Ejemplo:

Se llevó a cabo un experimento para investigar el acabado superficial de una pieza metálica. El
experimento es un diseño factorial 23 en los factores velocidad de alimentación (A), profundidad de
corte (B), ángulo de herramienta (C), con n=2 réplicas. En la tabla 1 se presentan los datos del acabado
superficial observado en este experimento.
Tabla 1
Factores del diseño Acabado superficial
Corrida A B C Replica 1 Replica 2 Totales
1 (1) -1 -1 -1 9 7 16
2 a 1 -1 -1 10 12 22
3 b -1 1 -1 9 11 20
4 ab 1 1 -1 12 15 27
5 c -1 -1 1 11 10 21
6 ac 1 -1 1 10 13 23
7 bc -1 1 1 10 8 18
8 abc 1 1 1 16 14 30

Solución

Paso 1) Identificar la variable de respuesta: Acabado superficial

Paso 2) Identificar los factores:
Velocidad de alimentación (Factor A)
Profundidad de corte (Factor B)
Angulo de herramienta (Factor C)

Paso 3) Las observaciones de un experimento factorial con tres factores pueden describirse con el
modelo: i : 1,..., a
 j : 1,..., b
yi jkr     i   j   k  ij   ik   jk   ijk   ijkr 
con: 
k : 1,..., c
r : 1,..., n

Donde:

µ: es el efecto medio global

τi: es el efecto del i-esimo nivel del factor A
Bj: es el efecto del j-esimo nivel del factor B
γk: es el efecto del j-esimo nivel del factor C
τBij: es el efecto de la interacción entre A y B
τγik: es el efecto de la interacción entre A y C
Bγjk: es el efecto de la interacción entre B y C
τBγijk: es el efecto de la interacción entre A, B y C
ɛijkr: es un componente del error aleatorio NID (0, σ2)

Para simplificar el modelo factorial podría escribirse simbólicamente como:

y= µ + A + B + C + AB + AC + BC + ABC + ɛ
Donde:
µ: es el efecto medio global
A: es el efecto del i-esimo nivel del factor A
B: es el efecto del j-esimo nivel del factor B
C: es el efecto del j-esimo nivel del factor C
AB: es el efecto de la interacción entre A y B
AC: es el efecto de la interacción entre A y C
BC: es el efecto de la interacción entre B y C
ABC: es el efecto de la interacción entre A, B y C
ɛ: es un componente del error aleatorio NID (0, σ2)

Paso 4) Plantear las hipótesis:

H0: No hay ningún efecto significativo del factor K o el factor K no influye sobre la
variable de respuesta

H1: El factor K influye sobre la variable de respuesta.

H0: No hay ningún efecto significativo del factor A o el factor A no influye sobre la variable de respuesta
H0: No hay ningún efecto significativo del factor B
H0: No hay ningún efecto significativo del factor C
H0: No hay ninguna interacción AB significativa.
H0: No hay ninguna interacción AC significativa.
H0: No hay ninguna interacción BC significativa.
H0: No hay ninguna interacción ABC significativa.

Paso 5) Hallar los efectos principales.

Paso 5.1) A partir de la matriz de prueba obtenga la tabla de signos positivos y negativos para el diseño
23.

La matriz de prueba es la siguiente:

Factores del diseño

Corrida Condición A B C
experimental
1 (1) -1 -1 -1
2 a 1 -1 -1
3 b -1 1 -1
4 ab 1 1 -1
5 c -1 -1 1
6 ac 1 -1 1
7 bc -1 1 1
8 abc 1 1 1
Donde (1), a, b, c, ab, c, ac, bc y abc representan el total de las n replicas (en este problema
n=2) en cada una de las ocho corridas.

Paso 5.2) Obtenga la tabla de signos positivos y negativos para el diseño 23

Tabla 3: Signos de los efectos en el diseño 23

Corrida Condición Efecto Factorial
experimental A B C AB AC BC ABC
1 (1) -1 -1 -1 + + + -
2 a 1 -1 -1 - - + +
3 b -1 1 -1 - + - +
4 ab 1 1 -1 + - - -
5 c -1 -1 1 + - - +
6 ac 1 -1 1 - + - -
7 bc -1 1 1 - - + -
8 abc 1 1 1 + + + +
Paso 5.3) Calcule los efectos principales y la suma de cuadrados:

Contraste A  A (Contraste)2
Efecto A   SS A 
n 2k 1 n2k 1 n 2k

Contraste: Se define como la diferencia entre el valor total cuando el factor

se encuentra en su nivel alto y el valor total cuando el factor se encuentra en
su nivel bajo.

Efecto A 
a  ab  ac  abc  b  c  bc  (1)
(2)(231 )

Efecto A 
22  27  23  30  20  21  18  16  27  3.375
(2)(231 ) 8

(27)2
SS A   45.5625
(2)( 23 )

Efecto B 
b  ab  bc  abc  a  c  ac  (1)
(2)(231 )

Efecto B 
20  27  18  30  22  21  23  16  13  1.625
(2)(231 ) 8

(13)2
SS B   10.5625
(2)( 23 )
 Efecto AB 
ab  c  abc  (1)  a  b  ac  bc
(2)(231 )

Efecto AB 
27  21  30  16  22  20  23  18  11  1.375
(2)(231 ) 8

(11)2
SS AB   7.5625
(2)( 23 )

De la misma forma obtener los otros efectos y la suma de cuadrados para los otros efectos:

Efecto
Suma de
Cuadrados
A 3.375 45.5625
B 1.625 10.5625
C 0.875 3.0625
AB 1.375 7.5625
AC 0.125 0.0625
BC -0.625 1.5625
ABC 1.125 5.5625
Comentarios sobre los efectos obtenidos:

 El factor A (velocidad de alimentación) es dominante.

 El segundo factor importante es B (profundidad de corte).
 El tercer efecto importante es el de la interacción AB.

Paso 6) El análisis de varianza:

La suma de los cuadrados para cada efecto se obtuvo en el paso anterior.

La suma de los cuadrados totales se obtiene:

a b c n
y...2
SST   yijkn
2

i 1 j 1 k 1 r 1 abcn

(177)2
SST  (9)2  (7)2  ...  (14)2   92.9375
(2)(2)(2)(2)
 Fuente de Suma de Grados de Cuadrado medio F0
variacion cuadrados libertad
A SSA a-1 SS A MS A
MS A  F0 
a 1 MS E
B SSB b-1 SS MS B
MS B  B F0 
b 1 MS E
C SSC c-1 …. ….

AB SSAB (a-1)(b-1) SS AB MS AB
MS AB  F0 
(a  1)(b  1) MS E
AC SSAC (a-1)(c-1) …. ….

BC SSBC (b-1)(c-1) …. ….

ABC SSABC (a-1)(b-1)(c-1) …. ….

Error SSE abc(n-1) SS E

MS E 
abc(n  1)
Total SST abcn-1

Reemplazando los valores obtenidos

Fuente Suma de Grados Cuadrado Fo Valor P FTABLA FTABLA

de cuadrados de medio alfa=0.05 alfa=0.1
variación libertad
-3
A 45.5625 1 45.5625 18.69 2.54 x 10 5.32 3.46
B 10.5625 1 10.5625 4.33 0.07 5.32 3.46
C 3.0625 1 3.0625 1.26 0.29 5.32 3.46
AB 7.5625 1 7.5625 3.10 0.12 5.32 3.46
AC 0.0625 1 0.0625 0.03 0.88 5.32 3.46
BC 1.5625 1 1.5625 0.64 0.45 5.32 3.46
ABC 5.5625 1 5.5625 2.08 0.19 5.32 3.46
Error 19.5000 8 2.4375
Total 92.9375 15
Comentarios- valor F0: Criterio de aceptación:

F0<FTABLA se acepta la hipótesis nula.

F0>FTABLA se rechaza la hipótesis nula.

Donde F0 es el F calculado.
FTABLA = F ALFA, g.l. del numerador, g.l. del denominador

Análisis para alfa=0.05:

 Comparando F0
 Factor A: F0>FTABLA: 0.05,1,8 Se rechaza la hipótesis nula, es decir existe evidencia
significativa para concluir que el factor A influye sobre la variable respuesta.
 En el resto de casos los F0 son menores que F de tabla.

