TEMA VII

ESQUEMA GENERAL

Consideraciones generales
Diseño de bloques de grupos al azar
Modelo estructural y componentes de
variación. Modelo aditivo y no-aditivo

DISEÑOS EXPERIMENTALES
MULTIGRUPO OPTIMIZADOS
 Concepto
El principal objetivo de la experimentación
es el control de las fuentes de variación
extrañas. La neutralización o control de las
variables extrañas incide directamente en la
reducción de la variación del error. Es decir,
las unidades varían con respecto a cualquier
variable a excepción de la controlada.
Siendo esto así, el margen de variación es
menor que con la presencia de la variable
extraña (o variable no controlada). ..//..
Desde la lógica de la experimentación, una
técnica ideal consiste en eliminar los
factores extraños. Ese ideal es imposible de
conseguir, particularmente en contextos de
investigación social como conductual. Por
esta razón, se han desarrollado unos
procedimientos que, asociados a la propia
estructura del diseño, permiten controlar
una o más variables extrañas y neutralizar
su acción sobre la variable dependiente.
Diseño de bloques de grupos al azar
 Técnica de bloques

Mediante la técnica de bloques se pretende

conseguir una mayor homogeneidad entre
los sujetos o unidades experimentales intra
bloque y una reducción del tamaño del error
experimental. La formación de bloques
homogéneos se realiza a partir de los valores
de una variable de carácter psicológico,
biológico o social, altamente relacionada
con la variable dependiente. ..//..
Al mismo tiempo, la presencia del azar
queda garantizada ya que, dentro de los
bloques, las unidades son asignadas
aleatoriamente a las distintas condiciones
experimentales. Cada condición representa
un nivel o tratamiento de la variable
independiente.
 Clasificación

Diseño de un solo sujeto por

casilla
Diseño de bloques de grupos
completamente al azar

Diseño de dos o más sujetos

por casilla
 Formato del diseño de bloques de
grupos al azar
Bloques Tratamientos

1 A1 A2 ..... Aa

2 A1 A2 ..... Aa

...................................................................

b A1 A2 ..... Aa
Caso 1. Un solo sujeto por tratamiento y bloque (casilla)

Bloques Tratamientos
A1 A2 ··· Aj ··· Aa

B1 S1 S2 ··· Sj ··· Sa

B2 S1 S2 ··· Sj ··· Sa
………………………………………..
…………………………….………….

Bk S1 S2 ··· Sj ··· Sa
Caso 2. Más de un sujeto por tratamiento y bloque (casilla)

Bloques Tratamientos
A1 A2 ··· Aj ··· Aa

B1 n1 n2 ··· nj ··· na

B2 n1 n2 ··· nj ··· na
………………………………………..
…………………………….………….

Bk n1 n2 ··· nj ··· na
 Ventajas de la técnica de bloques

Según Baxter (1940), son notorias las ventajas

del diseño de bloques en investigación
psicológica al neutralizarse una potencial fuente
de variación extraña que, en caso contrario,
incrementaría la variación del error. En
psicología, la mayoría de las fuentes de
variación extrañas, directamente asociadas a la
heterogeneidad de los datos, se derivan de las
diferencias interindividuales. ..//..
 En consecuencia, son variables de sujeto
que no sólo distorsionan la acción de los
tratamientos sino que también incrementan
las diferencias entre las unidades.
Mediante la técnica de bloques se consigue
un material experimental mucho más
homogéneo, se reduce la magnitud del error
experimental y se incrementa el grado de
precisión del experimento.
 Modelos ANOVA del diseño

Modelo aditivo: un sujeto por casilla

Yijk = µ + j + ßk + ijk (1)

Modelo no aditivos: dos o más sujetos por

casilla

Yijk = µ + j + ßk + (ß)jk + ijk (2)

