Departamento de Estadística e Informática

Curso: Métodos Estadísticos para la Investigación I Diseño de Bloques Completos al Azar

Capítulo IV
Diseño de Bloques Completos al Azar

Algunos usan las estadísticas como el ebrio usa los faroles: para apoyo más que para
iluminación.
- Andrew Lang

1. Introducción

El Diseño Completamente al Azar (DCA) es aplicable en casos en los que la única fuente de
variabilidad son los tratamientos. En casos en los que se pueda identificar de antemano otras
fuentes de variación, que no constituyen el objetivo de la investigación, estas deberán ser
controladas por el experimentador. Esto puede ocurrir por ejemplo en experimentos en el
terreno, en donde se sabe que parcelas adyacentes suelen presentar resultados más
homogéneos entre sí que parcelas más separadas, o en experimentos en donde los datos se
toman por días, y en donde se sabe que los resultados pueden diferir entre los distintos días.
Estas fuentes de variación son controladas mediante la formación de bloques; la idea es
agrupar a las observaciones en los distintos bloques de modo que sean lo más homogéneas
dentro del bloque y heterogéneas entre bloques.
Al diseño que controla una fuente de variación adicional a los tratamientos se le conoce como
el Diseño de Bloques. En este capítulo se verá el Diseño de Bloques Completos al Azar
(DBCA), en el caso paramétrico y no paramétrico, y sus respectivas pruebas de comparación
de medias. Los bloques son completos porque todos los tratamientos aparecen en igual
número, usualmente una vez, dentro de cada bloque, y son al azar por que los tratamientos son
asignados aleatoriamente dentro de cada bloque. A este diseño se le conoce también como
diseño de clasificación de dos vías sin interacción (Two Way).
Los diseños de bloques pueden también ser incompletos balanceados. En este caso, los
bloques son incompletos porque no todos los tratamientos aparecen dentro de cada bloque, y
balanceados porque el número de tratamientos dentro de cada bloque es el mismo y cada
tratamiento se repite el mismo número de veces dentro del experimento.

Ing. Raúl Eyzaguirre Pérez 1

reyzaguirre@lamolina.edu.pe
2. Diseño de Bloques Completos al Azar (DBCA Clásico o Paramétrico)

2.1. Ventajas y Desventajas del DBCA

Ventajas:
- El agrupamiento de las unidades experimentales en bloques, debido a la existencia real de
esta fuente de variabilidad, aumenta la precisión del experimento con relación al DCA.
- No existen restricciones en cuanto al número de tratamientos o bloques.
- El análisis estadístico es simple.
- Si se pierden los datos de un bloque completo, estos pueden omitirse sin mayores
complicaciones para el análisis. Si faltan datos de unidades experimentales, estos pueden
estimarse.

Desventajas:
- Cuando la variabilidad entre las unidades experimentales dentro de los bloques es grande,
resulta un error experimental considerable. Esto ocurre usualmente cuando el número de
tratamientos es muy grande.
- Si existe interacción entre los bloques y los tratamientos, ésta va incluida en el error
experimental.
- Si no existe una real diferencia entre los bloques, habrá una pérdida de precisión en el
experimento con relación al DCA, debido a la disminución de los grados de libertad del
error.

2.2. Aleatorización y Croquis Experimental

En este diseño los tratamientos son asignados en forma aleatoria dentro de cada bloque. Por
ejemplo, suponga que va a evaluar 4 tratamientos con 3 repeticiones cada uno, en donde cada
repetición constituye un bloque; en este caso necesitará de 12 unidades experimentales. Para
asignar los tratamientos en forma aleatoria dentro de un bloque, genere 4 números al azar y
luego ordénelos del 1 al 4. A continuación se presenta un resultado obtenido utilizando la
función ALEATORIO() de Excel:

.565 .585 .077 .243

3 4 1 2

Con esta secuencia, en el primer bloque el primer tratamiento es asignado a la unidad

experimental 3, el segundo a la u.e. 4, el tercero a la u.e. 1 y el cuarto a la u.e. 2. A
continuación se presenta la aleatorización para los dos bloques restantes:

.970 .788 .200 .730

4 3 1 2

.977 .359 .755 .061

4 2 3 1
 El croquis para este experimento podría ser el siguiente:

