P. 1
bloques incompletos

bloques incompletos

|Views: 65|Likes:
Publicado porLaura Diaz

More info:

Published by: Laura Diaz on Jan 26, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/18/2013

pdf

text

original

DISEÑO POR

B L O Q UE S INCOMPLETOS
REALIZADO POR:
Sergio Martínez Fernández María Jesús Sánchez Repullo Miguel Rodríguez Alvarez

Diiseño de Experriimenttos D seño de Expe men os

DISEÑO POR BLOQUES INCOMPLETOS

INTRODUCCIÓN:
Es posible que en algunos experimentos que usan diseños por bloques no puedan realizarse los ensayos de todas las combinaciones de tratamiento dentro de cada bloque .Situaciones como éstas ocurren debido a escasez en los recursos del experimento, o por el tamaño físico de los bloques. Por ejemplo, supongamos un experimento en el que el tamaño físico de las probetas sólo alcanza para probar tres puntas en cada probeta. En estos casos en posible usar diseños aleatorizados por bloques en los que cada tratamiento no está presente en cada bloque. Estos diseños se conocen como Diseños Aleatorizados por Bloques Incompletos, y serán motivo de estudio en este capítulo.

DISEÑOS POR BIB
Cuando las comparaciones entre todos los tratamientos tienen la misma importancia, éstas deben elegirse de manera que ocurran en forma balanceada dentro de cada bloque. Esto significa que cualquier par de tratamientos ocurren juntos el mismo número de veces que cualquier otro par. Por lo tanto, un diseño balanceado por bloques incompletos es un diseño por bloques incompletos en el que cualquier par de tratamientos ocurren juntos el mismo número de veces.

ANÁLISIS

ESTADÍSTICO:

Como es usual, suponemos que existen a tratamientos y b bloques. Se supone además, que se prueban k tratamientos en cada bloque, que cada tratamiento sucede r veces en el diseño (o se repite r veces) y que hay un total de N= a.r = b.k observaciones. Más aún, el número de veces que cada par de tratamientos ocurre en el mismo bloque es

λ = r. (k-1) ⁄ a-1
Se dice que el diseño es simétrico si a = b.

1)/4-1 =1 (el número de veces que cada par de tratamientos ocurre en el mismo bloque) Bloques 1 2 3 4 Tratamientos 1. (nº de bloques) k = 3 (tratamientos en cada bloque). considérese cualquier tratamiento.(k-1) observaciones en un bloque que contiene al tratamiento 1.4 1. (nº de bloques) k = 2 (tratamientos en cada bloque). y hay otros k-1 tratamientos en cada uno de esos bloques. un diseño BIB puede ser construido con: R = (b. k / a)= 3 (cada tratamiento sucede 3 veces en el diseño) λ = r. λ. (2. (3.3 2. Para deducir la relación de λ. un diseño BIB puede ser construido con: R = (b. (k-1). (k-1) ⁄ a-1 =3. b = 6.1)/4-1 =2 (el número de veces que cada par de tratamientos ocurre en el mismo bloque) Bloques 1 2 3 4 EJEMPLO 2: Tratamientos 1 1 1 2 2 2 3 3 3 4 4 4 Para a = 4 (nº de tratamientos). Por lo tanto.(a-1) =r. EJEMPLO 1: Para a = 4 (nº de tratamientos). Estas r. (k-1) observaciones deben representar al resto de los a-1 tratamientos λ veces.El parámetro λ debe ser un entero.Como el tratamiento 1 ocurre en r bloques. existen r. (k-1) ⁄ a-1 =3.4 .2 3. por ejemplo el 1. k / a)= 3 (cada tratamiento sucede 3 veces en el diseño) λ = r. b = 4.

y εij es la componente del error aleatorio NID (0. La variación total en los datos se expresa mediante la suma total de cuadrados corregidos (o ajustados).6) y (3.6 Aunque r =2 (cada tratamiento sucede 2 veces en el diseño)..3 1.2.2 ⁄ N) i j .5).5 4. τi es el efecto del i_ésimo tratamiento. SST = ∑ ∑ yij2 – (y.4 2. µ es la media general.5 6 1. pero no es un diseño BIB porque λ no es igual para todas las parejas de tratamientos. σ2).5.6 2. El modelo estadístico es: Yij = µ+ τi + βj + εij En donde yij es la i-ésima observación del j-ésimo bloque. (2. Los pares de tratamientos (1.3. el resto de parejas aparecen una sola vez en el mismo bloque.4) no ocurren en todos los bloques.3.3 EJEMPLO 3: Supongamos b = 4 bloques incompletos para investigar b = 6 tratamientos. βj es el efecto del j_ésimo bloque. Bloques 1 2 3 4 Tratamientos 1.

