TEMA IV.

DISEÑOS POR BLOQUES

ALEATORIZADOS
 CONTENIDOS
1. Introducción.
2. Planteamiento del modelo y estimación de
parámetros.
3. Análisis de la varianza y contrastes de
hipótesis.
4. Comparaciones múltiples.
5. Comprobación de la adecuación del modelo.
6. Estimación de valores perdidos.
7. Diseño de efectos aleatorios y mixtos.
8. Potencia de los contrastes y determinación de
tamaños muestrales.

Diseño de Experimentos. Prof. Julia Amador 2

 1. Introducción
La utilización de bloques es un medio para reducir y controlar la varianza del error
experimental y lograr una mayor precisión.

En los diseños previos era necesario trabajar con unidades experimentales

homogéneas para reducir la varianza del error y detectar los efectos de los
tratamientos.
En algunos estudios se desea extraer conclusiones para unidades no homogéneas.
Solución: formación de bloques.

Ejemplo. Se quiere llevar a cabo un experimento para comparar varios métodos de

ejercicios aeróbicos para ver cómo afectan al nivel de estrés. Puesto que hay una
amplia variedad en los niveles de estrés en la población, sería difícil ver cualquier
diferencia entre los métodos salvo que los individuos que participan en el
experimento sean un grupo homogéneo en cuanto al nivel de estrés. Sin embargo,
al experimentador le gustaría sacar conclusiones de este estudio aplicables a toda
la población. La técnica de bloques puede usarse en este caso para lograr el
objetivo deseado.

Diseño de Experimentos. Prof. Julia Amador 3

 1. Introducción
En este capítulo nos centramos en:
Ej: nivel de estrés inicial
métodos ejercicios anaeróbicos

1. Estudio con un factor A con a niveles, y un factor de bloqueo B con b bloques

(los b bloques son los niveles del factor de bloqueo B).
2. Se tienen a tratamientos.
3. La asignación de los tratamientos a las unidades experimentales de cada
bloque se hace de forma aleatoria.
4. En este diseño hay dos tipos de efectos: el de los tratamientos (o del factor en
estudio) y el de los bloques.

•Si los a niveles del factor A y los b bloques se fijan previamente ⇒ modelo de
efectos fijos
•Si los a niveles de A y los b bloques son muestras aleatorias de las
correspondientes poblaciones de niveles ⇒ modelo de efectos aleatorios.
• Si los a niveles del factor A son fijos y los b bloques aleatorios o los niveles de A
son aleatorios y los b bloques fijos ⇒ modelo de efectos mixtos.

Diseño de Experimentos. Prof. Julia Amador 4

2. Planteamiento del modelo y estimación de
parámetros
Factor A con a niveles, factor de bloques B con b bloques.

a b
yij = µ + α i + β j + eij , i =1,..., a, j =1,..., b, ∑α =∑ β
i
=i 1 =j 1
j = 0.

Hipótesis:
a) E[eij ] = 0
b) V (eij ) = σ 2
c) Cov(eij ,i ' j ' ) = 0, i ≠ i ', j ≠ j ',
d) eij tiene distribución Normal.

µ efecto promedio global, αi efecto del tratamiento i-ésimo (o del nivel i-ésimo
del factor A), βj efecto del bloque j-ésimo. (Se supone que los efectos de
tratamientos y bloques son aditivos, e.d. no existe interacción)
El único contraste que se puede hacer es H0: µ1=µ2=...=µa

Diseño de Experimentos. Prof. Julia Amador 5

2. Planteamiento del modelo y estimación de
parámetros
Ejemplo IV.1. Para comprobar el desgaste de cuatro tipos de neumáticos (T1
a T4) se cogen tres coches (B1 a B3) colocando en orden aleatorio los cuatro
tipos de neumáticos en cada coche. Al cabo de 10000 Km se mide el
desgaste de los neumáticos con los siguientes resultados
Factor A: tipo neumático
Bloques: coches
Neumático Los bloques es como la unidad experimental
Coche T1 T2 T3 T4 Media
B1 18 23 22 33 24
9 19 21 27 En cada coche se le pone cada tipo
B2 19 de neumático
B3 15 12 20 21 17
Media 14 18 21 27 20
a) Escribe detalladamente el modelo asociado a este experimento,
identificando los distintos elementos del mismo.
Se elige diseño en bloques porque se piensa que el desgaste del neumático es muy distinto en función del coche

