UNIVERSIDAD TÉCNICA DE AMBATO

FACULTAD DE CIENCIAS E INGENIERÍA EN ALIMENTOS Y BIOTECNOLOGÍA

DATOS INFORMATIVOS.

Carrera: Alimentos                                                 

Asignatura: Diseño Experimental

Docente: Ing. Manuel Guanoquiza   Fecha de presentación: 13/07/2023

TNivel: Cuarto Semestre Paralelo: A    

Tema: Ape número 2 y 3

Integrantes:

- Damiano Paredes
- Salomé Navas
- Raquel Torres
- Bryan Chiluiza
- Isabel Morales
- Gabriel Camino
I. Tema:
Informe guía Ape Diseño Factorial 22 / 23 / 33
II. Introducción:

En la búsqueda de la optimización de procesos y la comprensión de las

interacciones entre distintos factores, el diseño factorial se ha convertido en una
herramienta invaluable en el campo de la investigación y la experimentación. Los
diseños factoriales permiten evaluar el efecto combinado de múltiples variables
independientes en una respuesta o variable dependiente de interés. Estos diseños son
especialmente útiles para determinar la importancia relativa de cada factor y su
interacción en el resultado final (Huerta, 2017).

En este informe, nos enfocaremos en tres tipos comunes de diseños factoriales: el

diseño factorial 2^2, el diseño factorial 2^3 y el diseño factorial 3^3. Estos números
representan el número de niveles o categorías que pueden tomar los factores en cada
diseño. El diseño factorial 2^2 implica dos factores, cada uno con dos niveles posibles.
 El diseño factorial 2^3 involucra dos factores con dos niveles y un tercer factor con
tres niveles. Por último, el diseño factorial 3^3 incluye tres factores, cada uno con tres
niveles. Según Zubcoff (2012), la ventaja de estos diseños radica en su capacidad para
evaluar de manera simultánea el efecto principal de cada factor, así como las
interacciones entre ellos. Esto proporciona una comprensión más profunda de cómo
los factores individuales y sus combinaciones afectan la variable dependiente.
Además, los diseños factoriales permiten un uso más eficiente de los recursos, ya que
se pueden obtener más información con menos experimentos en comparación con los
diseños de un solo factor.

III. Objetivos:
Objetivo General
Analizar la diferencia significativa de los factores y niveles que presentan los
tratamientos mediante una tabla ANOVA de un diseño factorial 22, 23 y 33 para
aceptar o rechazar la hipótesis nula.
Objetivos específicos
• Identificar en qué se diferencia el diseño 2^n del 3^n en cuanto a sus
niveles y factores
• Determinar si existen diferencias significativas entre los factores y niveles
de los tratamientos utilizando una tabla ANOVA en un diseño factorial
2^2, 2^3 y 3^3, con el fin de aceptar o rechazar la hipótesis nula.

Ejercicos :

- Ejercicio 22

'Interesa estudiar el efecto del tamaño de broca siendo el factor A y de la velocidad

siendo el factor B sobre la vibración de una ranuradora siendo la respuesta Y. Para
ello, se decide utilizar un diseño factorial 22 con cuatro réplicas. El tamaño de la broca
se prueba en 1/16 y en 1/8 de pulgada y la velocidad en 40 y 90 revoluciones por
segundo. '

BROCA VELOCIDAD VIBRACIONES

1/16 40 18.2 18.9 12.9 14.4
1/8 40 27.2 24 22.4 22.5
1/16 90 15.9 14.5 15.1 14.2
 1/8 90 41 43.9 36.3 39.9

Modelo matemático

𝑌𝑖𝑗𝑙 = 𝜇 + 𝐴𝑖 + 𝐵𝑗 + 𝐴𝐵𝑖𝑗 + 𝑅𝑙 + 𝜀𝑖𝑗𝑙

Hipótesis

𝐻𝑜: 𝐴𝐵𝑖𝑗 = 0 𝐻𝑜 : 𝐴 𝑖 = 0 𝑎𝑜 = 𝑎1 𝐻𝑜: 𝐵𝑗 = 0 𝑏0 = 𝑏1

𝐻1: 𝐴𝐵𝑖𝑗 ≠ 0 𝐻1 : 𝐴 𝑖 ≠ 0 𝑎𝑜 ≠ 𝑎1 𝐻1: 𝐵𝑗 ≠ 0 𝑏0 ≠ 𝑏1

Solución por método de YATES

R1 R2 R3 R4 𝑌𝑖𝑗 Ŷij
𝑎𝑜𝑏0 1 18,2 18,9 12,9 14,4 64,4 16,1
𝑎𝑜𝑏1 b 15,9 14,5 15,1 14,2 59,7 14,925
𝑎1𝑏0 a 27,2 24 22,4 22,5 96,1 24,025
𝑎1𝑏1 ab 41 43,9 36,3 39,9 161,1 40,275
102,3 101,3 86,7 91 381,3

