SECCION 5ª RESERVA TERRITORIAL S/N, SANTA BARBARA, 91096

XALAPA ENRIQUEZ, VER.

INSTITUTO TECNOLOGICO SUPERIOR DE

XALAPA

ESTADISTICA INFERENCIAL II (AEF-1025)

SISTEMA: SABATINO

CARRERA: INGENIERIA INDUSTRIAL

ASIGNACION: ‘’Diseños Factoriales’’

Docente: Ing. Víctor Manuel Velásquez del Moral

Alumno: Santiago Sánchez José Rafael

177O01450
¿Qué es un diseño factorial?
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.

En las siguientes gráficas, cada punto representa una combinación única de

niveles de factores.
Diseño de dos factores

 2 niveles del factor A

 3 niveles del factor B

Diseño de tres factores

2 niveles de cada factor

Usted puede ejecutar el diseño factorial completo o una fracción del diseño
factorial.

¿Qué es un diseño factorial completo y un diseño factorial

fraccionado?
Diseños factoriales completos
Un diseño factorial completo es un diseño en el cual los investigadores miden las
respuestas para todas las combinaciones de niveles de los factores. Minitab ofrece
dos tipos de diseños factoriales completos:

 Diseños factoriales completos de 2 niveles que solo contienen factores de 2

niveles.
 Diseños factoriales completos generales que contienen factores con más de
dos niveles.
El número de corridas necesarias para un diseño factorial completo de 2 niveles
es 2k, donde k es el número de factores. A medida que aumenta el número de
factores incluidos en un diseño factorial de 2 niveles, el número de corridas
necesarias para realizar un diseño factorial completo aumenta rápidamente. Por
ejemplo, un diseño factorial completo de 2 niveles con 6 factores requiere 64
corridas, un diseño con 9 factores requiere 512 corridas. Un diseño factorial
fraccionado de un medio requeriría solo la mitad de esas corridas.

Diseños factoriales fraccionados

Un diseño fraccionado es un diseño en el cual los investigadores solo realizan un
subconjunto seleccionado o "fracción" de las corridas experimentales incluidas en
el diseño factorial completo. Los diseños factoriales fraccionados son una opción
adecuada cuando los recursos son limitados o el número de factores incluidos en
el diseño es grande, porque utilizan menos corridas que los diseños factoriales
completos.

Un diseño factorial fraccionado utiliza un subconjunto de un diseño factorial

completo, por lo que parte de los efectos principales y las interacciones de 2
factores se confunden y no se pueden separar de los efectos de otras
interacciones de orden superior. Por lo general, los investigadores están
dispuestos a presuponer que los efectos de orden superior son insignificantes para
obtener información sobre los efectos principales y las interacciones de orden bajo
con menos corridas.

¿Qué es un diseño factorial completo de 2 niveles?

En un diseño factorial completo de 2 niveles, cada factor experimental tiene solo
dos niveles. Las corridas experimentales incluyen todas las combinaciones de
estos niveles de factores. Aunque los diseños factoriales de 2 niveles no pueden
explorar completamente una amplia región del espacio de los factores, sí
proporcionan información útil con un número relativamente reducido de corridas
por factor. Puesto que los diseños factoriales de 2 niveles pueden identificar
tendencias importantes, se pueden usar como punto de partida para realizar
experimentos adicionales. Por ejemplo, cuando necesite explorar una región
donde crea que puede existir una configuración óptima, podrá ampliar un diseño
factorial para formar un diseño central compuesto.

Comparación
Los siguientes diagramas muestran un diseño factorial completo en comparación
con un diseño factorial fraccionado de ½.

Diseño factorial completo

Diseño factorial fraccionado de ½

El diseño factorial completo contiene el doble de puntos de diseño que el diseño
fraccionado de ½. La respuesta se mide solo en los cuatro de los ocho puntos de
vértice posibles de la porción factorial del diseño. Sin embargo, con este diseño,
los efectos principales se confundirán con las interacciones de 2 factores.
Diseños factoriales con dos factores

Modelo sin replicación

El modelo estadístico para este diseño es:
yij = µ + τi + βj + (τβ) ij + uij i = 1, 2, · · ·, a; j = 1, 2, · · ·, b, donde
yij : Representa la observación correspondiente al nivel (i) del factor A y al nivel (j)
del factor B.
µ: Efecto constante denominado media global.

τi : Efecto producido por el nivel i-ésimo del factor A, (∑ i τi = 0).

βj: Efecto producido por el nivel j-ésimo del factor B, j βj = 0. ( ∑ j βj = 0)

(τβ) ij : Efecto producido por la interacción entre A×B, ( ∑ i (τβ) ij = ∑ j (τβ) ij = 0 )

.
uij son vv aa. independientes con distribución (0, σ).

Supondremos que se toma una observación por cada combinación de factores,

por tanto, hay un total de N = ab observaciones.

Parámetros Numero
µ 1 A pesar de las restricciones impuestas al
τi a-1 modelo,
βj b-1
∑ i τi = ∑ j βj = ∑ i (τβ) ij = ∑ j (τβ) ij = 0
(τβ) (a-1) (b-1)
(σ) 2
1 el número de parámetros (ab + 1) supera al
número de observaciones (ab). Por lo tanto,
Total Ab+1
algún parámetro no será estimable.
Estimación de los parámetros del modelo
Los estimadores máximo verosímiles de los parámetros del modelo son

Los residuos de este modelo son: eij = yij − yij = yij − µ − τi − β j − τβ ij = 0.

Por lo tanto, al ser los residuos nulos no es posible estimar la varianza del modelo
y no se pueden contrastar la significatividad de los efectos de los factores. Dichos
contrates sólo pueden realizarse si:
a) Suponemos que la interacción entre A×B es cero. Entonces eij = yij −y¯i. −y¯.j +
¯y.. .
b) Replicamos el experimento (Tomamos varias observaciones por cada
combinación de factores).
El modelo con replicación

El modelo estadístico para este diseño es:

y ijk=μ+Ti+ ( Tβ ) ij+u ijk ; i=1 ,2 … , a ; j =1,2, … , b ;k =1,2 , … ,r
donde r es el número de replicaciones y n = abr es el número de observaciones. El
número de parámetros de este modelo es, como en el modelo de dos factores sin
replicación, ab + 1 pero en este caso el número de observaciones es abr.
Descomposición de la variabilidad
La ecuación básica del análisis de la varianza es:
a b

∑ ( yijk − y … ) 2=br ∑ ( yi ..− y … ) 2+ ar ∑ ( y . j.− y … ) 2

i jk i=1 j =1
+r ∑ ( yija− yi ..− y . j .+ y …)2+ ∑ ( yijk− yij .)2
i, j i , j ,k

que simbólicamente podemos escribir: SCT = SCA + SCB + SC(AB) + SCR. Estas
sumas de cuadrados también se pueden expresar como:

SCT = ∑ ijk y2ijk –(y2..) / r: suma total de cuadrados.

SCA = (∑
i
y 12..) / (br) – (y2…) / (abr): S. C. entre niveles de A.

SCB=(∑
j
y 2.j.) / (ar) – (y2…) / (abr): S. C. entre niveles de B.

SC (AB) =(∑
Ij
y 2i.j.) / r – (y2…) / (abr) – SCA – SCB: S. C. de la interacción A x B.

SCR = SCT – SCA – SCB – SC (AB): S.C. del error.

A partir de la ecuación básica del ANOVA se pueden construir los cuadrados

medios definidos como:
 Cuadrado medio total: CMT = (SCT) / (n-1)
 Cuadrado medio de A: CMA = (SCA) / (a-1)
 Cuadrado medio de B: SMB = (SCB) / (b-1)
 Cuadrado medio de la interacción A x B: CM (AB) = (SC(AB)) / ((a-1) (b-1))
 Cuadrado medio residual: CMR = (SCR) / (ab(r-1))
El objetivo del análisis es realizar los contrastes de hipótesis nula:
1. H0A ≡ τ 1 = · · · = τ a = 0. Es decir, considerando la presencia de las
interacciones con el factor B, contrastar si los efectos de los niveles del
factor A son nulos. El estadístico de contraste es

Se rechaza H0A al nivel α si Fα(exp) > F(a−1), ab(r−1)

2. H0B ≡ β1 = · · · = βb = 0. Es decir, considerando la presencia de las

interacciones con el factor A, contrastar si los efectos de los niveles del
factor B son nulos. El estadístico de contraste es:
 Se rechaza H0B al nivel α si Fα(exp) > F(b−1), ab(r−1).

3. H0(AB) ≡ (τβ) ij = 0 para todo i, j. Es decir, contrastar si los efectos de las

interacciones entre los factores A y B son nulos. El estadístico de contraste
es:

Se rechaza H0(AB) al nivel α si Fα(exp) > F(a−1) (b−1), ab(r−1).

