Diseño de Bloques Completos

al Azar (DBCA)
Objetivos

Entender los fundamentos

de un diseño de bloques
completos al azar analizar e
interpretar sus resultados.

2
Diseño de Bloques Completos al Azar

Se utiliza cuando existe otra fuente de

variabilidad que puede ser controlada. Las
unidades experimentales se agrupan dentro
de bloques, de tal forma que sean lo mas
homogéneas posible dentro de cada bloque

3
Este diseño es conveniente cuando se
logra determinar una gradiente de
variabilidad en un sentido que esta
influyendo en los tratamientos. Ejemplo:
◼ Grado de inclinación del terreno donde se
realiza el experimento.
◼ Dirección del viento.
◼ Gradiente de fertilidad
◼ Gradiente de luminosidad
4
Croquis experimental

5
 Modelo Aditivo Lineal
Yij =  +  i +  j +  ij i = 1, 2, ,t
j = 1, 2, ,b
 ij ~ N ( 0,  2
)
Yij valor observado en el i-ésimo tratamiento y la j-ésima repetición.
 efecto de la media general.

i efecto del i-ésimo tratamiento.

 j efecto del j-ésimo bloque.

efecto del error experimental en el i-ésimo tratamiento y la j-

 ij
ésima repetición.

6
 Análisis de Varianza

Fuente de Grados de Suma de Cuadrados Fcal

Variación Libertad Cuadrados Medios
Tratamientos t-1 SC(Trat) SC(Trat)/(t-1) CM(Trat)/CM(Error)
Bloques b-1 SC(Bloq) SC(Bloq)/(b-1)
Error (t-1)(b-1) SC(Error) SC(Error)/(t-1)(b-1)
Total tb-1 SC(Total)

7
.
Análisis de Varianza -Hipótesis
Para el Modelo I (Efectos fijos)

H0 : i = 0 i = 1, ,t H 0 : i =  i = 1, ,t

H1 :  i  0 Para algún i H 1 : i   Para algún i

Ho: Todos los tratamientos tienen el mismo efecto sobre la variable en estudio
Ha: No todos los tratamientos tienen el mismo efecto sobre la variable en estudio

CMTrat
F= ~ F(GLTrat ,GLError )
CMError

8
En una empresa maquiladora de ensamble, se desean probar cuatro tipos de métodos de
ensamblaje A,B,C y D, para encontrar el método más rápido. Sin embargo también se ha
encontrado que puede ser posible que dependiendo del tipo de operador será el tiempo
ensamble. Para esto se realizan las pruebas de ensamblaje, ensamblando una pieza por cada
uno de los cuatro métodos, con cuatro operadores; después de realizar las pruebas estos
fueron los resultados:

El operador constituye el bloque ya que el efecto de tratamiento se vera

influenciado en todos los casos por el operador, ya sea positiva o 9
negativamente
1. Realice un diagrama de cajas
2. Pruebe los supuestos de normalidad y
de homogeneidad de variancias
3. Realice el ANVA
4. Realice la prueba post ANVA
# recuperando datos
dbca<-[Link]('clipboard')
View(dbca)
attach(dbca)

11
Diagrama de caja
# diagrama de cajas
boxplot(tiempo~metodo,xlab='metodo',ylab='tiempo',main="diagrama de
cajas de los tratamientos",
col= c("skyblue", "green", "yellow","white"))

12
 NORMALIDAD
# estableciendo modelo
dbca_m<-aov(tiempo~metodo+operador,data=dbca)

# prueba de normalidad con shapiro

[Link](residuals(dbca_m))

Ho: Los errores tienen distribución normal

Ha: Los errores no tienen distribución normal
Si Pval< α se rechaza la Ho
Si Pval ≥ α se acepta la Ho

Como pval es mayor que 0.05 se acepta la Ho; es decir los errores
Tienen distribución normal.

13
HOMOGENEIDAD DE VARIANCIAS
Ho: Hay homogeneidad de variancias de los tratamientos
Ha: No hay homogeneidad de variancias de los tratamientos

# Prueba de homogenedidad de variancias

[Link](tiempo~metodo,data=dbca)

Como el pval es mayor de 0.05; se acepta la Ho; es decir hay

homogeneidad de variancias

14
ANVA
#ANVA
summary(dbca_m)

Ho: Todos los métodos proporcionan el mismo tiempo de ensamblaje

Ha: No todos los métodos proporcionan el mismo tiempo de ensamblaje

Como Pval es menor de 0.05; se rechaza la Ho; es decir no todos los

métodos proporcionan el mismo tiempo de ensamblaje

Se debe probar el efecto de bloque (operador)?

