Diseño de Bloques Completos al Azar
DBCA
Bloqueo es una técnica para controlar los “factores ruido”
Un factor ruido es un factor que posiblemente tiene un efecto
sobre la variable respuesta, pero no es de interés para el
experimentador. No obstante, la variabilidad que aporta a la
respuesta necesita ser controlada.
Frecuentemente un factor ruido involucra operadores, tiempo
(turnos, días, etc), diferentes unidades experimentales.
Fallar al bloquear es un defecto común en un diseño de
experimentos.
Diseño de Bloques Completos al Azar (DBCA)
Las unidades experimentales se distribuyen en grupos o bloques,
de manera tal que las unidades experimentales dentro de un bloque
sean relativamente homogéneas y que el número de unidades
experimentales dentro de un bloque es igual al número de
tratamientos por investigar.
Los tratamientos se asignan al azar a las unidades experimentales
dentro de cada bloque y es posible hacer comparaciones más
precisas entre los tratamientos dentro del conjunto homogéneo de
unidades experimentales en un bloque.
En la planeación de un experimento de acuerdo a un DBCA, sin
interacción entre los tratamientos y bloques, es necesario fijar los
factores o tratamientos y contar con un criterio adecuado para bloquear
N unidades experimentales, de tal forma que N = bt, donde t es igual al
número de tratamientos y b el número de bloques.
Diseño de Bloques Completos al Azar (DBCA)
Cochran y Cox (1991, P.132) resume las siguientes ventajas de este
diseño.
Proporciona la oportunidad de eliminar las variaciones de un bloque
a otro en la comprobación de tratamientos.
Por medio de la agrupación se obtienen resultados más exactos que
con un DCA.
Puede incluirse el número necesario de tratamientos y repeticiones.
El análisis estadístico es sencillo.
Se logra un alto grado de precisión.
La importancia de este diseño radica en el hecho de que en la
práctica es generalmente difícil encontrar unidades
experimentales homogéneas, por lo cual no es conveniente
aplicar el diseño completamente al azar.
Diseño de Bloques Completos al Azar (DBCA)
Ejemplo : Las recomendaciones actuales para fertilizar el trigo con
nitrógeno incluyen la aplicación de cantidades específicas en etapas
establecidas del crecimiento de la planta. Las recomendaciones se
desarrollaron a través de un análisis periódico del contenido de nitratos
en los tejidos de la espiga, se pensó que el análisis del tejido era un
medio efectivo para supervisar la cantidad de nitrógeno en la cosecha.
Objetivo de la investigación: en ciertas situaciones, las pruebas de
nitrato en los tejidos de la espiga predecían una mayor cantidad de
nitrógeno, en consecuencia, el investigador quería evaluar el efecto de
varios programas de fertilización sobre esas cantidades de nitrógeno y
sobre la producción de trigo, para refinar las recomendaciones del
procedimiento.
Diseño de Bloques Completos al Azar (DBCA)
Diseño del tratamiento: El diseño del tratamiento incluyó seis programas
diferentes de aplicación de nitrógeno que podían proporcionar el intervalo de
condiciones necesarias para evaluar el proceso. Para la comparación se incluyó
un tratamiento sin nitrógeno al igual que la recomendación normal vigente.
Diseño del experimento: El experimento se llevó a cabo en un campo
irrigado, con un gradiente de agua en dirección del área de parcelas
experimentales. Como las respuestas de las plantas dependían de la
variabilidad en la humedad disponible, las parcelas se agruparon en bloques de
tal manera que cada bloque se encontraba en partes con el mismo gradiente
de agua, de modo que cualesquiera diferencias en las respuestas de las plantas
causadas por el gradiente de agua podía asociarse con los bloques. El diseño
de experimento resultante fue un diseño de bloques completamente al azar,
con cuatro bloques de seis parcelas a las que se asignaron al azar los
tratamientos de nitrógeno.
Diseño de Bloques Completos al Azar (DBCA)
La distribución de las parcelas experimentales en el campo se muestran en la
Figura 4.1, donde se proporciona el contenido de nitrógeno observado
(ppm×10−2 ) en una muestra de espigas de trigo para cada parcela junto con
los números de tratamiento, que aparecen en el paréntesis.