Bloque 1 T3 T4 T1 T2
Bloque 2 T4 T3 T1 T2
Bloque 3 T4 T2 T3 T1

2.3. Modelo Aditivo Lineal

El modelo aditivo lineal para un diseño de bloques completos al azar es el siguiente:

Yij    i   j  ij i  1,..., j  1,..., b
t
donde:
Yij es el valor o rendimiento observado en el i-ésimo tratamiento, j-ésimo bloque.
 es el efecto de la media general.
i es el efecto del i-ésimo tratamiento.
j es el efecto del j-ésimo bloque.
ij es el efecto del error experimental en el i-ésimo tratamiento, j-ésimo bloque.
t es el número de tratamientos
b es el número de bloques.

Ejemplo 1: Tres diferentes soluciones están siendo estudiadas para evaluar su efectividad
en el retardo del crecimiento de bacterias en contenedores de leche de 5 galones. Los
análisis son hechos en un laboratorio y solo tres ensayos pueden efectuarse en un día dado.
Debido a que los días pueden ser una fuente de variabilidad, el investigador decide utilizar
un diseño de bloques completos al azar. Las observaciones fueron tomadas en cuatro días y
los datos (en UFC) se muestran en la siguiente tabla.

Días
Solución 1 2 3 4
1 13 22 18 39
2 16 24 17 44
3 5 4 1 22

El modelo aditivo lineal es el siguiente:

Yij     i   j  ij i  1,..., j  1,..., b
t

donde:
- Yij es el número de UFC observado con la i-ésima solución, j-ésimo día (bloque).
-  es el efecto de la media general.
- i es el efecto de la i-ésima solución.
- j es el efecto del j-ésimo día (bloque).
- ij es el efecto del error experimental con la i-ésima solución, j-ésimo día (bloque).
 - t = 3 (Número de tratamientos)
- b = 4 (Número de días o bloques).

2.4. Supuestos del Modelo Estadístico

El modelo estadístico debe cumplir con los siguientes supuestos:

1. Aditividad: Los efectos del modelo son aditivos.
2. Linealidad: Las relaciones entre los efectos del modelo son lineales.
3. Normalidad: Los errores del modelo deben tener una distribución normal con media cero y
variancia 2.
4. Independencia. Los resultados obtenidos en el experimento son independientes entre sí.
5. Homogeneidad de Variancias: Las diferentes poblaciones generadas por la aplicación de
los diferentes tratamientos tienen variancias iguales (2).
6. No existe interacción entre los bloques y los tratamientos.

2.5. Estimación de los Efectos

Los efectos del modelo, , i y j, son estimados de modo que se minimice la siguiente
expresión (Método de Mínimos Cuadrados):
t ri t ri

Q    (Y ij   2
ij i   )2
j

i1 j i i1 j i

teniendo en cuenta las siguientes restricciones:

t b

 i  0
i1

j 1
j 0

La aplicación de este método da los siguientes resultados para la estimación de los

parámetros:


ˆ  Y ˆi  Yi  Y

ˆ j  Y j  ˆij  Yij  Yi  Y j 

Y Y

Ejemplo 1 (Cont.): Con los datos del ejemplo anterior, la media estimada es:
ˆ  18.75
Los efectos estimados de los tratamientos:
ˆ1  Y1  Y  23 18.75  4.25
 ˆ2  Y2  Y  25.25 18.75  6.5

ˆ3  Y3  Y  8 18.75 

10.75 Los efectos estimados de los bloques:

ˆ1  Y1   11.33 18.75  7.42

Y

ˆ2  Y2  Y  16.67 18.75  2.08

ˆ3  Y3  Y  12 18.75  6.75

ˆ4  Y4  Y  35 18.75 

16.25 El efecto estimado del error 24:

ˆ24  Y24  Y2  Y4  Y  44  25.25  35 18.75  2.5

2.6. Análisis de Variancia

En este modelo la variabilidad total se descompone en tres fuentes de variación, la explicada

por los tratamientos, la explicada por los bloques y la explicada por el error. Por lo tanto, el
modelo de descomposición de la variancia será el siguiente:
Variabilidad (Total) = Var (Tratamientos) + Var (Bloques) + Var (Error)
La variabilidad total es cuantificada por la suma de cuadrados total:
t
 SC(Y )   (Yij 
b