NO
15
POST ANVA
# Activar agricolae
#Post ANVA sin Agricolae
#Post ANVA CON TUKEY en Agricolae
[Link](y=dbca_m,trt='metodo',group=T,console=T) TukeyHSD(dbca_m)

16
¿Factor,
tratamiento,U.E.
Variable respuesta,
por que bloque?

17
18
DATOS EPOCA 1
• Diagrama de cajas
• Validación de supuestos
• Anva
• Post Anva

# recuperando datos
dbca<-[Link]('clipboard')
View(dbca)
attach(dbca)

19
DIAGRAMA DE CAJAS
# diagrama de cajas
boxplot(rendimiento~tratamiento,xlab='tratamiento',ylab='rendimiento',
main="diagrama de cajas de los tratamientos",
col= c("blue", "green", "yellow","white", "Pink", "violet"))

20
 NORMALIDAD
# estableciendo modelo
dbca_m<-aov(rendimiento~tratamiento+bloque,data=dbca)

# prueba de normalidad con shapiro

[Link](residuals(dbca_m))

Ho: Los errores se distribuyen normalmente

Ha: Los errores no se distribuyen normalmente
Α=0.05

De acuerdo al Pval=0.8955; se concluye que los errores tienen distribución normal

21
Homogeneidad de variancias
# Prueba de homogenedidad de variancias
[Link](rendimiento~tratamiento,data=dbca)
[Link](residuals(dbca_m) ~tratamiento,data=dbca)

Ho: Hay homogeneidad de variancias de los tratamientos

Ha: No hay homogeneidad de variancias de los tratamientos
α= 0.05

Como pval es mayor que 0.05; hay homocedasticidad

22
ANVA
#ANVA
summary(dbca_m)

Ho: Todos los tratamientos tienen el mismo efecto

Ha: No todos los tratamientos tienen el mismo efecto
α=0.05

Como pval<0.05; se rechaza la Ho. Hay diferencias significativas en

cuanto al rendimiento de las variedades de quinua

23
POST ANVA
#Post ANVA sin Agricolae
TukeyHSD(dbca_m)

24
#Post ANVA con Agricolae
[Link](rendimiento, tratamiento, 15,35162, alpha = 0.05, group=TRUE,console=TRUE)

25
¿?
Con los datos de la época 2, indique que
tratamientos tienen el mas bajo
rendimiento.

26
 EJERCICIOS
DISEÑO DE BLOQUES COMPLETOS AL
AZAR
# recuperando datos
dbca<-[Link]('clipboard')
View(dbca)
attach(dbca)
dbca$bloques<-[Link](dbca$bloques)
dbca$tratam<-[Link](dbca$tratam)

29
 # estableciendo modelo
dbca_m<-aov(rendim~tratam+bloques,data=dbca)

# diagrama de cajas
boxplot(rendim~tratam,xlab='tratamientos',ylab='rendimiento',
main="diagrama de cajas de los tratamientos",
col= c("blue", "green", "yellow","white","red"))

30
Ho: Los errores se distribuyen normalmente
Ha: Los errores no se distribuyen normalmente
Αlfa=0.05

# prueba de normalidad con shapiro

[Link](residuals(dbca_m))

31
Ho: Hay homogeneidad de variancias de los tratamientos
Ha: No hay homogeneidad de variancias de los tratamientos
α= 0.05
# Prueba de homogenedidad de variancias
[Link](rendim~tratam,data=dbca)

32
#ANVA
summary(dbca_m)

No hay diferencias significativas entre los tratamiens, sin embargo es posible

realizar la prueba de Tukey

33
[Link](rendim, tratam, 12,7427, alpha = 0.05, group=TRUE,console=TRUE)

34
• Diagrama de cajas
• Pruebe los supuestos
• Anva
• Post ANVA
# recuperando datos
dbca<-[Link]('clipboard')
View(dbca)
attach(dbca)
dbca$bloq<-[Link](dbca$bloq)
dbca$trat<-[Link](dbca$trat)