Partición de la variabilidad total en un DBCA
SCtotal
(Suma total)
SCtrat SCBloques SCerror
(suma de cuadrado entre (Suma de cuadrados del (Suma de cuadrados del error)
tratamientos) bloqueo)
Diseño de Bloques Completos al Azar
DBCA
Tratamiento 1 Tratamiento 1
Tratamiento 2 Tratamiento 2
Tratamiento 3 Tratamiento 3
Tratamiento 1
Tratamiento 2
Bloque 2 Bloque 3
Tratamiento 3
Bloque 1
Asignación aleatoria de los tratamientos a la
Unidad unidades experimentales en cada bloque
experimental
Modelo Lineal
yij i j eij
donde:
yij observación de la unidad experimental del j-ésimo bloque
correspondiente al i-ésimo tratamiento
media general
i efecto del i-ésimo tratamiento
j efecto del j-ésimo bloque
eij error aleatorio
eij ~ NIID(0, 2 )
La suposición de independencia se justifica a través de la asignación
aleatoria de los tratamientos a las unidades experimentales. Además,
una suposición adicional a este modelo es referente a que los efectos del
tratamiento y del bloque son aditivos, la aditividad significa que no existe
interacción entre tratamientos y bloques. Es decir, se considera el efecto de
los tratamientos y los bloques de manera independiente:
Las observaciones obtenidas bajo este diseño pueden representarse de la
manera siguiente:
Análisis de varianza
El modelo permite probar la hipótesis de los efectos de los tratamientos; es
decir:
H 0 : 1 2 ... k
H a : i j para algún i j
H 0 : 1 2 ... k 0
H a : i 0
El DBCA permite particionar la variabilidad total en tres fuentes: la atribuida
a los tratamientos, a los bloques y al error experimental. La variabilidad
expresada matemáticamente queda expresada de la manera siguiente:
Análisis de varianza
Fuentes de Suma de Grados de Cuadrado
Variación cuadrados libertad medio F
Tratamiento SCtrat k– 1 SCtrat /k-1 CMtrat/CMerror
Bloqueo SCBloqueo b-1
Error SCerror (k - 1)(b - 1) SCerror/(k-1)(b-1)
Total SCTotal kb - 1
Análisis de residuos
* Normalidad
* Homocedasticidad
* Independencia
Ejemplo
Para el ensamble de un artículo se considera comparar 4
máquinas diferentes. Cómo la operación de las máquinas
requiere cierta destreza se anticipa que habrá una diferencia
entre los operarios en cuanto a la velocidad con la cual operen
la maquinaria. Se decide que se requerirán 6 operarios
diferentes.
¿Existe diferencias en el tiempo de ensamble por tipo de
maquina?
¿Difiere el tiempo de ensamble por tipo de operario?
Diseño estadístico
Factor Niveles
A: Tipo de maquina a1: M1, a2: M2, a3: M3, a4: M4
Tratamiento:
t1: M1, t2: M2, t3: M3,
t 4: M 4
b1: operario 1, b2: operario 2, b3: operario 3,
Bloque:
b4: operario 4, , b5: operario 5, b6: operario 6.
Variable respuesta: tiempo de ensamble
Diseño estadístico
Aleatorización: debemos asignar cada tratamiento ( M1, M2,
M3, y M4 ) a cada bloque
B1 B2 B3 B4 B5 B6
22 75 76 84 15 16
45 31 25 51 79 44
27 70 98 10 36 29
20 86 85 78 95 14
M2 M3 M2 M4 M1 M2
M4 M1 M1 M2 M3 M4
M3 M2 M4 M1 M2 M3
M1 M4 M3 M3 M4 M1
Hipótesis estadística
Hipótesis nula
El tiempo promedio de ensamble no difiere por tipo de
máquina.
H 0 : 1 2 3 4
Hipótesis alterna
El tiempo promedio de ensamble es diferente con al menos una
maquina
H a : al menos una i es diferente
Hipótesis estadística
Hipótesis nula
No hay variabilidad debida a los operarios
H 0 : B1 B2 B3 B4 B5 B6
Hipótesis alterna
Existe variabilidad debida a los operarios
Ha : Bj 0 para algún bloque
j=1,2,3,4,5,6
Modelo estadístico
yij μ τ i j eij
donde: i 1,2,3,4 j 1,2,3,4,5,6
yij El tiempo de ensamble en la i-ésima maquina con el j-ésimo operario
media general.
ti efecto de la i-ésima máquina
j efecto del j-ésimo operario
eij error experimental
Resultados
Regla de decisión. Se rechazaH 0 , dado que valor p<0.01
resulta ser menor que un 0.05
Resultados
Comparación de las medias
Ejemplo
Se realizó un experimento para estudiar el funcionamiento de cuatro
diferentes detergentes quita manchas. Las lecturas de “blancura” (valor
mayor = más limpio) se obtuvieron usando un aparato especial entres
diferentes tipos de manchas comunes. ¿Hay diferencia significativa entre los
detergentes?
Mancha 1 Mancha 2 Mancha 3
Detergente 1 45 43 51
Detergente 2 47 46 52
Detergente 3 48 50 55
Detergente 4 42 37 49
Eficiencia relativa
Lentner, Arnold y Hinkelmann (1989) analizan la relación entre la eficiencia
relativa y la razón H=CMB/CME; señalan que, aunque la razón H es
equivalente a un estadístico F, no existe una prueba válida para los efectos de
bloques.
ER k 1 k H
Donde H=CMB/CME y k= r(t-1)/(rt-1)
H se puede usar para evaluar la efectividad del uso de bloques, aunque no es un
estadístico F válido para probar los efectos de bloques. Por ejemplo, si ER>1,
entonces H>1; el uso de bloques ha sido efectivo en cuanto a reducir el error
experimental, por lo que con un diseño de bloques completos se requieren menos
réplicas que con el DCA.
