Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Introducción ………………………………………… 1
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:
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.
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:
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.
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
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.
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.
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
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.