INSTITUTO TECNOLGICO DE CAMPECHE

INGENIERA INDUSTRIAL

UNIDAD III.- DISEO DE BLOQUES

INVESTIGACION CONCEPTUAL

JOSU DANIEL CASTILLO MOO

ESTADISTICA INFERENCIAL II
GRUPO. VI4

SAN FRANCISCO DE CAMPECHE A 21 DE ABRIL DEL 2015

UNIDAD III.- DISEO DE BLOQUES

INSTITUTO TECNOLOGICO DE CAMPECHE

Competencias especficas a desarrollar:

- Conocer y aplicar caractersticas particulares del diseo por bloques en
el diseo de experimentos de sistemas logsticos e industriales.
- Interpretar los resultados, comparar mtodos y seleccionar la mejor
opcin en la toma de decisiones.
- TEMAS DE INVESTIGACIN CONCEPTUAL -

Contenido
> Diseo de bloques completos aleatorizados..........................................................2
Diseo y anlisis estadstico..................................................................................2
Cundo es necesario hacer bloques?.................................................................2
> Pruebas sobre medias de tratamientos individuales..............................................3
Mtodo de la diferencia significativa mnima de Fisher.........................................3
Otros mtodos para pruebas sobre la diferencia d/medias d/2 tratamientos........5
> Anlisis de residuales y verificacin del modelo....................................................7
> Diseo de cuadrados latinos..................................................................................7
> Diseo de cuadrados greco-latinos........................................................................8

1|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

> Diseo de bloques completos aleatorizados

Con este diseo se quiere estudiar la influencia de un factor tratamiento (T )
con I niveles en una variable de inters en presencia de una variable extraa, el
factor bloque, B , que tiene J bloques.

Diseo y anlisis estadstico

La formulacin matemtica del modelo de diseo en bloques completamente
aleatorizados con un factor principal (factor tratamiento), T , con I niveles y un
factor secundario (factor bloque), B , con J niveles o bloques es la siguiente:
Para cada i = 1,...,I; j = 1,...,J,

siendo,
* Y ij el resultado del tratamiento i-simo, i = 1,2,...,I de T al bloque j-simo, j =
1,2,...,ni.
*

es la media de toda la poblacin. Mide el nivel medio de todos los resultados.

* i es el efecto del tratamiento i-simo de T , i = 1,2,...,I. Mide el efecto

incremental del tratamiento del nivel i de T sobre el efecto global. Se verifica que
I
i = 1 i = 0,
* j es el efecto del bloque j-simo, j = 1,2,...,J, mide el efecto incremental del
tratamiento del factor secundario (bloque) sobre el efecto global ( ). Se verifica
J
que
j=1
i = 0,
* ij es el error experimental o perturbacin, son variables aleatorias
independientes idnticamente distribuidas (i.i.d.) con distribucin N
.

Cundo es necesario hacer bloques?

El motivo de la denominacin de este modelo es la siguiente: se ha agrupan las
unidades experimentales en J bloques, en funcin de , aleatorizado la forma de
asignar los tratamientos dentro de cada bloque y es un diseo completo y
equilibrado porque cada tratamiento se utiliza exactamente una vez dentro de
cada bloque.
En este modelo, un bloque es un grupo de I unidades experimentales tan
parecidas como sea posible con respecto a la variable , asignndose
aleatoriamente cada tratamiento a una unidad dentro de cada bloque.
2|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

> Pruebas sobre medias de tratamientos individuales

Mtodo de la diferencia significativa mnima de Fisher

Una vez que se rechazo

H0

en el ANOVA, el problema es probar la igualdad de

todos los posibles pares de medias con la hiptesis:

En un ANOVA de un sentido se utiliza una prueba F para probar la hiptesis nula

de que todas las medias de tratamiento son iguales. Si sta es rechazada se
puede concluir que las medias de tratamiento no son todas iguales. Pero esta
prueba no indica cules son diferentes del resto. A veces un experimentador
considera dos tratamientos especficos,
i j

y j , y quiere estudiar la diferencia

. En este caso el mtodo de la diferencia significativa mnima de Fisher

(DSM) es adecuado y puede usarse para construir intervalos de confianza para

i j

o para probar la hiptesis nula que

i j=0

. Otras veces, un

experimentador tal vez desee determinar todos los pares de medias que se pueda
concluir que difieren de otro. En este caso se debe utilizar otro tipo de
procedimiento que se llama mtodo de comparaciones mltiples. Se analizarn
dos mtodos de comparaciones mltiples, el de Bonferroni y el de Tukey-Kramer.
El mtodo de la diferencia significativa mnima de Fisher
Se inicia mediante la decripcin del mtodo DSM de Fisher para construir
intervalos de confianza de Fisher. El intervalo de confianza para la diferencia
i j

