Professional Documents
Culture Documents
ESTADO DE HIDALGO
INSTITUTO DE CIENCIAS BSICAS E INGENIERA
REA ACADMICA DE INGENIERA
MONOGRAFA
QUE PARA OBTENER EL TTULO DE INGENIERO
INDUSTRIAL
PRESENTA:
DEDICATORIAS
A UAEH:
Estoy orgulloso de ser parte de esta gran institucin la que me brindo los elementos
suficientes para mi formacin acadmica, la cual forma egresados competitivos y
eficientes a nivel Nacional.
A MIS PROFESORES:
Por su amistad, conocimientos y experiencias que me han brindaron a lo largo de mi
formacin profesional, los cuales han contribuido en mi desarrollo personal y
profesional.
A MI ASESORA:
Por el apoyo, paciencia y tiempo que me dedico para realizar este trabajo y agradecerle
su
confianza.
NDICE
Pgina
INTRODUCCIN
JUSTIFICACIN
OBJETIVO GENERAL
Y ESPECFICOS
DEFINICIONES
DEFINICIONES DE PRINCIPALES
CONCEPTOS
CAPTULO 1
DISEO DE EXPERIMENTOS
13
1.1
Introduccin
13
1.2
Tipos de variabilidad
16
1.3
Planificacin de un experimento
18
1.4
25
1.5
30
experimentos
1.6
32
1.6.1
33
1.6.2
33
1.6.3
34
1.6.4
35
1.6.5
36
CAPTULO 2
38
2.1
Introduccin
38
2.2
39
2.3
42
balanceados (BIB)
2.4
43
incompletos
2.5
45
2.6
55
de bloque
2.7
58
64
Introduccin
64
3.2
65
el experimento
3.3
70
75
78
CAPTULO 4
BLOQUES
INCOMPLETOS
85
SU
II
4.1
Introduccin
85
4.2
86
incompletos
4.3
87
Apndice 1A.1
100
balanceados.
Apndice 1A.2
102
incompletos.
Apndice 1A.3
105
diseo BIB.
Apndice 2A.1
108
Apndice 2A.2
109
CONCLUSIONES
110
BIBLIOGRAFA
116
III
NDICE DE TABLAS
Pgina
Tabla 1
35
jerarquerizados.
Tabla 2.1
48
incompleto balanceado.
Tabla 2.2
Conversin
porcentual
del
metilglucsidos
con
50
51
52
incompleto
balanceado
58
con
69
IV
Tabla 3.2
73
Tabla 4.2
Coeficientes
90
de
91
91
para
contrastes
en
un
diseo
tratamiento factorial 2 .
Tabla 4.3
con bloques.
92
92
Tabla 4.6
93
98
Tabla 4.8
98
NDICE DE CUADROS
Pgina
Cuadro 1
cuatro
40
Cuadro 2
56
Cuadro 3
60
Cuadro 4
61
Cuadro 5
67
Cuadro 6
72
Cuadro 7
76
Cuadro 8
78
Cuadro 9
81
Cuadro 10
83
Cuadro 11
84
VI
INTRODUCCIN
Hace casi ochenta aos el trabajo pionero de Sir Ronald Fisher mostr cmo
los mtodos estadsticos y en particular el diseo de experimentos podan ayudar
a solventar el problema de cmo descubrir y entender las complejas relaciones
que pueden existir entre varias variables y ms an, alcanzar este objetivo a
pesar de que los datos estn contaminados con error experimental. Desde que
se comenzaron a utilizar en agricultura y biologa, estas tcnicas se han seguido
desarrollando y su uso se ha generalizado a las ciencias fsicas, sociales, la
ingeniera y la industria.
Ms recientemente, su efecto cataltico en los procesos de investigacin y
aprendizaje, ha demostrado el importante papel que ha jugado en la revolucin
industrial, en calidad y productividad, liderada por Japn.
Los experimentos en la industria moderna son ms complicados, porque son
muchos los factores que son susceptibles de controlarse y que afectan a la
calidad de los productos, de aqu que son muchas las combinaciones de dichos
factores que se deben probar para obtener resultados vlidos y consistentes.
El diseo estadstico de experimentos permite optimizar la informacin
generada acerca del sistema, en relacin a los objetivos planteados. En otras
palabras, el diseo de experimentos es la aplicacin del mtodo cientfico para
generar conocimiento acerca de un sistema o proceso.
El diseo de experimentos ha sido consolidado poco a poco en la industria
actual como un conjunto de herramientas estadsticas y de ingeniera, que
permiten lograr la mxima eficiencia de los procesos con el mnimo costo.
INTRODUCCIN
Con el diseo de experimentos se pueden resolver problemas como los
siguientes:
Estudiar la relacin que existe entre los diferentes factores que intervienen
en un proceso y las caractersticas de calidad del producto. Este es el
problema general que resuelve el diseo de experimentos.
INTRODUCCIN
existentes. Esto se debe a que los procedimientos mismos generalmente se
relacionan con los diseos del tratamiento especfico, cada uno de los cuales
puede aparecer en varias configuraciones del diseo experimental.
La intencin de esta Monografa es la de introducir algunos procedimientos
tiles para diversos estudios en los que no es posible considerar una rplica
completa de todos los tratamientos y se hace necesario bloquizar unidades
experimentales. Los Diseos de Bloques Incompletos ofrecen una solucin
que nos permite disminuir la varianza del error y proporciona comparaciones ms
precisas entre tratamientos de lo que es posible con un diseo de bloques
completos.
En el Captulo 1 se exponen las ideas generales del diseo de experimentos,
el Captulo 2 contiene los conceptos bsicos de los diseos de bloques
incompletos, el Captulo 3 se ha dedicado a los diseos de bloques incompletos
resolubles y cclicos y en el Captulo 4 se presentan algunos ejemplos de
aplicaciones de los diseos de bloques incompletos a la industria y su eficiencia
frente a los diseos de bloques completos. En cada uno de los Captulos se
incluyen ejemplos de aplicaciones a problemas industriales. Por ltimo se
ofrecen algunas conclusiones y recomendaciones para el uso de estos diseos
tan tiles en los problemas de la industria.