t b
Y 2
 Y
2
SC(Total)
Y ) ij
2

i1
j 1 i1 j 1 tb
2
donde Y es el término de corrección (TC).
tb
Las sumas de cuadrados de los tratamientos, bloques y error se calculan de la siguiente
manera:
t
Yi2
SC(Tratamientos)    TC
i1 b
b
Y j2
SC(Bloques)    TC
j 1 t
t b t
Y 2 b Y j2
SC(Error)  Y 2   i    TC
i
i1 j i1 b j 1 t
j 1
SC(Error) = SC(Total) - SC(Tratamientos) – SC(Bloques)
Estas fuentes de variación son comparadas mediante el siguiente procedimiento de prueba de
hipótesis a partir del cuadro de análisis de variancia (Cuadro ANVA):

Cuadro ANVA

Fuentes de Grados de Sumas de Cuadrados

Fc
Variación Libertad (gl) Cuadrados (SC) Medios (CM)
SC(Trat) CM(Trat)
Tratamientos t–1 SC(Trat)
gl(Trat) CM(Error)
SC(Bloqes)
Bloques b–1 SC(Bloques)
gl(Bloques)
Error SC(Error)
(t – 1)( b – 1) SC(Error)
Experimental gl(Error)

Total tb – 1 SC(Total)

Hipótesis:
Para el Modelo I (Efectos fijos) las hipótesis son, en términos de los efectos de los
tratamientos las siguientes:
H0: i = 0  i
H1: i  0 para al menos algún i
En términos de las medias de los tratamientos:
H0: i =   i
H1: i   para al menos algún i
Para el Modelo II (Efectos aleatorios) las hipótesis serán planteadas en términos de la
variancia de los tratamientos:

H0:  2 = 0
H1:  2 > 0

En cualquiera de los casos, la hipótesis nula implica que los tratamientos no afectan a la
variable respuesta o lo que es lo mismo, que con todos los tratamientos se obtienen los
mismos resultados.

Valores Esperados de los Cuadrados Medios:

En la siguiente tabla se presentan los valores esperados de los cuadrados medios para un
experimento en DBCA, en el caso de efectos fijos y aleatorios tanto para los tratamientos
como para los bloques.
 Grados de Valor Esperado de los Cuadrados Medios
Fuentes de Variación Modelo I Modelo II
Libertad (gl)
 2  t 2
Tratamientos t–1 i i1 t
 2  b 2
b 
1

Bloques b–1
2j
 2  t 
b
 2  t 2

j1 b 1

Error Experimental (t – 1)( b – 1)

2 2

Total tb – 1

Estadístico de Prueba:

Fc  CM(Trat) F
CM(Error) gl(Trat ),gl(Error)

Regla de Decisión:
La hipótesis nula se rechaza con un nivel de significación  si el Fc resulta mayor que el valor
de tabla F1 , gl(Trat),gl(Error) .

Ejemplo 1 (Cont.): A continuación se presenta el análisis de variancia y la prueba de

hipótesis correspondiente para el ejemplo tratado en esta sección:
t b

SC(Total)  Y ij TC

2

i1 j 1

2 2 2 2252
 (13   ...  22 )  
22 1862.25 (3)(4)

t
Y2
SC(Tratamientos)   i  TC
i1 b
922 1012 322 2252
     703.5
4 4 4 (3)(4)
b
Y2j
SC(Bloques)    TC
j 1 t

342 502 362 1052

     225
2
 1106.92
3 3 3 3 (3)(4)

SC(Error) = SC(Total) - SC(Tratamientos) - SC(Bloques) = 51.83

Cuadro ANVA
Fuentes de Variación gl SC CM Fc
Tratamientos 2 703.5 351.75 40.72
Bloques 3 1106.92 368.97
Error Experimental 6 51.83 8.64
Total 11 1862.25