Diseño (unifactorial) de bloques (completos) aleatorizado de efectos fijos

Factor: tipo de neumático con 4 niveles fijos
Bloques: coches con 3 bloques

Modelo: yij = mu + alphai + betaj + eij i=1,2,3,4 j=1,2,3 {eij} v.a.i.i.d N(0,sigma)
yij = desgaste del neumático i-ésimo en el coche j-ésimo

Diseño de Experimentos. Prof. Julia Amador 6

 2. Estimación de parámetros
1 a b
µˆ .. estimador insesgado de μ , con y..
y= ∑ ∑
ab=i 1 =j 1
yij .

1 b
αˆ i =
yi . − y.. estimador insesgado de α i , con yi . =∑ yij .
b j =1
1 a
βj =
ˆ y. j − y.. estimador insesgado de β j , con y. j = ∑
a i =1
yij .

Valores ajustados: yˆij = µˆ + αˆ i + βˆ j = yi. + y. j − y.. .

Residuos: eˆij = yij − yˆij = yij − yi. − y. j + y.. . = alphai + betaj + eij

a b

∑∑ eˆ
=i 1 =j 1
2
ij

σˆ 2 = estimador insesgado de σ 2 .
(a − 1)(b − 1)

Diseño de Experimentos. Prof. Julia Amador 7

3. Análisis de la varianza y contrastes de hipótesis
Objetivo: Contrastar si los efectos del factor son o no significativos.
La variabilidad total puede descomponerse como sigue:
Es como un modelo bifactorial aditivo SCB: variabilidad explicada por los bloques
a b a b a b
=
SCT ∑∑ ( y
=i 1 =j 1
ij − y= 2
.. ) b∑ ( yi. − y.. ) + a ∑ ( y. j − y.. ) +∑∑ ( yij − yi. − y. j + y=
=i 1 alphai
2

=j 1
2
.. )
=i 1 =j 1
2

= SCA + SCB + SCE

Grados de libertad: gl (SCT)=ab-1, gl(SCA)=a-1, gl(SCB)=b-1, gl(SCE)=(a-1)(b-1).

gl (SCT)=gl(SCA)+gl(SCB)+gl(SCE)
Cuadrados medios: CMA=SCA/(a-1), CMB=SCB/(b-1), CME=SCE/ (a-1)(b-1).

Distribuciones:
SCA b
~χ a2−1 (λa ), λa = ∑ α
a 2
.
σ 2
σ 2 i =1 i
v.a. independienes
SCE
~χ (2a −1)(b −1) .
σ2
SCB no tiene una distribución

Diseño de Experimentos. Prof. Julia Amador 8

3. Análisis de la varianza y contrastes de hipótesis
b∑ i =1α i2
a

] σ 2 . E[CMA=
E[CME= ] σ2 + .
a −1
Contraste de interés:

H 0 : α1 = αa =
.... = 0 H1 : ∃ i tq α i ≠ 0.

Estadístico del contraste

CMA b
~Fa −1,( a −1)(b −1) (λa ), λa ∑ α
a
F = 2
. Bajo H 0 F ~Fa −1,( a −1)(b −1) .
CME σ 2 i =1 i

Rechazamos H 0 para valores grande de F . p −= valor P( Fa −1,( a −1)(b −1) > F )

Diseño de Experimentos. Prof. Julia Amador 9

3. Análisis de la varianza y contrastes de hipótesis
ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Factor A SCA a-1 CMA F=CMA/CME P(Fa-1,(a-1)(b-1)>F)
Factor B SCB b-1 CMB
Error SCE (a-1)(b-1) CME
Total SCT ab-1

Ejemplo IV.1.
b) Encuentra un intervalo de confianza, al 95%, para el desgaste medio de
un neumático de tipo II. IC(mu2.) = (2. +- t(a-1)(b-1), alpha/2 * error estandar)
Error estandar = raiz(CME/b)
c) ¿Existen diferencias significativas entre los tipos de neumáticos en cuanto
al desgaste de los mismos? (α=0.05) En SAS: proc glm data=datos;
class coche neumatico;
model desgaste=coche neumatico;
run;
ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Neumático 270 3 90 7,2972973 0,01993564
Coche 104 2 52
Error 74 6 12,3333333
Total 448 11

Diseño de Experimentos. Prof. Julia Amador 10

 4. Comparaciones múltiples

(Ver apartado 6 del tema II, contrastes múltiples: Bonferroni, Duncan,

Tukey,….)

