UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

DISEÑO EN BLOQUE COMPLETO AL AZAR (DBCA)

Este diseño es uno de los más ampliamente conocidos y difundidos 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 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 la figura siguiente, se observa que las unidades no son completamente iguales, son
heterogéneas, tal como se simboliza mediante formas diferentes.

Figura 1: Principio de formación de bloques

Ing. Ronald Mamani Mayta Página | 1

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

Primero se ordena las unidades experimentales de acuerdo a sus características, de forma que
todas las unidades iguales formen un grupo (bloque) en el ejemplo cada bloque comprende 4
unidades homogéneas Fig 1 (b). Y finalmente los 4 tratamientos (indicados mediante 1, 2, 3, 4),
se asignan al azar a las 4 unidades de cada bloque Fig. 1(c). La evidente heterogeneidad de las
unidades está controlada por el proceso de la formación de bloques. Obsérvese el balance que
existe en este diseño. Cada observación se clasifica de acuerdo con el bloque que contiene la
unidad experimental y al tratamiento aplicado, dando lugar a una clasificación de dos vías. Cada
tratamiento aparece un número igual de veces, generalmente una vez, en cada bloque y cada
bloque contiene todos los tratamientos. Bloques y tratamientos son ortogonales entre sí. Esta
propiedad es la que lleva a los sencillos cálculos aritméticos que entran en el análisis de los
datos resultantes. Este diseño se usa con mayor frecuencia que cualquier otro y si da precisión
satisfactoria, no hay objeto de usar otro diferente.

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 existe diferencias
significativas entre bloques.
2) 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.
3) Es un diseño bastante usado por su adaptabilidad, recomendándose generalmente más de
tres bloques y por lo menos dos tratamientos por bloque.
4) 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.

Ing. Ronald Mamani Mayta Página | 2

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

ESQUEMA DEL DISEÑO BLOQUE COMPLETO AL AZAR.

Tabla de valores de la muestra para DBCA.

Tratamientos Repeticiones (j) Total
(i) 1 2 3 ... j ... r Yi.
1 Y11 Y12 Y13 ... Y1j ... Y1r Y1.
2 Y21 Y22 Y23 ... Y2j ... Y2r Y2.
3 Y31 Y32 Y33 ... Y3j ... Y3r Y3.
... ... ... ... ... ... ... ... ...
i Yi1 Yi2 Yi3 ... Yij ... Yir Yi.
... ... ... ... ... ... ... ... ...
t Yt1 Yt2 Yt3 ... Ytj ... Ytr Yt.
Total Y.j Y.1 Y.2 Y.3 ... Y.j ... Y.r Y..

MODELO ADITIVO LINEAL

El modelo estadístico lineal aditivo para un DBCA es el siguiente:

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖𝑗
i=1, 2, 3, …, t (t tratamientos)
j=1, 2, 3, …, r (r bloques)

Donde:
Yij = Variable de respuesta observada en la unidad experimental ubicada en el j-ésimo bloque
que recibe el tratamiento "i"
µ = Constante común para toda la observación o media de la población.
i = Es el efecto del i-ésimo tratamiento.
j = Es el efecto del j-ésimo bloque.

ij = Término que representa el error de su respectiva Yij que se considera como la variable
aleatoria distribuida en forma normal e independiente con media cero y varianza constante, es:
𝜀𝑖𝑗 ~ 𝐷𝑁𝐼(0, 𝜎𝑒2 ).

HIPÓTESIS Modelo I Modelo II

Respecto a los tratamientos 𝐻0 : 𝜏𝑖 = 0 𝐻0 : 𝜎𝜏2 = 0
𝐻1 : 𝜏𝑖 ≠ 0 𝐻1 : 𝜎𝜏2 ≠ 0
Respecto a los bloques 𝐻0 : 𝛽𝑗 = 0 𝐻0 : 𝜎𝛽2 = 0
𝐻1 : 𝛽𝑗 ≠ 0 𝐻1 : 𝜎𝛽2 ≠ 0

Ing. Ronald Mamani Mayta Página | 3

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

ANÁLISIS DE VARIANZA
De acuerdo al modelo estadístico lineal el análisis de varianza tiene 3 fuentes de variación: Tratamientos, bloques y error experimental
que juntos constituyen la variabilidad total.

