Está en la página 1de 25
Diseños Factoriales
Diseños Factoriales
Introducción El término “experimento factorial” o “arreglo factorial” se refiere a la constitución de los
Introducción
El término “experimento factorial” o “arreglo factorial” se refiere
a
la constitución de los tratamientos que se quieren comparar.
Diseño de tratamientos es la selección de los factores a
estudiar, sus niveles y la combinación de ellos.
El diseño de tratamientos es independiente del diseño
experimental que indica la manera en que los tratamientos se
aleatorizan a las diferentes u.e. y las formas de controlar la
variabilidad natural de las mismas.
Así, el diseño experimental puede ser completamente al azar,
bloques al azar, bloques al azar generalizados, cuadro latino,
etc. y para cada uno de estos diseños se puede tener arreglo
factorial de los tratamientos, si estos se forman por la
combinación de niveles de varios factores.
A
ambos tipos de diseños, el de tratamientos y el
experimental, les corresponde un modelo matemático.
Introducción Así, por ejemplo, si el diseño experimental es bloques al azar, el modelos es:
Introducción
Así, por ejemplo, si el diseño experimental es bloques al azar,
el modelos es:
y ij = µ + τ i + β j + ǫ ij
respuesta = media general + efecto de tratamiento + efecto de
bloque + error
Si se trata de un diseño factorial, los tratamientos se forman
combinando los niveles de los factores en estudio, de manera
que el efecto del tratamiento τ i se considera a su vez
compuesto de los efectos de los factores y sus interacciones.
Por ejemplo, si son dos factores en estudio se tiene:
τ i = τ kl = α k + γ l + ξ kl
tratamiento = factor A + factor B + interacción AB
Introducción Haciendo una equivalencia entre los valores de i y los de k y l
Introducción
Haciendo una equivalencia entre los valores de i y los de k y l
suponiendo que el factor A tiene K niveles y el factor B L:
i
k
l
1
1
1
2
1
2
3
1
3
t
K
L
Y el modelo resultante es:
y klj = µ + α k + γ l + ξ kl + β j + ǫ klj
Es poco usual tener diseños experimentales muy complicados
en los experimentos factoriales, ya que se dificulta el análisis y
la interpretación.
Introducción La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad de que el
Introducción
La necesidad de estudiar conjuntamente varios factores
obedece a la posibilidad de que el efecto de un factor cambie
según los niveles de otros factores, esto es, que los factores
interactúen, o exista interacción.
También se utilizan los arreglos factoriales cuando se quiere
optimizar la respuesta o variable dependiente, esto es, se
quiere encontrar la combinación de niveles de los factores que
producen un valor óptimo de la variable dependiente.
(superficie de respuesta)
Si se investiga un factor por separado, el resultado puede ser
diferente al estudio conjunto y es mucho más difícil describir el
comportamiento general del proceso o encontrar el óptimo.
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al

Introducción

Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener

Las ventajas de los experimentos factoriales son:

Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener
Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener

1. Economía en el material experimental al obtener

son: 1. Economía en el material experimental al obtener información sobre varios factores sin aumentar el

información sobre varios factores sin aumentar el tamaño

información sobre varios factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la
información sobre varios factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la
información sobre varios factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la
información sobre varios factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la

del experimento. Todas las u.e.se utilizan para la

tamaño del experimento. Todas las u.e.se utilizan para la evaluación de los efectos. 2. Se amplía

evaluación de los efectos.

las u.e.se utilizan para la evaluación de los efectos. 2. Se amplía la base de la
las u.e.se utilizan para la evaluación de los efectos. 2. Se amplía la base de la
las u.e.se utilizan para la evaluación de los efectos. 2. Se amplía la base de la

2. Se amplía la base de la inferencia en relación a un factor,

amplía la base de la inferencia en relación a un factor, ya que se estudia en
amplía la base de la inferencia en relación a un factor, ya que se estudia en

ya que se estudia en las diferentes condiciones

a un factor, ya que se estudia en las diferentes condiciones representadas por los niveles de
a un factor, ya que se estudia en las diferentes condiciones representadas por los niveles de

representadas por los niveles de otros factores. Se amplía

representadas por los niveles de otros factores. Se amplía el rango de validez del experimento. 3.

el rango de validez del experimento.

factores. Se amplía el rango de validez del experimento. 3. Permite el estudio de la interacción
factores. Se amplía el rango de validez del experimento. 3. Permite el estudio de la interacción

3. Permite el estudio de la interacción, esto es, estudiar el

el estudio de la interacción , esto es, estudiar el grado y forma en la cual
el estudio de la interacción , esto es, estudiar el grado y forma en la cual
el estudio de la interacción , esto es, estudiar el grado y forma en la cual

grado y forma en la cual se modifica el efecto de un factor

grado y forma en la cual se modifica el efecto de un factor por los niveles

por los niveles de los otros factores.