JUSTIFICACIN
En el campo de la industria es prctica comn realizar pruebas o
experimentos con la intencin de que al hacer cambios en los materiales,
mtodos o condiciones de operacin de un proceso se puedan detectar, resolver
o minimizar los problemas de calidad.
El diseo experimental es el arreglo de unidades experimentales utilizado
para controlar el error experimental, a la vez que acomoda los tratamientos.
Existe en la literatura una amplia variedad de arreglos diseados para controlar
el error experimental y se observa una tendencia natural a disear los
experimentos de acuerdo con diseos ya existentes. No obstante, desarrollar un
diseo de experimentos que satisfaga la demanda del experimento que se est
realizando no es tarea fcil, aunque debe ser el objetivo principal de cualquier
estudio.
El logro de la mxima informacin, precisin y exactitud en los resultados,
junto con el uso ms eficiente de los recursos existentes, es un principio a seguir
en la eleccin del diseo adecuado del experimento.
La asociacin entre la asignacin de tratamientos y el diseo experimental se
puede realizar en dos contextos diferentes: sin bloques y con bloques. Por todos
es conocido que el incorporar bloques o tratamientos replicados en un
experimento, provoca una mejor estimacin del error experimental adems de
reducirlo; sin embargo, a veces esto no es posible.
El nmero de bloques en un estudio de investigacin afecta la precisin de
las estimaciones de las medias de los tratamientos y la potencia de las pruebas
estadsticas para detectar las diferencias entre las medias de los grupos en
tratamiento. Sin embargo, el costo de conducir estudios de investigacin
restringe las rplicas a un nmero razonable. Luego, el nmero de bloques o de
JUSTIFICACIN
rplicas est determinado por las restricciones prcticas que se pueden asignar
al problema.
Es importante destacar, que a pesar de lo anteriormente expuesto, el
investigador debe estar consciente que al reducir el nmero de tratamientos por
bloque o el nmero de rplicas por tratamiento, estar influyendo directamente el
valor de la varianza del error experimental (2), en el tamao de la diferencia
entre dos medias de tratamiento, en el nivel de significacin de la prueba () y en
la potencia de la prueba ( 1 ).
Existen frmulas para calcular el nmero de rplicas necesarias para valores
de 2, , y la diferencia de medias a detectar, sin embargo, son estimaciones y
aproximaciones. Con frecuencia se determinan con base en las estimaciones de
la varianza obtenidas en estudios previos del mismo tipo y no a las del estudio
real que se usarn para calcular los intervalos de confianza y las pruebas de
hiptesis.
La rplica de un experimento proporciona los datos para estimar la varianza
del error experimental. La bloquizacin proporciona un medio para reducir el
error experimental. Sin embargo, las rplicas y la bloquizacin por s solos no
garantizan estimaciones vlidas de la varianza del error experimental o de las
comparaciones entre tratamientos.
Fisher, 1926, seal que la sola aleatorizacin proporciona estimaciones
vlidas de la varianza del error para los mtodos de inferencia estadstica
justificados para la estimacin y pruebas de hiptesis en el experimento. La
aleatorizacin es la asignacin aleatoria de los tratamientos a las unidades
experimentales.
La eficiencia relativa mide la efectividad de la bloquizacin para reducir la
varianza del error experimental en el diseo de experimentos. En la prctica la
5
JUSTIFICACIN
eficiencia relativa se mide para determinar la eficiencia del diseo usado en
realidad respecto a otro ms sencillo que pudo usarse pero no se hizo.
La varianza de la media de un tratamiento es una medida de la precisin de
las medias de tratamiento estimadas. Esta precisin se controla mediante la
magnitud de 2 y el nmero de rplicas, que en cierto grado estn bajo el control
del investigador, ya que ste puede aumentar la precisin en la estimacin de la
media, aumentando el nmero de rplicas. Sin embargo, esto aumentara el
costo de la investigacin. Hay otra forma de incrementar la precisin del
experimento reduciendo 2 a travs de varias actividades de control local, como
la bloquizacin.
La importancia que tiene la bloquizacin en el diseo de experimentos sobre
todo en la industria, donde las condiciones de replicacin no son fciles y en la
mayora de los casos, imposible, es lo que nos impuls a escoger este tema para la
realizacin de esta monografa sobre los diseos de bloques incompletos para
estudiar con sencillez, claridad y profundidad el diseo de experimentos y
especficamente, los diseos de bloques incompletos, incluyendo las tcnicas y las
estrategias necesarias para planear y analizar adecuadamente las pruebas
experimentales, y conocer mejor la realidad del objeto de estudio y se mejore en
forma eficaz el desempeo de productos y procesos.
En ella se desarrollan temas tan importantes como: elementos de inferencia
estadstica, experimentos con un solo factor, diseos en bloques, diseos
factoriales, planeacin de un experimento, as como la eficiencia de los mismos
para el tratamiento de casos particulares.
La explicacin de cada tcnica se apoya en casos reales y se resuelven
ejemplos que ayudan a una mejor comprensin de cundo y cmo aplicarla.
Por todo lo anterior, esta monografa es un valioso instrumento que permitir al
lector adquirir algunos conocimientos que le conducirn a un desempeo
profesional exitoso.
6
Conceptualizar
las
bases
fundamentales
del
Diseo
de
10
11
12
CAPTULO 1
DISEO DE EXPERIMENTOS
1.1
Introduccin.
Los modelos de Diseo de experimentos
13
1.2
cambios en las
15
(cambiando
las
condiciones
de
funcionamiento)
para
1.3
Tipos de variabilidad.
Uno de los principales objetivos de los modelos estadsticos y, en particular, de
diferencias
experimentales
sistemticas
impuestas
en
el
entre
las
distintas
condiciones
diseo
por
expreso
deseo
del
16
estn
siendo
sesgados
sistemticamente
por
causas
17
1.4
Planificacin de un experimento.
