CAPÍTULO III

Experimentos simples con más de dos tratamientos

Diseño completamente al azar (DCA)

Introducción

Es el diseño estadístico más elemental y sencillo utilizado en la investigación, utilizado

generalmente en laboratorio, y no es empleado en experimentos de campo debido a que exige
una estricta homogeneidad en las unidades experimentales y el control del medio ambiente.

Características, ventajas, desventajas, usos

- Es el diseño más simple y aplicable solo cuando las unidades experimentales son
homogéneas.
- Los tiramientos son asignados completamente al azar ( sin restricción en el azar) en las
unidades experimentales o viceversa.
- Los tratamientos pueden tener igual o diferente número de unidades experimentales.
- El número de tratamientos está en función del número de unidades experimentales que se
disponen, es conveniente tener menor número de tratamientos y más unidades
experimentales.

Ventajas

- Fácil de planear y flexible en cuanto al número de tratamientos y repeticiones

- Se puede tener diferente número de repeticiones por tratamiento
- Si se pierde uno o más tratamientos del experimento, el análisis estadístico se realiza con los
tratamientos restantes.
- Permite tener el máximo número de grados de libertad para estimar el error experimental.
- En caso que hubiera perdida de una unidad experimental se puede considerar un diseño con
diferente número de repeticiones por tratamiento y no afecta al análisis de varianza

Desventajas

- Es apropiado para pequeño número de tratamientos y para un material experimental

homogéneo.
- No es recomendable utilizar cuando el material experimental no es homogéneo, debido a
que incrementa el error experimental.
- La dificultad de encontrar uniformidad en las unidades experimentales
- Es más apropiado para pequeño número de tratamientos
- Cuando se tiene diferente número de repeticiones por tratamientos es necesario calcular el
error estándar para cada par de promedios de tratamientos a comparar.

Usos

- Puede ser aplicado en todos los campos de la investigación

- Muy utilizado en experimentos de invernadero, laboratorio, establos, etc.
- No se utilizan en el campo.

1. Diseño completamente al azar con una observación por unidad experimental para
cada tratamiento
 Métodos Estadísticos para la Investigación experimental

1.1. Diseño con número diferente de observaciones por tratamiento

Modelo aditivo lineal

Yij     i   ij

Para i = 1,2,3,..... t tratamientos; j = 1,2,3,..... ri observaciones o repeticiones

Yij: Observación de la variable respuesta con i-ésimo tratamiento, j-ésima repetición

µ : Efecto de la media poblacional
τi : Efecto del i-ésimo tratamiento
εij : Efectos aleatorio (error experimental) que pertenece a la Yij observación de la
variable respuesta con i-ésimo tratamiento, j-ésima repetición

Supuestos básicos 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 µi y varianza σ2
4. Independencia: Los resultados obtenidos en el experimento son independientes
entre si
5. Homogeneidad de varianzas: Las diferentes poblaciones generadas por la aplicación
de los diferentes tratamientos tienen varianzas iguales (σ2)

Análisis de varianza

Hipótesis:

H 0 : i  0 H 0 : i  0
ó
H a : i  0 H a : i  0 ( No todos son iguales )

Nivel de significación:   0.05 ó 0.01 etc.

Estadística de prueba: Fc del análisis de varianza

Tabla 3.1 Cuadro de análisis de varianza para el diseño completo al azar con diferente
número de repeticiones por tratamiento
Fuente de Suma de Grados de Cuadrados Fc
Variación Cuadrados Libertad Medios
Tratamiento SC tratamiento t-1 CM tratamiento CM tratamiento/CME
Error SC error t CME
 (ni  1)
i 1
Total SC total t

