Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Es frecuente que en muchos procesos existan varios factores de los que es necesario
investigar de manera simultánea su influencia sobre una o varias variables de respuesta,
donde cada factor tiene la misma importancia a priori desde el momento que se decide
estudiarlo, y es poco justificable suponer de antemano que los factores no interactúan
entre sí. Los diseños experimentales que permiten estudiar de manera simultánea el
efecto de varios factores son los llamados diseños factoriales.
Considerando otra vez k = 2 factores, pero ahora uno con tres niveles y el otro
con dos niveles, se pueden construir 3 x 2 combinaciones que dan lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número de
tratamientos que lo componen. Para obtener el número de corridas experimentales se
multiplica el número de tratamientos por el número de réplicas, donde una réplica se
lleva a cabo cada vez que se repite el arreglo completo.
Ejemplo
Diseño factorial . Suponga que en un proceso de fermentación tequilera, se tienen
dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por
respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial , y entre paréntesis se ha indicado cada
nivel con los códigos (1, -1). En el experimento original cada tratamiento se corrió tres
veces (tres réplicas), lo cual da un total de 12 corridas del proceso pero, por simplicidad,
en la última columna de la tabla 4.1 sólo se anotaron los resultados de la primera
réplica.
Para los datos de la tabla 4.1, los efectos principales están dados por
Efecto A =
Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte, se
dice que dos factores interactúan entre sí o tienen un efecto de interacción sobre la
variable de respuesta, cuando el efecto de un factor depende del nivel en que se
encuentra el otro. Por ejemplo, los factores A y B interactúan si el efecto de A es muy
diferente en cada nivel de B, o viceversa. Ahora veamos esto con los datos de la tabla
4.1: el efecto de A cuando B es baja está determinado por
Como estos dos efectos de A en función del nivel de B son muy diferentes,
entonces es evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción de los dos factores, que se
denotan por AB y se calculan como la diferencia entre la respuesta media cuando ambos
factores se encuentran en el m ismo nivel: (-1, -1); (1, 1), y la respuesta media cuando
los factores se encuentran en niveles opuestos: (-1, 1) (1, -1). Para el ejemplo, el efecto
de interacción levadura x temperatura está dado por
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interacción son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los
efectos son estadísticamente significativos (diferentes de coro) se requiere el análisis de
varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el efecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que el
comportamiento de la respuesta Y en el experimento con k réplicas se podría describir
mediante el modelo de efectos:
y al final, al restar éstas del total, se obtiene la suma de cuadrados del error como: