Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Latinos y Diseos
Relacionados
Bloques
Definicin:
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).
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
Bloquear
Block 1
Block 2
Block 3
Process 1
Process 2
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).
i 1, 2,..., a
yij i j ij
j 1, 2,..., b
10
MSTreatment
F
;
MS Error
SSTreatment
SS Error
MSTreatment
; MS Error
dfTreatment
df Error
11
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
Total
nTotal - 1
SSTotal
SSTotal / nTotal - 1
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
Total
bk-1
SSTotal
Nueva fila
correspondiente a
la nueva variable
12
F-stat
(Fcalc)
P-value
MSTrt /MSE
p (>Fcalc)
( y
i 1 j 1
ij
i 1 j 1
i 1
j 1
b ( yi . y.. ) 2 a ( y. j y.. ) 2
a
( yij yi . y. j y.. ) 2
i 1 j 1
13
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
15
Hiptesis Estadstica
Si queremos probar la hiptesis:
H0: 1 = 2 = = k
vs.
16
H0: 1 = 2 = = k
vs.
H1: no todas las k
son iguales
17
Variacin debido a
Tratamientos SStrt
Variacin debido a
muestreo aleatorio SSe
18
Variacin debido
a Bloques SSblk
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
P-value > a
Rechazar Ho
21
Se falla rechazar Ho
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.
23
25
27
Desgaste
14
13
12
11
10
9
8
A
Tipo Material
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
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
14,5
Mtodo Tukey
14,0
13,5
Difference
MARCA of Means
B
-2,000
C
-3,500
D
-3,250
Desgaste
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
D
12,5
12,0
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
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
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
33
18
0,16
0,923
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
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
36
37
i 1, 2,..., p
38
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
40