Curso: Métodos estadísticos de investigación

Profesor: Ingº Antonio Matos Alejandro

DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR (DBCA)

Conocido como diseño de doble vía de clasificación, en este diseño, las unidades
experimentales se agrupan en bloques, siendo estas homogéneos en el bloque y heterogéneos
entre bloques (grupos o estratos).

Características:

Este diseño es uno de los más ampliamente conocidos de los diseños experimentales,
también se conoce como Diseño Bloque Completamente Aleatorizado, y se caracteriza
porque los tratamientos se distribuyen en forma aleatoria, a un grupo de unidades
experimentales denominado bloque, la finalidad es que las unidades experimentales dentro
de un bloque sean lo más homogéneas posibles, es decir el número de unidades
experimentales en cada bloque debe ser igual al número de tratamientos que se quiere
estudiar.

Los bloques pueden estar formados por áreas homogéneas de un terreno, grupo de animales
que puedan manipularse en forma uniforme (misma raza, misma edad, mismo peso, etc.).

En resumen, en este diseño de bloques completos al azar los tratamientos son aleatoriamente
asignados a las unidades experimentales (homogéneos) dentro de cada estrato o subgrupo o
bloque. De esta forma, el proceso de aleatorización de los tratamientos ha sido restringido a
las unidades dentro de cada bloque. Desde el punto de vista de la variabilidad de los datos,
se han introducido una variabilidad artificial por estudiar distintos tratamientos.

La variabilidad natural existente entre las unidades experimentales puede ser subdividida
por el hecho de haber agrupado a las unidades experimentales en grupos heterogéneos
(bloques) pero conformados por unidades homogéneas. Así, parte de lo que es la variabilidad
natural de las unidades puede ser atribuida a algo ahora conocido (bloques) y otra parte
seguirá siendo variabilidad natural de las unidades experimentales.

Es interesante notar que la restricción impuesta la aleatorización sorteo implica que cada
estrato o bloque corresponde con una repetición completa de los tratamientos.

Los bloques o repeticiones pueden ser días, observadores, animales, corrales, pacientes,
colegios, clones, laboratorios, estufas, cámaras de crecimiento, etc. Así este diseño podría
ser usado para controlar una fuente de variación en el material experimental y no solamente
la variación entre bloques en un campo.

En resumen, en este diseño se puede mencionar:

1. Las unidades experimentales (u.e) se distribuyen en grupos (bloques), bajo el criterio de
homogeneidad dentro del grupo y heterogeneidad entre grupos.
2. En cada bloque, el n° de unidades es igual al n° de tratamientos (bloques completos).
3. Los tratamientos son asignados al azar en las u.e dentro de cada bloque.
4. El n° de bloques puede ser igual o diferente al n° de tratamientos. En muchos
experimentos las réplicas son consideradas bloques, en otros, un 2do criterio de
clasificación es considerado como bloques.
5. Los análisis estadísticos t de Student, DLS, Duncan, Tukey, Dunnett, etc. y pruebas de
comparación de contraste se procede como en el diseño completo al azar.

Con la formación de bloques, se eliminan en parte la heterogeneidad del medio experimental.

Ejemplo: Si se tiene animales de 3 camadas diferentes, pero de la misma raza se podría

bloquear en forma similar, así para un experimento con 4 tratamientos.

Bloque I T1 T2 T3 T4 Camada 1 (animales homogéneos)

Bloque II T3 T1 T4 T2 Camada 2 (animales homogéneos)

Bloque III T4 T3 T1 T2 Camada 3 (animales homogéneos)

Ejm.
E D C

A C B

C A D 5 tratamientos
cada bloque debe
D B E tener 5 u.e.

B E A Tratamientos: A, B, C, D, E.

B1 B2 B3
Ventajas:

1. Precisión: Este diseño ha resultado más preciso que el diseño completamente al azar, para
la mayoría de los tratamientos experimentales. La eliminación de la suma de cuadrados
de bloques desde la suma de cuadrados del error usualmente resulta en un decrecimiento
en el cuadro medio del error a pesar de la pérdida de grados libres para estimar este error.
Permite ganar mayor precisión en el experimento, principalmente cuando existen
diferencias significativas entre bloques.

Flexibilidad: No existe una restricción en relación al número de tratamientos y de

repeticiones, sin embargo, el aumento en el número de tratamientos conlleva a la pérdida
de la homogeneidad dentro de bloques.

