DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR Un experimento puede involucrar uno o ms factores que aunque no son

de inters para el experimentador podra tener un efecto sobre la respuesta. Entre dicho tipo de factores encontramos los factores de bloqueo. Un diseo de bloques es apropiado cuando el objetivo del experimento es comparar los efectos de diferentes tratamientos promediados sobre un rango de condiciones diferentes. Las unidades experimentales son agrupadas en conjuntos de tal forma que dos unidades experimentales en el mismo grupo son similares y pueden ser medidas bajo condiciones experimentales similares, pero dos unidades experimentales en diferentes grupos probablemente ocasionarn mediciones muy diferentes an cuando sean asignadas al mismo tratamiento. Los grupos de unidades experimentales similares son llamados bloques, y las condiciones que varan de bloque a bloque forman los niveles del factor de bloqueo. El anlisis de un diseo de bloques incluye la comparacin de tratamientos aplicados a las unidades experimentales dentro del mismo bloque. As, el propsito de bloquear es prevenir que diferencias grandes en las unidades experimentales enmascaren las diferencias entre los niveles del factor de tratamiento, mientras que al mismo tiempo permita que los tratamientos sean examinados bajo diferentes condiciones experimentales. Los niveles de un factor de bloqueo pueden ser los valores de una covariable que ha sido medida antes del experimento y cuyos valores son usados para agrupar a las unidades experimentales. Muy a menudo sin embargo, los niveles de un factor de bloqueo son agrupamientos de caractersticas que no pueden ser medidas convenientemente. Por ej., Agrupar los rangos de tiempo en el mismo da dentro del mismo bloque, puede asegurar que las condiciones ambientales dentro de un bloque sean bastante similares sin necesidad de medirlas. Dado que los niveles del factor de bloqueo no necesariamente necesitan ser medidas, el diseo de bloques es muy popular. Los experimentadores agrcolas pueden saber que parcelas cercanas en un campo son similares, en tanto que las parcelas lejanas no lo son. Los experimentadores industriales pueden saber que dos unidades producidas por una misma mquina tienen caractersticas similares, mientras que aquellas producidas por dos mquinas distintas son algo diferentes. Los experimentadores clnicos pueden saber que las mediciones tomadas sobre el mismo sujeto sern similares, mientras que aquellas tomadas sobre sujetos distintos no lo sern. Por tanto los bloques pueden ser formados sin conocer los niveles precisos del factor de bloqueo. ASPECTOS DEL DISEO DE BLOQUES Tamao de los bloques: Aunque es posible que el nmero de unidades experimentales en cada bloque sea distinto, se examinar slo diseos de bloques con igual tamao de bloque. Representaremos el nmero de bloques por b; y en este curso consideraremos el caso de tamao de bloque igual al nmero de niveles a del factor de estudio. Es comn que en experimentos industriales haya una divisin automtica en bloques de acuerdo al intervalo de tiempo en un da como proteccin contra condiciones experimentales cambiantes. Un experimento piloto puede ser realizado para determinar la necesidad de bloquear. NOTA 1: Debe tenerse en cuenta que cuando se bloquea innecesariamente, las pruebas de hiptesis sern menos potentes y los intervalos de confianza sern ms anchos que los que se obtendran con un diseo completamente aleatorizado. 1