La variabilidad total puede ser descompuesta SST = SSTratamientos ajustada + SSBloques + SSε En donde corrige la suma de cuadrados de tratamiento para separar los efectos de tratamiento y de bloque.…ya.j ) ⁄ k .2 / N) en donde y. La suma de cuadrados de los bloques es SSBloques = ( ∑b y. ∑ nij ..j es el promedio de los totales de j=1 los bloques en los que se aplica el tratamiento i. . La suma de cuadrados del error se calcula por diferencia SSε = SST – SSTratamientosajustada . con nij =1 si el tratamiento i ocurre en el bloque j. La SSTratamientos ajustada tiene a -1 grados de libertad. –(∑ nij . el cual se calcula mediante b Qi = yi.. y1. también son afectadas por las diferencias entre los bloques. La suma de cuadrados de tratamiento corregida (o ajustada) es a SStratamientos ajustada = k.SSBloque Y tiene N-a-b +1 grados de libertad. Esta corrección es necesaria porque cada tratamiento ocurre en un conjunto diferente de r bloques.y.j2 ⁄ k) j=1 __ (y. i = 1.y. La SSBloques tiene b-1 grados de libertad. . Por lo b (1/k).3….a J=1 tanto. ∑Qi2 ⁄ λa i=1 En donde Qi es el total corregido del i_ésimo tratamiento.. La suma de los totales de tratamiento corregidos siempre será 0. nij = 0 en otro caso.j es el total del j-ésimo bloque. Por esta razón las diferencias entre los totales de tratamientos no corregidos. y2.2.

libertad Media Cuadrados F _____________________________________________________________________________ Tratamientos corregidos k. cada lote es lo suficientemente grande para permitir el ensayo de 3 catalizadores únicamente.+1 ) Error SSε ∑ ∑ yij2 – (y. cargar una planta piloto.j2 ⁄ k) j=1 __ (y. Sin embargo. aplicar cada catalizador a ensayos separados de dicha planta y observar el tiempo de reacción.La estadística apropiada para probar la igualdad de los efectos de tratamiento es F = CMtratamientos ⁄ CMε Análisis de varianza para el diseño BIB Fuente de Variación Suma de cuadrados G. es necesario utilizar un diseño aleatoriazado por bloques incompletos. El procedimiento experimental consiste en seleccionar un lote de materia prima. ∑Qi2 ⁄ λa i=1 a-1 SSTa ⁄ a-1 F=CMT/CME Bloques ( ∑b y. junto con las observaciones recopiladas aparecen en la siguiente tabla: . El diseño BIB. Por lo tanto.2 / N) b -1 SSbloques / b-1 SSε / ( N – a – b .. De hecho 4 catalizadores están siendo investigados. Debido a que las variaciones en los lotes de materia prima pueden afectar el comportamiento del catalizador.. el ingeniero decide controlar este factor por medio de bloques.2 ⁄ N) i j N-a-b+1 N–1 Total EJEMPLO: Supóngase que un ingeniero químico cree que el tiempo de reacción en un proceso químico es función del catalizador empleado.

r = 3. λ = 2 y N = 12. Éste es un diseño BIB con a = 4. A continuación vamos a realizar el análisis de estos datos..Bloque (Lote de Materia Prima) Tratamiento (Catalizador) --------------------------------------------------------1 2 3 4 yi.. b = 4.2 / 12) = J=1 4 = [(221)2 + (207)2 + (224)2 + (218)2] / 3 – (870)2/ 12 =55’00 Para calcular la suma de cuadrados de tratamiento corregida que .. k = 3..j 73 __ 73 75 221 74 75 75 __ 224 __ 67 68 72 207 71 72 __ 75 218 218 214 216 222 870=y. Considérense los datos de la Tabla para el experimento de los catalizadores. La Suma Total de Cuadrados: SST = ∑∑yij2 – (y.j 2 / 3 – ( y.2 / 12) = 63’156 – (870)2 / 12 = 81’00 i j La Suma de Cuadrados de Bloque es: SSbloques = ∑ y. 1 2 3 4 y.

7/3 Q3 = (216) – (221 + 207+ 224) / 3 = .05.4/3 Q4 = (222) – (221 + 207 + 224) /3 = 20 /3 Se calcula ahora la suma de cuadrados de tratamiento corregida: j=1 =3.25 81’00 3 3 5 11 7’58 ------0. primero hay que determinar los totales de tratamientos corregidos: Q1= (218) – (221+ 224 + 218)/ 3 = . (4) = 22’75 2 2 a SStratamientos ajustada = k. se concluye que el catalizador empleado tiene un efecto significativo sobre el tiempo de reacción.tome en cuenta los bloques.9/ 3 Q2 = (214) – (207 + 224 + 218) /3 = .9/3) + (-7/3) + (-4/3)2 + (20/3)2]/ (2).SSBloque = 81’00 – 22’75 – 55’00 = 3’25 Vamos a escribir la Tabla para el Análisis de la Varianza: Fuente de Variación Suma de Grados Cuadrados de Libertad Media de Cuadrados F Tratamientos (corregidos) Bloques Error Total 22’75 55’00 3.65 11’66 Como F> F0.5 = 5’41 . ∑Qi2 ⁄ λa = La suma de cuadrados del error se calcula por diferencia: SSε = SST – SSTratamientosajustada . .3. [(.

el diseño balanceado por bloques incompletos es simétrico..2.3.(214 + 216+ 222)/ 3 = -31/3 Q4’ = (218) – (218 + 214 + 222)/3 = 0 SSbloques ajustada = 3[(7/3)2 + (24/3)2 + (-31/3)2 + 02 ]/ (2)(4) = 66.b J=1 Como a = b = 4. Q1’ = (221). en otras palabras..b i=1 b a SSbloques ajustada = r∑(Qi’ )2 / λ . Por lo tanto. SST = SStratamientos + SSbloques(ajustada) + SSε Qj´ = y. se desea evaluar los efectos de los bloques.08 SStratamientos = [(218)2 + (214)2 + (216)2 + (222)2 ] / 3 – (870)2 / 12 = 11’67 El resumen del Análisis de la Varianza para el diseño BIB simétrico. j = 1.)] / r .j – [(∑nijyi. se muestra en la siguiente tabla: Fuente de Variación Suma de Grados Cuadrados de Libertad Media de Cuadrados F Tratamientos (corregidos) Tratamientos (no corregidos) 22’75 11’67 3 3 7’58 _____ 11’66 _____ .Evaluación de los efectos del bloque: En ocasiones.…. Para lograrlo se requiere una descomposición alterna de SST.(218+ 216 + 222) / 3 = 7/3 Q2’ = (224) – (218 + 214 + 216) / 3 = 24 /3 Q3’ = (207).

