El bloqueo reduce la variabilidad inexplicable. Su principio radica en el hecho de que la variabilidad que no se puede superar (por ejemplo, la necesidad de dos lotes de materia prima para producir 1 contenedor de una sustancia química) se confunde o se alias con una interacción (n) (orden superior / superior) para eliminar su influencia en la Producto final. Las interacciones de alto orden son generalmente de menor importancia (piense en el hecho de que la temperatura de un reactor o el lote de materias primas es más importante que la combinación de los dos; esto es especialmente cierto cuando hay más (3, 4, ...) factores están presentes); por tanto, es preferible confundir esta variabilidad con la interacción más alta.
Ejemplos de
Hombre y mujer : se ha diseñado un experimento para probar un nuevo fármaco en pacientes. Hay dos niveles de tratamiento, fármaco y placebo , administrados a pacientes masculinos y femeninos en un ensayo doble ciego . El sexo del paciente es un factor de bloqueo que explica la variabilidad del tratamiento entre hombres y mujeres . Esto reduce las fuentes de variabilidad y, por lo tanto, conduce a una mayor precisión.
Elevación : se diseña un experimento para probar los efectos de un nuevo pesticida en una parcela de césped específica. El área de césped contiene un cambio de elevación importante y, por lo tanto, consta de dos regiones distintas: 'elevación alta' y 'elevación baja'. Se aplica un grupo de tratamiento (el nuevo pesticida) y un grupo de placebo tanto en las áreas de pasto de alta y baja elevación. En este caso, el investigador está bloqueando el factor de elevación que puede explicar la variabilidad en la aplicación del pesticida.
Intervención : Suponga que se inventa un proceso que pretende hacer que las suelas de los zapatos duren más y se elabora un plan para realizar una prueba de campo. Dado un grupo de n voluntarios, un diseño posible sería dar a n / 2 de ellos zapatos con suelas nuevas y n / 2 de ellos zapatos con suelas normales, aleatorizando la asignación de los dos tipos de suelas. Este tipo de experimento es un diseño completamente aleatorio.. Luego se les pide a ambos grupos que usen sus zapatos por un período de tiempo y luego midan el grado de desgaste de las suelas. Este es un diseño experimental viable, pero puramente desde el punto de vista de la precisión estadística (ignorando cualquier otro factor), un mejor diseño sería darle a cada persona una suela regular y una nueva, asignando aleatoriamente los dos tipos a la izquierda y zapato derecho de cada voluntario. Este diseño se denomina " diseño de bloques completos al azar ". Este diseño será más sensible que el primero, porque cada persona actúa como su propio control y, por lo tanto, el grupo de control se adapta más al diseño del bloque del grupo de tratamiento.
En la teoría estadística del diseño de experimentos , el bloqueo es la disposición de unidades experimentales en grupos (bloques) que son similares entre sí. Normalmente, un factor de bloqueo es una fuente de variabilidad que no es de interés principal para el experimentador. Un ejemplo de factor de bloqueo podría ser el sexo de un paciente; al bloquear el sexo, se controla esta fuente de variabilidad, lo que conduce a una mayor precisión.
En la teoría de la probabilidad, el método de bloques consiste en dividir una muestra en bloques (grupos) separados por subbloques más pequeños para que los bloques puedan considerarse casi independientes. El método de bloques ayuda a demostrar los teoremas del límite en el caso de variables aleatorias dependientes.
Bloqueo utilizado para factores molestos que se pueden controlar
Cuando podemos controlar los factores molestos, se puede utilizar una técnica importante conocida como bloqueo para reducir o eliminar la contribución al error experimental que contribuyen los factores molestos. El concepto básico es crear bloques homogéneos en los que los factores de molestia se mantienen constantes y el factor de interés puede variar. Dentro de los bloques, es posible evaluar el efecto de diferentes niveles del factor de interés sin tener que preocuparse por las variaciones debidas a cambios de los factores del bloque, que se tienen en cuenta en el análisis.
Definición de factores de bloqueo
Un factor de molestia se utiliza como factor de bloqueo si cada nivel del factor primario ocurre el mismo número de veces con cada nivel del factor de molestia. El análisis del experimento se centrará en el efecto de diferentes niveles del factor primario dentro de cada bloque del experimento.
Bloquea algunos de los factores molestos más importantes
La regla general es:
“Bloquea lo que puedas; aleatoriza lo que no puedes ".
El bloqueo se utiliza para eliminar los efectos de algunas de las variables molestas más importantes. A continuación, se utiliza la aleatorización para reducir los efectos contaminantes de las restantes variables molestas. Para las variables molestas importantes, el bloqueo producirá una mayor significación en las variables de interés que la aleatorización.