efecto de un factor por los niveles de los otros factores. Una desventaja de los experimentos
efecto de un factor por los niveles de los otros factores. Una desventaja de los experimentos

Una desventaja de los experimentos factoriales es que

Una desventaja de los experimentos factoriales es que requiere un gran número de u.e., sobre todo
Una desventaja de los experimentos factoriales es que requiere un gran número de u.e., sobre todo

requiere un gran número de u.e., sobre todo cuando se

que requiere un gran número de u.e., sobre todo cuando se prueban muchos factores o muchos

prueban muchos factores o muchos niveles de algunos

se prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número
se prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número
se prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número
se prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número

factores, es decir, se tiene un número grande de tratamientos.

o muchos niveles de algunos factores, es decir, se tiene un número grande de tratamientos. (factoriales

(factoriales fraccionales)

o muchos niveles de algunos factores, es decir, se tiene un número grande de tratamientos. (factoriales
o muchos niveles de algunos factores, es decir, se tiene un número grande de tratamientos. (factoriales
Interacción Suponga un diseño con dos factores: A con a niveles y B con b
Interacción
Suponga un diseño con dos factores: A con a niveles y B con b
niveles, en diseño completamente al azar. (Factorial a × b
completo, balanceado, efectos fijos)
Sea y ijk la respuesta para la k-ésima u.e. del nivel i de A y j
de B.
y ijk = µ + τ i + β j + γ ij + ǫ ijk
i = 1,
,a
j = 1,
,b
k = 1,
,n
Las hipótesis que se prueban son:
H 01 :
γ ij = 0
i, j
H 02 :
τ i + γ¯ i. = 0
i
H 03 : β j + γ¯ .j = 0 ∀ j
Interacción Ejemplo de un factorial 2 × 2 sin y con interacción.
Interacción
Ejemplo de un factorial 2 × 2 sin y con interacción.
Interacción Conocer la interacción es más útil que conocer los efectos principales. Una interacción significativa
Interacción
Conocer la interacción es más útil que conocer los efectos
principales. Una interacción significativa frecuentemente
oscurece la significancia de los efectos principales.
Cuando hay interacción significativa, se deberán examinar los
niveles de un factor, digamos A, con los niveles del o de los
otros factores fijos, para tener conclusiones acerca del efecto
principal A.
Dos factores: A con a niveles y B con b niveles. Se dice que se
tiene un factorial a × b, con diseño completamente al azar
(bloques, etc.). Se tienen ab tratamientos.
Tabla de ANOVA F.V. g.l. SS CM F E(CM ) CM A 2 A a
Tabla de ANOVA
F.V.
g.l.
SS
CM
F
E(CM )
CM
A
2
A a − 1
SS A
SS A /(a − 1)
σ 2 + rbθ
CM
a
E
CM B
2
B b − 1
SS B
SS B /(b − 1)
σ 2 + raθ
CM
b
E
CM AB
2
AB
(a − 1)(b − 1)
SS AB
SS AB /(b − 1)
σ 2 + rθ
CM
ab
E
error
ab(n − 1)
SS E
SS E /ab(n − 1)
σ 2
total
abn − 1
SS T
a
b
n
2
y
2
SS T
=
y
ijk −
abn
i=1 j=1 k=1
a
2
1
SS A
=
y
2 − y
bn
i abn
i=1
b
2
1
y
2
SS B
=
y
.j. −
an
abn
j=1
a
b
2
1
y
2
SS AB
=
y
abn − SS A − SS b
ij. −
n
i=1 j=1
SS E
=
SS T − SS AB − SS A − SS B
Ejemplo Un ingeniero está diseñando una batería para usarse en un aparato que estará sujeto
Ejemplo
Un ingeniero está diseñando una batería para usarse en un
aparato que estará sujeto a variaciones extremas de
temperatura. Tiene tres opciones para el material de la placa
para la batería, y como sabe que la temperatura afecta la vida
de la batería decide probar tres temperaturas:
15 ◦ F, 70 ◦ F, 125 ◦ F.
Se prueban 4 baterías en cada combinación de material y
temperatura y las 36 pruebas (3 × 3 × 4) se corren en orden
aleatorio (completamente al azar).
Los datos son vida (en horas) de las baterías.
Ejemplo tipo de Temperatura( ◦ F) material 15 70 125 1 130 155 34 40
Ejemplo
tipo de
Temperatura( ◦ F)
material
15
70
125
1
130
155
34
40
20
70
74
180
80
75
82
58
2
150
188
136
122
25
70
159
126
106
115
58
45
3
138
110
174
120
96
104
168
160
150
139
82
60
El ingeniero quiere contestar las siguientes preguntas:
1. Qué efectos producen el material y la temperatura en la
vida de la batería?
2. Existe un material que produzca uniformemente más larga
vida a la batería sin importar la temperatura?
diseño completamente al azar, experimento balanceado,
completo, factores fijos. ej_fact3x3.jmp
Una observación por celda Suponga un experimento con dos factores A con a niveles y
Una observación por celda
Suponga un experimento con dos factores A con a niveles y B
con b niveles y una sola repetición en cada celda (tratamiento).
El modelo con interacción es:
y ij = µ + τ i + β j + (τβ) ij + ǫ ij
i = 1,
,a
j = 1,
,b
F.V.
g.l.
E(CM )
2
A
a − 1
σ 2 + bθ
a
2
B
b − 1
σ 2 + aθ
b
2
AB
(a − 1)(b − 1)
σ 2 + θ
ab
Error
0
σ 2
Total
ab − 1
σ 2 no se puede estimar, por lo tanto no hay prueba para los
efectos principales a menos que no haya interacción, y
entonces el modelo es
y ij = µ + τ i + β j + ǫ ij
Este es el caso de bloques al azar.
El Diseño Factorial General. Balanceado El diseño factorial de dos factores se puede generalizar a
El Diseño Factorial General. Balanceado
El diseño factorial de dos factores se puede generalizar a
tener p factores:
A con a niveles
B con b niveles
En general, habrá abc · · · n observaciones si hay n repeticiones
del experimento completo.
Debe haber por lo menos 2 repeticiones (n ≥ 2) para poder
calcular σˆ 2 si todas las posibles interacciones están incluidas
en el modelo.
Tres factores El modelo para un factorial de tres factores en diseño completamente al azar:
Tres factores
El modelo para un factorial de tres factores en diseño
completamente al azar:
y ijkl = µ+τ i +β j +γ k +(τβ) ij +(τγ) ik +(βγ) jk +(τβγ) ijk +ǫ ijkl
i = 1,
,a;
j = 1,
,b;
k = 1,
,c;
l = 1,
,n
Ejemplo:
Se desea obtener más uniformidad en el llenado de botellas
de refresco. La máquina de llenado teóricamente llena cada
botella a la altura correcta, pero en la práctica hay variación, y
la embotelladora desea entender mejor las fuentes de esta
variabilidad para eventualmente reducirla.
El ingenio de procesos puede controlar tres factores durante el
proceso de llenado:
El % de carbonato (A), la presión del llenado (B) y las botellas
llenadas por minuto (velocidad de la línea) (C).
Sigue ejemplo tres factores   10% A =  12%   14% 25psi
Sigue ejemplo tres factores
 10%
A =
12%
14%
25psi
B =
30psi
C = 200bpm
250bpm
Decide correr dos repeticiones de un diseño factorial en estos
tres factores, con las 24 corridas realizadas en orden aleatorio.
La variable de respuesta es la desviación de la altura objetivo.
Sigue ejemplo tres factores Presión (B) 25psi 30psi % carbonato Velocidad (C) Velocidad (C) (A)
Sigue ejemplo tres factores
Presión (B)
25psi
30psi
% carbonato
Velocidad (C)
Velocidad (C)
(A)
200
250
200
250
10
-3
-1
-1
1
-1
0
0
1
12
0
2
2
6
1
1
3
5
14
5
7
7
10
4
6
9
11
fact3x2x2.jmp
Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es

