Diseños Factoriales

Concepto:

El diseño factorial, es la combinación de dos o más diseños simples (o

unifactoriales); es decir, el diseño factorial requiere la manipulación simultánea de
dos o más variables independientes (llamados factores), en un mismo
experimento.

En función de la cantidad de factores o variables de tratamiento, los formatos

factoriales se denominan, también, diseños de tratamientos x tratamientos, etc, y
se simbolizan por AxB, AxBxC, etc.

Los factores pueden ser: de Tipo cualitativo y Tipo cuantitativo, Para poder estudiar la Diseños Factoriales
manera en cómo influye cada factor sobre la variable respuesta, es necesario elegir al con dos Factores
menos dos niveles de prueba para cada uno de ellos. Con el diseño factorial completa
se corren aleatoriamente en el proceso todas las posibles combinaciones que pueden Considere los factores
formarse con los niveles seleccionados. A y B con a y b (a, b ≥
2) niveles de prueba,
respectivamente. Con
ellos
se
Definición de experimento factorial
puede
Un diseño de experimentos factorial o arreglo factorial es el conjunto de puntos experimentales o
tratamientos que pueden formarse considerando todas las posibles combinaciones de los niveles de los
factores. Más en general, la familia de diseños factoriales 2k consiste en k factores, todos con dos niveles
de prueba; la familia de diseños 3k consiste de k factores cada uno con tres niveles de prueba.

construir el diseño factorial a x b que consiste en a x b tratamientos. Se llama réplica a cada

repetición completa del arreglo factorial. Los diseños factoriales que involucran menos de 4 factores
se corren replicados para poder tener la potencia necesaria en las pruebas estadísticas sobre los
efectos de interés, de tal forma que si se hacen n réplicas, el número total de corridas
experimentales es n(a x b).

Modelo de prueba de hipótesis

Paso 1. Según la estructura del diseño son estimables tres

efectos. Por esa razón, se plantean tres hipótesis de nulidad
relativas a la variable A, variable B e interacción:
H :α =α =0
0 1 2
 Paso 2. Por hipótesis experimental, se espera que los efectos principales y el
de la interacción sean significativos. Estas hipótesis se representan, al nivel
estadístico, por
H : α  α , o no todas las α son cero
1 1 2

H : ß  ß , o no todas las ß son cero

1 1 2

H : (αß)  (αß)  (αß)  (αß) , o no todas las αß son cero.

1 11 12 21 22

Paso 3. El estadístico de la prueba es la F de Snedecor, con un α de 0.05, para

las tres hipótesis de nulidad. El tamaño de la muestra experimental es N = 32 y
el de las submuestras n = 8.

Paso 4. Cálculo del valor empírico de las razones F. Para ello, se toma la matriz
de datos del experimento.
El ANOVA para un diseño factorial a x b con n réplicas resulta de descomponer la variación
total como:

SST=SSA+SSB+SSAB+SSE

Y la tabla de ANOVA con dos factores, ANVA formulas. está dada por:
Modelo estructural del ANOVA:

Diseño factorial 2X2

Yijk     j   k  ( ) jk   ijk

Ejemplo:

En un experimento llevado a cabo para determinar cuál de tres sistemas de misiles

es preferible, se midió el promedio de consumo de los propulsores para 24
encendidos estáticos. Se utilizaron cuatro tipos diferentes de propulsores. En el
experimento se obtuvieron observaciones duplicadas de promedios de consumo en
cada combinación de los tratamientos. Los datos aparecen a continuación:
Verificación de supuestos

1. Normalidad de los residuos

Será un problema en caso de que las poblaciones tengan
distribuciones marcadamente asimétricas y en direcciones
opuestas.

Alternativas: transformar datos o estadística no paramétrica.

Verificación: Gráficos y test de Normalidad

La hipótesis será:

Si el valor-p > 0,05 no podemos rechazar la hipótesis nula y por lo

tanto asumimos que se cumple el supuesto de Normalidad

2. Homogeneidad de varianzas:

 Se debe verificar la homogeneidad de las varianzas.

Mediante un diseño completamente al azar se obtiene k muestras aleatorias de

tamaños de dichas poblaciones, de modo que el total de
mediciones es

.
3. Independencia:
La suposición de independencia en los residuos puede verificarse si se grafica el orden en que se
colectó un dato contra el residuo correspondiente. De esta manera, si al graficar en el eje horizontal
el tiempo (orden de corrida) y en el eje vertical los residuos, se detecta una tendencia o patrón no
aleatorio claramente definido, esto es evidencia de que existe una correlación entre los errores y,
por lo tanto, el supuesto de independencia no se cumple. Si el comportamiento de los puntos es
aleatorio dentro de una banda horizontal, el supuesto se está cumpliendo.