Documente Academic
Documente Profesional
Documente Cultură
Cuando se quieren comparar ciertos tratamientos o estudiar el factor, es deseable que las
posibles diferencias se deban principalmente al factor de interés y no a otros factores que
no se consideran en el estudio. Cuando esto no ocurre y existen otros factores que no se
controlan o nulifican para hacer la comparación, las conclusiones podrían ser afectadas
sensiblemente.
Para evitar el sesgo hay dos maneras de anular el posible efecto del factor operador: la
manera lógica es utilizar el mismo operador en las cuatro máquinas; sin embargo, tal
estrategia no siempre es aconsejable, ya que utilizar al mismo sujeto elimina el efecto del
factor operador, pero restringe la validez de la comparación con dicho operador, y es
posible que el resultado no se mantenga al utilizar otros operadores. La otra forma de
anular el efecto en la comparación consiste en que cada operador, y es posible que el
resultado no se mantenga al utilizar otros operadores. La otra forma de anular el efecto
operador en comparación consiste en que cada operador trabaje durante el experimento
con cada una de las maquinas. Esta estrategia es la más recomendable, ya que utilizar a
todo el operador con todas las maquinas permite tener resultados de la comparación que
son validos para todos los operadores. Esta última forma de nulificar el efecto de
operadores recibe el nombre de bloqueo.
Factores de bloque
A los factores adicionales al factor de interés que se incorporan de manera explicita en un
experimento comparativo se les llama Factores de bloque. Estos tienen la particularidad de
que no se incluyen en le experimento porque interese analizar su efecto, sino como un
medio para estudia de manera adecuada y eficaz al factor de interés.
Los factores de bloque entran al estudio en el nivel de importancia secundaria con respecto
al factor de interés y, en este sentido, se afirma que se estudia un solo factor, porque es
uno en el factor de interés.
El factor de tratamientos
El factor de bloque
El error aleatorio
Ósea se tienen 3 posibles culpables de la variabilidad presente en los datos. La palabra
completo en el diseño se debe a que en cada bloque se prueban todos los tratamientos o
sea los bloques están completos. La aleatorización se hace dentro de cada bloque; es esta
la diferencia que tiene con el diseño completamente al azar. El hecho de que existan
bloques hace no sea practico o que incluso sea imposible de aleatorizar en su totalidad.
Modelo estadístico
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición será el
resultado del efecto del tratamiento donde se encuentre, del efecto del bloque al que
pertenece y de cierto error que se espera sea aleatorio. El modelo estadístico para este
diseño esta dado por:
Análisis de varianza
La Hipótesis anteriormente dada se prueba con un análisis de varianza con dos criterios de
clasificación, porque se controlan dos fuentes de variación:
El factor de tratamientos
El factor de bloque
Los cálculos necesarios pueden se manuales, pero siempre es mas practico hacerlos con un
software estadístico, porque además proporciona muchas otras opciones gráficas y
tabulares útiles.
Ejemplo 4.1
Aquí haremos la comparación de 4 métodos de ensamble, donde vamos a controlar
activamente en el experimento a los operadores que realizaran el ensamble. para comparar
los cuatro métodos se plantea la Hipótesis:
Por lo que se rechaza la Hipótesis nula de que el tiempo medio poblacional de los métodos
de ensamble son iguales, y se acepta que al menos dos de los métodos son diferentes en
cuanto al tiempo promedio que requieren. De la misma manera para operadores como su
valor P,
Cuando mediante un diseño de bloques se concluye que los tratamientos son diferentes, es
probable que no se haya llegado a esa conclusión, si no que se haya considerado el factor
bloque. En el ejemplo de la tabla de arriba no se considera el efecto de bloque(operador),
entonces la variabilidad y los grados de libertad atribuirles a operadores se irían al error, lo
cual puede modificar las conclusiones sobre los tratamientos (métodos).
Para calcular estas sumas es necesario obtener la media global y los totales por tratamiento
y por bloque como se ilustra:
Con estos totales las sumas de cuadrados se obtienen de esta forma:
Los grados de libertad de la SCͲ corresponden al número total de observaciones menos uno 8n-1 =
16 -1 =15), mientras que los de las SCͲrat y SCβ son el número de tratamiento menos uno y el número
de operadores menos uno respectivamente.
Efecto de bloque
Como ya vimos en el ejemplo anterior la tabla ANOVA también proporciona una prueba para el
defecto de los bloques.
Esta no es una prueba de F exacta, sino aproximada, debido a la restricción de aleatorización (solo
se aleatoriza dentro del bloque). Sin embargo, en la práctica se recomienda su interpretación
porque es evidencia a favor en contra de que valió la pena el esfuerzo de controlar el factor de
bloque. Si resulta significativa implica que el factor de bloque tiene influencia sobre la variable de
respuesta, y debe ser tomado en cuenta para mejorar la calidad de esta. Pero si no se rechaza y se
acepta que los bloques son iguales en respuesta media, entonces se tiene que el argumento a favor
de no controlar este favor en futuros experimentos sobre esta misma respuesta, además de que su
influencia en la calidad de la respuesta no es significativa.
