DISEO EN BLOQUES AL AZAR

(Completely randomized block design)

Aplicacin del SAS al Diseo de Experimentos en Produccin Animal-7

DISEO EN BLOQUES AL AZAR

BLOQUES: restriccin en el diseo para evitar que
en un experimento los tratamientos se vean
favorecidos por diferencias en el clima, suelo,
potencial gentico de los animales, etc.

ModeloGeneral : Yij t b e
i

ij

Los tratamientos se asignan al azar dentro de los bloques

Cada bloque contiene todos los tratamientos

EJEMPLOS
Fertilidad del Suelo

Si no se hacen bloques:
+

Errores NO
INDEPENDIENTES
-

4 Drogas, Ratones de 5 camadas

Otros ejemplos: Hojas de la misma planta, estado de lactacin, peso inical

DIFERENCIA BLOQUES VS. COMPLETAMENTE AL AZAR

Ejemplo: Prueba de degustacin de carne. Diez jueces + cuatro muestras
de carne diferentes.

Juez

Carne1 Carne2 Carne3 Carne4 Total

10
Total

9
6
66

8
6
49

9
7
63

5
4
45

31
23
223

Fuentes var.

g.l.

S.C.

C.M.

Carnes

31.9

10.6

5.53 (3.27)

Bloques

58.5

6.5

3.39 (9.27)

Error

27

51.4

1.9 (s2)

Total

39

141.8

DIFERENCIA BLOQUES VS. COMPLETAMENTE AL AZAR

El diseo en bloques reduce el nmero de g.l. de la F
de los tratamientos. Si los bloques no reducen
efectivamente la variabilidad, el anlisis en bloques
aumenta el error de Tipo II (probabilidad de no
declarar diferencias cuando las hay).

SEd 2 * s / b

g.l. (t) 2b - 2

PLOT OF THE DATA/RANDOMIZED BLOCK DESING

USO DE GLM VS MIXED PARA BLOQUES

Proc glm;
Class est sex block ;
Model gain=est sex block;
Lsmeans est sex block;
Run;
Proc mixed;
Class sex est block ;
Model gain=sex est;
Random block;
Lsmeans sex est;
Run;

PROC MIXED
Combina efectos fijos con efectos aleatorios

EFECTOS FIJOS
Niveles predeterminados del factor que se estudia en el
experimento (nivel de lisina, %AG n-3, raza). Nos interesa conocer
su significacin (ANOVA) y hacer comparaciones entre medias. Las
conclusiones slo pueden generalizarse a esos niveles de
tratamientos.

EFECTOS ALEATORIOS
Se introducen para reducir CME. No interesa conocer significacin
ni valores medios.
Ej: camada, ao, granja, laboratorio, parcela Las unidades
pueden sustituirse sin alterar objetivos. Las conclusiones pueden
generalizarse si la muestra es al azar.

TEXTO MATERIAL Y METODOS

Statistical analyses
Individual data of fattening and digestibility trial were
analysed as a completely randomised block design with
type of diet and litter (block) as main effects by using the
MIXED procedure of SAS (SAS Institute, 1990). The cage was
used as experimental unit in the analysis of the mortality
in collective cages. Clostridium perfringens counts and
fattening mortality results were analysed by using the
binomial distribution and the GENMOD procedure of SAS,
and including trial as a block effect in the model. The
effects of diet were analysed as a factorial arrangement
with two sources and two levels of fibre inclusion.
Contrasts of treatments against the C diet were done by
using a Dunnett test. Specific contrasts among means were
done when needed.