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR Una vez se haya determinado el nmero de bloques y se hayan agrupado a las unidades experimentales en tales grupos, a continuacin se asignan las unidades a los tratamientos. La peor asignacin posible de unidades a tratamientos es asignar todas las unidades de un bloque a un tratamiento, todas las unidades de otro bloque a otro tratamiento, y as sucesivamente. Esta asignacin no permite en el anlisis distinguir entre diferencias entre bloques y diferencias entre tratamientos. Los efectos de los tratamientos y los del factor de bloqueo quedan confundidos (confusin de efectos). La mejor asignacin posible es asignar a cada tratamiento el mismo nmero de unidades experimentales en cada bloque. Esto puede lograrse slo cuando el tamao del bloque k sea un mltiplo del nmero de niveles o tratamientos del factor, a. Este diseo es llamado diseo de bloques completos, y el caso especial en cual k=a, es el que se conoce usualmente como diseo de bloques completos aleatorizados, o simplemente diseo de bloques aleatorizados. Si el tamao de bloque no es mltiplo de a, entonces el diseo es conocido como un diseo de bloques incompletos. Este nombre es algunas veces reservado para el diseo en el cual k<a. Estos diseos son ms complicados para analizar que los diseos completos. EL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) Este diseo con a tratamientos y con N=ab unidades experimentales agrupadas en b bloques de k= a unidades de forma que las unidades dentro de un bloque son similares y unidades en bloques diferentes son sustancialmente distintas. Las k=a unidades experimentales en cada bloque son asignadas aleatoriamente a los a tratamientos o niveles del factor de inters de modo que cada tratamiento es asignado a una unidad por bloque. As, cada tratamiento aparece una vez en cada bloque y n=b veces en el diseo. Anlisis de diseos de bloques completos aleatorizados Una tabla de entrada de datos tpica de este modelo es como sigue: Bloques Tratamientos 1 1 2 i a Medias de bloques 1. 2 ... j ... b Medias de tratamientos

Y11 Y12 ... Y1j ... Y1b Y21 Y22 ... Y2j ... Yi1 Yi2 Yij ... Ya1 Ya2 ... Yaj ... Y2b ... Yib ... .... Yab

Y1 Y2 Yi
Ya

Y1 Y2 ... Y j ... Y b Media global Y

Modelo y ANOVA: El modelo estndar del diseo de bloques completos aleatorizados es: 2

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR

Yij = + i + j + ij , (1)

ij ~ N ( 0, 2 ) , i = 1, 2, , a j = 1, 2, , b ,
iid

i = j = 0
i =1 j =1

donde es la respuesta promedio global, i es el efecto del i-simo tratamiento o nivel del factor de inters, j es el efecto del j-simo bloque, ij es el error aleatorio asociado, y Yij es la variable aleatoria que representa la medicin en el bloque j del tratamiento i. Este modelo asume que no existe interaccin entre el factor de inters y el factor de bloqueo; en muchas situaciones esta presuncin ser razonable, sin embargo, si se sospecha que hay interaccin, el tamao del bloque deber ser incrementado para permitir estimar estos efectos. El ANOVA para el modelo en (1) es similar al que veremos en el caso de dos factores sin interaccin en un diseo completamente aleatorizado, sin embargo varias diferencias deben ser notadas: Las combinaciones de tratamientos de un modelo de dos factores en un diseo completamente aleatorizado son asignadas aleatoriamente a las unidades, en cambio en un diseo de bloques, aunque las observaciones son tomadas sobre todas las combinaciones de tratamientos y bloques, slo los niveles de tratamientos del factor son asignados aleatoriamente a las unidades experimentales (dentro de cada bloque). Los niveles del factor de bloque representan agrupamientos intencionales de las unidades experimentales. Esto ltimo desata una controversia sobre si es vlido o no realizar el test de igualdad de medias de los bloques. Por otra parte considerando al factor de bloqueo como un factor nuisance, no estamos interesados propiamente en sus medias porque en muchos casos es improbable que si repetimos el experimento podamos usar bloques idnticos. As que en vez de probar la igualdad de las medias de bloque, ms bien se compara la suma de cuadrados medios debida al factor de bloqueo con el MSE del modelo para determinar si bloquear fue o no benfico en el experimento.
ANOVA Fuente de Grados de Suma de Cuadrados variacin libertad cuadrados Medios Factor A MSA=SSA/(a-1) a-1 Bloques b-1 Error Total (a-1)(b-1) ab-1 SSB SSE SST SSA MSB=SSB/(b-1)

