Conceptos básicos en diseños factoriales

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.

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre

una o varias respuestas o características de calidad y determinar una combinación de
niveles de los factores en la cual el desempeño del proceso sea mejor que en las
condiciones de operación actuales; es decir, encontrar nuevas condiciones de operación
del proceso que eliminen o disminuyan ciertos problema de calidad en la variable de
salida.

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material,

operador, la presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera en que
incluye cada factor sobre la variable respuesta, es necesario elegir al menos dos niveles
de prueba para cada uno de ellos (tres máquinas, dos operadores, tres velocidades, dos
temperaturas, etc.). Con el diseño factorial completa se corren aleatoriamente en el
proceso todas las posibles combinaciones que pueden formarse con los niveles
seleccionados.

Un diseño de experimentos factorial 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. Por ejemplo, con k = 2 factores, ambos
con dos niveles de prueba, se forma el diseño factorial , que consiste de
cuatro combinaciones o puntos experimentales.

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.

Más en general, la familia de diseños factoriales consiste de k factores, todos

con dos niveles de prueba; y la familia de diseños factoriales consiste de k factores
cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe escribirse el
producto de manera más explícita: por ejemplo con k = 3 factores, el primero con cuatro
niveles y los dos restantes con dos niveles, se tiene el diseño factorial
, que consiste de 16 combinaciones de niveles diferentes.

4.1. Diseños factoriales con dos factores

El experimento factorial más sencillo es en el que intervienen solamente dos factores,
por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El experimento
tiene réplicas y cada réplica contiene todas las combinaciones de tratamientos .
Considere los factores A y B con y ( ) niveles de prueba,
respectivamente. Con ellos se puede construir el arreglo o diseño factorial , que
consiste de tratamientos. Se llama réplica cada repetición completa del arreglo
factorial. Los diseños factoriales que involucran menos de cuatro factores se corren
replicados para poder tener la potencia necesaria en las pruebas estadísticas sobre los
efecto de interés, de tal forma que si se hacen réplicas, el número total de corridas
experimentales es ( ).

Efecto principal y efecto de interacción

El efecto de un factor se define como el cambio observado en la variable de respuesta
debido a un cambio de nivel de tal factor. En particular, los efectos principales son los
cambios en la media de la variable de respuesta que se deben a la acción individual de
cada factor. En términos matemáticos, el efecto principal de un factor con dos niveles es
la diferencia entre la respuesta media observada cuando tal factor estuvo en su primer
nivel, y la respuesta media observada cuando el factor estuvo en su segundo nivel.

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.

Tabla 4.1 Diseño factorial

A: Levadura B: Temperatura Y: Rendimiento
28
41
63
45

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

Efecto A (con B bajo) = 41 - 28 = 13

y cuando la temperatura es alta, el efecto de A es

Efecto A (con B alta) = 45 - 63 = 13

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:

donde es la media general, es el efecto debido al i-ésimo nivel del factor es el

efecto del j-ésimo nivel del factor B, representa al efecto de interacción en la
combinación es el error aleatorio que supone sigue una distribución con media
cero y varianza constante y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las restricciones:

Es decir, los efectos dados en el modelo son desviaciones respecto de la media

global. Puede usarse el análisis de varianza para probar hipótesis relativas a los efectos
principales de los factores A y B y la interacción AB.
En este modelo, las hipótesis de interés para los tres efectos son:

Estas hipótesis se prueban mediante la técnica de análisis de varianza que para

un diseño factorial con réplicas resulta de descomponer la variación total como,

donde los respectivos grados de libertad de cada una de ellas son:

El factor en los grados de libertad de la suma de cuadrados del error

( ) señala que se necesitan al menos dos réplicas del experimento para calcular ese
componente y, por ende, para construir una tabla de ANOVA. Recordemos que las
sumas de cuadrados divididas entre sus correspondientes grados de libertad se llama
cuadrados medios . Al dividir éstos entre el cuadrado medio del error se
obtienen estadísticos de prueba con distribución F. Toda esta información se sintetiza
en la siguiente tabla:

ANOVA para el diseño factorial

FV SC GL CM Valor-p
Efecto A
Efecto B
Efecto AB
Error
Total

Si el valor-p es menor al nivel de significancia prefijado, se rechaza la

hipótesis nula y se concluye que el correspondiente efecto está activo o influye en la
variable de respuesta.
 Recordemos la notación de puntos para representar sumas y medias:

Con esta notación la suma de cuadrados totales es:

donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

de efectos son:

y al final, al restar éstas del total, se obtiene la suma de cuadrados del error como: