Professional Documents
Culture Documents
SUPERIOR DE ALVARADO
PRESENTA:
CHRISTIAN ALEXIS CRUZ PENA-156Z0067
MATERIA:
ESTADISTICA INFERENCIAL II
PRODUCTO ACADEMICO:
INVESTIGACIN
TEMA:
DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES.
UNIDAD:
5.-DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES.
FECHA:
04 DE DICIEMBRE DEL 2017
1
INDICE:
OBJETIVO: .........................................................................................................................................................4
INTRODUCCION: ...............................................................................................................................................5
UNIDAD 5: DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES. ......................6
5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR. ............................................6
Supuestos del modelo ...................................................................................................................................10
Validacin de los supuestos del modelo........................................................................................................11
Qu hacer si no se cumple el supuesto de aditividad ....................................................................................19
5.2 DISEO DE EXPERIMENTOS FACTORIALES. .....................................................................................21
5,3 DISEO FACTORIAL 2^k .......................................................................................................................26
5.4 DISEO DE CUADROS LATINOS..........................................................................................................45
5.5 DISEO DE CUADROS GRECOLATINOS. ............................................................................................49
CONCLUSION:.................................................................................................................................................53
BIBLIOGRAFIA:................................................................................................................................................54
2
3
OBJETIVO:
4
INTRODUCCION:
Es as como este tema es de gran importancia puesto que busca mostrar sus
aspectos de mayor importancia para que as usted como lector complementarse con
el contexto del tema y obtener las aportaciones que dicho tema quiere dar a
conocer.
5
UNIDAD 5: DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS
FACTORIALES.
Suponga que tiene inters en un solo factor que tiene a niveles, y que el experimento
se efecta en b bloques. Las observaciones pueden presentarse con el modelo
estadstico lineal
Modelo Estadstico
6
7
Estimacin de parmetros
Valor esperado
Causa de Grados de Suma de Cuadrado de
variacin libertad cuadrados medio cuadrados
medios
Tratamient
os
Bloques
Error
Total
8
9
Se puede utilizar el cociente
. Los efectos de tratamientos y bloques son aditivos; las respuestas dentro de los
bloques tienen la misma tendencia con respecto a los efectos de los tratamientos.
10
Si la primera condicin se tiene se dice que los efectos de bloques y tratamientos
no interactan y una prueba para la no aditividad es debida a Tukey (1949) y
Ascombe.
Stefansky (1972) describe un mtodo general para calcular valores crticos del MRN
y provee tablas para el caso de dos vas de clasificacin con una observacin por
celda. Para algunos valores de solamente acotados para valores crticos pueden
ser obtenidos. Esas tablas son reproducidas en Martin
Tablas C- 6a y C- 6b. Las clasificaciones filas y columnas son intercambiables.
11
12
Homogeneidad de varianza
Las pruebas analticas para igualdad de varianza dadas por el DCA no son
aplicables a bloques ya que no se tienen estimadores independientes de las
varianzas de los tratamientos. Existen algunos procedimientos, pero quiz el ms
simple es el desarrollado por Han ( . Esta prueba es especialmente para un
DBC y asume:
Los errores son igualmente correlacionados dentro de los bloques, pero son
independientes entre bloques.
13
Los valores crticos de la prueba estadstica son basados sobre puntos de
porcentaje de la distribucin rango estudentizado en vez de la distribucin
Fmax.
Ejemplo
variedades
Loc. 1 2 3 4
1 43.60 24.05 19.47 19.41
2 40.40 21.76 16.61 23.84
3 18.08 14.19 16.69 16.08
4 19.57 18.61 17.78 18.29
5 45.20 29.33 20.19 30.08
6 25.87 25.60 23.31 27.04
7 55.20 38.77 21.15 39.95
8 55.32 34.19 18.56 25.12
9 19.79 21.65 23.31 22.45
10 46.24 31.52 22.48 29.28
11 14.88 15.68 19.79 22.56
12 7.52 4.69 20.53 22.08
13 41.17 32.59 29.25 43.95
33.29 24.05 20.70 26.16
14
La Aditividad del modelo
15
el mtodo de regresin para probar la significancia de este trmino, al probar la
hiptesis .
