ÍNDICE

Introducción........................................................................................................... 3

Unidad 3: diseño de bloques................................................................................ 4

4.1 diseños en bloques completos al azar. ...................................................... 6

4.2 diseño en cuadrado latino. ........................................................................ 11
4.3 diseño en cuadrado grecolatino. .............................................................. 15
4.4 uso de un software estadístico. ................................................................ 18
Conclusión ........................................................................................................... 23

Referencias bibliograficas .................................................................................. 24

 Instituto Tecnológico Superior de
Coatzacoalcos
División de Ingeniería Industrial

FEBRERO –JUNIO 2019

Nombre del Alumno: CRUZ MARTÍNEZ VÍCTOR MANUEL

Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADISTICA INFERENCIAL II

UNIDAD 4: DISEÑO DE BLOQUES

Nombre del Docente: JIMENEZ VENTURA BRICIO

Apellido Paterno Apellido Materno Nombre(s)

Semestre: 4° Grupo: “C” No. Control: 17081032 Fecha: 28/03//2019

INTRODUCCIÓN

El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental, Su uso en las
aplicaciones son múltiples. La experimentación proporciona los datos
experimentales, en contraste con los datos que generaría sin la inclusión de un
factor perturbador caracterizado por un tratamiento. Los datos obtenidos son las
realizaciones obtenidas en las unidades elementales. Estos no deben ser
cambiados ni modificados por el investigador en el curso de la experimentación.
UNIDAD 3: DISEÑO DE BLOQUES.

El diseño de bloques completos al azar surge por la necesidad que Tiene el

Investigador de ejercer un control local de la variación dado la existencia de un
Material experimental heterogéneo. En ese orden de ideas, los pasos que el
Investigador sigue son:

(A) Forma los bloques de unidades experimentales homogéneos Fundamentándose

para ello en algún criterio de Bloqueo o agrupamiento. Estos Criterios pueden ser:
Raza, Época, Edad, Sexo, Peso, Sistema de Manejo, Tipo De explotación, Zona,
País, Número de Partos, número de Lactaciones, número De Ordeños, corrales o
establos, Potreros, camadas, métodos, variedades, entre Otros.

(B) Luego de formados los bloques se asignan al azar Los tratamientos a la

Unidades experimentales de cada Bloque. El esquema dado a continuación ayuda
A comprender la filosofía de La formación de bloques. Los bloques se definen Como
un conjunto de unidades experimentales homogéneas dentro de sí y Heterogéneos
entre sí. En los bloques están representados todos los tratamientos.

Objetivos

(a) Maximizar las diferencias entre bloques

(b) Minimizar la variación dentro de bloques

Ventajas

(A) Elimina una fuente de variación del error, aumentando de Esta Forma la
precisión del ensayo. La precisión del ensayo Se mide a través Del coeficiente de
variación CV (%) = S/Y PROMEDIO x100

(B) Permite una gran flexibilidad en la relación tratamiento Bloque, Siempre y

cuando se reserven un número igual o un múltiplo de Tratamientos por unidad
experimental.
(C) La pérdida de información por bloque o tratamiento no dificulta el Análisis
estadístico.

(D) Permite aplicar el principio de confusión al hacer coincidir los Bloques con las
ciertas variables que influyen sobre la respuesta pero Que no son de interés para el
investigador.

Desventajas

(A) No es apropiado para un número elevado de tratamientos se Recomienda entre

6 y 24 tratamientos

(B) No es aconsejable cuando exista una gran variación en más de una Variable en
el material experimental.

(C) Si el efecto de bloque no es significativo se trabaja Innecesariamente con

disminución de los grados de libertad Para el error y la consecuente disminución de
la precisión.

(D) Si resulta una interacción entre bloque y tratamiento, se invalida la Prueba F.

4.1 Diseños en bloques completos al azar.

Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un 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.

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 máquinas;
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.

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

variabilidad:

 El factor de tratamientos.
 El factor de bloque.
 El error aleatorio.

Es decir, se tienen tres posibles ¨culpables¨ de la variabilidad presente en los datos.

