Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3.3. DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA). ............................ 11
3.3.1. CARACTERÍSTICAS DEL DBCA. ............................................................ 13
3.2. DISEÑO COMPLETAMENTE ALEATORIO (DCA).
El diseño completamente al azar, es aquel en el cual los tratamientos se asignan
completamente al azar a las unidades experimentales o, viceversa. Este diseño es
usado ampliamente, Los tratamientos pueden tener igual o diferente número de
unidades experimentales.
Este trabajo estudia un conjunto de tareas que se deben realizar para utilizar el
diseño completamente aleatorizado para analizar la edad cuando los lanzadores del
martillo comienzan a obtienen los mejores resultados, la investigación demuestra
cómo en 15 de los mejores atletas entre los años 95 y 96, la etapa de los mejores
resultados comienza a los 24 años y esta puede prolongarse más allá de los 29, los
resultados obtenidos son validados con el uso de la prueba de Levene, que verifica
que las muestras utilizadas tienen iguales desviaciones estándar y las pruebas de
Kruskal Willisy la de Mood comprueban que no existe diferencias significativas entre
las medianas de estas muestras, estos resultados comprobatorios justifican la
veracidad de los resultados obtenidos.
DCA:
Es el más simple de todos los diseños, solamente se estudia el efecto de un factor,
el cual se varía en diferentes tratamientos o niveles.
3.2.1. CARACTERÍSTICAS DEL DCA.
El diseño completamente al azar, es aquel en el cual los tratamientos se asignan
completamente al azar a las unidades experimentales o, viceversa. Los tratamientos
pueden tener igual o diferente número de unidades experimentales.
ü 3.1. Características principales
ü Aplicable sólo cuando las unidades experimentales son homogéneas
(verificar si existe tal homogeneidad).
ü Los tratamientos pueden tener igual o diferente número de unidades
experimentales.
ü La distribución de los tratamientos es al azar en las unidades experimentales.
ü El número de tratamientos está en función del número de unidades
experimentales que se dispone. Es conveniente tener pocos tratamientos y
más unidades experimentales que muchos tratamientos con pocas unidades
experimentales.
o Modelo estadístico Lineal
ü Este modelo lineal es la siguiente:
3.2.2. ANÁLISIS DEL DCA CON MÁS DE DOSTRATAMIENTOS Y EL MISMO
NÚMERO DE OBSERVACIONES POR UNIDAD EXPERIMENTAL.
EJEMPLOS
Un diseño experimental sirve para comparar las medias de dos o más tratamientos
(niveles de factor) a través del análisis de varianza, propuesto por Ronald A. Fisher a
principios del Siglo XX, de los datos experimentales. Como se sabe, un experimento
consiste en la manipulación intencional y controlada de una o más variables para
evaluar su (supuesto) efecto en la variable dependiente (variable de respuesta).
Dependiendo de las características del material experimental, el experimento puede
hacerse en un diseño completamente aleatorizado (cuando el material experimental
se supone sensiblemente homogéneo), en un diseño de bloques completos al azar
(cuando se supone variación en una sola dirección), en diseño en cuadrados latinos
(se asume que hay variación en dos direcciones);; hay otras variantes de diseño
experimental como el diseño grecolatino, parcelas divididas o anidado, bloques
incompletos, bloques generalizados, entre otros.
Un diseño experimental se considera estándar si en cada unidad experimental se
toma sólo una observación al azar;; en cambio, si se toma más de una observación
por unidad experimental se tendrá un diseño experimental con submuestreo. El
análisis de los datos de los diseños completamente al azar y bloques completos
aleatorizados con submuestreo es relativamente fácil, puesto que los pasos y las
fórmulas para dicho análisis se encuentran directamente en los libros de diseños
conocidos como el de Steel y Torrie (1985) o el de Martínez Garza (1988). En
cambio, el análisis de un diseño experimental con submuestreo que no sea el de los
dos diseños mencionados resulta, cuando menos, ambiguo, puesto que no
aparecen en los libros, de manera explícita, los pasos a seguir y las fórmulas
correspondientes. Se deja a que el lector lo deduzca del análisis para los diseños
más elementales, lo que no resulta sencillo.
para analizar los datos de cualquier diseño experimental con submuestreo en el que
se haya tomado el mismo número de submuestras por unidad experimental. La
explicación detallada de cómo se deriva el algoritmo, así como ejemplos numéricos
acompañados de programas en SAS,
En estas fórmulas, representa el total de la i-ésima unidad experimental y es
el gran total obtenido de sumar todas las observaciones de todas las unidades
experimentales.
EJEMPLOS
3.3. DISEÑO DE BLOQUES COMPLETOS AL AZAR (DBCA).
DBCA: Considera el efecto de un factor por bloques que a su vez están constituidos
por tratamientos.