o sea que SST ≠ SSTrtamientos ajustada + SSbloques ajustada + SSε .65 33’90 Hay que observar que la suma se cuadrados asociadas con cada media de cuadrados en la tabla anterior no es igual a la suma total de cuadrados.25 81’00 3 3 5 11 _____ 22’03 0.Bloques Bloques (corregidos) Error Total 55’00 66’08 3.

Contrastes Hasta el momento hemos estudiado como contrastar la influencia de los tratamientos en un diseño de bloques incompletos balanceados. En concreto en el ejemplo de los catalizadores: ^ ^ ^ τ 1=-9/8 ^ τ 2=-7/8 ^ τ 3=-4/8 ^ ^ τ 4=20/8 ^ Del mismo modo estos estimadores permiten realizar contrates tipo H0: ∑ ciτi =0. k nº de tratamientos por bloque r(k . su varianza es v = k (∑ ci2 )σ 2 i λa ..pues tiene como media ∑ ciτi . parece natural usar la variable normal ∑ ci τ i .Estimación de los parámetros.1) r = nº de veces que aparece el tratamiento en el diseño.µ + τ i+ β j)2 ) ij ^ ^ ^ Es decir buscar µ .de este modo q = ∑ ci τ i i ^ v ≡ N (0. rQ' i λb a = nº de tratamientos. β j tales que minimicen la ecuación. τ i . Nuestro modelo es el siguiente: yij = µ+τi+βj+εij Sabemos que los errores son independientes entre si y que Los estimadores de los parámetros vienen dados por: ^ kQi τ i= (λa) ∑ τi= ∑ βj=0. Los estimadores de τi y de los βj son insesgados.1) y por tanto la suma de cuadrados del contraste: k(∑ c i Qi ) 2 =q2 σ 2 ≡ χ 12σ 2 SCc = λa(∑ c i ) 2 i i . no obstante ante un estudio de tipo factorial es interesante tener estimadores de los parámetros involucrados en el modelo. i j µ = y. ∑ ci =0. b = nº de bloques. λ= a -1 Estos estimadores vienen dados de resolver la ecuación de mínimos cuadrados: ^ β j= ^ min ( ∑ (yij .

5 τ1 +τ 2 +τ 3 3 =0 P (F1. puesto que se eliminan las diferencias entre bloques. luego rechazaríamos la hipótesis nula. si queremos contrastar en el ejemplo anterior τ4 π =34. Este análisis es apropiado independientemente de que los bloques sean fijos o aleatorios.j – k µ + j ~ ∑ i nij τ ~ i )2 ) Tras derivar con respecto de µ y de τ estimadores resultantes viene dados por: ~ ~ ~ i e igualar las ecuaciones a cero.j que constituyen un conjunto de observaciones. Análisis Interbloques El estudio realizado hasta ahora es conocido como análisis intrabloques.188 π bajo H0 sigue una distribución F1.λ ) . los τ i= ∑ j n ij y .Se puede construir un estadístico π que bajo H0 sigue una distribución: SCc 2 SCc = σ π= CME CME ≡ χ12 2 χ N − a −b +1 F1. puede obtenerse información adicional de los efectos de los tratamientos τi.N-a-b+1 σ2 Por ejemplo. Los estimadores del análisis interbloques para µ y para τi se determinan minimizando la función de mínimos cuadrados: L= min ( ∑ (y. La idea es la siguiente: Se consideran los totales de los bloques y.. ∑ τi=0 i El término entre paréntesis es aleatorio de media cero y puede considerarse como un error.j = kµ+ ∑ nijτi + i ( kβj+ ∑ i εij ) Con nij= 1 si el tratamiento i aparece en el bloque j y 0 en caso contrario. 5 >34. Yates (1940) demostró que si los efectos del bloque son variables aleatorias independientes con media cero y desviación típica σβ . y todos los contrastes de los efectos de los tratamientos pueden expresarse en forma de comparaciones entre las observaciones en el mismo bloque. Estimación de los parametros. El modelo queda entonces así: y.188)=<0. Este análisis es el conocido como Análisis interbloques.j .kr y.05. (r .