se centra en la diferencia de las medias muestrales

X i X j . Determinar

qu tan ancho hacer el intervalo de confianza requiere calcular la desviacin

estndar de

X i X j

Sean

Ji

Jj

los tamaos de muestra en los niveles

3|Pgina

JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

i y

j , respectivamente. Debido al supuesto de que todas las observaciones

estn distribuidas normalmente con varianza

distribuido normalmente con media

i j

2 , por lo que

y varianza

2(

X i X j . Est

1 1
+ )
J i J j La varianza

se estima con MSE, para las razones que se explicaron previamente en el

anlisis de los intervalos de confianza para las medias de tratamiento. Ahora la

cantidad

tiene una distribucin t de Student con N - 1 grados de libertad. (El valor N - 1 es el

nmero de grados de libertad usado para calcular MSE; La cantidad
se llama diferencia significativa mnima. Esta ltima
constituye la base para los intervalos de confianza y las pruebas de hiptesis.

4|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

La razn de que la cantidad

se llame la diferencia

significativa mnima es que la hiptesis nula de las medias iguales se rechaz con
un nivel de

siempre que la diferencia en las medias muestrales

|X i X j|

supere este valor. Cuando el diseo es balanceado, con todos los tamaos
muestral iguales a J, la diferencia significativa mnima es igual a
para todos los pares de medias.

Otros mtodos para pruebas sobre la diferencia d/medias d/2

tratamientos

El mtodo de Bonferroni de comparaciones mltiples

El mtodo de Bonferroni, es un mtodo general, vlido siempre que
algunos

intervalos

de

confianza

pruebas

sean

considerados

5|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

simultneamente. La aplicacin del mtodo es simple. Sea C el nmero
de pares de las diferencias que van a compararse.
Por ejemplo, si hay I tratamientos, y todos los pares de diferencias que
van a compararse, entonces

C=I ( I 1)/2 . El mtodo de Bonferroni es

el mismo que el mtodo de DSM, excepto que se sustituye con

/C .

El mtodo de Tukey-Kramer de comparaciones mltiples

El mtodo de Tukey-Kramer est basado en la distribucin de rango
studentizado, en lugar de la distribucin t de Student. Dicha
distribucin tiene dos grados de libertad como valores, que para el

6|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

mtodo de Tukey-Kramer son
F utiliza

I 1

utiliza el cuantil
y

NI

NI

I y

NI .

(En comparacin, la prueba

grados de libertad.) El mtodo de Tukey-Kramer

1 de la distribucin de rango studentizado con

grados de libertad; esta cantidad se denota por

q I , N I ,

Los mecanismos del mtodo de Tukey-Kramer son los mismos que los del
mtodo de DSM, excepto que

se sustituye con
Algunas
se

veces
denomina

la

cantidad
diferencia

honestamente significativa (DHS), en contraparte con la diferencia

significativa mnima de Fisher.

7|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

>

Anlisis de residuales y verificacin del modelo

Anlisis Residual (Diferencia entre el valor observado y el estimado por el modelo)
A travs de los residuos, podemos aplicar ciertas pruebas para comprobar los
supuestos, tales como.

Normalidad (mediante Grficos de Pr.Normal y Kolmogorof, Shaphiro Wilks)

Igualdad de Varianzas (Diagrama de Dispersin de residuos contra los

promedios de tratamientos y prueba de homogeneidad de variancia de
Levene)

8|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

> Diseo de cuadrados latinos

Hemos estudiado en el apartado anterior que los diseos en bloques completos
aleatorizados utilizan un factor de control o variable de bloque con objeto de
eliminar su influencia en la variable respuesta y as reducir el error experimental.
Los diseos en cuadrados latinos utilizan dos variables de bloque para reducir el
error experimental.

