Tecnológico de Estudios Superiores de Ecatepec

INTEGRANTES
Duran Sedano Moisés Japhet
Flores Cañete Azahel
Muñoz Ortiz Diego Alejandro
Santos Martínez Wendy
Serrano Sánchez Ximena

GRUPO
4301

PROFESORA
Alma Delia Luna Martínez

ASIGNATURA
ANALISIS DE DATOS EXPERIMENTALES

CONTENIDO
DISEÑO FACTORIAL 3K

FECHA DE ENTREGA 2º DE NOVIEMBRE DE 2022

CICLO ESCOLAR 2022-2
 Índice

Introducción ………………………………………… 1

Diseño factorial 3k ……………………………….. 2

Diseño factorial 32 ………………………………. 3

Análisis del diseño factorial 32 ……………… 4

Descomposición con efectos con 1 grado de

libertad………………………………………………… 6

Ejemplo ………………………………………………. 9

Conclusiones ………………………………………. 12

Bibliografía …………………………………………. 12

Anexos ……………………………………………….. 13
 1

Introducción

Este diseño es una variación del diseño 2k y es muy útil como lo que se ha utilizado cuando todos
los factores actúan a tres niveles. En los últimos años se ha observado un creciente interés por
algunas de las ideas de Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.

Este es un diseño que consta de k factores con tres niveles cada uno. Los factores y las
interacciones se representan mediante letras mayúsculas. Los tres niveles de los factores
pueden ser como nivel inferior, intermedio y superior. Estos niveles se representan mediante
los dígitos 0 (nivel inferior), 1(intermedio) y 2 (superior). Cada combinación de tratamientos de
un diseño 3kse presenta mediante k dígitos, donde el primero incida el nivel de A, el segundo
señale al nivel de B,. y el k-ésimo dígito, el nivel del factor k.
 2

Diseño factorial 3k
El diseño factorial 3k involucra factores con tres niveles cada uno además de que tiene 3k
tratamientos. Una de las primeras desventajas de estos diseños es que al momento de aplicarse
requieren mayor cantidad de pruebas que los diseños 2k. Es decir, si queremos estudiar cuatro
factores, y solamente consideramos una repetición, el diseño 24 solo necesitara 16 pruebas. De
esta forma, cuando tenemos muchos factores digamos cuatro o más, prácticamente es
imposible pensar en hacer uso de un diseño 3k.

Por el contrario, cuando tenemos pocos factores (tres como máximo o en el peor de los casos
cuatro) hay ciertas situaciones prácticas en las que el diseño 3k puede ser una buena opción.

De manera muy específica, hay algunas razones que hacen al diseño 3k una buena opción:

1. Se tienen factores de tipo continuo y a la vez queremos estudiar efectos cuadráticos

como A2, B2, . . . , A2 B,B2A,A2B2, . . . (efectos de curvatura). Esto lo hacemos cuando
creemos que la variable de respuesta no es lineal, ni aproximadamente lineal en el rango
de variación de los factores a estudiar.
2. Los factores son categóricos o discretos y por naturaleza tienen tres niveles cada uno.
Esto sucede en factores como tipo de material, diferentes medios de cultivo, factores
de máquina, etc.

Figura 1.a y 1.b Ejemplos de relación lineal y relación con curvatura

Profundizando en una posible existencia de curvatura, vamos a considerar un factor X de

tipo continuo que se supone tiene efecto sobre la respuesta Y. El cual dicho efecto podría
ser de tipo lineal, al menos en forma aproximada (figura 1.a), o de tipo cuadrático (figura
1.b) en la figura 1.b se observa que para podamos estudiar un efecto lineal, o
aproximadamente lineal, basta con probar el factor X en dos niveles, por lo que para que
estudiemos un efecto cuadrático son necesario al menos tres niveles del factor X.

Aunque el problema es que de antemano no sabemos cómo será el factor y a veces

corremos el riesgo de usar dos niveles, cuando en realidad se requiere como mínimo al
menos tres.

