Modulo II

Principios del Diseo

Experimental
Anlisis de Asociacin
Mayo 2009

Anlisis de Modelos Estadsticos y su aplicacin a Estudios1

 Principios del diseo Experimental
EL Diseo de Experimentos
Est relacionado bsicamente con el planeamiento de la
recoleccin de los datos.

Un Experimento
Es la Muestra en base a la cual se estimarn los parmetros
Poblacionales, y se tomarn decisiones con respecto a la
comparacin de las poblaciones en estudio.
Cada experimento es una pregunta que se hace a la
naturaleza, por lo tanto, para que las respuestas no sean
confusas o contradictorias, es necesario que el mismo sea:
1) Tcnicamente planeado
2) Cuidadadosamente conducido
3) Adecuadamente analizado
4) Cautelosamente interpretado

Anlisis de Modelos Estadsticos y su aplicacin a Estudios2

 Razones
Por lo general, un experimento es realizado
por una o varias de las razones siguientes:
Identificar las principales causas de variacin
en la respuesta
Encontrar las condiciones que permitan
alcanzar un valor ideal en la respuesta
Comparar las respuestas a diferentes niveles
de factores controlados por el investigador
Construir modelos que permitan obtener
predicciones de la respuesta.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios3

 Definiciones Bsicas
Variable Respuesta: es la variable en estudio, aquella cuyos cambios
se desean estudiar. Es la variable dependiente.

Factor: es la variable independiente. Es la variable que manipula el

investigador, para estudiar sus efectos sobre la variable dependiente.

Nivel Del Factor: es cada una de las categoras, valores o formas

especficas del factor.
Factor Cualitativo: sus niveles se clasifican por atributos cualitativos.
Factor Cuantitativo: sus niveles son cantidad numrica en una
escala.
Factores Observacionales: El investigador registra los datos pero no
interfiere en el proceso que observa.
Factores Experimentales: El investigador intenta controlar
completamente la situacin experimental.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios4

Experimento Unifactorial: es aquel en el se estudia un
solo factor.
Experimento Multifactorial: es aquel en el que se
estudia simultneamente ms de un factor.
Tratamientos: Conjunto de condiciones experimentales
que sern impuestas a una unidad experimental en un
diseo elegido.
En experimentos unifactoriales, un tratamiento
corresponde a un nivel de factor.
En experimentos multifactoriales, un tratamiento
corresponde a la combinacin de niveles de factores.
Unidad Experimental: es la parte ms pequea de
material experimental expuesta al tratamiento,
independientemente de otras unidades.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios5

Error Experimental: Describe la variacin entre las
unidades experimentales tratadas de forma idntica e
independiente. Orgenes del error experimental:
Variacin natural entre unidades experimentales
Variabilidad en la medicin de la respuesta
Imposibilidad de reproducir idnticas condiciones del
tratamiento de una unidad a otra
Interaccin de tratamientos con unidad experimental
Cualquier factor externo

Tratamiento Control: Un control al que no se le aplica

tratamiento revelar las condiciones en que se realiza el
experimento.
Mediciones: Son los valores de la variable dependiente,
obtenidos de las unidades experimentales luego de la
aplicacin de tratamientos.
Anlisis de Modelos Estadsticos y su aplicacin a Estudios6
 Elementos Del Diseo De Experimentos
El diseo de experimentos se refiere a la estructura del
experimento considerando:
i) El conjunto de tratamientos incluidos en el estudio.
ii) El conjunto de unidades experimentales utilizadas en el
estudio.
iii) Las reglas y procedimientos por los cuales los
tratamientos son asignados a las unidades
experimentales (o viceversa).
iv) Las medidas o evaluaciones que se hacen a las
unidades experimentales luego de aplicar los tratamientos.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios7

