Diseño de bloques completos al azar

1. Introducción
En muchos problemas experimentales, es necesario diseñar el experimento de tal manera
que la variabilidad proveniente de otras fuentes pueda ser sistemáticamente controlada. Si esta
variabilidad no es controlada, el error experimental (variabilidad entre unidades experimentales
que son tratadas igual o  2 ) reflejará tanto el error experimental como la variación adicional de
otras fuentes. Lo que queremos es que el error experimental sea tan pequeño como sea posible.
Un diseño que nos ayuda a contabilizar y remover esta fuente adicional de variación es el diseño
de bloques completamente al azar (DBCA).
En el DBCA, las unidades experimentales están agrupadas primero en grupos homogéneos
llamados bloques y los tratamientos están asignados al azar dentro de los bloques. Es llamado
completo debido a que cada bloque recibe todos los tratamientos. La variabilidad no controlada
por las fuentes extrañas es ahora controlada por el bloqueo. Esta estrategia de diseño puede
mejorar la exactitud de las comparaciones entre tratamientos reduciendo la variabilidad entre las
unidades experimentales. Note que los bloques proveen de una replicación del experimento.
Factores de bloqueo comunes: localidad, tiempo, individuos.

2. Diseño

Bloqueo
El objetivo primario de organizar las unidades experimentales dentro de bloques es el de
reducir la variación residual. Esta reducción se logra haciendo a la unidades experimentales lo mas
parecido posible dentro de un bloque y los mas diferente posible entre bloques. Al asignar a los
tratamientos dentro de cada bloque, las diferencias entre tratamientos son observadas usando la
variación dentro de bloque, la cual es mas pequeña.
En un DBCA las unidades experimentales son divididas en r bloques cada uno consistiendo
de t unidades experimentales. Los bloques son construidos de tal manera que, las t unidades
experimentales dentro de un bloque son similares y las unidades experimentales en bloques
diferentes no lo son.
El criterio final para juzgar un DBCA será su habilidad para reducir la varianza residual.

Asignación de tratamientos
Tomando cada bloque, los t tratamientos son aleatoriamente asignados a los t unidades
experimentales dentro de un bloque. En esencia, cada bloque es un diseño completamente
aleatorio no replicado. Debido a que el DBCA describe como los tratamientos serán asignados al
material experimental es otro ejemplo de un diseño experimental.

3. Modelo

Formula Estadística:
yij    B j   i  eij i = 1, 2, ..., t, j = 1, 2, ..., r
Donde:
y ij es la observación en el j-ésimo bloque recibiendo el i-ésimo tratamiento,
 es la media general,
 i es el efecto del i-ésimo tratamiento
 B j es el efecto del j-ésimo bloque y
e ij es el efecto residual en el j-ésimo bloque recibiendo el i-ésimo tratamiento.

La adición del efecto del termino bloque en la formula es un reflejo de la aleatorización

restringida. Esto es, a diferencia del diseño completamente al azar, cada tratamiento esta presente
exactamente una vez en cada bloque. En este punto diferiremos la discusión de efectos fijos o
aleatorios para mas tarde.
1. Valor esperado
E  y ij      i
La media de la variable dependiente será diferente para cada tratamiento. Esto asume que
los bloques son aleatorios. Si los bloques son tratados como fijos, entonces debe añadirse él
termino Bj al valor esperado. Además debemos tenemos que asumir que las diferencias entre
tratamientos permanecen constantes a través de bloques, esto es:
E  yij  yi ' j    i   i '
2. Varianzas y covarianzas
Var  yij    2   B2
La covarianza entre observaciones en el mismo bloque es  B2 . La covarianza entre
observaciones en diferentes bloques es cero. Esto es, observaciones en el mismo bloque son más
similares que observaciones en diferentes bloques. Si los bloques son fijos, la varianza sería  2 y
todas las covarianzas sería cero.
3. Distribución
Normal
Se han hecho un numero importante de supuestos. En el caso de que el efecto de bloque
sea fijo, se asume que los efectos de bloques y tratamiento son aditivos. También se asume que la
variabilidad es constante a través de bloques y tratamientos.

4. Estimación
No existen diferencias en nuestros estimadores de diferencias entre tratamientos o sus
errores estándar. Existirá diferencia en el estimador de  2 y los grados de libertad.

