DISEO DE EXPERIMENTOS I

ELEMENTOS DEL DISEO EXPERIMENTAL

Mara Paz Casanova 2017 semestre 1

Informacin

Clase 3 Libro
FM 203 Kuehl
Oficina 511
Telfono 412203177
Correo electrnico
macasanova@udec.cl
Programa
Class/Week Topic Reading Assignment

1/1 Definiciones 1 Kuehl Lectura captulo 1-2

2/1 DCA: Diseo 2 Kuehl Lectura captulo 2

3/2 Completamente
4/2 Aleatorizado
5/3 Control 1 1-2 Kuehl Lectura captulo 3
Modelo en Bloque Completamente
Aleatorizado
Diseo sin bloqueo:
Las unidades experimentales son
motores de auto, los tratamientos son
mi = m + ti
 Modelo en Bloque Completamente
Aleatorizado
Diseo sin bloqueo:
Las unidades experimentales son motores de auto (6).
Los tratamientos son aditivos: k=3.
La respuesta (Y) son las emisiones de CO2.
Se cuenta con r=2 rplicas por tratamiento.
Se asignan los tratamientos al azar a los motores.

1 2 3
T2
T1

4 5 6 T3
 Modelo en Bloque Completamente
Aleatorizado
Diseo en bloque:
Las u.e. son motores de auto (6) de dos marcas (B).
Los tratamientos son aditivos: k=3 (T).
La respuesta (Y) son las emisiones de CO2.
Se cuenta con r=1 rplicas por combinacin B x T.
Se asignan los tratamientos al azar dentro de cada
bloque, a las u.e.

B1 B2 B2
T2
T1

B1 B1 B2 T3
Modelo en Bloque Completamente
Aleatorizado
Beneficios:
Reducir el error, para considerar diferente tipo de
unidades (muchas veces las hay), y que las diferencias
entre las respuestas solamente se puedan explicar por
los tratamientos.
Modelo en Bloque Completamente
Aleatorizado
Ejemplos:
Bloque: camadas (tratamiento dieta)
Bloque: gradiente parcela / humedad terreno / sombra
(tratamiento riego, fertilizante, etc.)
Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente
Aleatorizado (dos factores aditivos)
Yij = m + ti + bj + eij
Supuestos: eij i.i.d. N(0, s2)
 Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente
Aleatorizado (dos factores aditivos)
Yij = m + ti + bj + eij
Supuestos: eij i.i.d. N(0, s2)
3500
3000
Rendimiento

Bloque 1
2500
Bloque 2
2000 Bloque 3
1500 Bloque 4
0 75 150 225 300
Nitrgeno
 Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente
Aleatorizado (dos factores aditivos)
Yij = m + ti + bj + eij; eij i.i.d. N(0, s2)
Del grfico surge usar polin. ortogonales.
Alternativamente, regresin.
Cuadro de Anlisis de la Varianza (SC tipo I)
F.V. SC gl CM F p-valor
Cuadro de Anlisis de la Varianza (SC tipo I)
Modelo. 4264983 3 1421661 42,16 <0,0001
F.V. SC gl CM F p-valor
Tratamiento 3906250 1 3906250 115,85 <0,0001
Modelo. 4291444 4 1072861 31,37 <0,0001
Tratamiento^2 356482,6 1 356482,6 10,57 0,005
Tratamiento 3906250 1 3906250 114,21 <0,0001
Tratamiento^3 2250 1 2250 0,07 0,7995
Tratamiento^2 356482,6 1 356482,6 10,42 0,0056
Error 539497,2 16 33718,58
Tratamiento^3 2250 1 2250 0,07 0,8011
Total 4804480 19
Tratamiento^4 26461,73 1 26461,73 0,77 0,3930
Error 513035,5 15 34202,37 Cuadro de Anlisis de la Varianza (SC tipo I)
Total 4804480 19 F.V. SC gl CM F p-valor
Modelo. 4262733 2 2131366 66,88 <0,0001
Tratamiento 3906250 1 3906250 122,58 <0,0001
Tratamiento^2 356482,6 1 356482,6 11,19 0,0038
Error 541747,2 17 31867,48
Total 4804480 19
Modelo en Bloque Completamente
Aleatorizado
Modelo A Un Factor con Rplicas
Yij = m + ti + eij; eij i.i.d. N(0, s2)
Del grfico surge usar polin. ortogonales.
Alternativamente, regresin.
R2 = 89%

Cuadro de Anlisis de la Varianza (SC tipo I)

