Bloques Aleatorios, Cuadrados

Latinos y Diseos
Relacionados

Bloques

Definicin:

Bloque: Un grupo de unidades experimentales que se sabe antes

del experimento a ser similares en alguna manera y se espera que
influya en la variable de respuesta.

Bloques se escogen para:

Maximizar variacin bloque a bloque.

Minimizar variacin entre unidades experimentales dentro de cada
bloque.

Objetivo:
Separar la variabilidad de bloque a bloque del error experimental con
el fin de lograr una comparacin mas sensitiva de los promedios de
los tratamientos.

El Principio de Bloques
Bloquear es una tcnica para tratar con factores perturbadores.
Un factor perturbador es aquel que probablemente tenga algn efecto en
la respuesta, pero no es de inters al experimentador. Sin embargo, la
variabilidad que transmite a la respuesta necesita ser minimizada.
Tpicos factores perturbadores incluyen lotes (batches) de materia prima,
operadores, partes de equipos de prueba, tiempo (turnos, das, etc.),
unidades experimentales diferentes.
Muchos experimentos industriales involucran bloques (o deberan).

No bloquear es una falla comn en disear un experimento

(consecuencias?).
3

El Principio de Bloques
Si la variable perturbadora es conocida y controlable, usamos
bloques.
Si el factor perturbador es conocido y no controlable, se puede
usar el anlisis de covarianza para remover el efecto del factor
perturbador del anlisis.
Si el factor perturbador es desconocido y no controlable (se
desconoce esa variable), se espera que la aleatorizacin
balancee su impacto en todo el experimento.
Algunas veces, varias fuentes de variabilidad son combinadas en
un bloque, de modo que el bloque llega a ser una variable
agregada.
4

Experimentos con Bloques Aleatorizados (cont)

Diferencias en un experimento con bloques aleatorizados

Unidades experimentales clasificadas en bloques .

Para cada bloque, la variable de respuesta es recolectada para todos los

tratamientos.

Mtodos de anlisis remueven efectos observados de bloques antes de

probar la igualdad de medias.

Ejemplos de factores de bloques comunes:

Personas, grupo socio-econmico, grupo de edad, genero, regin

geogrfica.

Cliente, producto, suplidor.

Centro de distribucin, bodega, numero de la semana.

Bloquear

Bloquear es una tcnica para hacer una comparacin mas precisa en la

presencia de variabilidad.

Unidades que pertenecen al

mismo bloque son mas
similares que las unidades de
bloques diferentes.
Comparar tratamientos o
procesos dentro de cada
bloque.

Block 1

Block 2

Block 3

Process 1

Process 2

Ejemplos de bloques: Lotes de fabricas, lotes de ensambles, lotes de

material, equipos, operarios, das, etc.
6

Procedimientos de Aleatorizacin
Asigne aleatoriamente las unidades experimentales dentro
de un bloque a los k tratamientos.
Dentro de cada bloque, aleatorice el orden en el cual los
tratamientos son administrados.
Si es posible, aleatorice el orden en el cual los bloques son
corridos (no es esencial como la aleatorizacin dentro de
los bloques).

Ejemplo Motocicleta: Bloquear

Diseo 3: Combinacin de Factores
A

Incluir mltiples conductores, motocicletas y rutas.

Considerar cada viaje de motocicleta como un bloque.

Aleatoriamente asignar una llanta de cada tipo a la llanta

delantera y trasera de cada motocicleta.
Rotar las llantas en la mitad de cada viaje.

Cul es el beneficio del diseo de bloques?

Ejemplo Motocicleta: Bloques

Puede usted detectar en este
grafico cual material es mejor?

Graficar los datos en una

manera diferente.
Puede usted determinar cul
material es mejor ahora?
Qu hace mas fcil ver la
diferencia?