Mesa
Una forma útil de ver un experimento de bloques aleatorios es considerarlo como una colección de experimentos completamente aleatorios , cada uno de los cuales se ejecuta dentro de uno de los bloques del experimento total.
Diseños de bloques aleatorios (RBD)
Nombre del diseño
Número de factores k
Número de carreras n
RBD de 2 factores
2
L 1 * L 2
RBD de 3 factores
3
L 1 * L 2 * L 3
RBD de 4 factores
4
L 1 * L 2 * L 3 * L 4
factor k RBD
k
L 1 * L 2 * * L k
con
L 1 = número de niveles (configuraciones) del factor 1
L 2 = número de niveles (configuraciones) del factor 2
L 3 = número de niveles (configuraciones) del factor 3
L 4 = número de niveles (configuraciones) del factor 4
L k = número de niveles (configuraciones) del factor k
Ejemplo
Suponga que los ingenieros de una planta de fabricación de semiconductores quieren probar si diferentes dosis de material de implante de obleas tienen un efecto significativo en las mediciones de resistividad después de un proceso de difusión que tiene lugar en un horno. Tienen cuatro dosis diferentes que quieren probar y suficientes obleas experimentales del mismo lote para ejecutar tres obleas en cada una de las dosis.
El factor de molestia que les preocupa es el "funcionamiento del horno", ya que se sabe que cada funcionamiento del horno difiere del anterior y afecta a muchos parámetros del proceso.
Una forma ideal de ejecutar este experimento sería ejecutar todas las obleas 4x3 = 12 en el mismo recorrido del horno. Eso eliminaría por completo el factor molesto del horno. Sin embargo, las obleas de producción regular tienen prioridad en el horno, y solo se permiten unas pocas obleas experimentales en cualquier funcionamiento del horno al mismo tiempo.
Una forma no bloqueada de ejecutar este experimento sería ejecutar cada una de las doce obleas experimentales, en orden aleatorio, una por ejecución de horno. Eso aumentaría el error experimental de cada medición de resistividad por la variabilidad del horno entre operaciones y haría más difícil estudiar los efectos de las diferentes dosis. La forma bloqueada de ejecutar este experimento, suponiendo que pueda convencer a la fabricación para que le permita poner cuatro obleas experimentales en una corrida de horno, sería poner cuatro obleas con diferentes dosis en cada una de las tres corridas de horno. La única aleatorización sería elegir cuál de las tres obleas con la dosis 1 iría al horno 1, y de manera similar para las obleas con las dosis 2, 3 y 4.
Descripción del experimento
Sea X 1 el "nivel" de dosificación y X 2 el factor de bloqueo del funcionamiento del horno. Entonces, el experimento se puede describir de la siguiente manera:
k = 2 factores (1 factor primario X 1 y 1 factor de bloqueo X 2 )
L 1 = 4 niveles de factor X 1
L 2 = 3 niveles de factor X 2
n = 1 replicación por célula
N = L 1 * L 2 = 4 * 3 = 12 carreras
Antes de la aleatorización, los ensayos de diseño se ven así:
X 1
X 2
1
1
1
2
1
3
2
1
2
2
2
3
3
1
3
2
3
3
4
1
4
2
4
3
Representación matricial
Una forma alternativa de resumir los ensayos de diseño sería utilizar una matriz de 4x3 cuyas 4 filas son los niveles del tratamiento X 1 y cuyas columnas son los 3 niveles de la variable de bloqueo X 2 . Las celdas de la matriz tienen índices que coinciden con las combinaciones X 1 , X 2 anteriores.
Tratamiento
Bloque 1
Bloque 2
Bloque 3
1
1
1
1
2
1
1
1
3
1
1
1
4
1
1
1
Por extensión, tenga en cuenta que los ensayos para cualquier diseño de bloques aleatorios de factor K son simplemente los índices de celda de una matriz de k dimensiones.
Modelo
El modelo para un diseño de bloques al azar con una variable de molestia es
dónde
Y ij es cualquier observación para la cual X 1 = i y X 2 = j
X 1 es el factor principal
X 2 es el factor de bloqueo
μ es el parámetro de ubicación general (es decir, la media)
T i es el efecto por estar en el tratamiento i (del factor X 1 )
B j es el efecto de estar en el bloque j (del factor X 2 )
Estimados
Estimación de μ: = el promedio de todos los datos
Estimación de T i : con = promedio de todos los Y para los cuales X 1 = i .
Estima para B j : con = promedio de todo Y para el cual X 2 = j .