N UD/BLOQUE > N TRATAMIENTOS

Posibilidad de aumentar n de controles.
Ejemplo: 3 bloques; 9 ud/bloque; 1 control + 6
tratamientos 3 controles y 6 trato/bloque
bloques : (b12 ... b32 ) 9 ( x) 2 27

Tratamientos : (t12 ... t62 ) 3 tc2 9 ( x) 2 27

Total : x 2 - ( x) 2 27
Error : por diferencia
SEd (control vs. tratamientos) : s 2 / 2 s 2 / 3 s 0.44
SEd (entre tratamientos) : 2s 2 / 3 s 0.66

N UD < N TRATAMIENTOS
Ejemplo 1: 6 tratamientos; 6 bloques con 5 unidades; 30
unidades experimentales
Cada tratamiento debe aparecer 5 veces
Los distintos tratamientos deben aparecer tan a menudo
como sea posible en cada bloque.
= omitir un tratamiento en cada bloque

B
C
D

B
C
D

B
C
E

B
D
E

C
D
E

C
D
E

Natural blocking structure of 30 units in six blocks of

five units each;treatment allocation desing optimizing
the precision of all treatment comparisons

N UD < N TRATAMIENTOS
Ejemplo 2: idem con 4 ud/bloque (24 ud
experimentales)
6 pares de tratamientos (AB, AD, BD, BE, CF,
EF) se comparan tres veces en cada bloque, el
resto slo dos veces
A

B
C
D

B
D
E

C
D
F

C
E
F

C
E
F

D
E
F

Allocation of six treatment to units in six blocks

of four units each achieving the most even
possible precision of treatment comparisons

CUADRADO LATINO
La estructura del diseo en cuadrado latino consiste en bloquear en dos
direcciones. Para un experimento con t tratamientos, t2
unidades
experimentales se distribuyen en un cuadrado con t filas (row block) y t
columnas (column blocks). Los tratamientos se asignan al azar pero con dos
restricciones: Cada tratamiento se encuentra una vez, y slo una vez, en
cada fila y en cada columna.

II

III

1 (B)

2 (A)

3 (C)

4 (A)

5 (C)

6 (B)

7 (C)

8 (B)

9 (A)

Yij ri c j tk (ij ) eij

EJEMPLOS
Bloques por camada y peso inicial
Dos tendencias de fertilidad en el suelo
Luz y temperatura en una nave
ANLISIS DE LA VARIANZA: similar a bloques al azar con dos restricciones
(filas y columnas) en vez de una. Para el caso de t tratamientos:

Sourceof var iation

s.s.

d.f.

2
R 12 R 22 ... R f2 ( (x))
Rows

t -1
2
t
r
2
C12 C 22 ... C f2 ( (x))
Columns

t -1
2
t
r
2
T12 T22 ... Tf2 ( (x))
Treatments

t -1
2
t
r
Error
by subtraction
( t - 1)(t - 2)

Total

( x)

(x )

t2

t 2 1

m.s.

s2

EJEMPLO DE CLCULO: (MEAD Y CURNOW)

Efecto de la alimentacin de invierno sobre la produccin de
protena microbiana en el rumen. 4 dietas (A, B, C, D) con
concentracin energtica decreciente durante cuatro periodo de
tres semanas a cada vaca. (La sntesis de protena se meda slo
durante la 3 semana).

PERIOD

COW

1
2
3
4

1
A192
B190
C214
D221
817

2
B195
D203
A139
C152
689

3
C292
A218
D245
B204
959

4
D249
D210
B163
A134
756

Totals
928
821
761
711
3221

ANLISIS VARIANZA DE UN CUADRADO LATINO EN SAS

Proc glm;
Class row col trtmt;
Model yield = row col trtmt;
Run;
Proc mixed;
Class row col trtmt;
Model yield = trtmt;
Random row column;
Run;

EJEMPLO DE CLCULO: (MEAD Y CURNOW)

Var. Due to

d.f.

s.s.

m.s.

