INTRODUCCION

El análisis factorial es una técnica de reducción de datos que sirve para encontrar
grupos homogéneos de variables a partir de un conjunto numeroso de variables. Esos
grupos homogéneos se forman con las variables que correlacionan mucho entre sí y
procurando, inicialmente, que unos grupos sean independientes de otros.
Cuando recogemos un gran número de variables de forma simultánea, como por
ejemplo en un cuestionario de satisfacción laboral, podemos estar interesados en
averiguar si las preguntas del cuestionario se agrupan de alguna forma característica.
Aplicando un análisis factorial a las respuestas de los sujetos podemos encontrar
grupos de variables con significado común y conseguir de esta manera reducir el
número de dimensiones necesarias para explicar las respuestas de los sujetos. El
análisis factorial es, por tanto, una técnica de reducción de la dimensionalidad de los
datos. Su propósito último consiste en buscar el número mínimo de dimensiones
capaces de explicar el máximo de información contenida en los datos.
A diferencia de lo que ocurre en otras técnicas como el análisis de varianza o el de
regresión, en el análisis factorial todas las variables del análisis cumplen el mismo
papel: todas ellas son independientes en el sentido de que no existe a priori una
dependencia conceptual de unas variables sobre otras.
ANALISIS FACTORIAL

El análisis factorial consta de cuatro fases características: el cálculo de una matriz capaz de
expresar la variabilidad conjunta de todas las variables, la extracción del número óptimo de
factores, la rotación de la solución para facilitar su interpretación y la estimación de las
puntuaciones de los sujetos en las nuevas dimensiones. Para ejecutar correctamente un
análisis factorial será necesario tomar algunas decisiones en cada una de estas fases. La
estructura del procedimiento Análisis factorial del SPSS se ajusta a las cuatro fases
mencionadas. Este capítulo explica cuáles son las especificaciones mínimas para obtener una
solución inicial y cuáles son las opciones disponibles para personalizar la ejecución del
procedimiento.

Seleccionar la opción Reducción de datos > Análisis factorial... del menú Analizar
para acceder al cuadro de diálogo Análisis factorial que se muestra en la figura

 Cuadro de diálogo Análisis factorial

.

La lista de variables del archivo de datos contiene un listado de todas las variables
del archivo, incluidas las variables de cadena (aunque éstas sólo pueden utilizarse
como variables de selección). Para llevar a cabo un análisis factorial:

Seleccionar el conjunto de variables que se desea analizar y trasladarlas a la lista

Variables

Variable de selección. Este cuadro permite seleccionar una de las variables del
archivo de datos como variable de filtro: para definir una sub-muestra de sujetos que
cumplan una determinada condición. Esta opción es especialmente útil cuando se ha
reservado un porcentaje de los sujetos de la muestra para llevar a cabo una
validación cruzada del modelo final. Para utilizar una variable de selección:

Trasladar la variable al cuadro Variable de selección y pulsar en el botón

Valor. Para acceder al subcuadro de diálogo que muestra la figura.

 Subcuadro de diálogo .Análisis factorial: Establecer valor

Introducir en el cuadro de texto el valor de la variable de selección que identifica a

los casos que se desea incluir en el análisis. (Para aprovechar al máximo las
posibilidades de esta opción, podemos utilizar el proceso .Ejecutar casos no
seleccionados, el cual actúa sobre la tabla de notas del análisis conmutando los casos
seleccionados por los no seleccionados y volviendo a ejecutar el procedimiento
Análisis factorial con las mismas especificaciones establecidas en el análisis
precedente).

. DISEÑOS FACTORIALES

4.1 Principios y definiciones básicas

Muchos experimentos se llevan a cabo para estudiar los efectos producidos por dos o más
factores. Puede mostrarse que en general los diseños factoriales son los más eficientes para este
tipo de experimentos. Por diseño factorial se entiende aquel en el que se investigan todas las
posibles combinaciones de los niveles de los factores en cada ensayo completo o réplica del
experimento. Por ejemplo, si existen “a” niveles del factor A y “b” niveles del factor B, entonces
cada réplica del experimento contiene todas las “ab” combinaciones de los tratamientos. A
menudo, se dice que los factores están cruzados cuando éstos se arreglan en un diseño factorial.
 El efecto de un factor se define como el cambio en la respuesta producida por un cambio en el
nivel del factor. Con frecuencia, éste se conoce como efecto principal porque se refiere a los
factores de interés primordial del experimento. Por ejemplo, consideremos los datos de la tabla
1. El efecto principal del factor A podría interpretarse como la diferencia entre la respuesta
promedio en el primer y segundo nivel de ese factor. Numéricamente:

