INSTITUTO UNIVERSITARIO DE YUCATÁN

Asignatura

Análisis y diseño de experimentos

Tema:

Experimentos unifactoriales por bloques

Maestro:

Gabriel Enrique Baquedano Moreno

Nombre del alumno:

Alejandro Manriquez Gerónimo

Programa educativo:

Ingeniería Industrial

Curso: Sabatino (semi-escolarizado)

Lugar y fecha :

28/07/2021 ,Calle Porto Allegre, Plutarco Elias Calles, 86170

Villahermosa, Tab.
 Índice
Introducción ........................................................................................................................................ 3
Definición de bloque ........................................................................................................................... 4
Diseño aleatorio por bloques completo.............................................................................................. 5
Diseño cuadrado latino ....................................................................................................................... 5
El procedimiento para construir un diseño en cuadrado latino es el siguiente: ................................ 6
Estimación de la variable de respuesta ............................................................................................... 7
Conclusión ......................................................................................................................................... 12
Los experimentos unifactoriales por bloques nos ayudan a comprender cómo variar las
condiciones habituales de realización de un proceso empírico para aumentar la probabilidad de
detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor conocimiento
del comportamiento del proceso de interés..................................................................................... 12
Bibliografía ........................................................................................................................................ 12
 Introducción

En algunos casos el factor nuisance puede ser fijado en distintos niveles, de modo
que es posible controlar su efecto a esos niveles. Entonces la forma de actuar es
mantener constante el nivel del factor para un grupo de unidades experimentales,
se cambia a otro nivel para otro grupo y así sucesivamente. Estos factores se
denominan factores de bloqueo (factores bloque) y las unidades experimentales
evaluadas en un mismo nivel del bloqueo se dice que pertenecen al mismo
bloque. Incluso cuando el factor no es medible, a veces es posible agrupar las
unidades experimentales en bloques de unidades similares: parcelas de tierra
contiguas o períodos de tiempo próximos probablemente conduzcan a unidades
experimentales más parecidas que parcelas o períodos distantes.

La suposición habitual es que el bloque por interacción de tratamiento es cero, y

esta interacción pasa a ser el término de error para probar los efectos del
tratamiento. Si designa la variable de bloqueo como Bloque, los términos en el
modelo serían entonces Bloque, A, B y A*B. También especificaría el Bloque
como el factor aleatorio.

Una variable bloque no presenta interacción con los factores en estudio. El

modelo se dice que es de bloques aleatorizados completos cuando en cada
bloque se presentan todos los posibles tratamientos (o un múltiplo de ese número)
y dentro de cada bloque se asignan los tratamientos de forma aleatoria..

Los diseños en cuadrados latinos son apropiados cuando es necesario controlar

dos fuentes de variabilidad. En dichos diseños el número de niveles del factor
principal tiene que coincidir con el número de niveles de las dos variables de bloque
o factores secundarios y además hay que suponer que no existe interacción entre
ninguna pareja de factores.
 Definición de bloque

En algunos casos el factor nuisance puede ser fijado en distintos niveles, de modo
que es posible controlar su efecto a esos niveles. Entonces la forma de actuar es
mantener constante el nivel del factor para un grupo de unidades experimentales,
se cambia a otro nivel para otro grupo y así sucesivamente. Estos factores se
denominan factores de bloqueo (factores bloque) y las unidades experimentales
evaluadas en un mismo nivel del bloqueo se dice que pertenecen al mismo
bloque. Incluso cuando el factor no es medible, a veces es posible agrupar las
unidades experimentales en bloques de unidades similares: parcelas de tierra
contiguas o períodos de tiempo próximos probablemente conduzcan a unidades
experimentales más parecidas que parcelas o períodos distantes.

Desde un punto de vista matemático el tratamiento que se hace de los factores-

bloque es el mismo que el de los factores tratamiento en los que no hay
interacción, pero su concepto dentro del modelo de diseño de experimentos es
diferente. Un factor tratamiento es un factor en el que se está interesado en
conocer su influencia en la variable respuesta y un factor bloque es un factor en
el que no se está interesado en conocer su influencia pero se incorpora al diseño
del experimento para disminuir la variabilidad residual del modelo.
 Diseño aleatorio por bloques completo

Un diseño de bloques aleatorizados es un diseño frecuentemente utilizado para

minimizar el efecto de la variabilidad cuando se asocia con unidades discretas
(por ejemplo, ubicación, operador, planta, lote, tiempo). El caso usual consiste en
distribuir aleatoriamente una réplica de cada combinación de tratamientos dentro
de cada bloque. Por lo general, no hay un interés intrínseco en los bloques, y se
considera que éstos son factores aleatorios. La suposición habitual es que el
bloque por interacción de tratamiento es cero, y esta interacción pasa a ser el
término de error para probar los efectos del tratamiento. Si designa la variable de
bloqueo como Bloque, los términos en el modelo serían entonces Bloque, A, B y
A*B. También especificaría el Bloque como el factor aleatorio.

Una variable bloque no presenta interacción con los factores en estudio. El

modelo se dice que es de bloques aleatorizados completos cuando en cada
bloque se presentan todos los posibles tratamientos (o un múltiplo de ese número)
y dentro de cada bloque se asignan los tratamientos de forma aleatoria.

Diseño cuadrado latino

Los diseños en cuadrados latinos son apropiados cuando es necesario controlar

dos fuentes de variabilidad. En dichos diseños el número de niveles del factor
principal tiene que coincidir con el número de niveles de las dos variables de bloque
o factores secundarios y además hay que suponer que no existe interacción entre
ninguna pareja de factores. Supongamos que el número de niveles de cada uno de
los factores es K. El diseño en cuadrado latino utiliza K2 bloques, cada uno de estos
bloques corresponde a una de las posibles combinaciones de niveles de los dos
factores de control. En cada bloque se aplica un solo tratamiento de manera que
cada tratamiento debe aparecer con cada uno de los niveles de los dos factores de
control. Si consideramos una tabla de doble entrada donde las filas y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y sólo una en cada fila y en cada columna.

Recibe el nombre de cuadrado latino de orden K a una disposición en filas y

columnas de K letras latinas, de tal forma que cada letra aparece una sola vez en
cada fila y en cada columna.

A continuación vamos a dar una forma simple de construcción de cuadrados

latinos. Se parte de una primera fila con las letras latinas ordenadas
alfabéticamente

Las sucesivas filas se obtienen moviendo la primera letra de la fila anterior a la

última posición (construcción por permutación cíclica), el cuadrado así obtenido
es un cuadrado latino estándar. Un cuadrado latino se denomina estándar cuando
las letras de la primera fila y la primera columna están ordenadas alfabéticamente.
A parte de los cuadrados latinos así obtenidos existen otros cuadrados latinos
diferentes, estándares y no estándares. En el Apéndice B se muestran algunos
cuadrados latinos estándares para los órdenes 3, 4, 5, 6,

7, 8 y 9.

El procedimiento para construir un diseño en cuadrado latino es el

siguiente:
1) Se elige aleatoriamente un cuadrado latino de los disponibles.

2) Se asigna aleatoriamente el orden de las filas y columnas.

3) Se asignan aleatoriamente los tres factores a las filas, columnas y letras,

respectivamente.
Ilustremos este procedimiento con el ejemplo del rendimiento de la semilla de
trigo. Al plantear este experimento se pensó que podría conseguirse mayor
precisión si se controlaba la variabilidad introducida por los tipos de abono e
insecticida. El instituto de experimentación agrícola está interesado en estudiar 4
tipos de semilla de trigo, (s1, s2, s3, s4) y decide realizar el experimento utilizando
un diseño en cuadrado latino. Para ello selecciona 4 niveles para cada una de las
variables de bloque: abono, (a1, a2, a3, a4), e insecticida,

(i1, i2, i3, i4).

La selección de uno de los cuadrados se hace al azar. Supongamos que el

cuadrado latino elegido es el siguiente

ABCD
BADC
CDAB
DCBA

Estimación de la variable de respuesta

Para estimar la línea de regresión poblacional a partir de la nube de puntos se

utiliza el método de los mínimos cuadrados ordinarios (MCO), que considera
como recta que mejor se ajusta a la que minimiza la suma de los cuadrados de
los resíduos.

Si la recta de mejor ajuste es los errores o resíduos se definen

como: y los estimadores por MCO de la ordenada en el origen, , y

de la pendiente, , son:
Para evaluar la bondad del ajuste se calcula el coeficiente de determinación R 2 y,
para medir la dispersión de los puntos alrededor de la recta estimada, el error
típico de la estimación Su. Estas medidas se definen como:

Donde SCT o suma total de cuadrados es la variación total de Y en la muestra y

SCR o suma de cuadrados de la regresión es la parte de la variación total
explicada por la recta ajustada. Por lo tanto, R 2 indica la proporción de variación
total explicada mediante larelación lineal entre X e Y, y toma valores entre 0 y 1.
Un valor de R2 próximo a 1 indica que la recta ajustada es un buen modelo para
explicar el comportamiento de la variable Y, y por lo tanto existe relación lineal
entre X e Y. Por el contrario, un valor próximo a 0 indica que la recta ajustada no
explica la variación observada en Y.

