Clase 06 - Estadistica 3 - Diseño de Bloques

Análisis de varianza de un factor para modelos de efectos fijos
Diseño de Bloques Completamente Aleatorio (DBCA)
Mediciones Repetidas (Diseño de mediciones repetidas) =DBCA
Se utiliza este diseño para comparaciones entre tratamientos, las unidades experimentales homogéneas se
agrupan en bloques, reduciendo la varianza del error experimental para tener mayor precisión.
En el DBCA el experimentador debe pensar que cada medición es el resultado del efecto del tratamiento donde
se encuentre, del efecto del bloque al que pertenece y de cierto error que espera sea aleatorio.
En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de variabilidad:
*) El factor tratamiento
*) El factor de bloque
*) El error aleatorio
La aleatorización se hace dentro de cada bloque; por lo tanto, no se realiza de manera total como en el diseño
completamente al azar.
Supongamos una situación experimental con 𝑘 tratamientos y 𝑏 bloques. El aspecto de los datos para este caso
se muestra en la siguiente tabla, y considera una repetición en cada combinación de tratamiento y bloque.
Tratamiento Bloque
1 2 3 𝑏
1 𝑌11 𝑌12 𝑌13 … 𝑌1𝑏
2 𝑌21 𝑌22 𝑌23 … 𝑌2𝑏
3 𝑌31 𝑌32 𝑌33 … 𝑌3𝑏
⋮ ⋮ ⋮ ⋮ ⋮
𝑘 𝑌𝑘1 𝑌𝑘2 𝑌𝑘3 … 𝑌𝑘𝑏
El modelo para este diseño es:

𝑖 = 1,2, … , 𝑘 𝑘 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 {
𝑗 = 1,2, … , 𝑏 𝑏 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑙𝑜𝑞𝑢𝑒𝑠
La observación 𝑌𝑖𝑗 es la medición que corresponde al tratamiento 𝑖 y al bloque 𝑗
𝜇: es la media global poblacional
𝜏𝑖 : es el efecto del i-ésimo tratamiento
𝛾𝑗 : es el efecto debido al bloque 𝑗
𝜀𝑖𝑗 : es el error aleatorio atribuible a la medición 𝑌𝑖𝑗
Se supone que los errores se distribuyen de manera normal con media cero y varianza constante 𝜎 2 [𝑁(0, 𝜎 2 )],
y que son independientes entre sí.
Inicialmente se considera que tanto los tratamientos como los bloques son Factores Fijos
∑𝑎𝑖=1 𝜏𝑖 = 0 ∑𝑏𝑗=1 𝛾𝑖 = 0
Hipotesis a probar
La hipotesis de interés es la misma para todos los diseños comparativos, y está dada por:
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇 vs. 𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 para al menos un par (𝑖, 𝑗)
También se puede expresar como:
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑘 = 0 vs. 𝐻1 : 𝜏𝑖 ≠ 0 para al menos un 𝑖
La afirmación a probar es que la respuesta media poblacional lograda con cada tratamiento es la misma para los
𝑘 tratamientos y que, por lo tanto, cada respuesta media 𝜇𝑖 es igual a la media global poblacional, 𝜇
De manera alternativa, es posible afirmar que todos los efectos de tratamiento sobre la variable de respuesta
son nulos, porque cuando el efecto 𝜏𝑖 = 𝜇𝑖 − 𝜇 = 0, entonces necesariamente la respuesta media del
tratamiento es igual a la media global (𝜇𝑖 = 𝜇).
Análisis de varianza
La hipotesis dada en las ecuaciones anteriores se prueba con un análisis de varianza con dos criterios de
clasificación, porque se controlan dos fuentes de variación: el factor de tratamientos y el factor de bloque. En la
siguiente tabla se muestra el aspecto del ANOVA para diseño DBCA.
ANOVA para un Diseño en Bloques Completos al Azar
Fuente de Suma de Grados de Media de 𝑭𝟎

Variación Cuadrados Libertad Cuadrados
𝑌̅𝑖.2 𝑌̅..2 𝑆𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑀𝑆𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
Tratamientos ∑𝑘𝑖=1 − (𝑘 − 1)
𝑏 𝑁 𝑘−1 𝑀𝑆𝐸
𝑌̅.𝑗2 𝑌̅..2 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝑀𝑆𝐵𝑙𝑜𝑞𝑢𝑒𝑠

