DE - DISEÑOS

FACTORIALES 2 K
EDA 2022

Prof. Valeria Quevedo

ING y
Ingeniería Industrial
de Sistemas
INTRODUCCIÓN:
DISEÑOS
FACTORIALES 2 2

ING
 DISEÑOS FACTORIALES 2 2

1. Introducción

2. Estimación de efectos principales e interacción

3. Análisis de Varianza (ANOVA)

4. Gráficas de probabilidad Normal para diseños con una réplica

ING
▪ En muchos experimentos interviene el estudio de los
efectos de dos o más factores. De allí viene el nombre de
“Diseño factoriales”.
▪ En un diseño de 22 cada uno tiene dos niveles: bajo (-) y
alto (+). En el diseño factorial 22, tendríamos 2 x 2 =4
tratamientos (combinaciones de los niveles).
▪ El efecto principal de un factor se define como cambio
en la variable de respuesta producido por cambio en el
nivel del factor.

ING
Recordamos qué es interacción…

B+
B+

B-

B-

A A
▪ ¿En cuál de los dos experimentos hay interacción? ¿Por qué? ING
▪ Si el efecto de A (humedad) sobre la variable de
respuesta no depende del nivel de B, sus líneas
son paralelas.
▪ Al contrario, si el efecto de A sobre la variable
de respuesta depende del nivel de B, entonces
decimos que hay interacción entre A y B.
▪ La clave para probar la interacción es una
prueba de “paralelismo”.

ING
Interacción nula Interacción positiva Interacción negativa

B1 B1
B1
B2 B2

B2
A1 A2 A1 A2 A1 A2

B2

B1 Interacción inversa
A1 A2 ING
 DISEÑOS FACTORIALES 2 2

1. Introducción

2. Estimación de efectos principales e interacción

3. Análisis de Varianza (ANOVA)

4. Gráficas de probabilidad Normal para diseños con una réplica

ING
▪ Rao and Saxena (1993) estudiaron el efecto de la humedad
y la temperatura del horno en los gases de combustión
producidos al quemar la madera de pino.
▪ La respuesta de interés era el porcentaje de monóxido de
carbono en los gases de combustión.
▪ Los niveles de sus factores fueron:

Factores Bajo Alto

Humedad 0% 22.2%
Temperatura del horno (°K) 1100 1500

ING
▪ Si 𝑥1 es la variable de diseño (o variable codificada) para
el factor A, tendríamos:
−1 𝑠𝑖 ℎ𝑢𝑚𝑒𝑑𝑎𝑑 𝑒𝑠 0% (𝑛𝑖𝑣𝑒𝑙 𝑏𝑎𝑗𝑜)
▪ 𝑥1 = ቊ
1 𝑠𝑖 ℎ𝑢𝑚𝑒𝑑𝑎𝑑 𝑒𝑠 22.2% (𝑛𝑖𝑣𝑒𝑙 𝑎𝑙𝑡𝑜)

▪ Si 𝑥2 es la variable de diseño (o variable codificada) para

el factor B, tendríamos:
−1 𝑠𝑖 𝑡𝑒𝑚𝑝. ℎ𝑜𝑟𝑛𝑜 𝑒𝑠 1100°𝐾 (𝑛𝑖𝑣𝑒𝑙 𝑏𝑎𝑗𝑜)
▪ 𝑥2 = ቊ
1 𝑠𝑖 𝑡𝑒𝑚𝑝. ℎ𝑜𝑟𝑛𝑜 𝑒𝑠 1500°𝐾(𝑛𝑖𝑣𝑒𝑙 𝑎𝑙𝑡𝑜)

ING
ING
 Factor Réplicas Promedio
A B I II
-1 -1 20.3 20.4 20.35
1 -1 13.6 14.8 14.20
-1 1 15 15.1 15.05
1 1 9.7 10.7 10.20

ING
 Factor Promedio ▪ Efecto de A= Prom. del factor A(+) – prom. del factor A (-)
A B
- -1 -1 20.35
+ 1 -1 14.20 ▪ Efecto de A
- -1 1 15.05
+ 1 1 10.20

ING
 Factor Promedio
A B
▪ Efecto de B
-1 - -1 20.35
1 -1 14.20
-1 + 1 15.05
1 1 10.20

ING
▪ ¿Qué significa si el efecto es positivo? ¿y si es negativo?