Para establecer el intervalo de confianza para la pendiente de la recta de

regresión, , y contrastar si el valor de este parámetro es o no significativamente
diferente a cero es necesario calcular el error típico de b que se define como:

El estadístico de prueba del contraste es que presenta una distribución de

probabilidad t de Student con n-2 grados de libertad.

Para la obtención de la recta de regresión la secuencia es:

Analizar

Regresión

Lineal
Se abre el cuadro de diálogo Regresión lineal donde se seleccionan las
variables Dependiente e Independientes.

 La opción Método permite elegir el método de estimación. Si se trata de

una regresión lineal simple (con una sola variable independiente) se
conserva la definida por defecto (Introducir) siendo el resto de opciones
para modelos con más de una variable explicativa.

 Cuando se desee realizar un ajuste lineal basado únicamente en los casos

que pertenecen a un subgrupo determinado por un valor o conjunto de
valores de otra variable, ésta se deberá indicar en Variable de selección del
cuadro de diálogo Regresión lineal e introducir la Regla o condición que
debe verificar un caso para ser incluido en el análisis.

 Opcionalmente se puede seleccionar la variable que recoge las etiquetas

de los casos indicándola en Etiquetas de caso.

 El botón MCP hace referencia a la estimación por mínimos cuadrados

ponderados.
Este cuadro de diálogo además permite ampliar el análisis de regresión activando
las opciones incluidas en Estadísticos, Gráficos y Opciones.

ESTADíSTICOS

El botón Estadísticos abre el cuadro de diálogo Regresión

lineal: Estadísticos que por defecto tiene activadas las
opciones Estimaciones y Ajuste del modelo.

- La opción Estimaciones proporciona las estimaciones de los coeficientes de la

recta ajustada por el método de los mínimos cuadrados ordinarios y
sus correspondientes errores típicos, así como los coeficientes estandarizados
(beta), los valores del estadístico t y el nivel de significación crítico.

- La opción Ajuste del modelo muestra en el resumen delmodelo la bondad del

ajuste o coefiente de determinación y en elcuadro ANOVA la descomposición de
la suma total de cuadrados oinformación total observada.

Otras opciones que presenta este cuadro de diálogo son:

- Intervalos de confianza de los coeficientes de regresión que por defecto se

calculan al 95\%.
- Matriz de covarianzas y de varianzas, y la matriz de correlaciones de los
coeficientes del modelo que se analiza en el contexto de la regresión múltiple.

- Cambio en R cuadrado. Cuantifica la variación del coeficiente de determinación

que se produce al añadir o eliminar alguna variable independiente en un modelo
de regresión múltiple.

- Descriptivos incluye las medias y las desviaciones típicas de las variables

seleccionadas y la matriz de correlaciones.

- Diagnósticos por caso. Esta opción presenta dos alternativas para el análisis de
los residuos:

- la obtención de Valores atípicos a más de (por defecto 3) desviaciones típicas.

Identifica aquellos casos para los cuales el valor estandarizado de los residuos
difiere en (por defecto 3) o más desviaciones típicas de su media. Para estos
casos también presenta el valor observado, el valor pronosticado y el residuo sin
estandarizar. Incluye un cuadro de estadísticos de los residuos con la media y
desviación típica de los valores pronosticados y de los residuos, tipificados y no
tipificados, diferenciando entre los casos incluidos y los excluidos del análisis. La
identificación de casos atípicos es importante porque su presencia en la muestra
puede distorsionar los resultados de la regresión.

- la obtención de predicciones de Y para Todos los casos. Genera las

predicciones de Y y sus correspondientes residuos para todos los casos.

El resto de opciones hacen referencia al modelo de regresión lineal múltiple.

 Conclusión

Los experimentos unifactoriales por bloques nos ayudan a comprender

cómo variar las condiciones habituales de realización de un proceso
empírico para aumentar la probabilidad de detectar cambios significativos
en la respuesta; de esta forma se obtiene un mayor conocimiento del
comportamiento del proceso de interés

Bibliografía

https://www.ugr.es/~bioestad/guiaspss/practica7/Contenidos.pdf

http://www.ugr.es/~curspss/archivos/temario.html

http://ciencias.bogota.unal.edu.co/fileadmin/Facultad_de_Ciencias/Publicaciones/Imagenes/Port
adas_Libros/Estadistica/Diseno_de_Experimentos/DisenodeExperimentos.pdf

http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema4DE.pdf

http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema4DE.pdf

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/anova/supporting-topics/anova-models/what-are-randomized-block-designs-and-latin-
square-designs/

https://wpd.ugr.es/~bioestad/wp-content/uploads/BloquesCompletos.pdf

https://es.slideshare.net/veronicataipe904/diseo-cuadrado-latino

http://wpd.ugr.es/~bioestad/wp-content/uploads/Latinos.pdf