n
i 1
i 1

27
Elías Alberto Torres Armas, Lic. Ms. C.

Tabla 3.2. Representación simbólica de los datos del diseño

completo al azar (DCA).
Observaciones Tratamientos
T1 T2 T3 .. Tt
1 Y11 Y21 Y31 .. Yt1
2 Y12 Y22 Y32 .. Yt2
3 Y13 Y23 Y33 .. Yt3
4 Y14 Y24 Y34 .. Yt4
. . . . . .
. . . . . .
R ..
Y1r1 Y1r2 Y1r3 Y1ri
TOTAL Y1. Y2. Y3. . Yt. Y..
Repeticiones r1 r2 r3 … ri t

r
i 1
i

Para i = 1,2,3, ....., t tratamientos y j = 1,2,3, ...., r repeticiones

Calculo de las sumas de cuadrados

t r
Y..2
 Suma de cuadrados para el total SCtotal   Y  2
ij t
i 1 j 1
r
i 1
i

Y 2
i.
Y..2
 Suma de cuadrados para tratamientos SCtratamiento  i 1
 t

r
ri
i
i 1

 Suma de cuadrados para el error: SCerror  SCtotal  SCtratamiento

Decisión. Rechace Ho si Fc>Ft

Conclusión. El análisis de varianza concluirá en la existencia o no de por lo menos

un promedio de tratamiento diferente que los demás respecto al reporte de las
observaciones de la variable respuesta en estudio. En investigador deseará saber cuál es
ese tratamiento, pues entonces tendrá que realizar una prueba de comparaciones
múltiples de promedios de tratamientos; que más adelante será una exposición
detallada de algunas de algunas pruebas, las más usuales.

Ejemplo:

Un Ingeniero en agroindustrial evalúa el tiempo de vida útil de mermelada de piña

haciendo variar el porcentaje de conservante. Realizó diferente número de ensayos
para cada uno de los porcentajes de conservante en estudio. Después de un tiempo o
periodo de referencia se concluyó con la evaluación y los datos se reportaron en la
siguiente tabla:

28
 Métodos Estadísticos para la Investigación experimental

Tabla 3.3. Vida útil de la mermelada de

piña a distintos porcentajes de
conservante

% Conservante
Repetición 0.01 0.02 0.03 0.04
1 20 17 32 28
2 22 19 30 25
3 26 20 28 23
4 25 - - 26
5 21 - - -
6 23 - - -
Total 137 56 90 102 385
ri 6 3 3 4 16

Modelo aditivo lineal

Yij     i   ij

Para i = 1,2,3,..... t tratamientos; j = 1,2,3,..... ri observaciones o repeticiones

Yij : Vida útil de la mermelada de piña con el i-ésimo porcentaje de conservante, j-

ésima repetición
µ : Efecto de la media poblacional
τi : Efecto del i-ésimo porcentaje de conservante
εij : Efectos aleatorio (error experimental) que pertenece a la (Yij) vida útil de la
mermelada de piña con el i-ésimo porcentaje de conservante, j-ésima repetición

Análisis de varianza

Hipótesis: H0: t1=t2=t3=t4

Ha: t1t2t3 t4 (Al menos uno de los tratamientos es diferente)

H 0 : i  0
H a : i  0 ( No todos son iguales )

Nivel de significación:   0.05 ó 0.01

Estadística de prueba: Fc del análisis de varianza

Cálculos:
( 385 ) 2
SC total = 202 + 222 + ... 262 -  262.93
16
137 2 562 902 1022 ( 385 ) 2
SC trat = + + + -  210.44
6 3 3 4 16
SC error = SC total - SC trat = 52.49

29
Elías Alberto Torres Armas, Lic. Ms. C.

Tabla 3.4. Análisis de varianza de la vida útil de la mermelada de piña con

diferentes porcentajes de conservante
Fuente de Suma de Grados de Cuadrados Fc Significación
Variación Cuadrados Libertad Medios
Tratamiento 210.44 3 70.15 16.05 * (**)
Error 52.49 12 4.37
Total 262.93 15

