Академический Документы
Профессиональный Документы
Культура Документы
Competencias a desarrollar
Identificar las características generales y los usos que se le dan a los diseños en bloques.
Explicar la definición del diseño en bloques completos al azar, así como su hipótesis,
modelo estadístico y análisis de varianza.
Describir la selección y la aleatorización del diseño en cuadro latino y su diferencia con
el diseño en cuadro grecolatino
Por ejemplo, supongamos que se quieren comparar varias máquinas, si cada máquina es manejada
por un operador diferente y se sabe que éste tiene una influencia en el resultado, entonces es claro
que el factor operador debe tomarse en cuenta si se quiere comparar a las máquinas de manera
justa.
Un operador más hábil puede hacer ver a su máquina (aunque ésta sea la peor) como la que tiene
el mejor desempeño, lo cual impide hacer una comparación adecuada de los equipos.
Para evitar este sesgo hay dos maneras de anular el posible efecto del factor operador: la manera
lógica es utilizar el mismo operador en las cuatro maquinas; sin embargo, tal estrategia no
siempre es aconsejable, ya que utilizar el 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 a otros operadores. La otra forma de anular el efecto operador en la
comparación consiste en que cada operador trabaje durante el experimento con cada una de las
máquinas. Esta estrategia es la más recomendable, ya que utilizar a todos los operadores con
todas las máquinas permite tener resultados de la comparación que son válidos para todos los
operadores. Esta 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 explícita en un
experimento comparativo se les llama factores de bloque. Éstos tienen la particularidad de que
no se incluyen en el experimento porque interese analizar su efecto, sino como un medio para
estudiar de manera adecuada y eficaz al factor de interés.
Los factores de bloque entran al estudio en un nivel de importancia secundaria con respecto al
factor de interés y, en este sentido, se puede afirmar que se estudia un solo factor, porque es uno
el factor de interés.
Los factores de bloqueo que aparecen en la práctica son: Turno, lote, día, tipo de material, línea
de producción, operador, maquina, método, etc.
Supongamos una situación experimental con k tratamientos y b bloques. El aspecto de los datos
para este caso se muestra en la tabla 3,1. Considerando una repetición en cada combinación de
tratamiento y bloque.
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 al que pertenece y de cierto
error que se espera sea aleatorio. El modelo estadístico para este diseño está dado por:
Análisis de varianza
La hipótesis dada 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 tabla
3.2 se muestra el aspecto del ANOVA para diseño DBCA.
Los cálculos necesarios pueden ser manuales, pero siempre es más práctico hacerlos con un
software estadístico, porque además proporciona muchas otras opciones gráficas y tabulares
útiles (no sólo el ANOVA). Utilizando la notación de puntos, las fórmulas más prácticas para
calcular las sumas de cuadrados son:
Ejemplo
En el ejemplo donde se planteó la comparación de los cuatro métodos de ensamble, ahora se
va a controlar activamente en el experimento a los operadores que realizaran el ensamble, lo
que da lugar al siguiente diseño en bloques completamente al azar.
la cual se prueba mediante el análisis de varianza dado en la siguiente tabla( Excel y Minitab)
Nota: para capturar la tabla en Excel se sombrea totalmente, tal y como está indicada la tabla
anterior, en la herramienta de Análisis de varianza de dos factores con una sola muestra por
grupo)
3.2. Diseño en cuadrado latino
En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un factor
de tratamientos, por lo que se tienen cuatro fuentes de variabilidad que pueden afectar la
respuesta observada, estas son:
Los tratamientos
El factor de bloque I (renglones)
El factor de bloque II (columnas)
El error aleatorio
Se llama cuadro latino por dos razones: es un cuadro debido a que tiene la restricción adicional
de que los tres factores involucrados se prueban en la misma cantidad de niveles, y es latino
porque se utilizan letras latinas para denotar a los tratamientos o niveles del factor de interés.
Sean A, B, C, …, K, los k tratamientos a comparar, por lo tanto ambos factores de bloques tienen
también k niveles cada uno. El aspecto de los datos se muestra en la siguiente tabla.
Ahora se necesitan al menos tres subíndices, por ejemplo, la respuesta Y 313 se generó en el
tratamiento tres (C), en el primer nivel del factor renglón y en el tercer nivel del factor columna.
El ANOVA para el diseño en cuadro latino se muestra en la tabla 3.4. En él se prueba la hipótesis
sobre los efectos de tratamiento del factor renglón y del factor 96 CAPÍTULO 3 Diseño de bloques
columna. Otra vez, la hipótesis fundamental es la de los tratamientos; las otras dos proporcionan
un adicional al objetivo inicial y permiten comprobar la relevancia de controlar los factores de
bloque.
