1.

DISEO COMPLETAMENTE AL AZAR (DCA) Este diseo consiste en la asignacin de los tratamientos en forma completamente aleatoria a las unidades experimentales (individuos, grupos, parcelas, jaulas, animales, insectos, etc.). Debido a su aleatorizacin irrestricta, es conveniente que se utilicen unidades experimentales de lo ms homogneas posibles: animales de la misma edad, del mismo peso, similar estado fisiolgico; parcelas de igual tamao, etc., de manera de disminuir la magnitud del error experimental, ocasionado por la variacin intrnseca de las unidades experimentales. Este diseo es apropiado para experimentos de laboratorio, invernadero, animales de bioterio, aves, conejos, cerdos, etc., es decir, situaciones experimentales como de las condiciones ambientales que rodean el experimento. Este diseo es el ms utilizado en la experimentacin con animales, asocindole la tcnica del anlisis de covarianza y arreglos de tratamiento de tipo factorial. Es el diseo ms simple y sencillo de realizar, en el cual los tratamientos se asignan al azar entre las unidades experimentales (UE) o viceversa. Este diseo tiene amplia aplicacin cuando las unidades experimentales son muy homogneas, es decir, la mayora de los factores actan por igual entre las unidades experimentales. Esta situacin se presenta en los experimentos de laboratorio donde casi todos los factores estn controlados. Tambin en ensayos clnicos y en experimentos industriales. En ensayos de invernaderos es muy til. Ha sido ampliamente utilizado en experimentos agrcolas. La homogeneidad de las unidades experimentales puede lograrse ejerciendo un control local apropiado (seleccionando, por ejemplo, sujetos, animales o plantas de una misma edad, raza, variedad o especie). Pero debe tenerse presente que todo material biolgico, por homogneo que sea, presenta una cierta fluctuacin cuyos factores no se conocen y son, por lo tanto, incontrolables. En este mismo orden de ideas, si logramos controlar factores cualitativos como sexo, camada, color, raza o cuantitativos como peso, alzada, edad, consumo, podremos eliminar su influencia del error experimental; la varianza de ste componente disminuira y, en consecuencia, aumentara la eficiencia del experimento posibilitando la deteccin de efectos entre los tratamiento o condiciones experimentales si es que los hay. Su nombre deriva del hecho que existe completamente una aleatorizacin, la cual valida como ya se dijo la prueba F de Fisher -Snedecor. Tambin se le conoce como Diseo de una Va o un slo criterio de clasificacin en virtud de que las respuestas se hallan clasificadas nicamente por los tratamientos. Este diseo no impone ningn a restriccin en cuanto a las experimentales, stas debern ser, en todo caso, homogneas. unidades

1.2.

Aleatorizacin

Para ejemplificar el proceso de aleatorizacin irrestricta de los tratamientos a las unidades experimentales, considrese la prueba de cuatro tratamientos, cada uno de ellos con cinco repeticiones. El proceso mencionado podra realizarse formando cuatro grupos de tarjetas, representando cada uno de ellos a un tratamiento en particular, digamos T1, repetido cinco veces, y as T2, T3 y T4. Posteriormente mzclense las tarjetas en una urna y extraiga una tarjeta al azar, asignando el tratamiento correspondiente a un animal, terreno, maceta, jaula o grupo de animales en que consista cada unidad experimental. Reptase el procedimiento sin reemplazo hasta terminar su asignacin. 1.3. Modelo estadstico asociado al diseo: i = 1,2,3,..., t j = 1,2,3,..., n dnde: = Variable respuesta en la j-sima repeticin del i-simo tratamiento = Media general = Efecto del tratamiento i. = Error aleatorio, donde

Anlisis de la Varianza para el modelo Ho: Ha: al menos un efecto de un tratamiento es diferente de los dems.

Fuentes de Variacin (F.V.) Tratamientos Error

Grados de Libertad (G.L.) t-1

Suma de Cuadrados (S.C.)

Cuadrados Medios (C.M.)

F0

Total

Ejemplo: Se realiz un experimento para probar el efecto de cinco fuentes de energa utilizadas en dietas para engorda de toretes (T1. Testigo, T2. Melaza, T3. Cebo, T4.Maz, T5. Sorgo) en las cuales se midi la ganancia de peso (GP) durante el perodo de engorda. Se consideraron 5 repeticiones por tratamientos (25 animales) y se plante la hiptesis de igualdad de medias de tratamientos. Trat 1 980 1050 1100 1000 1120 Trat 2 1200 1230 1150 1390 1250 Trat 3 1300 1180 1200 1170 1050 Trat 4 1400 1350 1380 1420 1500 Trat 5 1350 1420 1550 1600 1490

