Saltar al contenido
Volver a los resultados

Experimento factorial completo bloqueado

Propuesto por
R. A. Fisher (blocking principle); full factorial DOE tradition
Año
1935 (Fisher); systematized through 20th-century DOE literature
Tipo
Experimental design
Familia
Experimental design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un experimento factorial completo bloqueado prueba cada combinación de todos los niveles de los factores, agrupando las corridas experimentales en bloques homogéneos para aislar una variable de molestia conocida.

Este diseño preserva la potencia para detectar todos los efectos principales e interacciones de los factores de interés, al tiempo que evita que la variabilidad entre lotes, día a día o máquina a máquina infle el error experimental.

La intuición detrás del método

Imagine probar tres tipos de fertilizantes en dos dosis en cuatro campos diferentes. Los campos varían en calidad del suelo, lo cual no puede controlar pero sí tener en cuenta. Un diseño factorial completo bloqueado ejecuta todas las seis combinaciones de fertilizante-dosis dentro de cada campo (bloque), de modo que las diferencias entre campos se separan de los efectos del tratamiento. Dentro de cada bloque, las corridas se aleatorizan. El resultado: se obtiene una imagen completa de cómo interactúan el tipo y la dosis de fertilizante, sin que esa imagen se vea distorsionada por la heterogeneidad del suelo. El bloqueo aporta precisión; la cobertura factorial completa aporta exhaustividad.

Historia

El bloqueo como método para controlar la variación de molestia fue formalizado por R. A. Fisher en la Estación Experimental de Rothamsted y descrito en The Design of Experiments (1935), motivado por ensayos de campo agrícolas. El principio factorial completo se desarrolló junto con el análisis de varianza en el mismo período. La integración del bloqueo con la estructura factorial completa se convirtió en una práctica estándar de DOE a través del influyente trabajo de Box, Hunter y Hunter en Statistics for Experimenters (1978) y Design and Analysis of Experiments de Douglas Montgomery, publicado por primera vez en 1976 y ahora en su novena edición.

Cuándo usarlo

Utilizar un experimento factorial completo bloqueado cuando necesite estimar todos los efectos principales y cada interacción entre un conjunto manejable de factores Y una variable de molestia conocida (lote, día, operador, unidad de equipo) amenaza con inflar el error si se ignora. Es apropiado cuando el número de factores es lo suficientemente pequeño (típicamente k = 2-4 factores en 2-3 niveles) que ejecutar todas las combinaciones es factible y la molestia puede agruparse en bloques discretos homogéneos. NO lo utilice cuando el número total de corridas requeridas exceda la capacidad práctica — prefiera un diseño factorial fraccionado o de superficie de respuesta en su lugar. NO bloquee cuando no se pueda identificar ninguna variable de molestia significativa, ya que el bloqueo innecesario desperdicia grados de libertad.

Limitaciones y consideraciones

  • El número de corridas es igual a (número de bloques) por (todas las combinaciones de factor-nivel), lo que se vuelve muy grande para más de tres o cuatro factores o tres niveles.
  • Requiere una variable de molestia conocida y agrupable; si no existe tal variable, el bloqueo no proporciona ningún beneficio y desperdicia grados de libertad.
  • Asume que las interacciones bloque-tratamiento son insignificantes; si los tratamientos responden de manera diferente entre bloques, el modelo aditivo está mal especificado.
  • No aplicable cuando el tamaño del bloque no puede acomodar una réplica completa de todas las combinaciones de tratamiento — se necesita un diseño de bloques incompletos en su lugar.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Proporciona estimaciones no confundidas de todos los efectos principales y cada interacción entre los factores estudiados.
  • El bloqueo elimina una fuente de molestia conocida, reduciendo el error experimental y aumentando la potencia estadística sin requerir réplicas de tratamiento adicionales.
  • Produce la información más completa sobre los efectos de los factores dentro del conjunto de factores elegido — sin aliasing de efectos principales o interacciones.
  • Los resultados son directamente interpretables a través de tablas de ANOVA estándar y gráficos de interacción una vez que se han particionado los efectos del bloque.
  • Soportado por software estadístico estándar (R, SAS, Minitab, JMP) con rutinas de análisis bien establecidas.

Aplicaciones

  • Ingeniería de fabricación y procesos: estudiar cómo la concentración de temperatura, presión y catalizador afecta el rendimiento del producto entre diferentes lotes de producción como bloques.
  • Investigación agrícola: evaluar todas las combinaciones de nivel de riego y tipo de fertilizante en campos con diferentes características de suelo utilizadas como bloques.
  • Desarrollo farmacéutico: probar factores de formulación como el pH y el tipo de excipiente con el día de producción o el analista de laboratorio como variable de bloqueo.
  • Ciencia de los alimentos: evaluar los efectos de las combinaciones de ingredientes en los perfiles de sabor en sesiones de panel sensorial que sirven como bloques.
  • Investigación conductual y educativa: investigar combinaciones de métodos de enseñanza en cohortes escolares o períodos de tiempo, bloqueando por cohorte.
  • Mejora de la calidad: identificar qué configuraciones de máquina controlan las tasas de defectos cuando los experimentos deben distribuirse entre múltiples turnos de trabajo u operadores.

Cómo funciona

Cómo funciona

1

Identificar todos los factores experimentales y sus niveles. En un diseño factorial completo se incluye cada combinación de factor-nivel: para k factores, cada uno con dos niveles, esto produce 2^k combinaciones de tratamiento. Con más niveles o factores, el número de corridas crece rápidamente, por lo que se debe confirmar la viabilidad de los recursos antes de comprometerse con una estructura factorial completa.