50 τ 2=(649-(3)(3)(72. con u1=1/ V ( τ i ) y u2= 1/V( τ i ).es un concepto que estadísticamente se suele medir a través de la varianza del estimador. Por ello se plantea considerar una combinación lineal de los estimadores interbloques e intrabloques de modo que la varianza se minimice.50 τ 4=(646-(3)(3)(72. si este es insesgado.α ) τ ^ ~ i pues el nuevo estimador debe ser a su vez insesgado para ser un estimador del parámetro. el valor de α viene dado por α = u 1/(u1+u2). Observamos que el estimador de la media muestral es el mismo..50))/(3-2)=-6. tendríamos que los estimadores interbloques tomarían los valores: ~ τ 1=(663-(3)(3)(72. de este modo se plantea obtener una información más precisa a partir de los dos estimadores.50 τ 3=(652-(3)(3)(72.50))/(3-2)=-0. en cambio el estimador de los τi varía. Es posible demostrar que las varianzas de los estimadores vienen dadas por: σ 2 k (a − 1) V ( τ i )= λa 2 ^ V ( τ i )= ~ (σ 2 + kσ 2 β )(a − 1)k a(r − λ ) Nótese que cuanto más grande sea la varianza de los bloques peor será la estimación interbloques. suponiendo que los bloques fueran aleatorios.µ = y. Los estimadores de τi también son insesgados. para el ejemplo de los catalizadores. Obviamente la combinación deberá ser del tipo: τi* =α τ i + (1 . La precisión de un estimador. ^ ~ Tras sustituir α y simplificar el estimador de mínima varianza viene dado por: .50))/(3-2)=10. se puede obtener el estimador insesgado de mínima varianza. el análisis interbloques es interesante puesto que Yates demostró que los estimadores de los τi con el análisis interbloques y con el análisis intabloques son independientes.50 ~ ~ ~ ~ A parte de obtener otra manera de estimar los parámetros.50))/(3-2)=-3. Con estos datos y puesto que los estimadores son independientes.

que pues estaríamos en un ANOVA unifactorial al no influir el bloque. j − kr y. Lo más natural es que σ2 y σ2β sean desconocidas en ese caso se estiman..88 -0. cuanto más grande sea la varianza de los bloques más se acercará al estimador interbloques.50 -0.y. relativamente grande en esta tabla se reflejan las ^ estimaciones intra e interbloques junto con la de mínima varianza.47 .50 2.88 -0.: Parámetro τ1 τ2 τ3 τ4 Intra -1. . Garybill propuso como estimador de σ2β : 2 σβ = ^ __ __ (CMB(ajust ) − CME )(b − 1) a(r − 1) Si el estimador nos diese un valor negativo. se toma como criterio σ2β.12 -0.)σ 2 j (r − λ )σ + λa (σ 2 + kσ 2 β ) 2 El estimador refleja lo deseado. Si σ2β=0 entonces τi *= y i. .09 -0. que al ser la varianza de los bloques grande se parecerá mucho a la intrabloques.02. En nuestro 2 ejemplo tenemos que σ β =8.50 Mínima varianza -1.50 -6.50 -3. la primera con el cuadrado medio del error (CME). 10.50 2..50 Inter. y la segunda es más complicada de estimar.τi * = kQi (σ 2 + kσ 2 β ) + (∑ nij y.

(iii) por letra de los distintos alfabetos. es decir un conjunto de p-1 lenguajes. Veamos un ejemplo para aclarar ideas. Parámetros: a =p2 r =p +1 C B A E D C D A E B E D A C B k = p b = p2+ p λ =1 con p primo.Ejemplos de diseños por bloques 1. tomemos p =3. el CCO con 2 lenguajes viene dado por: Aα Cβ Bγ Cγ Bα Aβ Bβ Aγ Cα Denotemos los tratamientos por números de 1 hasta 9 y asociamos a cada celda un tratamiento de modo que: Aα1 Cβ2 Bγ3 Cγ4 Bα5 Aβ6 Bβ7 Aγ8 Cα9 Bloque 1 2 3 Los bloques quedan mediante el procedimiento anterior: Tratamientos Método Bloque Tratamientos 1 2 3 (i) fila 1 7 1 6 8 4 5 6 (i) fila 2 8 3 5 7 7 8 9 (i) fila 3 9 2 4 9 Método (iii) A (iii) B (iii) C . (ii) por columnas. Posteriormente se eligen los bloques mediante estos tres procedimientos: (i) por filas. y para cada uno de ellos se tiene asociado un cuadrado latino. Parámetros a = b = p r =k =p-1 λ =p-2 con p primo. de modo que si cogemos dos lenguajes los dos cuadrados forman un cuadrado grecolatino. Se construye un cuadrado latino de tamaño p2 se elimina una fila y se toman por bloques las columnas. Ejemplo: p =5 Cuadrado latino: E A B C D C E D B A B D A E C A C E D B D B C A E Diseño de bloques: Bloque (5ª col.eliminada) 1 E 2 A 3 B 4 C 5 D 2. El cuadrado (CCO) tiene p2 celdas puesto que tenemos p2 tratamientos se le asocia a cada celda un tratamiento. Se considera un cuadrado completamente ortogonalizado (CCO) de lado p.

