00 Disenos - Factoriales - 2 - K

Diseños Factoriales 2k
En la industria, debido a los altos costos que se pueden generar debido a la

implementación de un diseño con varios factores y niveles, es frecuente considerar
sólo dos niveles para cada uno de estos factores. Un diseño con factores que
tienen dos niveles requiere un número de 2 observaciones. En este tipo de diseños
se asume que los efectos son fijos y la aleatorización completa.
Diseño 22
Consideremos que deseamos estudiar el efecto de los factores A y B, considerando

dos niveles a los que llamaremos bajo (-) y alto (+). En la literatura es común
encontrarse con una notación llamada “notación de Yates”, la observación en los
niveles altos de los factores se representan mediante las letras y ; las
observaciones en los niveles bajos se representan por la ausencia de dichas letras:
Niveles Notación Codificada Notación

A B A B de Yates
Bajo Bajo - - (1)
Bajo Alto - + b
Alto Bajo + - a
Alto Alto + + ab
Si estamos considerando réplicas en nuestro experimento, entonces los efectos

de los factores A, B y su interacción están dados por:
1
,
2 2
1
,
2 2
1
.
2 2
Del mismo modo podemos definir el Efecto BA, obteniéndose que
Las sumas de cuadrados del efecto de cada factor se pueden definir en términos
de los efectos calculados anteriormente:
1
,
2
1
,
2
1
.
2
La suma de cuadrados total es, como habitualmente:
!"#$ !%&&& ' ,

")* #)* $)*
la cual tiene 2 1 grados de libertad.
La tabla de ANOVA toma la forma:
Factor Suma de Grados de Cuadrados +,

Cuadrados Libertad Medios
A 1 1 -
- +,
2 1 -
B 1 1 -
- +,
2 1 -
AB 1 1 -
- +,
2 1 -
Error 2 1
-
2 1
(
Total 2 1
!"#$ !%&&& '
")* #)* $)*
Ejemplo.- Se trata de estudiar el efecto que tienen 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 los niveles 15 y 20%. El
catalizador será el factor B con niveles 1 y 2 sacos. El experimento se realiza tres
veces y los resultados son mostrados a continuación:
Combinación de Tratamientos Réplica

Niveles Codificado Yates 1 2 3 Total
A Bajo, B Bajo (-) (-) (1) 28 25 27 80
A Alto, B Bajo (+) (-) a 36 32 32 100
A Bajo, B Alto (-) (+) b 18 19 23 60
A Alto, B Alto (+) (+) ab 31 30 29 90
Para este caso se tiene:
3,
1 80,
100,
60,
90.
Por lo cual,
1 100 90 60 80
208.33,
2 3 4
1 60 90 100 80
75,
2 3 4
1 90 80 100 60
8.33,
2 3 4
(
!"#$ !%&&& ' 323,

")* #)* $)*
31.34.
Los resultados pueden resumirse en la tabla de ANOVA:
Factor Suma de Grados de Cuadrados +,

A 208.33 1 - 208.33 +, 53.15
B 75 1 - 75 +, 19.13
AB 8.33 1 - 8.33 +, 2.13
Error 31.34 8 - 3.92
Total 323 11
A un nivel de significancia 6 0.05, tenemos que +,.,7,*,8 5.32, por lo que tanto la
concentración de reactivo como el número de sacos influyen en el tiempo de
reacción, sin embargo, su interacción no es significativa.
Análisis de los residuos
Para calcular los residuos y verificar los supuestos de un diseño 2k podemos hacer
uso de un modelo de regresión:
! 9, 9* :* 9 : 9* :* : ;,
donde :* y : representan a los niveles codificados de los factores (-1 y +1), ! la

respuesta observada y ; el error aleatorio.
Para el conjunto anterior de datos tendremos:
:* : !
-1 -1 28 25 27
+1 -1 36 32 32
-1 +1 18 19 23
+1 +1 31 30 29
Haciendo la regresión obtenemos:
!< 27.5 4.17:* 2.50: 0.833:* : .
La predicción para el punto (-1,-1) es:
!< 27.5 4.17 1 2.50 1 0.833 1 1 26.67,
La predicción para el punto (+1,-1) es:
!< 27.5 4.17 1 2.50 1 0.833 1 1 33.33,
La predicción para el punto (-1,+1) es:
!< 27.5 4.17 1 2.50 1 0.833 1 1 20,
La predicción para el punto (+1,+1) es:
!< 27.5 4.17 1 2.50 1 0.833 1 1 30.
Los residuos son:
:* : !< ! Residuos
! !<
-1 -1 26.67 28 25 27 1.33 -1.66 0.33
+1 -1 33.33 36 32 32 2.66 -1.33 -1.33
-1 +1 20 18 19 23 -2 -1 3
+1 +1 30 31 30 29 1 0 -1
Ahora es posible hacer la verificación de los supuestos del modelo.
Para este ejemplo se observó que la interacción no fue significativa, por lo que se
debió eliminar del modelo y hacer un nuevo análisis en el que la suma de cuadrados
de la interacción pasara a ser parte del error. Tanto en el ANOVA como en el
análisis de regresión (se verá más adelante) se muestra que la interacción no es
significativa.
Ahora resolveremos el ejemplo anterior utilizando Minitab.
Primero crearemos el diseño factorial 22, para ello en la parte superior elegimos
“Estadísticas”, posteriormente “DOE”, después “Factorial” y finalmente “Crear
diseño factorial”:
En el menú de creación de diseño factorial seleccionamos la opción de “Factorial de

2 niveles” y en “Número de factores” elegimos 2:
En la sección de “Diseños” seleccionamos el diseño “Factorial completo”, en puntos
centrales 0 (más adelante veremos un ejemplo de la utilidad de seleccionar puntos
centrales, pero en el ejemplo actual no es necesario), en nuestro ejemplo estamos
utilizando tres réplicas en cada punto del diseño factorial y finalmente no estamos
considerando algún bloque, por lo que en la opción de “Número de bloques”
seleccionamos 1:
En el menú de opciones si no activamos la casilla “Aleatorizar corridas” el diseño

será creado en el orden clásico, por el contrario si es activada creará el diseño en
orden aleatorio (muy útil si aún se hará el experimento):
En el menú “Factores” podemos elegir el nombre de los factores así como su
codificación, por ahora dejaremos los clásicos: A y B para los factores y (-1) y (+1)
para los niveles:
En este caso que sólo analizaremos el experimento, el diseño creado no será

aleatorizado:
Al diseño creado sólo le agregaremos la columna de respuestas:
Antes de analizar el diseño, crearemos las gráficas de efectos principales y de

interacciones que son de gran utilidad antes de iniciar el análisis estadístico.
En la pestaña de diseño factorial seleccionamos “Graficas factoriales”:

Seleccionamos las opciones de “Gráfica de efectos principales” y “Gráfica de
interacción”:
En configuración seleccionamos la respuesta y los factores, aceptamos y

obtenemos las gráficas de efectos principales y de interacciones:
Gráfica de efectos principales para Y

Medias de datos
A B
32
31
30
29
Media
28
27
26
25
24
23
-1 1 -1 1
Gráfica de interacción para Y
Medias de datos
34 A
-1
32 1
30
28
Media
26
24
22
20
-1 1
B
Se observa que los efectos principales son significativos, mientras que

posiblemente no exista interacción entre los factores.
Para analizar el diseño seleccionamos nuevamente “Estadísticas”, después “DOE”,

posteriormente “Factorial” y por último “Analizar diseño factorial”:
Seleccionamos la variable donde capturamos las respuestas:
En el menú “Términos” seleccionaremos los términos de interés en este diseño

(factor A, factor B y la interacción AB):
Aceptamos y obtenemos el análisis del diseño 2k:
Ajuste factorial: Y vs. A, B
Efectos y coeficientes estimados para Y (unidades codificadas)
Término Efecto Coef SE Coef T P

Constante 27.500 0.5713 48.14 0.000
A 8.333 4.167 0.5713 7.29 0.000
B -5.000 -2.500 0.5713 -4.38 0.002
A*B 1.667 0.833 0.5713 1.46 0.183
S = 1.97906 PRESS = 70.5

