DISEÑO FACTORIAL

Según [ CITATION Hum08 \l 2058 ]:

“Un diseño factorial es un diseño experimental que sirve para estudiar el

efecto individual y de interacción de varios factores sobre una o varias
respuestas”.

A su vez, [ CITATION Bal02 \l 2058 ] mencionan que:

“El diseño factorial proporciona la posibilidad de planificar nuevos

experimentos con los factores que hayan resultado más efectivos en el
experimento inicial”.

El objetivo de un diseño factorial es estudiar el efecto de varios factores en una o

varias respuestas, siempre y cuando se tenga el mismo interés sobre todos los
factores.

Dichos factores pueden ser cualitativos como máquinas, operador, etc., o

cuantitativos, como la temperatura, humedad, velocidad, etc.

Para analizar cómo es que influye cada factor en cada variable de respuesta se
deben elegir al menos dos niveles de prueba para cada uno. De esta manera se
crearán todas las posibles combinaciones que se puedan formar con los antes
mencionados.

DISEÑOS 2K

[ CITATION Hum08 \l 2058 ] mencionan que:

“La familia de los factoriales 2k consiste en k factores, todos con dos

niveles de prueba”.

También nos dejan claro que si los k factores no tienen la misma cantidad de
niveles es necesario que se describa el producto de una manera muy explícita.
De la misma forma [ CITATION Jos00 \l 2058 ] dice que:

“En un diseño de experimentos factorial 2k existen dos niveles para cada

factor k, es decir, un nivel superior y uno inferior, estos niveles van a
determinar el rango de operación de cada factor”.

Se menciona que cuando se lleva a cabo un diseño de experimentos con tres

variables y dos niveles, se deben realizar 8 experimentos correspondientes a un
mínimo de 2k experimentos que pueden ser efectuados.

ARREGLO FACTORIAL

Al consultar nuevamente a [ CITATION Hum08 \l 2058 ] nos dicen lo siguiente:

“La matriz de diseño o arreglo factorial es el conjunto de puntos

experimentales o tratamientos que pueden formarse considerando todas las
posibles combinaciones de los niveles de los factores”.

Conjuntamente [ CITATION Pat \l 2058 ] lo simplifica al decir que:

“Se refiere a la constitución de los tratamientos que se quieren comparar”.

En esta ocasión, para obtener el número de corridas experimentales se debe

multiplicar el número de tratamientos por el número de réplicas, donde cada una
de éstas se lleva a cabo cada vez que se corre el arreglo completo.

EFECTO PRINCIPAL

Al consultar con [ CITATION Des04 \l 2058 ] , podemos observar que define este efecto
de la siguiente manera:

“Se le llama efecto principal porque se refiere a los factores de interés

primario en el experimento”.

Y de acuerdo con [ CITATION Hum08 \l 2058 ], podemos apreciar lo siguiente:

 “El efecto principal es igual a la respuesta promedio observada en el nivel
alto de un factor, menos la respuesta promedio en el nivel bajo”.

Este efecto de factor se representa de manera grafica en cuyo eje horizontal se

ubican los niveles del factor y en el eje vertical se encuentra la media de la
respuesta observada en los correspondientes niveles.

La siguiente imagen muestra un ejemplo del efecto principal:

EFECTO DE INTERACCIÓN

[ CITATION Des04 \l 2058 ] nos dice que:

“En algunos experimentos puede encontrarse que la diferencia en la

respuesta entre los niveles de un factor no es la misma para todos los
niveles de los otros factores. Cuando esto ocurre existe una interacción
entre los factores”.

De igual manera, según [ CITATION Hum08 \l 2058 ] en el efecto de interacción:

“Dos factores interactúan de manera significativa sobre la variable de

respuesta cuando el efecto de uno depende del nivel en que está el otro”.

Para ello se puede colocar en el eje vertical la escala que represente la magnitud
de la variable de respuesta, luego uno de los factores se representa con sus dos
niveles en el eje horizontal y en dirección vertical de cada uno de estos niveles, se
anota un punto que represente la respuesta promedio en cada nivel del otro factor
y para finalizar, cada punto del lado izquierdo se une con su correspondiente del
lado derecho mediante una línea recta.