 Principios Bsicos Del Diseo De
Experimentos
1) Control Local: son las acciones empleadas por el
investigador para disminuir o controlar el error experimental
Tcnica
Seleccin De Unidades Experimentales Homogneas
Bloquizacin
Seleccin del Diseo Experimental Adecuado
Utilizacion De Covariables
2) Replicacin como un medio para estimar la variancia
del error experimental
Proporciona medias para estimar la variancia del error
experimental
Permite aumentar la precisin para estimar las medias
de los tratamientos.
Da seguridad contra resultados anormales por
accidentes no previstos.
Anlisis de Modelos Estadsticos y su aplicacin a Estudios8
 PRINCIPIOS BSICOS DEL DISEO
DE EXPERIMENTOS
3) Aleatorizacin para validar la estimacin de la variancia
del error experimental.

Consiste en aplicar en forma aleatoria los tratamientos a las

unidades experimentales.

La aleatorizacin tiende a promediar entre los tratamientos

cualquier efecto sistemtico presente de forma que las
comparaciones entre tratamientos midan slo los efectos de
los tratamientos mismos.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios9

 Anlisis de Asociacin
Anlisis de Regresin vs. Anlisis de
Varianza
Ambos anlisis establecen relaciones entre variables.

Estudian la relacin estadstica entre variables para tomar

decisiones.

En el Anlisis de regresin el objetivo es Predecir.

Usa solo variables cuantitativas y la relacin se expresa con un

modelo lineal en el cual la variable independiente puede tomar
cualquier valor fijado por el investigador .

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

10
Relaciones entre Anlisis de Regresin
y Anlisis de la Variancia
En el Anlisis de Variancia el objetivo es comparar los
distintos niveles de la las variables independientes
factores para establecer diferencias significativas en la
variable dependiente respuesta

Difieren del modelo anterior en que las variables

independientes pueden ser cualitativas y que si son
cuantitativas , en ANVA no se hace ninguna presuncin
sobre la naturaleza de la relacin estadstica entre
variables dependientes e independiente.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

11
 Los Tipos de Modelos. 12

Los modelos experimentales de clasifican en tres tipos:

De efectos fijos MODELO I
De efectos Aleatorios Modelo II
Mixtos.(Factores fijos y aleatorios)
Cuando el investigador tiene control sobre el material
experimental aplicando slo los niveles de los factores que le
interesan en el modelo, es de efectos fijos.
Cuando se investiga un factor pero no se tiene control sobre
tratamientos, por ejemplo en los estudios por muestreo,
dnde los niveles que se aplican son una muestra extrada al
azar de una poblacin de niveles, los modelos son de
efectos aleatorios.
Anlisis de Modelos Estadsticos y su aplicacin a Estudios
12
 Modelo I o de efectos fijos
Yij .. . j ij i= 1,..,k y j=1,..,n

Modelo II o de efectos aleatorios

En este modelo se asume que las k muestras son muestras
aleatorias de k situaciones distintas y aleatorias. De modo
que un valor aislado Yij se puede escribir como:
A.j
Yij .. . j ij i= 1,..,k y j=1,..,n

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

13
 Cules son los supuestos y cules
los elementos bsicos del modelo I de
ANVA?

Los Supuestos de Validez del modelo

ANVA son:

Observaciones Independientes.
Datos distribuidos Normalmente ( ; 2).
Variancias Homogneas.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

14
Los elementos bsicos del modelo II
de ANVA

1. Supone que las k muestras

independientes son muestras de k
poblaciones distintas y fijas.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

15
 Diseo Completamente
Aleatorizado
DCA

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

16
 Introduccin
3

En el caso de un nico Factor (Experimento Unifactorial)

y a Efectos Fijos ( Modelo I) El modelo de Anlisis de la
Varianza
Yij .. . j ij
En donde:
Yij es la variable aleatoria que que mide la respuesta del sujeto
experimentado en el -simo individuo que recibi el j-simo
tratamiento;
.. Es el promedio general;
.j El efecto del j-simo tratamiento, y;
ij Es la cantidad de variacin no explicada por el Factor, tambin
se conocer como Error del Experimento, Variacin Residual.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

