos de la tabla, fijándose bien las interacciones que tiene el

factor A y el factor B.
5. Nos dirigimos a la barra de menú comparar- análisis de varianzas y elegimos

la opción Multifactorial ANOVA.

6. Se desplegará una ventana en donde se desplazan las variables dependientes

e independientes, seleccionando la opción y click en la flecha para moverla.

7. Digitamos el número de interacciones

8. Obtenemos la tabla de ANOVA

9. Referente al ANOVA

Si el valor- p es menor a 0,05 los efectos influyen en el experimento o se dice que

dichos efectos se encuentran activos es decir influyen en la variable respuesta del

experimento. (valores- p coloreados con rojo)

10. Pruebas de Rangos Múltiples:

Si queremos cambiar la prueba de rangos multiples a Tukey, LSD, Scheffe, Duncan,

Student, Bonferroni dar doble click en el recuadro correspondiente a Prueba de rangos

múltiples se desplegará el mismo recuadro de manera individual (ya no acompañado

por los otros recuadros y gráficos):

11. Gráfico de Interacción

Si configuramos en el paso 6 la presentación del gráfico de interacción se

desplegará a la izquierda junto con los otros gráficos.

Damos dobles click al gráfico de interacción:

A continuación, se generará la vista del gráfico en pantalla casi completa, una vez

ahí podemos configurar que tipo de interacción queremos que nos genere; para el

ejemplo una interacción AB o una interacción BA.

Damos click con el botón secundario del mouse y elegimos Opciones de ventana

y elegimos en la sección Gráfica en eje Primer o segundo factor (Primer si

queremos que el eje x sea el factor A para un gráfico de interacción AB y Segundo

factor si queremos que el eje x sea el factor B para un gráfico de interacción BA):

Click en Aceptar.