Repeticin 1 Repeticin 2 Repeticin 3 Repeticin 4 Repeticin 5

Repeticin 1 Repeticin 2 Repeticin 3 Repeticin 4 Repeticin 5

Trat 1 980 1050 1100 1000 1120 5 5250 1050

Trat 2 1200 1230 1150 1390 1250 5 6220 1244

Trat 3 1300 1180 1200 1170 1050 5 5900 1180

7

Trat 4 1400 1350 1380 1420 1500 5 7050 1410

Trat 5 1350 1420 1550 1600 1490 5 7410 1482 =25 31830

5512500 7737680 6962000 9940500 10981620 =41134300 5527300 7770000 6993800 9953300 11021500 =41265900 14800 =131600 3700 8080 7950 3200 9970 32320 31800 12800 39880

En primer lugar se calcular el factor de correccin:

= 40525956

S.C. TRAT =

- F.C. = 41134300 40525956 = 608344

S.C. TOTAL =

- F.C. = 41265900 40525956 = 739944

S.C.TOTAL = S.C. TRAT + S.C. ERROR Al despejar de la ecuacin anterior S.C. ERROR queda como: S.C. ERROR = S.C.TOTAL S.C. TRAT = 739944 608344 = 131600

C.M TRAT =

= (608344 / 4) = 152086

C.M. ERROR =

= ( 131600 / 20) = 6580

Fo=

= (152086 / 6580) = 23.11

Fuentes de Variacin (F.V.) Tratamientos Error Total

Grados de Libertad (G.L.) 4 20 24

Suma de Cuadrados (S.C.) 608344 131600 739944

Cuadrados Medios (C.M.) 152086 6580

F0

23.11

Para probar que Ho:

en oposicin a Ha: al menos un tratamiento

diferente de los demas con un =0.05 , obtenemos = 2.866 de la tabla correspondiente y puesto que Fo>2.866 se rechaza Ho con un =0.05 y se concluye que al menos un tratamiento es diferente. Programa en SAS para calcular los resultados del problema anterior: Data s; Input trat rep gp; Cards; 1 1 980 1 2 1050 1 3 1100 1 4 1000 1 5 1120 2 1 1200 2 2 1230 2 3 1150 2 4 1390 2 5 1250 3 1 1300 3 2 1180 3 3 1200 3 4 1170 3 5 1050 4 1 1400 4 2 1350 4 3 1380
9

4 4 1420 4 5 1500 5 1 1350 5 2 1420 5 3 1550 5 4 1600 5 5 1490 proc print; proc anova; class trat; model gp=trat; run; The SAS System OBS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 TRAT 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 REP 980 1050 1100 1000 1120 1200 1230 1150 1390 1250 1300 1180 1200 1170 1050 1400 1350 1380 1420 1500 1350 1420 1550 1600 1490 GP 1

10

Analysis of Variance Procedure Class Level Information Class TRAT Levels 5 Values 12345

Number of observations in data set = 25

Puede observarse en los resultados del SAS que la Suma de Cuadrados del Modelo es igual a la Suma de Cuadrados de Tratamientos, debido a que existe una sola fuente de variacin (excluyendo al error). El SAS, empleando el PROC GLM en lugar del PROC ANOVA proporciona dos tipos de Sumas de Cuadrados, la Suma de Cuadrados Secuencial (Type I SS) y la Suma de Cuadrados Parcial (Type III SS), las cuales se diferencian por la forma en que son incluidos los efectos en el modelo, esta ltima usada para probar los efectos que nos interesan (Tratamientos). As mismo el SAS proporciona informacin acerca de los siguientes parmetros: Coeficiente de determinacin (R-Square), Coeficiente de Variacin (C.V.), Raz cuadrada del cuadrado medio del error (Root MSE) y la media de la variable respuesta (GP Mean). En el ejemplo anterior se ve una columna que indica Pr>F con un valor de 0.0001 esto indica que los tratamientos a base de fuentes energticas en la engorda de becerros producen diferencias altamente significativas (P<.01, en este caso =.0001), es decir tienen ganancias de peso de los animales, diferentes.
11

Como se detect que al menos un tratamiento era diferente del resto se procede a realizar una prueba de comparacin de sus valores medios. Para hacer esto es necesario agregar en el programa de SAS las siguientes instrucciones: Data s; Input trat rep gp; Cards; 1 1 980 1 2 1050 ... 5 5 1490 proc print; proc anova; class trat; model gp=trat; means trat/tukey; run; Al ejecutar el programa en SAS despus del anlisis de la varianza aparece la siguiente tabla:

12

Note que en la salida de SAS Alpha=0.05, se encuentran diferencias entre las medias, es decir los tratamientos a base de Sorgo(T5) y Maz (T4) son superiores al Testigo (T1) y a los de melaza y cebo (T2 y T3), adems la melaza fue superior al testigo. En la salida de SAS se seala que las medidas que tengan la misma letra en columna no son significativamente diferentes. Tukey no es la nica prueba que puede usar para comparacin de medias, de acuerdo al inters de su investigacin puede usar pruebas ms o menos estrictas para encontrar diferencias entre medias de tratamientos, otras pruebas son: DUNCAN, SCHEFFE, DMS, SND, DUNNET, entre otras. Para efectuar otras pruebas cambie tukey por la prueba deseada: proc anova; class trat; model gp=trat; means trat/duncan; run;

Tambin SAS puede hacer varias pruebas al mismo tiempo: proc anova; class trat; model gp=trat; means trat/tukey Duncan scheffe dms snk dunnet; run;

13

2. BLOQUES AL AZAR 2.1. Qu es un bloque? Es una unidad experimental homognea: Una parcela que se divide en subparcelas Una camada compuesta por varios individuos Un mismo individuo que se puede tratar por msde un mtodo o proporcionar ms de un dato. Y dentro de cada bloque la asignacin de los tratamientos a las u.e. es aleatoria Mejora la productividad de una plantacin de trigo si se aplica un fungicida para el control de la roya? Diseo de bloques al azar (DBA)

Diseo completamente aleatorizado (DCA)

Unidad experimental: Rplicas: 2.2. Con qu criterio bloquear?

Utilizando cualquier factor que afecte la variable respuesta y que vare entre las unidades experimentales. No debera interesar efectuar comparaciones entre niveles del factor bloque El bloque debe ser internamente homogneo. El criterio debe ser tal que minimice la variabilidad entre las subparcelas dentro de un mismo bloque (control del error). La prueba t para muestras pareadas es equivalente a DBA con 2 tratamientos
14

2.3.

Buenos criterios para bloquear

Proximidad (parcelas adyacentes) Caractersticas fsicas (edad, peso) Caractersticas genticas (parientes, camadas, un mismo individuo) Tiempo DBA

2.4.

Consiste en descomponer la variabilidad de la variable respuesta en: Variabilidad explicada o debida a los tratamientos (variabilidad entre tratamientos) Variabilidad explicada o debida a las parcelas (variabilidad entre bloques) Variabilidad no explicada por los tratamientos o variabilidad aleatoria o residual (variabilidad dentro)

2.5.

El modelo estadstico es:

Donde es la media general o media de la poblacin.

i es el efecto del tratamiento i y que es comn a todos los individuos que

recibieron ese tratamiento.

j es el efecto del bloque j y que es comn a todos los tratamientos que se

aplicaron en ese bloque.

ij es el residuo o error aleatorio (dentro).

Hiptesis en DBA

2.6.

Ho: 41 = 42 = 43 = 4
Es decir no hay efecto de los tratamientos sobre la variable respuesta

H1: alguna 4i 4
Es decir al menos un tratamiento tiene efecto sobre la variable respuesta
15

Ho: :2 bloques=0
Es decir no hay variabilidad debida a los bloques

H1: :2 bloques 0
Es decir al hay variabilidad debida a los bloques

2.7. Tabla de ANOVA

16

2.8.

En Infostat

Ingreso de datos:

17

2.9.

ANOVA

2.10. Supuestos del modelo Los bloques deben ser extrados al azar y deben ser independientes entre s. Los tratamientos deben ser asignados al azar dentro de cada bloque. Los errores deben estar normalmente distribuidos. Los bloques deben responder en forma paralela (aditividad-paralelismo). Los tratamientos deben tener la misma variabilidad (homocedasticidad). 2.11. Cmo detectamos si hay normalidad de los errores? Grficamente: QQ plot Analticamente: Prueba de Shapiro Wilks

18

2.12. Cmo detectamos si hay paralelismo entre bloques? Grficamente: Grfico de perfiles En Infostat => Grfico de puntos. Variable a graficar: Rinde. Criterios de clasificacin: Tratamiento. Particin: Bloque (Particiones en el mismo grfico) Analticamente: Prueba de no aditividad de Tukey

2.13. Cmo detectamos si hay heterocedasticidad? Se calculan los residuos y se grafican vs los valores esperados o predichos Se espera encontrar una distribucin al azar y con variabilidad constante

19

2.14. Comparaciones mltiples Tienen sentido solo para comparar tratamientos Es irrelevante comparar bloques El procedimiento es el mismo que en anova de un factor Prueba de Tukey

H0: 4i = 4j H1: 4i 4j
Si las diferencias entre las medias de los tratamientos superan la diferencia crtica se considera que las medias difieren significativamente con un riesgo del

Donde i es la cantidad de datos utilizados para calcular las medias que se comparan. En Infostat:

20

CONCLUSIN

El diseo en Bloques al Azar es uno de los diseos experimentales ms utilizados ya que son numerosas las situaciones en las que su uso es apropiado. Las unidades de equipo o maquinaria son frecuencia diferentes en sus caractersticas de operacin y son un factor de formacin de bloques tpico. Lotes de materia prima, personas y el tiempo tambin son fuentes de variabilidad perturbadora comunes en un experimento que pueden controlarse de manera sistemtica mediante la formacin de bloques.

21

BIBLIOGRAFA

http://www.galeon.com/colposfesz/est501/dca/dca.htm http://www.uru.edu/fondoeditorial/libros/pdf/manualdestatistix/cap2.pdf www.ege.fcen.uba.ar www.iuma.ulpgc.es

22