17
 La Planificacin del Experimento
En la experimentacin planificada no es el modelo ms
recomendable, pues requiere que el desarrollo de la experiencia
se haga en condiciones muy controladas. Por esto resulta
apropiado cuando se estudian experimentos de laboratorio.
En otros casos, las circunstancias del material experimental
obligan a usar este experimento como es el caso de las pruebas
progenie en estudios genticos.
La planificacin del experimento es muy simple pues nicamente
se requiere que los sujetos que van a ser experimentados se
elijan al azar de la poblacin y que adems, los sujetos
experimentados que recibirn un nivel del factor o Tratamiento son
elegidos al azar del grupo previamente seleccionado.
Es muy conveniente que los grupos que recibirn un tratamiento
tengan la misma cantidad de individuos pero no es indispensable.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

18
 Anova Un Criterio

Determina si la discrepancia entre las medias

entre los tratamientos es mayor de lo que
debera esperarse de las variaciones que
ocurren dentro de los tratamientos.

Divide la Variacin Total de los datos de la

muestra en dos componentes.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

19
 Supuestos Anova
1. Observaciones se distribuyen
Normal e Independiente y con la
misma varianza para cada
tratamiento
2.
Yij .. . j ij
3.
ij ~ N (0, 2 )

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

20
 Modelos E Hipotesis
Modelo a efectos fijos
H0 : 1 = 2 ..= k= 0
H1 : i 0 al menos para una i
Modelo a efectos aleatorios
H0 : = 0
H1 : 0

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

21
 Diseo Completamente
Aleatorizado
Diseo aleatorio, en condiciones
homogneas (tiempo, materias primas,
procedimientos operativos, etc.) .
Ejemplo con tres tratamientos:
N 1; 2; 3; 4; 5; 6; 7; 8; 9;10;11;12;13; 14; 15
Tr. A; A;C; B; B; A; C; B; B; C; B; C; C; A; A
Res.y,y,y3, y4 ,y5,y6, y7, y8, y9,y10,y11,y12, y13, y14, y15
Anlisis: ANOVA a Un criterio

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

22
 Tabla Anlisis
Rep 1 2 3 4 5 Promedi
o
Trat

A YA1 YA2 YA3 YA4 YA5 YA.

B YB1 YB2 YB3 YB4 YB5 YB.

C YC1 YC2 YC3 YC4 YC5 YC.

Y..

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

23
 Anova A Un Criterio
Identidad de la suma de cuadrados
k n k 2 k n

j1 i 1
(y ij y..) 2 n
j1
(y.j y.. ) j1 t 1
(y ij y.j ) 2

Esperanza de la suma de cuadrado tratamiento

k
E (CM trat ) (k 1) 2 n j1
2j

Cuadrado medio del tratamiento Cuadrado medio del error

SCtrat SCEE
CM trat CM error
k 1 k (n 1)

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

24
 Cuadro Anova Un Criterio

Fuentes Sumas g.l Cuadrad F

Variacin Cuadrados os
Medios
Entre SCTrat. k-1 SCTrat/ Fo=
Tratamientos g.l (I) I/II
Dentro Trat. SCError k(n-1) SCError/
(Error) g.l (II)
Total SCTotal n1

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

25
 Anova Un Criterio

Fo F ((k-1) y k(n-1))

Si Fo > F ((k-1) y k(n-1)) Rechazo la

Hipotesis Nula

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

26
Analis Residual Y Verificacin Del
Modelo
Anlisis Residual (Diferencia entre el valor
observado y el estimado por el modelo)
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)

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

27
 Comparaciones Sobre Los
Promedios

Si rechazo la Hiptesis Nula en el Modelo a

Efectos Fijos
Contrastes Ortogonales
Prueba de Dunnet
Prueba de Tukey
Intervalos de confianza
Pruebas en caso de violaciones de los supuestos
Otras

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

28
 Comparaciones para factores
cuantitativos

En un diseo completamente aleatorizado el factor bajo estudio

puede sercualitativo o cuantitativo.