2. Es un diseño bastante usado por su adaptabilidad, recomendándose generalmente más de

tres bloques y por lo menos dos tratamientos por bloque.

3. Es factible realizar el análisis experimental, cuando por alguna causa se hubiera perdido
algún bloque. Además si el resultado de una unidad experimental no se llegaría a registrar
(pérdida de la unidad experimental), existen técnicas estadísticas simples para poder
estimar el resultado.

Desventajas:

1. La desventaja de este diseño es que no es adecuado a gran número de tratamientos y para

los casos en que el bloque contenga considerable variabilidad.

2. Cuando existe pérdida de muchas unidades experimentales, el análisis estadístico se

complica seriamente y muchas veces no es posible analizarlo.

3. No es recomendable utilizar este diseño cuando se verifica que existe interacción entre
bloques y tratamientos.

Modelo matemático o estadístico (aditivo lineal)

A cada observación le corresponde una ecuación lineal de la forma.

yij     i   j   ij ; i = 1,2,…….,t (tratamientos)

j = 1,2,……..,r (repeticiones o bloques)

Donde:

yij  Variable de respuesta observada en la unidad experimental ubicada en el j-ésimo

bloque que recibe el tratamiento i-ésimo.
  Constante para toda observación, es la media de la población, parámetro.
 i  Es el efecto del tratamiento i-ésimo, el cual es igual a (µi - µ), es decir a la diferencia
entre el promedio poblacional del tratamiento y la media poblacional µ en estudio,
parámetro.
 j  Es el efecto del bloque j-ésimo, el cual es igual a (µj - µ), es decir a la diferencia entre
el promedio poblacional del bloque y la media poblacional µ, parámetro.
 ij  Es el efecto del error experimental en la observación yij (i-ésimo tratamiento, j-ésimo
bloque).

Este modelo corresponde al modelo poblacional y debe ser estimado a través del
experimento en sí. La estimación de parámetros del modelo se obtiene por el método de
mínimos cuadrados del error.

Representación simbólica de los datos correspondientes a una u.e. por tratamiento en

diseño bloque completamente al azar (D.B.C.A).

Tratam.
Total
T1 T2 T3 ... Tt (i)
Bloques
Bloques
I y11 y21 y31 ... yt2 y.1
II y12 y22 y32 ... yt2 y.2
III (j) y13 y23 y33 ... yt3 y.3
. . . . ... . .
. . . . ... . .
. . . . ... . .
r y1r y2r y3r ... ytr y.r
Total de
y1. y2. y3. …. yt. Y.. Total
tratamientos general

Hipótesis:

1. Para tratamientos:

Ho: µ1 = µ2 = …… = µt
H1: µ1 ≠ µ2 ≠ …… ≠ µt
2. Para bloques:

r
H o :  B j  0 (No hay diferencia entre los bloques)
j 1

r
H1 :  B j  0 (Si hay diferencia entre los bloques)
j 1

Cálculo de las sumas de cuadrados:

y  y.22  ...  y.2r y..2

2

1. SCBLOQ.= .1 
t rt
 y12.  y22.  ...  yt2. y..2
2. SCTRAT .  
r rt
y..2
3. SCTOTAL  y112  y122  ...  y21
2
 y22
2
 ...  yt21  yt22  ... ytr2 
rt

4. SC ERROR  SCTOTAL  SC BLOQ.  SCTRAT .

ANVA

F.V. G.L SC CM Fc

Bloques (r-1)  y. 2
j

 y  ij
2
CMBloq. CMBloq./CMerror
t rt
Tratamientos (t-1) y 2
i .

 y  ij
2
CMTratam. CMTrat/CMerror
r rt
Error Exper. (r-1)(t-1) Por diferencia CMEE

Total ( yij ) 2

rt-1
 yij2  rt

Criterio de prueba F:

1. Para tratamientos:
Fc = CMTratam./CMEE

Ft ( t 1);( r 1)( t 1) ;

Fc  Ft  Re chazoH 0
Si:
Fc  Ft  AceptoH0

2. Para bloques:
Fc = CMBloques/CMEE

Ft(r 1); (r 1)(t 1);

Fc  Ft  Re chazoH 0
Si:
Fc  Ft  AcaptoH0