Fundación Universitaria Tecnológico Comfenalco

Ensayo sobre Diseño Factorial

Integrantes:

Dayaris Navarro de la Barrera

Daniela Barcos Mattos
Leonardo Torres Palma

Profesora:

Ana Púa

Programa:

Ingeniería Industrial

Semestre:

VIII

Sección:

Año:

2022-2

Cartagena de Indias – Bolívar

COLOMBIA
 1. DESARROLLO
1.1. Concepto

El diseño factorial, como estructura de investigación, es la combinación de dos o

más diseños simples (o unifactoriales); es decir, el diseño factorial requiere la
manipulación simultánea de dos o más variables independientes (llamados
factores), en un mismo experimento.

1.2. Criterios de Clasificación

- Cantidad de niveles
- Criterios Cantidad de combinaciones
- Tipo de control
1.3. Clasificación del diseño factorial por criterio

a) Según la cantidad de niveles o valores por factor, el diseño factorial se

clasifica en:

- Cantidad constante: La notación del diseño es más sencilla cuando la

cantidad de niveles por factor es igual (es decir, constante). Así, el diseño
factorial de dos factores a dos niveles se representa por 2², el de tres factores
por 23, etc. En términos generales, los diseños a dos niveles y con k factores
se representan por 2k; a tres niveles, por 3k; a cuatro niveles por 4k, etc.

- Cantidad variable: Cuando los factores actúan a más de dos niveles (es
decir, cuando la cantidad de valores por factor es variable), el diseño se
representa por 2 x 3, 2 x 3 x 4, etc. A su vez, cabe considerar la posibilidad
que, tanto en un caso como en otro, el diseño sea balanceado
(proporcionado) o no balanceado (no proporcionado); es decir, diseños con
igual cantidad de sujetos por casilla y diseños con desigual cantidad de
sujetos por casilla.

b) El segundo criterio hace hincapié en la cantidad de combinaciones de

tratamiento realizadas o ejecutadas. Con base a este criterio, el diseño
factorial se clasifican en:

- Diseño factorial completo: Si el diseño factorial es completo, se realizan

todas las posibles combinaciones entre los valores de las variables. Así, cada
combinación de tratamientos determina un grupo experimental (grupo de
tratamiento o casilla). Por ejemplo, el diseño factorial completo 2×2 determina
cuatro grupos de tratamiento; un diseño 3×3 nueve grupos, etc.
- Diseño factorial incompleto y fraccionado: Asumiendo que sólo se ejecute
una parte del total de las combinaciones, el diseño factorial es incompleto o
fraccionado, según el procedimiento seguido.

c) En función del control de variables extrañas.

- Diseño factorial completamente al azar: Según el control de los factores

extraños y la reducción de la variancia del error, el diseño factorial puede ser,
en primer lugar, completamente al azar; es decir, aquel formato donde sólo
se aplica el azar como técnica de control y donde los grupos se forman
mediante la asignación aleatoria de los sujetos.

- Diseño factorial de bloques aleatorizado: En segundo lugar, el diseño

factorial de bloques aleatorizados permite el control de una variable extraña.
Según esa estrategia, cada bloque es una réplica completa del experimento,
y los grupos entra bloque (dentro de cada bloque) se forman al azar.

- Diseño factorial de Cuadrado Latino: Siguiendo con el criterio de bloques,

el diseño factorial de Cuadrado Latino o de doble sistema de bloques controla
dos fuentes de variación extrañas, aunque sólo se realiza una parte del total
de combinaciones.

- Diseño factorial jerárquico o anidado: El diseño factorial jerárquico o

anidado requiere la manipulación experimental de la variable y, al mismo
tiempo, la anidación (o inclusión) de una variable dentro de las
combinaciones de tratamientos de los factores.

- Diseño factorial de medidas repetidas: Por último, el diseño factorial de

medidas repetidas incorpora la técnica intra-sujeto; es decir, el sujeto actúa
de control propio y recibe todas las combinaciones de tratamiento generados
por la estructura factorial.

1.4. Diseño factorial al azar 2x2

A1B1 A1B1

A2B1 A2B2
Caso paramétrico. Ejemplo 1

Se pretende probar, en una situación de aprendizaje discriminante animal, si la

magnitud del incentivo (variable incentiva) actúa según el aprendizaje sea simple o
complejo (variable dificultad de aprendizaje o variable tarea). En esta hipótesis se
afirma que, a mayor incentivo, más acusada es la diferencia entre las dos tareas
(simple o compleja).

Para ello, se registra la cantidad de discriminaciones correctas (variable

dependiente) en función de un criterio general de aprendizaje, que asume como
suficientes 15 ensayos. Se toma, como medida de la variable dependiente o de
respuesta, la cantidad de respuestas correctas, para un máximo de 15, bajo el
supuesto de que cada discriminación correcta tiene la misma dificultad de
aprendizaje.

Para probar la hipótesis propuesta se asignan 32 sujetos, de una muestra

experimental, a las combinaciones de tratamientos o casillas (ocho sujetos por
casilla), de forma totalmente aleatoria.

