DISEÑO DE BLOQUES
• Estadistica Inferencial
• Ing Jaime Gutiérrez
3.2. Diseño de Bloques Completos al Azar
• El diseño de Bloques Completos
al Azar (DBCA) es un de los
diseños experimentales que
tienen mayores aplicaciones en
la investigación agronómica.
• Este diseño es especialmente
útil, para experimentos de campo
en donde no es muy alto el
numero de tratamientos que se
evalúan y el área experimental
sigue un gradiente de
productividad predecible
2
3.2.1 Características generales
La principal característica que distingue a 1 2 3 4 5 6
este diseño es la presencia de bloques o B1
franjas de igual tamaño, conteniendo a cada T5 T1 T6 T4 T3 T2
uno de los tratamientos que se ensayan 7 8 9 10 11 12
B2
T2 T1 T4 T5 T6 T3
La formación de bloques reduce el error 13 14 15 16 17 18
experimental eliminando la contribución de B3
T1 T6 T3 T2 T4 T5
fuentes de variación conocidas sobre las
unidades experimentales.
Esquema de aleatorización en donde cada
Debido a que solo la variación dentro de
tratamiento (Ti) ocurre una sola vez en cada
bloques resulta parte del error experimental
bloque.
la conformación de los bloques es más
efectiva cuando el área experimental tiene
un gradiente de productividad predecible.
3
ESQUEMA GENERAL
Consideraciones generales
Diseño de bloques de grupos al azar. Modelo
estructural y componentes de variación
Diseño de Cuadrado Latino. Modelo estructural y
componentes de variación
Diseño jerárquico al azar. Modelo estructural y
componentes de variación
DISEÑOS EXPERIMENTALES MULTIGRUPO
OPTIMIZADOS
Concepto
El principal objetivo de la experimentación es el
control de las fuentes de variación extrañas. La
neutralización o control de las variables extrañas
incide directamente en la reducción de la variación
del error. Es decir, las unidades varían con respecto
a cualquier variable a excepción de la controlada.
Siendo esto así, el margen de variación es menor
que con la presencia de la variable extraña (o
variable no controlada). ..//..
Desde la lógica de la experimentación, una técnica
ideal consiste en eliminar los factores extraños.
Ese ideal es imposible de conseguir,
particularmente en contextos de investigación
social como conductual. Por esta razón, se han
desarrollado unos procedimientos que, asociados
a la propia estructura del diseño, permiten
controlar una o más variables extrañas y
neutralizar su acción sobre la variable
dependiente.
Diseño de bloques de grupos al
azar
Técnica de bloques
Mediante la técnica de bloques se pretende
conseguir una mayor homogeneidad entre los
sujetos o unidades experimentales intra bloque y
una reducción del tamaño del error experimental.
La formación de bloques homogéneos se realiza
partir de los valores de una variable de carácter
psicológico, biológico o social, altamente
relacionada con la variable
dependiente. ..//..
Al mismo tiempo, la presencia del azar queda
garantizada ya que, dentro de los bloques, las
unidades son asignadas aleatoriamente a las
distintas condiciones experimentales. Cada
condición representa un nivel o tratamiento de la
variable independiente.
Diseño de bloques de grupos al azar
Con la técnica de bloques se consigue una mayor
homogeneidad entre los sujetos o unidades
experimentales intra bloque y una reducción del
tamaño del error experimental. La formación de
bloques homogéneos se realiza partir de los valores
de una variable de carácter psicológico, biológico o
social, altamente relacionada con la variable
dependiente. ..//..
Al mismo tiempo, la presencia del azar queda
garantizada ya que dentro de los bloques las
unidades son asignadas aleatoriamente a las
distintas condiciones experimentales. Cada
condición representa un nivel o tratamiento de la
variable independiente.
Clasificación
Diseño de un solo sujeto por
casilla
Diseño de bloques de grupos
completamente al azar
Diseño de dos o más sujetos
por casilla
Formato del diseño de bloques de
grupos al azar
Bloques Tratamientos
1 A1 A2 ..... Aa
2 A1 A2 ..... Aa
...................................................................
b A1 A2 ..... Aa
Caso 1. Un solo sujeto por tratamiento y bloque (casilla):
Bloques Tratamientos
A1 A2 ··· Aj ··· Aa
B1 S1 S2 ··· Sj ··· Sa
B2 S1 S2 ··· Sj ··· Sa
………………………………………..…………………………….