S.C. Fc
F. de V. G.L. C.M.
Definición Operacional
𝑟 𝑟
2 𝑌.𝑗2 𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒
Bloques r-1 𝑡 ∑(𝑌̅.𝑗 − 𝑌̅.. ) 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 = ∑ − 𝑇𝐶
𝑡 𝑟−1
𝑗=1 𝑗=1
𝑡 𝑡 𝐶𝑀𝑡𝑟𝑎𝑡
𝑌𝑖.2 𝑆𝐶𝑡𝑟𝑎𝑡.
Tratamientos t-1 𝑟 ∑(𝑌̅𝑖. − 𝑌̅.. )2 𝑆𝐶𝑇𝑟𝑎𝑡 = ∑ − 𝑇𝐶 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
𝑟 𝑡−1
𝑖=1 𝑖=1
𝑡 𝑟 𝑡 𝑟 𝑡 𝑟
𝑌𝑖.2 𝑌.𝑗2
∑ ∑(𝑌𝑖𝑗 − 𝑌𝑖. − 𝑌.𝑗 ∑ ∑ 𝑌𝑖𝑗2 − ∑ −∑ 𝑆𝐶𝑒𝑟𝑟𝑜𝑟
Error Experimental (t-1)(r-1) 𝑟 𝑡
𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1 (𝑟 − 1)(𝑡 − 1)
+ 𝑌.. ) 2 + 𝑇𝐶
𝑡 𝑟 𝑡 𝑟

Total tr-1 ∑ ∑(𝑌𝑖𝑗 − 𝑌.. )2 ∑ ∑ 𝑌𝑖𝑗 − 𝑇𝐶

𝑖=1 𝑗=1 𝑖=1 𝑗=1

𝑌..2
𝑇𝐶 = , 𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − (𝑆𝐶𝑡𝑟𝑎𝑡. + 𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒 )
𝑡𝑟

Ing. Ronald Mamani Mayta Página | 4

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

EJEMPLO

Un trabajo experimental de elaboración de néctar de carambola es conducido bajo DBCA,

con el que se busca comparar diferentes diluciones del jugo de este fruto. Para el análisis
sensorial se utilizó un jurado entrenado, compuesto por 10 personas que categorizaron
las muestras haciendo uso de una escala de 10 cm., marcando una pequeña línea vertical
sobre la escala en el punto que define su calificación según el SABOR. Los resultados
fueron los siguientes:

Jueces A B C D E Y.j Promedio

1 4.2 4.0 5.0 6.3 7.2 26.7 5.34
2 6.3 4.2 5.6 5.1 6.2 27.4 5.48
3 5.3 5.4 6.3 7.8 8.4 33.2 6.64
4 6.1 7.0 6.8 7.3 7.6 34.8 6.96
5 5.4 5.6 4.8 6.8 7.4 30.0 6.00
6 5.3 4.3 5.7 5.5 6.2 27.0 5.40
7 4.8 5.4 6.7 6.9 6.5 30.3 6.06
8 5.3 7.2 6.7 6.8 7.8 33.8 6.76
9 5.2 5.8 6.3 7.2 7.6 32.1 6.42
10 4.8 5.3 6.2 7.6 8.9 32.8 6.56
Yi. 52.7 54.2 60.1 67.3 73.8 308.1
Promedio 5.27 5.42 6.01 6.73 7.38 6.162

SOLUCIÓN:

PROCEDIMIENTO PARA LA PRUEBA DE HIPÓTESIS

1) Planteamiento de Hipótesis
Respecto a tratamientos
H0: i=0
H1: i0 para al menos una i

Respecto a bloques
H0: j=0
H1: j0

2) Nivel de Significancia.
α=0.01

3) Estadístico de Prueba
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒 𝐶𝑀𝑇𝑟𝑎𝑡.
𝐹(𝑏𝑙𝑜𝑞𝑢𝑒) = , 𝐹(𝑇𝑟𝑎𝑡. ) =
𝐶𝑀𝐸𝑟𝑟𝑜𝑟 𝐶𝑀𝐸𝑟𝑟𝑜𝑟

Ing. Ronald Mamani Mayta Página | 5

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

4) Región de Aceptación y Rechazo

𝑟−1
✓ Si 𝐹(𝑏𝑙𝑜𝑞𝑢𝑒) ≤ 𝐹(𝑡−1)(𝑟−1),0.05 entonces se acepta la H0.
𝑟−1
✓ Si 𝐹(𝑏𝑙𝑜𝑞𝑢𝑒) > 𝐹(𝑡−1)(𝑟−1),0.05 entonces se acepta la H1.