Tabla ANOVA para el modelo de 2 factores con replicación

F.V. S.C. G.L. C.M. Fexp
Factor A SCA a-1 CMA CMA/CMR
Factor B SCB b-1 CMB CMB/CMR
Interacción SC(AB) (a-1)(b-1) CM (AB) CM(AB)/
CMR
Residual SCR ab (r-1) CMR
TOTAL SCT abr-1 CMT

Tabla ANOVA para el diseño factorial A x B ( dos factores)

Ejercicio
Un diseño factorial en el que intervienen dos factores, un ingeniero está diseñando
una batería que se usará en un dispositivo que se someterá a variaciones de
temperaturas extremas. El único parámetro del diseño del diseño que puede
seleccionar en este punto es el material de la placa o ánodo de la batería, y tiene
tres elecciones posibles. Cuando el dispositivo este fabricado y se envíe al campo,
el ingeniero no tendrá control sobre las temperaturas extremas en las que operara
el dispositivo, pero sabe que por experiencia que la temperatura probablemente
afectará la vida efectiva de la batería. Sin embargo, la temperatura puede
controlarse en el laboratorio donde se desarrolla el producto para fines de prueba.

Temperatura (°F)
Tipo de
Material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
Datos de la vida (en horas) para el ejemplo del diseño de la batería

El ingeniero decide probar los tres materiales de placa con tres niveles de
temperatura -15, 70 y 125 °F-, ya que estos niveles de temperatura son
consistentes con el medio ambiente donde se usará finalmente el producto. Se
prueban 4 baterías con cada combinación del material de la placa y la
temperatura, y las 36 pruebas se corren de manera aleatoria.
Vamos a elaborar nuestro diseño factorial en Minitab desde cero

Vamos a insertar la opción de un diseño factorial completo

Vamos a crear nuestro diseño definiendo materia y temperaturas correspondiente
y nuestro numero de replicas en los factores

Se definen los valores para la temperatura en el diseño de los factores

Se le deja igual como tal en opciones y se le da aceptar
Después como ya esta el ejemplo realizado lo único que debemos de hacer es
desmarcar la opción de ‘’aleatorizar corridas’’

Nos va a aparecer en su orden correspondiente

Se le inserta una columna más donde se encontraran las respuestas(horas) y
posteriormente se ubicaran en las replicas de acuerdo a los datos proporcionados
del ejemplo
Se realizo el análisis y obtenemos lo siguiente:
se realiza un análisis de media con las graficas correspondientes
Breve conclusión
Es de suma importancia este Diseño Factorial ya que nos ayuda hacer el análisis
de estudio de un experimento en el cual queremos obtener un resultado y una
variable de respuestas, de acuerdo a lo que se quiere experimentar o se desea
saber de acuerdo a lo que se estipule, en este tema me pareció muy importante
como a través de las estadísticas en Minitab podemos obtener la respuesta de
respuestas (horas) y así también generar el análisis de varianza para obtener los
resultados que van a definir nuestro ejercicio en el que no tenemos conocimiento
de un dato como tal, por lo cual se emplea y se crea este diseño Factorial. Como
conclusión mediante el ajuste de medias se puede corroborar que hay un
resultado significativo en los factores de acuerdo con las respuestas(horas) con la
finalidad de representar y obtener conocimientos previos. Para el ingeniero
industrial es importante saber y reconocer los procesos y analizar un estudio como
en el ejemplo del ejercicio de la durabilidad de la batería donde se desea saber
cómo influye y tiene tendencia a través de ciertos parámetros. Este es uno de los
diseños que a mi parecer ha sido interesante porque nos ayuda a identificar el
factor de las horas que tendrá una batería en ciertos momentos. Para concluir un
diseño factorial es el cual podemos obtener un resultado para así mejorar su
diseño e innovar en el proceso.

Referencias
∗ Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la Varianza
y Temas Relacionados: Tratamiento Informático mediante SPSS.” Proyecto Sur de
Ediciones.
∗ Obtenido de soporte de Minitab 18 (2020). Diseños Factoriales y factoriales
fraccionados.
∗ Enlace adjunto proporcionado por el Ing. Velásquez del Moral, Víctor Manuel. (2020).
Martínez Maldonado, Cesar Enrique. (2017). YouTube ‘’Diseño Factorial en Minitab’’.