Documente Academic
Documente Profesional
Documente Cultură
5 Semestre
Asignatura:
Estadstica Inferencial II
Profesor:
Mara Eugenia Reyes Prez
Unidad 5
Diseo Experimental con bloques al azar y diseos
factoriales.
Alumno:
Carlos Tobn Cruz
Contenido
1.
2.
3.
4.
5.
6.
CONCLUSION...................................................................................................................... 38
7.
BIBLIOGRAFIA..................................................................................................................... 39
Unidad 5
Donde
del
es
la
media
tratamiento
global de
los
tratamientos,
el cual es constante para
tratamiento,
es el efecto
todas
las
es el efecto del
bloque,
es el
trmino del error aleatorio, el cual se distribuye normal e independiente con media
0 y varianza
Estimacin de parmetros
Al aplicar el mtodo de mnimos cuadrados, se obtiene como estimadores de los
parmetros
Causa de Grados
variacin de
libertad
Suma de
cuadrado
Cuadrad
o
medio
Tratamien
t os
Bloques
Error
Total
Valor esperado
de
cuadrad
os
ya que si
es cierta
y as
decir que es un estimador intestado de
, lo
y como adems
cual
quiere
es tambin
un estimador de
entonces de tienen dos estimadores intestados de
por tanto su cociente deber ser un valor estadsticamente cercano a 1.
cero
Las variables aleatorias error
Donde:
valor absoluto. Si este valor excede
declarada como un outlier potencial.
para buscar causas asignables. La
debe evitarse.
y
es
el
mayor
residual
en
el valor crtico de tabla, la observacin es
Estas deben ser localizadas y examinadas
eliminacin arbitraria de valores extremos
Homogeneidad de varianza
es:
y para
.
rechaza
la
hiptesis
en vez de la distribucin
de
homogeneidad
de varianzas
si
. Los puntos de
porcentaje
de
han sido tabulados por Harter (1960) y pueden ser obtenidos en la
tabla C-7 de Martin.
Ejemplo
Los datos presentados son tomados de Graybill (1954) de ensayos de variedades
de trigo. Cuatro variedades de trigo crecieron en cada una de trece localidades del
estado de Oklahoma. Las respuestas en bushels por acre, son dadas en la tabla.
variedades
Lo
43.
60
40.
40
18.
08
19.
57
45.
20
25.
87
55.
20
55.
32
19.
79
46.
24
14.
88
7.5
2
41.
17
33.
29
24.
05
21.
76
14.
19
18.
61
29.
33
25.
60
38.
77
34.
19
21.
65
31.
52
15.
68
4.6
9
32.
59
24.
05
19.
47
16.
61
16.
69
17.
78
20.
19
23.
31
21.
15
18.
56
23.
31
22.
48
19.
79
20.
53
29.
25
20.
70
19.
41
23.
84
16.
08
18.
29
30.
08
27.
04
39.
95
25.
12
22.
45
29.
28
22.
56
22.
08
43.
95
26.
16
2
3
4
5
6
7
8
9
10
11
12
13
Por
consiguiente
Tomando
,
y el aproximado percentil cinco de
prueba la hiptesis nula de igualdad de varianzas es rechazada.
. Bajo esta
Donde
para todo
Donde
.
La tabla de ANOVA es dada por:
Causa de
variacin
Grados
de
libertad
Tratamient
os
t-1
Bloques
b-1
Residual
(t-1)(b-1)
Error
(t-1)(b1)-1
No
aditividad
TOTAL
Suma de
cuadrados
C.
M
SC
SC
S
C
SC
N-1
Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresin
Donde
es dado en la instruccin
Utilizando SAS
Data TRIGO;
Input LOC VAR Y;
Cards;
;
PROC GLM;
CLASS Bloque Ttos;
MODEL Y= Bloque Ttos;
OUTPUT OUT= VALIDA PREDICTED (o P)=PRE RESIDUAL (o R)= RES;
DATA NUEVO;
SET VALIDA;
Y2=
PRE*PRE; Z=
RES*Y2;
DROP PRE RES;/*excluye las variables PRE y RES*/
PROC MEANS DATA= NUEVO SUM;
VAR Z;
PROC ANOVA;
CLASS Bloque Ttos;
MODEL Y2=Bloque Ttos/SS1;
RUN;
SC
= 265419.94079804. Luego la suma de cuadrados de no
dado por
Causa de
variacin
Grados
de
libertad
Suma de
cuadrados
Cuadra
do
aditividad es
Valor p
medio
Tratamient
os
Bloques
1106.6
368.9
6.55
0.001
12
3118.2
259.8
4.62
0.000
Residual
36
2026.91
56.3
Error*
35
No
aditividad
SC
TOTAL
51
6251.6
Donde
La hiptesis a probar es
Ejercicio
Suponga la siguiente tabla de un BC
Tratamientos
Bloqu
es
1
A B
los residuales
contra
i = 1,. . ., a j = 1, . . ., b k = 1, . . ., n
Las hiptesis que se prueban
son: H01 :ij = 0 i, j
H02 :i + i. = 0 i
H03 : j + .j = 0 j
Tipo de Temperatura (F)
Material
1 130 155
15
70 125
34 40
74 180 80 75
20 70
82 58
g.l.
E(CM)
a
1
2 + b2
b
1
2 + a2b
AB (a 1)(b 1) 2 +
2ab Error
Total
0 2
ab 1
2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a
menos que no haya interaccin, y entonces el modelo es
yij = + i + j + ij
ESTE ES EL CASO DE BLOQUES AL AZAR.
El Diseo Factorial General. Balanceado
El diseo factorial de dos factores se puede generalizar atener p factores:
A con a niveles
B con b niveles
..............
En general, habr abc n observaciones si hay n repeticionesdel experimento
completo.
Debe haber por lo menos 2 repeticiones (n 2) para podercalcular 2 si todas las
posibles interacciones estn incluidas en el modelo.
Tres factores
El modelo para un factorial de tres factores en diseo completamente al azar:
yijkl = +i+j +k+()ij +()ik+()jk+()ijk+ijkl
i = 1,. . ., a; j = 1, . . ., b; k = 1, . . ., c; l = 1, . . ., n
Ejemplo:
Se desea obtener ms uniformidad en el llenado de botellas de refresco. La
mquina de llenado tericamente llena cada botella a la altura correcta, pero en la
prctica hay variacin, y
la embotelladora desea entender mejor las fuentes de esta variabilidad para
eventualmente reducirla.
El ingenio de procesos puede controlar tres factores durante el proceso de
llenado:
El % de carbonato (A), la presin del llenado (B) y las botellas llenadas por minuto
(velocidad de la lnea) (C).
40 52
20 30 21
2
30 52
20 40
11
Factor B
B1
B2
A1
2020
40
40
A2
5050
12
12
Factor A
Respuesta
60
B2
B1
50
40
30
20
B2
B1
10
A1
A2
Factor A
Respuesta
60
B1
50
40
B2
30
20
B1
10
B2
A1
Factor A
A2
50 12
20 40
2
El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es ms til conocer la
interaccin AB que el efecto principal. Una interaccin significativa oculta a
menudo el significado de los efectos principales.
Ventajas de los diseos factoriales
Las ventajas de los diseos factoriales pueden ilustrarse fcilmente. Supongamos
que se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se
representan mediante A1, A2, B1 y B1. La informacin acerca de ambos factores
puede obtenerse variando un factor a la vez como aparece en la tabla 3. El efecto
de variar el factor A est dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinacin de tratamientos y hacer una estimacin de los efectos de los factores
usando las respuestas promedio. Por lo tanto, se requiere un total de seis
observaciones.
Factor B
B1
B2
A1
A1
A1B1
B1
A1
A1B2
B2
A2
A2
A2B1
B1
12
Factor A
12
uno con dos niveles. Este diseo se conoce como diseo factorial 2 .
Arbitrariamente, los niveles del factor pueden llamarse bajo y alto.
Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el efecto
que tiene la concentracin de un reactivo y la presencia de un catalizador sobre el
tiempo de reaccin de un proceso qumico. Sea la concentracin del reactivo el
factor A con dos niveles de inters, 15% y 20%. El catalizador constituye el factor
B; el nivel alto o superior denota el uso de dos sacos de catalizador y el nivel bajo
o inferior denota el uso de un solo saco. El experimento se realiza (replica o
repite) tres veces, y los datos son como sigue:
Combinacin
Replica
de
II
III
Total
tratamientos
A
baja, B baja
2
8
3
6
2
5
3
2
2
7
3
2
80
A alta, B baja
100
A baja, B alta
1
8
3
1
A alta, B alta
1
9
3
0
2
3
2
9
60
90
2n
ab
ab a b (1)
2n
Cantidad de catalizador B
b = 60(18+19+23)
ab = 90(31+30+19)
(1) = 80(28+25+27)
a = 100(36+32+32)
Alto (2
sacos) +
bajo (1
saco) bajo (15%)
+
alt
o
(20
%)
Concentracion de reactivo A
Figura 1: Combinaciones de tratamiento en el diseo factoriall
ab a b
2n
ab b - a
(1) 2n
ab
(1)
ab (1) a
(b) 2n
2n
ab a
2n
b (1)
2n
Y A).
Esto es,
ab a b
(1) 2n
Y B+)
ab b
2n
a (1)
2n
ab b a
(1) 2n
AB
ab (1)
2n
a
b
2n
1
b
ab (1) a
2n
1
2(3)
90 100 60 80
8.33
2(3)
90 60 100 80
5.00
AB
1
2(3)
90 80 100 60
1.67
el
efecto
de
ContrasteA ab a b (1)
Este contraste suele llamarse efecto total de A. A partir de la segunda y tercera
ecuacin, puede apreciarse que tambin se utilizan contraste para estimar B y AB.
Adems, estos tres contrastes son ortogonales. La suma de cuadrados de
cualquiera de ellos puede calcularse usando la siguiente ecuacin:
aci
2
yi .