2

Identificar una o más fuentes de molestia — lotes de tiempo, operadores, máquinas, días o lotes de materia prima — que introducen variación sistemática pero incontrolable. Estas se convierten en la variable de bloqueo. Cada bloque debe ser internamente homogéneo, y el número de corridas por bloque debe acomodar una réplica completa de todas las combinaciones de tratamiento.

3

Dentro de cada bloque, asignar aleatoriamente el conjunto completo de combinaciones de tratamiento a las unidades experimentales. La aleatorización dentro de los bloques protege contra tendencias desconocidas dentro del bloque; el bloqueo en sí mismo elimina las diferencias conocidas entre bloques. Si el tamaño del bloque no puede acomodar todas las combinaciones de tratamiento, se necesita una extensión de bloques incompletos en su lugar.

4

Ejecutar el experimento estrictamente de acuerdo con el plan de aleatorización bloqueado. Registrar todas las respuestas según lo planeado y documentar cualquier desviación, cambio de equipo o anomalía ambiental. Mantener la fidelidad del protocolo dentro de cada bloque es fundamental para preservar la separación prevista entre los efectos del tratamiento y del bloque.

5

Ajustar un modelo lineal que incluya el factor de bloqueo como un término aditivo junto con todos los efectos principales e interacciones factoriales: Y = mu + bloque + A + B + AB + ... + error. El término de bloque absorbe la varianza entre bloques, reduciendo el error residual y aumentando la precisión de las estimaciones de los efectos factoriales. Luego, se examinan las tablas de ANOVA para detectar efectos principales e interacciones significativos.

6

Informar los efectos factoriales estimados y los gráficos de interacción con los efectos de bloqueo eliminados. Evaluar la significancia práctica y estadística de los efectos principales y las interacciones. Verificar los supuestos del modelo — normalidad de los residuos y varianza constante dentro de los bloques. Informar la estructura de bloqueo de manera transparente para que los lectores comprendan qué molestia se controló.

Errores comunes

  • Omitir el término de bloque del modelo de análisis: analizar un diseño bloqueado como completamente aleatorizado descarta la reducción de varianza lograda por el bloqueo e infla el error, reduciendo la potencia.
  • Tratar la variable de bloqueo como un factor de interés científico: los bloques son controles de molestia, no factores de tratamiento; clasificarlos erróneamente distorsiona los objetivos del estudio y la asignación de grados de libertad.
  • No aleatorizar las corridas dentro de los bloques: sin aleatorización dentro del bloque, las tendencias temporales o los efectos de aprendizaje del operador contaminan las comparaciones de tratamiento.
  • Desajuste del tamaño del bloque: si cada bloque no puede acomodar una réplica completa de todas las combinaciones de tratamiento, las suposiciones de análisis estándar se rompen — utilice un diseño de bloques incompletos balanceados en su lugar.
  • Proliferación de factores: agregar más factores multiplica rápidamente las corridas requeridas; más allá de cuatro o cinco factores, un diseño factorial fraccionado o de cribado es casi siempre la opción práctica.

Preguntas frecuentes

¿Cuál es la diferencia entre un diseño factorial completo bloqueado y un diseño de bloques aleatorizados completos (RCBD)?

Un RCBD típicamente prueba un solo conjunto de tratamientos (un factor) dentro de cada bloque. Un diseño factorial completo bloqueado prueba todas las combinaciones de dos o más factores dentro de cada bloque, lo que permite la estimación de interacciones. El RCBD es un caso especial de un solo factor; el factorial completo bloqueado lo generaliza a múltiples factores con estimación de interacción completa.

¿Puedo tener más de una variable de bloqueo?

Sí. Los diseños con dos variables de bloqueo (por ejemplo, filas y columnas) se denominan extensiones de fila-columna o cuadrado latino. Sin embargo, agregar factores de bloqueo restringe aún más la asignación y la suposición de que no hay interacción bloque-bloque-tratamiento se vuelve más exigente. Consulte a un especialista en DOE cuando utilice múltiples variables de bloqueo.

¿Qué sucede si el tamaño de mi bloque es menor que el número de combinaciones de tratamiento?

El análisis estándar factorial completo bloqueado requiere que cada bloque contenga exactamente una réplica completa de todas las combinaciones de tratamiento. Si los bloques son más pequeños, necesita un diseño de bloques incompletos — como un diseño de bloques incompletos balanceados (BIBD) — donde no todos los tratamientos aparecen en todos los bloques, pero se mantiene el balance general.

¿Debo incluir una interacción bloque-tratamiento en mi modelo?

Por defecto, no. La suposición estándar es que los efectos del bloque son puramente aditivos. Incluir interacciones bloque-tratamiento consume grados de libertad y generalmente no está justificado. Si realmente sospecha tales interacciones, considere un modelo de efectos mixtos que trate los bloques como aleatorios en lugar de fijos.

¿Mi número de factores es cinco o más, todavía debería usar un factorial completo con bloqueo?

Casi con seguridad no. Un factorial completo 2^5 requiere 32 corridas por bloque, multiplicado por el número de bloques. Esto suele ser prohibitivamente caro. Una estrategia mucho más práctica es un diseño factorial fraccionado o de cribado de Plackett-Burman seguido de un factorial completo enfocado en los factores clave.

Métodos relacionados

Fuentes

  1. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119113478
    Copiado.
  2. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    Abrir referencia de la publicación
    Copiado.