Por lo que se recomienda que contemos con una estrategia experimental que nos permita
detectar de manera económica la presencia de la curvatura, justamente ese el propósito de
agregar puntos al centro en un diseño 2k, pero, sin embargo, con esta estrategia solo se
puede detectar si hay una curvatura, pero no es posible estudiarla (modelarla).
 3

Diseño factorial 32
Este diseño consiste en 32= 9 tratamientos diferentes, mismos que corresponden a todas las
posibles maneras en que se pueden combinar dos factores en tres niveles cada uno. Haciendo
mención de A y b como los factores, cada uno con tres niveles, a los cuales se les suele llamar
bajo medio y alto. Los nueve tratamientos los podemos escribir de varias maneras como se
muestran en la siguiente tabla.

Diseño factorial 32en tres notaciones útiles.

 4

Análisis del diseño factorial 32

El modelo estadístico para este diseño lo podemos escribir tomando en cuenta el efecto
individual de cada factor, además de la interacción entre ambos; es decir:

En donde si es el efecto del factor A en su nivel i, δj representa el efecto del factor B en el

subnivel j (yδ) ij es el efecto de interacción en ambos niveles ij y n es el número de
repeticiones de cada tratamiento. En consecuencia, de esto, las hipótesis que se desean
probar serán: H0: γi =0 (no hay un efecto significativo del factor A sobre la variable de
respuesta), H0: δ = 0 (no hay efecto del factor B sobre la variable de respuesta) y H0: (y) ij = 0
(no hay efecto de interacción de los factores A y B sobre la variable de respuesta).

Estas hipótesis se podrán probar con el ANOVA, para lo cual, las sumas de cuadrados para
cada uno de los tres efectos incluidos en la ecuación que a continuación se muestra:

Representación en el plano del diseño 32

 5

La suma de los cuadrados total la podemos obtener con:

Y el error aleatorio se puede calcular con la diferencia:

Los grados de libertad asociados con cada suma de cuadrados de la relación anterior son:

El boceto del análisis de varianza para el diseño 32 se puede visualizar en la siguiente tabla.

Tabla 1 ANOVA PARA EL DISEÑO 32

Como se puede observar este diseño también requiere al menos de dos repeticiones para
que pueda haber grados de libertad para el error. Se nota que las sumas de cuadrados de
los efectos A y B tienen dos grados de libertad (número de niveles menos uno) y que los
grados de liberta para la interacción AB se obtienen con el producto 2 x 2 = 4.

Por lo que si el valor-p para un efecto es menos que 0.05, entonces se rechazará la
correspondiente hipótesis nula, y se concluirá que tal la fuente de variación afecta de
manera significativa a la variable de la respuesta.
 6

Descomposición a efectos con 1 grado de libertad

El ANOVA que se mostró anteriormente considera los efectos A,B y AB de manera global, es
decir, sin especificar si influyen de manera lineal, cuadrática o de ambas formas.

Las sumas de cada efecto las podemos descomponer en sumas de cuadrados con un grado
de libertad, por ejemplo, la suma de cuadrados del efecto A con 2 grados de libertad, la
podemos desglosar en los componentes AL y A2 (efecto lineal y cuadrático) cada uno con un
grado de libertad. El subíndice L nos indica que es la parte lineal del efecto global A, y el
exponente nos denota la parte cuadrática . A su vez la suma de cuadrados AB que se mostró
anteriormente en la tabla de ANOVA PARA EL DISEÑO 32 ,lo podemos partir en cuatro
componentes con un grado de libertad: ALBL, ALB2 y A2BL.
De este modo para obtener información más detallada, de cómo es que afectan los factores,
es necesario que separemos los ocho componentes con un grado de libertad y construir un
ANOVA que nos muestre la significancia de cada uno de ellos, como se muestra a
continuación el siguiente ANOVA desglosado.

