Diseño Completamente al Azar

Dra. Katia García Alfaro

Maestría en Estadística - UNSAAC

27 - 05 - 2017

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 1 / 14

Introducción

Es un diseño en el cual los tratamientos son designados

completamente al azar a las unidades experimentales y viceversa.
Este diseño no impone restricciones tales como el bloqueo en las
distribuciones de los tratamientos a las unidades experimentales.
Debido a su simplicidad es usado ampliamente, pero el investigador
debe ser cuidadoso y usarlo solo en los casos que solo se dispone de
unidades homogéneas de lo contrario no es posible hacer uso del
diseño completamente al azar. Pero utilizando algún bloqueo para
incrementar la eficiencia del diseño sería posible resolver problemas
en los cuales no se disponga de unidades experimentales
homogéneas.

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 2 / 14

Modelo Estadístico

El modelo adecuado para los datos de un criterio de clasificación o

Diseño completamente aleatorio es el siguiente:

Yij = µ + τi + εij ; i = 1, 2, ..., t , j = 1, 2, ..., r (1)

Donde, µ es la media general; P

τi es el efecto del i-ésimo tratamiento sujeto a τi = 0
εij es el efecto del error, son variables aleatorias independientes con
distribución normal que tiene media cero y varianza común σ 2 .

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 3 / 14

Análisis del Modelo del Diseño Completo al Azar

Arreglo Tabular
Este diseño es conveniente cuando la variabilidad está uniformemente
distribuida en las unidades experimentales, hecho que es la base para
poder hallar validamente una varianza común para todas las muestras
de los tratamientos en estudio.
El análisis del diseño experimental se inicia con el arreglo tabular de
los resultados.

A1 A2 ··· At
Y11 Y21 ··· Yt1
.. .. .. ..
. . . .
Y1r Y2r · · · Ytr
Y1 . Y2 . · · · Yt .
Pr
Y .. = ti=1 rj=1 Yij
P P
Yi . = j=1 Yij ;

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 4 / 14

Análisis del Modelo del Diseño Completo al Azar
Estimadores del modelo por mínimos cuadrados
Sea
t X
X r
ϕ = (εij )2
i=1 j=1

Se debe encontrar
t X
X r
m«ın ϕ = m«ın (Yij − µ − τi )2
µ, τ i µ, τ i
i=1 j=1

Esto significa que debemos hallar la solución de las ecuaciones

formadas por las derivadas parciales con respecto a cada uno de los
componentes del modelo e igualar a cero:

∂ϕ ∂ϕ
= 0; = 0; , para cada i fijado; i = 1, · · · , t;
∂µ ∂ τi
(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 5 / 14
Análisis del Modelo del Diseño Completo al Azar

Estimadores del modelo por mínimos cuadrados

Así:
r
t X
∂ϕ X
= −2 (Yij − µ − τi ) = 0
∂µ
i=1 j=1

µ̂ = Ȳ ..

Para cada i fijado

r r
∂ϕ X X
= −2 (Yij − µ − τi ) = 0 ⇒ Yij − r Ȳ .. − r τi = 0
∂ τi
j=1 j=1

τ̂i = Ȳi . − Ȳ ..

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 6 / 14

Análisis del Modelo del Diseño Completo al Azar
Para contrastar la hipótesis nula de que las medias de los tratamientos
son todas iguales usamos el análisis de varianza (proceso mediante el
cual la variación total se distribuye en componentes atribuibles a
diferentes fuentes), en este caso se distribuye esta variabilidad entre
tratamientos y dentro de tratamientos.
Analisis de Varianza
Es una técnica estadística que sirve para analizar la variación total de
los resultados experimentales de un diseño en particular,
descomponiéndolo en fuentes de variación independientes atribuibles
a cada uno de los efectos en que constituye el diseño experimental.
Es la descomposición de la variación total en varias fuentes de
variabilidad especificadas en el modelo aditivo lineal, expresadas por
una suma de las fuentes de variación.

Varianza total = Inter − varianza + Intra − varianza.

