UNIDAD IV
Diseños en bloques completos al azar
(DBCA)
• Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de
un factor, es deseable que las posibles diferencias se deban
principalmente al factor de interés y no a otros factores que no se
consideran en el estudio.
• Cuando esto no ocurre y existen otros factores que no se controlan o
eliminan para hacer la comparación, las conclusiones podrían resultar
sensiblemente afectadas.
• Para controlar estos factores de perturbación se utiliza una técnica de
“bloqueo”, lo que reduce el error experimental, aumentando la precisión
del experimento.
• El Diseño en Bloques Completos al Azar (DBCA) es posiblemente el
diseño de experimentos más común en muchas disciplinas, como la
agricultura, la ingeniería, la medicina, etc.
• En un diseño en bloques completos al azar (DBCA) se
consideran tres fuentes de variabilidad:
• factor de tratamientos
• factor de bloque
• error aleatorio
• La palabra completo en el nombre del diseño se debe
a que en cada bloque se prueban todos los
tratamientos, o sea, los bloques están completos.
• La aleatorización se hace dentro de cada bloque; por
lo tanto, no se realiza de manera total como en el
diseño completamente al azar.
El hecho de que existan bloques hace que no sea práctico o que
incluso sea imposible aleatorizar en su totalidad.
Los factores de bloqueo que pueden surgir en la práctica
podrían ser: lote, día, tipo de material, línea de producción,
operador, máquina, método, etc.
La imposibilidad de aleatorizar los bloques se aprecia cuando
se bloquean factores como día o turno, ya que no tiene sentido
pensar en seleccionar al azar el orden de los días o los turnos
porque es imposible regresar el tiempo.
• Supongamos una situación experimental con 𝑘 tratamientos y 𝑏 bloques. El
aspecto de los datos para este caso se muestra en la tabla, y considera una
repetición en cada combinación de tratamiento y bloque.
Bloques
Tratamiento 1 2 3 b
…
1 𝑌11 𝑌12 𝑌13 … 𝑌1𝑏
2 𝑌21 𝑌22 𝑌23 … 𝑌2𝑏
3 𝑌31 𝑌32 𝑌33 … 𝑌3𝑏
. . . . … .
. . . . … .
. . . . … .
k 𝑌𝑘1 𝑌𝑘2 𝑌𝑘3 … 𝑌𝑘𝑏
Modelo estadístico
• Cuando se decide utilizar un DBCA, el experimentador piensa que cada
medición será el resultado del efecto del tratamiento en el que se encuentre,
del efecto del bloque al que pertenece y de cierto error que, se espera, sea
aleatorio. El modelo estadístico para este diseño está dado por:
𝑖 = 1,2, … 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 ; (4.1)
𝑗 = 1,2, … , 𝑘
• donde 𝑌𝑖𝑗 es la medición que corresponde al tratamiento 𝑖 y al bloque 𝑗; 𝜇
es la media global poblacional; 𝜏𝑖 es el efecto debido al tratamiento 𝑖, 𝛾𝑗 es
el efecto debido al bloque 𝑗, y 𝜀𝑖𝑗 es el error aleatorio atribuible a la
medición 𝑌𝑖𝑗 .
• Se supone que los errores se distribuyen de manera normal con media cero
y varianza constante 𝜎 2 [𝑁(0, 𝜎 2 )], y que son independientes entre sí.
Modelo estadístico
• Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento en el que se encuentre, del efecto del
bloque al que pertenece y de cierto error que, se espera, sea aleatorio. El modelo
estadístico para este diseño está dado por:
𝑖 = 1,2, … 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 ; (4.1)
𝑗 = 1,2, … , 𝑘
• donde 𝑌𝑖𝑗 es la medición que corresponde al tratamiento 𝑖 y al bloque 𝑗; 𝜇 es la
media global poblacional; 𝜏𝑖 es el efecto debido al tratamiento 𝑖, 𝛾𝑗 es el efecto
debido al bloque 𝑗, y 𝜀𝑖𝑗 es el error aleatorio atribuible a la medición 𝑌𝑖𝑗 .
• Se supone que los errores se distribuyen de manera normal con media cero y
varianza constante 𝜎 2 [𝑁(0, 𝜎 2 )], y que son independientes entre sí.
¿Que significa que se distribuye normalmente?
• La distribución normal,
también conocida como
distribución gaussiana, es
una distribución de
probabilidad simétrica con
respecto a la media, que
muestra que los datos
cercanos a la media son
más frecuentes que los
datos alejados de la media.
Ejemplo de distribución normal
• La estatura media del ser
humano es aprox. 175 cm,
(incluyendo hombres y mujeres).
• La mayoría de las personas se
ajustan a esa media; aunque
existen personas más altas y más
bajas, la frecuencia es menor en
la población.