Selección y aleatorización de un cuadro latino. No cualquier arreglo de letras latinas en forma
de cuadro es cuadro latino, la regla fundamental es que cada letra debe aparecer sólo una vez en
cada renglón y en cada columna. Un cuadro latino estándar es aquel en el que en la primera
columna y en el primer renglón aparecen las letras en orden alfabético. Por ejemplo, un cuadro
latino estándar de tamaño cuatro está dado por:
Para cuatro tratamientos se pueden construir un total de 576 cuadros latinos de los cuales
cuatro son estándar. La selección del diseño debería ser elegir uno al azar de los 576 posibles;
no obstante, es prácticamente imposible construirlos a todos para seleccionar uno al azar. Sin
embargo, ocurre que dado un cuadro latino, cualquier intercambio de columnas o de renglones
es también cuadro latino, por eso la estrategia de selección y aleatorización recomendada en la
práctica es la siguiente:
Se construye el cuadro latino estándar más sencillo.
Se aleatoriza el orden de los renglones (o columnas) y posteriormente se aleatoriza el
orden de las columnas (o renglones).
Por último, los tratamientos a comparar se asignan en forma aleatoria a las letras
latinas.
El cuadro latino tiene dos restricciones a la aleatorización debido a los dos factores de bloque,
lo que implica que a la hora de correr el experimento no hay ningún margen de aleatorización.
Es decir, se puede correr por columna o por renglón según convenga. Lo que no es correcto es
hacer todas las pruebas de un tratamiento, y luego todas las de otro, y así sucesivamente,
puesto que se puede introducir ruido adicional debido a factores no controlables que cambian
con el tiempo.
Ejemplo.
Comparación de cuatro marcas de llantas. Una compañía de mensajería está interesada en
determinar cuál marca de llantas tiene mayor duración en términos del desgaste. Para ello se
planea un experimento en cuadro latino, en el que se comparan las cuatro marcas de llantas
sometiéndolas a una prueba de 32 000 kilómetros de recorrido, utilizando cuatro diferentes
tipos de auto y las cuatro posiciones posibles de las llantas en el auto. Así, el factor de interés
es el tipo de llantas o marca, y se controlan dos factores de bloque: el tipo de carro y la posición
de la llanta en el auto. Estos factores de bloque se controlan ya que, por experiencia, se sabe
que el tipo de carro y la posición de la llanta tienen efecto en el desgaste de la misma.
La elección del cuadro latino a utilizar se hace antes de obtener los datos. Para ello, a partir de
un cuadro latino inicial se aleatorizan las columnas y los renglones; después, las diferentes
marcas de llantas se asignan de manera aleatoria a las letras latinas que denotan los niveles del
factor de interés
Las pruebas se hacen al mismo tiempo con choferes, a quienes se les instruye para que manejen
de manera similar sobre el mismo terreno para los cuatro automóviles. Al hacer las pruebas de
los cuatro autos al mismo tiempo se evita el efecto del ambiente en el desgaste; asimismo, el
conductor y el tipo de terreno podrían influir, pero se considera suficiente mantenerlos lo más
homogéneo posible durante el experimento. El diseño y los datos observados se muestran en
la tabla anterior. Se mide la diferencia máxima entre el grosor de la llanta nueva y el grosor de
la llanta después de recorrido los 32 000 kilómetros. Obviamente, a mayor diferencia en grosor
mayor desgaste. Las unidades de medición son milésimas de pulgada
Comprobación de supuestos. Como se comentó antes, la validez del análisis de
varianza recae en tres supuestos que siempre deben verificarse:
Normalidad
Varianza constante
Independencia de los residuos
comparan los cuatro métodos de ensamble y se tiene el factor de bloque operador, se podrían
tener dos factores de bloque adicionales:
Orden en el que se hace el ensamble
Lugar donde se hace
Nota, recordar que esto se hace en el cuadro principal de la izquierda dando dos clics con el
ratón.
e) Indicar aceptar y obtendremos el resultado.
Para capturar los datos en Minitab para el cuadro latino (ANOVA de dos factores) se sigue la
siguiente secuencia:
Primeramente en la hoja de cálculo de Minitab, se capturan los datos en las columnas uno dos
tres y cuatro de la siguiente manera:
Primeramente en la hoja de cálculo de Minitab, se capturan los datos en las columnas uno dos
tres, cuatro y cinco de la siguiente manera: