INSTITUTO TECNOLÓGICO SUPERIOR

DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021

Diseño de bloques completamente aleatorizados

Algunos experimentos diseñados pueden proveer información de manera efectiva cuando las
mediciones son difíciles o muy costosas de hacer o pueden minimizar el efecto de variabilidad no
deseada en la inferencia del tratamiento. Para mostrar estos diseños, se consideran dos factores de
tratamiento (A y B) y su interacción (A*B). Sin embargo, estos diseños no están restringidos a dos
factores. Si el diseño es balanceado, se puede utilizar el ANOVA balanceado para analizar los datos.
Si no es así, utilice GLM.

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.

El término” bloque” es usado más ampliamente para referirse a un grupo de UE quetienen un

conjunto de características que “provocan” un problema efectivo de respuesta, una vez que
han sido aplicados los tratamientos.
El DBCA busca básicamente determinar diferencias entre tratamientos, en donde cada uno de
éstos es aplicado a distintas UE’s en cada uno de los bloques; por tal razón el número de UE
por bloques es constante, por ejemplo t.
Por consiguiente, en los DBCA las UE a las que se aplican los tratamientos, son subdivididas
en grupos homogéneos llamados bloques, de tal manera que el número de unidades
experimentales dentro de un bloque es igual al número (o a un múltiplo del mismo) de
tratamientos en estudio. Una vez caracterizados los bloques se asignan los tratamientos en
forma aleatoria a las UE dentro de cada bloque. Es necesario hacer notar que, en este arreglo,
cada uno de los tratamientos aparece en todos los bloques, y cada bloque recibe todos los
tratamientos.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021
La flexibilidad es una de las ventajas del DBCA cuando no se hace restricción sobreel número
de tratamientos o sobre el número de aplicaciones (número de veces conque una UE recibe un
tratamiento) en el experimento. Además, algunas complicaciones que podrían surgir en el
transcurso de un experimento son fáciles de controlar cuando se utiliza este diseño.
Su desventaja es que no es adecuado cuando se tiene un número grande detratamientos, o para
el caso donde los bloques completos presentan una considerable variabilidad.

Ejemplo con bloques realizado en el programa Statgraphics.

Se realizó un experimento para estudiar el funcionamiento de cuatro diferentes detergentes
quita manchas. Las lecturas de “blancura” (valor mayor = más limpio) se obtuvieron usando
un aparato especial en tres diferentes tipos de manchas comunes.
¿Hay diferencia significativa entre los detergentes?

Mancha 1 Mancha 2 Mancha 3

Detergente 1 45 43 51
Detergente 2 47 46 52
Detergente 3 48 50 55
Detergente 4 42 37 49

Procedimiento
Después de abrir el programa ir a la opción DDE, procedimientosDOE heredados y crear un
diseño nuevo.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021
El diseño se realizará con un solo factor categórico en esta ocasión y 1 variable derespuesta.

El factor categórico será el detergente, por lo cual, colocamos nombres a las etiquetas sólo
como un ejemplo y en el número de niveles serán 4, ya que es la cantidad de detergentes a
analizar.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo
La variable de respuesta será la blancura, delunidad
con la 2021 de medida de luxes, utilizada para
medir iluminación, asignado sólo para este ejemplo.

Esta vez el experimento se realizará en bloques aleatorios, donde sólo nos otorga la opción
de 1 factor de bloqueo, el diseño no se replicará, será aleatorizado y de 3 bloques.

Se obtiene el diseño aleatorizado, hemos asignado nombres de marcas de detergentes para

ejemplificar mediante una suposición, asimismo se les asignó a los bloques 3 diferentes tipos de
manchas que se utilizan para este tipode pruebas, posteriormente se realiza la captura de datos.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo
Se procede a realizar el análisis del diseño en ladel 2021 “Blancura”
columna

Seleccionar las gráficas y tablas que vamos a analizar.

 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021

Análisis de tablas y graficas

Analizar Experimento - Blancura
Variable dependiente: Blancura (Luxes)
Factores:
Detergente
BLOQUE (MANCHAS)

Número de casos completos: 12

El StatAdvisor
Este procedimiento ejecuta un análisis de varianza de varios factores para Blancura. Realiza varias pruebas y gráficas para
determinar qué factores tienen un efecto estadísticamente significativo sobre Blancura. También evalúa la significancia de
las interacciones entre los factores, si es que hay suficientes datos. Las pruebas-F en la tabla ANOVA le permitirán
identificar los factores significativos. Para cada factor significativo, las Pruebas de Rangos Múltiples le dirán cuales medias
son significativamente diferentes de otras. La Gráfica de Medias y la Gráfica de Interacciones le ayudarán a interpretar los
efectos significativos. Las Gráficas de Residuos le ayudarán a juzgar si los datos han violado los supuestos subyacentes al
análisis de varianza.

Análisis de Varianza para Blancura - Suma de Cuadrados Tipo III

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
EFECTOS PRINCIPALES
A:Detergente 110.917 3 36.9722 11.78 0.0063
B:BLOQUE 135.167 2 67.5833 21.53 0.0018
RESIDUOS 18.8333 6 3.13889
TOTAL (CORREGIDO) 264.917 11
Todas las razones-F se basan en el cuadrado medio del error residual

El StatAdvisor
La tabla ANOVA descompone la variabilidad de Blancura en contribuciones debidas a varios factores. Puesto que se ha
escogido la suma de cuadrados Tipo III (por omisión), la contribución de cada factor se mide eliminando los efectos de los
demás factores. Los valores-P prueban la significancia estadística de cada uno de los factores. Puesto que 2 valores-P son
menores que 0.05, estos factores tienen un efecto estadísticamente significativo sobre Blancura con un 95.0% de nivel de
confianza.