ING
 Factor Prome
A B A*B dio

-1 -1 1 20.35
1 -1 -1 14.20
-1 1 -1 15.05
1 1 1 10.20

ING
 Factor Prome
A B AB dio Efecto principal de AB
1
-1 -1 1 20.35 + = (10.2 + 20.35)
1 -1 -1 14.20 - 2
1
-1 1 -1 15.05 - − (15.05 + 14.2)
1 1 1 10.20
2
+
=1.30/2
=0.65

ING
 DISEÑOS FACTORIALES 2 2

1. Introducción

2. Estimación de efectos principales e interacción

3. Análisis de Varianza (ANOVA)

4. Gráficas de probabilidad Normal para diseños con una réplica

ING
Esta técnica utilizará los siguientes contrastes de hipótesis o tests
estadísticos:

𝐻0 : 𝛼1 = 𝛼2 = 0 (El factor A no influye en y)

ቊ
𝐻1 : 𝑎𝑙𝑔𝑢𝑛 𝛼𝑖 ≠ 0 (El factor A influye en y)

𝐻0 : 𝛽1 = 𝛽2 = 0 (El factor B no influye en y)

ቊ
𝐻1 : 𝑎𝑙𝑔ú𝑛 𝛽𝑖 ≠ 0 (El factor B influye en y)

𝐻0 : (𝛼𝛽)11 = (𝛼𝛽)12 = (𝛼𝛽)21 = (𝛼𝛽)22 = 0 (No hay interacción)

ቊ
𝐻1 : 𝑎𝑙𝑔ú𝑛 (𝛼𝛽)𝑖 ≠ 0 (Hay interacción) ING
 𝑺𝑺𝑻 = 𝑺𝑺𝑨 + 𝑺𝑺𝑩 + 𝑺𝑺𝑨𝑩 + 𝑺𝑺𝑬

Fuente de Suma de Grados de Cuadrados F

variación cuadrados libertad medios

Tratamientos A SSA 1 MSA 𝑀𝑆𝐴

𝐹=
𝑀𝑆𝐸
Tratamientos B SSB 1 MSB 𝑀𝑆𝐵
𝐹=
𝑀𝑆𝐸

Tratamientos AB SSAB 1 MSAB 𝑀𝑆𝐴𝐵

𝐹=
𝑀𝑆𝐸

Error SSE Por sustracción MSE

ING
Total SST N-1
 Efecto Grados de
libertad
A 2-1
B 2-1
AB (2-1)(2-1)
Error Por sustracción
Total N-1
Dado que en el diseño 22,
hay dos niveles por factor:
a = b= 2

ING
ING
ING
▪ Hallar los efectos principales y de interacción para el
siguiente experimento 22:
Factor Réplicas
A B I
-1 -1 28
1 -1 36
-1 1 18
1 1 31

▪ 1) Cree el diseño 2^2 en Minitab y luego ingrese los datos

de la variable de respuesta.

ING
1

2
Al ingresar los
datos, TENER
MUCHO CUIDADO
CON EL ORDEN
DE LOS
TRATAMIENTOS. ING
▪ Hallar los efectos principales y de interacción para el siguiente
experimento 22:
Factor Réplicas
A B I
-1 -1 28
1 -1 36
-1 1 18
1 1 31
▪ 1) Cree el diseño 2^2 en Minitab y luego ingrese los datos de la
variable de respuesta.
▪ 2) Construya la tabla anova con los efectos de un modelo completo
(efectos principales y el de la interacción) y sus grados de libertad.
▪ 3) Estime un modelo que incluya los efectos de ambos factores y el
efecto de la interacción. ING
Grados de libertad para el modelo completo

ING
¿Por qué no hay p-
valores?
No hay suficientes
grados de libertad
para estimar el error.
Discusión en clase. ING
 DISEÑOS FACTORIALES 2 2

1. Introducción

2. Estimación de efectos principales e interacción

3. Análisis de Varianza (ANOVA)

4. Gráficas de probabilidad Normal para diseños con

una réplica

ING
Entonces ¿cómo saber cuáles son significativas?
Usamos la gráfica de Pareto o de probabilidad Normal.
2

ING
En este caso, no
resulta ninguna
significativa ING
▪ También podríamos ver la gráfica de interacción.

ING
▪ Luego, al ser AB no significativa, podríamos evaluar sacarla
del modelo y reevaluar.

▪ ¿Al sacar a la interacción el modelo? ¿Habrá p-valores en

la tabla ANOVA?