Un factor cuantitativo es aquel cuyos niveles estn

asociados con una escala numrica.En este caso, en lugar
de estudiar niveles individuales del factor, como es el caso en el
estudio de un factor cualitativo, se estinteresado en analizar el
intervalo de valores utilizados. Es deseable predecir la
respuesta a un nivel intermedio o, investigar si existe cierta
tendencia en la respuesta. Es decir,el principal inters aques
ajustar una ecuacin a los datos. Esto puede llevarse a cabo
mediante el uso de la Tcnica de Anlisis de Regresin.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

29
 Curvas de Respuesta

Si los niveles del factor son equidistantes y si

Y=f(x, x2, x3,,xp)
es un polinomio en X, puede demostrarse
que el puede ser escrito como:
Y = 0 P0(x) + 1P1(x) +... +pPp(x) +
donde Pi es un polinomio de grado i, tales
que Pi(x)y Pj(x)son ortogonales.
Si se tienen k tratamientos, se pueden tener
efectos polinomiales hasta de orden k-1

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

30
 Curvas de Respuesta
Las sumas de cuadrados para los (k-1)efectos
polinomiales del factor forman una particin de la
suma de cuadrados de los tratamientoscada uno con
un grado de libertad y su significacin estadstica,
puede ser comprobada comparando sus sumas de
cuadrados con el cuadrado medio del error.El grado
del polinomio lo determina el grado mas alto que
para el cual ste sea estadsticamente significativo.
Se desea ajustar el polinomio de menor grado
posible que describa adecuadamente a los datos.
Y=Pi+

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

31
Anlisis de Modelos Estadsticos y su aplicacin a Estudios
32
 Polinomios Ortogonales

donde:
d es la distancia entre los niveles de x
k es el nmero total de niveles y
j son constantes tales que los polinomios
tienen valores enteros.
Existen tablas que muestran los Pi(x) y los i
Los estimadores para los coeficientes de
regresin j se obtienen mediante el mtodo
de mnimos cuadrados

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

33
 Estimaciones En Modelos A
Efectos Aleatorios

Si rechazo la Hiptesis Nula en el

Modelo a Efectos Aleatorios

Anlisis de componentes de la
Varianza

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

34
 Ventajas Y Desventajas
La mayor ventaja de experimentar bajo un
esquema Completamente al Azar, esto es, sin
restricciones, es la simpleza del anlisis y el
recurso que significa aplicarlo cuando no hay
otra posibilidad de anlisis.
Es el paso consecutivo en uso de la regresin
lineal en el anlisis de modelos lineales.
Se presta por igual a estudios mediante tcnicas
de muestreo o en experimentos planificados.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

35
 Ventajas Y Desventajas
Cuando ocurren accidentes en la operacin del experimento
como la prdida de una cantidad de unidades
experimentales que no pueda contrarrestarse mediante
tcnicas de extrapolacin, el Modelo Completo al Azar
permite el anlisis con las unidades remanentes sin importar
que haya diferente nmero por tratamiento.
La facilidad de clculo y manejo no compensan la baja
precisin del diseo. Esto significa que es el modelo
experimental menos eficiente. O dicho de otra manera: el
diseo que mayor variacin presenta. Prefirindose otros
con mayor precisin en el anlisis.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

36
 Aleatorizacion
Puede hacerse utilizando una tabla de nmeros al azar,
por cartas, tirando un dado, o por cualquier otra
operacin que sirva para el mismo propsito.
Como ilustracin vamos a considerar un experimento que
involucra 3 tratamientos: A, B y C cada uno replicado 4
veces.
La aleatorizacin y disposicin de las unidades
experimentales se lleva a cabo de la siguiente manera:
Se determina en nmero total de UE. Para nuestro
ejemplo 3x4=12.
Se asigna una nmero a cada UE en una manera
conveniente por ejemplo consecutivamente del 1 al 12.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