5. Cuadro de análisis de varianza

Fuente gl SC CM E(CM) F
Bloques r-1 SCBloque CMBloque t B2   2
Tratamiento t-1 SCTrt CMTrt rk t2   2 CMTrt
F
CMerror
Error (r-1)(t-1) SCerror CMerror 2


r
j 1
y .2j y ..2
SCBloques = 
t rt
 
t
i 1
y i2. y ..2
SCTrt = 
r rt

 
t r
t r y2 y .2j y ..2
 y i 1 i . j 1
SCerror = 2
ij   
i 1 j 1 r t rt

Las media y varianza de un tratamiento pueden obtenerse de la siguiente manera:


E  y1.  y 2.   E    1  B.  e1.      2  B.  e 2.  
 E  1   2  e1.  e 2. 
  1  2
Var  y1.  y 2.   Var  1   2  e1.  e 2. 
2 2
 
r r
Lo importante aquí es que al comparar medias de tratamiento el efecto del bloque se
elimina.

6. Eficiencia del bloqueo

La efectividad del bloqueo puede ser juzgado usando la tasa de la varianza residual usando
bloques (  BA
2
) con la varianza residual sin bloqueo (  CA
2
), esto es:
 BA
2

 CA
2

La cual es llamada eficiencia relativa y es el numero de replicas de un diseño completamente al

azar necesarios para obtener el mismo error estándar como una replicación única de un DBCA. Por
ejemplo, una eficiencia relativa de 1.2 indicaría que por cada 5 replicaciones de un DBCA se
necesitarían 6 = 1.2 x 5 replicas de un diseño completamente aleatorio para obtener el mismo
error estándar.
Un estimador de la eficiencia relativa puede obtenerse utilizando la siguiente ecuación:

re 
r  1CMBloque  r t  1CMerror
rt  1CMerror
7. Ejemplo
Objetivo: Comparar la tasa de emergencia de semillas de soya, 3 tratamientos (2 tratamientos y un
control sin tratamiento).
El siguiente arreglo fue usado:
Rep 1 Rep 2 Rep 3

Diseño de tratamiento:
- Factor tratamiento: Semillas tratadas
- Niveles de tratamiento:Tres (Control, Arasan y Aspergon)
Diseño Experimental:
- El terreno esta localizado en una pendiente
- Los bloques se forman basándose en la elevación
- 3 parcelas por cada elevación
- 3 replicas de un DBCA

Los datos consisten del numero de plantas que emergen de un total de 100 que fueron
plantadas. Note que quizá una distribución Binomial podría ser una selección más adecuada.
Formula estadística
yij    B j   i  eij
Donde:
y ij es la tasa de emergencia de las semillas tratadas con el i-ésimo tratamiento en el j-
ésimo bloque,
 es la media general de la tasa de emergencia,
 i es el incremento en la tasa de emergencia de la semillas tratadas con el i-ésimo
tratamiento,
Bj
es el incremento en la tasa de emergencia para las semillas en el j-ésimo bloque y
e ij
es el incremento en la tasa de emergencia por usar el i-ésimo tratamiento en el j-ésimo
bloque.

Datos: Bloque Trartamiento Resp

1 1 2.9
1 2 2.5
1 3 2.1
2 1 1.7
2 2 1.4
2 3 1.1
3 1 2.0
3 2 1.5
3 3 1.0

Codificación para el análisis:

Proc glm;
Classes blk trt;
Model resp=blk trt;
lsmeans trt;
run;

Resultados:
The GLM Procedure
Class Level Information
Class Levels Values
blk 3 1 2 3
trt 3 1 2 3
Number of observations 9
 The GLM Procedure
Dependent Variable: resp
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 4 3.18000000 0.79500000 79.50 0.0005
Error 4 0.04000000 0.01000000
Corrected Total 8 3.22000000

R-Square Coeff Var Root MSE resp Mean

0.987578 5.555556 0.100000 1.800000

Source DF Type I SS Mean Square F Value Pr > F

blk 2 2.22000000 1.11000000 111.00 0.0003
trt 2 0.96000000 0.48000000 48.00 0.0016

Source DF Type III SS Mean Square F Value Pr > F

blk 2 2.22000000 1.11000000 111.00 0.0003
trt 2 0.96000000 0.48000000 48.00 0.0016

The GLM Procedure

Least Squares Means
trt resp LSMEAN
1 2.20000000
2 1.80000000
3 1.40000000

The GLM Procedure

Dependent Variable: resp
Contrast DF Contrast SS Mean Square F Value Pr > F
t1 vs t2 1 0.24000000 0.24000000 24.00 0.0080
t2 vs t3 1 0.24000000 0.24000000 24.00 0.0080

Resumen

DCA vs DBCA
- La mayor ventaja del DCA es su simplicidad
- Si los bloques se construyen adecuadamente, la ventaja del DBCA es que obtenemos mayor
precisión
- Con un numero grande de tratamientos puede resultar difícil formar bloques efectivos
- En paso de análisis es la aleatorización usada la que conduce a que análisis usar.
- En algunas ocasiones del DCA es un mejor diseño:
o El formar bloques únicamente por hacerlos no es una buena idea
o Bloquear incorrectamente empeora las cosas.