Valores esperados

F MSA/MSE

E [ MSA] = 2 + E [ MSB ] = 2 +
MSE=SSE/[(a-1)(b-1)] E [ MSE ] = 2

b i2
i =1 a

a 1 a i2
i =1

b 1

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR

Frmulas
2 2 2 SSA = (Yi Y ) = bYi abY SSB = (Y j Y ) = a Y2j abY 2 2 i =1 j =1 a b i =1 i =1 j =1 j =1 2 SST = (Yij Y ) = Yij2 abY , SSE = SST SSA SSB 2 i =1 j =1 b i =1 j =1 a b a b a a b b

Yi =

1 Yij Media muestral en el nivel i del factor de tratamientos b j =1

1 a Y j = Yij Media muestral en el bloque j del factor de bloqueo a i =1 1 a b Y = Yij Media muestral de todas las ab observaciones. ab i =1 j =1
La hiptesis de inters es: H 0 : 1 = 2 = = a = 0
H1 : algn i 0

o bien

H 0 : 1 = 2 =

= a

H1 : algn i j

(2)

En cualquier caso, el estadstico de prueba y su distribucin bajo H0, son:

F = MSA / MSE ~ f a 1,( a 1)( b1) y se rechaza para valores estadsticamente grandes.
NOTA 2: Si el MSB es considerablemente mayor que el MSE, esto sugiere que la creacin de bloques vali la pena en el sentido de que sirvi para reducir el tamao del error experimental. De lo contrario, si el MSB es menor que el MSE, entonces la creacin de bloques ha bajado la potencia de las pruebas de hiptesis y ha incrementado la longitud de los intervalos de confianza para los contrastes de tratamientos. NOTA 3: recuerde que no hay conclusin estadstica acerca de la igualdad de medias de bloques o de significancia de efectos de bloques; la comparacin meramente se hace como una forma de establecer la utilidad de haber creado bloques en el experimento, y proporciona informacin adicional para la planeacin futura de experimentos similares. NOTA 4: Si el MSB es menor que el MSE, no es vlido pretender que el experimento fue diseado como un diseo completamente aleatorizado y remover los efectos de bloques del modelo. La aleatorizacin no es la correcta para un diseo completamente aleatorizado.

H0

2.

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR Comparaciones mltiples: Se tiene que el estimador de mnimos cuadrados para + i + j es

+ i + j = Yi + Y j Y . Por tanto cualquier contraste de medias de tratamientos

c
i =1 i

con

c
i =1

= 0 , donde i es la media del i-simo nivel del factor de tratamientos, es estimable y su estimador
a a

a a 2 de mnimo cuadrados es ci i = ciYi , cuya varianza es V ciYi = ci2 / b . Todos los i =1 i =1 i =1 i =1 procedimientos de comparaciones mltiples de medias de tratamientos vistos previamente en el caso del diseo completamente aleatorizado, son vlidos para los contrastes de medias en el diseo de bloques completos aleatorizados. La frmula general para los intervalos de confianza simultneos del (1-)100%, para estas comparaciones, es:

c
i =1 i

a a ciYi MSE ci2 / b (3) i =1 i =1

donde toma los valores correspondientes a los coeficientes crticos para los mtodos de Tukey, LSD, respectivamente, para el nivel de significancia dado y con grados de libertad iguales a (a-1)(b-1). 3. Chequeo de supuestos del modelo: Como siempre, es necesario corroborar los supuestos acerca de los errores del modelo: Independencia, normalidad y varianza constante, adems, tambin es importante chequear la forma del modelo (carencia de ajuste). Los residuales del modelo son calculados como:

ij = Yij Yij = Yij Yi Y j + Y

Los supuestos sobre los errores son chequeados mediante grficos de residuales, como se resume a continuacin: Para chequear: Independencia Varianza igual y outliers Normalidad Graficar residuales contra: Orden de las observaciones (segn espacio o tiempo) Valores predichos, niveles del factor de tratamientos, niveles del factor de bloqueo Scores normales (tambin graficar por separado para cada tratamiento si n para cada uno es grande, y para cada bloque si k es grande)

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR EFECTIVIDAD EN LA CONSTRUCCIN DE BLOQUES EFICIENCIA RELATIVA (ER) Y LA PRECISIN DE UN EXPERIMENTO Yates (1935) introdujo la nocin de eficiencia relativa (ER) en el contexto de la estimacin de las comparaciones de tratamientos. Para dos diseos, D1, y D2 la eficiencia relativa de D1 a D2 es definida como

