TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO NACIONAL DE MEXICO

TEMA 5 DISEÑO FACTORIALES

T5A1 Foro Diseño factorial

(AEF-1025)
ALUMNO:
Rosa Itzel Paredes Naranjo
PROFESOR:
Antonio Palomares Díaz

344B

15 De Junio del 2021

 DISEÑO FACTORIAL Y MODELOS DE EFECTOS ALEATORIOS.
CON DOS FACTORES

DISEÑO FACTORIAL MODELOS DE EFECTOS ALEATORIOS

Un diseño factorial es un tipo de experimento
diseñado que permite estudiar los efectos que
varios factores pueden tener en una respuesta.
Al realizar un experimento, variar los niveles de
todos los factores al mismo tiempo en lugar de
uno a la vez, permite estudiar las interacciones
entre los factores.
Cada punto
representa una
combinación única
de niveles de
factores.
Diseño dos factores
2 niveles del factor A.
Así es como se
representa en figura el diseño factorial con dos
factores, se dice que ya con tres factores es un
modelo más amplio.
Algo muy importante es que tiene un diseño
factorial con puntos centrales, puede probar si
existe curvatura en la superficie de respuesta. Sin
embargo, no puede modelar el efecto de esa
curvatura en ningún lugar, excepto en el punto
central. Pero por otro lado puedes ajustar tu
modelo para no tener esos puntos centrales.
En estadística, un modelo de efectos aleatorios,
también conocido como modelo de componentes
de la varianza, es una especie de modelo lineal
jerárquico (son modelos que varían más de un
nivel).
En este modelo se asume que las k muestras son
muestras aleatorias de k situaciones distintas y
aleatorias. De modo que un valor aislado Yij se
puede escribir como:
Efecto común a todas las observaciones.
Efecto del tratamiento i.
Efecto del bloqueo K.
Errores aleatorios con media 0, varianza 2, y sin
correlación entre sí.
Interrelación.
 VENTAJAS VENTAJAS

1- Economía en el material experimental al 1- Efectuar este análisis cuando la selección

obtener información sobre varios factores
sin aumentar el tamaño del experimento.
2- Se amplía la base de la inferencia en
relación a un factor, ya que se estudia en
las diferentes condiciones representadas
por los niveles de otros factores. Se
amplía el rango de validez de
experimento.
de los factores se ha realizado de manera
aleatoria permite generar modelos más
precisos dando la oportunidad de explicar
de manera clara las razones de estas
variaciones a través de un valor de
varianza, con la ventaja de que el modelo
muestra un buen ajuste cuando las
muestras son grandes.
2-

3- Permite el estudio de la interacción, esto

es, estudiar el grado y forma en el cual se
modifica el efecto de un factor por los
niveles de los otros factores

4- Permite obtener más información que en

un experimento de un solo factor, ya que
se estudian efectos principales, efectos
cruzados y de interacción de los factores.

3- Permite estudiar la dinámica de los

procesos de ajuste. Esto es
fundamentalmente cierto en estudios sobre
Tomando en cuenta este diseño, si el grado de duración y permanencia de
analizamos bien se obtiene la información ciertos niveles de condición económica
de varios factores como la variable (desempleo, pobreza, riqueza).
dependiente como la variable
independiente, así como grupo control y
sus grupos experimentales.
Por lo tanto se puede hacer la inferencia
en relación a un factor, así como el estudio
de cada uno d ellos y ver cómo se
comporta y por lo tanto nos permite tener
más información de dicho experimento.
 DESVENTAJAS DESVENTAJAS
1- Se requiere un mayor número de unidades 1- Algunos modelos no se pueden resolver
experimentales que los experimentos mediante MCO ya que no cumple con la
simples y por lo tanto se tendrá un mayor condición de i.i.d. En particular, la
costo y trabajo en la ejecución del estructura de la matriz de varianza-
experimento. covarianza de los errores no será una
2- Como en los experimentos factoriales matriz con elementos distintos a cero
cada uno de los niveles de un factor se únicamente en la diagonal.
combinan con los niveles de los otros
factores, con la finalidad de que exista un
balance en el análisis estadístico se 2- No es apropiado para un número elevado
tendrá que algunas de las combinaciones de tratamientos (se recomienda entre 6 y
no tiene interés practico pero deben 24 tratamientos)
incluirse para mantenerse el balance.
3- El análisis estadístico es más complicado 3- Es apto sólo en caso de disponer de
que en los experimentos simples y la material experimental.
interpretación de los resultados se hace
más difícil a medida de que aumenta el
número de factores y niveles por factor en
el experimento.
4- Se obtendrán resultados de
combinaciones que pueden no ser de
interés para el investigador.

CONCLUSIONES
Se me hizo un tanto difícil explicar este tema o tratar de demostrar un poco más
sintetizado en la tabla pero como conclusión opino que la estrategia experimental
óptima dentro del diseño que se está elaborando para estudiar simultáneamente el
efecto de varios factores sobre la respuesta y sus interacciones, se tienen que hacer
varios procesos para llegar a tu modelo deseado, es decir hacer o formar varios
métodos para ver que tu modelo este ajustando bien y que se espera lo que deseas
dentro de este mismo.
BIBLIOGRAFIAS

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/doe/supporting-topics/factorial-and-screening-designs/factorial-
and-fractional-factorial-designs/#what-is-a-factorial-design

http://www.hrc.es/bioest/Anova_8.html

https://es.slideshare.net/vikez90/introduccion-a-los-diseos-factoriales

https://repository.libertadores.edu.co/bitstream/handle/11371/677/Ni%C3%B
1oL%C3%B3pezJuanCarlos.pdf?sequence=2&isAllowed=y