DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept.

2007

EXPERIMENTOS FACTORIALES 2K

Página 1 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

CONTENIDO

1. Principios y definiciones básicas

2. Diseño factorial de dos factores

Página 2 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

DISEÑOS FACTORIALES

1. Principios y definiciones básicas

M
uchos 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:

40  52 20  30
A    21
2 2

Página 3 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Tabla 1 Un experimento factorial

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

Página 4 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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
Respu es ta

B1
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
40
30
20
B1
10 B2

A1 A2
Factor A
Página 5 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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

L as 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 APágina
2 B1 6 de 14
12
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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.

2. Diseño factorial de dos factores

E l 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 2 2. 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
Página 7 18
A baja, B alta de 14
19 23 60
A alta, B alta 31 30 29 90
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

En la figura 4 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 2 2 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
Fig. 3
Figura 1: Combinaciones de tratamiento en el diseño factoriall
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 esta 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.

Página 8 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

 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

Página 9 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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:

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

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

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

Página 10 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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 ci 2
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

Página 11 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Con los datos de la figura 1, 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 2 n
1  j1 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 3.1 es la siguiente:

Página 12 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Fuente de G.L
variación SS . 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.

Página 13 de 14
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

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.

Página 14 de 14