45
40
35

30
25
UFC

20
15

10
5
0

1 2 3
Solución

Asumiendo un modelo de efectos fijos, las hipótesis en términos de los efectos de los
tratamientos son:
H0: i = 0 i = 1, 2, 3
H1: i  0 para al menos algún i
En términos de las medias de los tratamientos:
H0: i =  i = 1, 2, 3
H1: i   para al menos algún i
o literalmente:
H0: Las tres soluciones son igualmente efectivas en el retardo del crecimiento de bacterias
en contenedores de leche.
H1: Al menos una de las soluciones tienen una efectividad diferente en el retardo del
crecimiento de bacterias en contenedores de leche.
El estadístico de prueba es Fc = 40.72. El valor de tabla para un nivel de significación del
5% es F0.95, 2,6  5.14. Dado que el estadístico de prueba resulta mayor que el valor de
tabla se rechaza H0. En conclusión, existe suficiente evidencia estadística para aceptar que
las tres soluciones no son igualmente efectivas en el retardo del crecimiento de bacterias en
contenedores de leche.
El coeficiente de variación para este experimento es:
 8.64
cv  CME =  15.68%
Y 18.75

3. Pruebas de Comparación de Medias de Tratamientos

En esta sección se aplicarán las mismas pruebas presentadas en el capítulo correspondiente al

Diseño Completamente al Azar. Los supuestos y características de cada prueba son los
mismos. A continuación se presentan las desviaciones estándar a utilizar en cada una de las
pruebas:

2CME
1. Prueba t y DLS sd  b

t
c2
2. Contrastes Ortogonales s Lˆ  CME
i1 b
i

3. Tukey CME
sd 
b

4. Dunnett 2CME
sd 
b

Ejemplo 1 (Cont.): Utilice la prueba t para evaluar si la solución 1 es más eficiente que la
solución 2 (Note que con la solución más eficiente se tendrá menos bacterias)
H0: 2 - 1 = 0
H1: 2 - 1 > 0

(Y2  Y1 )  k (25.25  23)  0

tc   2(8.64)  1.08
2CME
b 4

El valor de tabla para un nivel de significación de 5% es t(0.95, 6) = 1.943. Como el valor

calculado es menor al valor de tabla no se rechaza H 0. En conclusión, no existe suficiente
evidencia estadística para aceptar que la solución 1 sea más efectiva que la solución 2 en el
retardo del crecimiento de bacterias.

Ejemplo 1 (Cont.): Aplique la prueba DLS para comparar las soluciones 1 y 3.

H0: 1 = 3
H1: 1  3

2(8.64)
4
 DLS = t(0.975, 6) 2CME = 2.447 = 5.09
b
Y
Y1 3  23  8  15

Como  es mayor al DLS se rechaza H0. En conclusión, existe suficiente evidencia

Y
Y1 3
estadística para aceptar que las soluciones 1 y 3 no son igualmente eficientes en el retardo
del crecimiento de bacterias.

Ejemplo 1 (Cont.): Utilice un contraste que permita comparar las soluciones 1 y 2 con la
3.
El contraste a evaluar en este caso es L = 1 + 2 - 23, y las hipótesis son:
H0: L = 0
H1: L  0
El cálculo del estadístico de prueba es el siguiente:

Lˆ  Y1  Y2  2Y3  32.25

sLˆ   (1)2 (1) 2 ( 2) 2 

CME    3.60
 44 4 
t
Lˆ  L0 32.25  0

8.96  
s Lˆ 3.60

El valor de tabla para un nivel de significación de 5% es t(0.975, 6) = 2.447. Como el valor

calculado es mayor al valor de tabla se rechaza H0. En conclusión, existe suficiente
evidencia estadística para aceptar que la eficiencia en el retardo del crecimiento de
bacterias de las soluciones 1 y 2 es diferente a la de la solución 3.

Ejemplo 1 (Cont.): Aplique la prueba de Tukey para evaluar la significancia de las

diferencias entre los tratamientos.
Las hipótesis son las siguientes:
H0: 1 = 2 H0: 1 = 3 H0: 2 = 3
H0: 1  2 H0: 1  3 H0: 2  3
El valor de tabla con  = 5%, p = 3 tratamientos y 6 grados de libertad para el error
experimental es AES(T) = 4.34. La amplitud límite significativa de Tukey es:

ALS(T) = AES(T) CME = 4.34  6.38

b
 8.64
4
A continuación se presentan los resultados para las 3 comparaciones:
 Tratamientos
comparados Yi  Yj Significancia
1y2 2.25 n.s.
1y3 15.00 *
2y3 17.25 *