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Tabla 1 Un experimento factorial

40  52 20  30
A   21
2 2

En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en la respuesta

promedio de 21 unidades. Similarmente, el efecto principal de B es:

30  52 20  40
B   11
2 2

Si los factores tienen más de dos niveles, el procedimiento anterior debe ser modificado ya que
las diferencias entre las respuestas promedio pueden expresarse de muchas formas.

En algunos experimentos puede encontrarse que la diferencia en la respuesta entre los

niveles de un factor no es la misma en todos los niveles de los otros factores. Cuando
esto ocurre existe una interacción entre los factores. Por ejemplo, considérense los datos
de la Tabla 2.
 Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interacción

En el primer nivel del factor B, el efecto de A es:

A = 50 - 20 = 30

Mientras que en el segundo nivel de B, el efecto de A es:

A = 12 - 40 = 28

Puede observarse que existe una interacción entre los factores A y B porque el efecto de A
depende del nivel elegido de B.

Estas ideas pueden ilustrarse gráficamente. En la Fig. 1 se muestra una gráfica de la respuesta
de los datos de la Tabla 1 contra los niveles del factor A para ambos niveles del factor B. Se
observa que las rectas B1 y B2 son, aproximadamente, paralelas. Esto indica que no hay
interacción entre los factores. De manera similar, en la Fig. 2 se presenta una gráfica de la
respuesta de los datos de la Tabla 2.

60
B2
50
B1
Respuesta

40
30 B2
20
B1
10

A1 A2
Factor A

Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una interacción
entre A y B. Sin embargo, no debe ser la única técnica para analizar los datos, porque su
interpretación es subjetiva y su apariencia, a menudo, es engañosa.

60 B1
50
B2
Respuesta

40
30
20
B1
10 B2

A1 A2
Factor A

Figura 2 Un experimento factorial con interacciones

Hay que notar que cuando una interacción es grande los correspondientes efectos principales
tienen poco significado práctico. Una estimación del efecto principal de A de los datos de la
Tabla 2 es:

50  12 20  40
A  1
2 2

El cual resulta ser muy pequeño corriéndose el riesgo de concluir que no existe un efecto
debido a A. Sin embargo, cuando se examinó el efecto de A en niveles diferentes de B
se concluyó que éste no era el caso. El factor A tiene un efecto, pero depende del nivel
del factor B. En otras palabras, es más útil conocer la interacción AB que el efecto
principal. Una interacción significativa oculta a menudo el significado de los efectos
principales.
Ventajas de los diseños factoriales

Las ventajas de los diseños factoriales pueden ilustrarse fácilmente. Supongamos que se tienen
dos factores, A y B, cada uno con dos niveles. Estos niveles se representan mediante A1, A2, B1
y B1. La información acerca de ambos factores puede obtenerse variando un factor a la vez como
aparece en la tabla 3. El efecto de variar el factor A está dada por A2B1 -A1B2. A causa de que
existe error experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinación de tratamientos y hacer una estimación de los efectos de los factores usando las
respuestas promedio. Por lo tanto, se requiere un total de seis observaciones.

Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12
 Tabla 3 El método de un factor a la vez

Los diseños factoriales poseen algunas ventajas.

 Son más eficientes que los experimentos de un factor a la vez.

 Los diseños factoriales son necesarios cuando alguna interacción puede estar
presente, para evitar hacer conclusiones engañosas.

 Los diseños factoriales permiten estimar los efectos de un factor en diversos

niveles de los otros factores, produciendo conclusiones que son válidas sobre
toda la extensión de las condiciones experimentales.

4.2 Diseño factorial de dos niveles (2^K)

El primer diseño de la serie 22 es aquel en el que solo dos factores, A y B, cada uno con dos
niveles. Este diseño se conoce como diseño factorial 22. Arbitrariamente, los niveles del factor
pueden llamarse “bajo” y “alto”.