La experimentacin forma parte natural de la mayora de las investigaciones
tcnicas
de
diseo
de
experimentos
se
basan
en
estudiar
19
20
21
observaciones
se
recogen
secuencialmente
en
instantes
de
tiempo
22
23
Tipo
Planificada y sistemtica
(Factores tratamiento)
Debida al resto de condiciones
Planificada y sistemtica
controladas
(Factores nuisance)
Debida a condiciones no controladas
anidamiento,
24
4. Especificar
las
medidas
que
se
realizarn
(la
respuesta),
el
25
6. Especificar el modelo.
El modelo matemtico especificado debe indicar la relacin que se supone que
existe entre la variable respuesta y las principales fuentes de variacin identificadas
en el paso 2. Es fundamental que el modelo elegido se ajuste a la realidad con la
mayor precisin posible.
El modelo ms habitual es el modelo lineal:
En este modelo la respuesta viene dada por una combinacin lineal de trminos
que representan las principales fuentes de variacin planificada ms un trmino
residual debido a las fuentes de variacin no planificada. Los modelos que se
estudian en este texto se ajustan a esta forma general. El experimento piloto puede
ayudar a comprobar si el modelo se ajusta razonablemente bien a la realidad.
26
27
Se deben esquematizar los pasos del anlisis a realizar que deben incluir:
contrastes a realizar,
29
siempre en cuenta:
El principio de aleatorizacin.
El bloqueo.
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar
los tratamientos a las unidades experimentales sin preocuparse de qu
tratamientos considerar. Por el contrario, la factorizacin del diseo define una
estrategia eficiente para elegir los tratamientos sin considerar en absoluto como
asignarlos despus a las unidades experimentales.
Aleatorizar
Aleatorizar todos los factores no controlados por el experimentador en el
diseo experimental y que pueden influir en los resultados sern asignados al azar
a las unidades experimentales.
Ventajas de aleatorizar los factores no controlados:
30
Ejemplo 1.1
Se desea investigar las posibles diferencias en la produccin de dos mquinas,
cada una de las cuales debe ser manejada por un operario.
En el planteamiento de este problema la variable respuesta es la produccin de
una mquina (en un da), el factor-tratamiento en el que se est interesado es el
tipo de mquina que tiene dos niveles y un factor nuisance es el operario que
maneja la mquina. En el diseo del experimento para realizar el estudio se
31
1.6
33
1.6.3
34
Bloques Cruzados
Bloques Anidados
Bloque 1
B
Bloque 1
35
36
37
CAPTULO 2
DISEO DE BLOQUES INCOMPLETOS
2.1
Introduccin
En ocasiones es necesario bloquizar unidades experimentales en grupos ms
pequeos que una rplica completa de todos los tratamientos que se usaran con
bloques completos aleatorizado o un diseo de cuadrado latino. El diseo de
bloques incompletos se usa para disminuir la varianza de error experimental y
proporcionar comparaciones ms precisas entre tratamientos de lo que es
posible con el diseo de bloques completos. En este trabajo se presenta una
descripcin general de algunos grupos importantes de diseo de bloques
incompletos, se muestran el mtodo de aleatorizacin y los mtodos bsicos de
anlisis para diseo de bloques incompletos balanceados (BIB) y bloques
incompletos parcialmente balanceados (BIPB), tomando en cuenta tambin la
eficiencia de los diseos.
38
bloques
Por alguna razn los experimentos pueden requerir una reduccin del tamao
de bloque. Los diseos de bloques completos pueden reducir las varianzas del
error experimental estimadas, pero esta reduccin puede ser insuficiente, pues el
nmero de tratamientos pueden ser tan grandes que resultan imprcticos para
reducirla. Adems, con el agrupamiento natural de las unidades experimentales
en bloques quiz no se obtengan las unidades por bloques necesarias para el
nmero de tratamientos de un diseo de bloques completos. En el siguiente
ejemplo, el nmero limitado de cmaras de control ambiental evita la ejecucin
de una rplica completa de todos los tratamientos en una corrida de cmaras
disponibles.
Ejemplo 2.1
constante
Es usual que los tomates se produzcan durante los meses de invierno en las
regiones ridas tropicales, la produccin invernal se siembra a fines del verano
cuando las temperaturas del suelo pueden exceder 40C, lo que sobrepasa los
35C, temperatura mxima sugerida de germinacin.
Objetivo de investigacin: Un cientfico de plantas deseaba determinar a
que intervalos de temperatura poda esperar la inhibicin de la germinacin de
las semillas de tomate para un grupo de cultivos.
Diseo del tratamiento: se eligieron cuatro temperaturas para representar
un intervalo comn para el rea de cultivo en consideracin: 25c, 30C, 35C y
40C. La semilla de tomate se someti a una temperatura constante cmaras de
ambiente controlado.
39
Corrida 1
1
25C
Corrida 3
1
40C
Cmara
2
30C
Cmara
2
25C
3
40C
1
Corrida 2 35C
Cmara
2
3
30C
25C
3
35C
1
Corrida 440C
Cmara
2
3
30C
35C
40
41
= r(k- 1)/(t-1)
42
2.4
Una vez construido el diseo bsico con los nmeros de cdigo de los
tratamientos, los pasos para la aleatorizacin son las siguientes:
Paso 1. Aleatorizar el arreglo de los bloques conformados por grupos
de los nmeros de cdigo asignados a los tratamientos.
Paso 2. Aleatorizar el arreglo de los nmeros de tratamiento dentro de
cada bloque.
Paso 3. Aleatorizar la asignacin de los tratamientos a los nmeros de
cdigo en el plan.
43
Bloque
1
2
3
4
Paso 1.
1
1
1
2
2
2
3
3
3
4
4
4
Bloque
1
2
3
4
1
2
1
1
2
3
2
3
4
4
3
4
Bloque original
2
4
1
3
44
Cmara
Bloque
1
2
3
4
A
2
3
1
1
B
4
4
2
4
C
1
2
3
3
2
3
4
1
Permutacin
4
3
4
1
1
2
4
3
1
2
3
2
Paso 3. Suponiendo tambin que los tratamientos son las temperaturas 25,
30, 35 y 40C, una permutacin aleatoria 2, 4, 3, 1 produce una asignacin de
las temperaturas para los nmeros de cdigo de tratamiento con la sustitucin
225C, 430C, 335C y 140C en la tabla anterior.
Cmara
Corrida
1
2
3
4
2.5
A
25C
35C
40C
40C
B
30C
30C
25C
30C
C
40C
25C
35C
35C
ij
= +
i= 1,2,,t
+ e ij
j= 1,2,,b
(1)
45
incompletos;
tampoco
las
medias
de
tratamiento
observadas
i= + i. Los parmetros
estimados y las sumas de los cuadrados de los tratamientos para los diseos de
bloque incompletos balanceados se calculan con formulas relativamente
directas, el desarrollo de las estimaciones de mnimos cuadrados se encuentra
en el apndice 1A.3.
SCE f =
i
( ij ij ) 2 =
i
( ij i i ) 2
(2)
46
SCEr =
i
( ij ij ) 2 =
( ij j ) 2
(3)
SCT(ajustada) =
k Qi2
i =1
(4)
Qi = y i.
1
Bi
k
(5)
47
(6)
Fuente de
variacin
Grados de
libertad
Total
N1
Bloques
b1
Tratamientos
Error
t1
Ntb1
Suma de
cuadrados
Cuadrados
medios
( ..)
( ..)
Q
2
ij
.j
2
i
Restando
48
Ejemplo 2.2
Vinilacin de metilglucsidos
49
Tabla 2.2
Conversin porcentual del metilglucsidos con acetileno a acetileno a alta
presin, en un diseo de bloque incompleto balanceado.
Corrida
250
Presion (psi)
325
400
475
550
1
2
3
4
5
6
7
8
9
10
yi.
*Bi.
16
18
32
19
46
45
26
39
61
21
35
55
19
47
48
20
33
31
13
13
34
21
30
52
24
10
50
24
31
37
113
110
188
228
311
507
542
576
577
648
Qi
-56.0 -70.7
-4.0
35.7
95.0
*Ejemplo: B1 = y.1 + y.2 + y.6 + y.7 + y.8 + y.9
Qi = y 1 . 1 B 1 = 113 1 (507 ) = 56 . 0
3
y.j
66
110
126
111
114
84
60
103
84
92
950
50
Fuente de
Grados de
variacin
libertad
Total
29
Bloques (no. Aj.)
9
Presin (aj.)
4
Error
16
Suma de
cuadrados
5576.67
1394.67
3688.58
493.42
Cuadrados
medios
154.96
922.14
30.84
F
29.90
Pr<F
.000
= ..
i =
Qi
t
(7)
i =
Qi
3
=
(- 56.00) = -11.20 y = 31.67 11.20 = 20.47
t
(3)(5)
S i =
CME kr (t 1)
1 +
rt
30.84 (3)(6)(4)
1 +
= 244
(6)(5)
(3)(5)
(8)
S ( i j ) =
2kCME
=
t
(2)(3)30.84
= 3.51
(3)(5)
(9)
51
Presin (psi)
250
325
400
475
250
20.47
17.53
30.87
38.80
50.67
s i
2.44
2.44
2.44
2.44
2.44
F0 =
(10)
c = d i i
(11)
i =1
52
Sc =
kCME t 2
di
t i =1
(12)
SCC =
t ( d i i ) 2
k d i2
(13)
53
Corrida
250
Presion (psi)
325
400
475
550
1
2
16
19
18
32
46
45
Media
22
37
54
2.6
55
Posicin
(1)
(2)
(1)
(2)
(3)
(4)
3
5
6
7
4
6
7
1
Automvil
(3)
(4)
5
7
1
2
6
1
2
3
(5)
(6)
(7)
7
2
3
4
1
3
4
5
2
4
5
6
56
y ijm = + i + pi + m + eijm
i = 1, 2,, t
j = 1, 2,, k
m = 1, 2,, b
(14)
57
Fuente de
variacin
Grados de
libertad
Total
N1
Renglones (replicas)
k1
b1
Tratamientos (ajustados)*
t1
Error
(t 1)(k 1)(b 1)
Suma de
cuadrados
( ...)
t ( ...)
k ( ...)
k Q / t
ijm
. j.
..m
2
i
Restando
*Qi = yi.. (Bi/k) donde Bi es la suma de totales de bloque de aquellas columnas que incluyen el
tratamiento i.
2.7
balanceados (BIPB)
No es posible construir diseos balanceados para todas las situaciones
experimentales que requieren bloques incompletos, en algunos casos el nmero
de rplicas necesario puede ser prohibitivo; por tanto, con frecuencia se
construyen diseos parcialmente balanceados que requieren menos rplicas.
58
59
Bloque 1
Bloque 2
Bloque 3
60
Asociados
Tratamientos
1
2
3
4
5
6
Primeros
4
5
6
1
2
3
Segundos
2, 3, 5, 6
1, 3, 4, 6
1, 2, 4, 5
2, 3, 5, 6
1, 3, 4, 6
1, 2, 4, 5
ventaja
de
los
diseos
balanceados
sobre
los
principalmente
balanceados es que los clculos manuales del anlisis de varianza son un poco
ms sencillos. Antes del advenimiento de los programas estadsticos modernos,
era imperativo disponer de frmulas de clculo manual para el anlisis de datos,
pero ahora es posible calcular las particiones de sumas de cuadrados adecuadas
61
62
63
CAPTULO 3
DISEO DE BLOQUES INCOMPLETOS:
DISEOS RESOLUBLES Y CCLICOS
3.1
Introduccin
En el capitulo 2 se presenta la descripcin general y el anlisis de los diseos
64
3.2
Los diseos resolubles tiene bloques agrupados de manera que cada grupo
constituye una rplica completa de los tratamientos, el agrupamiento en rplicas
completas es eficaz para administrar un experimento.
Una de las primeras aplicaciones de los diseos resolubles fue con pruebas de
cultivo con platas colocadas en las parcelas de una granja experimental, los
labradores queran probar un gran nmero de lneas genticas y hacer todas las
comparaciones por pares entre ellas con la misma precisin. Fue necesario
ordenar las parcelas en bloques ms pequeos que la rplica completa para
reducir la varianza del error experimental an ms de lo que es posible con los
diseos de bloques completos. El diseo de bloques incompletos resoluble era
atractivo por que adems de reducir el tamao de los bloques para obtener mayor
precisin, tambin permita al investigador controlar estos grandes estudios en
campo basndose en las rplicas.
Los diseos resolubles son tiles en la prctica cuando no es posible realizar el
experimento completo al mismo tiempo, pues los experimentos con diseo
resoluble pueden llevarse a cabo en etapas, con una o ms rplicas terminadas en
cada etapa. Adems, si por alguna razn el experimento termina antes de tiempo,
habr un nmero igual de rplicas en todos los tratamientos.
Los diseos resolubles son arreglos en r grupos de rplicas de s bloques con k
unidades por bloque. En los diseos de bloques incompletos balanceados
resolubles, el nmero de tratamientos es un mltiplo del nmero de unidades por
bloque, t = sk, y el nmero total de bloques satisface la relacin b = rs t + r 1.
65
Ejemplo 3.1
66
Da 1
Juez
1
2
3
Da 2
Juez
(1, 2, 3)
(4, 5, 6)
(7, 8, 9)
4
5
6
Da 3
Juez
(1, 4, 7)
(2, 5, 8)
(3, 6, 9)
7
8
9
Da 4
Juez
(1, 5, 9)
(2, 6, 7)
(3, 4, 8)
10
11
12
(1, 6, 8)
(2, 4, 9)
(3, 5, 7)
Fuente: R. O. Kuehl (2001), Diseo de experimentos. Mxico. D.F.: Ed. Matemticas THOMSON.
(2 ed.). p.340
67
E=
(k + 1)(r 1)
r (k + 2) + (k + 1)
y por las retculas simple y triple, los factores de eficiencia promedio respectivos
son (k + 1)/(k + 3) y (2k +2 )/(2k + 5).
(1949)
proporcionaron
diseos
resolubles
con
nmeros
de
68
y ijm = + i + i + p m ( j ) + eijm
i = 1, 2,, t
j = 1, 2,, r
(15)
m = 1, 2,, s
Fuente de
variacin
Grados de
libertad
Total
N1
Replicas
r1
Tratamientos (ajustados)
Error
r(s 1)
t1
N t rs + 1
Suma de
cuadrados
(
sk (
k (
k Q
ijm
...) 2
. j.
...) 2
..m
...) 2
2
i
Restando
69
3.3
Ejemplo 3.2
de insectos
Examinemos un estudio epidemiolgico sobre la transmisin de un parasito
micrbico a los humanos a travs de un insecto en un rea agrcola tropical. El
parasito se transmite a los humanos mediante la picadura del insecto, pero si el
insecto no est infectado por el parasito, puede adquirirlo cuando pica a un
humano infectado. Un proyecto de salud pblica es la plantacin de pruebas de
efectividad de una droga que se sabe que vara el ciclo de vida del parsito en los
70
71
1
(k + 1) proporcionar un semibalance tal que cualquier par de tratamientos
2
Cuadro 6
Diseo de bloques incompleto rengln columna anidado de 3 x 3 para las
muestras de la poblacin de insectos.
Da
Hora (1) (2) (3)
(1)
1 2
3
(2)
4 5
6
(3)
7 8
9
Plantacin 1
Da
Hora (4) (5) (6)
(4)
1 4
7
(5)
2 5
8
(6)
3 6
9
Plantacin 2
Da
Hora (7) (8) (9)
(7)
1 6
8
(8)
9 2
4
(9)
5 7
3
Plantacin 3
Da
Hora (10) (11) (12)
(10)
1
9
5
(11)
6
2
7
(12)
8
4
3
Plantacin 4
Fuente: R. O. Kuehl (2001), Diseo de experimentos. Mxico. D.F.: Ed. Matemticas THOMSON.
(2 ed.). p.344
72
y ijlm = + m + p j ( m ) + l ( m ) + i + eijlm
i = 1, 2,, t
j = 1, 2,, p
l = 1, 2,, q
(16)
m = 1, 2,, r
Fuente de
variacin
Total
Grupos (replicas)
Grados de
libertad
N1
r1
r(q 1)
r(p 1)
Tratamientos (ajustados)
Error
t1
r(p-1)(q-1)-(t-1)
Suma de
cuadrados
(
t (
p (
q (
ijlm
...) 2
...m.
...) 2
..lm
. j .m
...m ) 2
...m ) 2
pq(t 1)
k Qi2
rt ( p 1)(q 1)
Restando
Fuente: R. O. Kuehl (2001), Diseo de experimentos. Mxico. D.F.: Ed. Matemticas THOMSON.
(2 ed.). p. 345
73
Qi = i... + r ...
1
1
Ri C i
p
q
(17)
Donde i... es el total para el i-simo tratamiento ... es la gran media para el
experimento, Ri es la suma de los totales de renglones que incluyen al i-simo
tratamiento y Ci es la suma de los totales de columnas que incluyen al i-simo
tratamiento.
La estimacin de los mnimos cuadrados del efecto de tratamiento es:
i =
pq(t 1)Qi
rt ( p 1)(q 1)
(18)
E=
t ( p 1)(q 1)
pq(t 1)
(19)
74
3.4
diseos
de
bloques
incompletos
complejos
pueden
aadir
ms
75
Bloque
1
2
3
4
5
6
(0, 1, 3)
(1, 2, 4)
(2, 3, 5)
(3, 4, 0)
(4, 5, 1)
(5, 0, 2)
Bloque inicial
76
diseo est completo con los bloques de 1 a 6 pues el sptimo miembro del ciclo
sera la configuracin del bloque inicial (0, 1, 3).
77
Bloque
1
inicial
2
3
4
5
6
Bloque
1
2
3
4
5
6
(0, 2, 1) Bloque
(1, 3, 2)
(2, 4, 3)
(3, 5, 4)
(4, 0, 5)
(5, 1, 0)
Fuente: R. O. Kuehl (2001), Diseo de experimentos. Mxico. D.F.: Ed. Matemticas THOMSON.