37
 Aleatorizacion
Mediante una tabla de nmeros al
azar:
1 paso: localizar el punto de comienzo en una
tabla de nmeros al azar

2 paso: Utilizando el punto de comienzo

obtenido en el 1 paso, seleccionar n nmeros
de tres dgitos, donde n es el nmero total de
UE (n=12). Se prefiere nmeros de tres dgitos
porque es ms difcil encontrar valores iguales.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

38
 3 paso: Se ranquean los 12 nmeros
seleccionados del menor al mayor.
Nmero al azar Secuencia Nmero al azar Secuencia Rango
149 1 149 1 2
361 2 361 2 7
180 3 180 3 4
018 4 018 4 1
427 5 427 5 8
243 6 243 6 6
494 7 494 7 9
704 8 704 8 12
549 9 549 9 10
157 10 157 10 3
571 11 571 11 11
226 12 226 12 5

4 paso: Asignar los tratamientos a las UE. Usar el rango como nmeros de UE y
la secuencia con la cual se obtuvieron los nmeros aleatorios para referirse a los
tratamientos. Por ejemplo el tratamiento A : al 2,7,4,1, el tratamiento B, al
8,6,9,12, etc. 1
A 2A 3
C 4A
5
C 6
B 7
A 8
B
9
B 10
C 11
C 12
B

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

39
 Ejemplo 1: Engorde de Cerdos
Una empresa de alimentos ofrece a una empresa porcina un
plan de alimentacin muy bueno. El dueo del
establecimiento aceptara comprar un nuevo alimento si
supera en aumento de peso al plan de alimentacin actual y
a otros dos que le han ofrecido.
La empresa de alimentos decide demostrar las bondades de
su producto llevando a cabo un experimento planificado.
Consulta al dueo sobre la cantidad de cerdos que podan
usar en el experimento y las facilidades de las instalaciones.
La respuesta fue: 52 cerdos que se van a engordar y los
corrales que pueden ver.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

40
 Cuestionario

Se trata de un experimento uni o multifactorial?

Cules son los factores?
Cules son los tratamientos?
Cul es la variable respuesta?
Cul es la unidad experimental?
Cuntas replicaciones haramos?
Cuntos animales necesitamos?
Cmo haramos el diseo?

En el caso de utilizar bloquizacin indicar y justificar.

En el caso de utilizar tratamiento testigo indicar y justificar.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

41
 La Planificacin del
Experimento
Se descartan del grupo de 52 cerdos, las hembras y
animales extremos, muy pequeos o muy grandes y algunas
cruzas, quedan 24 machos castrados de la misma raza y de
tamao similar.
El diagrama de los corrales disponibles se muestra a la
derecha con una capacidad de hasta 10 cerdos. Cmo
asignaran los tratamientos? N

Debido a que no es posible atender a los cerdos

individualmente, se opt por usar los corrales
que miran al Norte para usar cada uno de ellos
con una de las 4 dietas por valorar.
En cada chiquero se acomodaran 6 cerdos?.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

42
 Consideraciones Sobre El Manejo.
El proceso de asignacin aleatoria usualmente se elabora en
la oficina para no manejar a los animales de ms.
Incluso antes de su seleccin previa y numerado. De esta
forma, un cerdo se atrapa, una sola vez, se pesa y se mide
antes de ser introducido en el chiquero que le corresponda.
Este valor se define como Y1, peso Inicial.
Al final del periodo de la prueba, los cerdos se vuelven a
pesar individualmente obteniendo la variable Y2.
Finalmente, la diferencia de peso final con la inicial ser la
variable Y3 o incremento de peso.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

43
Diseo en Bloques Completos
Aleatorizados
DBCA

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

44
 Diseo De Bloques Completos
Aleatorizados
En muchos problemas de experimentos, es necesario
hacer un diseo de tal manera que la variabilidad
proveniente de fuentes conocidas pueda ser
sistemticamente controlada.
Se pretende reducir el efecto de la variabilidad
proveniente de causas propias del experimento pero
independiente del efecto que se desea estudiar.
Para los fines del anlisis de varianza el bloqueo
introduce un efecto adicional ficticio, cuyo objetivo es
separar del error experimental, alguna fuente de
variabilidad conocida.

