Este documento presenta tres ejemplos de diseños de experimentos con diferentes tamaños de unidades experimentales (diseños de parcelas divididas). Explica los conceptos clave detrás de estos diseños, incluida la identificación de diferentes tamaños de unidades experimentales y sus correspondientes estructuras de diseño y tratamientos. También describe los modelos estadísticos apropiados para analizar los datos de este tipo de diseños experimentales.
en este documento se encontrara el resumen de como es un diseño completamente al azar, un diseño latino lo cual se ve en el área de diseño experimental
en este documento se encontrara el resumen de como es un diseño completamente al azar, un diseño latino lo cual se ve en el área de diseño experimental
CONSIDERACIONES TÉCNICAS Y ECONÓMICAS PARA PROMOVER EMPRENDIMIENTOS RURALES INCLUSIVOS EN LA PRODUCCIÓN Y COMERCIALIZACIÓN DE CUYES EN EL PROYECTO HAKU WIÑAY/ NOA JAYATAI
Philippe Dye. John Deere Water. Durante el VII Taller: "Estudio de Potencial de Ampliación de Irrigación en Argentina", realizado en Buenos Aires, desde el 28 al 30 de abril de 2014.
Más información en http://www.fao.org/americas/eventos/vii-taller-irrigacion-argentina/es/
CONSIDERACIONES TÉCNICAS Y ECONÓMICAS PARA PROMOVER EMPRENDIMIENTOS RURALES INCLUSIVOS EN LA PRODUCCIÓN Y COMERCIALIZACIÓN DE CUYES EN EL PROYECTO HAKU WIÑAY/ NOA JAYATAI
Philippe Dye. John Deere Water. Durante el VII Taller: "Estudio de Potencial de Ampliación de Irrigación en Argentina", realizado en Buenos Aires, desde el 28 al 30 de abril de 2014.
Más información en http://www.fao.org/americas/eventos/vii-taller-irrigacion-argentina/es/
EL MERCADO LABORAL EN EL SEMESTRE EUROPEO. COMPARATIVA.ManfredNolte
Hoy repasaremos a uña de caballo otro reciente documento de la Comisión (SWD-2024) que lleva por título ‘Análisis de países sobre la convergencia social en línea con las características del Marco de Convergencia Social (SCF)’.
“La teoría de la producción sostiene que en un proceso productivo que se caracteriza por tener factores fijos (corto plazo), al aumentar el uso del factor variable, a partir de cierta tasa de producción
Antes de iniciar el contenido técnico de lo acontecido en materia tributaria estos últimos días de mayo; quisiera referirme a la importancia de una expresión tan sabia aplicable a tantas situaciones de la vida, y hoy, meritoria de considerar en el prefacio del presente análisis -
"no se extraña lo que nunca se ha tenido".
Con esta frase me quiero referir a las empresas que funcionan en las zonas de Iquique y Punta Arenas, acogidas a los beneficios de las zonas francas, y que, por ende, no pagan impuesto de primera categoría. En palabras técnicas estas empresas no mantienen saldos en sus registros SAC, y por ello, este nuevo Impuesto Sustitutivo, sin duda, es una tremenda y gran noticia.
Lo mismo se puede extender a las empresas que por haber aplicado beneficios de reinversión sumado a las ventajas transitorias de la menor tasa de primera categoría pagada; me refiero a las pymes en su mayoría. Han acumulado un monto de créditos menor en su registro SAC.
En estos casos, no es mucho lo que se tiene que perder.
Lo interesante, es que este ISRAI nace desde un pago efectivo de recursos, lo que exigirá a las empresas evaluar muy bien desde su posición financiera actual, y la planificación de esta, en un horizonte de corto plazo, considerar las alternativas que se disponen.
El 15 de mayo de 2024, el Congreso aprobó el proyecto de ley que “crea un Fondo de Emergencia Transitorio por incendios y establece otras medidas para la reconstrucción”, el cual se encuentra en las últimas etapas previo a su publicación y posterior entrada en vigencia.
Este proyecto tiene por objetivo establecer un marco institucional para organizar los esfuerzos públicos, con miras a solventar los gastos de reconstrucción y otras medidas de recuperación que se implementarán en la Región de Valparaíso a raíz de los incendios ocurridos en febrero de 2024.