La palabra completo en el nombre del 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; por lo tanto, no se realiza de manera
total como en el diseño completamente al azar.

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.

Tabla 3.1 Arreglo de los datos en un diseño en bloques completos al azar.

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:

Donde

𝑌𝑖𝑗 Es la medición que corresponde al tratamiento 𝑖y al bloque.𝑗

𝜇Es la media global poblacional.

𝜏𝑖 Es el efecto debido al tratamiento.𝑖

𝑌𝑗 Es el efecto debido al bloque.𝑗

𝜖𝑖𝑗 Es el error aleatorio atribuible a la medición. 𝑌𝑖𝑗

Hipótesis a probar La hipótesis de interés es la misma para todos los diseños

comparativos, y está pada por:

que también se puede expresar como

En cualquiera de estas hipótesis la afirmación a probar es que la respuesta media

poblacional lograda con cada tratamiento es la misma para los tratamientos y que,
por lo tanto, cada respuesta media 𝜇1 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 = 𝜇1 − 𝜇 = 0 .Entonces
necesariamente la respuesta media del tratamiento es igual a la media global

( 𝜇1 − 𝜇)
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.

Tabla 3.2 ANOVA para un diseño en bloques completos al azar

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:
Y la del error se obtiene por sustracción como:

Comparación de parejas de medias de tratamiento en el DBCA.

Cuando se rechaza la hipótesis de igualdad de los cuatro tratamientos, es natural

preguntarse cuáles de ellos son diferentes entre sí. Para averiguarlo se utiliza
alguna de las pruebas que se estudiaron en la sección ¨Comparaciones o pruebas
de rangos múltiples¨ del capítulo anterior. Por ejemplo, recordemos que la
Diferencia mínima significativa (LSD) para dos tratamientos, 𝑖 𝑦 𝑙 en un DCA está
dada por:

Entonces, en bloque esta expresión se transforma en

Donde b es el número de bloques, que hace las veces de número de réplicas, y (k-1)(b-1)
son los grados de libertad del𝐶𝑀𝐸

De aquí que en el ejemplo de los cuatro métodos de ensamble tenemos

(valor buscado en tablas de T de
estudent)
Al comparar esta diferencia mínima significativa con los datos se obtiene la siguiente
tabla:

4.2 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 Y313 se
generó en el tratamiento tres (C), en el primer nivel del factor renglón y en el tercer
nivel del factor columna.

El modelo estadístico para describir el comportamiento de las observaciones está

dado por

donde es la observación del tratamiento , en el nivel , del factor renglón y en el

nivel del factor columna; es el error atribuible a dicha observación. De acuerdo
con este modelo, la variabilidad total presente en los datos se puede descomponer
como

y los grados de libertad correspondientes son

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 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.
 Tabla 3.4 ANOVA para el cuadro latino

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:

Existen además los siguientes tres cuadros latinos de dimensión cuatro:

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.

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

Además de la ausencia de observaciones atípicas o aberrantes. Como se observa

en la figura 3.6, el supuesto de normalidad se cumple al caer los residuos o puntos
¨más o menos en línea recta¨ (Grafica de probabilidad normal). También se cumple
el supuesto de varianza constante de acuerdo a la gráfica de residuos vs valor
ajustado, y en la gráfica de residuos vs orden de observación, en la que los residuos
se ubican aleatoriamente dentro de una banda horizontal; su dispersión vertical es
la misma a lo largo de los gráficos. No se comprobó el supuesto de independencia
porque no se conoce el orden en que se realizaron las mediciones del desgaste.
 Figura 3.6 Gráficas de residuos para la verificación de supuestos

4.3 Diseño en cuadrado grecolatino.

Con el diseño en cuadro grecolatino (DCGL) se controlan tres factores de bloque,
además del factor de tratamiento. Se llama cuadro grecolatino porque los cuatro
factores involucrados se prueban en la misma cantidad de niveles, de aquí que se
pueda escribir como un cuadro (ver tabla 3.5); además, se utilizan letras latinas para
denotar a los tratamientos y letras griegas para nombrar a los niveles del tercer
factor de bloque.

Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer sólo
una vez en cada renglón y en cada columna. Además, cada par de letras debe
aparecer sólo una vez en todo el arreglo. El modelo estadístico que describe a las
mediciones en un cuadro grecolatino está dado por 𝑌𝑖𝑗𝑙𝑚 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜑𝑚 +
𝜀𝑖𝑗𝑙𝑚

Donde 𝑌𝑖𝑗𝑙𝑚 es la observación o respuesta que se encuentra en el tratamiento 𝑖 (𝑖 -

ésima letra latina), en el renglón 𝑗 , en la columna 𝑙 y en la 𝑚-ésima letra griega;
es el efecto del tratamiento 𝑖 , 𝛾𝑗 es el efecto del renglón 𝑗 , 𝛿𝑙 representa el efecto
de la columna 𝑙 y 𝜑𝑚 representa el efecto de la 𝑚 -ésima letra griega, que son los
niveles del tercer factor de bloque; el término 𝜀𝑖𝑗𝑙𝑚 representa el error aleatorio
atribuible a la medición𝑌𝑖𝑗𝑙𝑚 .Es importante no confundir las letras griegas del
modelo que representan efectos, con las letras griegas en el diseño que simbolizan
a los niveles del tercer factor de bloque. La variabilidad total presente en los datos
se puede partir de la manera usual como

𝑆𝐶𝑇 = 𝑆𝐶𝑇𝑅𝐴𝑇 + 𝑆𝐶𝐵1 + 𝑆𝐶𝐵2 + 𝑆𝐶𝐵3 + 𝑆𝐶𝐸

donde las sumas 𝑆𝐶𝐵1 + 𝑆𝐶𝐵2 + 𝑆𝐶𝐵3 miden la variabilidad debida a los factores de
bloque renglón, columna y de letras griegas, respectivamente. Para tratamientos,
los grados de libertad correspondientes a cada suma son

𝑘 2 − 1 = (𝑘 − 1) + (𝑘 − 1) + (𝑘 − 1) + (𝑘 − 3) + (𝑘 − 1)

Un bosquejo del análisis de varianza se muestra en la tabla 3.6, en la cual se

prueban las hipótesis de igualdad de letras latinas (tratamientos), de renglones, de
columnas y de letras griegas.
Tabla 3.6 ANOVA para el diseño en cuadro grecolatino
4.4 Uso de un software estadístico.
Para capturar los datos en Minitab para el diseño de bloques se sigue la siguiente
secuencia:

Primeramente, en la hoja de cálculo de Minitab, se capturan los datos en las

columnas uno dos y tres de la siguiente manera:

a) En la columna uno se captura el método u tratamiento indicando de que

método se trata y cuantas repeticiones hay del mismo, repitiendo el mismo
número 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4

b) En la segunda columna se anota el operador, en la posición que le

corresponde. 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4

c) En la tercera columna se anota el dato numérico de la tabla de datos, es decir

el tiempo promedio para este caso.

6, 9, 7, 8, 7, 10, 11, 8, 10, 16, 11, 14, 10, 13, 11, 9

d) En el cuadro de captura será en ANOVA de dos factores, en la ventana de

captura se anotará en Respuestas el nombre de la tercera columna, en este caso
dato, en el cuadro del factor fila se anota el nombre de la primera columna que
corresponde al método o tratamiento, en el factor columna se anota el nombre
del factor bloque que en este caso es operador

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:

f) En la columna uno, se captura la posición (para el problema de comparación de

llantas) indicando cuantas repeticiones hay de ese número repitiendo el mismo
número 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4

g) En la segunda columna se anota el carro, tal y como se indica en el diseño del

cuadro. 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4

h) En la tercera columna se anota la letra que corresponde a la marca de las llantas

en la secuencia que le corresponda según los números de la columna anterior,
C, D, A, B, B, C, D, A, A, B, C, D, D, A, B, C

i) En la cuarta columna se anota los valores correspondientes a la respuesta, es

decir, el desgaste. 12, 11, 13, 8, 14, 12, 11, 3, 17, 14, 10, 9, 13, 14, 13, 9

j) Ahora en Estadísticas de Minitab, seleccionar ANOVA, luego Modelo linear

general.

k) En respuesta seleccionar la columna cuatro (desgaste) dando dos clics con el

ratón, luego en Modelo, indicar con dos clics del ratón, carro, marca y desgaste
(recordar que esto se hace en el cuadro principal de la izquierda quedando de
manera continua sin comas, pero con su espacio de separación)

l) En factores aleatorios se deja en blanco, y se indica aceptar, y obtendremos el

resultado.