Tratamientos t-1 SC
Bloques b-1 SC
Residual (t-1)(b-1)
Error (t-1)(b-1)-1 SC
No aditividad 1 SC
TOTAL N-1
Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresin
16
Utilizando SAS
Data TRIGO;
Cards;
PROC GLM;
DATA NUEVO;
SET VALIDA;
Y2= PRE*PRE;
Z= RES*Y2;
VAR Z;
PROC ANOVA;
RUN;
17
SC = 265419.94079804. Luego la suma de cuadrados de no aditividad es
dado por
Error* 35
No aditividad 1 SC
TOTAL 51 6251.6
Donde
La hiptesis a probar es
18
Ejercicio
Tratamientos
Bloques A B C
1 4 7 4
2 4 4 4
3 2 5 2
20
grfico del valor absoluto de los residuales contra las
observaciones para tener alguna idea sobre la transformacin apropiada de los
datos.
En el segundo caso puede ser muy importante modelar la posible no aditividad como
un significado de la interpretacin diferencial de los efectos de tratamientos. En
efecto, en este caso las interacciones entre bloques y tratamientos pueden ser ms
importantes que los mismos efectos de tratamientos. Se puede sugerir entonces
que en lo posible se utilice un diseo diferente como el diseo de bloques
generalizado.
Los valores de los residuos del diseo aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los
estimados
El anlisis de varianza del modelo supone que las observaciones estn distribuidas
de manera normal e independiente, con la misma varianza para cada tratamiento o
nivel del factor. Estas suposiciones deben verificarse mediante el anlisis de
los residuos. La suposicin de
normalidad puede verificarse mediante la construccin de una grfica de
probabilidad normal de los residuos. Para esto, los residuos se agrupan en una tabla
de distribucin de frecuencias, se calcula la frecuencia relativa acumulada para cada
valor y se grafican en una hoja de papel de probabilidad normal. Si la suposicin es
vlida los puntos tendern a agruparse sobre una lnea recta que pasa por el punto
medio.
yij = + i + j + ij
21
i = kl = k + l + kl
22
Tratamiento = factor A + factor B + interaccin AB
i k l
1 11
2 12
3 13
.. .. ..
t K L
Suponga un diseo con dos factores: A con a niveles y B con b niveles, en diseo
completamente al azar. (Factorial a b completo, balanceado, efectos jos)
yijk = + i + j + ij + ijk
23
i = 1,. . ., a j = 1, . . ., b k = 1, . . ., n
H01 :ij = 0 i, j
H02 :i + i. = 0 i
H03 : j + .j = 0 j
Material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
Suponga un experimento con dos factores A con a niveles y B con b niveles y una
sola repeticin en cada celda (tratamiento).
A a1 2 + b2
B b1 2 + a2b
24
AB (a 1)(b 1) 2 + 2ab
Error 0 2
Total ab 1
2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a
menos que no haya interaccin, y entonces el modelo es
yij = + i + j + ij
A con a niveles
B con b niveles
..............
Tres factores
i = 1,. . ., a; j = 1, . . ., b; k = 1, . . ., c; l = 1, . . ., n
Ejemplo:
25
El % de carbonato (A), la presin del llenado (B) y las botellas llenadas por minuto
(velocidad de la lnea) (C).
En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas
generales de resolver el problema de los valores faltantes. La primera es un anlisis
aproximado en el que se estima la observacin faltante. A continuacin se efecta
el anlisis de varianza usual como si la observacin estimada fuera un dato real,
disminuyendo los grados de libertad del error en uno. La segunda es un anlisis
exacto usando la prueba de significancia de regresin general.
40 52 20 30
A 21
2 2
26
Tabla 1 Un experimento factorial
27
En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en la
respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:
30 52 20 40
B 11
2 2
Factor B
B1 B2
A1 20 40
Factor A
A2 50 12
A = 50 - 20 = 30
A = 12 - 40 = 28
Puede observarse que existe una interaccin entre los factores A y B porque el
efecto de A depende del nivel elegido de B.
28
Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica de
la respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos
niveles del factor B. Se observa que las rectas B 1 y B2 son, aproximadamente,
paralelas. Esto indica que no hay interaccin entre los factores. De manera similar,
en la Fig. 2 se presenta una grfica de la respuesta de los datos de la Tabla 2.