DBCA completo: Un diseño experimental de bloques al azar está completo cuando
cada bloque tiene el mismo número de tratamientos. Ejemplos de bloques: Lote de
materia prima, turno, día, operador máquina, método, etc.
Análisis de varianza (ANOVA) en DBCA. Consiste en analizar los cocientes de las
varianzas para probar la hipótesis de igualdad o desigualdad entre las medias
debidas a los tratamientos y los bloques, separando la variación total en las partes
Diseño experimental de bloques completos al azar (DBCA). con que contribuye cada
fuente de variación. Las fuentes de variación principales son las debidas a los
tratamientos, a los bloques y las debidas a el error.
EJEMPLOS
En una empresa maquiladora de ensamble, se desean probar cuatro tipos de
métodos de ensamblaje A, B, C y D, para encontrar el método más rápido. Sin
embargo, también se ha Diseño experimental de bloques completos al azar (DBCA).
encontrado que puede ser posible que dependiendo del tipo de operador será el
tiempo ensamble. Para esto se realizan las pruebas de ensamblaje, ensamblando
una pieza por cada uno de los cuatro métodos, con cuatro operadores.
Planteamiento del experimento:
En cualquier experimento, la variabilidad proveniente de un factor de ruido puede
afectar los resultados.
Un factor de ruido es un factor que probablemente tiene un efecto en la respuesta
pero que no nos interesa estudiar. Si el factor de ruido es desconocido y no
controlable, la solución es la aleatorización, que tiende a distribuir los niveles y
efectos de este factor entre todas las u.e. Si el factor de ruido es conocido y no
controlable, pero por lo menos podemos medir su valor en cada corrida del
experimento, entonces podemos compensarlo usando análisis de covarianza.
Ø Factores de bloque El factor de bloque es otra fuente de variabilidad aparte
del error aleatorio y el factor de interés. Se le denomina al diseño bloques
completos al azar ya que todos los tratamientos deben interactuar en todos
los bloques. En cuanto a la aleatorización esta se hace en cada bloque, por
esto la aleatorización no se puede hacer en su totalidad.
Comparación de parejas de medias en DBCA Para la comparación de medias en
un modelo DBCA en caso de que se rechace la hipótesis nula se puede conocer
cuales son las variables que son diferentes entre sí utilizando LSD, diferencia
mínima significativa. Esto se da con la siguiente fórmula para el caso de este tipo
de diseño.
Donde b es el número de bloques, (k-1) (b-1) son los grados de libertad del
Cuadrado medio del error.
Efecto del bloque En este tipo de diseño como se pudo observar en el análisis de
varianza, se genera un efecto por los bloques establecidos en el experimento por lo
que se necesita establecer una hipótesis para estos.
Esta tiene que ver con las veces que aparece un tratamiento dado haciendo pareja
con otros. La fórmula representa (k-1) tratamientos restantes λ veces y hace pareja
con (t-1) tratamientos en cada bloque (r).
ANÁLISIS DEL DISEÑO
Yij=μ+τi+ β j+εijl
Yij=medición que corresponde al tratamiento i y al bloque j.
=media global poblacional τi=efecto debido al tratamiento β j=efecto debido al
bloque j. εij..=error aleatorio atribuible alamedicionYij.
3.3.3. DBCA CON VARIAS OBSERVACIONES POR UNIDAD EXPERIMENTAL.
En un experimento de campo, el investigador puede no tener tiempo de cosechar
(totalmente) cada parcela experimental, de esta manera podrá seleccionar al azar
varios cuadros por parcela y cosechar el grano en cada cuadro seleccionado. Estas
observaciones serán muestras dentro de la UE.
En un experimento de tecnología de alimentos que implica el almacenamiento de
fresas congeladas, se almacenan 10 pintas (UE) a cada 5 lapsos de
almacenamiento (tratamientos). Cuando se hicieron las determinaciones de ácido
ascórbico después del almacenamiento, se hicieron dos determinaciones en cada
pinta (muestra dentro de la UE).
Una vez decidido el experimento se describirá en forma matemática mediante un
modelo estadístico que dará lugar a un análisis de los datos. Tal como se ha
indicado anteriormente, este análisis retroalimentará la fase de diseño para probar
su eficiencia. Por tanto, existe una cadena fundamental problema-diseño modeló-
análisis-diseño. Por ello se ha de señalar el peligro que encierra la utilización “a
ciegas” tanto de los diseños clásicamente descrito (bloques al azar, cuadrado latino,
etc.) como de los programas enlatados de ordenador.
3.3.4. DBCA CON DESIGUAL NÚMERO DEOBSERVACIONES POR UNIDAD
EXPERIMENTAL.