36
# estableciendo modelo
dbca_m<-aov(kg~trat+bloq,data=dbca)

# diagrama de cajas
boxplot(kg~trat,xlab='tratamientos',ylab='rendimiento',
main="diagrama de cajas de los tratamientos",
col= c("blue", "green", "yellow","white"))

37
Ho: Los errores se distribuyen normalmente
Ha: Los errores no se distribuyen normalmente
Αlfa=0.05

# prueba de normalidad con shapiro

[Link](residuals(dbca_m))

38
Ho: Hay homogeneidad de variancias de los tratamientos
Ha: No hay homogeneidad de variancias de los tratamientos
α= 0.05
# Prueba de homogenedidad de variancias
[Link](kg~trat,data=dbca)

39
#ANVA
summary(dbca_m)

40
[Link](kg, trat, 6,6.4, alpha = 0.05, group=TRUE,console=TRUE)

41
Niveles (tratamientos) Mb=4, B=3,R=2,M=1
1. Granos andinos 50%+50% comercial
2. Granos andinos 30%+40%
comercial+30% frutos secos andinos
3. 60% granos andinos+30%
comercial+10% castañas
4. Formulación convencional del
paneton.(testigo)

Factor: formulaciones

Unidad experimental: una muestra de

paneton.
Variable respuesta: sabor,
color(luminosidad)
La variable sabor es una variable cualitativa!!,
aun cuando sabor se coloca en la escala

43
 DBCA
◼ En este caso el croquis
experimental contempla a 4
J1 T1 T2 T4 T3
jueces que darán su calificación
a cada una de las muestras de J2 T4 T3 T1 T2
paneton; el diseño es DBCA. J3 T1 T4 T2 T3
J4 T2 T1 T3 T4
Color-Luminosidad
sabor
J1 70 90 80 100 J1 4 3 1 3
J2 52 100 120 80 J2 2 3 4 2
J3 120 60 90 100 J3 5 1 2 2
J4 80 90 110 150 J4 2 5 3 2

44
No se puede usar los el ANVA, se necesita que la
variable respuesta sea cuantitativa continua.
La alternativa seria usar Friedman – ANVA en DBCA
¿Puedo hacer la prueba de normalidad con
sabor?
NO
¿Puedo hacer el ANVA de sabor?
NO
¿Puedo transformar los datos de sabor?
NO
45
1. Realice un diagrama de cajas
2. Pruebe los supuestos de normalidad y
de homogeneidad de variancias
3. Realice el ANVA
4. Realice la prueba post ANVA
# recuperando datos
dbca<-[Link]('clipboard')
View(dbca)
attach(dbca)

47
Diagrama de caja
# diagrama de cajas
boxplot(lumin~trat,xlab='formulaciones',ylab='luminosidad',main="diagrama
de cajas de los tratamientos",col= c("skyblue", "green", "yellow", "violet"))

48
 NORMALIDAD
# estableciendo modelo
dbca_m<-aov(lumin~bloq+trat,data=dbca)

# prueba de normalidad con shapiro

[Link](residuals(dbca_m))

Ho: Los errores tienen distribución normal

Ha: Los errores no tienen distribución normal
Si Pval< α se rechaza la Ho
Si Pval ≥ α se acepta la Ho

Como pval es mayor que 0.05 se acepta la Ho; es decir los errores
Tienen distribución normal.

49
HOMOGENEIDAD DE VARIANCIAS
Ho: Hay homogeneidad de variancias de los tratamientos
Ha: No hay homogeneidad de variancias de los tratamientos

# Prueba de homogenedidad de variancias

[Link](lumin~trat,data=dbca)

Como el pval es mayor de 0.05; se rechaza la Ho; es decir no hay

homogeneidad de variancias. ( por una cuestión practica se seguirá)

50
ANVA
#ANVA
summary(dbca_m)

Ho: Todas las formulaciones proporcionan la misma luminosidad

Ha: No todas las formulaciones proporcionan la misma luminosidad

Como Pval es mayor de 0.05; se acepta la Ho; es decir todas las

formulaciones producen la misma luminosidad

Puedo hacer la prueba de Tukey? Si.

51
POST ANVA
# Activar agricolae
#Post ANVA CON TUKEY en Agricolae
[Link](y=dbca_m,trt='trat',group=T,console=T)

52