Bloques ∑𝑏𝑗=1 − (𝑏 − 1)
𝑘 𝑁 𝑏−1 𝑀𝑆𝐸
𝑆𝑆𝐸
Error 𝑆𝑆𝐸 (por diferencia) (𝑘 − 1)(𝑏 − 1) (𝑘−1)(𝑏−1)
𝑌..2
Total ∑𝑘𝑖=1 ∑𝑏𝑗=1 𝑌𝑖𝑗2 − (𝑁 − 1)
𝑁
Donde:
𝑌..2
𝑆𝑆𝑇 = ∑𝑘𝑖=1 ∑𝑏𝑗=1 𝑌𝑖𝑗2 − 𝑁
(suma de cuadrados del total)
𝑌𝑖.2 𝑌..2
𝑆𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 = ∑𝑘𝑖=1 𝑏
− 𝑁
(suma de cuadrados del tratamiento)
𝑌.𝑗2 𝑌..2
𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠 = ∑𝑏𝑗=1 − (suma de cuadrados del tratamiento)
𝑘 𝑁
𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 − 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠
Además:
𝑌𝑖. = ∑𝑏𝑗=1 𝑌𝑖𝑗 𝑖 = 1,2, … , 𝑘 (total de observaciones del tratamiento 𝑖)
𝑌.𝑗 = ∑𝑘𝑖=1 𝑌𝑖𝑗 𝑗 = 1,2, … , 𝑏 (total de observaciones del bloque 𝑗)
𝑌.. = ∑𝑘𝑖=1 ∑𝑏𝑗=1 𝑌𝑖𝑗 = ∑𝑘𝑖=1 𝑌𝑖. = ∑𝑏𝑗=1 𝑌.𝑗 (total de todas las observaciones)
𝑁 = 𝑘𝑏 (Número total de observaciones)

𝑌
𝑌̅𝑖. = 𝑏𝑖. (Promedio de las observaciones del tratamiento 𝑖)
𝑌
𝑌̅.𝑗 = 𝑖.𝑗 (Promedio de las observaciones del bloque 𝑗)
𝑘
𝑌
𝑌̅.. = 𝑁.. (Promedio de todas las observaciones)
La suma de cuadrados:
𝑆𝑆𝑇 = 𝑆𝑆𝑡𝑟𝑎𝑡𝑚𝑖𝑒𝑛𝑡𝑜 + 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠 − 𝑆𝑆𝐸

𝑘 𝑏 𝑘 𝑏 𝑘 𝑏
2 2 2
∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. ) = 𝑏 ∑(𝑌̅𝑖. − 𝑌̅.. )2 + 𝑘 ∑(𝑌̅.𝑗 − 𝑌̅.. ) + ∑ ∑(𝑌𝑖𝑗 − 𝑌̅𝑖. − 𝑌̅.𝑗 + 𝑌̅.. )
𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝐼=1 𝑗=1
Por lo tanto, para probar la igualdad de las medias de los tratamientos, se utiliza el estadístico de prueba
𝑀𝑆𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝐹0 =
𝑀𝑆𝐸
Se rechaza 𝐻0 si 𝐹0 > 𝐹1−𝛼 (𝑘 − 1, (𝑘 − 1)(𝑏 − 1))

Clase 06 - Estadistica 3 - Diseño de Bloques

Cargado por

Copyright:

Formatos disponibles

Clase 06 - Estadistica 3 - Diseño de Bloques

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 06 - Estadistica 3 - Diseño de Bloques

Cargado por

Copyright:

Formatos disponibles

Análisis de varianza de un factor para modelos de efectos fijos

Diseño de Bloques Completamente Aleatorio (DBCA)

Mediciones Repetidas (Diseño de mediciones repetidas) =DBCA

En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de variabilidad:

El modelo para este diseño es:

𝜇: es la media global poblacional

𝜏𝑖 : es el efecto del i-ésimo tratamiento

𝛾𝑗 : es el efecto debido al bloque 𝑗

𝜀𝑖𝑗 : es el error aleatorio atribuible a la medición 𝑌𝑖𝑗

𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇 vs. 𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 para al menos un par (𝑖, 𝑗)

También se puede expresar como:

𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑘 = 0 vs. 𝐻1 : 𝜏𝑖 ≠ 0 para al menos un 𝑖

ANOVA para un Diseño en Bloques Completos al Azar

Fuente de Suma de Grados de Media de 𝑭𝟎

𝑌̅.𝑗2 𝑌̅..2 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝑀𝑆𝐵𝑙𝑜𝑞𝑢𝑒𝑠

𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 − 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠

𝑌𝑖. = ∑𝑏𝑗=1 𝑌𝑖𝑗 𝑖 = 1,2, … , 𝑘 (total de observaciones del tratamiento 𝑖)

𝑌.𝑗 = ∑𝑘𝑖=1 𝑌𝑖𝑗 𝑗 = 1,2, … , 𝑏 (total de observaciones del bloque 𝑗)

𝑁 = 𝑘𝑏 (Número total de observaciones)

𝑆𝑆𝑇 = 𝑆𝑆𝑡𝑟𝑎𝑡𝑚𝑖𝑒𝑛𝑡𝑜 + 𝑆𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠 − 𝑆𝑆𝐸

Se rechaza 𝐻0 si 𝐹0 > 𝐹1−𝛼 (𝑘 − 1, (𝑘 − 1)(𝑏 − 1))

También podría gustarte