DOE

Características

1. Permite estudiar los efectos principales y de interacción

2. Se pueden proponer otros diseños a partir de ellos para obtener mas
información
3. Se pueden establecer fracciones para analizar factores importantes
4. Las interacciones tienen mayor importancia que los efectos principales porque
determinan el proceso
 DOE

Diseño de 2 factores:

1. A y B factores cada uno con 2 o mas niveles.

2. Los más comunes:
22 − 32 − 3𝑥2
Ejemplo de pruebas:
A= profundidad de corte 4 niveles
B=velocidad alimentación 3 niveles
Cantidad replicas= 3
Cuantas pruebas?
 DOE

Modelo estadístico:
𝑌𝑖𝑗𝑘 = μ + α𝑖 + β𝑗 + (αβ)𝑖𝑗 +ε𝑖𝑗𝑘
i=1,2,…,a j=1,2…,b k=1,2…,n

Efectos:
𝑎 𝑏
෍ α𝑖 = 0 ෍ β𝑗 = 0
𝑖=1 𝑖=1

𝑎 𝑏

෍ ෍(αβ)𝑖𝑗 = 0
𝑖=1 𝑗=1
 DOE

Hipótesis:

• 𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑 = 0
• 𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑 ≠ 0

• 𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 = 0
• 𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 ≠ 0

• 𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑 𝑥 𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 = 0

• 𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑 𝑥 𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 ≠ 0
 DOE

Hipótesis:

• 𝐻0 : α1 = α2 = ⋯ = α𝑎 = 0
• 𝐻1 : α𝑖 ≠ 0

• 𝐻0 : β1 = β2 = ⋯ = β𝑏 = 0
• 𝐻1 : β𝑗 ≠ 0

• 𝐻0 : (αβ)𝑖𝑗 = 0
• 𝐻1 : (αβ)𝑖𝑗 ≠ 0
 DOE

ANOVA:

FV SC GL CM F

Efecto A SCA a-1 CMA CMA/CME

Efecto B SCB b-1 CMB CMB/CME

Efecto AB SCAB (a-1)(b-a) CMAB CMAB/CME

Error SCError ab(n-1) CME

Total SCTotal abn-1

N=abn
 DOE

Promedio Suma
𝑏 𝑛
𝑌𝑖..
𝑌ത𝑖.. = 𝑌𝑖.. = ෍ ෍ 𝑌𝑖𝑗𝑘
𝑏𝑛
𝑗=1 𝑘=1

𝑛
𝑌𝑖𝑗.
ത
𝑌𝑖𝑗. = 𝑌𝑖𝑗. = ෍ 𝑌𝑖𝑗𝑘
𝑛
𝑘=1

𝑌.𝑗. 𝑎 𝑛
ത
𝑌.𝑗. =
𝑎𝑛 𝑌.𝑗. = ෍ ෍ 𝑌𝑖𝑗𝑘
𝑖=1 𝑘=1
𝑎 𝑏 𝑛
𝑌…
𝑌ത… = 𝑌… = ෍ ෍ ෍ 𝑌𝑖𝑗𝑘
𝑎𝑏𝑛 𝑖=1 𝑗=1 𝑘=1
 DOE

𝑎 𝑎 𝑏
2
𝑌𝑖..2 𝑌...2 𝑌𝑖𝑗. 𝑌...2
𝑆𝐶𝐴 = ෍ − 𝑆𝐶𝐴𝐵 = ෍෍ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐵
𝑏𝑛 𝑁 𝑛 𝑁
𝑖=1 𝑖=1 𝑗=1
𝑏
𝑌.𝑗.2 𝑌...2 𝑎 𝑏 𝑛
𝑆𝐶𝐵 = ෍
𝑎𝑛 𝑁
− 2 𝑌... 2
𝑗=1 𝑆𝐶𝑇= ෍ ෍ ෍ 𝑌𝑖𝑗𝑘 −
𝑁
𝑖=1 𝑗=1 𝑘=1

SCE=SCT-SCA-SCB-SCAB

Criterio de rechazo:
FA>Fα,a-1,ab(n-1)
FB>Fα,b-1,ab(n-1)
FAB>Fα,(a-1)(b-1),ab(n-1)
 DOE

A: Profundidad 𝐴1, 𝐴2, 𝐴3, 𝐴4

B: Velocidad 𝐵1, B2, 𝐵3

Comparación de medias

• 𝐻0 :μ𝐴1 = μ𝐴2 𝐻𝐴 :μ𝐴1 ≠ μ𝐴2 • 𝐻0 :μ𝐵1 = μ𝐵2 𝐻𝐴 :μ𝐵1 ≠ μ𝐵2

• 𝐻0 :μ𝐴1 = μ𝐴3 𝐻𝐴 :μ𝐴1 ≠ μ𝐴3 • 𝐻0 :μ𝐵1 = μ𝐵3 𝐻𝐴 :μ𝐵1 ≠ μ𝐵3
• 𝐻0 :μ𝐴1 = μ𝐴4 𝐻𝐴 :μ𝐴1 ≠ μ𝐴4 • 𝐻0 :μ𝐵2 = μ𝐵3 𝐻𝐴 :μ𝐵2 ≠ μ𝐵3
• 𝐻0 :μ𝐴2 = μ𝐴3 𝐻𝐴 :μ𝐴2 ≠ μ𝐴3
• 𝐻0 :μ𝐴2 = μ𝐴4 𝐻𝐴 :μ𝐴2 ≠ μ𝐴4
• 𝐻0 :μ𝐴3 = μ𝐴4 𝐻𝐴 :μ𝐴3 ≠ μ𝐴4
 DOE

LSD

1 1
𝐿𝑆𝐷𝐴 = 𝑡𝛼,ab(n−1) 𝐶𝑀𝐸 +
2 𝑛𝐴𝑖 𝑛𝐴𝑗
𝑛𝐴𝑖 y 𝑛𝐴𝑖 son el total de observaciones en los niveles i y j del factor A. para el
diseño balanceado son iguales

1 1
𝐿𝑆𝐷𝐵2(𝐴) = 𝑡𝛼,ab(n−1) 𝐶𝑀𝐸 +
2 𝑛 𝑛
• n de replicas de los tratamientos a comparar

• Criterio de rechazo:
𝑌ത𝑖. − 𝑌ത𝑗. > 𝐿𝑆𝐷
 DOE
Levadura

𝐴1 (-1) Bajo 1

𝐴2 (1) Alto 2

𝐴1 (-1) Bajo 1

𝐴2 (1) Alto 2

Temperatura

𝐵1 (-1) Bajo 22

41 + 45 63 + 45 𝐵1 (1) Bajo 22
𝐴2 = = 43 𝐵2 = = 54
2 2 𝐵2 (-1) Alto 30

𝐵2 (1) Alto 30
28 + 63 28 + 41
𝐴1 = = 45.5 𝐵1 = = 34.5
2 2 Leva Temp Ren

𝐴1 𝐵1 28

𝐴2 𝐵1 41

𝐴1 𝐵2 63

𝐴2 𝐵2 45
 DOE

3
3

4
4
2 2

1
1

Leva Temp Ren Leva Temp Ren

1 𝐴1 𝐵1 28 1 𝐴1 𝐵1 28

2 𝐴2 𝐵1 41 2 𝐴2 𝐵1 41

𝐴1 𝐵2 63 𝐴1 𝐵2 63
3 3
𝐴2 𝐵2 45 𝐴2 𝐵2 45
4 4
 DOE

Diseño de 3 factores:

• A, B y C factores cada uno con 2 o mas niveles.

• Los más comunes:

23 − 33 − 4𝑥3𝑥2

2^3
Factores:
1. Presión de inyección
2. Control de RPM
3. Velocidad de inyección
 DOE

P R V %
quemado
1200 0.3 Lento 11
1200 0.3 Rápido 17
1200 0.6 Lento 25
1200 0.6 Rápido 29
1400 0.3 Lento 02
1400 0.3 Rápido 09
1400 0.6 Lento 37
1400 0.6 rápido 40
2^3
1 Factores:
1. Presión de
V inyección
2. Control de RPM
3. Velocidad de
-1 inyección:
1

P R
-1
-1 1
 DOE

Modelo estadístico:
𝑌𝑖𝑗𝑘𝑙 = μ + α𝑖 + β𝑗 + γ𝑘 + (αβ)𝑖𝑗 + (αγ)𝑖𝑘 +(βγ)𝑗𝑘 + (αβγ)𝑖𝑗𝑘 +ε𝑖𝑗𝑘𝑙
i=1,2,…,a j=1,2…,b k=1,2…,c l=1,2…,n

Efectos:
𝑎
𝑏
෍ α𝑖 = 0 ෍ β𝑗 = 0
𝑖=1
𝑖=1

෍ γ𝑘 = 0 Cuales son los otros efectos?

𝑖=1
 DOE

Hipótesis:
• 𝐻0 : Efecto A=0 • 𝐻0 : Efecto AB=0
• 𝐻𝐴 : Efecto A ≠0 • 𝐻𝐴 : Efecto AB ≠0

• 𝐻0 : Efecto B=0 • 𝐻0 : Efecto BC=0

• 𝐻𝐴 : Efecto B≠0 • 𝐻𝐴 : Efecto BC≠0

• 𝐻0 : Efecto C=0 • 𝐻0 : Efecto AC=0

• 𝐻𝐴 : Efecto C≠0 • 𝐻𝐴 : Efecto AC≠0

𝐻0 : Efecto ABC=0
𝐻𝐴 : Efecto ABC≠0
 DOE

ANOVA:
FV SC GL CM F

Efecto A SCA a-1 CMA CMA/CME

Efecto B SCB b-1 CMB CMB/CME

Efecto C SCC C-1 CMC CMC/CME

Efecto AB SCAB (a-1)(b-1) CMAB CMAB/CME

Efecto AC SCAC (a-1)(c-1) CMAB CMAC/CME

Efecto BC SCBC (b-1)(c-1) CMBC CMBC/CME

Efecto ABC SCABC (a-1)(b-1)(c-1) CMABC CMABC/CME

Error SCError abc(n-1) CME

Total SCTotal abcn-1

 DOE

𝑎 2 𝑎 2𝑏
𝑌𝑖... 𝑌….2 𝑌𝑖𝑗.. 𝑌....2
𝑆𝐶𝐴 = ෍ − 𝑆𝐶𝐴𝐵 = ෍෍ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐵
𝑏𝑐𝑛 𝑁 𝑐𝑛 𝑁
𝑖=1 𝑖=1 𝑗=1
𝑏2
𝑌.𝑗.. 𝑌....2 𝑎 𝑐
𝑆𝐶𝐵 = ෍ − 2
𝑌𝑖.𝑘. 𝑌....2
𝑎𝑐𝑛 𝑁
𝑗=1 𝑆𝐶𝐴𝐶 = ෍෍ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐶
𝑏𝑛 𝑁
𝑖=1 𝑘=1
𝑐2 2
𝑌..𝑘. 𝑌..… 𝑏 𝑐
𝑆𝐶𝐶 = ෍ − 2
𝑌.𝑗𝑘. 𝑌....2
𝑎𝑏𝑛 𝑁
𝑘=1 𝑆𝐶𝐵𝐶 = ෍෍ − − 𝑆𝐶𝐵 − 𝑆𝐶𝐶
𝑎𝑛 𝑁
𝑗=1 𝑘=1

𝑎 2 𝑏 𝑐
𝑌𝑖𝑗𝑘. 𝑌....2
𝑆𝐶𝐴𝐵𝐶 = ෍෍෍ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝑐 − 𝑆𝐶𝐴𝐵 − 𝑆𝐶𝐴𝐶 − 𝑆𝐶𝐵𝐶
𝑛 𝑁
𝑖=1 𝑗=1 𝑘=1 𝑎 𝑏 𝑐 𝑛
2 𝑌.… 2
𝑆𝐶𝑇= ෍ ෍ ෍ ෍ 𝑌𝑖𝑗𝑘𝑙 −
𝑁
𝑖=1 𝑗=1 𝑘=1 𝑙=1

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝑐 − 𝑆𝐶𝐴𝐵 − 𝑆𝐶𝐴𝐶 − 𝑆𝐶𝐵𝐶 − 𝑆𝐶𝐴𝐵𝐶

 DOE

Criterio de rechazo:

• 𝐹𝐴 > 𝐹𝛼,𝑎−1,𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐵 > 𝐹𝛼,𝑏−1,𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐶 > 𝐹𝛼,𝑐−1,𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐴𝐵 > 𝐹𝛼,(𝑎−1)(𝑏−1),𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐴𝐶 > 𝐹𝛼,(𝑎−1)(𝑐−1),𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐵𝐶 > 𝐹𝛼,(𝑏−1)(𝑐−1),𝑎𝑏𝑐(𝑛−1)
• 𝐹𝐴𝐵𝐶 > 𝐹𝛼,(𝑎−1)(𝑏−1)(𝑐−1),𝑎𝑏𝑐(𝑛−1)
 DOE

Un holding de empresas considera que

tiene un índice de rotación alto y piensa
Descripción
que es momento de determinar las Factor
Horarios flexibles de
Niveles
Sin horario flexible
A
razones por las cuales renuncian los trabajo Con horario flexible

funcionarios, y así, disminuir el B

Bonificación por
0%
5%
objetivos
indicador. Para esto, realiza un 10%
experimento durante 8 meses, que C
Actividades de
0
Menos de 2 al mes
integración
incluye Más de 2 al mes
3 factores, tal como se presenta a
continuación:
C
B A -1 0 1
Los resultados del experimento son: (la variable de -1 13 17 12
-1
respuesta está dada en porcentaje): 1 11 12 11
-1 14 18 11
0
1 11 11 11
-1 20 11 12
1
1 13 14 13
-1 9 12 11
-1
1 12 12 9
-1 14 17 10
0
1 10 9 11
-1 10 9 17
1
1 12 8 9
 DOE

Transformaciones para estabilizar varianza

Métodos para solucionar la falta de normalidad y varianza homogénea:

1. Análisis no paramétricos que no requieren supuesto de normalidad y varianza
constante
2. Análisis mediante modelos lineales generalizados
3. Hacer análisis sobre respuesta transformada a una escala en la que los supuestos se
cumplan

De acuerdo a lo pronunciada que sea la forma de corneta (residuos vs predichos), se

selecciona la transformación más indicada.

Tipos de transformación:
Transformación logarítmica
Transformación de raíz cuadrada
Transformación angular o arco-seno
 DOE

• α es proporcional a…
• A mayor potencia se requiere una transformación más fuerte para
lograr la igualdad de varianzas
 DOE

Factorial general

• f factores A,B,C…K
• Con niveles a, b, c…k
• f efectos principales
• f(f-1)/2 interacciones dobles
• f(f-1)(f-2)/3x2 interacciones triples

Para m cantidad de factores, el número de interacciones se calcula mediante:

𝑓 𝑓!
= 𝑚! 𝑓−𝑚 !
𝑚
 DOE

Ejemplo:

• 25 : 32 tratamientos (2x2x2x2x2)
• 35 : 243 tratamientos (3x3x3x3x3)

• Para 25 :
Efectos principales: 5
Interacciones dobles: 10
Interacciones triples: 10
Interacciones cuádruples: 5
Interacción quíntuple: 1

CUANTOS EFECTOS EN TOTAL PARA 25 ?

 DOE

Efectos principales, dobles, triples, cuádruples y quíntuples

• 1. A-B-C-D-E
• 2. AB-AC-AD-AE-BC-BD-BE-CD-CE-DE
• 3. ABC-ACD-ADE-BCD-BCE-CDE-BDE-ABD-ABE-ACE
• 4. ABCD-ACDE-BCDE-ABDE-ABCE
• 5. ABCDE
 DOE

Cálculo de la cantidad de efectos:

5 5! Principales
• =
1 1!4!
5 5! Dobles
• =
2 2!3!
5 5!
• = Triples
3 3!2!
5 5!
• = Cuádruples
4 4!1!
5 5!
• = Quíntuples
5 5!0!
 DOE

ANOVA
 DOE

Modelo de efectos aleatorios

• Modelo de efectos fijos?....todos los niveles se tratan, por eso se habla de

efectos fijos…con factores fijos las conclusiones obtenidas aplican solo para los
niveles de prueba que se están estudiando

• Efectos aleatorios?... De 200 herramientas que se tienen se seleccionan 25 al

azar, pero las conclusiones que se obtienen son validas para las 200…

• En este caso lo que se mide es la varianza con la que el factor aleatorio

contribuye a la variación total.
 DOE

Efectos aleatorios

• Factor aleatorio A: a niveles

• Factor aleatorio B: b niveles
• Los niveles de ambos seleccionados aleatoriamente
• Replicas: n

Modelo: No se analiza la media

𝑌𝑖𝑗𝑘 = μ + α𝑖 + β𝑗 + (αβ)𝑖𝑗 +ε𝑖𝑗𝑘 sino la varianza de
i=1,2,…,a j=1,2…,b k=1,2…,n α𝑖 , β𝑗 , (αβ)𝑖𝑗 , ε𝑖𝑗𝑘
 DOE

Var(𝑌𝑖𝑗𝑘 ) = σ2 α + σ2 β + (σ2 )αβ +σ2

𝐻0 : σ2 α =0 E(CMA) = σ2 + 𝑛(σ2 )αβ + 𝑏𝑛σ2

α
𝐻𝐴 : σ2 α >0

σ2
𝐻0 : β =0 E(CMB) = σ2 + 𝑛(σ2 )αβ + 𝑎𝑛σ2
β
𝐻𝐴 : σ2 β >0

E(CMAB) = σ2 + 𝑛(σ2 )αβ

𝐻0 : σ2 αβ =0
𝐻𝐴 : σ2 αβ >0 E(CME) = σ2
 DOE

𝐶𝑀𝐴 𝐶𝑀𝐵 𝐶𝑀𝐴𝐵

𝐹𝐴 = 𝐹𝐵 = 𝐹𝐴𝐵 =
𝐶𝑀𝐴𝐵 𝐶𝑀𝐴𝐵 𝐶𝑀𝐸

Objetivo: reducir la varianza

 DOE

Efectos mixtos:
• Fijo + aleatorio
• Fijo= ciudad
• Aleatorio= arboles en la ciudad

Modelo:
Si el factor A es aleatorio y el Factor B es fijo

Var(𝑌𝑖𝑗𝑘 ) = σ2 α + (σ2 )αβ +σ2

Para el factor A: Para el factor B:

𝐻0 : σ2 α =0 𝐻0 : Efecto B=0
𝐻𝑜 : σ2 αβ =0
 DOE

𝐶𝑀𝐴 𝐶𝑀𝐵 𝐶𝑀𝐴𝐵

𝐹𝐴 = 𝐹𝐵 = 𝐹𝐴𝐵 =
𝐶𝑀𝐸 𝐶𝑀𝐴𝐵 𝐶𝑀𝐸

Componentes de varianza:

ෝ2 =CME
σ

CMAB−CME
(σ2 )αβ =
𝑛

CMA−CM𝐸
(σ2 )α =
𝑏𝑛
 DOE

Bibliografía

• Gutierrez Humberto .Análisis y diseño de experimentos.