UNIVERSIDAD POLITÉCNICA ESTATAL DEL CARCHI

FACULTAD DE INDUSTRIAS AGROPECUARIAS Y CIENCIAS

AMBIENTALES
ESCUELA DE INGENIERÍA EN ALIMENTOS
ENSAYO

TEMA:
Diseño Factorial con Factores 2K

CURSO
Quinto “B” Ingeniería en Alimentos
INTEGRANTES
Sandra Maribel PINGUIL LEMA
Edgar
Daysi
Joselin Cristina SEVILLANO FUEL
Lady Soledad QUIROZ
Adriana Maribel TARAPUES TERAN
Ana Belén VELA NARVÁEZ
DOCENTE
Ing. Christiam JÁCOME CEDILLO

JUNIO 2018
 Diseño Factorial con Factores 2K

Los experimentos factoriales son aquellos en los que se comparan o estudian

simultáneamente dos o más factores principales, incluyendo los diferentes niveles o
modalidades de cada uno. El Anova en experimentos factoriales constituye una técnica
estadística para analizar el efecto de dos o más variables independientes (factores) sobre
una variable respuesta.

Existen varios casos especiales del diseño factorial general que resultan importantes
porque se usan ampliamente en el trabajo de investigación, y porque constituyen la base
para otros diseños de gran valor práctico. En los últimos años se ha observado un
creciente interés por algunas de las ideas del profesor Genechi Taguchi acerca del
diseño experimental y su aplicación al mejoramiento de la calidad. El diseño factorial
fraccionario 2 k-p se usa en experimentos para identificar con rapidez y de manera
eficiente el subconjunto de factores que son activos, y para obtener alguna información
sobre la interacción. La propiedad de proyección de estos diseños hace posible en
muchos casos examinar los factores activos con más detalle. La combinación secuencial
de estos diseños a través del plegamiento es una forma muy eficaz de obtener
información extra acerca de las interacciones, la cual puede identificarse en un
experimento inicial como potencialmente importante.[ CITATION Alz07 \l 12298 ]

El más importante de estos casos especiales ocurre cuando se tienen k factores, cada
uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el caso de dos
valores de temperatura presión o tiempo. También pueden ser cualitativos como sería el
caso de dos máquinas, dos operadores, los niveles "superior" e "inferior" de un factor, o
quizás, la ausencia o presencia de un factor. Una réplica completa de tal diseño requiere
que se recopilen 2 x 2 x .... x 2 = 2k observaciones y se conoce como diseño general 2k.
[ CITATION Gal10 \l 12298 ]

El trabajo que realizar es con el objetivo de investigar y a su vez analizar de que

trata los experimentos factoriales lineales y de regresión 2k con la utilización de libros
para asociarlo con la carrera de ingeniería de alimentos mediante la obtención de
características y ventajas que nos brinda este método de experimentación.

Un diseño factorial es aquél en el que se investigan todas las posibles

combinaciones de los niveles de los factores en cada ensayo completo, en este caso se
dicen que están cruzados, apareciendo el concepto de interacción, 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. En diseños industriales es frecuente considerar dos niveles para cada uno
de los factores que pueden intervenir en el diseño experimental. Un diseño con k
factores que tienen dos niveles requiere un número de replicaciones igual a 2k
observaciones. En este tipo de modelos se asume que los efectos son fijos y la
aleatorización completa y se consideran las mismas restricciones que en el caso de los
diseños factoriales típicos.

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.

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 dado 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.

Los diseños factoriales poseen algunas ventajas en los cuales son más eficientes
que los experimentos de un factor a la vez. son necesarios cuando alguna interacción
puede estar presente, para evitar hacer conclusiones engañosas. 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. 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.
Los mayores beneficios de los diseños factoriales completos se obtienen cuando
se deben estudiar pocas variables. El motivo es que el número de experimentos crece
exponencialmente con el número de factores. Por ejemplo, para 8 factores, el diseño 2 8
comprende 256 experimentos. Éstos permiten estimar 256 efectos, muchos de los cuales
son interacciones de orden elevado y no serán significativos. Para estudiar un número
elevado de factores, es más eficaz utilizar sólo una fracción de un diseño factorial
completo.