Los cuadrados latinos (y otros diseños de filas y columnas) tienen dos factores de bloqueo que se cree que no tienen interacción.
Muestreo de hipercubo latino
Cuadrados grecolatinos
Diseños cuadrados hiper-grecolatinos
Bases teóricas
La base teórica del bloqueo es el siguiente resultado matemático [ cita requerida ] . Dadas las variables aleatorias, X e Y
La diferencia entre el tratamiento y el control de este modo se puede dar varianza mínima (es decir, precisión máxima) mediante la maximización de la covarianza (o la correlación) entre X y Y .
Ver también
Portal de matemáticas
Estadística algebraica
Diseño de bloque
Diseño combinatorio
Diseño de bloques aleatorios generalizados
Glosario de diseño experimental
Diseño optimo
Prueba de diferencias pareadas
Diseño de bloques aleatorios
Variables dependientes e independientes
Modelado de bloques
Referencias
^ Bernstein SN (1926) Sur l'extension du théorème limite du calcul des probabilités aux sommes de quantités dépendantes. Matemáticas. Annalen, v. 97, 1-59.
^ Ibragimov IA y Linnik Yu.V. (1971) Secuencias independientes y estacionarias de variables aleatorias. Wolters-Noordhoff, Groningen.
^ Leadbetter MR, Lindgren G. y Rootzén H. (1983) Extremos y propiedades relacionadas de secuencias y procesos aleatorios. Nueva York: Springer Verlag.
^ Métodos de valor extremo de Novak SY (2011) con aplicaciones a las finanzas. Chapman & Hall / CRC Press, Londres.
Este artículo incorpora material de dominio público del sitio web del Instituto Nacional de Estándares y Tecnología https://www.nist.gov .
Bibliografía
Addelman, S. (1969). "El diseño de bloques aleatorios generalizados". El estadístico estadounidense . 23 (4): 35–36. doi : 10.2307 / 2681737 . JSTOR 2681737 .
Addelman, S. (1970). "Variabilidad de tratamientos y unidades experimentales en el diseño y análisis de experimentos". Revista de la Asociación Estadounidense de Estadística . 65 (331): 1095-1108. doi : 10.2307 / 2284277 . JSTOR 2284277 .
Anscombe, FJ (1948). "La validez de los experimentos comparativos". Revista de la Royal Statistical Society . Un general). 111 (3): 181–211. doi : 10.2307 / 2984159 . JSTOR 2984159 . Señor 0030181 .
Bailey, R. A (2008). Diseño de Experimentos Comparativos . Prensa de la Universidad de Cambridge. ISBN 978-0-521-68357-9. Archivado desde el original el 22 de marzo de 2018. Los capítulos previos a la publicación están disponibles en línea.
Bapat, RB (2000). Álgebra lineal y modelos lineales (Segunda ed.). Saltador. ISBN 978-0-387-98871-9.
Caliński T. y Kageyama S. (2000). Diseños de bloques: un enfoque de aleatorización, volumen I : análisis . Apuntes de conferencias en estadística. 150 . Nueva York: Springer-Verlag. ISBN 0-387-98578-6.
Caliński T. y Kageyama S. (2003). Diseños de bloques: un enfoque de aleatorización, Volumen II : Diseño . Apuntes de conferencias en estadística. 170 . Nueva York: Springer-Verlag. ISBN 0-387-95470-8. Señor 1994124 .
Gates, CE (noviembre de 1995). "¿Qué es realmente el error experimental en los diseños de bloques?". El estadístico estadounidense . 49 (4): 362–363. doi : 10.2307 / 2684574 . JSTOR 2684574 .
Kempthorne, Oscar (1979). El diseño y análisis de experimentos (reimpresión corregida de (1952) Wiley ed.). Robert E. Krieger. ISBN 0-88275-105-0.
Hinkelmann, Klaus y Kempthorne, Oscar (2008). Diseño y Análisis de Experimentos . I y II (Segunda ed.). Wiley. ISBN 978-0-470-38551-7.CS1 maint: varios nombres: lista de autores ( enlace )
Hinkelmann, Klaus y Kempthorne, Oscar (2008). Diseño y Análisis de Experimentos, Volumen I: Introducción al Diseño Experimental (Segunda ed.). Wiley. ISBN 978-0-471-72756-9.CS1 maint: varios nombres: lista de autores ( enlace )
Hinkelmann, Klaus y Kempthorne, Oscar (2005). Diseño y Análisis de Experimentos, Volumen 2: Diseño Experimental Avanzado (Primera ed.). Wiley. ISBN 978-0-471-55177-5.CS1 maint: varios nombres: lista de autores ( enlace )
Lentner, Marvin; Thomas Bishop (1993). "El Diseño RCB Generalizado (Capítulo 6.13)". Diseño y análisis experimental (Segunda ed.). PO Box 884, Blacksburg, VA 24063: Valley Book Company. págs. 225–226. ISBN 0-9616255-2-X.Mantenimiento de CS1: ubicación ( enlace )
Raghavarao, Damaraju (1988). Construcciones y problemas combinatorios en el diseño de experimentos (reimpresión corregida de 1971 Wiley ed.). Nueva York: Dover. ISBN 0-486-65685-3.