Factoriales desbalanceados

Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es
Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es
Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es
Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es
Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es

Hay situaciones en que el número de observaciones

(repeticiones) en cada tratamiento es diferente. Esto ocurre

por varias razones.

tratamiento es diferente. Esto ocurre por varias razones. Por ejemplo, el experimentador pudo haber diseñado un
tratamiento es diferente. Esto ocurre por varias razones. Por ejemplo, el experimentador pudo haber diseñado un

Por ejemplo, el experimentador pudo haber diseñado un

experimento balanceado inicialmente, pero debido a

problemas durante la ejecución del experimento que no se

a problemas durante la ejecución del experimento que no se previeron, se perdieron algunas observaciones lo

previeron, se perdieron algunas observaciones lo que provocó

terminar con un diseño desbalanceado.

lo que provocó terminar con un diseño desbalanceado. Por otro lado, algunos diseños desbalanceados se diseñan
lo que provocó terminar con un diseño desbalanceado. Por otro lado, algunos diseños desbalanceados se diseñan

Por otro lado, algunos diseños desbalanceados se diseñan

Por otro lado, algunos diseños desbalanceados se diseñan así, por ejemplo, algunos tratamientos pueden ser más

así, por ejemplo, algunos tratamientos pueden ser más caros o

con más dificultad para aplicarse, por lo que se toman menos

pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos

observaciones en ellos.

pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos
Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque

Factoriales desbalanceados

Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque
Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque
Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque
Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque
Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque

Alternativamente, algunos tratamientos pueden ser de gran

interés para el investigador porque pueden representar

condiciones nuevas o inexploradas, por lo que toma más

condiciones nuevas o inexploradas, por lo que toma más observaciones en ellos. La ortogonalidad entre efectos

observaciones en ellos.

o inexploradas, por lo que toma más observaciones en ellos. La ortogonalidad entre efectos principales e

La ortogonalidad entre efectos principales e interacciones ya

no funciona en los diseños desbalanceados. Esto significa que

ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del

no se aplican las técnicas del ANOVA usual.

ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del
Factoriales desbalanceados Caso del modelo con dos factores con interacción: y ijk = µ +
Factoriales desbalanceados
Caso del modelo con dos factores con interacción:
y ijk = µ + τ i + β j + γ ij + ǫ ijk
i = 1,
,a;
j = 1,
,b;
k = 1,
,n
ij
Se definen otros tipos de sumas de cuadrados. El primero
involucra ajustar modelos de una manera secuencial:
1. Ajustar y ijk = µ + ǫ ijk y obtener SSE 1
2. Ajustar y ijk = µ + τ i + ǫ ijk y obtener SSE 2
3. Ajustar y ijk = µ + τ i + β j + ǫ ijk y obtener SSE 3
4. Ajustar y ijk = µ + τ i + β j + γ ij + ǫ ijk y obtener SSE 4

Factoriales desbalanceados

Sea

R(τ |µ) = SSE 1 SSE 2

R(τ |µ) es la reducción debida a τ ajustada por µ. Es la

cantidad en la que se reduce la suma de cuadrados del error

del modelo en el paso 1 al incluir en el modelo el término τ i .

Mientras más grande sea R(τ |µ) más importante es tener a τ i

en el modelo. Es decir, R(τ |µ) es una medida del efecto del

factor A.

R(β |µ, τ ) = SSE 2 SSE 3

es la reducción debida a β ajustada por µ y τ . Es una medida

del efecto del factor B dado que ya se tiene a µ y a τ i en el

modelo.

R(γ |µ, τ, β) = SSE 3 SSE 4

es la reducción debida a γ ajustada por µ, τ y β.

Tabla de Análisis de Varianza tipo I F.V. g.l. SS CM F A a −
Tabla de Análisis de Varianza tipo I
F.V.
g.l.
SS
CM
F
A
a − 1
R(τ |µ)
SS A /gl A
CM A /CM E
B
b − 1
R(β |µ, τ )
SS B /gl B
CM B /CM E
AB
(a − 1)(b − 1)
R(γ |µ, τ, β) SS AB /gl AB
CM AB /CM E
Error
n
− ab
SSE 4
SS E /gl E
Total
n
− 1
SSE 1
a
b
donde, n
=
i=1 j=1 n ij
Tabla de Análisis de Varianza tipo II F.V. g.l. SS CM F A a −
Tabla de Análisis de Varianza tipo II
F.V.
g.l.
SS
CM
F
A
a − 1
R(τ |µ, β)
SS A /gl A
CM A /CM E
B
b − 1
R(β |µ, τ )
SS B /gl B
CM B /CM E
AB
(a − 1)(b − 1)
R(γ |µ, τ, β) SS AB /gl AB
CM AB /CM E
Error
n
− ab
SSE 4
SS E /gl E
Total
n
− 1
SSE 1
Análisis tipo III, Regresión 1. Se generan a − 1 variables dummy (0,1) para los
Análisis tipo III, Regresión
1. Se generan a − 1 variables dummy (0,1) para los a niveles
del factor A. Se generan b − 1 variables dummy para los b
niveles del factor B.
2. La interacción A × B se representa por los productos de
sus variables dummy correspondientes.
3. Se ajusta el modelo con todas las variables dummy y se
obtiene SSE.
4. Se ajusta el modelo con todas las variables dummy
excepto aquellas que corresponden a los efectos
principales o interacciones que están siendo probadas. La
diferencia entre esta SSE y la del modelo completo es la
SS correspondiente a este efecto.
Ejemplo factorial 2x3 desbalanceado Suponga un experimento factorial 2 × 3 en un diseño completamente
Ejemplo factorial 2x3 desbalanceado
Suponga un experimento factorial 2 × 3 en un diseño
completamente al azar.
B 1
B 2
B 3
T 1
19
24
22
20
26
25
21
25
T 2
25
21
31
27
24
32
24
33
ej9_1_messy.jmp