Se utiliza técnica estadística que permite identificar y cuantificar las causas de un efecto dentro de
un estudio experimental. Un diseño experimental se manipula deliberadamente una o más variables,
vinculadas a las causas, para medir el efecto que tienen en otra variable de interés. El diseño
experimental prescribe una serie de pautas relativas. Variables hay que manipular, de qué manera,
cuántas veces se requiera el experimento y en qué orden para poder establecer con un grado de
confianza predefinido la necesidad de una presunta relación de causa-efecto. El diseño factorial
encuentra aplicaciones en la industria, la agricultura, la mercado tenia, la medicina, las ciencias de la
conducta, etc. constituyendo una fase esencial en el desarrollo de un estudio experimental. [ CITATION
Wil08 \l 12298 ]

El diseño factorial se lleva con dos factores para estudiar los efectos producidos
por dos o más factores. Puede mostrarse que en general los diseños factoriales ya que
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.[ CITATION Kue01 \l 12298 ]

Los diseños factoriales permiten estimar los efectos de un factor en diversos niveles
de los otros factores, producidos que son válidas sobre toda la extensión de las
condiciones experimentales. Diseño factorial es aquel en el que sólo tiene 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”.

Siempre trataremos de buscar el modelo más sencillo que explique bien la

Variable respuesta. Por ejemplo, si aceptamos

H 0 :(αβ)11=· · ·=(αβ )ab=0 Concluimos que la interacción no influye de manera

apreciable en la respuesta, y pasaríamos a considerar

un modelo con dos factores sin interacción y calcularíamos de nuevo la tabla ANOVA.

Si además, aceptamos que uno de los factores no influye en la respuesta, lo

eliminaríamos del modelo y trabajaríamos con un modelo de un factor.

Construcción de un diseño factorial completo 2k es Por su sencillez, una matriz de

experimentos factorial completa 2k no requiere un software especializado para
construirla ni para analizar sus resultados. En estos diseños, cada factor se estudia a sólo
dos niveles y sus experimentos contemplan todas las combinaciones de cada nivel de un
factor con todos los niveles de los otros factores. muestra las matrices 22, 23 y 24, para
el estudio de 2, 3 y 4 factores respectivamente. La matriz comprende 2k filas (2 ´ 2 ... ´
2 = 2k experimentos) y k columnas, que corresponden a los k factores en estudio. Si se
construye en el orden estándar, cada columna empieza por el signo –, y se alternan los
signos – y + con frecuencia 20 para x1, 21 para x2, 22 para x3, y así sucesivamente
hasta xk, donde los signos se alternan con una frecuencia 2k-1.[ CITATION Dis09 \l 12298 ]
[ CITATION Gal10 \l 12298 \m Kue01]

Análisis de varianzas en la tabla de Anova

F:V S.C G:L M:C F exp

Factor A SCA a−1 CMA CMA/CMR

Factor B SCb b−1 CMB CMB/CMR

Interacción SCAb (a − 1)(b − 1) CM/(AB) CM/(AB)MR
Residual SCE ab(n − 1) CMR
Total SCT abn − 1 CMT
Referencias Bibliográficas
Alzada, José. Métodos estadísticos para la investigación . Mdrid: AMBARDT, 2007.

Diseño factorial 2 k. Bogota-colombia: McGraw Hill, 2009.

Galindez, Margarita. «Análisis de varienza en experimentos factoriales.» 17 de Febrero de

2010. Análisis de varienza en experimentos factoriales.
<http://fcf.unse.edu.ar/archivos/series-didacticas/sd-21-estadistica.pdf>.

H, Gutierrez. New york: McGraw Hill, 2004.

Kuehl, R.2001. Diseño factoral con dos diseños . Mexico: Acribias, 2001..

William G (2008). Disenos experimental . Acribias : Trillas, (2008).