a partir de los p2 primeros se construye un diseño tipo 2. de este modo obtendremos p2 +p bloques con p tratamientos por bloque. De este modo tenemos los p2+ p bloques completos. A partir del método anterior puede construirse un diseño de este tipo. es decir. Esta explicación parece un poco difusa pero con un ejemplo se verá que es muy sencillo. los bloques obtenidos se subdividen en p +1 conjuntos de p bloques asociados a las formas de escoger los bloques .4 5 6 1 4 7 2 5 8 3 6 9 (ii) col 1 (ii) col 2 (ii) col 3 10 11 12 1 5 9 2 6 7 3 4 8 (iii) α (iii) β (iii) γ 3. Parámetros: a = b = p2+ p +1 r = k = p +1 . los tratamientos se denotan desde 1….. Hemos construido los p2 bloque a partir de los p2 tratamiento los p +1 tratamientos se añaden de manera uniforme a los bloques anteriores. el bloque restante se forma con los p +1 que se han añadido a los subconjuntos. λ =1 con p primo. consideremos p = 3.(ii).13: Ejemplo anterior el diseño resultante fue: Bloque 1 2 3 4 5 6 Tratamientos 1 2 3 4 5 6 7 8 9 1 4 7 2 5 8 3 6 9 Método (i) fila 1 (i) fila 2 (i) fila 3 (ii) col 1 (ii) col 2 (ii) col 3 Bloque Tratamientos 7 1 6 8 8 3 5 7 9 2 4 9 10 1 5 9 11 2 6 7 12 3 4 8 Método (iii) A (iii) B (iii) C (iii) α (iii) β (iii) γ Los tratamientos 10. tipos (i).12 y 13 se añaden: Bloque 1 2 3 4 5 6 Tratamientos 1 2 3 10 4 5 6 10 7 8 9 10 1 4 7 11 2 5 8 11 3 6 9 11 Método (i) fila 1 (i) fila 2 (i) fila 3 (ii) col 1 (ii) col 2 (ii) col 3 Bloque Tratamientos 7 1 6 8 12 8 3 5 7 12 9 2 4 9 12 10 1 5 9 13 11 2 6 7 13 12 3 4 8 13 Método (iii) A (iii) B (iii) C (iii) α (iii) β (iii) γ Se añade el último bloque: Bloque 13 Tratamientos 10 11 12 13 .(iii) y se añade un tratamiento por subconjunto. 11. pero eso no es exactamente lo que queremos pues queremos p2+ p + 1 tratamientos con p +1 tratamientos por bloque. consideremos p2+ p +1 tratamientos.

En efecto. Bloq. eliminada) 2 3 4 5 1 E A B C D 2 C E D B A 3 B D A E C El modelo matemático para un cuadrado de Youden viene dado por: yijh = µ+τi+αj +βh+εijh Con τi el efecto de los tratamientos. Pero ¡cuidado! si le quitas más de una columna a un cuadrado latino puede que no sea un cuadrado Youden. Obviamente ∑αj = ∑ τi= ∑βh=0 y los errores son j independientes entre sí. Si eliminamos en el ejemplo también la columna 4 no tenemos un cuadrado Youden. Bloq. si consideramos también como bloques las columnas nótese que por filas son un BIB.(fila)\Bloq(col) 1 2 3 4 (5ª col. pues puede no ser un BIB por filas. Parece que de algún modo puede haber una relación los diseños BIB y los diseños de cuadrados latinos. la suma de cuadrados ajustada SCTrat(ajustada). pues por ejemplo C aparece con B 2 veces por filas en cambio aparece 1 sola vez con A por filas. i h Este diseño se estudia con una tabla ANOVA en la que las sumas de cuadrados del tratamiento son las del diseño considerado como un BIB por filas. y cada columna forma un bloque completo.Cuadrados de Youden Hasta el momento hemos estudiado los modelos de bloques incompletos balanceados. .(fila)\Bloq(col) (5ª col.eliminada) 1 E C B A 2 A E D C 3 B D A E 4 C B E D 5 D A C B Es interesante saber que todo cuadrado de Youden es un cuadrado latino en el que faltan alguna de sus columnas 1 o más. La suma de cuadrados de bloques fila y columna es la usual. Un ejemplo de este tipo puede ser el ejemplo 1. los cuales se apoyan en diseños de tipo cuadrado latino. en concreto en los ejemplos anteriores hemos construido diversos diseños BIB. es decir. existe con los llamados diseños de cuadrados latinos no completos o cuadrados de Youden .estos diseños son cuadrados latinos a los que le faltan 1 o varias columnas de modo que si miramos el diseño por filas el diseño es un BIB. αj el efecto de los bloques fila y βh el efecto de los bloques columna.eliminada) 1 (4ª col. De manera recíproca a todo cuadrado latino si le quitas una columna queda un cuadrado de Youden.

. D.. λ.SCTot = ∑ yijh2 ijh y.SCBc-SCTr (aj) ∑ h y. B. Pero el departamento que realiza el experimento sólo posee 4 estaciones de trabajo que a su vez pueden ser una fuente de variación. La Tabla ANOVA vendría dada por: Fuente Columnas Filas Tratamientos(ajus) Error Total Ejemplo: SC Grados de Libertad r-1 b-1=a-1 a-1 (a-1)(r-2) ar-1 Una ingeniera industrial está estudiando el efecto de 5 niveles de iluminación en la presencia de defectos en un ensamblado.. son los valores de esos parámetros si consideramos el diseño por filas que es un BIB. k – 2 y.. b. El tiempo puede ser un factor de variación. por eso decide hacer el experimento en 5 días. N 2 2 SCTrat (aj) = k ∑ Qi i 2 λa SCB (fila)= SCB (col)= ∑ j y. C. Tratamientos (Iluminación): A.h b y.. j ..SCBf.2 N SCE = SCTot. a.2 N Donde k .. E Bloque (fila): Días Bloque (col)=Estaciones Estación Día 1 2 3 4 5 1 A=3 B =0 C =-1 D =-1 E =5 2 B =1 C =0 D =0 E =6 A =2 3 C =-2 D =-1 E =5 A=4 B=1 4 D =0 E =7 A =3 B=0 C =-1 .