Ejemplo 1 Considérese una investigación llevada a cabo para estudiar el efecto que tiene la
concentración de un reactivo y la presencia de un catalizador sobre el tiempo de reacción de un
proceso químico. Sea la concentración del reactivo el factor A con dos niveles de interés, 15% y
20%. El catalizador constituye el factor B; el nivel alto o superior denota el uso de dos sacos de
catalizador y el nivel bajo o inferior denota el uso de un solo saco. El experimento se realiza
(“replica o repite”) tres veces, y los datos son como sigue:
 Combinación de Replica

tratamientos I II III Total

A baja, B baja 28 25 27 80

A alta, B baja 36 32 32 100

A baja, B alta 18 19 23 60

A alta, B alta 31 30 29 90

En la figura 3 siguiente se presentan gráficamente las combinaciones de tratamiento para este

diseño, el efecto de un factor se denota por la letra latina minúscula. De este modo, “A” se
refiere al efecto del factor “A”, y “B” se refiere al efecto del factor “B”, y “AB” se refiere a la
interacción entre AB. En el diseño 22 los niveles bajo y alto de A y B se denotan por “-“ y “+”
respectivamente, en los ejes A y B. Así – en el eje B representa el nivel bajo de catalizador
mientras que + denota el nivel alto.

b = 60(18+19+23) ab = 90(31+30+19)
Cantidad de catalizador B

Alto (2 sacos) +

bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)

- +
bajo (15%) alto (20%)
Concentracion de reactivo A

Figura 1: Combinaciones de tratamiento en el diseño factoriall

Fig. 3

Las cuatro combinaciones de tratamientos en el diseño pueden representarse por letras

minúsculas, cono se muestra en la figura 3. En esta figura se aprecia que el nivel superior
de cualquier factor de una combinación de tratamientos está representado por la
presencia de la letra minúscula correspondiente, mientras que la ausencia de esta ultima
representa el nivel inferior del factor.

Así
  “a” representa la combinación de tratamientos, en la que A se encuentra en el
nivel superior y B en el nivel inferior;

 “b” representa aquella en la que A se halla en el nivel inferior y B en el superior,

y

 “ab” representa a ambos factores en el nivel superior.

 Por convención (1) se usa para representar a ambos factores en el nivel inferior.
 El efecto promedio de un factor se define como el cambio en la respuesta producida por
un cambio en el nivel de ese factor, promediado sobre los niveles del otro factor.

Como se ilustra en la figura 3, las letras minúsculas (1), a, b y ab también se usan para
representar los totales de las n replicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras que el
nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades se obtiene:

1 1
A ab  b  a  (1)  ab  a  b  (1)
2n 2n

El efecto promedio de B se determina a partir de su efecto en el nivel inferior de A (esto es, {b-
(1)}/n, y de su efecto en el nivel superior de A (que es igual a [ab-a]/n obteniéndose:

B 
1
ab  a  b  (1)  1
ab  b - a  (1)
2n 2n

El efecto de la interacción AB se define como la diferencia promedio entre el efecto de A en el

nivel superior de B y su efecto en el nivel inferior de B, así:

AB 
1
ab  b  a  (1)  1
ab  (1)  a  (b)
2n 2n

Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B en
el nivel superior de A y el efecto de B en el nivel inferior de A.
Las formulas para los efectos de A, B y AB pueden deducirse por otro método. El efecto de A
puede hallarse como la diferencia en la respuesta promedio de las dos combinaciones de
tratamiento en la mitad derecha (que llamaremos Y A+, puesto que es la respuesta promedio
para las combinaciones de tratamientos a las que A que se encuentra en el nivel alto) y las dos
combinaciones de tratamientos en la mitad izquierda (o Y A). Esto es,

A  YA   YA 

ab  a b  (1)
 
2n 2n


1
ab  a  b  (1)
2n

Este es exactamente el mismo resultado, el efecto de B se encuentra como la diferencia entre

el promedio de las dos combinaciones de tratamientos en la parte superior del cuadrado ( Y B+)
y el promedio de las dos combinaciones de tratamientos en la parte inferior ( Y B-), o

B  YB   YB 

ab  b a  (1)
 
2n 2n


1
ab  b  a  (1)
2n

Finalmente el efecto de interacción AB es el promedio de las combinaciones de

tratamientos en la diagonal de derecha a izquierda del cuadrado ab y (1) menos el
promedio de las combinaciones de tratamientos en la diagonal de izquierda a derecha
(a y b), o

ab  (1) ab
AB  
2n 2n


1
ab  (1)  a  b
2n

Con los datos que aparecen en la figura 1, las estimaciones de los efectos promedio son:

A 
1
90  100  60  80  8.33
2(3)

B
1
90  60  100  80   5.00
2(3)

AB 
1
90  80  100  60  1.67
2(3)

El efecto de A (concentración de reactivo) es positivo; esto sugiere que al elevar A del nivel bajo
(15%) al nivel alto (25%) incrementará el rendimiento. El efecto de B (catalizador) es negativo;
esto sugiere que elevar la cantidad del catalizador agregada al proceso reducirá el rendimiento.
Al parecer, el efecto de interacciones es pequeño comparado con los dos efectos principales.

En muchos experimentos que implican diseños 2K se examina la magnitud y la dirección de los

efectos de los factores para determinar cuales variables es probable que sean importantes. Por
lo general puede emplearse el análisis de varianza para confirmar esta interpretación. En el
diseño 2k existen algunos métodos rápidos especiales para realizar los cálculos del análisis de
varianza.

Consideremos la suma de cuadrados para A, B y AB. Obsérvese la primera ecuación que se utiliza
un contraste para estimar A; esto es,
 ContrasteA  ab  a  b  (1)

Este contraste suele llamarse efecto total de A. A partir de la segunda y tercera ecuación, puede
apreciarse que también se utilizan contraste para estimar B y AB. Además, estos tres contrastes
son ortogonales. La suma de cuadrados de cualquiera de ellos puede calcularse usando la
siguiente ecuación:

SSc  1 
aciyi. 2 na ci2
a  .

Esta ecuación establece que la suma de cuadrados de contraste es igual al contraste elevado al
cuadrado entre el producto del número de las observaciones de cada total del contraste por la
suma de cuadrados de los coeficientes del mismo. En consecuencia, se obtiene que las sumas
de cuadrados de A, B y AB sean:

SSA 
ab  a  b  (1)
2

n*4

SSB 
ab  b  a  (1)
2

n*4

SSAB 
ab  (1)  a  b 
2

n*4

Con los datos de la figura 3, las sumas de cuadrados se pueden calcular aplicando las ecuaciones
anteriores, obteniéndose:
 2
50
SSA   208.33
4(3)
2
 30
SSB   75.00
4(3)
2
10
SSAB   8.33
4(3)

La suma total de cuadrados se determina de la manera usual mediante:

2
2 Y ...
SST  i21 2j1 n
k 1 Y ijk 
4n

En general SST tiene 4n –1 grados de libertad. La suma de cuadrados del error, con 4(n-1) G.L. se
puede calcular en la forma usual, por diferencia, mediante.

2
2 2 3 2 Y
SS E     Yijk   9398.00  9075.00  323.00
i1j1k 1 4(3)

SS E  SS T  SS A  SS B  SS AB

 323.00  208.33 75.00  8.33  31.34

El análisis de varianza completo se presenta en la tabla siguiente. Ambos efectos

principales son significativos al 1%.

A menudo se es conveniente escribir las combinaciones de tratamientos en el orden (1), a, b, y

ab. Este orden se conoce como orden estándar. Cuando se utiliza es posible apreciar que los
coeficientes de los contrastes usados para estimar los efectos son
 Efectos (1) a b Ab

A: -1 +1 -1 +1

B: -1 -1 +1 +1

AB: +1 -1 -1 +1

Tabla ANOVA para los datos del ejemplo 1 es la siguiente:

Fuente de

variación SS G.L. MS Fo

A 208.33 1 208.33 53.15a

B 75.00 1 75.00 19.13a

AB 8.33 1 8.33 2.13

Error 31.34 8 3.92

Total 323.00 11
a
significativo al 1%

Signos algebraicos para calcular los efectos en un diseño 22

Combinación
Efecto Factorial
De

Tratamientos I A B AB

(1) + - - +

a + + - -

b + - + -

ab + + + +

Observe que los coeficientes de los contrastes usados para estimar la interacción son
iguales al producto de los coeficientes correspondientes a los dos efectos principales.
Los coeficientes de los contrastes siempre son +1 o –1 y se puede usar una tabla de
signos positivos y negativos como la mostrada en la de signos algebraicos para
determinar el signo apropiado de cada combinación de tratamientos. En el encabezado
de las columnas de tabla y se encuentran los efectos principales (A y B), la interacción
AB, e I, que representa el total el total o el promedio de todo el experimento. Se observa
que la columna encabezada por I se compone de solo de signos positivos. Los renglones
corresponden a las combinaciones de tratamientos.