Ejemplo IV.1.

d) Si la respuesta al apartado c) fue afirmativa, indica qué neumáticos son

diferentes.

5. Comprobación de la adecuación del modelo

Aplicar lo visto en el apartado 7 del tema II para los residuos

eˆij = yij − yˆij = yij − yi. − y. j + y..

Diseño de Experimentos. Prof. Julia Amador 11

 6. Estimación de valores perdidos
Si falta alguna observación en alguno de los bloques, existen 2 enfoques:
1. Análisis aproximado, estimando la observación faltante.
2. Análisis exacto como modelo de bloques “no balanceado”.

1. Si la observación faltante es la i0 del bloque j0, la estimamos como

ay 'i0 . + by '. j0 − y '.. b a
yˆi0 j= , y 'i0=. ∑ yij , y '. j= ∑ yij , y '= y.. − yi0 j0
(a − 1)(b − 1)=
0 0 ..
j 1 =i 1
j ≠ j0 i ≠ i0

La tabla ANOVA resultante es:

ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Factor A SCA a-1 CMA F=CMA/CME P(Fa-1,(a-1)(b-1)-1>F)
Factor B SCB b-1 CMB
Error SCE (a-1)(b-1)-1 CME
Total SCT ab-2

Diseño de Experimentos. Prof. Julia Amador 12

 6. Estimación de valores perdidos
Ejemplo IV.1. Supongamos que los datos obtenidos son los siguientes
Neumático
Coche T1 T2 T3 T4 Total
B1 18 23 22 33 96
B2 9 19 21 27 76
B3 12 20 21 53
Total 27 54 63 81 225

e) Estima el dato faltante y realiza el análisis de la varianza.

7
ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Neumático 382 3 127,333333 15,159 0,0061
Coche 162,666667 2 81,3333333
Error 42 5 8,4
Total 586,666667 10

Diseño de Experimentos. Prof. Julia Amador 13

 7. Diseño de efectos aleatorios y mixtos
yij = µ + α i + β j + eij , i =1,..., a, j =1,..., b,
Modelo de efectos aleatorios:
{α i } v.a. i.i.d. N (0, σ α ), {β j } v.a. i.i.d. N (0, σ β ),

{e } v.a.i.i.d.
ij N (0, σ ), {eij },{α i } y {βi } independientes.

E ( yij ) = µ , V ( yij ) = σ α2 + σ β2 + σ 2 ,
σ β2 , si i ≠ i ', j = j ',
 2
Cov( yij , yi=
' j' ) σ α , si =i i ', j ≠ j ',
0, si i ≠ i ', j ≠ j '.

Análisis de la varianza. SCT=SCA+SCB+SCE
Estimación de componentes
SCE σ 2 ~χ (2a −1)(b −1) ⇒ E[CME ] =
σ 2, de la varianza:
v.a.i.
SCA (σ 2 + bσ α2 ) ~χ a2−1 ⇒ E[CMA] =
σ 2 + bαα2 , CMA − CME
=σˆ 2 CME
= , σˆα2 ,
] σ 2 + aσ β2 .
E[CMB= b
CMB − CME
σˆ β2 = .
a

Diseño de Experimentos. Prof. Julia Amador 14

 7. Diseño de efectos aleatorios y mixtos
Modelo de efectos aleatorios:
Contraste de hipótesis.

H 0 : σ α2 0 H1 : σ α2 > 0
=
CMA
=FA ~ Fa −1,( a −1)(b −1) , p −=
valor P ( Fa −1,( a −1)(b −1) > FA ).
CME 0 A
H

ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Factor A SCA a-1 CMA F=CMA/CME P(Fa-1,(a-1)(b-1)>F)
Factor B SCB b-1 CMB
Error SCE (a-1)(b-1) CME
Total SCT ab-1

Diseño de Experimentos. Prof. Julia Amador 15

 7. Diseño de efectos aleatorios y mixtos
Modelo de efectos mixtos:
1. Los a niveles del factor A son fijos y los b bloques se seleccionan
aleatoriamente.
2. Los a niveles del factor A son aleatorios y los b bloques fijos.
1. Modelo
a
yij = µ + α i + β j + eij , i =1,..., a, j =1,..., b, ∑α
i =1
i = 0,

{β } v.a. i.i.d. N (0,σ

j β ), {e }
ij j 1,...,
= = n ;i 1,..., a
v.a.i.i.d. N (0, σ ), {eij } y {β j } independientes.

