0 calificaciones0% encontró este documento útil (0 votos)
18 vistas1 página
Este documento describe un experimento con bloques para comparar cuatro catalizadores. Explica que los bloques se utilizan para agrupar unidades experimentales similares y asignar tratamientos aleatoriamente para reducir el error. También aclara que los bloques no deben considerarse como un segundo factor, sino que el factor principal son los tratamientos. A continuación, presenta dos ejemplos de diseños completamente aleatorizados para ilustrar el concepto de bloques antes de explicar su aplicación.
Este documento describe un experimento con bloques para comparar cuatro catalizadores. Explica que los bloques se utilizan para agrupar unidades experimentales similares y asignar tratamientos aleatoriamente para reducir el error. También aclara que los bloques no deben considerarse como un segundo factor, sino que el factor principal son los tratamientos. A continuación, presenta dos ejemplos de diseños completamente aleatorizados para ilustrar el concepto de bloques antes de explicar su aplicación.
Este documento describe un experimento con bloques para comparar cuatro catalizadores. Explica que los bloques se utilizan para agrupar unidades experimentales similares y asignar tratamientos aleatoriamente para reducir el error. También aclara que los bloques no deben considerarse como un segundo factor, sino que el factor principal son los tratamientos. A continuación, presenta dos ejemplos de diseños completamente aleatorizados para ilustrar el concepto de bloques antes de explicar su aplicación.
532 Capítulo 13 Experimentos con un solo factor: generales
The GLM Procedure
Duncan’s Multiple Range Test for moisture NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 25 Error Mean Square 4960.813 Number of Means 2 3 4 5 Critical Range 83.75 87.97 90.69 92.61
Means with the same letter are not significantly different.
Duncan Grouping Mean N aggregate A 610.67 6 5 A A 610.50 6 3 A A 569.33 6 2 A A 553.33 6 1
B 465.17 6 4
Figura 13.5: Salida de resultados del SAS para el ejercicio 13.21.
13.7 Comparación de un conjunto de tratamientos en bloques
En la sección 13.2 estudiamos la idea de la formación de bloques, es decir, de aislar conjuntos de unidades experimentales que son razonablemente homogéneas y asignarles tratamientos de forma aleatoria. Ésta es una extensión del concepto de “formar pares” que se analizó en los capítulos 9 y 10, y se hace para reducir el error experimental, ya que las unidades en un bloque tienen más características comunes que las unidades localiza- das en diferentes bloques. El lector no debería considerar los bloques como un segundo factor, aunque ésa sea una forma tentadora de visualizar el diseño. De hecho, el factor principal (los trata- mientos) aún lleva el peso mayor del experimento. Las unidades experimentales siguen siendo la fuente del error, igual que en el diseño completamente aleatorizado. Con la formación de bloques simplemente tratamos a dichas unidades de manera más sistemáti- ca. De ese modo, se dice que la aleatoriedad tiene restricciones. Antes de iniciar el estudio de la formación de bloques revisaremos dos ejemplos de un diseño completamente aleatorizado. El primer ejemplo es un experimento químico diseñado para determinar si hay una diferencia en la reacción media producida por cuatro catalizadores. Las mues- tras de los materiales que tienen que probarse se extraen de los mismos lotes de materias primas, a la vez que se mantienen constantes otras condiciones como la temperatura y concentración de los reactivos. En este caso, la hora del día en que se efectúan las corridas experimentales podría representar las unidades experimentales, y si el experimentador considera que es posible que haya un ligero efecto del tiempo, aleatorizaría la asignación