………….
Bk S1 S2 ··· Sj ··· Sa
Caso 2. Más de un sujeto por tratamiento y bloque (casilla):
Bloques Tratamientos
A1 A2 ··· Aj ··· Aa
B1 n1 n2 ··· nj ··· na
B2 n1 n2 ··· nj ··· na
………………………………………..…………………………….
………….
Bk n1 n2 ··· nj ··· na
Ventajas de la técnica de bloques
Según Baxter (1940), son notorias las ventajas del
diseño de bloques en investigación psicológica al
neutralizarse una potencial fuente de variación extraña
que, en caso contrario, incrementaría la variación del
error. En psicología, la mayoría de las fuentes de
variación extrañas, directamente asociadas a la
heterogeneidad de los datos, se derivan de las
diferencias interindividuales. En consecuencia, son
variables de sujeto que no sólo distorsionan la acción
de los tratamientos sino que también incrementan las
diferencias entre las unidades. ..//..
Mediante la técnica de bloques se consigue un
material experimental mucho más homogéneo, se
reduce la magnitud del error experimental y se
incrementa el grado de precisión del experimento.
Modelos ANOVA del diseño
Modelo aditivo: un sujeto por casilla
Yijk = µ + j + ßk + ijk (1)
Modelo no aditivos: dos o más sujetos por casilla
Yijk = µ + j + ßk + (ß)jk + ijk (2)
MODELO ESTRUCTURAL DEL AVAR:
DISEÑO DE BLOQUES
n=1
Yijk j k ijk
n>1
Yijk j k ( )jk ijk
Sobre los modelos
El modelo aditivo asume que la interacción de
tratamientos por bloques es nula y, en consecuencia,
que el dato es explicado por la combinación lineal de
los componentes de ecuación anterior. Cuando no se
cumple el supuesto de aditividad, el efecto cruzado o
componente de no aditividad (interacción de las
condiciones experimentales con los bloques) se
convierte en una fuente de variación extra, es decir, el
efecto de la combinación de tratamientos por bloques
ha de añadirse a los efectos ya presentes en el
modelo. ..//..
En ausencia de interacción, se aplica el modelo
aditivo sin problema alguno. Ahora bien, cuando
los sujetos de un determinado bloque responden a
los tratamientos de forma diferente a como
responden los sujetos de otro bloque, cabe la
posibilidad de una interacción de bloques por
tratamientos. ..//..
Puesto que, de otra parte, el modelo de la ecuación-
1 no refleja ese efecto combinado, y puesto que la
variabilidad de este componente no es absorbida ni
por la Suma de Cuadrados de tratamientos, ni por la
Suma de Cuadrados de bloques, el efecto
combinado pasa a engrosar el término de error. En
ese caso, el término de error no sólo contiene la
variabilidad debida al muestreo, sino también la
variabilidad debida al efecto de la interacción. Y
dado que con interacción se incrementa o sesga
positivamente el término de error, cabe esperar que
el valor F sea negativamente sesgado. De esta
forma, se incrementa la dificultad de detectar el
efecto de los tratamientos.
Diseños de bloques aleatorizados
(n=1)
Ejemplo práctico
Un investigador pretende estudiar la efectividad de tres
métodos distintos en la enseñanza de las matemáticas:
método tradicional (A1), método de programación (A2),
y método audio-visual (A3), para un determinado nivel
escolar. Desde la perspectiva experimental, el problema
podría resolverse formando tres grupos al azar de
sujetos, uno para cada método. Al finalizar el estudio,
se pide a los sujetos del experimento que resuelvan un
total de 10 problemas de cálculo matemático. La
resolución de esos problemas de matemáticas es una
medida de ejecución que evalúa la efectividad de los
métodos de enseñanza. ..//..
Ahora bien, como ocurre con la mayoría de
investigaciones del ámbito educativo, se considera
que el nivel intelectual de los escolares es una
probable variable extraña capaz de contaminar los
resultados del experimento. Para controlar esa
variable, mediante la estructura de diseño, se elige
un diseño de bloques de grupos al azar.
Procedimiento
El experimento se resuelve de la siguiente forma:
en primer lugar, se forman 10 bloques con base a
los valores de la variable Cociente Intelectual (CI).
Cada bloque representa un determinado cociente
intelectual, lo cual requiere la selección previa de
los sujetos. Así, para cada valor de CI se eligen tres
sujetos o unidades del bloque. De esta forma, la
variación de los sujetos intra-bloque es menor que
la de todos los sujetos de la muestra.