El análisis de varianza anterior nos dice que el valor de P tanto para el detergente,
como para el bloque de manchas, son menores a 0.05, por lo tanto, la hipótesis nula
planteada, la cual nos decía que las medias en la medida de la blancura de cada
detergente y las manchas son iguales, se rechaza y se acepta la hipótesis nula, que
nos plantea que existen diferencias estadísticamente significativas en los
Detergentes y en las Manchas.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021
Tabla de Medias por Mínimos Cuadrados para Blancura con intervalos de confianza del 95.0%
Error Límite Límite
Nivel Casos Media Est. Inferior Superior
MEDIA GLOBAL 12 47.0833
Detergente
ACE 3 46.3333 1.02289 43.8304 48.8363
ARIEL 3 48.3333 1.02289 45.8304 50.8363
FOCA 3 51.0 1.02289 48.4971 53.5029
PERSIL 3 42.6667 1.02289 40.1637 45.1696
BLOQUE
ACEITE QUEMADO 4 51.75 0.885845 49.5824 53.9176
AGUACATE 4 45.5 0.885845 43.3324 47.6676
MOLE 4 44.0 0.885845 41.8324 46.1676
El StatAdvisor
Esta tabla muestra la media de Blancura para cada uno de los niveles de los factores. También muestra los errores estándar
de cada media, los cuales son una medida de la variabilidad en su muestreo. Las dos columnas de la extrema derecha
muestran intervalos de confianza del 95.0% para cada una de las medias. Pueden desplegarse estas medias e intervalos
seleccionado Gráfica de Medias de la lista de Opciones Gráficas.

En la tabla de medias obtenemos conclusiones detalladas sobre los detergentes y los tipos de
manchas examinados, en este ejercicio obtenemos que el dato de la media más grande en los
detergentes es el detergente “FOCA” (Detergente 3) conuna media de 51 luxes.
Mientras que, del lado de los tipos de manchas, la que resulta más difícil de borrar de acuerdo
a los datos capturados, es la de MOLE (Mancha 2) con media de 44.

Pruebas de Múltiple Rangos para Blancura por Detergente

Método: 95.0 porcentaje LSD
Detergente Casos Media LS Sigma LS Grupos Homogéneos
PERSIL 3 42.6667 1.02289 X
ACE 3 46.3333 1.02289 X
ARIEL 3 48.3333 1.02289 XX
FOCA 3 51.0 1.02289 X

Contraste Sig. Diferencia +/- Límites

ACE - ARIEL -2.0 3.53966
ACE - FOCA * -4.66667 3.53966
ACE - PERSIL * 3.66667 3.53966
ARIEL - FOCA -2.66667 3.53966
ARIEL - PERSIL * 5.66667 3.53966
FOCA - PERSIL * 8.33333 3.53966
* indica una diferencia significativa.

El StatAdvisor
Esta tabla aplica un procedimiento de comparación multiple para determinar cuáles medias son significativamente diferentes
de otras. La mitad inferior de la salida muestra las diferencias estimadas entre cada par de medias. El asterisco que se
encuentra al lado de los 4 pares indica que estos pares muestran diferencias estadísticamente significativas con un nivel del
95.0% de confianza. En la parte superior de la página, se han identificado 3 grupos homogéneos según la alineación de las
X's en columnas. No existen diferencias estadísticamente significativas entre aquellos niveles que compartan una misma
columna de X's. El método empleado actualmente para discriminar entre las medias es el procedimiento de diferencia
mínima significativa (LSD) de Fisher. Con este método hay un riesgo del 5.0% al decir que cada par de medias es
significativamente diferente, cuando la diferencia real es igual a 0.
 INSTITUTO TECNOLÓGICO SUPERIOR
DE XALAPA
INGENIERÍA INDUSTRIAL
Sabatino
Estadística Inferencial II
Hernández Piña Manuel Alberto
22 de mayo del 2021
En la prueba de rangos múltiples se analiza con mayor detalle las diferencias entre cada
detergente y determinar si son significativas o no, esto aporta en la decisión que se tome al
final por distintos factores, por ejemplo, entre el precio de uno y otro.El detergente “PERSIL”
(Detergente 4), presenta diferencias significativas con los 3detergentes restantes, un factor
clave para descartarlo si así se requiere, y la otra diferencia estadísticamente significativa la
encontramos entre los detergentes “ACE” (Detergente 1) y “FOCA” (Detergente 3).
 Gráficos

Dispersión por Código de Nivel

55

52

49
Blancura

46

Estos gráficos presentan la dispersión y

43
rangos de los resultados de todas las
40 pruebas realizadas y clasificadas por
37 cada detergente.
ACE ARIEL FOCA PERSIL
Detergente Observamos que entre el detergente
Medias y 95.0% de Fisher LSD
“ARIEL” y “FOCA” la diferencia es
55
mínima, para tomarse una decisión con
este par de detergentes se recomienda
52 recurrir a otros factores,como el precio.
Blancura

49

46

43

40
ACE ARIEL FOCA PERSIL
Detergente
 Conclusión

En base a los resultados, concluimos que, existen diferencias estadísticamente

significativas entre los niveles de detergentes y los tipos de manchas; que los datos de
la media del detergente “FOCA” son mayores al resto de detergentes y que presenta
una diferencia significativa con los detergentes “ACE” y “PERSIL”, mientras que con
el detergente “ARIEL” encuentra pequeñas diferencias que para quien tome la
decisión, pensaría en introducir más datos comparativos, como el precio.

También se puede concluir que, la mancha más difícil de limpiar ha sido “MANCHA
DE MOLE”, con una media de blancura menor a las otras dos manchas.

Bibliografía
upport.minitab. (01 de Enero de 2021). https://support.minitab.com/. Obtenido de
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/