Observe que Fc>Ft tanto para 5% (F0.05=3.49) como para 1% (F0.01=5.95), lo que
significa que al menos uno de los tratamientos es (*) significativo y/o (**) altamente
significativo

Figura 3.1. Salida del stagraphics plus v.5.1

Rechace Ho si p-valor es menor que el nivel de significación (0,0002<0,05 y

0,0002<0,01 entonces rechazamos Ho)

Decisión. Rechazar H0 porque Fc>Ft tanto para 5% (F0.05=3.49) como para 1%

(F0.01=5.95) ó (p=0,0002<0,05 y p= 0,0002<0,01)

Conclusión. No hay evidencias suficientes para aceptar la igualdad entre los

tratamientos. Existe evidencia estadística suficiente para afirmar, que al menos uno de
los porcentajes de conservante es significativamente (*) (altamente significativo (**))
en la vida útil de la piña de mermelada. Para saber cuál es el porcentaje significativo se
debe aplicar una prueba de comparación múltiple de promedios de tratamientos que se
verá con detalle más adelante.

1.2. Diseño con número igual de observaciones por tratamiento

Modelo aditivo lineal

Yij     i   ij

Para i = 1,2,3,..... t tratamientos y j = 1,2,3,..... r observaciones o repeticiones

Yij: Observación de la variable respuesta con i-ésimo tratamiento, j-ésima repetición

µ : Efecto de la media poblacional
τi : Efecto del i-ésimo tratamiento
εij : Efectos aleatorio (error experimental) que pertenece a la Yij observación de la
variable respuesta con i-ésimo tratamiento, j-ésima repetición.

Supuestos básicos modelo estadístico:

1. Aditividad: Los efectos del modelo son aditivos

30
 Métodos Estadísticos para la Investigación experimental

2. Linealidad: Las relaciones entre los efectos del modelo son lineales
3. Normalidad: Los errores del modelo deben tener una distribución normal con
media µi y varianza σ2
4. Independencia: Los resultados obtenidos en el experimento son independientes
entre si
5. Homogeneidad de varianzas: Las diferentes poblaciones generadas por la
aplicación de los diferentes tratamientos tienen varianzas iguales (σ 2)

Análisis de varianza

Hipótesis:
H 0 : i  0 H 0 : i  0
ó
H a : i  0 H a : i  0 ( No todos son iguales )

Nivel de significación:   0.05 ó 0.01 etc.

Estadística de prueba: Fc del análisis de varianza

Tabla 3.5. Cuadro de análisis de varianza para el diseño completo al azar con igual
número de repeticiones por tratamiento
Fuente de Suma de Grados de Cuadrados Fc
Variación Cuadrados Libertad Medios
Tratamiento SC tratamiento t-1 CM tratamiento CM tratamiento/CME
Error SC error t(r-1) CME
Total SC total rt-1

Tabla 3.2. Representación simbólica de los datos del diseño

completo al azar (DCA).
Observaciones Tratamientos
T1 T2 T3 .. Tt
1 Y11 Y21 Y31 .. Yt1
2 Y12 Y22 Y32 .. Yt2
3 Y13 Y23 Y33 .. Yt3
4 Y14 Y24 Y34 .. Yt4
. . . . . .
. . . . . .
R Y1r Y2r Y3r … Ytr
TOTAL Y1. Y2. Y3. . Yt. Y..
Repeticiones R r R … r rt
Para i = 1,2,3, ....., t tratamientos y j = 1,2,3, ...., r repeticiones

Calculo de las sumas de cuadrados

t r
Y..2
 Suma de cuadrados para el total SCtotal   Y  2
ij
i 1 j 1 tr
t

Y 2
i.
Y..2
 Suma de cuadrados para tratamientos SCtratamiento  i 1

r tr
 Suma de cuadrados para el error SCerror  SCtotal  SCtratamiento

31
Elías Alberto Torres Armas, Lic. Ms. C.

Decisión. Rechace Ho si Fc>Ft

Conclusión. El análisis de varianza concluirá en la existencia o no de por lo menos

un promedio de tratamiento diferente que los demás respecto al reporte de las
observaciones de la variable respuesta en estudio. En investigador deseará saber cuál es
ese tratamiento, pues entonces tendrá que realizar una prueba de comparaciones
múltiples de promedios de tratamientos; que más adelante será una exposición
detallada de algunas de algunas pruebas, las más usuales.