Extensin del ANOVA a los Diseos de Bloques

Completamente Aleatorizados (DBCA)

Suponga que hay a tratamientos (niveles de factor) y b

bloques.
Un modelo estadstico (modelo de efectos) para el
DBCA es:

i 1, 2,..., a
yij i j ij
j 1, 2,..., b

10

Anlisis de Experimentos con Bloques

Aleatorizados
ANOVA de dos vas es usada para:
Particionar al suma total de cuadrados en tres componentes :
SSTotal = SSTratamientos + SSBloques + SSError
Probar H0 vs. H1 usando la prueba F

MSTreatment
F
;
MS Error
SSTreatment
SS Error
MSTreatment
; MS Error
dfTreatment
df Error
11

Anlisis de Experimentos con Bloques Aleatorizados

(cont)

Tabla ANOVA Una Va

Source

df

Sum of
Squares

Mean Squares

F-Stat
(Fcalc)

P-value

Treatments

K-1

SSBetween

MSBetween = SSWithin / K - 1

MSBetween /
MSWithin

P (>FCalc)

Error

nTotal - K

SSWithin

MSWithin = SSWithin / nTotal - 1

Total

nTotal - 1

SSTotal

SSTotal / nTotal - 1

Tabla ANOVA Dos Vas

Source

df

Sum of Squares

Mean Square

Blocks

b-1

SSBlk

MSBlk=SSBlk / b-1

Treatments

k-1

SSTrt

MSTrt=SSTrt / k-1

Error

(b-1)(k-1)

SSE

MSE= SSE /(b-1)(k-1)

Total

bk-1

SSTotal

Nueva fila
correspondiente a
la nueva variable

12

F-stat
(Fcalc)

P-value

MSTrt /MSE

p (>Fcalc)

Extensin del ANOVA a los DBCA

Particionamiento de ANOVA de la variabilidad total:
a

( y
i 1 j 1

ij

y.. ) [( yi. y.. ) ( y. j y.. )

2

i 1 j 1

( yij yi. y. j y.. )]2

a

i 1

j 1

b ( yi . y.. ) 2 a ( y. j y.. ) 2
a

( yij yi . y. j y.. ) 2
i 1 j 1

SST SSTreatments SS Blocks SS E

13

Extensin de ANOVA a los DBCA

Los grados de libertad para las sumas de cuadrado en

SST SSTreatments SSBlocks SSE

son las siguientes:

ab 1 a 1 b 1 (a 1)(b 1)
Por tanto, las razones de suma de cuadrados a sus grados de
libertad resulta en cuadrados medios y la razn del cuadrado
medio de tratamientos con el error medio cuadrado es un
estadstico F que puede ser usado para probar la hiptesis de
igualdad de medias de tratamientos.

14

Otros aspectos del Diseo de Bloques

El DBCA utiliza un modelo aditivo no hay interaccin entre
tratamientos y bloques.
Tratamientos y/o bloques como efectos aleatorios.
Valores faltantes.
Cules son las consecuencias de no bloquear si no lo
hiciramos?
Tamao de muestra en DBCA. El procedimiento de la CO
puede ser usado para determinar el nmero de bloques a
correr.

15

Hiptesis Estadstica
Si queremos probar la hiptesis:
H0: 1 = 2 = = k
vs.

H1: no todas las k son

iguales

16

Experimentos con Bloques Aleatorizados

Meta del Diseo
Determinar si hay diferencias significativas entre las medias de los
k tratamientos .
Misma meta como las pruebas de medias de k muestras
independientes.
Especficamente, las hiptesis a probar:
Means Test

H0: 1 = 2 = = k
vs.
H1: no todas las k
son iguales
17

Anlisis de Varianza (ANOVA)

ANOVA particiona la variabilidad total, o

suma de cuadrados (SS), en fuentes
diferentes
Variacin Total SSTotal

Variacin debido a
Tratamientos SStrt

Variacin debido a
muestreo aleatorio SSe

18

Variacin debido
a Bloques SSblk

Tabla ANOVA de Dos Vas

19

Prueba F
Test Estadstico

MSTreatment
F
MS Error
Cuando H0 es verdadera, el estadstico F sigue una
distribucin F con k-1 y (b-1)(k-1) grados de libertad

Si H0 es verdadera, entonces todas las

observaciones se comportan como una muestra
aleatoria de una sola poblacin, de modo que el F
calculado debe estar cercano a 1.
20

Criterio de Decisin F-test

Calcular Valor P
P-value < a

P-value > a

Rechazar Ho

Concluir no todas las is son

iguales

21

Se falla rechazar Ho

Concluir H0: 1=2==k

Prctica
A continuacin se muestra parte del ANOVA
para un diseo en bloques, que tiene tres
tratamientos y cinco bloques con una sola
repeticin por tratamiento-bloque.