95 4 4 4 3 8 30.22 0. un diseño reticular es un diseño de experimentos en el que se realiza un número finito de replicas.05 INFLUYE >0. Diseños reticulares Otro tipo de diseño cuya idea es basarse en el modelo de bloques incompletos es.d.70 0.45 0.09 --0.87 1.L CM F p-valor Iluminación (ajustada)120. Mostraremos un ejemplo de este diseño: Replica 1 Bloques 1 2 Trat 1 2 3 4 Bloques 3 4 Replica 2 Trat 1 3 2 4 Bloques 5 6 Replica 3 Trat 1 4 2 3 Nótese que completamos un diseño por bloques incompletos.82 36.53 134. lo que se denomina diseños reticulares. El análisis de estos diseños.05 NO INFLU.05 >0. NO INFLU. pues coincide con el ejemplo2. de modo que completemos tras las replicas un modelo de bloques.26 0.Tabla ANOVA: Fuente SC G.37 Días (no ajustado) Días (ajustada) Estación Error Total 6.69 ----0.54 <0. . consideramos una replica como una etapa en la que se realiza un diseño por bloques incompletos. se realiza obviamente considerando las replicas como posibles efectos.35 6.

> λm.Esto haría inviable en algunos casos el experimento balanceado. Tenemos que si a =8 k =3 λ = entero ar = bk r (k − 1) λ= a −1 todo esto nos lleva a que r=21 como mínimo. etc.Por regla general λ1>λ2>λ3. Ejemplo BLOQUES 1 2 3 4 5 6 COMBINACION DE TRATAMIENTOS 1 2 3 3 4 5 2 5 6 1 2 4 3 4 6 1 5 6 . Los tratamientos que ocurren λi veces se dicen asociados de orden i.En este caso en particular hay m clases asociadas Los demás parámetros son similares siendo nº de tratamientos: a nº de bloques: b nº de ensayos del experimento por bloque: k nº de veces que aparece un tratamiento: r nº de asociados de orden i: ni también están las matrices Pi que posteriormente serán tratadas. Luego tendremos un diseño de al menos 56 bloques. Para solucionar esto tenemos estos diseños parcialmente balanceados.Unas parejas ocurren λ1 veces. en un diseño balanceado por bloques incompletos es necesaria una gran cantidad de bloques. La diferencia mas significativa estriba en que hay pares de tratamientos que suceden un numero distinto de veces ..Diseños parcialmente balanceados por bloques incompletos Finalidad: Este tipo de diseños son útiles cuando. Parámetros Muchos parámetros son comunes al diseño parcialmente balanceado. otras λ2 veces. Ejemplo Si tenemos que en un experimento hay 8 tratamientos y el tamaño de los bloque es 3 entonces el numero de veces que tiene que aparecer el tratamiento en un diseño balanceado es 21..

(por ejemplo el 1). solo es una (la pareja de tratamientos (1.2) que se repite 2 veces. Calculo de las matrices Pi. En la cuadricula de arriba a la derecha colocaremos los tratamientos que no sean el 1 ni el 2 y estén relacionados de orden 1 con el tratamiento 1 y de orden 2 con el tratamiento 2 (es decir un tratamiento i que no sea el 1 ni el 2 tal que se repita dos veces la pareja (1. La matriz P1 esta asociada los tratamientos asociados de orden 1.i) y una vez la pareja (2.5). En la cuadricula de abajo a la derecha colocaremos los tratamientos que no sean ni el 1 ni el 2 y que estén relacionados de orden 2 con el tratamiento 1 y de orden también 2 con el tratamiento 2 (es decir un tratamiento i que no sea el 1 ni el 2 tal que se .3).pero no hay ningún tratamiento que cumpla esto luego esta cuadricula estará vacía. λ2 =1 y hay 2 clases asociadas.(1. r = 3.4). Como podemos ver todas las parejas de tratamientos se repiten 1 o 2 veces de ahí λ1 =2.i)) también esta cuadricula estará vacía.b =6.Vamos a calcularla. TRATAMIENTO 2 Asociados de orden Asociados de orden 1 2 TRATAMIENTO 1 Asociados de orden ___ ___ 1 Asociados de orden ___ 3456 2 Tenemos que la tabla se interpreta así en la cuadricula de arriba a la izquierda colocaremos los tratamientos que no sean el 1 ni el 2 y estén relacionados de orden 1 con el tratamiento 1 y de orden 1 con el tratamiento 2.4.Se puede observar que las parejas de tratamientos con un tratamiento fijo (una pareja se repite dos veces y las demás solo una) funcionan igual. En primer lugar decir que hay tantas matrices Pi como nº de clases asociadas. luego los tratamientos 3. Consideremos el experimento anterior vamos a calcular sus matrices Pi. en este caso habrá 2 matrices Pi: P1.i) y dos veces la pareja (2.(1.Los parámetros son los siguientes a = 6.n1 =1.n2 =4.5 y 6 son asociados de 2º orden al tratamiento 1 luego n2 =4.(es decir un tratamiento i que no sea el 1 ni el 2 tal que se repita dos veces la pareja (1.2) se repite 2 veces y por tanto el tratamiento 1 y 2 son asociados de 1er orden) luego n1 =1.P2 y que la matriz Pi esta asociada a los tratamientos asociados de orden i. λ1 =2.hay cuatro parejas con un tratamiento fijo (por ejemplo el 1) que se repiten una vez ((1.i)).k = 3.(1. 1º tomamos una pareja de asociados de primer orden por ejemplo la pareja (1. Para calcular P1 solo tenemos que realizar una tabla.6)). λ2 =1 y también se ve fácilmente que la pareja que se repite dos veces con un tratamiento fijo .