En segundo lugar, las unidades de los bloques se
asignan al azar a los tratamientos de modo que,
dentro del bloque, cada sujeto recibe un
tratamiento distinto. Según este procedimiento,
sólo se dispone de un sujeto por casilla o
combinación de bloque por tratamiento. Así, cada
bloque constituye una réplica entera del
experimento.
Ilustración de la técnica de bloques
Variables
Bloques I II III IV X
CI 94 CI 96 CI 98 CI 100 ..... CI 112
A1 A1 A1 A1 A1
Tratamien- A2 A2 A2 A2 ..... A2
tos
A3 A3 A3 A3 A3
Modelo de prueba estadística
Paso 1. Se asume, por hipótesis de nulidad, que las
medias de los grupos experimentales proceden de
una misma población y que, por consiguiente, son
iguales:
H0: µ1 = µ2 = µ3
Paso 2. En la hipótesis alternativa se especifica que,
por lo menos, hay una diferencia entre las medias de
los tres tratamientos. En términos estadísticos, se
tiene:
H1: por lo menos una desigualdad
Paso 3. Se elige, como prueba estadística, el
Análisis de la Variancia (ANOVA), asumiendo el
modelo aditivo y un nivel de significación de =
0.05.
Paso 4. Realizado el experimento, se obtiene la
matriz de datos del diseño. A partir de estos datos,
se calculan las variancias para estimar el valor
empírico de F, asumiendo el modelo de aditividad.
DISEÑO DE BLOQUES (n=1)
TRATAMIENTOS
N. Bloque A1 A2 A3 TOTAL POR BLOQUE
1 6 7 8 21
2 7 6 7 20
3 4 8 9 21
4 5 9 7 21
5 7 5 8 20
6 3 4 10 17
7 5 6 7 18
8 8 8 9 25
9 7 7 10 24
10 6 5 7 18
TOTALES 58 65 82 205
MEDIAS 5.8 6.5 8.2 6.83
Modelo anova aditivo
Yijk = µ + j + ßk + ijk
se presupone que cada dato u observación (Yijk) es
una combinación aditiva de la media total del
experimento (µ), el efecto de un determinado
tratamiento (j), el efecto de un bloque específico (ßk)
y el componente de error (ijk).
Cálculo de las Sumas de Cuadrados
En función del modelo estructural de análisis, se divide la
Suma de Cuadrados total en los siguientes componentes
aditivos: Suma de Cuadrados de tratamientos, Suma de
Cuadrados de bloques y Suma de Cuadrados del error.
SCtotal = SCtrat. + SCbloq. + SCerror
SCtotal = [(6)² + (7)² + ... + (7)²] – [(205)²/30] = 88.16
SCtrat. = [(58)²/10 + (65)²/10 + (82)²/10] – [(205)²/30]
= 30.47
SCbloq. = [(21)²/3 + (20)²/3 + ... + (18)²/3] –
[(205)²/30] = 19.50
SCerror = SCtotal - SCtrat. - SCbloq. = 88.16 - 30.47 -
19.5 = 38.19
CUADRO RESUMEN DEL AVAR: DISEÑO DE BLOQUES
(n=1)
F.V. SC g.l CM F p
Trat (A) 30.47 (a-1)=2 15.23 7.18 <0.05
Bloques (B) 19.50 (b-1)=9 2.16 1.02 >0.05
Error (AxB) 38.19 (a-1)(b-1)=18 2.12
Total (T) 88.16 ab-1=29
F0.95(2/18) = 3.55; F0.95(9/18) = 2.46
Modelo de prueba estadística
Paso 5. Dado que el valor observado de F es
menor que el teórico, a un nivel de significación de
0.05, se infiere que hay una diferencia significativa
entre los tratamientos. Por otra parte, es posible
probar la hipótesis sobre los bloques. ..//..
La hipótesis a probar, H0: ß1 = ß2 = ... = ß10, tiene
como término de contraste la variancia del error.
Del análisis se concluye la no diferencia,
estadísticamente hablando, entre los bloques y se
acepta, en consecuencia, la hipótesis de nulidad.
Diseños de bloques aleatorizados
(n>1)
Ejemplo práctico
A partir del experimento descrito, a raíz del diseño de
bloques de un sólo sujeto por casilla, considérese que
hay tres sujetos por casilla. Así, se tiene un total de
nueve sujetos por bloque y tres sujetos por
tratamiento intra-bloque.