El diseño completamente al azar da la posibilidad de procesar los datos aun cuando
el número de repeticiones sea diferente, ya que a veces se da el caso de que, por
insuficiencia de material para todos los tratamientos o porque se han perdido
unidades experimentales para ciertos tratamientos, no se dispone de igual número
de observaciones por tratamiento. Esta es una de las ventajas del DCA para que se
pueda analizar los datos directamente, sin tener que calcular parcelas perdidas, en
aprovechamiento del material experimental homogéneo.
número de repeticiones se define por el número de observaciones totales (n)
dividido para el número de tratamientos.
Este diseño es útil cuando las unidades experimentales son homogéneas, es decir
cuando las variaciones entre ellas son pequeñas y agrupadas en bloques sería poco
más que un proceso aleatorio. Este es el caso de muchos experimentos de
laboratorio, en los que una cantidad, de material está completamente mezclado y
luego se divide en porciones pequeñas para formar las unidades experimentales a
las cuales se les asigna los tratamientos en forma aleatoria, o en experimentos con
animales y plantas con condiciones ambientales muy parecidas. La aleatorización
es un proceso que hace aplicable las leyes del azar. Se logra asignando
tratamientos a las unidades experimentales.
En aprovechamiento de la condición de homogeneidad de las unidades
experimentales, se puede trabajar con igual y desigual número de repeticiones por
tratamiento, sin que medie la necesidad de recuperación de parcelas o unidades
experimentales inexistentes, para lo cual es preciso hacer una ponderación en la
suma de cuadrados y en el cálculo de los grados de libertad.
En su conjunto, la ecuación representa a la media general, más el efecto
proveniente de los tratamientos, más la presencia de un efecto al azar, que es el
error experimental para cada observación. Una suposición básica dentro del ADEVA
es que este elemento al azar (C) es normal e independientemente distribuido, con
µ = 0 y Ʊ común. La independencia es necesaria para poder estimar la µ y Ʊ y la
normalidad para poder realizar pruebas de significancia. Dependiendo de los
efectos de los tratamientos, podemos tener los siguientes modelos:
3.4. DISEÑO DE CUADRO LATINO (DCL).
El diseño cuadro latino se usa cuando se tienen tres factores a evaluar en una
misma unidad experimental, por ejemplo, la ingesta de varios niveles de suplemento
alimenticio, aplicado a vacas de diferente edad, en diferentes tiempos.
En una planta, por ejemplo, los tres factores pueden ser: Densidad de siembra,
cantidad de riego y tipo de fertilizante.
Se llama cuadro latino porque existen diferentes diseños que usan letras latinas y
letras griegas para denominar los tratamientos, en el diseño más sencillo solo se
usan letras latinas (A, B, C, etc.).
En cada uno de los tres factores se tienen niveles, por ejemplo, en el factor de
densidad de siembra puede ser surcos de 30, 40 y 50 cms. Una característica del
cuadro latino es que los tres factores deben tener el mismo número de niveles. A
los niveles del primer factor se le llamarán tratamientos, y se les asignarán las letras:
A, B, C, etc. Los niveles del segundo factor se llamarán hileras, con los número 1,
2, 3, etc, y los niveles del tercer factor se llamarán columnas, y de igual manera se
les asignarán los niveles 1, 2, 3, etc,
CARACTERÍSTICAS DEL DISEÑO
Lo importante del diseño es que con pocas unidades experimentales se pueden
probar varios factores, sin embargo, se tienen dos limitantes importantes: a) Que el
número de niveles deben ser iguales. b) Que no se pueden evaluar interacciones.
En algunos casos se pueden realizar repeticiones, especialmente para cuadros de
3 o 4 tratamientos, que los datos son pocos.
3.4.1. CARACTERÍSTICAS DEL DCL.
El Diseño de Cuadrado Latino (DCL) es el segundo subtipo de diseño que utiliza
bloqueo, con similares características de control de factores que el DBCA, el DCL
tiene otros fundamentos adicionales que incluyen:
-Incorpora el control sobre otro factor adicional indeseado, por lo tanto, controla
3.4.2. ANÁLISIS DE VARIANZA DEL DCL.
Se definen los tratamientos de las columnas, de las hileras y de los tratamientos.
Se sortean las unidades experimentales, se realiza el experimento y se recopilan
los datos. Se suman todos los valores de las unidades experimentales. A ese valor
se le llamará y. Se obtiene el cuadrado de todos los valores de la unidad
experimental y luego se suman, a ese valor se le llamará Σ yij 2. Para encontrar la
varianza entre los tratamientos. Primero se obtiene la suma de cada uno de los
tratamientos (que se llamarán yi trat ). Cada suma de tratamientos se eleva al
cuadrado y se suman los cuadrados.
Pasos para la realización del análisis de varianza
Obtener el Factor de Corrección (F.C)