(2 ed.). p.348
3.5
construccin cclica
Los diseos son diseos resolubles desarrollados por Paterson y Williams
(1957) en respuesta a la necesidad de las respuestas de campo reglamentadas
para variedades de cosechas agrcolas en el Reino Unido, en ellas el nmero de
variedades y rplicas los fijaba un reglamento y no estaba bajo el control del
78
79
E=
(t 1)(r 1)
(t 1)(r 1) + r ( s 1)
(20)
80
Cuadro 9
Rplica
Bloque
I
1 2
0 1
3 4
6 7
9 10
3
2
5
8
11
1
0
3
8
10
II
2
1
4
6
11
3
2
5
7
12
1
0
5
7
10
III
2 3
1 2
3 4
8 6
11 9
Las etiquetas de tratamiento para el diseo son (0, 1, 2,, t 1)y los
tratamientos reales se asignan al azar alas etiquetas. Adems, la aleatorizacin
procede con una asignacin aleatoria de los bloques del diseo a los bloques
reales dentro de los grupos de rplicas y una asignacin aleatoria de los
tratamientos a las unidades experimentales reales dentro de los bloques fsicos.
Una tabla de 11 arreglos bsicos reproducida de Paterson, Williams y Hunter
(1978) se muestra en la tabla 2A.2 del apndice. Se puede generar un total de 47
diseos a partir de 11 arreglos. Los arreglos se pueden usar para generar
diseos con 20 t 100, nmeros de tratamientos, con r = 2, 3 o 4 rplicas y la
restriccin usual de t
81
Observando el primer arreglo que aparece en la tabla 2A.2 del apndice para s
= k = 5, vemos que el arreglo tiene k = 5 renglones y r = 4 columnas.
0
0
0
0
0
0
1
2
3
4
0
4
3
2
1
0
2
4
1
3
82
Cuadro 11
Bloque
2 3
Replica I
0
8
4
1
5
9
Replica II
6 0
1 7
11 10
3
4
9
Replica III
9
7
2
0 1
5 4
11 10
8
6
3
2 3
10 7
6 11
5
2
8
83
Bloque
1 2 3 4 5
Replica I
Replica
II
:
:
:
Replica III
lo
que
producir
una
circunstancia
indeseable
en
el
caso
de
perturbaciones no previstas que negaran el uso del bloque largo. Para evitar esta
posibilidad, Harshbarger y Davis (1952) propusieron los diseos con retcula
latinizados, en los que la retcula rectangular se estructuro de manera que cada
tratamiento
ocurra
slo
una
vez
en
cada
bloque
largo.
84
CAPTULO 4
APLICACIN A LA INDUSTRIA DE DISEOS DE BLOQUES
INCOMPLETOS Y SU EFICIENCIA FRENTE A OTROS
DISEOS.
4.1
Introduccin
La eficiencia de un diseo con respecto a otro se mide mediante la
aleatorizado 2 cr2 / r ? La eficiencia relativa del diseo BCA con respecto al diseo
totalmente aleatorizado se puede determinar porque se puede obtener una
estimacin de 2 para este ltimo a partir de los datos en el diseo BCA. Entonces
es posible evaluar la efectividad del bloque para reducir la varianza del error
experimental.
85
4.2
rplicas, la eficiencia del diseo BIB respecto al diseo BCA es la razn de las
varianzas:
Eficiencia =
2
2 t
(2 rcb
/ r)
= rcb
*
2
rk
(2k bib / t ) bib
(21)
(22)
86
mismo nmero de rplicas y la misma varianza del error 2. Dados un diseo BIB
con t = 4, r = 3, k = 3 y = 2 y un diseo BCA con t = 4 y r = 3, ambos requieren el
mismo nmero de unidades experimentales, pero tienen diferentes arreglos de
bloque. El diseo BIB es ms preciso que el diseo BCA si:
2
bib
2
rcb
<
2(4)
= 0.89
3(3)
2
2
En otras palabras, bib
tendra que ser cerca de un 11% ms pequeo que rcb
para que el diseo BIB tuviera la misma precisin que el diseo BCA con el mismo
numero de rplicas.
La intencin de un diseo de bloques incompleto es reducir la varianza del
error e incrementar la precisin de las comparaciones entre las medidas de
tratamiento, la meta sera reducir 2 para los diseos BIB de manera que se logre
la desigualdad de la ecuacin (22). Un diseo de bloques incompleto exitoso
2
2
reducir la varianza del error bib
ser menor que rcb
.
4.3
sector industrial
Los diseos de bloques incompletos se utilizan para reducir la varianza del
error experimental, ya que a veces puede no ser posible realizar una rplica
completa para factoriales 2k con muchos factores en un bloque completo. Si la
materia prima no es suficiente en un lote de produccin para manejar todos los
tratamientos, se puede usar
87
El diseo factorial 2k con muchos factores, cada uno a nivel alto o bajo,
se puede usar para detectar los factores importantes en el proceso con un
mnimo de unidades experimentales; es posible detectar las tendencias
principales con factores de dos niveles para identificar los factores
potencialmente importantes.
88
Ejemplo 4.1
89
rplica se encontraran todos los tratamientos pero distribuidos en los dos bloques.
En la primera rplica aparece la interaccin BC confundida, en la segunda rplica
aparece la interaccin AC confundida y en la ltima rplica aparece la interaccin
AB confundida.
El anlisis de varianza se realiz mediante el paquete estadstico SPSS,
versin 11.0.
A continuacin aparecen las tablas de los tratamientos con los datos
recolectados y finalmente el Anlisis de Varianza del diseo utilizado.
Tabla 4.1
confundido.
SC ( AB...) =
r
(l AB... ) 2
2n
90
Tabla 4.3
91
Los contrastes confundidos AB, AC, y BC calculados con los totales de todas
Tabla 4.5
92
parcialmente confundido
93
diseo
de
bloques
completos
aleatorizado
para
Vinilacin
de
metilglucsidos.
94
Presin (psi)
95
Corrida
250
Presin (psi)
325
400
475
550
1
2
3
4
5
6
7
8
9
10
yi.
*Bi.
16
18
32
19
46
45
26
39
61
21
35
55
19
47
48
20
33
31
13
13
34
21
30
52
24
10
50
24
31
37
113
110
188
228
311
507
542
576
577
648
Qi
-56.0 -70.7
-4.0
35.7
95.0
*Ejemplo: B1 = y.1 + y.2 + y.6 + y.7 + y.8 + y.9
Qi = y 1 . 1 B 1 = 113 1 (507 ) = 56 . 0
3
y.j
66
110
126
111
114
84
60
103
84
92
950
Tabla 2.3
Fuente de
Grados de
variacin
libertad
Total
29
Bloques (no. Aj.)