Ejemplo:

Se llevó a cabo un experimento para evaluar el efecto de 4 dietas alimenticias de

concentrado con diferentes dosis de maíz amarillo duro, en el incremento en peso de
ganado porcino, utilizándose para ello 20 camadas de cerdos de la misma raza, de la
misma parición y del mismo día de nacidos, obteniéndose los siguientes resultados:

B2 A1 C20 C15 D7 C9 B16 A11 B12 D3

D10 B19 A6 C14 D18 B4 A17 D5 A8 C13

A. 20%m.a.d. B. 30%m.a.d. C. 40%m.a.d. D. 50%m.a.d.

Los datos se registraron en la siguiente tabla:

Tabla 3.3. Incremento en peso de ganado porcino a diferentes

dosis alimenticias de amarillo duro
Dietas
Observaciones A B C D
1 1 2 20 10
2 6 19 15 7
3 17 4 14 18
4 11 16 9 5
5 8 12 13 3


Incremen to en peso de ganado porcino

20

15

10


1 2 3 4

Gráfico
Die ta alim enticia 3.1. Incremento
de concentr adodea peso
diferdeentes
ganado porcino
dos isa de maíz am ar illo duro
diferentes dietas alimenticias de maíz amarillo duro

32
 Métodos Estadísticos para la Investigación experimental

Del gráfico interactivo: diagrama de cajas y bigotes, por simple inspección se puede
mencionar que no hay diferencia entre los niveles del factor, es decir entre los distintos
porcentajes de concentrado de maíz amarillo duro, aun cuando en las dietas B y C se
observen ganancias más altas. La dieta C se encuentra concentrado respecto a la media,
pero tiene valores anómalos, mediciones que afectan a la misma, así como la dieta D.

Obsérvese que en el diseño está presente cada uno de los siguientes elementos:

Variable respuesta: Incremento en peso de ganado porcino

Factor: Dieta alimenticia de concentrado a diferentes dosis de maíz amarillo duro
Niveles del factor A:20%m.a.d. B:30%m.a.d. C:40%m.a.d. D:50%m.a.d.
Número de repeticiones por tratamiento: 5
Unidad experimental: Camada de cerdos, 20u.e.

Modelo Lineal Aditivo:

Yij     i   ij
Para i = 1, 2, 3,..., 4 tratamientos t=4, j = 1,2,3,..... 5 observaciones o repeticiones
r=5

Yij : Incremento en peso de ganado porcino en la i-ésisma dieta alimenticia y j-ésima

repetición.
µ : Efecto de la media general
τi : Efecto de la i-ésima dieta alimenticia
εij : Error experimental (efecto verdadero) que pertenece a la i-ésisma dieta alimenticia
y j-ésima repetición.

Supuestos básicos modelo estadístico:

El modelo estadístico debe cumplir con los siguientes supuestos:

Aditividad: Los efectos del modelo son aditivos

Linealidad: Las relaciones entre los efectos del modelo son lineales
Normalidad: Los errores del modelo deben tener una distribución normal con media µi
y varianza σ2 .
Independencia: Los resultados obtenidos en el experimento son independientes entre
sí.
Homogeneidad de varianzas: Las diferentes poblaciones generadas por la aplicación de
los diferentes tratamientos tienen varianzas iguales (σ2)

Análisis de Varianza

Hipótesis: H0: t1 = t2 = t3 = t4
Ha: t1 t2  t3  t4 (Al menos una de las dietas es diferente)
ó
H 0 : i  0
H a : i  0 ( No todos son iguales )