Tenemos que Qi será el total del i-esimo tratamiento corregido Qi = yi. − 1 k ∑n j =1 b ij y.3) TRATAMIENTO 3 Asociados de orden Asociados de orden 1 2 TRATAMIENTO 2 Asociados de orden ___ 1 1 Asociados de orden 4 5y6 2 Con esta tabla que se obtiene de manera análoga a la anterior obtengo la matriz P2 contabilizando los tratamientos de cada cuadricula 0 1 P2 =  1 2    Modelo estadístico y resolución El modelo estadístico será de la forma: yij = µ + τi + βj + εij Donde µ es la media global. También definimos .repita una vez la pareja (1.i) y una vez también la pareja (2.i) en este caso los tratamientos 3. Ahora para hallar P1 simplemente contabilizo los tratamientos de cada cuadricula luego 0 0 P1 =   0 4    Para hallar la matriz P2 hago exactamente lo mismo solo que tengo que considerar una pareja de tratamientos de orden 2 es decir que solo se repitan una vez por ejemplo (2. una suma de cuadrados del bloque (no corregida) y una suma de cuadrados de los tratamientos(corregida).τi es el i-esimo efecto del tratamiento y βj seria el j-ésimo efecto del bloque y εij que será la componente del error aleatorio. Ahora voy a calcular la suma total de cuadrados. j Nota: La expresión nij es 1 si el tratamiento i ocurre en el bloque j será 0 en otro caso.5 y 6 cumplen esta condición luego estarán situados en esta cuadricula.4.

3 56. Defino también las siguientes expresiones 1 2 1 2 ∆ = k −2 {( rk − r + λ1 )(rk − r + λ2 ) + (λ1 − λ2 )(r (k − 1)( p12 − p12 ) + λ2 p12 − λ1 p12 ) 1 2 c1 = (k∆) −1 (λ1 (rk − r + λ 2 ) + (λ1 − λ 2 )(λ 2 p12 − λ1 p12 ) 1 2 c 2 = (k∆) −1 (λ 2 (rk − r + λ1 ) + (λ1 − λ 2 )(λ 2 p12 − λ1 p12 ) Que me van a ser útiles para calcular el estimador del i-esimo tratamiento es τ i* = 1 ((k − c 2 )Qi + (c1 − c 2 ) S1 (Qi )) r (k − 1) Y la suma de cuadrados corregida es SCTratamientos ( ajustada ) = ∑τ i*Qi i =1 a La tabla de contraste de hipótesis será: Fuente SC a i =1 gl . − − − − − − − − − −bk − 1 bk Error − − − − − − − − − − − − − − − − − − − Re sta − − − − − − − − − − − −bk − b − a + 1 2 Total − − − − − − − − − − − − − − − − − ∑∑ y ij − i j Ejemplo Un investigador estudia una serie de filtros de cigarrillos midiendo la diferencia de peso de los filtros antes y después de un uso de 40 min..7 18 57..9 17.3 21. 1 ∑ y.6 15.5 15.5 45.8 . Tratamientos (corregidos) − − − − − − − ∑τ i*Qi − − − − − − − − − − − − − a − 1 Bloques − − − − − − − − − − − − − − − y.j Dia 1 18.S 1(Qi ) = ∑ Qs s Donde s e i son primeros asociados.3 Dia 2 Dia 3 Dia 4 18 21.4 55. 1 2 3 4 5 6 y.5 20.Tenemos que la máquina que los prueba solo dispone de sitio para 3 cigarrillos cada vez. 54.3 Dia 5 Dia 6 18.7 18.2j − bk − − − − − − − − − − − −b − 1 k j =1 b 2 y.2 yi.4 56.Y para poner la maquina a punto necesitamos un día.5 20.5 63.5 58.8 53 14.2 19. TR.6 54.6 18 15 50.9 20.4 53.\BL..3 18.

8+50.6+57.3 Calculo c1 y c2 donde c1 y c2 eran 1 2 c1 = (k∆) −1 (λ1 (rk − r + λ 2 ) + (λ1 − λ 2 )(λ 2 p12 − λ1 p12 ) 1 2 c 2 = (k∆) −1 (λ 2 (rk − r + λ1 ) + (λ1 − λ 2 )(λ 2 p12 − λ1 p12 ) Luego c1=1/(3*5.03 Q2=63.3+53. − 1 k ∑n j =1 b ij y.5)=-2.03 S1 (Q3)=Q4=0.5-1/3(58.RESOLUCION Los parámetros son a = 6.2 Calculo delta cuya fórmula era: 1 2 1 2 ∆ = k −2 {(rk − r + λ1 )(rk − r + λ 2 ) + (λ1 − λ 2 )(r (k − 1)( p12 − p12 ) + λ 2 p12 − λ1 p12 )} Luego ∆=1/9{(3*3-3+2)(3*3-3+1)+(2-1)(3(3-1)(0-1)+1*0-2*1)}=5.8 Q3=55.2 Q6=56.3)[(2*(3*3-3+1)+(2-1)(1*0-2*1)]=0.6+56.4 S1 (Q5)=Q6=2.8 S1 (Q2)=Q1=-2.86 Q5=45.b =6.75 c2=1/(3*5.4-1/3(58.5)=2.4-1/3(50.1 S1 (Q6)=Q5=-8.8+57.k = 3.86 S1 (Q4)=Q3=1.5)=-8.5-1/3(50.7+57.5-1/3(56.3)=5.4 Q4=54.3+53)=0.7+53.6+53)=1.3)[(1*(3*3-3+2)+(2-1)(1*0-2*1)]=0. j Q1=54. Las matrices Pi son 0 0 2 0 1 P1 =     0 4 P = 1 2      Hallamos primeramente los términos Qi provenientes de la formula Qi = yi. λ2 =1 y por tanto hay 2 clases asociadas.7+53+53.r = 3.6-1/3(58.8+56.37 Calculamos los τi* con la expresión 1 τ i* = ((k − c 2 )Qi + (c1 − c 2 ) S1 (Qi )) r (k − 1) . λ1 =2.1 Ahora hallo los S1 (Qi) usando la expresión S 1(Qi ) = ∑ Qs s S1 (Q1)=Q2=5.