ER ( D1 a D2 ) =
Donde (Var Di) se refiere a V

eficiencia D1 1 / Var D1 = (9) eficiencia D2 1 / Var D2

i 1

c para el diseo D ( i = 1, 2 ). En nuestro caso D

i i

es un diseo de

bloques completos aleatorizados (DBCA) con a tratamientos y b bloques y D2 es un DCA con b replicaciones por cada tratamiento. La eficiencia relativa depende de la verdadera varianza para los dos diseos que de hecho son desconocidas. Lo mejor que se puede hacer es obtener un estimacin de la eficiencia relativa, que se denotar como EER. sin embargo, slo se tiene disponible los datos del diseo de bloques completos aleatorizados (DBCA). El procedimiento de Fisher estima la eficiencia del diseo 1 en relacin con el diseo 2 mediante

( f1 + 1)( f 2 + 3) s22 EER ( DBCA a DCA ) = ( f 2 + 1)( f1 + 3) s12

2 2

(10)

Donde s1 y s2 son los cuadrados medios del error (los MSE) de los diseos uno (bloques) y dos (DCA), respectivamente, y f1 y f 2 son los grados de libertad. Entonces, con slo los datos del DBCA:

2 2

f b MSB + ( f a + f e ) s12 fb + fa + fe

( b 1) MSB + b ( a 1) s ( ab 1)
con: fb = grados de libertad de los bloques fa = grados de libertad de los tratamientos fe = grados de libertad del error Otra manera de calcular la eficiencia relativa es:

2 1

(11)

DISEO DE BLOQUES COMPLETOS ALEATORIZADOS (DBCA) - MODELO DE UN FACTOR

ER = k + (1 k ) H b ( a 1) ab 1
yH =

k=

MSB s12

(12)

No existe una prueba legtima para Ho : 1 = 2 = ... = b = 0 al menos no en el contexto de la tabla de ANOVA; es decir H no es una prueba estadstica adecuada. Existe sin embargo una relacin monotnica entre H y ER que al menos da algn significado a H (Lentner, Arnold and Hinkelman,1989, en Kuehl (2001)). Si tomamos

( b 1) MSB + b ( a 1) s12 ER = ( ab 1) s12

Simplificando se obtiene a (12) y se puede mostrar que:

(12)

ER = 1 H = 1 ER < 1 H < 1 ER > 1 H > 1

Cmo interpretar los valores de E.R? Si ER = 1( 100% ) La cantidad de bloques ni ha ayudado ni perjudicado ER < 1( 100% ) La cantidad de bloques no ha sido til ER > 1( 100% ) La cantidad de bloques ha sido til Se requieren n = b ER replicaciones por tratamiento para un DCA para que sea tan efectivo como un DBC con b replicaciones. Por ejemplo: Si ER = 96% (0.96) no es til el DBCA, ya que 96 rplicas de DCA dan tanta informacin como 100 bloques o rplicas de un DBCA. Si ER = 1.55 (155%) es til el DBCA ya que el DCA para obtener la misma eficiencia que el DBCA necesitara 155 rplicas y el DBCA solo 100. Si ER = n/b = 1.55/1 , se requieren 1.55 ms rplicas por tratamientos en un DCA para obtener la misma eficiencia que un DBCA con b bloques. NOTA: La ER slo habla de la precisin de los estimados y no de la potencia (sensibilidad del experimento). Por sta razn se recomienda considerar un DBCA mejor que un DCA cuando E.R=125% o ms.