Ejemplo Desgaste de Llantas

Considere el problema de determinar si diferentes tipos de material
para hacer llantas presentan diferentes cantidades de prdida de
espesor despus de 32,000 km de manejo. Un gerente de una
compaa desea considerar cuatro diferentes materiales para hacer
llantas y tomar una decisin sobre cul material podra mostrar la
cantidad mnima de desgaste despus del periodo de manejo. Los
materiales a considerar son A, B, C, y D. Aunque las condiciones de
manejo podran simularse en un laboratorio, l desea probar estos
cuatro materiales bajo condiciones actuales de manejo.

23

Ejemplo Desgaste de Llantas

Un fabricante de llantas desea comparar los cuatro materiales
diferentes para hacer las llantas.
Material A: Estndar
Material B: Mas barato
Material C: Competidor 1
Material D: Competidor 2

A ellos les gustara cambiar al material B pero quieren estar seguros

que este material no es inferior al material estndar o al de los
competidores.
La variable de respuesta es Yij es la diferencia en espesor en

milsimas (0.001 mm) y el nico factor de inters es marca, o sea j

dnde j = 1, 2 , 3, 4
24

Ejemplo Desgaste de Llantas

4 carros representando diferentes marcas, modelos y
tamaos estn disponibles.
Cmo se debe disear este experimento?

25

Diseo de Bloques Aleatorizados

Incluir una llanta de cada uno de los 4 tipos de

materiales en cada carro.

Aleatorice la asignacin del tipo de material a la posicin

de la llanta en cada carro.

Maneje los carros por el numero especificado de km,

luego medir el desgaste en cada llanta.

Cules son los bloques?

La meta del diseo aleatorizado de bloques es separar la
variabilidad de bloque a bloque cuando se comparan
tratamientos al comparar tratamientos dentro de cada
bloque.
26

Ejemplo Desgaste de Llantas: Datos

Son las diferencias debido al tipo de

material o solo por variacin aleatoria?

27

Lo que no se debe hacer

17
16
15

Desgaste

14
13
12
11
10
9
8
A

Tipo Material

Se puede identificar cuales materiales son diferentes?

Qu es lo que hace difcil detectar cualquier diferencia, si existe?

28

Hiptesis Estadstica
Se quiere probar la hiptesis:
La media verdadera de
desgaste es la misma para
los materiales A, B, C y D

H0: 1 = 2 = = k
vs.
H1: no todas las i son
iguales

29

No todos los materiales

tienen la misma media
verdadera de desgaste.

Lo que si se debe hacer

MA RC A
A
B
C
D

17
16

Y (Desgaste)

15
14
13
12
11
10
9
8
1,0

1,5

2,0

2,5
Carro

3,0

3,5

4,0

Se puede detectar ahora si los materiales son

consistentemente diferentes de cada uno?
Porqu las diferencias son mas fciles de ver en este
grafico?
Graficar tratamientos dentro de cada bloque.
30

Ejemplo Desgaste de Llantas

Rechazar Ho.
Existen diferencias significativas
entre tratamientos.
Al menos algn material es
diferente.
Se pueden realizar comparaciones
mltiples.

Two-way ANOVA: Y versus CARRO. MARCA

Source DF
SS
MS
F
P
CARRO 3 38,6875 12,8958 10,04 0,003
MARCA 3 30,6875 10,2292 7,96 0,007
Error
9 11,5625 1,2847
Total 15 80,9375
S = 1,133 R-Sq = 85,71% R-Sq(adj) = 76,19%
31

Ejemplo Desgaste de Llantas

14,5

Mtodo Tukey

14,0
13,5

Difference
MARCA of Means
B
-2,000
C
-3,500
D
-3,250

Desgaste

Tukey Simultaneous Tests

Response Variable Y
All Pairwise Comparisons among Levels of
MARCA
MARCA = A subtracted from:

11,5
11,0
A

SE of
Adjusted
Difference T-Value P-Value
0,8015 -2,495 0,1274
0,8015 -4,367 0,0080
0,8015 -4,055 0,0125

MARCA

CDBA
Material A es significativamente
peor que el Material C y D.
Materiales C y D presentan los valores
menores de desgaste. Son equivalentes.