60
50
Respuesta
40
30
20
10
A1 A2
Factor A
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe
una interaccin entre A y B. Sin embargo, no debe ser la nica tcnica para analizar
los datos, porque su interpretacin es subjetiva y su apariencia, a menudo, es
engaosa.
60
50
Respuesta
40
30
20
10
A1 A2
Factor A
Hay que notar que cuando una interaccin es grande los correspondientes efectos
principales tienen poco significado prctico. Una estimacin del efecto principal de
A de los datos de la Tabla 2 es:
50 12 20 40
A 1
2 2
29
30
El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto, pero
depende del nivel del factor B. En otras palabras, es ms til conocer la interaccin
AB que el efecto principal. Una interaccin significativa oculta a menudo el
significado de los efectos principales.
A1 A1B1 A1B2
Factor A
A2 A2B1 12
31
Los diseos factoriales permiten estimar los efectos de un factor en diversos
niveles de los otros factores, produciendo conclusiones que son vlidas
sobre toda la extensin de las condiciones experimentales.
Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el efecto que
tiene la concentracin de un reactivo y la presencia de un catalizador sobre el tiempo
de reaccin de un proceso qumico. Sea la concentracin del reactivo el factor A
con dos niveles de inters, 15% y 20%. El catalizador constituye el factor B; el nivel
alto o superior denota el uso de dos sacos de catalizador y el nivel bajo
o inferior denota el uso de un solo saco. El experimento se realiza (replica o repite)
tres veces, y los datos son como sigue:
Combinacin de Replica
A baja, B baja 28 25 27 80
32
A baja, B alta 18 19 23 60
A alta, B alta 31 30 29 90
As
33
34
b = 60(18+19+23) ab = 90(31+30+19)
Cantidad de catalizador B
Alto (2 sacos) +
- +
bajo (15%) alto (20%)
Concentracion de reactivo A
ab a b (1) ab b - a (1)
1 1
B
2n 2n
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B
en el nivel superior de A y el efecto de B en el nivel inferior de A.
Las formulas para los efectos de A, B y AB pueden deducirse por otro mtodo. El
efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto
que es la respuesta promedio para las combinaciones de tratamientos a las que A
que se encuentra en el nivel alto) y las dos combinaciones de tratamientos en la
mitad izquierda (o Y A). Esto es,
A YA YA
ab a
35
b (1)
2n 2n
36
1
ab a b (1)
2n
B YB YB
ab b a (1)
2n 2n
ab b a (1)
1
2n
ab (1) a b
AB
2n 2n
1
ab (1) a b
2n
Con los datos que aparecen en la figura 1, las estimaciones de los efectos
promedio son:
90 100 60 80 8.33
1
A
2(3)
90 60 100 80
1
B 5.00
2(3)
37
90 80 100 60
1
1.67
2(3)
AB
ContrasteA
ab a b (1)
SSc aciyi.2 n
a
ci
2
.
1 a
38
39
ab a b (1)2
SSA
n * 4
ab b a (1)2
SSB
n * 4
SSAB
ab (1) a b
2
n * 4
Con los datos de la figura 1, las sumas de cuadrados se pueden calcular aplicando
las ecuaciones anteriores, obtenindose:
2
50
SSA 208.33
4(3)
2
30
SSB 75.00
4(3)
2
10
SSAB 8.33
4(3)
2
2 2 2 Y ...
SST i1 j1 n ijk
k 1 Y
4n
2 2 3 Y
2
SS E Yi jk
2
9398.00 9075.00 323.00
i
1j1k 1 4(3)
SSE SS T SS A SSB SS AB
Efectos (1) a b Ab
A: -1 +1 -1 +1
B: -1 -1 +1 +1
AB: +1 -1 -1 +1
Fuente de
variacin SS G.L. MS Fo
Total 323.00 11
a
significativo al 1%
42
Signos algebraicos para calcular los efectos en un diseo 22
Combinacin
Efecto Factorial
De
Tratamientos I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +
Observe que los coeficientes de los contrastes usados para estimar la interaccin
son iguales al producto de los coeficientes correspondientes a los dos efectos
principales. Los coeficientes de los contrastes siempre son +1 o 1 y se puede usar
una tabla de signos positivos y negativos como la mostrada en la de signos
algebraicos para determinar el signo apropiado de cada combinacin de
tratamientos. En el encabezado de las columnas de tabla y se encuentran los
efectos principales (A y B), la interaccin AB, e I, que representa el total el total o el
promedio de todo el experimento. Se observa que la columna encabezada por I se
compone de solo de signos positivos. Los renglones corresponden a las
combinaciones de tratamientos.