 Comparando el valor p:
 El efecto principal A tiene el valor p menor a alfa=0.05, entonces el factor A afecta de
manera significativa la variable de respuesta.
 En el resto de casos el valor p es mayor a alfa=0.05

Entonces el modelo simplificado seria:

y= µ + A + ɛ

Análisis para alfa=0.10:

 Comparando F0
 Factor A: F0>FTABLA: 0.1,1,8 Se rechaza la hipótesis nula, es decir existe evidencia
significativa para concluir que el factor A influye sobre la variable respuesta.
 Factor B: F0>FTABLA: 0.1,1,8 Se rechaza la hipótesis nula, es decir existe evidencia significativa
para concluir que el factor B influye sobre la variable respuesta.
 En el resto de casos los F0 son menores que F de tabla.

 Comparando el valor p:
 El efecto principal A tiene el valor p menor a alfa=0.1, entonces el factor A afecta de
manera significativa la variable de respuesta.
 El efecto principal B tiene el valor p menor a alfa=0.1, entonces el factor A afecta de
manera significativa la variable de respuesta.
 En el resto de casos el valor p es mayor a alfa=0.1
 Entonces el modelo simplificado seria:

y= µ + A + B + ɛ

Comentario: La interacción AB es el siguiente efecto más importante (p-value=0.12), el analista podría

considerar que por estar cerca de alfa=0.1, la interacción AB afecta de manera significativa la variable
de respuesta. En ese caso se concluiría que el siguiente modelo reducido es más apropiado:

y= µ + A + B + AB + ɛ

Para desarrollar el paso 7 se trabajará con el último modelo, solo como ejemplo. Tome en consideración
que el analista deberá utilizar el modelo simplificado que hallo en su análisis.

Paso 7) Halle el modelo de regresión.

El modelo de regresión para este problema es:

y   0  1 x1   2 x2  12 x1 x2  
 x1: variable que representa al factor A, con x1=-1 cuando es el nivel bajo del factor y x1=1
cuando es el nivel alto del factor.
 x2: variable que representa al factor B, con x2=-1 cuando es el nivel bajo del factor y x2=1
cuando es el nivel alto del factor.
 x1 x2: representa la interacción AB, con x1=-1 cuando es el nivel bajo del factor y x1=1
cuando es el nivel alto del factor y x2=-1 cuando es el nivel bajo del factor y x2=1 cuando es
el nivel alto del factor.
 Β0, Β1, Β2 y Β12 son los coeficientes de regresión.
 Β0 es el gran promedio
 Β1, Β2 y Β12 son la mitad de las estimaciones de los efectos correspondientes. Por ejemplo:
Efecto A
1 
2
 ɛ es un término del error aleatorio.
Entonces el modelo de regresión ajustado es:

 3.375   1.625   1.375 

yˆ  11.0625    x1    x2    x1 x2
 2   2   2 
Paso 8) Utilice el modelo de regresión para predecir el valor del acabado superficial (y) cuando
las tres variables están en el nivel bajo:

 3.375   1.625   1.375 

yˆ  11.0625   ( 1)   ( 1)   ( 1)( 1)  9.25
 2   2   2 

Nota.- el modelo de regresión pude usarse para predecir el acabado superficial

en cualquier punto de la región experimental original.
 Paso 8) Halle los residuales. Realice el análisis de residuales.
 Utilice el modelo de regresión hallado para estimar el valor de y (y estimado o y
predicho) para cada corrida.
 Complete la tabla con el valor del residual:
e = valor observado – valor predicho
e  y  yˆ

Factores del Acabado

diseño superficial
Corrida A B C Replica Replica Totales y e e
1 2 estimado (replica1) (replica 2)
1 (1) -1 -1 -1 9 7 16 9.25 -0.25 -2.25
2 a 1 -1 -1 10 12 22 11.25 -1.25 0.75
3 b -1 1 -1 9 11 20 9.5 -0.5 1.5
4 ab 1 1 -1 12 15 27 14.25 -2.25 0.75
5 c -1 -1 1 11 10 21 9.25 1.75 0.75
6 ac 1 -1 1 10 13 23 11.25 -1.25 1.75
7 bc -1 1 1 10 8 18 9.5 0.5 -1.5
8 abc 1 1 1 16 14 30 14.25 1.75 -0.25