Diseños Factoriales

Diseño de experimentos – p. 1/25

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.

Diseño de experimentos – p. 2/25

Introducción

Así, por ejemplo, si el diseño experimental es bloques al azar,

el modelos es:
yij = µ + τi + βj + ǫij
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 τi 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:

τi = τkl = αk + γl + ξkl
tratamiento = factor A + factor B + interacción AB

Diseño de experimentos – p. 3/25

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:
yklj = µ + αk + γl + ξkl + βj + ǫklj
Es poco usual tener diseños experimentales muy complicados
en los experimentos factoriales, ya que se dificulta el análisis y
la interpretación.

Diseño de experimentos – p. 4/25

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.

Diseño de experimentos – p. 5/25

Introducción

Las ventajas de los experimentos factoriales son:

1. Economía en el material experimental al obtener
información sobre varios factores sin aumentar el tamaño
del experimento. Todas las u.e.se utilizan para la
evaluación de los efectos.
2. Se amplía la base de la inferencia en relación a un factor,
ya que se estudia en las diferentes condiciones
representadas por los niveles de otros factores. Se amplía
el rango de validez del experimento.
3. Permite el estudio de la interacción, esto es, estudiar el
grado y forma en la cual se modifica el efecto de un factor
por los niveles de los otros factores.
Una desventaja de los experimentos factoriales es que
requiere un gran número de u.e., sobre todo cuando se
prueban muchos factores o muchos niveles de algunos
factores, es decir, se tiene un número grande de tratamientos.
(factoriales fraccionales)
Diseño de experimentos – p. 6/25
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 yijk la respuesta para la k-ésima u.e. del nivel i de A y j

de B.

yijk = µ + τi + βj + γij + ǫijk

i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n
Las hipótesis que se prueban son:
H01 : γij = 0 ∀ i, j
H02 : τi + γ̄i. = 0 ∀ i
H03 : βj + γ̄.j = 0 ∀ j

Diseño de experimentos – p. 7/25

Interacción

Ejemplo de un factorial 2 × 2 sin y con interacción.

Diseño de experimentos – p. 8/25

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.

Diseño de experimentos – p. 9/25

 Tabla de ANOVA

F.V. g.l. SS CM F E(CM )

CMA
A a−1 SSA SSA /(a − 1) CME σ 2 + rbθa
2

CMB
B b−1 SSB SSB /(b − 1) CME σ 2 + raθb2
CMAB
AB (a − 1)(b − 1) SSAB SSAB /(b − 1) CME σ 2 + rθab
2

error ab(n − 1) SSE SSE /ab(n − 1) σ2

total abn − 1 SST
a X
b X
n 2
X
2 y...
SST = yijk −
i=1 j=1 k=1
abn
a 2
1 X 2 y...
SSA = y −
bn i=1 i.. abn
b 2
1 X 2 y...
SSB = y.j. −
an j=1 abn
a b 2
1 XX 2 y...
SSAB = yij. − − SSA − SSb
n i=1 j=1 abn
SSE = SST − SSAB − SSA − SSB
Diseño de experimentos – p. 10/25
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.

Diseño de experimentos – p. 11/25

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
Diseño de experimentos – p. 12/25
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:
yij = µ + τi + βj + (τ β)ij + ǫij i = 1, . . . , a j = 1, . . . , b

F.V. g.l. E(CM )

A a−1 σ 2 + bθa2
B b−1 σ 2 + aθb2
AB (a − 1)(b − 1) σ 2 + θab
2

Error 0 σ2
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
yij = µ + τi + βj + ǫij
Este es el caso de bloques al azar.
Diseño de experimentos – p. 13/25
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 σ̂ 2 si todas las posibles interacciones están incluidas
en el modelo.

Diseño de experimentos – p. 14/25

Tres factores

El modelo para un factorial de tres factores en diseño

completamente al azar:
yijkl = µ+τi +βj +γk +(τ β)ij +(τ γ)ik +(βγ)jk +(τ βγ)ijk +ǫijkl

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).

Diseño de experimentos – p. 15/25

Sigue ejemplo tres factores


 10%

A= 12%

 14%
(
25psi
B=
30psi
(
200bpm
C=
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.

Diseño de experimentos – p. 16/25

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

Diseño de experimentos – p. 17/25

Factoriales desbalanceados

Hay situaciones en que el número de observaciones

(repeticiones) en cada tratamiento es diferente. Esto ocurre
por varias razones.

Por ejemplo, el experimentador pudo haber diseñado un

experimento balanceado inicialmente, pero debido a
problemas durante la ejecución del experimento que no se
previeron, se perdieron algunas observaciones lo que provocó
terminar con un diseño desbalanceado.

Por otro lado, algunos diseños desbalanceados se diseñan

así, por ejemplo, algunos tratamientos pueden ser más caros o
con más dificultad para aplicarse, por lo que se toman menos
observaciones en ellos.

Diseño de experimentos – p. 18/25

Factoriales desbalanceados

Alternativamente, algunos tratamientos pueden ser de gran

interés para el investigador porque pueden representar
condiciones nuevas o inexploradas, por lo que toma más
observaciones en ellos.

La ortogonalidad entre efectos principales e interacciones ya

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

Diseño de experimentos – p. 19/25

Factoriales desbalanceados

Caso del modelo con dos factores con interacción:

yijk = µ + τi + βj + γij + ǫijk

i = 1, . . . , a; j = 1, . . . , b; k = 1, . . . , nij
Se definen otros tipos de sumas de cuadrados. El primero
involucra ajustar modelos de una manera secuencial:

1. Ajustar yijk = µ + ǫijk y obtener SSE1

2. Ajustar yijk = µ + τi + ǫijk y obtener SSE2
3. Ajustar yijk = µ + τi + βj + ǫijk y obtener SSE3
4. Ajustar yijk = µ + τi + βj + γij + ǫijk y obtener SSE4

Diseño de experimentos – p. 20/25

Factoriales desbalanceados

Sea
R(τ |µ) = SSE1 − SSE2
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 τi .
Mientras más grande sea R(τ |µ) más importante es tener a τi
en el modelo. Es decir, R(τ |µ) es una medida del efecto del
factor A.

R(β|µ, τ ) = SSE2 − SSE3

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 τi en el
modelo.

R(γ|µ, τ, β) = SSE3 − SSE4

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

Diseño de experimentos – p. 21/25

Tabla de Análisis de Varianza tipo I

F.V. g.l. SS CM F
A a−1 R(τ |µ) SSA /glA CMA /CME
B b−1 R(β|µ, τ ) SSB /glB CMB /CME
AB (a − 1)(b − 1) R(γ|µ, τ, β) SSAB /glAB CMAB /CME
Error n.. − ab SSE4 SSE /glE
Total n.. − 1 SSE1
Pa Pb
donde, n.. = i=1 j=1 nij

Diseño de experimentos – p. 22/25

Tabla de Análisis de Varianza tipo II

F.V. g.l. SS CM F
A a−1 R(τ |µ, β) SSA /glA CMA /CME
B b−1 R(β|µ, τ ) SSB /glB CMB /CME
AB (a − 1)(b − 1) R(γ|µ, τ, β) SSAB /glAB CMAB /CME
Error n.. − ab SSE4 SSE /glE
Total n.. − 1 SSE1

Diseño de experimentos – p. 23/25

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.

Diseño de experimentos – p. 24/25

Ejemplo factorial 2x3 desbalanceado

Suponga un experimento factorial 2 × 3 en un diseño

completamente al azar.

B1 B2 B3
T1 19 24 22
20 26 25
21 25
T2 25 21 31
27 24 32
24 33

ej9_1_messy.jmp

Diseño de experimentos – p. 25/25