Modelo de prueba estadística
Paso 1. Se definen tres hipótesis de nulidad para los
efectos de tratamientos, bloques e interacción. En
términos de efectos, esas hipótesis de nulidad son:
H0: 1 = 2 = 3 = 0
H0: ß1 = ß2 = ... = ß10 = 0
H0: aß11 = aß12 = ... = aß310 = 0
Paso 2. La primera hipótesis alternativa coincide
con la hipótesis experimental o hipótesis de efecto
de tratamientos, la segunda se refiere al efecto de
la variable de bloques y, por último, la tercera
recoge el efecto de la interacción entre
tratamientos y bloques. Las tres hipótesis
alternativas toman la misma expresión.
H1: por lo menos una desigualdad
Paso 3. La prueba estadística se basa en el Análisis
de la Variancia (F de Snedecor), asumiendo el
modelo estructural o de efectos propuesto y un
nivel de significación de = 0.05.
Paso 4. Realizado el experimento, se obtiene la
matriz de datos del diseño. Con estos datos, se
estiman las variancias para calcular el valor
empírico de F.
DISEÑO DE BLOQUES (n>1)
TRATAMIENTOS
N. Bloque A1 A2 A3 TOTAL POR
BLOQUE
1 6,5,3 (14) 6,7,5 (18) 7,6,9 (22) 54
2 7,5,4 (16) 5,6,5 (16) 7,4,6 (17) 49
3 3,5,4 (12) 7,6,7 (20) 9,10,7 (26) 58
4 6,5,5 (16) 8,7,9 (24) 7,8,6 (21) 61
5 7,5,8 (20) 5,4,7 (16) 9,10,7 (26) 62
6 5,3,4 (12) 5,6,4 (15) 10,9,8 (27) 54
7 6,4,5 (15) 7,6,5 (18) 8,6,5 (19) 52
8 7,6,9 (22) 8,7,9 (24) 9,10,7 (26) 72
9 6,8,7 (21) 6,9,6 (21) 8,10,9 (27) 69
10 7,6,7 (20) 5,6,4 (15) 6,8,7 (21) 56
TOTALES 168 187 232 587
Modelo anova no aditivo
Yijk = µ + j + ßk + (ß)jk + ijk
donde Yijk es cualquier dato u observación del
experimento, µ la media total del experimento, j el
efecto de un determinado nivel de tratamiento, ßk el
efecto de un determinado bloque, (ß)jk el efecto
cruzado o efecto de la casilla, y ijk el error
experimental. Por lo general, este modelo es de
efectos fijos tanto para la variable de tratamiento
como para la variable de bloques.
Cálculo de las Sumas de Cuadrados
SCtotal = SCtrat. + SCbloq. + [Link]. + SCerror
SCtotal = [(6)² + (7)² + ... + (7)²] – [(587)²/90] = 276.46
SCtrat. = [(168)²/30 + (187)²/30 + (232)²/30] – [(587)²/90] =
72.03 ..//..
SCbloq. = [(54)²/9 + (49)²/9 + ... + (56)²/9] –
[(587)²/30] = 54.46
[Link]. = SCgrupos - SCtrat. - SCbloq. = [(14)²/3 +
(16)²/3 + ... + (21)²/3] – [(587)²/90] – 72.03 – 54.46
= 61.97
SCerror = SCtotal – SCtrat. – SCbloq. – [Link]. = 88.00
CUADRO RESUMEN DEL AVAR: DISEÑO DE BLOQUES
(n>1)
F.V. SC g.l CM F p
Trat (A) 72.03 (a-1)=2 36.01 24.50 <0.05
Bloques (B) 54.46 (b-1)=9 6.05 4.11 <0.05
Inter (AxB) 61.97 (a-1)(b-1)=18 3.44 2.34 <0.05
Error (S/AxB) 88 ab(n-1)=60 1.47
Total (T) 276.46 abn-1=89
F0.95(2/60) = 4; F0.95(9/60) = 2.04; F0.95(18/60) = 1.786
Modelo de prueba estadística
Paso 5. Dado que los valores observados de F son más
grandes que los teóricos, al nivel de significación de
0.05, se infiere la no-aceptación de las tres hipótesis
nulas y que, por tanto, son significativos los efectos
asociados a las distintas fuentes de variación.
Fin diseños de bloques