 Sobre los modelos

El modelo aditivo asume que la interacción de

tratamientos por bloques es nula y, en
consecuencia, que el dato es explicado por la
combinación lineal de los componentes de la
ecuación anterior. ..//..
Cuando no se cumple el supuesto de
aditividad, el efecto cruzado o componente
de no aditividad (interacción de las
condiciones experimentales con los
bloques) se convierte en una fuente de
variación extra, es decir, el efecto de la
combinación de tratamientos por bloques ha
de añadirse a los efectos ya presentes en el
modelo. ..//..
En ausencia de interacción, se aplica el
modelo aditivo sin problema alguno. Ahora
bien, cuando los sujetos de un determinado
bloque responden a los tratamientos de
forma diferente a como responden los
sujetos de otro bloque, cabe la posibilidad
de una interacción de bloques por
tratamientos. ..//..
Puesto que, de otra parte, el modelo de la
ecuación (1) no refleja ese efecto
combinado, y puesto que la variabilidad de
este componente no es absorbida ni por la
Suma de Cuadrados de tratamientos, ni por
la Suma de Cuadrados de bloques, el efecto
combinado pasa a engrosar el término de
error. En ese caso, el término de error no
sólo contiene la variabilidad debida al
muestreo, sino también la variabilidad
debida al efecto de la interacción. ..//..
Dado que con interacción se incrementa o
sesga positivamente el término de error,
cabe esperar que el valor F sea
negativamente sesgado. De esta forma, se
incrementa la dificultad de detectar el efecto
de los tratamientos.
Diseños de bloques aleatorizados
(n =1)
 Ejemplo práctico 1

Un investigador pretende estudiar la efectividad

de tres métodos distintos en la enseñanza de las
matemáticas: método tradicional (A1), método
de programación (A2), y método audio-visual
(A3), para un determinado nivel escolar. Desde
la perspectiva experimental, el problema podría
resolverse formando tres grupos al azar de
sujetos, uno para cada método. ..//..
Al finalizar el estudio, se pide a los sujetos
del experimento que resuelvan un total de
10 problemas de cálculo matemático. La
resolución de esos problemas de
matemáticas es una medida de ejecución
que evalúa la efectividad de los métodos de
enseñanza. ..//..
Ahora bien, como ocurre con la mayoría de
investigaciones del ámbito educativo, se
considera que el nivel intelectual de los
escolares es una probable variable extraña
capaz de contaminar los resultados del
experimento. Para controlar esa variable,
mediante la estructura de diseño, se elige un
diseño de bloques de grupos al azar.
 Procedimiento

El experimento se resuelve de la siguiente

forma: en primer lugar, se forman 10 bloques
con base a los valores de la variable Cociente
Intelectual (CI). Cada bloque representa un
determinado cociente intelectual, lo cual
requiere la selección previa de los sujetos. Así,
para cada valor de CI se eligen tres sujetos o
unidades del bloque. De esta forma, la variación
de los sujetos intra-bloque es menor que la de
todos los sujetos de la muestra. ..//..
En segundo lugar, las unidades de los bloques
se asignan al azar a los tratamientos de modo
que, dentro del bloque, cada sujeto recibe un
tratamiento distinto. Según este procedimiento,
sólo se dispone de un sujeto por casilla o
combinación de bloque por tratamiento. Así,
cada bloque constituye una réplica entera del
experimento.
Ilustración de la técnica de bloques

Variables

Bloques I II III IV X
CI 94 CI 96 CI 98 CI 100 ..... CI 112

A1 A1 A1 A1 A1

Tratamientos A2 A2 A2 A2 ..... A2

A3 A3 A3 A3 A3
 Modelo de prueba estadística
Paso 1. Se asume, por hipótesis de nulidad,
que las medias de los grupos experimentales
proceden de una misma población y que, por
consiguiente, son iguales:
H0: µ1 = µ2 = µ3
Paso 2. En la hipótesis alternativa se especifica
que, por lo menos, hay una diferencia entre las
medias de los tres tratamientos. En términos
estadísticos, se tiene:
H1: por lo menos una desigualdad
Paso 3. Se elige, como prueba estadística, el
Análisis de la Variancia (F de Snedecor),
asumiendo el modelo aditivo y un nivel de
significación de  = 0.05