Solución 3 Solución 1 Solución 2

8 23 25.25

Ejemplo 1 (Cont.): Suponga que la solución 1 es el tratamiento testigo. Aplique la prueba

de Dunnett.
H0: 1 = 2 H0: 1 = 3
H1: 1  2 H1: 1  3
El valor de tabla con  = 5%, p = 2 tratamientos sin considerar el control y 6 grados de
libertad para el error experimental es t(Dn) = 2.86. La amplitud límite significativa de
Dunnett es:

ALS(Dn) = t(Dn) 2CME = 2.86

2(8.64)
 5.94
b 4

A continuación se presentan los resultados para las 2 comparaciones:

Tratamientos Y3  Yi Significancia

comparados
1y2 2.25 n.s
1y3 15.00 *

En este caso, solo la solución 3 presenta resultados significativamente diferentes a los del
testigo.

4. Prueba de Friedman

La prueba de Friedman es la alternativa no paramétrica para el diseño de bloques completos al

azar.

4.1. Datos
Los datos consisten de k muestras relacionadas (correspondientes a los k tratamientos), cada
una de tamaño b (número de bloques).
Asigne el rango 1 a la observación más pequeña, 2 a la segunda y así sucesivamente hasta la
más grande de las k observaciones dentro de cada bloque. En caso de empates utilice la media
de los rangos correspondientes. Sea R(Xij) el rango asignado a la observación Xij dentro del
bloque j y sea Ri la suma de los rangos asignados a la muestra i:
b

Ri   R( X ij )
j 1

Calcule Ri para cada muestra (tratamiento).

4.2. Supuestos

1. Los b bloques son mutuamente independientes (Los resultados dentro de un bloque no

influyen en los resultados dentro de los otros).
2. La escala de medida es al menos ordinal, de modo que las observaciones pueden ser
ordenadas dentro de cada bloque.

4.3. Procedimiento de Prueba

Hipótesis:
H0: Los tratamientos tienen los mismos efectos.
H1: Al menos uno de los tratamientos tiene un efecto diferente.

Estadístico de Prueba:
Primero calcule los valores A y B:

A   R(
i1 j
)
 Bb
1 k Ri2
i1
1 Xij
2

Si no hay empates, A se simplifica a:

bk (k 1)(2k 1)
A 6
El estadístico de prueba es:

k 1 bB  b2k  k 12 

 4 
T
bk k 12
A
4

Regla de Decisión:

La hipótesis nula se rechaza con un nivel de significación  si T resulta mayor que el valor de
tabla  (1
2
 ,k 1).
Ejemplo 2: Se desea comparar la calidad de 4 marcas de vino. Para ello, se le pide a 8
jueces que prueben (en orden aleatorio) cada una de las 4 muestras y las califiquen en una
escala del 0 al 10. Los resultados se presentan a continuación:

Juez
Vino 1 2 3 4 5 6 7 8
A 9 7 8 6 5 8 6 4
B 8 5 8 2 4 4 3 2
C 9 6 7 6 4 7 5 3
D 5 5 3 5 4 5 6 4

¿Existen diferencias significativas entre las calidades de los vinos?

7
Calificativo

A B C D
Vino

H0: Los cuatro vinos son de la misma calidad.

H1: Al menos uno de los vinos es de diferente calidad.
La asignación de los rangos a las observaciones de menor a mayor dentro de cada bloque
(juez) se presenta en el siguiente cuadro:

Juez
Vino 1 2 3 4 5 6 7 8 Ri
A 3.5 4 3.5 3.5 4 4 3.5 3.5 29.5
B 2 1.5 3.5 1 2 1 1 1 13
C 3.5 3 2 3.5 2 3 2 2 21
D 1 1.5 1 2 2 2 3.5 3.5 16.5

Los valores de A y B son:

1
A     R( )  2  B
b
4 R2  219.0625
i
i1 j i1
1 Xij 235

El estadístico de prueba es:

 b2k  k 12  
 k(8)12 (4)(4
bB 1) 
2

4
 (4 1) (8)(219.0625) 
 
T  4  13.07
bk  k = (8)(4)(4 1)2
12

A 235 
4 4
El valor de tabla para un nivel de significación del 5% es
 (0.95,3)
2
= 7.815. Como el
estadístico de prueba resulta mayor que el valor de tabla se rechaza H 0 y se concluye que
existe suficiente evidencia estadística para aceptar que al menos uno de los vinos es de
diferente calidad.