R-cuad. = 90.30% R-cuad.(pred.) = 78.17% R-cuad.(ajustado) = 86.66%
Análisis de varianza para Y (unidades codificadas)
Fuente GL SC Sec. SC Ajust. CM Ajust. F

Efectos principales 2 283.333 283.333 141.667 36.17
A 1 208.333 208.333 208.333 53.19
B 1 75.000 75.000 75.000 19.15
2-Interacciones de (No.) factores 1 8.333 8.333 8.333 2.13
A*B 1 8.333 8.333 8.333 2.13
Error residual 8 31.333 31.333 3.917
Error puro 8 31.333 31.333 3.917
Total 11 323.000
Fuente P
Efectos principales 0.000
A 0.000
B 0.002
2-Interacciones de (No.) factores 0.183
A*B 0.183
Error residual
Error puro
Total
Estructura de alias
I
A
B
A*B
En la primera tabla se observa el análisis de regresión con las variables

codificadas, se observa que el término interacción (:* : ) no es significativo. En la
segunda parte se observa el ANOVA, el cual ya habíamos realizado de forma
manual, nuevamente concluimos que los efectos A y B son significativos, mientras
que la interacción debe eliminarse del modelo. La “estructura de alias” no es otra
cosa que el nombre que utilizamos para los factores y la notación de Yates, será de
utilidad más adelante cuando tomemos fracciones de dieños factoriales.
Eliminamos el término de interacción y realizamos de nuevo el análisis:

Constante 27.500 0.6060 45.38 0.000
A 8.333 4.167 0.6060 6.88 0.000
B -5.000 -2.500 0.6060 -4.13 0.003
S = 2.09938 PRESS = 70.5185

Fuente GL SC Sec. SC Ajust. CM Ajust. F P

Efectos principales 2 283.333 283.333 141.667 32.14 0.000
A 1 208.333 208.333 208.333 47.27 0.000
B 1 75.000 75.000 75.000 17.02 0.003
Error residual 9 39.667 39.667 4.407
Falta de ajuste 1 8.333 8.333 8.333 2.13 0.183
Error puro 8 31.333 31.333 3.917
Total 11 323.000
Estructura de alias
I
A
B
Vemos que ahora ambos efectos son significativos, por lo que el modelo de
regresión que será útil para la predicción de nuevos valores será:
!< 27.5 4.167:* 2.5: .
Observemos que hay un efecto llamado “Falta de ajuste”, este efecto se refiere al
ajuste lineal, aparece pues al no haber término de interacción estamos trabajando
con un modelo lineal, la prueba asociada se expresa mediante las siguientes tres
hipótesis equivalentes:
=, : ? @ A Bó D AB A,
=E : ? @ A Bó D AB A.
=, : F G ! A H IJD ,
=E : = ! A H IJD .
=, : !< K9,
=E : !< L K9.
Dado que el valor p de esta prueba es 0.183 concluimos que no existe evidencia
suficiente en contra de la hipótesis de que el modelo lineal es correcto.
Ahora debemos verificar los supuestos de normalidad, varianza constante e
independencia de los residuos para que nuestas conclusiones sean válidas:
Gráficas de residuos para Y

Gráfica de probabilidad normal vs. ajustes
99
2
90
Porcentaje
Residuo
0
50
10 -2
1
-5.0 -2.5 0.0 2.5 5.0 20 24 28 32 36
Residuo Valor ajustado
Histograma vs. orden

4 2
3
Frecuencia
Residuo
0
2
1 -2
0
-3 -2 -1 0 1 2 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación
No parece haber evidencia visual en contra de que los residuos sean

independientes y de varianza constante, podría pensarse que no existe normalidad,
sin embargo, con una prueba estadística podríamos estar más seguros si la gráfica
no es convincente.
Finalmente podemos gráficar el modelo final (superficie de respuesta) junto con

los datos:
Gráfica de superficie de Y vs. B, A
35
30
Y
25 -1
20 0 B
1 1
0
-1
A
Aún de más utilidad puede sernos la gráfica de contorno si nuestro objetivo es
optimizar la respuesta en términos de los factores:
Gráfica de contorno de Y vs. B, A

1.0
Y
< 20.0
20.0 – 22.5
22.5 – 25.0
0.5 25.0 – 27.5
27.5 – 30.0
30.0 – 32.5
32.5 – 35.0
> 35.0
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Si deseamos hacer máximo el tiempo de reacción entonces debemos elegir un nivel

alto del factor A (20% de concentración del reactivo) y un nivel bajo del factor B
(un saco del catalizador). Si deseamos que el tiempo sea mínimo elegimos el nivel
bajo del factor A (15% de concentración) y un nivel alto del factor B (dos sacos del
catalizador).
Diseño General 2k
En el caso general de un diseño 2k, donde estamos considerando el efecto de

factores con dos niveles cada uno, tendremos 2k puntos en el diseño. El modelo
estadístico incluye M N efectos principales, M N interacciones de dos factores,
1 2
M N interacciones de tres factores, ... , y M N 1 interacción de todos los factores.
3
También usaremos la notación de Yates, por ejemplo, en un diseño 25, H
representa el tratamiento en que los efectos A, B y D se encuentran en su nivel
alto, C y E en su nivel bajo.
Para realizar el Análisis de Varianza primero hallamos los contrastes de los
efectos de la siguientes manera:
O D@ D PQ R1 R1 P R1 ,
donde tomaremos el signo negativo si se incluye un factor y el positivo en caso

contrario. Al final reemplazamos 1 con (1).
Ejemplo.- En el diseño 23, el contraste para el efecto AB es:
O @ D 1 1 1
1
Posteriormente hallamos la suma de cuadrados debida a los efectos como:
O D@ D PQ
PQ ,
2
donde es el número de réplicas. Por último construimos la tabla del ANOVA

comparando cada suma de cuadrados media con la del error aleatorio:
Efecto
Suma de Grados de Cuadrados +,
A 1 - /1 - /-
B 1 - /1 - /-
T T T T T
K Q 1 - Q Q /1 - Q /-
AB 1 - /1 - /-
AC U 1 - U U /1 - U /-
T T T T T
JK VQ 1 - VQ VQ /1 - VQ /-
ABC U 1 - U U /1 - U /-
T T T T T
IJK WVQ 1 - WVQ WVQ /1 - WVQ /-
T T T T T
ABCPK UPQ 1 - UPQ UPQ /1 - UPQ /-
Error SSE 2 1 - /2 1
Total SST 2 1
Ejemplo.- Consideremos una reacción de síntesis catalizada; se quiere probar qué
efecto tienen dos catalizadores C1 y C2, se cree también que el tiempo de reacción
y la tempreratura pueden influir. Los factores que se utilizarán y sus niveles se
muestran a continuación:
Factor Nivel Bajo (-) Nivel Alto (+)

A: Tiempo de reacción (horas) 6 8
B: Temperatura (°C) 40 80
C: Catalizador C1 C2
Después de llevar a cabo el experimento se obtuvieron los siguientes resultados:
Factor B
(-) (+)
Factor A Factor C Factor C
(-) (+) (-) (+)
(-) 4 7 20 10
5 9 14 6
(+) 4 2 4 14
11 7 6 16
Para analizar estos datos en Minitab, primero crearemos el diseño 3k completo, sin
puntos centrales, con 2 réplicas y sin aleatorizar las corridas. Posteriormente
capturamos los datos del experimento:
Siempre será útil un análisis gráfico; el diseño tiene la siguiente forma geométrica:
Gráfica de cubos (medias de los datos) para Y
8.0 15.0
17.0 5.0
1
B 8.0 4.5
1
C
4.5 7.5
-1 -1
-1 1
A
Las gráficas de efectos principales y de interacciones se muestran a continuación:
Gráfica de efectos principales para Y

Medias de datos
A B
12.0
10.5
9.0
7.5
6.0
Media
-1 1 -1 1
C
12.0
10.5
9.0
7.5
6.0
-1 1
Gráfica de interacción para Y
Medias de datos
-1 1 -1 1
12 A
-1
1
A 9
6
12 B
-1
1
B 9
No parece que los efectos A y C influyan mucho en la respuesta, así como también
parece que sólo existe interacción entre los efectos A y C, y posiblemente entre
los efectos A y B.
Ahora analizamos el diseño factorial y obtenemos los siguientes resultados:
Ajuste factorial: Y vs. A, B, C

Constante 8.6875 0.7369 11.79 0.000
A -1.3750 -0.6875 0.7369 -0.93 0.378
B 5.1250 2.5625 0.7369 3.48 0.008
C 0.3750 0.1875 0.7369 0.25 0.806
A*B -1.1250 -0.5625 0.7369 -0.76 0.467
A*C 3.1250 1.5625 0.7369 2.12 0.067
B*C 0.1250 0.0625 0.7369 0.08 0.934
A*B*C 6.3750 3.1875 0.7369 4.33 0.003
S = 2.94746 PRESS = 278


A 1 7.562 7.562 7.562 0.87
B 1 105.062 105.062 105.062 12.09
C 1 0.562 0.563 0.563 0.06
A*B 1 5.063 5.063 5.063 0.58
A*C 1 39.062 39.063 39.063 4.50
B*C 1 0.062 0.063 0.063 0.01
A*B*C 1 162.562 162.562 162.562 18.71
Error residual 8 69.500 69.500 8.687
Error puro 8 69.500 69.500 8.688
Total 15 389.437
Fuente P
A 0.378
B 0.008
C 0.806
A*B 0.467
A*C 0.067
B*C 0.934
A*B*C 0.003
Error residual
Error puro
Total
Estructura de alias
I
A
B
C
A*B
A*C
B*C
A*B*C
A un nivel de significancia de 6 0.05 sólo son significativos el efecto B y la
interacción ABC. Dado que el modelo debe ser jerárquico y la interacción ABC fue
significativa no se procede a eliminar los efectos no significativos.
Ahora analizamos los supuestos del modelo:

99
5.0
90
2.5
Porcentaje
Residuo
50 0.0
10 -2.5
1 -5.0
-5.0 -2.5 0.0 2.5 5.0 5 10 15

3 5.0
2.5
Frecuencia
Residuo
2
0.0
1
-2.5
0 -5.0
-4 -2 0 2 4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Parece que, efectivamente, hay normalidad, varianza constante e independencia de

los residuos, por lo tanto, podemos concluir que tanto la temperatura, así como la
interacción entre el tiempo, la temperatura y el catalizador tienen efecto en la
reacción de síntesis.
Diseño factorial 2k no replicado
Conforme aumenta el número de factores, el número de puntos experimentales

también, por ejemplo, para 6 factores tendríamos 26=64 puntos experimentales y
si deseamos dos réplicas entonces necesitaremos realizar 128 experimentos. Como
hemos visto, si sólo realizamos una réplica no podemos tener una estimación del
error aleatorio; para compensar esto, supondremos que ciertas interacciones de
orden superior son despreciables y las consideraremos parte del error, debido al
principio de dispersidad de efectos: la mayoría de los sistemas son dominados por
algunos de los efectos principales e interacciones de bajo orden.
¿Qué efectos se deben enviar al error?
Emplearemos dos técnicas gráficas basadas en el Principio de Pareto, la primera es

llamada Gráfica de Daniel, consiste en graficar los efectos en papel de
probabilidad normal, si estos forman parte del error entonces seguirán una
distribución normal, es decir, estarán cerca de la línea recta en esta gráfica. El
segundo método es el Diagrama de Pareto, utilizado ampliamente en el área de
Calidad, en este diagrama puede verse gráficamente los efectos significativos, así
como en el área de calidad se observan las áreas de oportunidad que deben
atenderse primero.
Ejemplo.- Un producto químico se produce en un recipiente a presión, se cree que

cuatro efectos influyen en la filtración: temperatura (A), presión (B),
concentración de los reactivos (C) y rapidez del mezclado (D). Cada factor está
presente en dos niveles. Se tienen 16 ensayos de una sola réplica del experimento
realizados de forma aleatoria. El objetivo es maximizar la rapidez de la filtración,
medida en galones por hora.
Los datos obtenidos son los siguientes:
Factores Respuesta
A B C D Y
- - - - 45
+ - - - 71
- + - - 48
+ + - - 65
- - + - 68
+ - + - 60
- + + - 80
+ + + - 65
- - - + 43
+ - - + 100
- + - + 45
+ + - + 104
- - + + 75
+ - + + 86
- + + + 70
+ + + + 96
Gráficamente:
80 65 70 96
1 48 65 45 104
B
68 60 75 86
1
C
45 71 43 100
-1 -1
-1 1
A
-1 1
D
En Minitab crearemos un diseño factorial completo de 4 factores, ningún punto

central, una réplica y todos los datos estarán en un bloque sin aleatorizar las
corridas. Sólo agregaremos los datos de la respuesta:
Para crear las gráficas de Daniel y de Pareto en “Analizar diseño factorial”, en las
opciones de gráficas activamos “Normal” y “Pareto”:
Aceptamos y se mostrarán las gráficas de Daniel y Pareto:
Gráfica normal de los efectos

(la respuesta es Y, Alfa = 0.05)
99
Tipo de efecto
No significativ o
95 A Significativ o
90 AD F actor N ombre
A A
D
80 B B
C
Porcentaje
70 C C
60 D D
50
40
30
20
10
5 AC
1
-20 -10 0 10 20
Efecto
PSE de Lenth = 2.625
Diagrama de Pareto de los efectos
(la respuesta es Y, Alfa = 0.05)
6.75
A F actor N ombre
A A
AC B B
AD C C
D D D
C
ABD
Término
B
BCD
BC
ABC
ACD
ABCD
CD
BD
AB
0 5 10 15 20
Efecto
PSE de Lenth = 2.625
En la gráfica de Daniel se muestra que los efectos significativos son A, C, D, AD y

AC por estar muy lejos de la normalidad. Igualmente se aprecia en el diagrama de
Pareto que estos mismos efectos son significativos.
Realizamos de nuevo el análisis del diseño factorial, pero ahora sólo incluiremos
estos términos significativos y los otros serán enviados a formar parte del error
aleatorio (siempre cuidando que el modelo sea jerárquico):
El ANOVA resultante es:
Ajuste factorial: Y vs. A, C, D

Constante 70.063 1.104 63.44 0.000
A 21.625 10.812 1.104 9.79 0.000
C 9.875 4.938 1.104 4.47 0.001
D 14.625 7.312 1.104 6.62 0.000
A*C -18.125 -9.062 1.104 -8.21 0.000
A*D 16.625 8.313 1.104 7.53 0.000
S = 4.41730 PRESS = 499.52


A 1 1870.56 1870.56 1870.56 95.86
C 1 390.06 390.06 390.06 19.99
D 1 855.56 855.56 855.56 43.85
A*C 1 1314.06 1314.06 1314.06 67.34
A*D 1 1105.56 1105.56 1105.56 56.66
Error residual 10 195.12 195.12 19.51
Falta de ajuste 2 15.62 15.62 7.81 0.35
Error puro 8 179.50 179.50 22.44
Total 15 5730.94
Fuente P
A 0.000
C 0.001
D 0.000
A*C 0.000
A*D 0.000
Error residual
Falta de ajuste 0.716
Error puro
Total
Estructura de alias
I
A
C
D
A*C
A*D
Se observa que todos los efectos que dejamos en el modelo son significativos.
Sólo basta comprobar los supuestos usuales del modelo:

99
5.0
90
2.5
Porcentaje
Residuo
50 0.0
-2.5
10
-5.0
1
-10 -5 0 5 10 40 60 80 100

4
5.0
3 2.5
Frecuencia
Residuo 0.0
2
-2.5
1
-5.0
0
-6 -4 -2 0 2 4 6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
No hay evidencia en contra de la normalidad, varianza constante e independencia.
Siendo el objetivo del investigador maximizar la respuesta (rapidez de filtración),

podemos hacer uso de los gráficos de contorno y combinar los factores
significativos (A, C y D):
Gráfica de contorno de Y vs. C, A