Paso 4. Realizado el experimento, se

obtiene la matriz de datos del diseño. A
partir de estos datos, se calculan las
variancias para estimar el valor empírico de
F, asumiendo el modelo de aditividad.
Matriz de datos del diseño
 DISEÑO DE BLOQUES (n=1)
TRATAMIENTOS
N. Bloque A1 A2 A3 TOTAL POR BLOQUE
1 6 7 8 21
2 7 6 7 20
3 4 8 9 21
4 5 9 7 21
5 7 5 8 20
6 3 4 10 17
7 5 6 7 18
8 8 8 9 25
9 7 7 10 24
10 6 5 7 18
TOTALES 58 65 82 205
MEDIAS 5.8 6.5 8.2 6.83
 Modelo ANOVA aditivo

Yijk = µ + j + ßk + ijk

se presupone que cada dato u observación (Yijk)

es una combinación aditiva de la media total
del experimento (µ), el efecto de un
determinado tratamiento (j), el efecto de un
bloque específico (ßk) y el componente de
error (ijk)
Cálculo de las Sumas de Cuadrados

En función del modelo estructural de análisis, se

divide la Suma de Cuadrados total en los
siguientes componentes aditivos: Suma de
Cuadrados de tratamientos, Suma de Cuadrados
de bloques y Suma de Cuadrados del error.

SCtotal = SCtrat. + SCbloq. + SCerror

 Cuadro resumen de ANOVA:
Diseño de bloques (n=1)
F.V. SC g.l CM F p
Trat (A) 30.47 (a-1)=2 15.23 7.18 <0.05
Bloques (B) 19.50 (b-1)=9 2.16 1.02 >0.05
Error (AxB) 38.19 (a-1)(b-1)=18 2.12

Total (T) 88.16 ab-1=29

F0.95(2/18) = 3.55; F0.95(9/18) = 2.46
 Modelo de prueba estadística

Paso 5. Dado que el valor observado de F

es mayor que el teórico, a un nivel de
significación de 0.05, se infiere que hay una
diferencia significativa entre los
tratamientos. Por otra parte, es posible
probar la hipótesis sobre los bloques. ..//..
La hipótesis a probar, H0: ß1 = ß2 = ... = ß10,
tiene como término de contraste la variancia
del error. Del análisis se concluye la no
diferencia, estadísticamente hablando, entre
los bloques y se acepta, en consecuencia, la
hipótesis de nulidad.
Diseños de bloques aleatorizados
(n>1)
 Ejemplo práctico 1

A partir del experimento descrito, a raíz del

diseño de bloques de un sólo sujeto por casilla,
considérese que hay tres sujetos por casilla.
Así, se tiene un total de nueve sujetos por
bloque y tres sujetos por tratamiento intra-
bloque.
 Modelo de prueba estadística

Paso 1. Se definen tres hipótesis de nulidad

para los efectos de tratamientos, bloques e
interacción. En términos de efectos, esas
hipótesis de nulidad son:
H0: 1 = 2 = 3 = 0
H0: ß1 = ß2 = ... = ß10 = 0
H0: aß11 = aß12 = ... = aß310 = 0
 Paso 2. La primera hipótesis alternativa
coincide con la hipótesis experimental o
hipótesis de efecto de tratamientos, la
segunda se refiere al efecto de la variable de
bloques y, por último, la tercera recoge el
efecto de la interacción entre tratamientos y
bloques. Las tres hipótesis alternativas
toman la misma expresión.
H1: por lo menos una desigualdad
Paso 3. La prueba estadística se basa en el
Análisis de la Variancia (F de Snedecor),
asumiendo el modelo estructural o de
efectos propuesto y un nivel de
significación de  = 0.05