5)2)-(329.2j − .τ1*=1/(3*(3-1))*[(3-0.465 τ5*=1/(3*(3-1))*[(3-0.75-0.6-6046.8 0 3.2)]=0.75-0.01)=45.75-0.4 5 9.9)2/(3*6)=104.41 τ3*=1/(3*(3-1))*[(3-0.95 104.37)5.1]=-3.4)2-(329)2/(3*6)=6117. y − bk 2 ij SCT=(18.03)]=2.4 Ahora hallo la SCBloque y 1 b SCB = ∑ y. .7 τ4*=1/(3*(3-1))*[(3-0.4]=0.37)5..37)2.37)0.01 7 17 0.37)2.08 Tratamientos (corregidos) 54.6 5 Bloques Error Total F p-valor 18.9)2/(3*6)=6101.+0.03)+(0.3=54.75-0.66-45...66 La SCT tenía la expresión siguiente SCT = ∑∑ i j 2 y.75-0.3)2+.52 Luego rechazaremos la homogeneidad de tratamientos.37)1.01 La SCE será la resta SCE=SCT-SCB-SCTratamiento(ajustado)=104..4+(0.5)2+.+(20.401 Con esto puedo hallar la SCTratamiento SCTratamientos ( ajustada ) = ∑τ i*Qi i =1 a Luego SCTratamiento (ajustada)=-0.03)+.8+(0..52 τ2*=1/(3*(3-1))*[(3-0.45 τ6*=1/(3*(3-1))*[(3-0.37)1.01-54.4=3.37)(-2.86]=0.86+(0..37)(-2.401*(2.37)(-8.2)+(0.95 La tabla del contraste de hipótesis será la siguiente Fuente de SC GL CM variación 45.75-0.1+(0...4-(329.37)0.+(56. k j =1 bk SCB=1/3((54.37)(-8.52*(-2.8]= -0.

.λ2=1 Las dos condiciones que debe cumplir este experimento son n1+ n2 =9 2n1+ n2=3r despejándo n2 en la 1ª ecuación y sustituyendo en la 2ª obtenemos la ecuación n1=3(r-3) portanto r ha de ser 4≤r≤6 si consideramos r=4 tendremos que n1=3 y n2=6 con las ecuaciones anteriores tendremos que .Construcción de un PBIB En primer lugar tenemos que los parámetros han de cumplir una serie de propiedades (1) (2) (3) ∑n i =1 m i =1 m i = a −1 i i ∑n λ = r (k − 1) para k = 1.. Ejemplo Tenemos un investigador que ha de experimentar con 10 factores pero solo puede obtener bloques de 4 elementos..2. Las propiedades 3 y 4 son condiciones de simetría. m k pij = p k ji k (4) nk pij = ni p ijk = n j pijj (5) ∑p j =1 m j =1 m k ij = ni − 1 = ni si i = k si i ≠ k ∑p k ij Las propiedad 1 es fácilmente comprobable La propiedad 2 consistirá en que si consideramos los bloques en los que algún tratamiento especifico ocurre por ejemplo el tratamiento 1 tenemos que en esos bloques hay r(k-1) tratamientos que no son el tratamiento 1 y tenemos que cada uno de los n1 primeros asociados con 1 deben ocurrir λ1 veces con el 1. La propiedad 5 esta relacionada con la suma de filas de la matriz P.los n2 segundos asociados con el 1 deberán ocurrir λ2 veces con el 1 ect..Quiere considerar 2 clases asociadas con λ1=2.

10 2.n2=6.9 2...2.b=10.7 2º asociado resto resto resto resto resto resto resto resto resto resto Ahora los bloques pueden ser tomando (1.3.3 y 4 tratamiento 1 2 3 4 5 6 7 8 9 10 1ºasociado 2.3.4 1.7..7.n1=3.10 3.6.(1.6.5.k=4.Tomamos por ejemplo como primeros asociados del tratamiento 1 a los tratamientos 2.9 4.λ2=1 Podemos construir una tabla de tratamientos asociados con la ayuda de las matrices P.7.6).6.5..9. p112=2 se pueden resolver las ecuaciones y obtener las matrices P  0 2 P1 =   2 4     1 2 P2 =   2 3    los parámetros restantes serán a=10.1 1 p11 + p12 = 2 1 p12 + p 1 = 6 22 2 2 p11 + p12 = 3 2 2 p12 + p 22 = 5 1 2 3 p12 = 6 p11 2 3 p 1 = 6 p12 22 De la 1ª ecuación y del hecho de que los términos de Pi deben ser enteros se deduce que hay 3 posibilidades para considerar 1 p11 0 1 2 1 p12 2 1 0 la quinta ecuación nos indica que p111 no puede ser un numero impar luego eliminamos la segunda posibilidad y elegimos por ejemplo p111=0 y. .(4.2.10 3.8 4.10).8 1.5.8.λ1=2.6 1.5. .4).

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->