Hipótesis a probar
• La hipótesis de interés es la misma para todos los diseños comparativos, y
está dada por:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷 = 𝜇 (4.2)
𝐻𝑎 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗 = 𝐴, 𝐵, 𝐶, 𝐷
• La afirmación a probar es que la respuesta media poblacional lograda con
cada tratamiento es la misma para los 𝑘 tratamientos y que, por lo tanto,
cada respuesta media 𝜇𝑖 es igual a la media global poblacional, 𝜇.
Análisis de varianza (ANOVA)
FV SC GL CM F0 Ftab
k 2 SC
Yi∙ Y∙∙2 CMTrat = Trat CMTrat
Tratamientos SCTrat = − k−1 k−1 --
b N CMErr
i=1
b Y2
∙j Y∙∙2 b−1
SCBloq CMBloq
Bloques SCBloq = − CMBloq = --
k N b−1 CMErr
j=1
SCErr
Error SCErr =SCTot − SCTrat −SCBloq (k−1)(b−1) CMErr = (k−1)(b−1)
b k
2 Y∙∙2
Total SCTot = Yij − kb−1
N
j=1 i=1
FV = Fuente de variabilidad (efecto), SC = Suma de cuadrados, GL = Grados de libertad, CM = Cuadrado
medio, N= kb, 𝐹0 = Estadístico de prueba, Ftab = Valor de F de Fisher.
Ejemplo de aplicación
• Un equipo de mejora investiga el efecto de cuatro métodos de ensamble de un
arado de vertederas A, B, C y D, sobre el tiempo de ensamble en minutos. Para
obtener los mejores resultados se ha considerado controlar el papel de las personas
que ensamblan, por lo que se planteó un Diseño en Bloques completamente al azar;
los resultados obtenidos se muestran en el siguiente cuadro:
Operador
Método
1 2 3 4
A 6 9 7 8
B 7 10 11 8
C 10 16 11 14
D 10 13 11 9
FV SC GL CM F0 F crítico
Tratamientos 61.50 3 20.50 10.25 3.863
Bloque 28.50 3 9.50 4.75 3.863
Error 18.00 9 2.00
Total 108.00 15
Ejemplo de bloque
• La tabla de ANOVA también proporciona una prueba para el efecto de los bloques.
• Aquí se verifica la hipótesis:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = ⋯ = 𝛾𝑏 = 0 (4.3)
𝐻𝑎 : 𝛾𝑗 ≠ 0 para algún bloque 𝑗
• En caso de rechazarse se acepta que al menos el efecto de un bloque es diferente de
cero.
• Ésta no es una prueba F exacta, sino aproximada, debido a la restricción de
aleatorización (sólo se aleatoriza dentro de bloque).
• En la práctica se recomienda su interpretación porque es evidencia a favor o en contra
de que valió la pena el esfuerzo de controlar el factor de bloque.
Efecto de bloque
• Si resulta significativa implica que el factor
de bloques tiene influencia sobre la variable
de respuesta, y debe ser tomado en cuenta
para mejorar la calidad de ésta.
• Si la hipótesis no se rechaza y se acepta que
los bloques son iguales en respuesta media,
entonces se tiene el argumento a favor de no
controlar este factor en futuros
experimentos sobre esta misma respuesta,
además de que su influencia en la calidad
de la respuesta no es significativa.
Comparación de parejas de medias de tratamientos
en el DBCA
• Cuando se rechaza la hipótesis de igualdad de los cuatro tratamientos, es natural
preguntarse cuáles de ellos son diferentes entre sí.
• Por ejemplo, para la Diferencia Mínima Significativa (LSD)
• Se rechaza la hipótesis 𝐻0 : 𝜇𝑖 = 𝜇𝑗 si ocurre que
2𝐶𝑀𝐸
𝑌𝑖∙ − 𝑌𝑗∙ > 𝑡𝛼Τ2, 𝑘−1 𝑏−1 = 𝐿𝑆𝐷
𝑏
• En el caso de la prueba de Tukey
• Se rechaza la hipótesis 𝐻0 : 𝜇𝑖 = 𝜇𝑗 si ocurre que
𝐶𝑀𝐸
𝑌𝑖∙ − 𝑌𝑗∙ > 𝑞𝛼 𝑘, 𝑘 − 1 𝑏 − 1 = 𝑇𝛼
𝑏
• El efecto también se puede evaluar en los bloques para determinar los
bloques que son estadísticamente diferentes, en cuyo caso las fórmulas son
las siguientes:
• Para la Diferencia Mínima Significativa (LSD)
• Se rechaza la hipótesis 𝐻0 : 𝛾1 = 𝛾2 si ocurre que
2𝐶𝑀𝐸
𝑌𝑖∙ − 𝑌𝑗∙ > 𝑡𝛼Τ2, 𝑘−1 𝑏−1 = 𝐿𝑆𝐷
𝑘
• Para la prueba de Tukey
• Se rechaza la hipótesis𝐻0 : 𝛾1 = 𝛾2 si ocurre que
𝐶𝑀𝐸
𝑌𝑖∙ − 𝑌𝑗∙ > 𝑞𝛼 𝑘, 𝑘 − 1 𝑏 − 1 = 𝑇𝛼
𝑘