9
Presin (aj.)
4
Error
16
Suma de
cuadrados
5576.67
1394.67
3688.58
493.42
Cuadrados
medios
154.96
922.14
30.84
F
29.90
Pr<F
.000
96
97
Presin (psi)
Corrida
250
325
400
475
550
y.j
16
18
39
32
45
150
19
26
21
46
61
173
20
19
33
35
55
162
13
13
34
47
48
155
21
10
30
31
52
144
24
24
31
37
50
166
yi .
113
110
188
228
311
950
Tabla 4.8
Fuente de
variacin
Total
Replicas
Presin
Error
Grados de
libertad
29
5
4
20
Suma de
cuadrados
5576.66
114.66
4736.33
725.66
Cuadrados
medios
22.93
1184.08
36.28
F
32.63
Pr<F
.000
98
aplicaremos la formulas 21 del punto 4.2 donde hace referencia al factor eficiencia.
Eficiencia =
2
2
rcb
(2 rcb
/ r)
t
=
*
2
2
(2k bib / t ) bib rk
Eficiencia =
36.28 (3)(5)
*
= 0.98
30.84 (6)(3)
(21)
99
Apndice 1A.1
Plan 1A.1
t = 1, k = 3, r = 6, b = 10, = 3, E = 0.83
t = 6, k = 3, r = 5, b = 10, = 2, E = 0.80
Plan 1A.3
Plan 1A.4
t = 7, k = 3, r = 3, b = 7, = 1, E = 0.78
Plan 1A.5
t = 8, k = 4, r = 7, b = 14, = 3, E = 0.86
Plan 1A.6
t = 9, k = 3, r = 4, b = 12, = 1, E = 0.75
100
APNDICE 1A. 1
Plan 1A.7
t = 9, k = 4, r = 8, b = 18, = 1, E = 0.84
Plan 1A.8
Plan 1A.9
Plan 1A.10
Plan 1A.11
101
Apndice 1A.2
Tabla 1A
k
3
3
3
4
4
5
5
6
7
8
9
10
5
6
7
8
9
10
11
r
3
6
9
4
8
5
10
6
7
8
9
10
2
4
6
3
6
4
8
5
6
7
8
9
b
4
8
12
5
10
6
12
7
8
9
10
11
E
0.89
0.89
0.89
0.94
0.94
0.96
0.96
0.97
0.98
0.98
0.99
0.99
Plan
*
**
**
*
**
*
**
*
*
*
*
*
Plan 1B.1
Reps I y II
Reps III y IV
102
APNDICE 1A. 2
t = 5, k = 3, r = 6, b = 10, = 3, E = 0.83
Plan 1B.2
Reps I y II
Reps III y IV
t = 7, k = 2, r = 6, b = 21, = 1, E = 0.58
Plan 1B.3
Reps I y II
Reps III y IV
Reps V y VI
1 2 3 4 5 6 7
1 2 3 4 5 6 7
3 4 5 6 7 1 2
4 3 6 5 2 7 1
t = 7, k = 3, r = 3, b = 7, = 1, E = 0.78
Plan 1B.4
t = 7, k = 3, r = 3, b = 7, = 1, E = 0.78
Plan 1B.5
Reps I y II
Reps V y VI
Reps III y IV
103
APNDICE 1A. 2
t = 9, k = 4, r = 8, b = 18, = 3, E = 0.84
Plan 1B.6
t = 9, k = 4, r = 8, b = 18, = 3, E = 0.84
Plan 1B.7
Plan 1B.8
Reps I, II y III
Reps IV, V y VI
Reps
VII, VIII y
9 10
3
5
9 10
3
2 10
9 10
8 10
3 10
9 10
4 10
9 10
IX
104
Apndice 1A.3
ij = + i +
i= 1,2,,t
+ e ij
j= 1,2,,b
(1A.1)
varianza 2.
Sea nij una variable indicadora con nij = 1 si el i-simo tratamiento est en el jsimo bloque y nij = 0 de otra manera.
Las estimaciones de mnimos cuadrados para los parmetros en el modelo
completo minimizan la suma de cuadrados para el error experimental:
Q=
i =1
n e
j =1
2
ij ij
=
i =1
n
j =1
ij
( ij i j ) 2
(1A.2)
:
i :
j :
i =1
j =1
N + r i + k p j = y..
b
r + ri + nij p j = y i
(1A.3)
i = 1,2,,t
(1A.4)
j =1
k + niji + kp j = y. j
j = 1,2,,b
(1A.5)
i =1
105
APNDICE 1A. 3
Cada una de las sumas del conjunto de t ecuaciones para las i y el conjunto
de b ecuaciones para las pj es igual a la ecuacin para , esto tiene como
resultado dependencias lineales entre las ecuaciones. Las restricciones
y
i = 0
i son:
b
rki ri
j =1
n
p =1
ij
n pj p = kyi. n ij y. j
(1A.6)
j =1
n n
j =1
ij
pj
= , para p i
(1A.7)
r (k 1)i p = kQi
(1A.8)
p =1
p i
i = p
p =1
p i
106
APNDICE 1A. 3
ti = kQi
i =
kQi
t
i =1,2,,t
107
Apndice 2A.1
Tabla 2A.1
3
4
Primeros k 1 tratamientos
10
11
12
13
14
15
10
10
11
12
10
10
10
10
10
10
10
10
10
10
10
11
11
10
10
10
12
12
Reproducido con el permiso de J. A. John (1981), Efficient Cyclic Desgns, Journal of Royal
Statical Society, B, 43, 76-80.