ab a ab a b (1)
1 1
A b (1)
2n 2n
43
44
Los tipos ms sencillos de diseos factoriales implican slo dos factores o conjuntos
de tratamientos. Haya a niveles del factor A y b niveles del factor B,dispuestos
en un diseo factorial; esto es, cada A repeticin o rplica del experimento contiene
todas las combinaciones de tratamiento ab. En general, hay nrepeticiones.
= la media general
45
principal tiene que coincidir con el nmero de niveles de las dos variables de
bloque o factores secundarios y adems hay que suponer que no existe interaccin
entre ninguna pareja de factores.
Si consideramos una tabla de doble entrada donde las las y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y slo una en cada la y en cada columna.
Se parte de una primera Fila con las letras latinas ordenadas alfabticamente
Fila 1 A B C K
46
3) Se asignan aleatoriamente los tres factores a las las, columnas y letras,
respectivamente.
ABCD
BADC
CDAB
DCBA
BADC
CDAB
ABCD
DCBA
CDBA
BACD
DCAB
ABDC
47
Por ltimo, se asignan al azar las las, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las las, las columnas y las letras se
asignan, respectivamente, a los tipos de insecticidas, semillas y abonos, de tal forma
que el diseo resultante es
Table 5-1.
Semillas
Insecticidess1 s2 s3 s4
i1 a3 a4 a2 a1
i2 a2 a1 a3 a4
i3 a4 a3 a1 a2
i4 a1 a2 a4 a3
Por convenio, se suele situar el factor principal, en este caso el tipo de semilla, en
las
Tabla 5-2.
Abonos
Insecticidas a1 a2 a3 a4
i1 s4 s3 s1 s2
i2 s2 s1 s3 s4
i3 s3 s4 s2 s1
i4 s1 s2 s4 s3
En resumen, podemos decir que un diseo en cuadrado latino tiene las siguientes
caractersticas:
48
3o) Cada nivel del factor principal aparece una vez en cada la y una vez en cada
columna.
En donde:
= La media general
l= Es el efecto de la columna l
Slo dos de los cuatro subndices son necesarios para identificar completamente
cualquier observacin.
En el Apndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposicin de dos de ellos, a cuadrados greco-latinos. Notamos que no es
posible formar cuadrados greco-latinos de orden 6. La Tabla 5-8 ilustra un cuadrado
greco-latino para K = 4
Tabla 5-8.
Cuadrado greco-latino
ABCD
DCBA
BADC
CDAB
yij(hp) = + i + j + h + p + ij(hp)
i = 1, 2 . . . , K
j = 1, 2 . . . , K
h = 1, 2 . . . , K
p = 1, 2 . . . , K , (8.1)
Donde
51
es un efecto constante, comn a todas las unidades. i es el
efecto producido por el i-simo nivel del factor la. Dichos
efectos estn sujetos a la restriccin
ii = 0.
jj = 0.
hh = 0.
p p = 0.
52
CONCLUSION:
De igual manera en el trabajo se hablo acerca de cada uno de los subtemas que se
desplazaban del tema central, de los cuales se pueden destacar: Metodologa del
diseo experimental de bloques al azar, diseo de experimentos factoriales, diseo
factorial 2^K, diseo de cuadrados latinos y diseo de cuadrados grecolatino, que
fueron en conjunto fundamentales para el entendimiento del tema central y de tal
manera comprender lo que se quera lograr.
Es as como este tema es de gran impacto para cada uno de nosotros hoy en da y
de la misma ndole en pocas pasadas influyendo en el mbito laboral y siendo
pieza fundamental para la realizacin del mismo, es por ello que es importante
conocer acerca de l y saber cmo actuar cuando se lleve a cabo y tratar de hacerlo
de la mejor forma posible para as obtener resultados satisfactorios.
53
BIBLIOGRAFIA:
54