1.4.1 Modelo de prueba de hipótesis

Paso 1. Según la estructura del diseño son estimables tres efectos. Por esa razón,
se plantean tres hipótesis de nulidad relativas a la variable A, variable B e
interacción:
𝐻0: 𝑎1 = 𝑎2 = 0
𝐻0: ß1 = ß2 = 0
𝐻0: (𝑎ß)11 = (𝑎ß)12 = (𝑎ß)21 = (𝑎ß)22 = 0

Paso 2. Por hipótesis experimental, se espera que los efectos principales y el de la

interacción sean significativos. Estas hipótesis se representan, al nivel estadístico,
por
𝐻1: 𝑎1 ? 𝑎2, 𝑜 𝑛𝑜 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑎 𝑠𝑜𝑛 𝑐𝑒𝑟𝑜
𝐻1: ß1 ? ß2, 𝑜 𝑛𝑜 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 ß 𝑠𝑜𝑛 𝑐𝑒𝑟𝑜
𝐻1: (𝑎ß)11 ? (𝑎ß)12 ? (𝑎ß)21 ? (𝑎ß)22, 𝑜 𝑛𝑜 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑎ß 𝑠𝑜𝑛 𝑐𝑒𝑟𝑜.

Paso 3. El estadístico de la prueba es la F de Snedecor, con un a de 0.05, para las

tres hipótesis de nulidad. El tamaño de la muestra experimental es N = 32 y el de
las submuestras n = 8.
Paso 4. Cálculo del valor empírico de las razones F. Para ello, se toma la matriz de
datos del experimento.

DISEÑO FACTORIAL 2X2

A1B1 A1B2 A2B1 A2B2
10 4 7 8
9 3 9 6
4 4 10 9
8 5 8 9
8 2 10 8
4 3 9 7
3 4 10 7
6 2 7 6
TOTAL: 52 TOTAL: 27 TOTAL: 70 TOTAL: 60
MEDIA: 6.5 MEDIA: 3.375 MEDIA: 8.75 MEDIA: 7.5

TOTALES: 209

MEDIAS: 6.53

1.4.2 Modelo estructural del Anova

𝑌𝑖𝑗𝑘 = µ + 𝑎𝑗 + (𝑎ß)𝑗𝑘 + 𝑒𝑖𝑗𝑘

1.4.3 Especificación del modelo

𝑌𝑖𝑗𝑘
= 𝑙𝑎 𝑝𝑢𝑛𝑡𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑖 𝑠𝑢𝑗𝑒𝑡𝑜 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑗 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 𝑦 𝑒𝑙 𝑘 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵.

µ = 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑐𝑜𝑚ú𝑛 𝑎 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒𝑙 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜.

𝑎𝑗 = 𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑜 𝑖𝑚𝑝𝑎𝑐𝑡𝑜 𝑑𝑒𝑙 𝑗 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝐴.

ß𝑘 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑘 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝐵.

(𝑎ß)𝑗𝑘 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙 𝑗 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐴 𝑦 𝑒𝑙 𝑘 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐵.

𝑒𝑖𝑗𝑘 = 𝑒𝑟𝑟𝑜𝑟 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 𝑜 𝑒𝑓𝑒𝑐𝑡𝑜 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑒𝑜

1.4.4 Descomposición polietápica de las Sumas de cuadrados

SC total:

- SC entre-grupos: SCA. SCB, SCAB

- SC intra-grupos: SCS/AB

1.4.5 Tabla de ANOVA (Resumen) Primera Etapa

F.V Suma de Grados de Cuadrados F p

Cuadrados libertad Medios
Entre G 126.59 ab-1=3 42.19 15.28 <0.05

Entre G(E) 77.38 ab(n-1)=28 2.76

TOTAL (T) 203.97 abn-1=31
F0.95(3/28)=2.95

1.4.6 Inferencia del primer análisis

Del primer análisis se concluye que los grupos de tratamiento o experimentales

difieren significativamente entre sí; la probabilidad de que un valor F de 15.28 ocurra
al azar es menor que el riesgo asumido (a = 0.05).

En consecuencia, se procede a determinar las causas de esa significación. Nótese

que este análisis no obedece a ningún propósito de investigación, ya que sólo sirve
para detectar si, en términos globales, hay o no diferencia entre los grupos. De
hecho, es como si se hubiera aplicado un modelo uni-factorial de la variancia.
1.4.7 Gráfico de interacción

1.4.8 Ventajas del diseño factorial

Se ha descrito, a lo largo de ese tema, los conceptos básicos del diseño factorial o
estructura donde se manipulan, dentro de una misma situación experimental, dos o
más variables independientes (o factores). En aras a una mejor exposición del
modelo se ha descrito, básicamente, el diseño bifactorial a dos niveles, dentro del
contexto de grupos completamente al azar.
 2. CONCLUSIONES

Con el estudio previo se puede concluir que, el método de diseño de experimentos

factorial es de gran utilidad para cualquier proceso de ingeniería industrial, tanto en
la fase de desarrollo como para la mejora del proceso ya en marcha. Dicho método
elimina la necesidad de un estudio de prueba y error, permitiendo la adaptación de
los procesos y la optimización de sus condiciones. Este es una herramienta que
ofrece de forma clara y sencilla soluciones en el diseño de experimentos, ahorrando
tiempo y recursos, así como proporcionando al experimento validez, precisión y
eficacia.

3. BIBLIOGRAFIA

https://www.monografias.com/docs115/introduccion-al-diseno-
factorial/introduccion-al-diseno-factorial2