𝑡−1
✓ Si 𝐹(𝑡𝑟𝑎𝑡. ) ≤ 𝐹(𝑡−1)(𝑟−1),0.05 entonces se acepta la H0.
𝑡−1
✓ Si 𝐹(𝑡𝑟𝑎𝑡. ) > 𝐹(𝑡−1)(𝑟−1),0.05 entonces se acepta la H1.

5) Cálculos
a) Grados de libertad
Bloques : 𝑟 − 1 = 10 − 1 = 9
Tratamientos (muestras) :𝑡−1= 5−1= 4
Error experimental : (𝑟 − 1)(𝑡 − 1) = 9 × 4 = 36
Total : 𝑡𝑟 − 1 = (5)(10) − 1 = 49

b) Suma de Cuadrados (SC)

Factor de corrección:
𝑌..2 (308.1)2 94925.61
𝑇𝐶 = = = = 1898.51
𝑡𝑟 (5)(10) 50

Suma de cuadrados de bloques

10
𝑌.𝑗2 (26.7)2 + (27.4)2 + ⋯ + (32.8)2
𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒𝑠 = ∑ − 𝑇𝐶 = − 1898.5122
𝑡 5
𝑗=1
= 16.0298

Suma de cuadrados de tratamientos

5
𝑌𝑖.2 (52.7)2 + (54.2)2 + (78.3)2
𝑆𝐶𝑡𝑟𝑎𝑡 = ∑ − 𝑇𝐶 = − 1898.5122 = 31.7548
𝑟 10
𝑖=1

Suma de cuadrados del total

5 10

𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶 = (4.2)2 + (6.3)2 + ⋯ + (8.9)2 − 1898.5122 = 64.3178

𝑖=1 𝑗=1

Suma de cuadrados del error

𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒 − 𝑆𝐶𝑡𝑟𝑎𝑡 = 64.3169 − 16.0298 − 31.7548 = 16.5332

Ing. Ronald Mamani Mayta Página | 6

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

La tabla ANVA es:

F. de V. G.L. S.C. C.M. Fc Signif.

Bloques (jueces) 9 16.0298 1.7811 3.88 **
Entre muestras 4 31.7548 7.9387 17.29 **
Error experimental 36 16.5332 0.4593
Total 49 64.3178

6) Decisión
✓ Como 𝐹𝑡𝑟𝑎𝑡. = 17.29 > 𝐹36,0.99
4
= 3.83 se rechaza la hipótesis nula (H0) y se acepta
la hipótesis alterna (H1), es decir la prueba es altamente significativa.

7) Conclusión
Existe suficiente evidencia para afirmar que se ha encontrado diferencia estadística
altamente significativa 𝑝 ≤ 0.01) entre los jueces (bloques) y entre las muestras en
estudio, esto implica analizar muy detalladamente para obtener conclusiones
coherentes, y para esto se debe realizar la prueba múltiple de comparación de Duncan
o Tukey)

EJERCICIO 1: Para estudiar el rendimiento de cuatro detergentes, se diseñó un

experimento. Las siguientes lecturas de “blancura” se obtuvieron con un equipo especial
diseñado para 12 cargas de lavado, distribuidas en tres modelos de lavadoras.

Detergente Lavadora 1 Lavadora 2 Lavadora 3

A 45 43 51
B 47 44 52
C 50 49 57
D 42 37 49

a) Para este ejercicio, ¿Cuál es el factor de tratamiento y cuál es el factor de bloque?

b) Suponga un DBCA y realice el análisis estadístico más apropiado para estos datos y
obtenga conclusiones.

c) ¿El factor de bloqueo influye en la respuesta del experimento?

Ing. Ronald Mamani Mayta Página | 7

UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

EJERCICIO 2: Para los siguientes datos realice el análisis utilizando un DBCA (prueba de
hipótesis y cuadro ANVA)

AMASADA
Laboratorio
1 2 3 4 5
Lab 1 63.5 63.2 62.3 65.6 65.0
Lab 2 64.1 64.2 63.0 64.2 64.9
Lab 3 65.9 65 63.9 66.0 65.8
Lab 4 64.9 65.2 64.1 65.9 67.9

Variable respuesta: Resistencia característica del hormigón a compresión (MPa)

Factor: Laboratorio, con 4 niveles

Bloques: Amasado (no son objeto directo de motive del estudio)

No hay interacción entre el laboratorio y la amasada (entre factor y bloque)

Ing. Ronald Mamani Mayta Página | 8