Difference
SE of
Adjusted
of Means Difference T-Value P-Value
-1,500
0,8015 -1,872 0,3041
-1,250
0,8015 -1,560 0,4452

MARCA = C subtracted from:

MARCA
D

12,5
12,0

MARCA = B subtracted from:

MARCA
C
D

13,0

Difference
SE of
Adjusted
of Means Difference T-Value P-Value
0,2500
0,8015 0,3119 0,9888

32

Adecuacin del Modelo

Residual Plots for Y
Normal Probability Plot

10

-1

0
Residual

B
8

10

Histogram

Residual

Frequency

14

16

3
2
1
0

12
Fitted Value

Versus Order

Test Statistic
P-Value

-1

-1
-2

-2,0

-1,5

-1,0

-0,5
0,0
Residual

0,5

1,0

1,45
0,694

Levene's Test

-2
-2

Test Statistic
P-Value

A
Residual

Percent

50

Bartlett's Test

N
16
AD
0,352
P-Value 0,423

90

MARCA

99

Prueba de Homogeneidad de Varianzas

Versus Fits

9 10 11 12 13 14 15 16

Observation Order

2
4
6
8
10
12
14
16
95% Bonferroni Confidence Intervals for StDevs

Se cumplen las suposiciones del modelo.

33

18

0,16
0,923

Ejemplo Desgaste de Llantas

Diseo de Cuadrados Latinos:
CARRO

Posicin

II

III

IV

C (12)

D (11)

A (13)

B (8)

B (14)

C (12)

D (11)

A (13)

A (17)

B (14)

C (10)

D (9)

D (13)

A (14)

B (13)

C (9)

Modelo Estadstico:
Yijk = + i + j + k + ijk
34

Resumen de Experimentos con Bloques Completamente

Aleatorizados
Especificar las hiptesis experimentales y los riesgos del error:
H0 : 1 = 2 = = k vs. H1: No todas las s son iguales.

Determine el numero bloques para el numero de tratamientos y el

cambio a detectar.

Conduzca el experimento.
Grafique los datos, revise diferencias y valores atpicos.
Si hay diferencias significativas entre las medias, utilice un
procedimiento de comparaciones mltiples para determinar cuales
medias son diferentes.
Revise adecuacin del modelo: normalidad de residuos,
independencia y homogeneidad de varianzas.

35

El Diseo de Cuadrados Latinos

Estos diseos son usados para controlar simultneamente (o
eliminar) dos fuentes de variabilidad perturbadora.
Una suposicin significativa es que los tres factores
(tratamientos, factores perturbadores) no interactan.
Si esta suposicin es violada, los Cuadrados Latinos no
producirn resultados vlidos

36

El problema de la carga propulsora Un

diseo de Cuadrados Latinos

Este es un diseo de cuadrados latinos de 5 x 5

37

Anlisis Estadstico del Diseo de

Cuadrados Latinos
El modelo estadstico (efectos) es:

i 1, 2,..., p

yijk i j k ijk j 1, 2,..., p

k 1, 2,..., p

El anlisis estadstico (ANOVA) es muy parecido al

anlisis para los DBCA.

38

Otros Diseos Relacionados

Diseo Greco-Latino (4 Factores)

Batch
1
2
3
4
5

1
A=26
B=18
C=20
D=15
E=10

Acid Concentration
2
3
4
B=16 C=19
D=16
C=21 D=18
E=11
D=12 E=16
A=25
E=15 A=22
B=14
A=24 B=17
C=17

5
E=13
A=21
B=13
C=17
D=14

Diseo Hper-Greco-Latino (5 Factores)

40