ING
 Factor Réplicas
A B I II III
-1 -1 28 25 27
1 -1 36 32 32
-1 1 18 19 23
1 1 31 30 29

1. Contruya el diseño en MINITAB

2. Construya la tabla de los efectos y sus grados de
libertad. ¿Habrá suficientes grados de libertad para
estimar todos los efectos del modelo completo?
3. Analice resultados ING
Al ingresar los
datos, TENER
MUCHO CUIDADO
CON EL ORDEN
DE LOS
TRATAMIENTOS. ING
Hay grados de libertad
suficientes para
estimar todo el modelo
completo.
Discusión en clase. ING
ING
 DISEÑOS
FACTORIALES 2 K

ING
 DISEÑOS FACTORIALES 2 K

1. Introducción

2. Diseños con una réplica

3. Estimación del modelo

4. Optimización del modelo

ING
▪ La diferencia es que hay más interacciones (en número y
en orden).
▪ En muchos casos, si hay 4 o más factores, económicamente
no es asequible. Por lo general no hay réplicas en un
diseño de 2k.

ING
ING
▪ Si usamos 4 o más factores, usualmente al menos uno de
ellos y todas sus interacciones en las que éste aparece no
son realmente importantes (regla de Pareto).

▪ El principal objetivo de un diseño factorial 2k es

identificar aquellos factores que son importantes.

▪ Si no hay efecto en la variable de respuesta cuando el

factor va del nivel bajo (-) al nivel alto (+), decimos
entonces que ese factor no es importante.
ING
 H0: todas las 𝛽´𝑠 = 0 (ningún efecto es importante)
H1: al menos una de las 𝛽´𝑠 ≠ 0

▪ En donde 𝛽’s son los efectos principales y de interacción.

ING
 DISEÑOS FACTORIALES 2 K

1. Introducción

2. Diseños con una réplica

3. Estimación del modelo

4. Optimización del modelo

ING
▪ Ver resultados de un diseño 2k completo sin réplicas y
observar los resultados (discusión en clase).

¿Entonces, cómo lo analizamos?

▪ Dado que los efectos principales y los de interacción
siguen una distribución normal, se usa un gráfico de
probabilidad normal para analizar cuáles son los factores
importantes.

▪ Usando este gráfico podemos identificar aquellos que no

son importantes.
ING
 H0: todas las 𝛽´𝑠 = 0
Ha: al menos una de las 𝛽´𝑠 ≠ 0
▪ Si la H0 es verdadera(ningún
factor es importante), todos
los efectos estimados
deberían seguir una
distribución normal.
▪ En otras palabras, todos
aquellos efectos que están
fuera de la línea son
importantes.
ING
▪ Un ingeniero de procesos estudió el efecto de los
siguientes factores:
o temperatura (x1),
o presión (x2),
o concentración de formaldehído (x3), y
o ratio de agitación (x4)
sobre el ratio de filtración de un producto químico.
▪ Debido al presupuesto con el que contaba, el
experimentador no pudo hacer réplicas del experimento.

ING
ING
 Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Model 15 5730.94 382.06 * *

Linear 4 3155.25 788.81 * *

A 1 1870.56 1870.56 * *

B 1 39.06 39.06 * *

C 1 390.06 390.06 * *

Notar que en la tabla ANOVA no podemos D 1 855.56 855.56 * *

estimar el error, y por ende el F ni el p-valor. 2-Way Interactions 6 2447.88 407.98 * *

A*B 1 0.06 0.06 * *

No hay suficientes grados de libertad para A*C 1 1314.06 1314.06 * *
estimar todos los efectos. A*D 1 1105.56 1105.56 * *

B*C 1 22.56 22.56 * *

Debemos recurrir al gráfico de probabilidad B*D 1 0.56 0.56 * *
normal para identificar aquellos efectos
C*D 1 5.06 5.06 * *
importantes.
3-Way Interactions 4 120.25 30.06 * *

A*B*C 1 14.06 14.06 * *

A*B*D 1 68.06 68.06 * *

A*C*D 1 10.56 10.56 * *

B*C*D 1 27.56 27.56 * *

4-Way Interactions 1 7.56 7.56 * *

A*B*C*D 1 7.56 7.56 * *

Error 0 * * ING
¿Cuáles son los
efectos importantes?
¿Cuáles no?

ING
▪ Sabiendo que el factor B no es importante, sacamos dicho
factor del modelo (y todas las interacciones en las que
aparece) y volvemos a analizar (Ver MINITAB).

▪ Ahora sí obtendremos grados de libertad para poder

estimar el error y por ende los p-valor de los demás
efectos.