Raghavarao, Damaraju y Padgett, LV (2005). Diseños de bloques: análisis, combinatoria y aplicaciones . World Scientific. ISBN 981-256-360-1.CS1 maint: varios nombres: lista de autores ( enlace )
Shah, Kirti R. y Sinha, Bikas K. (1989). Teoría de los diseños óptimos . Apuntes de conferencias en estadística . 54 . Springer-Verlag. págs. 171 + viii. ISBN 0-387-96991-8.
Calle, Anne Penfold ; Calle, Deborah J. (1987). Combinatoria de Diseño Experimental . Oxford UP [Clarendon]. ISBN 0-19-853256-3.
Wilk, MB (1955). "El análisis de aleatorización de un diseño de bloques aleatorizados generalizados". Biometrika . 42 (1–2): 70–79. doi : 10.2307 / 2333423 . JSTOR 2333423 .
Zyskind, George (1963). "Algunas consecuencias de la aleatorización en una generalización del diseño de bloque incompleto equilibrado" . Los Anales de Estadística Matemática . 34 (4): 1569-1581. doi : 10.1214 / aoms / 1177703889 . JSTOR 2238364 .
vtmiDiseño de experimentos
Método científico
Experimento científico
Diseño estadístico
Control
Validez interna y externa
Unidad experimental
Cegador
Diseño óptimo : Bayesiano
Asignación aleatoria
Aleatorización
Aleatorización restringida
Replicación versus submuestreo
Tamaño de la muestra
Tratamiento y bloqueo
Tratamiento
Tamaño del efecto
Contraste
Interacción
Confuso
Ortogonalidad
Bloqueo
Covariable
Variable de molestia
Modelos e inferencia
Regresión lineal
Mínimos cuadrados ordinarios
Bayesiano
Efecto aleatorio
Modelo mixto
Modelo jerárquico: bayesiano
Análisis de varianza (Anova)
Teorema de cochran
Manova ( multivariante )
Ancova ( covarianza )
Comparar medias
Comparación múltiple
Diseños completamente aleatorios
Factorial
Factorial fraccional
Plackett-Burman
Taguchi
Metodología de superficie de respuesta
Modelado polinomial y racional
Box-Behnken
Compuesto central
Cuadra
Diseño de bloques aleatorios generalizados (GRBD)
Plaza latina
Plaza grecolatina
Matriz ortogonal
Diseño de medidas repetidas de hipercubo latino
Estudio cruzado
Ensayo controlado aleatorio
Análisis secuencial
Prueba de razón de probabilidad secuencial
Glosario
Categoría
Portal de matemáticas
Esquema estadístico
Temas estadísticos
vtmiEstructuras de incidencia
Representación
Matriz de incidencia
Gráfico de incidencia
Los campos
Combinatoria
Diseño de bloque
Sistema Steiner
Geometría
Incidencia
Plano proyectivo
Teoría de grafos
Hypergraph
Estadísticas
Bloqueo
Configuraciones
Cuadrilátero completo
Avión Fano
Configuración de Möbius-Kantor
Configuración de Pappus
Configuración de Hesse
Configuración de desargues
Configuración de reye
Schläfli doble seis
Configuración Cremona-Richmond
Configuración de Kummer
Configuración Grünbaum – Rigby
Configuración de Klein
Doble
Teoremas
Teorema de Sylvester-Gallai
Teorema de De Bruijn-Erdős
Teorema de Szemerédi-Trotter
Teorema de beck
Teorema de Bruck-Ryser-Chowla
Aplicaciones
Diseño de experimentos
El problema de la colegiala de Kirkman
Categorías :
Diseño de experimentos
Categorías ocultas:
Artículos que carecen de citas en el texto de enero de 2018
Todos los artículos que carecen de citas en el texto.
Todos los artículos con declaraciones sin fuente
Artículos con declaraciones sin fuente de noviembre de 2021
Artículos de Wikipedia que incorporan texto del Instituto Nacional de Estándares y Tecnología