Periods

6539

2180

Cows

9929

3310

Diets

8608

2869

Error

811

135

Total

15

25887

21.2**

Mean yields (Ib): A, 171; B, 188; C, 217; D, 230

SE para comparar dos medias de trato =

2 *135 / 4 8.2; g.l. 4 4 - 2 6

SWITCH-BACK DESIGNS

(T.R.MORRIS)

Efecto de la infusin de CLA en duodeno sobre el

% grasa en leche (Bauman y Griinari, 2001)
Infusin

% grasa leche

3.5
3
2.5
2
1.5
-3

-2

-1

Da
10,12 CLA

9,11 CLA

Control

TABLA DE NMEROS AL AZAR

ASIGNACIN DE TRATAMIENTOS AL AZAR

Para cada valor de t (nmero de tratamientos) hay un gran nmero de
cuadrados que cumplen las condiciones del diseo.
Mtodo con nmeros al azar (Mead y Curnow):

i)

Escribir un cuadrado cualquiera:

1(5) A B

C D

2(6) C A D B

3(7) D C

B A

4(8) B D A C
i)

Asignar al azar las filas:

6 4 1 7/ 1 8 4 3 9 7 3 7 6 / 6 5 5 8 6 0 8 7 4 5 0
Row 2

Row 4

Row 1

Row 3

1(5) 2(6) 3(7) 4(8)

ASIGNACIN DE TRATAMIENTOS AL AZAR

6 4 1 7/ 1 8 4 3 9 7 3 7 6 / 6 5 5 8 6 0 8 7 4 5 0

iii) Asignar al azar las columnas

COLUMN 1 COLUMN 4

COLUMN 3

COLUMN 2

iv) Asignar al azar los tratamientos:

A

1(5)=T2

T4

T1

T3

T2

2(6)=T1

T1

T4

T2

T3

3(7)=T4

T2

T3

T4

T1

4(8)=T3

T3

T2

T1

T4

ASIGNACIN DE TRATAMIENTOS AL AZAR EN SAS

USO DE PROC PLAN:
EJEMPLO 1: diseo completamente al azar, 4 piensos, 24 jaulas
Proc plan seed=11111;
Factors jaulas=24;
Treatments pienso=24 cyclic (1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3
4 4 4 4 4 4 );
Output out =design;
Title diseo completamente al azar;
Run;

ASIGNACIN DE TRATAMIENTOS AL AZAR EN SAS

USO DE PROC PLAN:
EJEMPLO 2: bloques al azar: 6 bloques, 4 jaulas/bloque, 4
piensos
Proc plan seed=11111;
Factors bloque=6 jaula=4;
Treatments pienso=4 cyclic;
Output out =design;
Title diseo en bloques completamente al azar;
Run;

PROC PLAN LATIN SQUARE

title 'Latin Square Design';
proc plan seed=37430;
factors rows=4 ordered cols=4 ordered / noprint;
treatments tmts=4 cyclic;
output out=g
rows cvals=('Day 1' 'Day 2' 'Day 3' 'Day 4') random
cols cvals=('Lab 1' 'Lab 2' 'Lab 3' 'Lab 4') random
tmts nvals=( 0 100 250 450 ) random;
quit;
proc tabulate;
class rows cols;
var tmts;
table rows, cols*(tmts*f=6.) / rts=8;
run;

OUTPUT 53.4.1: A RANDOMIZED LATIN SQUARE DESIGN

cols
Lab 1

Lab 2

Lab 3

Lab 4

tmts

tmts

tmts

tmts

Sum

Sum

Sum

Sum

Day 1

250

100

450

Day 2

250

450

100

Day 3

100

450

250

Day 4

450

100

250

rows

TAMAO DEL EXPERIMENTO

El tamao del experimento(no de tratamientos) est restringido a
un mnimo de 4-5 y un mximo de 10-12.
Para tamaos grandes el experimento se hace demasiado
complejo.
Para tamaos pequeos el problema es que no hay suficientes
grados de libertad, dada la eliminacin de dos fuentes de variacin.
As, por ejemplo, supongamos que estudiamos 5 tratamientos en 25
parcelas, con 5 repeticiones por tratamiento, con diferentes
diseos:
AZAR