Anlisis de Modelos Estadsticos y su aplicacinIng.

a Estudios
Felipe 45
Llaugel
 Anlisis De La Varianza:
Clasificaciones segn dos Criterios
El Diseo en Bloque Completo al Azar es un plan en el
cual las unidades experimentales se asignan a grupos
homogneos, llamados bloques, y los tratamientos son,
luego, asignados al azar dentro de los bloques.
Objetivo del agrupamiento: lograr que las unidades
dentro de un bloque sean lo ms uniformes posible con
respecto a la variable dependiente, de modo que las
diferencias observadas se deban realmente a los
tratamientos. Al controlar la variacin dentro de los
bloques reducimos la variabilidad del error experimental.
Completo: todos los tratamientos estn incluidos en cada
bloque.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

46
Diseos En Bloques Aleatorizados

Cada bloque constituye una replicacin.

Todos los tratamientos aparecen una

sola vez en cada bloque

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

47
 Diseo En Bloques Completos
Aleatorizados
Se divide el material experimental en tantos bloques como nmeros de
replicaciones a utilizar. Cada bloque es luego dividido en tantas UE como
tratamientos haya en estudio.
Como el DBCA especifica que todos los tratamientos deben aparecer una
vez en cada replicacin, la aleatorizacin se hace separadamente en cada
bloque.
La aleatorizacin es similar al DCA para cada bloque.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

48
Ejemplo: Para el ensamble de un artculo se considera comparar 4 mquinas
diferentes. Como la operacin de las mquinas requiere cierta destreza se
anticipa que habr una diferencia entre los operarios en cuanto a la velocidad
con la cual operen la maquinaria. Se decide que se requerirn 6 operarios
diferentes en un experimento de bloques aleatorizado para comparar las
mquinas.
Entonces, el factor de inters es uno slo, pero se crea otro factor para
controlar la variabilidad extraa y excluirla as del error experimental.
Aleatorizacin: debemos asignar cada tratamiento, M1, M2, M3, y M4 a
cada bloque.
Operario 1 Bloque 2 Bloque 3 Bloque 4 Bloque 5 Bloque 6
22 75 76 84 5 16
45 31 25 51 79 44
27 70 98 10 36 29
2 86 85 78 95 14
M2 M3 M2 M4 M1 M2
M4 M1 M1 M2 M3 M4
M3 M2 M4 M1 M2 M3
M1 M4 M3 M3 M4 M1

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

49
Ventajas
Puede proveer resultados ms precisos que un DCA del mismo tamao
si los agrupamientos son efectivos.
Sirve para cualquier n de tratamientos y replicaciones.
Los tratamientos no necesitan tener tamaos de muestras iguales.
(Bloque Incompleto)
El anlisis no se complica si se debe descartar, por alguna causa, un
tratamiento o algn bloque.
Se puede introducir, deliberadamente, variabilidad en las unidades
experimentales para ampliar el rango de validez de los resultados sin
sacrificar la precisin de los resultados.

Desventajas
Las observaciones faltantes dentro de un bloque requiere clculos ms
complejos.
Los grados de libertad para el error experimental no son tantos como en
el DCA.
Se requieran ms presunciones para el modelo: no interaccin entre
tratamientos y bloques, varianza constante de bloque a bloque.
Anlisis de Modelos Estadsticos y su aplicacin a Estudios
50
Si las mquinas no difieren en cuanto a la velocidad de
ensamblado de la pieza, tendran igual velocidad promedio y las
curvas se superpondran exactamente.