1.0
Y
< 50
50 – 60
60 – 70
0.5 70 – 80
80 – 90
90 – 100
> 100
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Gráfica de contorno de Y vs. D, A
1.0
Y
< 50
50 – 60
60 – 70
0.5 70 – 80
80 – 90
90 – 100
> 100
0.0
D
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Gráfica de contorno de Y vs. D, C

1.0
Y
< 50
50 – 60
60 – 70
0.5 70 – 80
80 – 90
90 – 100
> 100
0.0
D
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
C
La primera gráfica nos indica que A debe estar en nivel alto y C en nivel bajo; la
segunda gráfica indica que tanto A como D deben estar en nivel alto; la tercera
gráfica nos indica que C y D deben estar en nivel alto. Las gráficas concuerdan en
que A y D deben estar en el nivel alto, sin embargo, para elegir el mejor nivel de C
sólo se debe observar que se pierde menos, al parecer, manteniendo el nivel bajo.
Más adelante se implementará la metodología de Superficie de Respuesta que

tratará estos temas de optimización más a fondo.
Diseño 2k con puntos centrales
Hay dos razones importantes para incluir puntos centrales en un diseño 2k siempre
que sea posible, la primera es que se agregan grados de libertad para el error y la
segunda es que permiten detectar la presencia de posibles curvaturas.
Cuando suponemos que existe una curvatura, en el modelo lineal estamos agregando
términos de la forma
9## :# , I 1,2, … , .
Por lo tanto, la hipótesis (de curvatura) a probar en este caso es:
=, : 9## 0,
#)*
=E : 9## L 0.
#)*
Ejemplo.- Una ingeniera química se encuentra estudiando el rendimiento de un

proceso y sus variables de interés son el tiempo (A) y la temperatura (B) de
reacción. Como tiene dudas acerca de la linealidad de su modelo decide realizar un
experimento 22 (con una sola réplica) y le agrega 5 puntos centrales.
El diseño y los resultados se muestan a continuación:
Factores
Tiempo Temperatura Respuesta
-1 -1 39.3
+1 -1 40.9
-1 +1 40.0
+1 +1 41.5
0 0 40.3
0 0 40.5
0 0 40.7
0 0 40.2
0 0 40.6
Para anlizar este experimento en Minitab crearemos un diseño 22 completo con 5
puntos centrales utilizando un solo bloque y una réplica. Agregamos la columa de
respuestas:
Analizamos el diseño incluyendo los efectos A, B y AB; obtenemos el siguiente

resultado:

Constante 40.4250 0.1037 389.89 0.000
A 1.5500 0.7750 0.1037 7.47 0.002
B 0.6500 0.3250 0.1037 3.13 0.035
A*B -0.0500 -0.0250 0.1037 -0.24 0.821
Pt Ctral 0.0350 0.1391 0.25 0.814
S = 0.207364 PRESS = *
R-cuad. = 94.27% R-cuad.(pred.) = *% R-cuad.(ajustado) = 88.54%

A 1 2.40250 2.40250 2.40250 55.87
B 1 0.42250 0.42250 0.42250 9.83
A*B 1 0.00250 0.00250 0.00250 0.06
Curvatura 1 0.00272 0.00272 0.00272 0.06
Error residual 4 0.17200 0.17200 0.04300
Error puro 4 0.17200 0.17200 0.04300
Total 8 3.00222
Fuente P
A 0.002
B 0.035
A*B 0.821
Curvatura 0.814
Error residual
Error puro
Total
Observaciones inusuales de Y
EE de Residuo
Obs OrdenEst. Y Ajuste ajuste Residuo estándar
1 1 39.3000 39.3000 0.2074 0.0000 * X
2 2 40.9000 40.9000 0.2074 0.0000 * X
3 3 40.0000 40.0000 0.2074 0.0000 * X
4 4 41.5000 41.5000 0.2074 0.0000 * X
X denota una observación cuyo valor X le concede gran apalancamiento.
Estructura de alias
I
A
B
A*B
El ANOVA indica que ambos factores presentan efectos principales significativos,

que no hay interacción y que no hay evidencia de curvatura en la región explorada.
Observemos también que aunque sólo tomamos una réplica, los puntos en el centro
(menos uno) ahora forman parte de los grados de libertad del error puro.
Referencias:
[1] Douglas C. Montgomery, “Diseño y Análisis de Experimentos”, Grupo Editorial
Iberoamericana, México 1991.
[2] Humberto Gutiérrez Pulido, “Análisis y Diseño de Experimentos”, McGraw Hill,
México 2004.
[3] http://es.wikipedia.org/wiki/Principio_de_Pareto
[4] http://es.wikipedia.org/wiki/Diagrama_de_Pareto

Idioma

00 Disenos - Factoriales - 2 - K

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

00 Disenos - Factoriales - 2 - K

Título original:

Cargado por

Copyright:

Formatos disponibles

Diseños Factoriales 2k

En la industria, debido a los altos costos que se pueden generar debido a la

Consideremos que deseamos estudiar el efecto de los factores A y B, considerando

Niveles Notación Codificada Notación

Si estamos considerando réplicas en nuestro experimento, entonces los efectos

Del mismo modo podemos definir el Efecto BA, obteniéndose que

La suma de cuadrados total es, como habitualmente:

!"#$ !%&&& ' ,

la cual tiene 2 1 grados de libertad.

La tabla de ANOVA toma la forma:

Factor Suma de Grados de Cuadrados +,

Ejemplo.- Se trata de estudiar el efecto que tienen la concentración de un

Combinación de Tratamientos Réplica

Para este caso se tiene:

!"#$ !%&&& ' 323,

Los resultados pueden resumirse en la tabla de ANOVA:

Factor Suma de Grados de Cuadrados +,

Análisis de los residuos

donde :* y : representan a los niveles codificados de los factores (-1 y +1), ! la

Haciendo la regresión obtenemos:

!< 27.5 4.17:* 2.50: 0.833:* : .

La predicción para el punto (-1,-1) es:

!< 27.5 4.17 1 2.50 1 0.833 1 1 26.67,

La predicción para el punto (+1,-1) es:

!< 27.5 4.17 1 2.50 1 0.833 1 1 33.33,

La predicción para el punto (-1,+1) es:

!< 27.5 4.17 1 2.50 1 0.833 1 1 20,

La predicción para el punto (+1,+1) es:

!< 27.5 4.17 1 2.50 1 0.833 1 1 30.

Los residuos son:

Ahora es posible hacer la verificación de los supuestos del modelo.

En el menú de creación de diseño factorial seleccionamos la opción de “Factorial de

En el menú de opciones si no activamos la casilla “Aleatorizar corridas” el diseño

En este caso que sólo analizaremos el experimento, el diseño creado no será

Antes de analizar el diseño, crearemos las gráficas de efectos principales y de

En la pestaña de diseño factorial seleccionamos “Graficas factoriales”:

En configuración seleccionamos la respuesta y los factores, aceptamos y

Gráfica de efectos principales para Y

Se observa que los efectos principales son significativos, mientras que

Para analizar el diseño seleccionamos nuevamente “Estadísticas”, después “DOE”,

En el menú “Términos” seleccionaremos los términos de interés en este diseño

Ajuste factorial: Y vs. A, B

Efectos y coeficientes estimados para Y (unidades codificadas)

Término Efecto Coef SE Coef T P

S = 1.97906 PRESS = 70.5

Análisis de varianza para Y (unidades codificadas)

Fuente GL SC Sec. SC Ajust. CM Ajust. F

En la primera tabla se observa el análisis de regresión con las variables

Ajuste factorial: Y vs. A, B

Efectos y coeficientes estimados para Y (unidades codificadas)

Término Efecto Coef SE Coef T P

S = 2.09938 PRESS = 70.5185

Análisis de varianza para Y (unidades codificadas)

Fuente GL SC Sec. SC Ajust. CM Ajust. F P

!< 27.5 4.167:* 2.5: .

Gráficas de residuos para Y

Histograma vs. orden

No parece haber evidencia visual en contra de que los residuos sean

Finalmente podemos gráficar el modelo final (superficie de respuesta) junto con

Gráfica de superficie de Y vs. B, A

Gráfica de contorno de Y vs. B, A