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE Un equipo de mejora investiga el efecto de cuatro mtodos de ensamble A, B, C, y D, sobre el tiempo de ensamble en minutos. En primera instancia la estrategia experimental fue aplicar cuatro veces los cuatro mtodos de ensamble en orden aleatorio en un diseo completamente aleatorizado. Sin embargo, los experimentadores se dan cuenta que hay cuatro operadores con distintas destrezas y consideran que esto puede afectar de manera significativa los tiempos de ensamble, y por ende la comparacin de los mtodos, entonces debe utilizarse un diseo de bloques completos aleatorizados para controlar activamente en el experimento a los operadores que realizarn el ensamble. Los datos recolectados en este diseo fueron los siguientes: Mtodo A B C D 1 6 7 10 10 2 9 10 16 13 Operador 3 7 11 11 11 4 8 8 14 9

Se desea determinar si existen diferencias entre los cuatro mtodos y cmo se diferencian, adems elegir el mejor mtodo, si lo hay.
Solucin En primera instancia se construyen los grficos boxplots de los tiempos vs. mtodos y tiempos vs. operadores, usando programa SAS que aparece en ANEXO 1.

Se observan diferencias en los tiempos promedios de ensamble entre los cuatro mtodos. A primera vista parece que los dos mejores mtodos son el A y B. Parece que con el mtodo C los tiempos alcanzados tienen mayor dispersin que en los otros dos casos. Por su parte, el operador 1 parece tener en promedio el menor tiempo de ensamble, en tanto que los operadores 3 y 4 en promedio y tienen aproximadamente los mismos tiempos. El operador 2 es ms lento y opera con una mayor variabilidad lo que nos dice que es menos consistente en sus acciones. El modelo estadstico es Yij = + i + j + ij i=1, 2, 3, 4 para denotar los mtodos A, B, C y D respectivamente, y j=1, 2, 3, 4 operadores. i representa el efecto sobre el tiempo promedio de ensamble 8

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE debido al mtodo i-esimo y j es el efecto del j-esimo operador sobre el tiempo promedio de ensamble. Restricciones y supuestos son

=
i =1 i j =1

= 0 , con los errores ij ~ N 0, 2

iid

Se construye la tabla ANOVA con ayuda del SAS, los resultados son los siguientes:
Dependent Variable: TIEMPO Source Model Error Corrected Total R-Square Coeff Var 0.833333 14.14214 Source OPERADOR METODO

ANOVA
Sum of DF Squares Mean Square 6 90.0000000 15.0000000 9 18.0000000 2.0000000 15 108.0000000 Root MSE TIEMPO Mean 1.414214 10.00000 DF Type I SS Mean Square 3 28.50000000 9.50000000 3 61.50000000 20.50000000 F Value 7.50 Pr > F 0.0042

F Value 4.75 10.25

Pr > F 0.0298 0.0029

El test de hiptesis H 0 : 1 = 2 = 3 = 4 = 0 es rechazado con un valor p de 0.0029 a un nivel de significancia de 0.05, es decir, los tiempos medios de ensamble no son iguales para todos los mtodos. Para evaluar la eficiencia del diseo tenemos que : ( 9 + 1)(12 + 3) 3 9.5 + 4 3 2 100% = 168% , ER = (12 + 1)( 9 + 3) ( 4 4 1) 2 es decir, 168 rplicas de un DCA seran necesarias para obtener tanta informacin como 100 bloques de un DBCA. Por tanto fue altamente eficiente el diseo aplicado. Comparemos ahora los tiempos medios de ensamble para los cuatro mtodos mediante el procedimiento de Tukey. SAS da la siguiente salida:
Tukey's Studentized Range (HSD) Test for TIEMPO
NOTE: This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ. Alpha 0.05 Error Degrees of Freedom 9 Error Mean Square 2 Critical Value of Studentized Range 4.41490 Minimum Significant Difference 3.1218 Means with the same letter are not significantly different.