E ( yij ) =µ + α i =µi. , V ( yij ) =σ β2 + σ 2 ,

σ β2 , si i ≠ i ', j =
j ',
Cov( yij , yi ' j ' ) = 
0, si j ≠ j '.

Análisis de la varianza. SCT=SCA+SCB+SCE

Diseño de Experimentos. Prof. Julia Amador 16

 7. Diseño de efectos aleatorios y mixtos
Modelo de efectos mixtos:
SCE σ 2 ~χ (2a −1)(b −1) ⇒ E[CME ] =
σ 2,
variables
b∑ i =1α i2 b∑ i =1α i2
a a
aleatorias
independientes SCA σ ~χ a −1 (λA ) ⇒ E[CMA] =
2 2
σ +
2
, λA =
a −1 σ2
E[CMB=] σ 2 + aσ β2 .

Estimación de parámetros:

σ 2 + σ β2 σˆ 2 + σˆ β2
µˆ i.y= ,= σˆ 2
CME , V( yi. ) = , ˆ y )
V( i. ,
i. b b
CMB − CME 2σ 2 2σˆ 2
µˆ y=.. , σˆ 2
β = , V( yi. − yi '. ) , = V( yi. − yi '. )
ˆ ,
a b b
αˆ=i yi. − y.. , a a a a a
= Si ∑ ci 0,= V(∑ ci yi. ) σ ∑ ci , =
2 2
V(∑ ci yi. ) σˆ ∑ ci2 .
ˆ 2

=i =
1 i 1 ==
i 1 i 1 =i 1

Diseño de Experimentos. Prof. Julia Amador 17

 7. Diseño de efectos aleatorios y mixtos
Modelo de efectos mixtos:

Contraste de hipótesis.

H 0 A : α1 = αa =
... = 0 H1 A : ∃ i tq α i ≠ 0
CMA
=FA ~ Fa −1,( a −1)(b −1) , p −=
valor P ( Fa −1,( a −1)(b −1) > FA ).
CME 0 A
H

ANOVA
Fuente de Suma de Grados de Cuadrado
Estadístico F p-valor
variación cuadrados libertad medio
Factor A SCA a-1 CMA F=CMA/CME P(Fa-1,(a-1)(b-1)>F)
Factor B SCB b-1 CMB
Error SCE (a-1)(b-1) CME
Total SCT ab-1

Diseño de Experimentos. Prof. Julia Amador 18

 7. Diseño de efectos aleatorios y mixtos

Ejemplo IV.1.

f) ¿Cuáles serían las respuestas a los apartados a, c y d del ejemplo si los 3

coches se hubieran seleccionado aleatoriamente?

g) Estima las componentes de la varianza de este modelo.

Diseño de Experimentos. Prof. Julia Amador 19

8. Potencia de los contrastes y determinación
del número de bloques
1. Efectos mixtos (bloques seleccionados aleatoriamente):
¿b para detectar diferencias entre las medias de los tratamientos fijados 1 - β y α?

H 0 : α1 = αa =
.... = 0 H1 : ∃ i tq α i ≠ 0.

CMA b
λ λ ∑ α . 1 − β P( Fa −1,( a −1)(b −1) (λa ) > Fa −1,( a −1)(b −1);α )
a
F ~Fa −1,( a −1)(b −= ( ), = 2

CME
1) a a
σ2 i =1 i

σ2 lo estimamos de experiencias previas y si fijamos una diferencia máxima

entre las medias de los tratamientos D, entonces el mínimo valor de λa
vendría dado por bD2/2σ2.

Podemos programar (p.e. con SAS) para obtener los valores de 1- β

para valores de b=2,…. hasta obtener la potencia deseada

Diseño de Experimentos. Prof. Julia Amador 20

 8. Potencia de los contrastes y determinación
del número de bloques

2. Efectos aleatorios: H 0 : σ α2 = 0 H1 : σ α2 > 0

¿a o b para para obtener una potencia 1-β, fijado un error de tipo I α?

CMA (σ 2 + bσ α2 ) 1 σ α2
= −1) , 1 − β
~Fa −1,( a −1)(b= P ( Fa −1,( a −1)(b −1) > Fa −1,( a −1)(b −1);α= 2
Como F ), con r .
CME σ 2 1 + br 2 σ2

Ejemplo IV.1.

h) ¿Cuántos coches habría que seleccionar para detectar diferencias en los

desgastes de dos tipos de neumáticos de 5 con una probabilidad de 0.8, para
una significación de 0.05?

Diseño de Experimentos. Prof. Julia Amador 21