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 7 / 14

Análisis del Modelo del Diseño Completo al Azar

Analisis de Varianza
En términos de suma de cuadrados se tiene:
t X
X r t
X t X
X r
2 2
(Yij − Ȳ ..) = (Ȳi . − Ȳ ..) + (Yij − Ȳi .)2
i=1 j=1 i=1 i=1 j=1
SC Total = SC Tratamiento + SC Error

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 8 / 14

Análisis del Modelo del Diseño Completo al Azar
Analisis de Varianza
El análisis de varianza se resume en la siguiente Tabla
Fuente de Grados de Suma de Cuadrado E(CM)
Variación Libertad Cuadrados Medio M. Fijo M. Azar
CMT = SCT r
σ 2 + t−1 τi2 σ 2 + r στ2
P
Tratamiento t −1 SCT t−1
SCE
Residual t(r − 1) SCE CME = t(r −1)
σ2 σ2
Total tr − 1 SCTot

Suma de cuadrados
r
t X
X Y··2
SCTot = Yij2 −
tr
i=1 j=1
Pt 2
Y··2
i=1 Yi·
SCT = −
r tr
t r Pt
XX
2 Y2
SCE = Yij − i=1 i· = SCTot − SCT
r
i=1 j=1
(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 9 / 14
Pruebas de los efectos de tratamientos
Para probar el efecto de los tratamientos se plantea las siguientes
hipótesis:

Ho : τ1 = τ2 = ... = τt = 0
Ha : no todas las τi son iguales a cero

Considerando Las esperanzas de los cuadrados medios el estadístico

de Prueba es el estadístico F
r P 2
σ 2 + t−1 τi
F = 2
σ
Por lo tanto
CMT
Fc =
CME
Tiene distribución F con t − 1 y t(r − 1) grados de libertad
(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 10 / 14
Pruebas de los efectos de tratamientos

Para tomar la decisión de aceptar o rechazar la hipótesis nula existen

dos alternativas:
1 Usar el punto crítico de la región de rechazo que consiste en
hallar el punto F0 tal que P(F > F0 ) = α, donde α es el nivel de
significación.
2 Usar el nivel crítico que consiste en encontrar la probabilidad
Pv = P(F > Fc )·
Por lo tanto
Si se halla el punto crítico F0 , entonces se rechaza la Hipótesis
nula si Fc > F0 , caso contrario se acepta H0
Si se halla el nivel crítico Pv , entonces se rechaza la Hipótesis
nula si Pv < α, caso contrario se acepta H0

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 11 / 14

Ejemplo

Se administra una prueba de inglés a tres clases I, II, y III con la

finalidad de contrastar su nivel de aprendizaje en las tres aulas. Se
toman muestras aleatorias de 7 alumnos de cada clase obteniéndose
las siguientes puntuaciones.

Clase I 76 68 64 78 79 71 69
Clase II 79 79 77 73 81 78 80
Clase III 94 84 96 88 81 78 86

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 12 / 14

Supuestos del modelo estadístico

1 Aditividad.- Los factores o componentes de una población tienen

efectos aditivos.
2 Linealidad.- La relación existente entre los factores o
componentes de una población es del tipo lineal.
3 Normalidad.- Los valores observados o resultados experimentales
provienen de una distribución normal con media µ y variancia σ 2 .
4 Independencia.- Los resultados observados de un experimento
son independientes entre sí.
5 Homogeneidad de Variancias.- Las diversas poblaciones
generadas por la aplicación de dos o más tratamientos tienen
variancias homogéneas. (Variancia común)
6 Los efectos del error experimental tienen una distribución normal
e independiente con media cero y variancia σε2 .

(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 13 / 14

Verificación de los supuestos
Análisis residual para evaluar los supuestos
Las suposiciones para el modelo en cuanto a la homogeneidad de las
varianzas y la distribución normal, se pueden evaluar con los
residuales.
Los residuales para el diseño completamente al azar se calculan
como la desviación de los valores observados con respecto a las
medias estimadas para cada tratamiento en el arreglo tabular; el
residual estimado de cualquier celda es eij = Yij − Ŷij = Yij − Ȳi .
Las gráficas de los residuales contra los valores estimados y de la
probabilidad normal de los residuales nos dan una muestra de la
evaluacion de la homocedasticidad y la normalidad respectivamente.
Las pruebas estadísticas para probar estos supuestos son las
pruebas de Bartlet o Levene para homogeneidad de varianzas, la
prueba de Smirnov para normalidad.
Para probar independencia se usa la prueba de aleatoriedad de
Rachas.
(Maestría en Estadística - UNSAAC) 27 - 05 - 2017 14 / 14