Metodología del diseño experimental de bloques al azar

Nuestro objetivo es tener comparaciones precisas entre los tratamientos bajo estudio.
Utilizar bloques es una forma de reducir y controlar la varianza del error experimental
para tener mayor precisión.

En el diseño completamente al azar se supone que las u.e. son relativamente homogéneas
con respecto a factores que afectan la variable de respuesta. Sin embargo, algunas veces
no tenemos disponibles suficiente número de u.e. homogéneas.

Cualquier factor que afecte la variable de respuesta y que varíe entre u.e. aumentará la
varianza del error experimental y disminuirá la precisión de las comparaciones.

Factores como la edad y el peso de los animales, diferentes lotes de material, sexo de las
personas y parcelas alejadas son ejemplos de variables externas a los tratamientos que
pueden incrementar la variación entre las observaciones de la variable de respuesta.

Usar bloques estratifica a las u.e. en grupos homogéneos.

Una buena elección del criterio de bloqueo resulta en menorvariación entre las u.e.
dentro de los bloques comparada con la variación entre u.e. de diferentes bloques.
Generalmente los criterios de bloqueo son:

 proximidad (parcelas vecinas)

 características físicas (edad, peso, sexo)
 tiempo
 manejo de las u.e. en el experimento

El diseño de bloques (completos) al azar implica que en cada bloque hay una sola
observación de cada tratamiento. El orden en que se “corren” los tratamientos dentro de
cada bloque es aleatorio (restricción en la aleatorización).
El modelo estadístico para este diseño es:

үіј= µ + τi + βj + ǫij i = 1, . . ., t j = 1, . . ., b

µ Media general τi efecto del i-ésimo tratamiento

βj efecto del j-ésimo bloque

Ꞓij error experimental en la unidad j del tratamiento i

Ꞓij ∼ NID (0, σ2).

Se supone que los efectos de tratamientos y bloques son aditivos. La aditividad significa
que no hay interacción entre tratamientos y bloques. Es decir, la relación entre los
tratamientos es la misma en cada uno de los bloques.
Ejemplo
http://www.dpye.iimas.unam.mx/patricia/indexer/bloques.pdf

http://es.slideshare.net/iorifoar/ejercicios-diseo-de-bloques-completos-al-azar-ejercicio-1
Diseño de experimentos factoriales

En estadística, un experimento factorial completo es un experimento cuyo diseño consta de

dos o más factores, cada uno de los cuales con distintos valores o niveles, cuyas unidades
experimentales cubren todas las posibles combinaciones de esos niveles en todo los
factores. Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la
variable respuesta, así como el efecto de las interacciones entre factores sobre dicha
variable.

Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendría
en total cuatro combinaciones de tratamiento, y se le denominaría diseño factorial de 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para su

procesamiento, puede optarse por un diseño factorial fraccional, en el que se omitan
algunas de las combinaciones posibles.

Para ahorrar el espacio, los puntos en un experimento factorial de dos niveles se abrevian
a menudo con las cadenas de más y signos de menos. Las secuencias tienen tantos símbolos
como factores, y sus valores dictan el nivel de cada factor: − para el primer (o bajo) llano, y
+ para el segundo (o alto) llano. Los puntos en este experimento se pueden representar
como − − , + − , − + , y + + .

Los puntos factoriales se pueden también abreviar cerca (1), a, b, y el ab, donde la presencia
de una letra indica que el factor especificado está en su alto (o en segundo lugar) nivel y la
ausencia de una letra indica que el factor especificado está en su (o primero) nivel bajo (por
ejemplo, “a” indica que el factor A está en su alto ajuste, mientras que el resto de los
factores están en su ajuste del punto bajo (o primero)). (1) se utiliza indicar que todos los
factores están en sus (o primero) valores más bajos.

Para poder finalmente obtener un modelo estadístico que nos indique el valor de respuesta
al modificar los factores.

Calculo del efecto

Contraste = (suma de niveles+)-(suma de niveles-) Efecto Contraste /replica*2^k

b= efecto/2 bo= suma total/número total

Ejemplo
En un experimento realizado para determinar cuál de 3 sistemas de misiles distintos es preferible,
se midió la tasa de combustión del propulsor para 24 arranques estáticos. Se emplearon 4 tipos de
combustible diferentes y el experimento generó observaciones duplicadas de las tasas de
combustión para cada combinación de los tratamientos.
Los datos, ya codifi cados, se presentan en la tabla 14.3. Pruebe las siguientes hipótesis:
a) H0: no hay diferencia en las tasas medias de combustión del propulsor cuando se emplean
diferentes sistemas de misiles, b) H0 : no existe diferencia en las tasas medias de combustión de
los 4 tipos de propulsor, c) H0 : no hay interacción entre los distintos sistemas de misiles y los
diferentes tipos de propulsor.

Solución: 1. a) H0: α1 = α2 = α3 = 0.
b) H0 : β1 = β2 = β3 = β4 = 0.
c) H0 : (αβ)11 = (αβ)12 = · · · = (αβ)34 = 0.

a) H1: Al menos una de las αi no es igual a 0.

b) H1 : Al menos una de las βj no es igual a 0.
c) H1 : Al menos una de las (αβ)ij no es igual a 0.

Se utiliza la fórmula de la suma de cuadrados que se describió en el teorema 14.1.

En la tabla 14.4 se presenta el análisis de varianza.
Se remite al lector al procedimiento de modelos lineales generales (GLM, por sus
siglas en inglés) del SAS para el análisis de los datos de la tasa de combustión de la fi gura
14.2. Observe la forma en que al principio se prueba el “modelo” (11 grados de libertad),
y por separado se prueban el sistema, el tipo y el sistema por tipo de interacción. La
prueba f en el modelo (P = 0.0030) prueba la acumulación de los 2 efectos principales
y la interacción.
a) Rechace H0 y concluya que los distintos sistemas de misiles resultan en diferentes
tasas medias de combustión del propulsor. El valor P es de aproximadamente 0.0169.
b) Rechace H0 y concluya que las tasas medias de combustión del propulsor no son las
mismas para los 4 tipos de propulsores. El valor P es de aproximadamente 0.0010.
c) La interacción es apenas insignifi cante al nivel 0.05, pero el valor P de aproximadamente
0.0513 indicaría que la interacción debe tomarse en serio.
En este momento debemos hacer algún tipo de interpretación de la interacción.
Debe destacarse que la signifi cancia estadística de un efecto principal tan sólo implica
que las medias marginales son signifi cativamente diferentes. Sin embargo, considere la
tabla de promedios de 2 factores de la tabla 14.5.

Es evidente que hay más información importante en el cuerpo de la tabla, tendencias

que son inconsistentes con la tendencia que describe los promedios marginales. La tabla
14.5 sugiere con certeza que el efecto del tipo de propulsor depende del sistema que
se utiliza.

https://es.wikipedia.org/wiki/Dise%C3%B1o_factorial