Para encontrar un contraste con el fin de estimar cualquier efecto, simplemente se

multiplican los signos de la columna apropiada de la tabla por la correspondiente
combinación de tratamientos, y se suma. Por ejemplo, el contraste para estimar A es –
(1) + a – b + ab, lo cual concuerda con la ecuación.

A 
1
ab  b  a  (1)  1
ab  a  b  (1)
2n 2n

Los tipos más sencillos de diseños factoriales implican sólo dos factores o conjuntos de
tratamientos. Haya “a” niveles del factor A y “b” niveles del factor B, dispuestos en un diseño
factorial; esto es, cada A repetición o réplica del experimento contiene todas las combinaciones
de tratamiento ab. En general, hay n repeticiones.
5. DISEÑOS DE EXPERIMENTOS FRACCIONALES DE
DOS NIVELES

5.1 Concepto de replicación fraccionada

Conforme el número de factores del experimento crece, el número de casillas o condiciones

experimentales (y por lo tanto el número de lecturas o pruebas necesarias), crece
exponencialmente en un experimento factorial. El número de efectos a evaluar (interacciones
principalmente) crece exponencialmente también. El número de efectos y casillas varía con el
número de factores en una relación como se muestra en la tabla siguiente para un experimento
factorial 2k.

No. De No. De Efectos Interacciones entre factores de

factores casillas principales 1 3 4 5 6 7 8
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 27 7 1
8 256 8 28 58 70 56 28 8 1

En el presente se utilzaron en un principio 16 factores, sin embargo el modelo de la ANOVA para

las cuatro diferentes variables de respuesta del experimento a analizar arrojo los siguientes
resultados:

1. Para el limite elásticos las variables significativas fueron 7

2. Para resistencia a la tensión fueron
3. Para dureza fueron
4.
Así por ejemplo cuando se tienen siete factores como en caso 1, existen 128 posibles
condiciones experimentales, lo que implica que al hacer una replicación por celda de todo el
experimento requiere un total de 128 observaciones. Si se decide tomar dos replicas por celda,
entonces serian necesarias 256 observaciones, lo cual es una cantidad excesiva de pruebas para
fines prácticos.

Por otro lado, se necesitan 128 observaciones para un experimento con 7 factores por que se
deben evaluar 127 posibles efectos (que son los grados de libertad totales en 128 observaciones)
de estos efectos 7 son los factores principales, 21 interacciones de 2 factores, 35 de tres, 35 de
cuatro, 27 de cinco en cinco, 7 de seis en seis y una interacción de 7 factores. En general el
número de interacciones de k factores tomados r en r es:
 K!
r! (k  r)!

El concepto de replicación fraccionada parte de las siguientes hipótesis:

1. Las interacciones de tres o más factores son sumamente raras en la práctica, por lo que
en general se pueden suponer como no existentes.

2. En un experimento de varios factores lo más probable es que solo algunos de ellos sean
relevantes para la variable de respuesta.

3. La mayor parte del efecto se debe a los factores principales y algunas interacciones de
dos factores.

Lo anterior implica que por ejemplo para siete factores son necesarios probablemente solo 28
grados de libertad (7 factores principales y 21 interacciones de dos factores), y esto equivale a
solo 29 unidades de información y no 128 como en el experimento original. Esto quiere decir
que no es necesario el correr una replicación completa de todo el experimento cuando el
número de factores crece, sino solamente algunas casillas o condiciones experimentales.

Cuando solamente una parte de las posibles casillas se prueban, se dice que se tiene una
replicación fraccionada del experimento.

Las preguntas que surgen son:

1. ¿Cuántas y cuales casillas probar?

2. ¿Cómo analizar los resultados?
3. ¿Qué información se pierde?

El responder a estas preguntas es uno de los objetivos de la replicación fraccionaria.