▪ Notar que los efectos de los factores no varían (explicación

en clase).
ING
Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Model 6 5540.88 923.48 43.73 0.000
Linear 3 3116.19 1038.73 49.19 0.000
A 1 1870.56 1870.56 88.58 0.000
C 1 390.06 390.06 18.47 0.002
D 1 855.56 855.56 40.51 0.000
2-Way Interactions 3 2424.69 808.23 38.27 0.000
A*C 1 1314.06 1314.06 62.22 0.000
A*D 1 1105.56 1105.56 52.35 0.000
C*D 1 5.06 5.06 0.24 0.636
Error 9 190.06 21.12
Total 15 5730.94

Model Summary

S R-sq R-sq(adj) R-sq(pred)

ING
4.59544 96.68% 94.47% 89.52%
ING
ING
 Scatterplot of TRES1 vs A Scatterplot of TRES1 vs C
2 2

1 1

0 0

TRES1
TRES1

-1 -1

-2 -2

-1.0 -0.5 0.0 0.5 1.0 -1.0 -0.5 0.0 0.5 1.0
A C
Scatterplot of TRES1 vs D
2

0
TRES1

-1

-2
ING
-1.0 -0.5 0.0 0.5 1.0
ING
 DISEÑOS FACTORIALES 2 K

1. Introducción

2. Diseños con una réplica

3. Estimación del modelo

4. Optimización del modelo

ING
A B C Y
- - - 67
+ - - 79
- + - 61
+ + - 75
- - + 59
+ - + 90
- + + 52
+ + + 87

ING
Estimar los efectos A, B, C, AB, AC, BC, ABC

A B C AB AC BC ABC Y
- - - 67
+ - - 79
- + - 61
+ + - 75
- - + 59
+ - + 90
- + + 52
+ + + 87

ING
▪ Efecto A=23
▪ Efecto B= -5
▪ Efecto C= 1.5
▪ Efecto AB= 1.5
▪ Efecto AC= 10
▪ Efecto BC= 0
▪ Efecto ABC= 0.5

ING
¿Cuáles son los
efectos importantes?
¿Cuáles no?

ING
▪ Ahora, sabemos que los factores significativos son A, AC,
pero debemos incluir también a C.

▪ Ahora, podemos estimar nuestro modelo.

ING
Un modelo general completo sería:
𝑦 = 𝜇 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝛽12 𝑥1 𝑥2 + 𝛽13 𝑥1 𝑥3 + 𝛽23 𝑥2 𝑥3 + 𝛽123 𝑥1 𝑥2 𝑥3 + 𝜖

Nosotros estimaríamos ese modelo:

𝑦ො = 𝜇Ƹ + 𝛽መ1 𝑥1 + 𝛽መ2 𝑥2 + 𝛽መ3 𝑥3 + 𝛽መ12 𝑥1 𝑥2 + 𝛽መ13 𝑥1 𝑥3 + 𝛽መ23 𝑥2 𝑥3 + 𝛽መ123 𝑥1 𝑥2 𝑥3

En donde 𝜇Ƹ = 𝑦ത… (media global)

𝐸𝑓𝑒𝑐𝑡𝑜 𝑖
𝛽መ𝑖 =
2
ING
Efecto A=23
Efecto B= -5
Efecto C= 1.5 𝑦ො = 𝜇ො + 𝛽መ1 𝐴 + 𝛽መ3 𝐵 + 𝛽መ13 𝐴 ∗ 𝐵
Efecto AB= 1.5
Efecto AC= 10
Efecto BC= 0 (23) (1.5) (10)
Efecto ABC= 0.5 𝑦ො = 71.25 + 𝐴+ 𝐵+ 𝐴∗𝐵
2 2 2

𝑦ො = 71.25 + 11.5𝐴 + 0.75𝐵 + 5𝐴 ∗ 𝐵

Comparar con el resultado del Minitab:

Regression Equation in Uncoded Units

Thickness = 71.25 + 11.50 A + 0.7500 C + 5.000 A*C ING

 DISEÑOS FACTORIALES 2 K

1. Introducción

2. Diseños con una réplica

3. Estimación del modelo

4. Optimización del modelo

ING
▪ Cuando el interés está en el mejorar el rendimiento del
proceso, se usan las gráficas de contorno y las superficies
de respuesta.
▪ Nos interesaría determinar la región de los factores
importantes que nos lleve cerca de nuestro objetivo.

Si hay interacción,
la superficie ya no
es un plano.

ING
▪ Muestra las líneas de contorno
para un espesor de 60, 65,
70…85.
▪ Estos contornos son las
proyecciones en la región A-C
de las secciones transversales
del espesor con respecto al
modelo especificado.
▪ Nos permiten ver en qué
dirección deberían hacerse los
cambios necesarios en el factor
A y C para obtener el objetivo
propuesto.
ING
▪ Nos muestra la misma
información que se describió
anteriormente pero en 3D.

ING
ING
oDiseño y análisis de experimentos. Douglas
Montogomery. ASU. 2004.
oExperiments. Planing, Analysis, and Optimization. Jeff Wu,
Michael Hamada. Wiley & Sons. 2009.
oClases de DOE en Virgina Tech, por el Dr. Geoff Vining.

ING