Dentro del marco de “otras medidas de reconstrucción”, el proyecto crea un régimen opcional de impuesto sustitutivo de los impuestos finales (denominado también ISRAI), con distintas modalidades para sociedades bajo el régimen general de tributación (artículo 14 A de la ley sobre Impuesto a la Renta) y bajo el Régimen Pyme (artículo 14 D N° 3 de la ley sobre Impuesto a la Renta).
Para conocer detalles revisa nuestro artículo completo aquí BBSC® Impuesto Sustitutivo 2024.
Por Claudia Valdés Muñoz cvaldes@bbsc.cl +56981393599
2. Diseño de experimentos – p. 2/24
Introducción
Los diseños experimentales que tienen varios tamaños de u.e.
son: diseños de mediciones repetidas, diseños de parcelas
divididas, algunos diseños anidados y diseños que tienen
combinaciones de ellos.
La característica que distingue a estos tipos de diseños es que
se utilizan más de un tamaño de u.e. Cada tamaño de u.e.
tiene sus propias estructuras de diseño y de tratamientos.
Ya que hay más de un tamaño de u.e., hay más de un término
de error, esto es, hay un término de error para cada tamaño de
u.e. lo cual está reflejado tanto en el modelo como en la tabla
de ANOVA.
3. Diseño de experimentos – p. 3/24
Parcelas Divididas
El diseño de parcelas divididas (split-plot) tiene su origen en
aplicaciones en Agricultura, donde las parcelas grandes
generalmente eran grandes áreas y las parcelas pequeñas
áreas pequeñas dentro de las grandes, y a cada una de los
dos tamaños de parcela le corresponde un tratamiento.
Por ejemplo, ciertas variedades de cultivo se podían sembrar
en áreas diferentes (parcelas grandes), una variedad en cada
parcela. Luego cada área se divide en k parcelas pequeñas y
cada una de estas puede ser tratada con un tipo de fertilizante
diferente.
La variedad del cultivo es el tratamiento de la parcela grande y
el fertilizante el de la parcela pequeña.
4. Diseño de experimentos – p. 4/24
Parcelas Divididas
En general, el diseño de parcelas divididas se utiliza cuando
algunos factores requieren u.e. grandes, mientras que otros
factores las requieren más pequeñas.
Alternativamente, algunas veces encontramos que la
aleatorización completa no es factible por que es más difícil
cambiar los niveles de algunos factores, por lo que los factores
difíciles van a las parcelas grandes, mientras que los fáciles
van a las pequeñas.
Ejemplo de hornos y recetas de pastel.
5. Diseño de experimentos – p. 5/24
Parcelas Divididas
La clave para construir los modelos de los diseños de parcelas
divididas es identificar los diferentes tamaños de las unidades
experimentales e identificar sus correspondientes estructuras
de diseño y de tratamientos.
Las suposiciones de los modelos de parcelas divididas son las
usuales, en el sentido de que los términos de error para cada
una de los tamaños de ue se distribuyen independientemente
como normales con media cero y una varianza propia.
A continuación se muestran algunos ejemplos tomados de
varios libros.
6. Diseño de experimentos – p. 6/24
Ejemplo 1 parcelas divididas
Ejercicio 6, cap 14 Kuehl.
Un investigador de una compañía de mariscos quiere estudiar
el crecimiento bacterial en ostiones y mejillones sujetos a tres
temperaturas de almacenamiento.
Están disponibles nueve unidades de enfriamiento. Se
selecionaron aleatoriamente tres unidades para cada una de
las temperaturas.
Los ostiones (1) y los mejillones (2) se guardaron por dos
semanas en cada uno de las unidades de enfriamiento,
después de lo cual se contó el número de bacterias en una
muestra de ostiones y mejillones. Se registró el logaritmo del
conteo bacterial.
8. Diseño de experimentos – p. 8/24
Ejemplo 1
Este es un experimento de parcelas divididas en diseño
completamente al azar.