5.2 Fracción un medio del diseño 2k

Considérese el caso en el que se estudian tres factores de dos niveles cada uno, pero en el que
los experimentadores no pueden costear las 23 = 8 combinaciones de tratamientos, sin
embargo, si se puede costear 4 observaciones. Esto sugiere una fracción un medio, de un diseño
23. la fracción un medio del diseño 23 se conoce también como un diseño 23-1 porque tiene 23-1
= 4 combinaciones de tratamiento.

En la tabla 1 aparecen signos positivos y negativos del diseño 23. Supóngase que para componer
la fracción un medio, se seleccionan las combinaciones de tratamientos se usa indistintamente
la notación convencional (a,b,c,...) y la de signos positivos y negativos. La equivalencia de las dos
notaciones se muestra a continuación.
 Notación 1 Notación 2

a + - -

b - + -

c - - +

abc + + +

Combinación de Efecto factorial

Tratamientos
I A B C AB AC BC ABC

a + + - - - - + +

b + - + - - + - +

c + - - + + - - +

abc + + + + + + + +

ab + + + - + - - -

ac + + - + - + - -

bc + - + + - - + -

(1) + - - - + + + -

Tabla 1 Signos positivos para el diseño 23

Nótese que el diseño 23-1 se forma al seleccionar solo las combinaciones de tratamientos que
producen un signo positivo sobre la columna ABC. Por esto ABC se denomina generador de una
fracción particular. Además, la columna identidad I siempre es positiva, por lo cual:

I = ABC

Se denominara relación definitoria de nuestro diseño, en general, la relación definitoria de un

factorial fraccionario siempre es el conjunto de todas las columnas que son iguales a la columna
identidad I.

abc bc

c ac

b ab
C
B
Las combinaciones de tratamientos del diseño 23-1 producen 3 G.L. que pueden usase para
estimar los efectos principales. En la tabla 1 se muestra que las combinaciones lineales de las
observaciones que se utilizan para estimar los efectos principales A, B, y C son:

LA  1/2(a  b  c  abc)
LB  1/2( a  b  c  abc)
LC  1/2( a  b  c  abc)
LBC  1/2(a  b  c  abc)
LAC  1/2( a  b  c  abc)
LAB  1/2( a  b  c  abc)

Por lo tanto LA = LBC, LB = LAC y LC = LAB. En consecuencia, es imposible distinguir entre A y BC,
entre B y AC y entre C y AB. De hecho, es posible mostrar que cuando se estima A, B y C, en
realidad, lo que sé esta haciendo es estimar A + BC, CB + AC y C + AB, respectivamente. Dos o
más efectos que tienen esta propiedad se conoce como alias. En este ejemplo, A y BC, B y AC y C
y AB son alias. Esto se indica empleando la notación:

LA  A  BC,
LB  B  AC
LC  C  AB
La estructura de los alias de este diseño pueden determinarse fácilmente con la relación I = ABC,
multiplicando cualquier efecto por la relación que define al diseño, modulo 2, da como resultado
los alias de dicho efecto. En el ejemplo anterior, los alias son:

A*I = A*ABC = A2BC

O dado que el cuadrado de cualquier columna es simplemente la identidad I.

A = BC

De modo similar, se encuentra que los alias de B y C son:

B*I = B*ABC = AB2C = AC

C*I = C*ABC = ABC2 = AB

Esta fracción un medio o semifracción, con I = +ABC, suele llamarse fracción principal.

Ahora supóngase que se eligió la otra mitad de la réplica. Esta se compone de las combinaciones
de tratamientos de la tabla 1 que tiene signo negativo asociado con ABC. Esta fracción un medio
o alterna que consta de las siguientes corridas:

Notación 1 Notación 2

(1) ---

ab ++-

ac +-+

abc -++

La relación definitoria de este diseño es:

I = -ABC
Usando la fracción alterna, las combinaciones lineales de las observaciones, L’A, L’B y L’C, son:

L' A  A  BC
L' B  B  AC
L' C  C  AB

Por lo tanto, en realidad se está estimando A – BC, B – AC y C – AB al estimar A, B y C con esta

fracción. En la práctica, no importa cual de las dos fracciones se utilice. Generalmente la fracción
asociada con I = +ABC se denomina fracción principal. Ambas fracciones pertenecen a la misma
familia; en otras palabras, estas dos fracciones forman el diseño 23 completo.