4.4. Comparaciones Múltiples

Si la hipótesis nula es rechazada, la prueba de Friedman presenta un procedimiento para

comparar a los tratamientos por pares. Se dirá que los tratamientos i y j difieren
significativamente si satisfacen la siguiente desigualdad:

2b( A  B)
Ri  Rj  t
1 / 2,(b1)(k 1) (b 1)(k 1)

Ejemplo 2 (Cont.): Con los datos del ejemplo anterior se tiene:

t1 / 2,(b1)(k 1)  t(0.975,21)  2.08

2(8)(235  219.0625)
t1 / 2,(b1)(k 2b( A  B)
= 2.08 21  7.25
1) (b 1)(k 1)

Tratamientos Ri  Rj Significancia
comparados
AyB 16.5 *
AyC 8.5 *
AyD 13 *
ByC 8 *
ByD 3.5 n.s.
CyD 4.5 n.s.

Se encuentran diferencias significativas en todas las comparaciones salvo en B con D y C

con D. Una representación gráfica de estas comparaciones sería la siguiente:

Tratamiento: B D C A
Ri: 13 16.5 21 29.5
Anexo: Salida de Minitab
Ejemplo 1
Two-way Analysis of Variance
Analysis of Variance for UFC
Source DF SS MS F P
Trat 2 703.50 351.75 40.72 0.000
Bloq 3 1106.92 368.97 42.71 0.000
Error 6 51.83 8.64
Total 11 1862.25

Tukey Simultaneous Tests

Response Variable UFC
All Pairwise Comparisons among Levels of Trat

Trat = 1 subtracted from:

Level Difference SE of Adjusted

Trat of Means Difference T-Value P-Value
2 2.25 2.078 1.083 0.5578
3 -15.00 2.078 -7.217 0.0009

Trat = 2 subtracted from:

Level Difference SE of Adjusted

Trat of Means Difference T-Value P-Value
3 -17.25 2.078 -8.300 0.0004

Dunnett Simultaneous Tests

Response Variable UFC
Comparisons with Control Level
Solución = 1 subtracted from:

Level Difference SE of Adjusted

Solución of Means Difference T-Value P-Value
2 2.25 2.078 1.083 0.4919
3 -15.00 2.078 -7.217 0.0007

Ejemplo 2
Friedman Test
Friedman test for Resp by Vino blocked by Juez

S = 11.44 DF = 3 P = 0.010
S = 13.07 DF = 3 P = 0.004 (adjusted for ties)

Est Sum of
Vino N Median Ranks
1 8 6.625 29.5
2 8 4.625 13.0
3 8 5.750 21.0
4 8 5.000 16.5

Grand median = 5.500

Ejercicios

1. El propósito del experimento es comparar cuatro procesos, A, B, C y D para la producción

de penicilina. La materia prima, licor de maíz, es algo variable y sólo puede ser preparada
en cantidad suficiente para cuatro ensayos. De este modo, cinco preparaciones son
necesarias para poder contar con cinco repeticiones. Los resultados del experimento, para
la producción de penicilina en mg se presentan en la siguiente tabla:

Preparación
Proceso I II III IV V
A 85 81 82 85 82
B 85 79 86 89 81
C 97 92 89 91 86
D 93 85 87 88 87

a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en términos
del enunciado.
b) Efectúe el análisis de variancia.
c) Se justifica el uso de los bloques. Explique brevemente.
d) Realice las comparaciones por pares en caso sea necesario. Concluya mediante el
diagrama de líneas.
e) Antes de realizar el experimento se tenía principal interés en comparar los procesos C y D.
Realice la prueba correspondiente.
f) Los procesos A y B son dos variantes de una metodología, llamémosla metodología 1, y
los procesos C y D son variantes de otra, llamémosla metodología 2. Se cree que la
metodología 2 es mejor que la metodología 1. ¿Aportan los resultados de este experimento
suficiente evidencia para aceptar que la metodología 2 es mejor que la 1?