Paso 4. Realizado el experimento, se

obtiene la matriz de datos del diseño. Con
estos datos, se estiman las variancias para
calcular el valor empírico de F
Matriz de datos del diseño
 DISEÑO DE BLOQUES (n>1)
TRATAMIENTOS
N. Bloque A1 A2 A3 TOTAL POR
BLOQUE
1 6,5,3 (14) 6,7,5 (18) 7,6,9 (22) 54
2 7,5,4 (16) 5,6,5 (16) 7,4,6 (17) 49
3 3,5,4 (12) 7,6,7 (20) 9,10,7 (26) 58
4 6,5,5 (16) 8,7,9 (24) 7,8,6 (21) 61
5 7,5,8 (20) 5,4,7 (16) 9,10,7 (26) 62
6 5,3,4 (12) 5,6,4 (15) 10,9,8 (27) 54
7 6,4,5 (15) 7,6,5 (18) 8,6,5 (19) 52
8 7,6,9 (22) 8,7,9 (24) 9,10,7 (26) 72
9 6,8,7 (21) 6,9,6 (21) 8,10,9 (27) 69
10 7,6,7 (20) 5,6,4 (15) 6,8,7 (21) 56
TOTALES 168 187 232 587
 Modelo ANOVA no aditivo

Yijk = µ + j + ßk + (ß)jk + ijk

donde Yijk es cualquier dato u observación del

experimento, µ la media total del experimento, j el
efecto de un determinado nivel de tratamiento, ßk el
efecto de un determinado bloque, (ß)jk el efecto
cruzado o efecto de la casilla, y ijk el error
experimental. Por lo general, este modelo es de
efectos fijos tanto para la variable de tratamiento
como para la variable de bloques.
 Cuadro resumen del ANOVA:
Diseño de bloques (n>1)
F.V. SC g.l CM F p
Trat (A) 72.03 (a-1)=2 36.01 24.50 <0.05
Bloques (B) 54.46 (b-1)=9 6.05 4.11 <0.05
Inter (AxB) 61.97 (a-1)(b-1)=18 3.44 2.34 <0.05
Error (S/AxB) 88 ab(n-1)=60 1.47
Total (T) 276.46 abn-1=89

F0.95(2/60) = 4; F0.95(9/60) = 2.04; F0.95(18/60) = 1.786

 Modelo de prueba estadística

Paso 5. Dado que los valores observados de F

son más grandes que los teóricos, al nivel de
significación de 0.05, se infiere la no-aceptación
de las tres hipótesis nulas y que, por tanto, son
significativos los efectos asociados a las
distintas fuentes de variación.
 Ejemplo práctico 2

Se sabe que el ruido blanco tiene un efecto

positivo sobre el sueño, al reducir los episodios
de despertarse de noche (Forquer, 2006). Sin
embargo, todavía no se ha demostrado si el
ruido blanco tiene otro efecto, como por
ejemplo, la reducción del tiempo para conciliar
el sueño (es decir, la latencia del sueño). En
esta investigación se pretende dar respuesta a
esta cuestión, al estudiar cómo el ruido blanco
incide en el sueño nocturno, controlando la
actividad diurna.
 Procedimiento

Se pidió a los participantes que contestaran un

cuestionario sobre la actividad realizada durante el día
y fueron clasificados en dos bloques: (a) actividad
normal y (b) mayor actividad que la habitual. Se
seleccionó 100 individuos; es decir, 50 individuos por
bloque. ..//..
En cada bloque, los individuos son asignados
al azar a dos grupos de tratamiento: el primer
grupo fue expuesto a un ruido blanco de 50-75
dB (grupo experimental), mientras que el
segundo grupo no percibió ruido blanco (grupo
control). El registro electroencefalográfico
determinó el momento de inicio del sueño y, a
partir de este dato, se midió la latencia del
sueño (en segundos)
 ANOVA

Pruebas de los efectos inter-sujetos

Variable dependiente: latencia

Suma de
cuadrados Media
Fuente tipo I gl cuadrática F Significación
Modelo corregido 868152.525a 3 289384.175 732.005 .000
Intersección 9684297.360 1 9684297.4 24496.692 .000
ruido 503265.341 1 503265.341 1273.023 .000
bloque 364880.817 1 364880.817 922.976 .000
ruido * bloque 6.366 1 6.366 .016 .899
Error 37951.759 96 395.331
Total 10590401.6 100
Total corregida 906104.284 99
a. R cuadrado = .958 (R cuadrado corregida = .957)
Gráfico interacción