En caso de que exista interacción entre las líneas, es porque hay una pendiente
muy diferente, en cambio, si no existe interacción alguna, las líneas tienen
pendientes similares, que son aproximadamente paralelas.

La siguiente imagen muestra un ejemplo de efecto de interacción:

CÓMO CALCULAR EL ANOVA DEL DISEÑO FACTORIAL

En un análisis de varianza factorial existe una hipótesis nula por cada factor y por
cada posible combinación de factores. La hipótesis nula referida a un factor afirma
que las medias de las poblaciones definidas por los niveles del factor son iguales.
La hipótesis referida al efecto de una interacción afirma que tal efecto es nulo.
Para contrastar estas hipótesis, el ANOVA factorial se sirve de estadísticos F.

Para llevar a cabo un análisis de varianza de más de un factor:

 Seleccionar la opción Modelo lineal general > Univariante del menú Analizar
para acceder al cuadro de diálogo Univariante.
La lista de variables contiene un listado con todas las variables del archivo de
datos, incluidas las que poseen formato de cadena. Para obtener un ANOVA
factorial con las especificaciones que el procedimiento Univariante tiene
establecidas por defecto:

 Seleccionar una variable cuantitativa (de intervalo o razón, y, por tanto, con
formato numérico) y trasladarla al cuadro Dependiente.
 Seleccionar dos o más variables categóricas (nominales u ordinales; con
formato numérico o de cadena, indistintamente) y trasladarlas a las listas
Factores fijos o Factores aleatorios. En el caso de utilizar como factor una
variable con formato de cadena larga, para distinguir entre los valores de la
variable sólo se usan los primeros 8 caracteres de cada valor.

Cuando queremos analizar el efecto de más de un factor sobre una variable

dependiente debemos usar ANOVA factorial. La principal diferencia entre ANOVA
unifactorial y ANOVA factorial es que este último evalúa la presencia de un efecto
de interacción entre los factores estudiados. Más adelante se muestra un ejemplo
de esta situación.
VENTAJAS DE LOS DISEÑOS FACTORIALES

A continuación, se presentan ventajas que tienen los diseños factoriales:

 Permiten estudiar el efecto individual y de interacción de los distintos

factores.
 Son diseños que se pueden aumentar para formar diseños compuestos en
caso de que se requiera una exploración más completa.
 Se pueden correr fracciones de diseños factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigación que involucra a muchos
factores, cuando interesa descartar de manera económica los que no son
importantes, antes de hacer un estudio más detallado con los factores que
sí son importantes.
 Pueden utilizarse en combinación con diseños de bloques en situaciones en
las que no puede correrse todo el diseño factorial bajo las mismas
condiciones.
 La interpretación y el cálculo de los efectos en los experimentos factoriales
se pueden hacer con aritmética elemental, en particular cuando cada factor
se prueba en dos niveles.
 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.
 Se amplía la base de la inferencia en relación con 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.
 Permite el estudio de 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.

Como se puede apreciar, tiene grandes ventajas, y la única deficiencia que se

podría presentar en el caso de los experimentos factoriales es que se requiere un
gran número de U. E., principalmente cuando se prueban muchos factores o
muchos niveles de algunos de dichos factores, es decir, se tiene un número
grande de tratamientos.
EJERCICIO DE UN EXPERIMENTO TIPO FACTORIAL
BIBLIOGRAFÍA

Balluerka Lasa, N. y Vergara Iraeta A. I. (2002). Diseños de investigación

experimental en psicología. Madrid: Pearson educación.

Humberto Gutiérrez P. y Román De La Vara S. (2008). Análisis y diseño de

experimentos. México, D.F: McGraw-Hill.

Mares, P. R. (s.f.). Diseños factoriales. Obtenido de Departamento de Probabilidad

y Estadística UNAM:
http://www.dpye.iimas.unam.mx/patricia/indexer/factoriales.pdf

Montgomery, D. C. (2004). Desing and analysis of experiments. New York: John

Wiley & Sons, Inc.

Valderrama, J. O. (200). Información Tecnológica 2000. CIT