SST gl=4

SSE gl=20

BLOQUES

SST gl=4

SSB gl=4

SSE gl=16

C. LATINO

SST gl=4

SSR gl=4

SSC gl=4

SSE gl=12

TAMAO DEL EXPERIMENTO

Una forma de soslayar esta dificultad, manteniendo las dos
direcciones de bloqueo, es usar ms de un cuadrado latino. Hay dos
formas de hacerlo (Mead y Curnow):

B A C
C B A
A C B

C B A
B A C
A C B

(a)

(b)

LOS ANLISIS DE VARIANZA SON DIFERENTES(A)

En (a) los dos cuadrados se tratan independientemente para la
asignacin de tratamientos
Sourceof var iation
s.s.
d.f.
2
G12 G 22 ( (x))
Between squares
9
18
Rows
(row s.s.)1 (row s.s.)2

Columns

(Columns s.s.)1 (Columns s.s.)2

2
T12 T22 ... Tf2 ( (x))
Treatments

6
18
Error
by subtraction

Total

(x

( x)

4
2
6

17

18
(G1 y G 2 are the sums of the yields in square one and two respectively : T1 y T2 .
T3 are treatment totals of 6 units each, 3 in each square.)

LOS ANLISIS DE VARIANZA SON DIFERENTES(B)

En (b) los dos cuadrados se amalgaman en un rectngulo, en el
que cada tratamiento aparece una vez en cada columna y dos veces
en cada fila.
Sourceof var iation
s.s.
d.f.
Rows

2
R 12 R 22 ... R 32 ( (x))

6
18

2
C12 C 22 C32 C 24 C52 C 62 ( (x))
Columns

3
18
2
T12 T22 ... T32 ( (x))
Treatments

6
18
Error
by subtraction

Total

(x

( x)

2
5
2
8

17

18
( El modelo (B) tiene ventajas pro el mayor nmero de grados de libertad
en el error (8 vs. 6)

META - ANLISIS
PROC MIXED;
CLASS study tau;
MODEL Y = tau;
RANDOM study study * tau;
LSMEANS tau;
RUN;

PROC MIXED;
CLASS study;
MODEL Y = X/SOLUTION;
RANDOM study study * X;
RUN;

PROC MIXED;
CLASS study tau;
MODEL Y = tau X tau * X;
RANDOM study study * tau study * X;
LSMEANS tau;
RUN;
Sauvant et al., (2008) Animal 2, 1203

EXAMPLES OF META-ANALYSES
1. Empirical modelling of biological multiple
responses (digestion, meat or milk
composition, performance , health, emissions)
allowing to establish optimal
-nutrient recomendations (eg AAs, fibre, or P),
-environmental conditions (eg temperature)
For different BW, physiological stage, type of
diet, etc.

PREDICTION DIGESTIBLE P

Range independent variables:

BW: 7.3-70 kg
Ca: 0.1-14.1 g/kg
PP: 0.236-4.13
NPP: 0.363-5.33 g/kg
NPPp: 0.348-2.29 g/kg
PhytP: 9-1731 FTU/kg
PhytM: 62-1565 FTU/kg

Letourneau et al., 2012

EXAMPLES OF META-ANALYSES
2. Global hypothesis testing=assess efficacy
and safety of new technologies:
36 separate studies on the effect of feeding
yeasts to dairy cows (Poppy et al., 2012)
(Cr, biotin, betaine, fat, monensin,
inmunocastration, etc.)
Legislation: unbiased overviews of the available
evidence on product claims.

FOREST PLOT: STANDARDIZED MEAN DIFFERENCE (SMD)

= EFFECT SIZE (ES) = DIF (TREAT-CONTR/POOLED S) + CI 95%
Dairy cattle: Responses to
Biotin suppl.

Chen et al., 2011