ANOVA desglosado para el diseño 32

Cabe hacer mención que en muchos casos el riesgo de tomar una decisión incorrecta
basándonos en la tabla 1 ya antes mencionada, aún sin desglosar, es pequeño o nulo, ya que al
graficar los efectos globales A, B y AB tomando en cuenta los tres niveles de cada factor se aclara
lo que ocurre con ellos, además de que se toma en cuenta al momento de interpretarlos, es
decir lo podemos omitir en la mayoría de las situaciones prácticas.
Justamente podemos decir que, en la práctica, un efecto puede ser lineal, ya que su componente
más activo es la parte lineal AL ó también puede ser prácticamente cuadrático, ya que su
componente más activo es la parte cuadrática A2. Cómo pudimos observar, en cualquier caso, la
representación del efecto nos permite comprender cómo está actuando físicamente el factor
sobre la variable de respuesta.
 7

Cuando tenemos un efecto que parece ser cuadrático A2, no es suficiente que veamos la gráfica
correspondiente para saber si el efecto cuadrático es significativo, adicionalmente requerimos
de un respaldo con el análisis de varianza.
Con lo dicho anteriormente podemos ver qué los coeficientes del contraste A2 son (1,-2,1), para
medir con este contraste la diferencia entre la respuesta observada en el nivel medio y la
respuesta en los niveles bajo y alto.

Para deducir los coeficientes (1,-2.1) como se muestra a continuación, la curva pura la podeos
definir como la diferencia que hay entre la pendiente del segundo y del primer segmento, de
esto podemos inferir que a mayor sea la diferencia entre tales pendientes, mayor será la
curvatura, por lo que si no hay diferencia en las pendientes no existiría curvatura.

Grafica de efectos predominado a) parte lineal AL y b) parte cuadrática A2

Solo por dar un poco de manera general, para el cálculo de las pendientes de una línea recta, se
divide el incremento en el eje vertical contra el incremento en el eje horizontal. Tomando esto
como base, la pendiente de nuestro segundo segmento será (Y3 .. – Y2..) / 1. De modo que, las
diferencias de estas pendientes o contraste de la curvatura pura A2 quedarían como:

Ecuación 1

Misma que contiene los coeficientes (1,-2,1). De manera análoga, la parte lineal del efecto
A la podemos explicar como la suma de las pendientes de los segmentos, de aquí que en el
contraste del efecto esta dado por:

Ecuación 2

Podemos notar que cuando sumamos las pendientes ignoramos la curvatura y queda como
resultado el cambio que ya observamos entre los niveles (-1 y 1; lo que paso en el nivel
intermedio no lo consideramos para fines de nuestro efecto lineal de A. es decir el contraste
para la curvatura que podemos observar en la ecuación 1, que se obtiene con su
correspondiente suma de cuadrados con la siguiente formula:
 8

En donde n es el número de replicas, C1j = 1, C2j = -2 y C3j = 1 y tienen un grado de libertad.

El efecto lineal de A lo podemos obtener utilizando su contraste con coeficientes (1,0,-1) en

donde se compara el nivel alto con el nivel bajo. Para que podamos calcular la suma de
cuadrados (SCAL) se podemos emplear las mismas operaciones que hicimos para el efecto
cuadrático puro, pero la diferencia es que ahora usaremos el contraste dado por la relación
que mostramos la ecuación 2.
 9

Ejemplo
10
 11

Ejemplo obtenido del libro: Gutiérrez Pulido – De la Vara Salazar. Análisis y Diseño de
Experimentos.1ª edición. MC Graw Hill Interamericana.Pp 303-308.
 12

Conclusiones
Un diseño factorial es aquel en el que el conjunto de tratamientos se conforma por todas las
posibles combinaciones de los distintos niveles de los factores involucrados.

Los mayores beneficios de los diseños factoriales completos los podemos obtener cuando
estudiamos pocas variables ya que, el número de experimentos crece de manera exponencial
con el número de factores.

Podemos decir que los diseños factoriales completos son una estrategia muy óptima para que
podamos estudiar el efecto de varios factores sobre una respuesta y algunas de sus
interacciones.

Bibliografía

Gutiérrez Pulido – De la Vara Salazar. Análisis y Diseño de Experimentos.1ª edición. MC Graw Hill
Interamericana.Pp 236-250.

Domínguez Domínguez Jorge – Castaño Tostado Eduardo. Diseño de Experimentos. Estrategias

y análisis en ciencias e ingenierías. 1ª edición. Alfaomega. SA de C. V Mexico.Pp 243-265.
13
14
15
16
 17

Obtenido del libro:

Domínguez Domínguez Jorge – Castaño Tostado Eduardo.
Diseño de Experimentos. Estrategias y análisis en ciencias e
ingenierías .1ª edición. Alfaomega. SA de C.V Mexico.Pp 255-
264.