Un inconveniente que presentan a veces los diseos es el de requerir excesivas

unidades experimentales para su realizacin. Un diseo en bloques completos con
un factor principal y dos factores de bloque, con K1, K2 y K3 niveles en cada uno
de los factores, requiere K1K2K3 unidades experimentales. En un experimento
puede haber diferentes causas, por ejemplo de ndole econmico, que no permitan
emplear demasiadas unidades experimentales, ante esta situacin se puede
recurrir a un tipo especial de diseos en bloques incompletos aleatorizados. La
idea bsica de estos diseos es la de fraccin es decir, seleccionar una parte del
diseo completo de forma que, bajo ciertas hiptesis generales, permita estimar
los efectos que interesan.

Uno de los diseos en bloques incompletos aleatorizados ms importante con dos

factores de control es el modelo en cuadrado latino, dicho modelo requiere el
mismo nmero de niveles para los tres factores.

En general, para K niveles en cada uno de los factores, el diseo completo en

bloques aleatorizados utiliza K bloques, aplicndose en cada bloque los K niveles
del factor principal, resultando un total de K unidades experimentales. Los
diseos en cuadrado latino reducen el nmero de unidades experimentales a K
utilizando los K bloques del experimento, pero aplicando slo un tratamiento en
cada bloque con una disposicin especial. De esta forma, si K fuese 4, el diseo
en bloques completos necesitara 4=64 observaciones, mientras que el diseo en
cuadrado latino slo necesitara 4=16 observaciones.

Los diseos en cuadrados latinos son apropiados cuando es necesario controlar

dos fuentes de variabilidad. En dichos diseos el nmero de niveles del factor
principal tiene que coincidir con el nmero de niveles de las dos variables de
bloque o factores secundarios y adems hay que suponer que no existe
interaccin entre ninguna pareja de factores.

9|Pgina
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

Recibe el nombre de cuadrado latino de orden K a una disposicin 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.

En resumen, podemos decir que un diseo en cuadrado latino tiene las siguientes
caractersticas:

Se controlan tres fuentes de variabilidad, un factor principal y dos factores de

bloque.
Cada uno de los factores tiene el mismo nmero de niveles, K .
Cada nivel del factor principal aparece una vez en cada fila y una vez en cada
columna.
No hay interaccin entre los factores.

> Diseo de cuadrados greco-latinos

El modelo en cuadrado greco-latino se puede considerar como una extensin del
cuadrado latino en el que se incluye una tercera variable de control o variable de
bloque. En este modelo, como en el diseo en cuadrado latino, todos los factores
deben tener el mismo nmero de niveles K y el nmero de observaciones
necesarias sigue siendo K2. Este diseo es, por tanto, una fraccin del diseo
completo en bloques aleatorizados con un factor principal y 3 factores secundarios
que requerira K4 observaciones. Los cuadrados greco-latinos se obtienen por
superposicin de dos cuadrados latinos del mismo orden y ortogonales entre s,
uno de los cuadrados con letras latinas el otro con letras griegas. Dos cuadrados
reciben el nombre de ortogonales si, al superponerlos, cada letra latina y griega
aparecen juntas una sola vez en el cuadrado resultante. En el Apndice C se
muestra una tabla de cuadrados latinos que dan lugar, por superposicin de dos
de ellos, a cuadrados greco-latinos. Notamos que no es posible formar cuadrados
greco-latinos de orden 6. La Tabla 5-8 ilustra un cuadrado greco-latino para K = 4
PLANTEAMIENTO DEL MODELO
En un diseo en cuadrado greco-latino la variable respuesta yij(hp) viene descrita
por la siguiente ecuacin

10 | P g i n a
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

Donde es un efecto constante, comn a todas las unidades.

i es el efecto producido por el i-simo nivel del factor fila. Dichos efectos estn
sujetos a la restriccin i i = 0.
j es el efecto producido por el j-simo nivel del factor columna. Dichos efectos
estn sujetos a la restriccin j j = 0.
h es el efecto producido por el h-simo nivel del factor letra latina. Dichos efectos
estn sujetos a la restriccin h h = 0.
p es el efecto producido por el p-simo nivel del factor letra griega. Dichos
efectos estn sujetos a la restriccin p p = 0.
ij(hp) son variables aleatorias independientes con distribucin N(0, ).
La notacin yij(hp) indica que los niveles i y j determinan los niveles h y p para un
cuadrado greco-latino especificado. Es decir, los subndices h y p toman valores
que dependen de la celdilla (i, j).
Se utiliza la siguiente notacin:
N = K2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones

11 | P g i n a
JOSUE DANIEL CASTILLO MOO

INSTITUTO TECNOLOGICO DE CAMPECHE

12 | P g i n a
JOSUE DANIEL CASTILLO MOO