108
Apndice 2A.2
Tabla 2A.2
0
0
0
0
0
s=k=5
0
0
1
4
2
3
3
2
4
1
0
2
4
1
3
0
0
0
0
0
0
s=k=6
0
0
1
5
3
2
2
3
4
1
5
1
0
4
5
1
2
3
0
0
0
0
0
0
0
s=k=7
0
0
1
3
2
6
4
5
3
2
5
1
6
4
0
2
4
1
6
3
5
0
0
0
0
0
0
0
0
s=k=8
0
0
1
2
3
7
5
3
2
5
4
1
6
0
7
6
0
6
1
4
3
6
2
5
0
0
0
0
0
0
0
0
0
s=k=9
0
0
1
8
3
6
7
2
2
3
4
1
5
7
6
5
8
4
0
7
4
3
5
6
2
1
7
0
0
0
0
0
0
0
0
0
0
s = k = 10
0
0
1
9
3
6
5
7
4
5
6
3
7
2
8
4
9
8
2
6
0
5
9
2
6
1
4
7
2
3
0
0
0
0
0
0
0
0
0
s = 11 k = 9
0
0
0
1
6
7
4
8
1
9
7
5
2
3
6
5
1
3
6
5
10
3
9
4
7
4
1
0
0
0
0
0
0
0
s = 14
0
1
9
11
2
5
3
0
0
0
0
0
0
0
0
k=7
0
0
8
10
10 7
13 2
6
1
1
12
1
11
s = 12
0
1
7
9
4
11
10
5
k=8
0
0
2
3
5
1
6
4
11 8
3
10
4
7
1
6
0
0
0
0
0
0
s = 15
0
1
3
7
10
14
0
0
0
0
0
0
0
s = 13
0
1
3
9
12
8
6
k=7
0
0
4
10
8
11
2
1
10 6
5
12
7
8
k=6
0
0
8
7
12 14
2
5
3
11
3
8
109
CONCLUSIONES
Eleccin de un diseo de experimento
110
CONCLUSIONES
Eleccin de diseos de bloques incompletos
este
trabajo,
pero
se
pueden
encontrar
exposiciones
de
las
111
CONCLUSIONES
Dnde encontrar planes de diseos
E=
t
rk
t 1
1
t 1 k
(C.1)
112
CONCLUSIONES
los instrumentos disponibles como ocurri en el experimento de vinilacin
de metilglucsidos del ejemplo 2.2. El investigador dispona slo de tres
cmaras para probar cinco tratamientos de presin, con t = 5, r = 6, k = 3 y
= 3, el factor de eficiencia para el diseo de bloques incompleto
balanceado era E = 3(5)/6(3) = 0.83. Una precisin equivalente para un
diseo de bloques incompletos con cinco cmaras de presin requera de
una reduccin del 17% en
113
CONCLUSIONES
eleccin prudente del diseo
es posible tener
un diseo parcialmente
Otra de las ventajas de los diseos resolubles es que peden llevarse acabo
en etapas, con una o ms replicas terminadas en cada etapa.
114
CONCLUSIONES
Quiz los diseos cclicos sean la mejor alternativa para producir un diseo
eficiente, pues proporcionan diseos de muchos tamaos y su construccin
es sencilla a partir de uno o dos bloques iniciales de tratamientos. Las
tablas de bloques iniciales para los diseos cclicos se encuentran en
publicaciones un poco ms recientes.
Recomendacin
115
CONCLUSIONES
BIBLIOGRAFA
research,
6th
ed.
Edinburgh:
Oliver
and
Boyd.
116
BIBLIOGRAFA
Fred, J. E. & Simon G. A. (2002). Estadstica elemental (8va ed.). Edo. de Mxico:
Prentice Hall.
Gil, S. I. & Zrate de Lara G. P. (2000). Mtodos estadsticos (6ta ed.). Mxico, D.
F.: Trillas.
Harshbarger, B. (1949). Triple rectangular lattices. Biometrics 5, 1-13.
Harshbarger, B., and Davis, L. L. (1952). Latinized rectangular lattices.
Biometrics 8, 73-84.
Hildebrand, D. K. & Lyman, R. O. (1998). Estadstica aplicada a la administracin y
a la economa. Edo. de Mxico: Prentice Hall.
John, J. A. (1966). Cyclic incomplete block designs. Journal of the Royal
Statistical Society, B 28, 345-360.
John, J. A. (1987). Cyclic designs. London: Champan and Hall.
John, J. A., Williams, E. R. (1995). Cyclic and computer-generated designs, 2d ed.,
London: Champan and Hall.
John, P. W. M. (1971). Statistical design and analysis of experiments. New York:
Macmillan.
Kempthorne, O. (1952). The design and analysis of experiments. New York: Wiley.
Kuehl, R. O. (2001). Diseo de experimentos, Principios estadsticos para el
diseo y anlisis de investigacin (2a ed.). Mxico. D.F.: Ed Matemticas
THOMSON. (pp.310-390)
117
BIBLIOGRAFA
Manson, R. L., Gunst, R. F., and Hess, J. L. (1989). Statistical design and analysis
of experiments with applications to engineering and science. New York: Wiley.
Mead, R. (1988). The design of experiments. Statistical principles for practical
application. Cambridge, UK: Cambridge University Press.
Patterson, H. D., and Williams, E. R. (1976). A new class of resolvable incomplete
block designs. Biometrika 63, 83-92.
Patterson, H. D., Williams, E. R., and Hunter, E. A. (1978). Block designs for
variety trials. Journal of Agricultural Science 90, 395-400.
Petersen, R. G. (1985). Design and analysis of experiments. New York: Marcel
Dekker.
Piegnatiello, J. J., and Ramberg, J. S. (1985). Journal of Quality Technology 17,
198-206. Discussion of article by R. N. KacKar (1985). Off-line quality control,
parameter design, and the Taguchi method. Journal of quality technology 17, 176188.
Whitaker, E. J., Williams, E. R., and John, J. A. (1998). CycDesign, CSIRO forestry
and Forest Products, Canberra, Australia, and The University of Waikato, Hamilton,
New Zealand.
Williams, E. R. (1986). Row and column designs with contiguous replicates.
Australian Journal of Statitical 28, 154-163.
Williams, E. R., and Talbot, M. (1993). ALPHA+: Experimental design for variety
trials. Design user manual. CSIRO, Canberra and SASS, Edinburgh.
Yates, F. (1936a). Incomplete randomized blocks. Annlas of Eugenics 7, 121140.
118
BIBLIOGRAFA
119