I [ET]
𝑎𝑜𝑏0 1 124,1 381,3
𝑎𝑜𝑏1 b 257,2 60,3
𝑎1𝑏0 a -47 133,1
𝑎1𝑏1 ab 65 69,7

Método por coeficientes

1 b a ab [ET]
1 -64,4 -59,7 -96,1 -161,1 -381,3
1 +64,4 +59,7 +96,1 +161,1 +381,3
b -64,4 +59,7 -96,1 +161,1 +60,3
a -64,4 -59,7 +96,1 +161,1 +133,1
ab +64,4 -59,7 -96,1 +161,1 +69,7

Suma de cuadrados totales

𝑌2
𝑆𝐶𝑇 = Σ𝑖 Σ𝑗 Σ𝑙 𝑌 2
𝑖𝑗𝑙
2𝑛 ∗ 𝑅
 (381.3)2
𝑆𝐶𝑇 = (10796.69)
22 ∗ 4

𝑆𝐶𝑇 = 1709.83

Suma de cuadrados de los tratamientos

1 𝑌2
𝑆𝐶𝑇𝑟 = Σ𝑖 Σ𝑗 Σ𝑙 𝑌 𝑖𝑗𝑙 𝑛
2
𝑅 2 ∗𝑅

1 (381.3)2
𝑆𝐶𝑇𝑟 = (42899.87) 2
4 2 ∗4

𝑆𝐶𝑇𝑟 = 1638.11

Suma de cuadrados de las replicas

1 𝑌2
𝑆𝐶𝑅 = Σ𝑙 𝑌2 𝑙
2𝑛 2𝑛 ∗ 𝑅

1 (381.3)2
𝑆𝐶𝑅 = (36524.87)
22 22 ∗ 4

𝑆𝐶𝑅 = 44.36

Suma de cuadrado del error

SCE= SCT- SCTr – SCR

SCE= 1709.83- 1638.11 – 44.36

SCE= 27.359

Suma de cuadrados del factor A

[𝐸𝑇 2 ]
𝑆𝐶𝐴 =
2𝑛 ∗ 𝑅

(133.31)2
𝑆𝐶𝐴 =
22 ∗ 4

𝑆𝐶𝐴 = 1107.22

Suma de cuadrados del factor B

[𝐸𝑇 2 ]
𝑆𝐶𝐵 =
2𝑛 ∗ 𝑅
 (60.3)2
𝑆𝐶𝐵 =
22 ∗ 4

𝑆𝐶𝐵 = 227.25

Suma de cuadrados de la interacción AB

[𝐸𝑇 2 ]
𝑆𝐶𝐴𝐵 = 𝑛
2 ∗𝑅

(69.7)2
𝑆𝐶𝐴𝐵 = 2
2 ∗4

𝑆𝐶𝐴𝐵 = 303.63

TABLA ANOVA

Fuente de Suma de Grado de Cuadrado Razón de F de tabla

variabilidad cuadrados libertad medio varianza
Réplicas 44.36 1 44.36 19.46 4.74
Factor A 1107.22 1 1107.22 485.83 4.74
Tamaño de broca
Factor B 227.25 1 227.25 99.71 4.74
Velocidad
Factor AB 303.63 1 303.63 133.22 4.74
Error 27.359 12 2.279 -- --
Total 1709.83 15 -- -- --

• Suma de cuadrados totales

• Para un 95% de nivel de confianza se rechaza la Ho, por lo tanto, hay diferencia
significativa entre las réplicas.
• Para un 95% de nivel de confianza se rechaza la Ho, por lo tanto, hay diferencia
significativa entre los tamaños de broca.
• Para un 95% de nivel de confianza se rechaza lo Ho, por lo tanto, hay diferencia
significativa entre las velocidades.
• Suma de cuadrados de tratamientos.

Pruebas de comparación
 Prueba de Tukey

𝐶𝑀𝐸
|Ӯj − Ӯj| > 𝑞𝑚𝑎𝑥, α k (n-1) √
𝑛

5.977
• Suma de cuadrados de las réplicas √
8

|Ӯj − Ӯj| > 2.66

FACTOR A

𝐴0 = 124.1 / 8 = 15.51

• Suma de cuadrados del error

𝐀 𝟎 = 𝟏𝟓. 𝟓𝟏 𝐀 𝟏 = 𝟑𝟐. 𝟏𝟓 Conclusión Tukey

𝐀 𝟎 = 𝟏𝟓. 𝟓𝟏 -- 16.64 > 2.66
𝐀 𝟏 = 𝟑𝟐. 𝟏𝟓 -- --

Conclusión: Si hay diferencia significativa en los niveles del factor A, es decir entre los
tamaños de broca.

FACTOR B

𝐵0 = 160.5 / 8 = 20.06

𝐵1 = 220.8 / 8 = 27.6

𝐁𝟎 = 𝟐𝟎. 𝟎𝟔 𝐁𝟏 = 𝟐𝟕. 𝟔 Conclusión Tukey

𝐁𝟎 = 𝟐𝟎. 𝟎𝟔 -- 7.54 > 2.66
𝐁𝟏 = 𝟐𝟕. 𝟔 -- --

Conclusión: Si hay diferencia significativa en los niveles del factor B, que corresponde
a la velocidad.