Donde Υijɭ es la observación del tratamiento i, en el nivel j del factor renglón y en el nivel ɭ del factor
columna; Ɛijɭ es el error atribuible a dicha observación. De acuerdo con este modelo de variabilidad
total presente en los datos se puede descomponer como
Para cuatro tratamientos se pueden construir un total de 576 cuadros latinos, de los cuales cuatro
son estándar. La selección del diseño debería ser elegido uno al azar de los 576 posible; no obstante,
es prácticamente imposible construir. todos para seleccionar uno al azar. Sin embargo, ocurre que,
dado un cuadro latino, cualquier intercambio de columnas o de renglones también es un cuadro
latino. Por eso la estrategia de selección y aleatorización recomendada es:
El cuadro latino tiene dos restricciones a la aleatorización que se deben a los dos factores de bloque,
lo cual implica que a la hora de correr por columna o por renglón según convenga. Lo que no es
correcto es hacer todas las pruebas de un tratamiento, luego todas las del del otro y así
sucesivamente, puesto que se puede introducir ruido adicional debido a factores no controlables
que cambian con el tiempo.
Donde Υijɭm es la observación o respuesta que se encuentra en el tratamiento i(i-esima letra latina),
en el renglón j ,en la columna del factor ɭ y en la factor columna y en la m-esima; ԏi es el efecto del
tratamiento i,Υj es el efecto del renglón j,Ơɭ representa el efecto de la columna ɭ y Ƥm representa el
efecto de la m-esima letra griega, que son los niveles del tercer factor de bloque. La variabilidad
total presente en los datos se puede partir de manera usual como
Donde las sumas SCB1, SCB2 , SCB3 miden la variabilidad debida a los factores de bloque renglón,
columna y de letras griegas, respectivamente. Para k tratamiento los grados de libertad
correspondiste a cada suma son
Problemas
1. En una empresa lechera se tienen varios silos para almacenar leche (cisternas de 60 000 L).
Un aspecto crítico para que se conserve la leche es la temperatura de almacenamiento. Se
sospecha que en algunos silos hay problemas, por ello, durante cinco días se decide registrar
la temperatura a cierta hora crítica. Obviamente la temperatura de un día a otro es una
fuente de variabilidad que podría impactar la variabilidad total.
Fuente GL SC MC F P
SILO 4 4.460 1.115 0.69 0.609
DÍA 4 9.760 2.440 1.51 0.246
Error 16 25.840 1.615
Total 24 40.060
Aquí podemos observar que el valor-p de los solos es mayor que el valor de
significancia, es decir que el valor-p de los silos es 0.246 y el nivel es 0.05 y por lo tanto
es mayor, lo que significa que estadísticamente son iguales.
Primero se construyó el cuadro latino estándar, y después se aleatoriza el orden de los renglones, y
después el de las columnas. La regla fundamental es que cada letra debe aparecer sólo una vez en
cada renglón y en cada columna.
𝑌𝑖𝑗𝑙 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜀𝑖𝑗𝑙
Hipótesis:
Tratamiento:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗
Bloque 1:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 𝛾4 = 𝛾5 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗
Bloque 2:
𝐻0 : 𝛾𝐴 = 𝛾𝐵 = 𝛾𝐶 = 𝛾𝐷 = 𝛾𝐸 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗
c) ¿Existen diferencias entre los tratamientos? ¿Cuáles tratamientos son diferentes entre sí?
Análisis de varianza de dos factores con una sola muestra por grupo
RESUMEN Cuenta Suma Promedio Varianza
Fila 1 5 26 5.2 9.2
Fila 2 5 31 6.2 13.7
Fila 3 5 29 5.8 13.7
Fila 4 5 36 7.2 3.2
Fila 5 5 25 5 8
ANÁLISIS DE VARIANZA
Origen de Promedio Valor
las Suma de Grados de de los crítico para
variaciones cuadrados libertad cuadrados F F
Tratamiento 141.44 4 35.36 11.3092 3.26
Días (B1) 12.24 4 3.06 0.9787 3.26
Lotes (B2) 15.44 4 3.86 1.2345 3.26
Error 37.52 12 3.1267
Total 206.64 24
En tratamiento:
Dado que 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza, es decir, los tratamientos (catalizadores) son
diferentes entre sí.
En bloque 1:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, es decir, en que el día no tiene un efecto en los
catalizadores.
En bloque 2:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, es decir, que el número de lote no tiene eecto sobre
el catalizador.
d) ¿Los factores de ruido, lote y día afectan el tiempo de reacción del proceso?
No, lo efectos de ruido (lote y día) no tienen influencia significativa sobre la reacción del proceso
(catalizadores), es decir no influyen en los resultados de los tratamientos.
e) Dibuje los gráficos de medias para los tratamientos, los lotes y los días. ¿Cuál tratamiento
es mejor?
Hipótesis:
𝐻0 : 𝜇𝑖 = 𝜇𝑗
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗
2𝐶𝑀𝐸
𝐿𝑆𝐷 = 𝑡𝛼⁄2,(𝑘−1)(𝑏−1) √
𝑏
𝐶𝑀𝐸 = 3.12667
𝑏=5
Utilizando LSD
µi-µj LSD H0
µA µB 2.8 > 2.43663628
µA µC 0.4 < 2.43663628
µA µD 5 > 2.43663628
µA µE 5.2 > 2.43663628
µB µC 3.2 > 2.43663628
µB µD 2.2 < 2.43663628
µB µE 2.4 < 2.43663628
µC µD 5.4 > 2.43663628
µC µE 5.6 > 2.43663628
µD µE 0.2 < 2.43663628
En base a esta comparación los catalizadores E, D y B son estadísticamente iguales y los que
resultan mejores, ya que el tempo de reacción es menor.