El modelo para este experimento es:
yijk = µ + Ti + Uj(i) + Mk + (TM)ik + ǫijk
i = 1, 2, 3 j = 1, 2, 3 k = 1, 2
donde:
Ti es el efecto de la temperatura (tratamiento de parcela
grande)
Uj(i) es el error de parcela grande (aleatorio)
Mk es el efecto de marisco (tratamiento de parcela pequeña)
(TM)ik interacción temperatura x marisco
ǫijk error de parcela pequeña (aleatorio)
9. Diseño de experimentos – p. 9/24
Ejemplo 1
Componente E(CM)
Temperatura σ2
+ 2σ2
U(T ) + 6θ2
T
Error (a)=U(T) σ2
+ 2σ2
U(T )
Marisco σ2
+ 9θ2
M
T x M σ2
+ 3θ2
T M
Error(b) σ2
Las F se construyen de la siguiente manera:
Temperatura: CMT /CMU(T )
Marisco: CMM /CME
T x M: CMT M /CME
10. Diseño de experimentos – p. 10/24
Ejemplo 1
F.V. gl SS CM F p-value
Temperatura 2 107.66 53.83 7.33 0.0245
Error (a) 6 44.05 7.34
Marisco 1 3.71 3.71 3.98 0.0929
T x M 2 2.65 1.32 1.42 0.3125
Error (b) 6 5.59 0.93
Total 17 163.66
Las estimaciones de los componenetes de varianza con el
método de Momentos son:
Componente Estimación % de varianza total
U(T) 3.21 77.48
Error (b) 0.93 22.53
Total 4.14 100.00
11. Diseño de experimentos – p. 11/24
Ejemplo 2 parcelas divididas
El dueño de una fábrica de papel está interesado en estudiar
el efecto de tres métodos diferentes de preparar la pulpa y
cuatro diferentes temperaturas de cocinado (horneado) para
la pulpa, en la resistencia del papel.
El investigador decide correr tres repeticiones de este
experimento factorial, por lo que necesita (3 x 4 x 3) 36
observaciones.
Sin embargo, la planta es capaz de hacer solamente 12
corridas por día, entonces el investigador decide correr una
repetición del factorial completo en cada uno de los 3 días
necesarios y considerar los días o repeticiones como bloques.
12. Diseño de experimentos – p. 12/24
Ejemplo 2
El experimento se llevó a cabo, en cada uno de los días, de la
siguiente manera:
Se produce un lote de pulpa con uno de los tres métodos bajo
estudio. Este lote de pulpa se divide en cuatro muestras y
cada muestra se cocina con una de las cuatro temperaturas.
Entonces, se produce el segundo lote de pulpa usando otro de
los tres métodos, el cual también se divide en cuatro muestras
que se cocinan con las cuatro temperaturas. El proceso se
repite usando un lote de pulpa producido por el tercer método.
Los datos son:
13. Diseño de experimentos – p. 13/24
Ejemplo 2
Bloque 1 Bloque 2 Bloque 3
Pulpa 1 2 3 1 2 3 1 2 3
Temp ◦
F
200 30 34 29 28 31 31 31 35 32
225 35 41 26 32 36 30 37 40 34
250 37 38 33 40 42 32 41 39 39
275 36 42 36 41 40 40 40 44 45
Inicialmente podríamos considerar que es un experimento
factorial con 3 métodos de preparación (A) y cuatro niveles de
temperatura (B) en bloques al azar.
14. Diseño de experimentos – p. 14/24
Ejemplo 2
Si este fuera el caso entonces el orden de experimentación
dentro del bloque debería ser completamente aleatorio.
Esto es, dentro de un bloque (día), deberíamos seleccionar
aleatoriamente una combinación de niveles (tratamiento) (un
método de preparación y una temperatura) y obtener una
observación, seleccionamos aleatoriamente otro tratamiento y
obtenemos una segunda observación, y así, sucesivamente,
hasta que se tengan las 12 observaciones en el bloque.
Sin embargo, el investigador no obtuvo sus datos de esa
manera. Él hizo un lote de pulpa (con alguno de los métodos)
y obtuvo las observaciones para las 4 temperaturas con el
mismo lote de pulpa. Dada la economía de preparar los lotes y
el tamaño de los lotes, ésta es la única forma factible de hacer
el experimento.
15. Diseño de experimentos – p. 15/24
Ejemplo 2
Cada bloque se divide en tres partes llamadas parcelas
grandes, y los métodos de preparación se llaman tratamientos
principales o de parcela grande.
Cada parcela grande se divide en cuatro partes llamadas
parcelas pequeñas, y se asigna al azar una temperatura a
cada una. La temperatura se llama tratamiento de la parcela
pequeña.