2. Se realizó un experimento para comparar el contenido de colesterol de 3 alimentos

dietéticos. Cada uno de los 3 laboratorios que fabrican alimentos dietéticos produce
alimentos de estos 3 tipos en paquetes de similar peso. Al evaluar el contenido de
colesterol (en miligramos por paquete) se obtuvo los siguientes resultados:

Alimento Laboratorio
Dietético 1 2 3
A 13 15 12
B 17 18 14
C 15 18 13

a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en términos
del enunciado.
b) Efectúe el análisis de variancia.
c) Mediante la prueba DLS compare el contenido medio de colesterol de los alimentos A y
B.
d) Realice la prueba de Tukey. Resuma sus resultados mediante el diagrama de líneas.
3. En un experimento de riegos en el cultivo de algodón se tuvieron los siguientes
tratamientos que están expresados en metros cúbicos de agua absorbidos por hectárea:
T1=5400, T2=4800, T3=4200 y T4=3600. El experimento se condujo en parcelas de 300
m2 de área útil y los resultados están expresados en kilogramos. A continuación se dan los
rendimientos:

Tratamientos
Bloques T1 T2 T3 T4
I 68 73 53 50
II 86 90 62 62
III 68 71 46 50

a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en términos
del enunciado.
b) Efectúe el análisis de variancia.
c) Realice la prueba de Tukey.
d) Efectúe la prueba DLS para comparar los tratamientos T3 y T4.
e) ¿Se puede afirmar que con T2 el rendimiento por parcela supera en más de 80 kilogramos
al que se obtiene con T4?

4. Con la finalidad de estudiar el efecto de los tratamientos de semilla de soya sobre el % de

germinación, se llevó a cabo un experimento conducido en el DBCA. En el experimento
se utilizaron 3 tratamientos + 1 testigo (semillas no tratadas), en 4 unidades
experimentales. Los resultados fueron:

Tratamiento
Bloque Testigo A B C
1 92 98 96 91
2 90 94 90 93
3 88 93 91 97
4 86 91 89 95

a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en términos
del enunciado.
b) Efectúe el análisis de variancia.
c) Realice la prueba de Dunnett.

5. Un investigador realiza un estudio de la efectividad de cuatro cremas para el tratamiento

de un cierto tipo de enfermedad cutánea. Él cuenta con 28 pacientes para dividirlos en
cuatro grupos de 7 pacientes cada uno. Los pacientes son evaluados y colocados en
bloques de cuatro de acuerdo a la severidad de la condición inicial de su piel. De esta
manera, los cuatro casos más severos son asignados al primer bloque, los cuatro siguientes
más severos al segundo, y así hasta completar el séptimo bloque con los cuatro casos
menos severos. Los cuatro miembros de cada bloque fueron asignados aleatoriamente, uno
a cada uno de los cuatro tratamientos. Al final del tratamiento, cada paciente fue
nuevamente evaluado y calificado en una escala del 1 al 7 de acuerdo al estado final de su
 piel. El calificativo de 7 corresponde a una piel completamente sana. Los resultados del
experimento se presentan en la siguiente tabla:

Bloque
Crema 1 2 3 4 5 6 7
1 3 3 4 4 3 4 5
2 4 4 6 5 5 6 6
3 5 4 6 5 5 7 7
4 4 5 4 6 4 6 7

a) ¿Existen diferencias significativas entre las cremas?

b) Realice las comparaciones por pares.

6. A seis soldadores, con diferente nivel de experiencia, se les pidió que unieran dos tubos
metálicos utilizando 5 diferentes tipos de llama. Las llamas fueron utilizadas en orden
aleatorio por cada soldador. Las soldaduras ya terminadas fueron evaluadas sobre una
variedad de factores cualitativos y calificadas del 1 al 10, donde 10 representa un trabajo
perfecto. Los resultados fueron los siguientes:

Tipo de llama
Soldador 1 2 3 4 5
1 3.9 4.1 4.2 4.1 3.3
2 9.4 9.5 9.4 9.0 8.6
3 9.7 9.3 9.3 9.2 8.4
4 8.3 8.0 7.9 8.6 7.4
5 9.8 8.9 9.0 9.0 8.3
6 9.9 10.0 9.7 9.6 9.1

a) Efectúe la prueba de Friedman con estos datos.

b) Efectúe las comparaciones por pares.
c) Efectúe las prueba utilizando métodos paramétricos. Suponga que se cumple con todos los
supuestos.
c