Para capturar los datos en Minitab para el cuadro grecolatino (ANOVA de tres
factores de bloque) se sigue la siguiente secuencia:

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:

a) En la columna uno se captura la tratamiento o método, indicando con un número

cuantas repeticiones hay de ese tratamiento, repitiendo el mismo número 1, 1, 1,
1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4

b) En la segunda columna se anota el operador (para el ejemplo de referencia), es

decir si es repetición 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4

c) En la tercera columna se anota el número que representa a la letra latina como

se colocaron el diseño del cuadro (para este caso el orden de las cuatro letras
iníciales fue C, B, D, y A (C = 1, B = 2, D = 3 y A = 4)). Anotando el número que
represente a cada letra indicada en el cuadro. 1, 2, 3 ,4, 2, 1, 4, 3, 4, 3, 2, 1, 3, 4,
1,2

d) En la cuarta columna se anota el número que representa a la letra griega como

se colocaron el diseño del cuadro (para este caso el orden de las cuatro letras
iníciales fue anotando el número que represente a cada letra indicada en el cuadro.

1, 2, 3, 4, 4, 3, 2, 1, 3, 4, 1, 2, 2, 1, 4, 3

e) En la quinta columna se anota los valores correspondientes a la respuesta, es

decir, el tiempo o promedio (para este ejemplo), siendo:

10, 10, 12, 7, 8, 15, 7, 14, 6, 14, 11, 13, 11, 8, 10, 8

f) Ahora en Estadísticas de Minitab, seleccionar ANOVA, luego Modelo linear

general.

g) En respuesta seleccionar la columna quinta (tiempo o promedio) dando dos clics

con el ratón, luego en Modelo, indicar con dos clic del ratón, método, operador,
orden y lugar (recordar que esto se hace en el cuadro principal de la izquierda)

h) En factores aleatorios se deja en blanco, y se indica aceptar, y obtendremos el

resultado.
CONCLUSIÓN

En este trabajo podemos darnos cuenta de la importancia del diseño de

experimentos, o dicho de otra manera, el planear paso a paso las operaciones para
así obtener un resultado satisfactorio a nuestro problema planteado. Para el diseño
de un experimento debemos tener en cuenta los efectos y las características de
nuestro problema a resolver. Como se puede apreciar un diseño debe de ser lo más
sencillo posible y así poder ahorrar tiempo, inversión y personal, pero no por eso se
deben de olvidar considerar los principios básicos en el diseño. Observamos el
trabajo conjunto de los investigadores con los estadísticos que nos llevan a obtener
una mejor planeación del experimento, aunque tiene sus desventajas se puede
notar que actuando de manera correcta se puede cambiar la forma de ver de los
inconvenientes que puede representar el alto costo que se tiene con los
estadísticos.
REFERENCIAS BIBLIOGRAFICAS
Johnson Richard .
“Probabilidad y estadística para ingenieros”.
Quinta edición. Editorial Prentice Hall. México 1997

Levin, Richard. Rubin, David.

“Estadística para administradores”.
Sexta edición Editorial Prentice Hall. México 1996

Mendelhall, William. Reinmuth, James.

“Estadística para administración de economía”.
editorial: Iberoamérica, México 1978

Montgomery, Douglas C.
probabilidad y estadística para ingeniería‖. Tercera edición.
Editorial Continental CECSA.
Año 1993. Páginas 263-278.

Stevenson, William.
“Estadistica para administración y economía: conceptos y aplicaciones”.
Editorial Alfa Omega. México 1981