Unidad 5 Diseo experimental con bloques al azar y diseos factoriales.

5.1 Metodologa del diseo experimental de bloques al azar. En muchos problemas de diseo experimental es necesario disear el experimento de modo que sea posible controlar la variabilidad generada por un factor indeseable. El procedimiento general para el diseo aleatorizado por bloques completos consiste en seleccionar b bloques y realizar una rplica completa del experimento en cada uno de ellos. En la tabla 4.1 aparecen los datos que se obtienen al aplicar un diseo aleatorizado por bloques completos para investigar un solo factor con a niveles y b bloques. En cada bloque existen a observaciones (una por cada nivel del factor), y el orden en que se toman estas observaciones se asigna de manera aleatoria dentro del bloque.

Suponga que tiene inters en un solo factor que tiene a niveles, y que el experimento se efecta en b bloques. Las observaciones pueden presentarse con el modelo estadstico lineal. Donde es la media global, i es el efecto del i-simo tratamiento, j es el efecto del j-simo bloque y ji es el trmino de error aleatorio, el cual se supone que tiene una distribucin normal e independiente con media cero y varianza. En principio, los efectos de los tratamientos y de bloques son considerados como factores fijos. Por otro lado, los efectos de los tratamientos y de los bloques son definidos como desviaciones de la media global.

5.2 Diseo de experimentos factoriales.

En cualquier experimento diseado, es siempre importante examinar los residuos y verificar si se violan las suposiciones bsicas (Normalidad,

Independencia, Aditivita e Igualdad de varianzas) que pueden invalidar los resultados.

Los valores de los residuos del diseo aleatorizado por bloques completos se obtienen, como es usual, por la diferencia entre los valores observados y los estimados

El anlisis de varianza del modelo supone que las observaciones estn distribuidas de manera normal e independiente, con la misma varianza para cada tratamiento o nivel del factor. Estas suposiciones deben verificarse mediante el anlisis de los residuos.

La suposicin de normalidad puede verificarse mediante la construccin de una grfica de probabilidad normal de los residuos. Para esto, los residuos se agrupan en una tabla de distribucin de frecuencias, se calcula la frecuencia relativa acumulada para cada valor y se grafican en una hoja de papel de probabilidad normal. Si la suposicin es vlida los puntos tendern a agruparse sobre una lnea recta que pasa por el punto medio.

5.3 Diseo factorial.

En ocasiones, cuando se utiliza un diseo aleatorizado por bloques completos, alguna de las observaciones en uno de los bloques puede faltar. Esto sucede debido algn descuido o error, o por razones fuera del control del experimentador, como sera el caso de la prdida de alguna unidad experimental. Una observacin faltante introduce un nuevo problema en el anlisis, ya que los tratamientos dejan de ser ortogonales a los bloques.

En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas generales de resolver el problema de los valores faltantes. La primera es un anlisis aproximado en el que se estima la observacin faltante. A continuacin se efecta el anlisis de varianza usual como si la observacin estimada fuera un dato real, disminuyendo los grados de libertad del error en uno. La segunda es un anlisis exacto usando la prueba de significancia de regresin general.

Suponga que falta la observacin correspondiente al tratamiento i y al bloque j. Esta observacin se representa mediante x el gran total con una observacin faltante se representar mediante y los totales del tratamiento y del bloque con un dato faltante como y , respectivamente. Supongamos, adems, que para estimar la observacin faltante se elige x, de manera que tenga una contribucin mnima a la suma de cuadrados del error. Como la suma de cuadrados del error est dada en donde R incluye todos los trminos que no contienen a x. Al derivar la SCE con respecto a x e igualar a cero se obtiene Como un estimador para la observacin faltante.

5.4 Diseo de cuadros latinos.

Un diseo cuadrado latino para p factores, o un cuadrado latino p x p, es un cuadrado que contiene p renglones y p columnas. Cada una de las p2 celdas contiene una de las p letras que corresponde a un tratamiento, y cada letra aparece una sola vez en cada rengln y columna. El diseo cuadrado latino se usa para eliminar dos fuentes de variabilidad problemticas; en otras palabras, permite analizar sistemticamente por bloques en dos direcciones. A continuacin se presentan algunos ejemplos de cuadrados latinos.

En donde: Kjiy= observacin correspondiente al i-simo rengln, la k-sima columna y el jsimo tratamiento = la media general I= es el i-simo efecto de rengln J= es el j-simo efecto de tratamiento K= es el k-simo efecto de la columna Kji= es el error aleatorio

El modelo es completamente aditivo, en otras palabras, no existe interaccin entre los renglones, las columnas y los tratamientos. Slo dos de los subndices i, j y k se requieren para especificar una observacin en particular porque nicamente hay una observacin en cada celda.

El anlisis de varianza consiste en descomponer la suma total de cuadrados de las observaciones en sus componentes de rengln, columna, tratamiento y error Cuyos grados de libertad.

Bajo la suposicin de que el error aleatorio se distribuye en forma normal e independiente, cada una de las sumas de cuadrados es al dividir entre, variables aleatorias independientes con distribucin ji-cuadrada.

5.5 Diseo de cuadros grecolatinos.

Consideremos un cuadrado latino p p al que se le sobrepone un segundo cuadrado latino cuyos tratamientos se designan por letras griegas. Se dice que los dos son ortogonales si al sobreponerse poseen la propiedad de que cada letra El griega diseo aparece cuadrado solamente greco-latino una vez con cada letra latina. controlar

puede

utilizarse

para

sistemticamente tres fuentes extraas de variabilidad. En otras palabras, se usa para hacer un anlisis por bloques en tres direcciones. El diseo permite analizar cuatro factores (rengln columna, letra griega y letra latina), cada uno con p niveles, usando solamente p2 ensayos. Los cuadrados grecolatinos existen para toda excepto para p = 6.

En

donde:

lkjiy la observacin que corresponde al rengln i, la columna k, la letra latina j y la letra griega k.

= La media general

i= Es el efecto del i-simo rengln

j= Es el j-simo efecto de tratamiento de las letras latinas

k= Es el k-simo efecto de tratamiento de las letras griegas

l= Es el efecto de la columna l lkji= Es la componente del error aleatorio

Slo

dos

de

los

cuatro

subndices

son

necesarios

para

identificar

completamente cualquier observacin.

El anlisis de varianza es muy similar al de un cuadrado latino. El factor representado por las letras griegas es ortogonal a los renglones, las columnas y los tratamientos de la letra latina porque cada letra griega ocurre una sola vez en cada rengln, en cada columna y para cada letra latina. Por lo tanto la suma de cuadrados debida al factor letra griega puede calcularse usando los totales de la letra griega. El error experimental se reduce en esta cantidad. Las hiptesis nulas de igualdad entre los renglones, entre las columnas, entre los tratamientos de la letra latina y entre los tratamientos de la letra griega pueden probarse dividiendo la media de cuadrados correspondiente entre la media de cuadrados del error.