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

Grouping
B B A A C C 12.750 10.750 9.000 7.500

Mean

4 4 4 4

METODO
C D B A

Como vemos Tukey define tres grupos de medias que se traslapan: grupo A: mtodos C y D, grupo B: mtodos D y B y grupo C: mtodos A y B. Hay un problema de potencia del procedimiento debido a la gran dispersin en los datos en algunos operarios y mtodos como veremos. Validemos los supuestos de normalidad y de varianza constante mediante grficos de residuales:

La normalidad parece un supuesto razonable para los errores en este experimento. Sin embargo, hay problemas con el supuesto de varianza constante. Con los mtodos B y C la dispersin de los residuales es mayor comparativamente a la dispersin en los mtodos A y D. Con el mtodo A hay menos dispersin. A nivel del operador 3 las dispersin de los residuales es mayor aparentemente debido a una observacin que es subestimada. A pesar de estos inconvenientes es posible llegar a una conclusin: Elegir como mejor mtodo el A, dado que tiene menor tiempo promedio observado y menor dispersin (esto ltimo indica que los operadores con este mtodo son ms consistentes) g. Adicionalmente, se estimaron los efectos de cada mtodo de ensamble, y sus intervalos de confianza (cuyos niveles de confianza pueden ser un poco diferentes a los esperados dados los problemas de varianza). Se deja al lector la interpretacin de estos resultados.

10

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

Parameter EFECTO METODO EFECTO METODO EFECTO METODO EFECTO METODO Parameter EFECTO METODO EFECTO METODO EFECTO METODO EFECTO METODO Estimate -2.50000000 -1.00000000 2.75000000 0.75000000 Standard Error 0.61237244 0.61237244 0.61237244 0.61237244 t Value -4.08 -1.63 4.49 1.22 Pr > |t| 0.0027 0.1369 0.0015 0.2518

A B C D

A B C D

95% Confidence Limits -3.88528269 -1.11471731 -2.38528269 0.38528269 1.36471731 4.13528269 -0.63528269 2.13528269

ANEXO : PROGRAMA SAS PARA COMPARACIN DE LOS MTODOS DE ENSAMBLE

options nodate nocenter nonumber; goptions colors=(black,black,black) cback=white ftext=simplex ftitle=simplex htitle=1.0 htext=0.9; DATA ENSAMBLE; DO OPERADOR=1 TO 4; DO METODO="A", "B", "C", "D"; INPUT TIEMPO @; OUTPUT; END; END; CARDS; 6 7 10 10 9 10 16 13 7 11 11 11 8 8 14 9 ; RUN; PROC SORT DATA=ENSAMBLE; BY METODO; RUN; TITLE1'BOXPLOTS TIEMPO ENSAMBLE'; TITLE2'COMPARACION POR METODOS'; PROC BOXPLOT DATA=ENSAMBLE; PLOT TIEMPO*METODO/BOXCONNECT=MEAN CCONNECT=RED CBOXES=BLACK CBOXFILL=YELLOW CFRAME=CXF7E1C2; RUN; QUIT; PROC SORT DATA=ENSAMBLE; BY OPERADOR; RUN; TITLE1'BOXPLOTS TIEMPO ENSAMBLE'; TITLE2'COMPARACION POR OPERADOR';

11

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

PROC BOXPLOT DATA=ENSAMBLE; PLOT TIEMPO*OPERADOR/BOXCONNECT=MEAN CCONNECT=RED CBOXES=BLACK CBOXFILL=YELLOW CFRAME=CXF7E1C2; RUN; QUIT; PROC GLM DATA=ENSAMBLE; CLASS OPERADOR METODO; MODEL TIEMPO=OPERADOR METODO/SS1 CLPARM; MEANS METODO/TUKEY; ESTIMATE 'EFECTO METODO A' METODO 3 -1 -1 -1/DIVISOR=4; ESTIMATE 'EFECTO METODO B' METODO -1 3 -1 -1/DIVISOR=4; ESTIMATE 'EFECTO METODO C' METODO -1 -1 3 -1/DIVISOR=4; ESTIMATE 'EFECTO METODO D' METODO -1 -1 -1 3/DIVISOR=4; OUTPUT OUT=SAL R=RES P=PRED; RUN; QUIT; /*ESTANDARIZACIN DE RESIDUALES*/ PROC STANDARD DATA=SAL OUT=SAL2 STD=1 MEAN=0; VAR RES; RUN; TITLE1'GRAFICO PARA NORMALIDAD DE LOS ERRORES (RESIDUOS ESTANDARIZADOS)'; TITLE2'TIEMPOS DE ENSAMBLE'; PROC UNIVARIATE DATA=SAL2 NORMALTEST NOPRINT; VAR RES; PROBPLOT RES/NORMAL; INSET NORMALTEST PROBN; RUN; TITLE1'GRAFICOS DE RESIDUALES ESTANDARIZADOS- EXPERIMENTO DE LOS ENSAMBLES'; TITLE2'TIEMPOS DE ENSAMBLE - METODO'; PROC GPLOT DATA=SAL2; PLOT RES*METODO/VREF=0 LVREF=2; SYMBOL1 I=NONE V=DOT H=0.8 C=BLACK; RUN; QUIT; TITLE1'GRAFICOS DE RESIDUALES ESTANDARIZADOS- EXPERIMENTO DE LOS ENSAMBLES'; TITLE2'TIEMPOS DE ENSAMBLE - OPERADOR'; PROC GPLOT DATA=SAL2; PLOT RES*OPERADOR/VREF=0 LVREF=2; SYMBOL1 I=NONE V=DOT H=0.8 C=BLACK; RUN; QUIT;

12

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE ANEXO: PROGRAMA R PARA COMPARACIN DE LOS MTODOS DE ENSAMBLE
CREANDO LA VARIABLE RESPUESTA tiempo<-scan() 6 7 10 10 9 10 16 13 7 11 11 11 8 8 14 9

CREANDO EL FACTOR DE BLOQUES OPERADOR, CON n=4 NIVELES. k=4 INDICA QUE CADA NIVEL DEBE SER REPLICADO a=4, COMO APARECE EN LA TABLA EN PAGINA 8 DE ESTAS NOTAS, PARA QUE POR RENGLN APAREZCA UN SLO BLOQUE. length=16 ES EL TOTAL DE OBSERVACIONES ab operador<-gl(n=4,k=4,length=16) operador [1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 Levels: 1 2 3 4 CREANDO EL FACTOR DE TRATAMIENTOS METODO Y SUS n=4 NIVELES, k=1 PARA QUE POR BLOQUE, COMO EN LA TABLA EN PG 8, APAREZCA CADA NIVEL UNA VEZ metodo<-gl(n=4,k=1,length=16,labels=c("A","B","C","D")) metodo [1] A B C D A B C D A B C D A B C D Levels: A B C D CREANDO LA TABLA DE DATOS, COMO APARECE EN LA PG. 8. OBSERVE QUE SE INDICA:

ensamble<-xtabs(tiempo~operador+metodo) ensamble metodo operador A B 1 6 7 2 9 10 3 7 11 4 8 8

C D 10 10 16 13 11 11 14 9

OBTENIENDO BOXPLOTS SEGN BLOQUES Y SEGN FACTOR nf<-layout(c(1,1,2,2)) plot(tiempo~operador+metodo)

13

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

tiempo

10

12

14

16

2 operador

tiempo

10

12

14

16

B metodo

OBTENIENDO GRFICO DE MEDIAS DEL DISEO plot.design(tiempo~operador+metodo)

12

11

mean of tiempo

10

3 4

1 8

A operador Factors metodo

14

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

AJUSTANDO EL MODELO ANOVA Y OBTENCIN DE LA TABLA ANOVA diseno<-aov(tiempo~operador+metodo) anova(diseno) Analysis of Variance Table Response: tiempo Df Sum Sq Mean Sq F value Pr(>F) operador 3 28.5 9.5 4.75 0.029846 * metodo 3 61.5 20.5 10.25 0.002919 ** Residuals 9 18.0 2.0 --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 OBTENIENDO EFECTOS ESTIMADOS DEL FACTOR DE TRATAMIENTOS model.tables(diseno,type="effects",se=FALSE,"metodo") Tables of effects metodo metodo A B -2.50 -1.00

C 2.75

D 0.75

CLCULO DE ERROR ESTNDAR EFECTO MTODO A se.contrast(diseno,list(metodo=="A",metodo=="B",metodo=="C",metodo=="D"),coef=c(3/4,-1/4,1/4,-1/4)) [1] 0.6123724 CLCULO DE ERROR ESTNDAR EFECTO MTODO B se.contrast(diseno,list(metodo=="A",metodo=="B",metodo=="C",metodo=="D"),coef=c(-1/4,3/4,1/4,-1/4)) [1] 0.6123724 CLCULO DE ERROR ESTNDAR EFECTO MTODO C se.contrast(diseno,list(metodo=="A",metodo=="B",metodo=="C",metodo=="D"),coef=c(-1/4,1/4,3/4,-1/4)) [1] 0.6123724 CLCULO DE ERROR ESTNDAR EFECTO MTODO D se.contrast(diseno,list(metodo=="A",metodo=="B",metodo=="C",metodo=="D"),coef=c(-1/4,-1/4,1/4,3/4)) [1] 0.6123724

15

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

OBTENIENDO LAS MEDIAS, USANDO LOS RESULTADOS DEL AJUSTE DEL MODELO ANOVA model.tables(diseno,type="means",se=FALSE) Tables of means Grand mean 10 operador operador 8.25 12.00 10.00 9.75

metodo metodo A B C D 7.50 9.00 12.75 10.75

INTERVALOS DE TUKEY PARA LAS DIFERENCIAS DE MEDIAS DEL FACTOR DE TRATAMIENTOS TukeyHSD(diseno,"metodo",conf.level=0.95) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = tiempo ~ operador + metodo) $metodo diff lwr upr p adj B-A 1.50 -1.6217987 4.621799 0.4758801 C-A 5.25 2.1282013 8.371799 0.0024211 D-A 3.25 0.1282013 6.371799 0.0412298 C-B 3.75 0.6282013 6.871799 0.0195634 D-B 1.75 -1.3717987 4.871799 0.3548246 D-C -2.00 -5.1217987 1.121799 0.2566550

GRFICOS DE INTERVALOS DE TUKEY plot(TukeyHSD(diseno,"metodo",conf.level=0.95))

16

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

95% family-wise confidence level
B-A D-C D-B C-B D-A C-A

-4

-2

Differences in mean levels of metodo

RANGO CRTICO ESTUDENTIZADO USADO qtukey(0.95,4,9) [1] 4.41489 OBTENIENDO RESIDUALES ESTANDARIZADOS Y SUS GRFICOS library(MASS) residuos.estand<-stdres(diseno) ajustados<-fitted(diseno) plot(ajustados,residuos.estand,main="Residuales estandarizados vs. valores ajustados") abline(h=0,lty=2) stripchart(residuos.estand~metodo,main="Residuales estandarizados vs. mtodo",vertical=T,xlab="Mtodo") abline(h=0,lty=2) stripchart(residuos.estand~operador,main="Residuales estandarizados vs. operador",vertical=T,xlab="Operador") abline(h=0,lty=2) qqnorm(residuos.estand,pch=19) qqline(residuos.estand,lty=2,col=2)

17

EJEMPLO DE UN DBCA: COMPARACIN DE CUATRO MTODOS DE ENSAMBLE

Residuales estandarizados vs. valores ajustados
2.0 2.0

Residuales estandarizados vs. mtodo

1.5

1.0

0.5

residuos.estand

residuos.estand 6 8 10 ajustados 12 14

0.0

-0.5

-1.0

-1.5

-1.5 A

-1.0

-0.5

0.0

0.5

1.0

1.5

B Mtodo

Residuales estandarizados vs. operador

2.0 2.0

Normal Q-Q Plot

1.5

1.0

Sample Quantiles 1 2 Operador 3 4

0.5

residuos.estand

0.0

-0.5

-1.0

-1.5

-1.5 -2

-1.0

-0.5

0.0

0.5

1.0

1.5

-1

0 Theoretical Quantiles

OBTENIENDO TEST DE NORMALIDAD SOBRE RESIDUALES ESTANDARIZADOS shapiro.test(residuos.estand) Shapiro-Wilk normality test data: residuos.estand W = 0.973, p-value = 0.8844

18