SSc
a
n
ci
ab a b (1)2
SSA
n * 4
ab b a (1)2
n * 4
SSB
SSAB
ab (1) a b2
n * 4
SSA
50
208.33
4(3)
30
75.00
SSB
4(3)
2
SSAB 10
8.33
4(3)
SS
T
1
i
j1
2
...
2 ij k Y
n 1Y
k
4n
SSE
2 2 3
i1j1k 1
2
Yijk
2
9398.00 9075.00 323.00
4(3)
SSE
SS T
S SS B SS AB
S
A
323.00 208.33
75.00
8.33 31.34
Efect
os
A:
(
1
)1
+
1
A
b
+
1
+
1
+
1
B:
AB:
Fuente
de
SS
variaci
A
208.3
3
G.
L.
1
MS
Fo
208.3
3
53.1
a
5
75.00
19.1
a
3
1
75.00
B
1
8.33
8.33
2.13
8
A
B
a
significativo al 1%
31.34
3.92
11
323.0
0
Combinaci
n De
Efecto
Factorial
Tratamient
I A B AB
os
(1)
+ - - +
+ + - + - + -
+ + + +
Observe que los coeficientes de los contrastes usados para estimar la interaccin
son iguales al producto de los coeficientes correspondientes a los dos efectos
principales. Los coeficientes de los contrastes siempre son +1 o 1 y se puede
usar una tabla de signos positivos y negativos como la mostrada en la de signos
algebraicos para determinar el signo apropiado de cada combinacin de
tratamientos. En el encabezado de las columnas de tabla y se encuentran los
efectos principales (A y B), la interaccin AB, e I, que representa el total el total o
el promedio de todo el experimento. Se observa que la columna encabezada por I
se compone de solo de signos positivos. Los renglones corresponden a las
combinaciones de tratamientos.
Para encontrar un contraste con el fin de estimar cualquier efecto, simplemente se
multiplican los signos de la columna apropiada de la tabla por la correspondiente
combinacin de tratamientos, y se suma. Por ejemplo, el contraste para estimar A
es (1) + a b + ab, lo cual concuerda con la ecuacin.
A
ab b a
(1)
1
2n
2n
ab a b (1)
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.
Supongamos que el nmero de niveles de cada uno de los factores es K. El
diseo en cuadrado latino utiliza K2bloques, cada uno de estos bloques
corresponde a una de las posibles combinaciones de niveles de los dos factores
de control. En cada bloque se aplica un solo tratamiento de manera que cada
tratamiento debe aparecer con cada uno de los niveles de los dos factores de
control.
Si consideramos una tabla de doble entrada donde las las y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y slo una en cada la y en cada columna.
Recibe el nombre de cuadrado latino de orden K a una disposicin en las y
columnas de K letras latinas, de tal forma que cada letra aparece una sola vez en
cada Fila y en cada columna.
A continuacin vamos a dar una forma simple de construccin de cuadrados
latinos.
Se parte de una primera Fila con las letras latinas ordenadas
alfabticamente Columna1
3
Fila 1
Columna 2
Columna
Columna k
B
Por ltimo, se asignan al azar las las, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las las, las columnas y las letras se
asignan, respectivamente, a los tipos de insecticidas, semillas y abonos, de tal
forma que el diseo resultante es
Table 5-1.
Semillas
Insecticidess1 s2 s3
s4 i1 a3 a4 a2 a1
i2 a2 a1 a3
a4 i3 a4 a3
a1 a2 i4 a1
a2 a4 a3
Por convenio, se suele situar el factor principal, en este caso el tipo de semilla, en
las
Celdillas. Reordenando el diseo anterior se obtiene la siguiente tabla:7.2 Diseos
en cuadrados latinos 5
Tabla 5-2.
Abonos
Insecticidas
a1 a2 a3
a4 i1
s4 s3 s1 s2
i2
s2 s1 s3 s4
i3
s3 s4 s2 s1
i4
s1 s2 s4 s3
En resumen, podemos decir que un diseo en cuadrado latino tiene las siguientes
caractersticas:
1o) Se controlan tres fuentes de variabilidad, un factor principal y dos factores de
bloque.
2o) Cada uno de los factores tiene el mismo nmero de niveles, K.
3o) Cada nivel del factor principal aparece una vez en cada la y una vez en cada
columna.
4o) No hay interaccin entre los factores.
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
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
Tabla 5-8.
Cuadrado grecolatino A B C D
D C B A
B A D C
C D A
B
Planteamiento del modelo
En un diseo en cuadrado greco-latino la variable respuesta yij(hp) viene
descrita por la siguiente ecuacin
yij(hp) = + i + j + h + p +
ij(hp) i = 1, 2 . . . , K
j = 1, 2 . . . , K
h = 1, 2 . . . , K
p = 1, 2 . . . , K
Donde
(8.1)
6. CONCLUSION
7. BIBLIOGRAFIA
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/IntroDE.pdf
https://es.scribd.com/doc/207470107/unidad-5-Diseno-experimental-con-bloques-al-azar-ydisenos-factoriales
http://www.web.facpya.uanl.mx/rev_in/Revistas/4.2/A5.pdf