Coef Est. E.E. T p-valor
const 1970,53 84 23,46 <0,0001
Tratamiento 8,42 1,33 6,35 <0,0001
Tratamiento^2 -0,01 4,20E-03 -3,34 0,0038
Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente
Aleatorizado (dos factores aditivos)
Yij = m + ti + bj + eij; eij i.i.d. N(0, s2)
R2 = 94% (gana 5% de explicatividad)

Cuadro de Anlisis de la Varianza (SC tipo III)

F.V. SC gl CM F p-valor
Modelo. 4494763 7 642109 24,88 <0,0001
Tratamiento 4291444 4 1072861 41,57 <0,0001
Bloque 203319 3 67773 2,63 0,0983
Error 309716,5 12 25809,71
Total 4804480 19
 Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente Aleatorizado
(dos factores aditivos)
Yij = m + ti + bj + eij; eij i.i.d. N(0, s2)
R2 = 94% (gana 5% de explicatividad)

Existe diferencia
Tratamiento Medias n E.E.
0
1972,75 4 80,33 A significativa entre
75 2498,50
4 80,33 B T0 y todos
150 2973,00
4 80,33 C T75 y todos
225 3093,50

4 80,33 C No hay diferencia
300 3237,75 4 80,33 C
significativa entre
Tratamiento elegido: T150 T150, T225, T300
 Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente Aleatorizado
(dos factores aditivos)
Yij = m + ti + bj + eij; eij i.i.d. N(0, s2)
R2 = 94% (gana 5% de explicatividad)

Coeficientes de los contrastes

C1: T0 = T75 ?
Tratamiento Ct.1 Ct.2 Ct.3 Ct.4
0 1 0 0 -3
75 -1 0 0 -3 C2: T150 = prom (T225,T300) ?
150 0 2 0 2
225 0 -1 1 2 C3: T225 = T300?
300 0 -1 -1 2
C4: prom (T0,T75)
= prom (T150,T225,T300) ?
 Modelo en Bloque Completamente
Aleatorizado
Modelo en Bloques Completamente Aleatorizado
(dos factores aditivos)
Yij = m + ti + bj + eij; eij i.i.d. N(0, s2)
R2 = 94% (gana 5% de explicatividad)

C1: T0 = T75 ? NO
ANOVA de los Contrastes
Tratamiento SC gl CM F p-valor
Contraste1 552826,1 1 552826,1 21,42 0,0006 C2:T150=prom (T225,T300)? SI
Contraste2 98945,04 1 98945,04 3,83 0,0739
Contraste3 41616,13 1 41616,13 1,61 0,2282 C3: T225 = T300? SI
Contraste4 3598057 1 3598057 139,41 <0,0001
Total 4291444 4 1072861 41,57 <0,0001 C4: prom (T0,T75)
= prom (T150,T225,T300) ? NO
 DBCA

Estimaciones M. Completo (MC)

eij = yij m ti bj

NOTACIN
Estimadores:
No ,
observables Parmetros:
i , j
V. Aleatoria: ij
Prediccin:
Observable V. Aleatoria: y ij
 DBCA

Estimaciones M. Completo (MC)

eij = yij mi
 DBCA

DESCOMPOSICIN DE LA VARIANZA
EN SUMAS DE CUADRADOS (M.Completo)

yij - m = ti + bj + eij

SCT = SCTr + SCB + SCE

 DBCA
DESCOMPOSICIN DE LA VARIANZA
EN SUMAS DE CUADRADOS (M.Completo)
De dnde viene?

yij - m = ti + bj + eij

SCT = SCTr + SCB + SCE

 DBCA
DESCOMPOSICIN DE LA VARIANZA
EN SUMAS DE CUADRADOS (M.Completo)
LA TABLA DE ANLISIS DE VARIANZA O TABLA
ANOVA
 DBCA
SUPUESTO DEL MODELO: Aditividad
Cmo se puede verificar?
Con rplicas (submuestras).
MODELO ADITIVO

MODELO NO ADITIVO
 Conclusin
Hemos estudiado el Modelo en Bloques Completamente Aleatorizado
Hemos entendido que este modelo permite reducir el error y controlar fuentes
de variacin distintas de los tratamientos
Hemos entendido que el objetivo de este modelo tambin es comparar las
medias de los tratamientos, no interesando comparar los bloques
Hemos aprendido cmo estimar en estos modelo
Hemos entendido que estos modelos tienen un supuesto: la aditividad
Hemos visto cul es el modelo que permite verificar el supuesto
Hemos entendido la estructura y utilidad de la Tabla ANOVA
Hemos entendido que este modelo puede presentarse con una sola rplica por
cada combinacin, o con ms de una rplica (submuestras)
Hemos entendido que las SC en la Tabla ANOVA se relacionan con
estadsticos F Fisher
TAREAS

LECTURA DEL CAPTULO 8