Adiestramiento

* Diseños por bloques incompletos balanceados
   Puede darse el caso que en algunos experimentos que usan Diseños Aleatorizados por Bloques no se puedan llevar a cabo los ensayos de todas las combinaciones de tratamientos dentro de cada bloque; ya sea por la escasez de los recursos del experimento, por la situación económica, o por el tamaño físico de los bloques. Para analizar estos tipos deexperimentos se usa el Diseño Aleatorizado por Bloques en los que cada tratamiento no está presente en cada bloque; y a este tipo de Diseño se conocen como Diseño Aleatorizado por Bloques Incompletos.
   Un Diseño particular de ellos son los Diseños por Bloques Incompletos Balanceados; el cual consiste en un Diseño por Bloques Incompleto en el que cualquier par de tratamientos ocurren juntos elmismo número de veces. Si se tienen tratamientos a y se pueden probar k (k tratamientos en cada bloque entonces un Diseño Balanceado por Bloques Incompletos puede ser construido tomando (a k) combinaciones de bloques y asignándose una combinación de tratamientos diferentes a cada bloque. Sin embargo frecuentemente es posible obtener un Diseño Balanceado con menos de (a k) combinaciones de bloques.pincha aquí  pasa ver:
* REPRESENTACIÓN SIMBÓLICA DE LOS DATOS
*  MODELO ESTADÍSTICA
* SUMAS Y MEDIAS DE CUADRADOS
* ANÁLISIS ESTADÍSTICA
* ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO
* COMPARACIÓN ENTRE TRATAMIENTOS
*   Análisis de datos-Ejemplo
DISEÑO COMPLETAMENTE ALEATORIZADO PRO BLOQUES en R
 
> Block=rep(c("P15","P20","P25","P30","P35"),c(4,4,4,4,4))
>Treat=rep(c("A","B","C","D"),5)
> Datos=c(7,12,14,19,7,17,18,25,15,12,18,22,11,18,19,19,18,19,23,11)
> Data=cbind(Datos,Treat,Block)
> par(mfrow=c(1,2),cex=.8)
> interaction.plot(Treat,Block,Datos,type="b",legend=FALSE)
> interaction.plot(Block,Treat,Datos,type="b",legend=FALSE)
> M<-matrix(Datos,nrow=4,ncol=5)
> dimnames(M)=NULL
>rownames(M)=c("A","B","C","D");colnames(M)=c("P15","P20","P25","P30","P35")
> M
  P15 P20 P25 P30 P35
A   7   7  15  11  18
B  12  17  12  18  19
C  14  18  18  19  23
D  19  25  22  19  11

> library(lattice)
> B=stripplot(Block~Datos|Treat,layout=c(4,1))
> A=stripplot(Treat~Datos|Block,layout=c(5,1))
> print(A,plit=c(1,1,1,2),more=T)
> print(B,plit=c(1,2,1,2),more=F)

>Data=as.data.frame(Data)
> Da=as.list(Data)
> plot.design(Datos~Da$Treat+Da$Block)
> mod.aov=aov(Datos~Da$Treat+Da$Block)
> summary(mod.aov)

> library(PASWR)
> checking.plots(mod.aov)
> CI=TukeyHSD(mod.aov,which="Da$Treat")
> Media=NULL;for(j in 1:4){Med=mean(M[j,]);Media=c(Media,Med)}
> barplot(Media,ylim=c(0,30))
> library(psych)
> error.bars(t(M),add=T)
>par(mfrow=c(2,2))
> plot(mod.aov,pch=20)

> Mm=NULL;for(i in 1:4){S=mean(M[i,]);Mm=c(Mm,S)}
> Mn=NULL;for(i in 1:5){S=mean(M[,i]);Mn=c(Mn,S)}
> m=cbind(M,Mm)
> m=rbind(m,c(Mn,mean(Mm)))
> SSblock=4*sum((m[5,1:5]-mean(Datos))^2)
> SStrat=5*sum((m[1:4,6]-mean(Datos))^2)
> SS=NULL;for(j in 1:4){S=sum(((M[j,]-mean(M)))^2);SS=c(SS,S)}
> SStot=sum(SS)
>SSerror=SStot-SStrat-SSblock

Diseños con dos o más factores bloque.
En ocasiones hay dos (o más) fuentes de variación lo suficientemente importantes como para ser designadas factores de bloqueo. En tal caso, ambos factores bloque pueden ser cruzados o anidados.
Los factores bloque están cruzados cuando existen unidades experimentales en todas las combinaciones posibles de los niveles de los factores bloques.Diseño con factores bloque cruzados. También denominado diseño fila-columna, se caracteriza porque existen unidades experimentales en todas las celdas (intersecciones de fila y columna).
El modelo matemático de este diseño es:
 

 
Los factores bloque están anidados si cada nivel particular de uno de los factores bloque ocurre en un único nivel del otro factor bloque.
Diseño con...