H0 : 1= 2 = 3= 4 H0 = 1=2=3=4=0

Pero si las mquinas difieren en cuanto a la velocidad de
ensamblado de la pieza, pensaramos que las muestras provienen de
poblaciones diferentes, e
H1: algn promedio es
distinto de los restantes

1 2 3 4

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

51
 EL MODELO (DE EFECTOS FIJOS)
Yij = + i + j + eij
Modelo lineal aditivo: cada respuesta es la suma de los
otros trminos.
Donde Y es la variable respuesta o dependiente, tiempo medido en
segundos, e Yij es la observacin perteneciente al j-sima bloque bajo
el tratamiento i; las observaciones son independientes.
es la media general comn a todas las mquinas y a todos los
operarios.
i es el efecto del tratamiento en el nivel i, propio de cada
mquina.
j es el efecto del bloque en el nivel j, propio de cada operario.
eij es la variable aleatoria del error con distribucin normal, con
media = 0 y varianza 2 N (0 ; 2 ) e independiente.
Anlisis de Modelos Estadsticos y su aplicacin a Estudios
52
 Medias marginales estimadas
Cuando el
modelo es de Velocidad
48
aditivo quiere
BLOQUE

M edias m arginales estim adas

decir que la 46

diferencia en 1

respuestas 44 2

medias entre dos 42

3

operarios es la 4

misma para 40
5

todas las 38 6
mquinas. 1 2 3 4

Tratamiento

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

53
Si aplicamos el Mtodo de los Mnimos Cuadrados, para
estimar los parmetros
.. y.. Donde b son los bloques y t los
tratamientos

i = i. - .. = yi. - y..

j = . j - .. = y. j - y..

eij = yij - .. - i - j = yij - yi. - y. j + y..

Cada componente del modelo contribuye a la

variabilidad total. La particin de la Suma de
Cuadrados Total involucrar tres fuentes de variacin.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

54
 Tabla de Anlisis de varianza para dos criterios
de clasificacin
Fuente de Suma de Grados de Cuadrados F calculada
variacin Cuadrados libertad Medios
Tratamientos SCA t-1 CMA = SCA / t-1 CMA / CME
Bloques SCB b -1 CMB = SCB / b-1 CMB / CME

Error Experimental SCE (t - 1)(b-1) CME = SCE / (t-1)(b-1)

Total SCT t.b -1

( yij y..) 2 t ( yi . y..) 2 b ( y. j y..) 2 ( yij yi. y. j y.. ) 2

i j i j i j

Variacin total Variacin debida Variacin debida Variacin propia de

a los tratamientos a los bloques las observaciones
SCT SCA SCB SCE

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

55
 Tiempo en segundos para el ensamble del producto
Operario
Mquina 1 2 3 4 5 6 Total Medias
1 42,5 39,3 39,6 39,9 42,9 43,6 247,8 41,3
2 39,8 40,1 40,5 42,3 42,5 43,1 248,3 41,4
3 40,2 40,5 41,3 43,4 44,9 45,1 255,4 42,6
4 42,3 43,2 44,5 45,2 46,9 43,3 265,4 44,2
Total 164,8 163,1 165,9 170,8 177,2 175,1 1016,9
Fc =
Medias 41,2 40,775 41,475 42,7 44,3 43,775 254,225 42,4
Yij 2
i j
Factor de Correccin = b.t
1
Suma de Cuadrados Tratamientos =
b i
Ti.2 Fc
1
Suma de Cuadrados de Bloques =
t j
2
T. j Fc

Suma de Cuadrados Total = i j
Y 2
ij Fc

Suma de Cuadrados del Error = SCTotal SCTratamiento - SCBloque

Anlisis de Modelos Estadsticos y su aplicacin a Estudios

56