El modelo lineal para este diseño en parcelas divididas es:
yijk = µ+τi +βj +(τβ)ij +γk +(τγ)ik +(βγ)jk +(τβγ)ijk +ǫijk
16. Diseño de experimentos – p. 16/24
Ejemplo 2
donde
µ es la media general
τi efecto de método de preparación de la pulpa (i = 1, 2, 3)
βj efecto del bloque (j = 1, 2, 3)
(τβ)ij error de parcela grande
γk efecto de temperatura (k = 1, 2, 3, 4)
(τγ)ik y (βγ)jk interacciones
(τβγ)ijk error de parcela pequeña
ǫijk no estimable
parcelasdiv.jmp
18. Diseño de experimentos – p. 18/24
Ejemplo 2
Las estadísticas F se construyen de la siguiente manera:
Pulpa: CMP /CMP xB
Temperatura: CMT /CMBxT
P x T: CMP xT /CMP xBxT
B x T: no hay prueba
PxBxT: no hay prueba
19. Diseño de experimentos – p. 19/24
Ejemplo 2
FV gl SS CM F p-value
Pulpa 2 128.39 64.19 7.08 0.049
Bloque 2 77.56 38.78
PxB=error(a) 4 36.28 9.07
Temp 3 434.08 144.69 42.00 0.0002
PxT 6 75.17 12.53 2.96 0.052
BxT 6 20.67 3.44
PxBxT=error(b) 12 50.83 4.24
Error 0
Total 35 822.97
20. Diseño de experimentos – p. 20/24
Ejemplo 3
Ejemplo 24.1 Milliken & Johnson
Los datos son los rendimientos en libras de dos variedades de
trigo (B) sembradas en cuatro diferentes métodos de
fertilización.
El área fue dividida en dos bloques, cada uno conteniendo
cuatro parcelas. Cada uno de los cuatro fertilizantes se
asignaron aleatoriamente a una de las parcelas grandes en
cada bloque.
Entonces, el diseño experimental para las parcelas grandes
consistió en un bloques al azar y un solo factor (Fertilizante),
con dos bloques y en cada uno cuatro parcelas grandes.
21. Diseño de experimentos – p. 21/24
Ejemplo 3
Cada parcela grande se dividió en dos partes (parcelas
pequeñas) y se asignó aleatoriamente una variedad de trigo a
cada parcela pequeña dentro de la parcela grande.
El diseño experimental de las parcelas pequeñas es un
bloques al azar con un solo factor (Variedad), con ocho
bloques y en cada uno dos parcelas pequeñas.
El modelo para este experimento es:
yijk = µ + Fi + Bj + eij } parcela grande
+ Vk + FVik + ǫijk } parcela pequeña
donde i = 1, 2, 3, 4; j = 1, 2; k = 1, 2 y
eij ∼ NID(0, σ2
e) ǫijk ∼ NID(0, σ2
ǫ )
22. Diseño de experimentos – p. 22/24
Ejemplo 3
Las esperanzas de cuadrados medios son:
FV gl E(CM)
Fi 3 σ2
+ 2σ2
e + 4σ2
F
Bj 1 σ2
+ 8σ2
B
eij 3 σ2
+ 2σ2
e
Vk 1 σ2
+ 8σ2
V
FVik 3 σ2
+ 2σ2
F V
ǫijk 4 σ2
Total 15
23. Diseño de experimentos – p. 23/24
Ejemplo 3
Tabla de Análisis de Varianza
FV gl SC CM F p
Fertilizante 3 40.19 13.39 5.80 0.0914
Bloque 1 131.103 131.103
FxB-error(a) 3 6.93 2.31
Variedad 1 2.25 2.25 1.07 0.3599
FxV 3 1.55 0.52 0.25 0.8612
Error-error(b) 4 8.43 2.11
Total 15 190.45
24. Diseño de experimentos – p. 24/24
Ejemplo 3
Usando el método de momentos para estimar los
componentes de varianza de los dos errores, tenemos:
CMerror(a) = σ2
+ 2σ2
e
CMerror(b) = σ2
Por lo tanto,
ˆσ2
= CMerror(b) = 2.11
ˆσ2
e =
CMerror(a) − ˆσ2
2
= 0.1
ej24_1_messy.jmp