Nivel de significación:   0.05 ó 0.01

33
Elías Alberto Torres Armas, Lic. Ms. C.

Estadística de prueba: Fc del análisis de varianza

Cálculos

Tabla 3.4. Incremento en peso de ganado porcino a diferentes

dosis alimenticias de amarillo duro
Dietas
Observaciones A B C D
1 1 2 20 10
2 6 19 15 7
3 17 4 14 18
4 11 16 9 5
5 8 12 13 3
Total 43 53 71 43 210
Repeticiones 5 5 5 5 20

Suma de cuadrados para el total

t r
Y..2 210..2
SCtotal  Y   1  6  17  ...  3 
2
ij
2 2 2 2
 665
i 1 j 1 tr 4(5)

Suma de cuadrados para tratamientos

t

Y 2
i.
Y..2 432  532  712  432 2102
SCtratamiento  i 1
    560.40
r tr 5 4(5)

Suma de cuadrados para el error

SCerror  SCtotal  SCtratamiento  665  560.40

Tabla 3.5. Análisis de varianza del incremento en peso de ganado porcino a

diferentes dosis alimenticias de amarillo duro
Fuente de Suma de Grados de Cuadrados Fc Significación
Variación Cuadrados Libertad Medios
Tratamiento 104.60 3 34.867 0.995 o (oo)
Error 560.40 16 35.025
Total 665.00 19

Observe que Fc<Ft tanto para 5% (F0.05 =3.24) como para 1%, (F0.01 =5.29) lo que
significa que no existe al menos uno de los tratamientos es significativo y/o altamente
significativo, por tanto, se acepta H0, es decir no hay diferencia entre los incrementos
promedio de peso del ganado porcino por efecto de las distintas dietas alimenticias de
maíz amarillo duro

34
 Métodos Estadísticos para la Investigación experimental

Figura 3.2. Salida del stagraphics plus v.5.1

Rechace Ho si p-valor es menor que el nivel de significación

Decisión

Aceptamos Ho porque Fc<Ft tanto para 5% (F0.05 =3.24) como para 1%, (F0.01 =5.29) ó
(p-valor=0,4202>0,05 y p-valor= 0,4202>0,01).

Conclusión

No existe evidencia suficiente para afirmar de que por lo menos uma de lãs dietas
alimentícias sea diferente de las demás.

Estadísticos descriptivos

Tabla 3.5. Incremento en peso de ganado porcino a diferentes

dietas alimenticia de concentrado a diferentes dosis de maíz
amarillo duro
Dieta Media Desviación estándar r
A:20%m.a.d. 8.60 5.941 5
B:30%m.a.d. 10.60 7.403 5
C:40%m.a.d. 14.20 3.962 5
D:50%m.a.d. 8.60 5.857 5
Total 10.50 5.916 20

Aun cuando la prueba F del análisis de varianza sea o no significativa, las Pruebas post
hoc (posterior al análisis de varianza), Duncan o Tukey se podrán aplicar para las
comparaciones múltiples de promedios de los tratamientos. Estas pruebas se evaluaran
más adelante.

2. Diseño completamente al azar con más de una observación por unidad experimental

2.1. Diseño completo al azar con sub-muestra con igual número de repeticiones e
igual número de unidades en la muestra

Cuando se tiene en cada unidad experimental varias observaciones. Un DCA con sub-
muestreo e igual número de subunidades por unidad experimental (u.e), puede ser usado
cuando se demandan unidades experimentales muy grandes debido a ello es posible dividirlas
en subunidades y ser estudiadas a partir de muestras pequeñas. También puede ser usado
cuando se presentan experimentos donde es muy tedioso tomar toda la unidad experimental,
siendo por esto, necesario sacar subunidades de cada unidad. Se debe tener claro que en éste
tipo de diseños existen dos tipos de análisis: Uno referente a las unidades y el otro referente

35