FACTOR DE LA INTERACCION AB

Prueba de Tukey

𝐶𝑀𝐸
|Ӯj − Ӯj| >Tα qα (k, N-k) √
𝑛
 5.977
|Ӯj − Ӯj| > 4.20 √
4

|Ӯj − Ӯj| > 5.13

𝐀 𝟎 𝐁𝟏 =14.92 𝐀𝟎 𝐁𝟎 =16.10 𝐀 𝟏 𝐁𝟎 = 𝟐𝟒. 𝟎𝟐 𝐀 𝟏 𝐁𝟏 = 𝟒𝟎. 𝟐𝟕 Tukey

𝐀 𝟎 𝐁𝟏 =14.92 -- 1.18 9.1 25.35 5.13

𝐀 𝟎 𝐁𝟎 =16.10 -- -- 7.92 24.17 5.13
𝐀 𝟏 𝐁𝟎 = 𝟐𝟒. 𝟎𝟐 -- -- -- 16.25 5.13
𝐀 𝟏 𝐁𝟏 = 𝟒𝟎. 𝟐𝟕 -- -- -- --

Conclusión: Si hay diferencia significativa en cinco interacciones entre el factor A y el

factor B, por lo cual si existe un efecto en los tratamientos.

- Ejercicio 23

En un cultivo de maracuyá se realizó un experimento acerca de las aplicaciones de

plaguicidas, realizando el diseño factorial 2 3 para ello se observó la respuesta
experimental del estudio del rendimiento y además se realizó 3 réplicas, teniendo en
cuenta que el nivel de confianza es del 95%. Establecer el mejor tratamiento

r1 r2 r3 yijk
a0b0c0 1 22 31 25 78
a1b0c0 a 32 43 29 104
a0b1c0 b 35 34 50 119
a1b1c0 ab 55 47 46 148
a0b0c1 c 44 45 38 127
a1b0c1 cb 40 37 36 113
a0b1c1 ca 60 50 54 164
a1b1c1 abc 39 41 47 127
y..i 327 328 325 980

Diseño Factorial 𝟐𝒏
1. Modelo Matemático

𝒀𝒊𝒋𝒌𝒍 = 𝜇 + 𝐴𝑖 + 𝐵𝑗 + 𝐶𝑘 + 𝐴𝐵𝑖𝑗 + 𝐴𝐶𝑖𝑘 + 𝐵𝐶𝑗𝑘 + 𝐴𝐵𝐶𝑖𝑗𝑘 + 𝑅𝑙 + 𝜀𝑖𝑗𝑘𝑙

𝜺𝒊𝒋𝑲 : Error.

2. Hipótesis

Hipótesis para A Hipótesis para B Hipótesis para C

𝑯𝟎 = 𝐴𝑖 = 0 𝑯𝟎 = 𝐵𝑗 = 0 𝑯𝟎 = 𝐶𝑘 = 0

𝑯𝟏 = 𝐴𝑖 ≠ 0 𝑯𝟏 = 𝐵𝑗 ≠ 0 𝑯𝟏 = 𝐶𝑘 ≠ 0

Hipótesis para AB Hipótesis para AC Hipótesis para BC

𝑯𝟎 = 𝐴𝐵𝑖𝑗 = 0 𝑯𝟎 = 𝐴𝐶𝑖𝑘 = 0 𝑯𝟎 = 𝐵𝐶𝑗𝑘 = 0

𝑯𝟏 = 𝐴𝐵𝑖𝑗 ≠ 0 𝑯𝟏 = 𝐴𝐶𝑖𝑘 ≠ 0 𝑯𝟏 = 𝐵𝐶𝑗𝑘 ≠ 0

 Método de Yate

r1 r2 r3 yijk Y I II
a0b0c0 1 22 31 25 78 26 182 449 980
a1b0c0 a 32 43 29 104 34,6666667 267 531 4
a0b1c0 b 35 34 50 119 39,6666667 240 55 136
a1b1c0 ab 55 47 46 148 49,3333333 291 -51 -20
a0b0c1 c 44 45 38 127 42,3333333 26 85 82
a1b0c1 cb 40 37 36 113 37,6666667 29 51 -106
a0b1c1 ca 60 50 54 164 54,6666667 -14 3 -34
a1b1c1 abc 39 41 47 127 42,3333333 -37 -23 -26
• Suma de cuadrados totales

2 𝑌... 2
𝑺𝑪𝑻 = ∑𝒊 ∑𝑗 ∑𝑘 ∑𝑙 𝑌𝑖𝑗𝑘𝑙 − 𝑛
2 ∗𝑅

𝐒𝐂𝐓 = 42112 − 40016,6667

𝐒𝐂𝐓 = 2095,333333

• Suma de cuadrados de tratamientos

∑𝒊 ∑𝑗 ∑𝑘 𝑌𝑖𝑗𝑘 2 𝑌... 2
𝑺𝑪𝑻𝒓 = − 𝑛
𝑅 2 ∗𝑅

𝐒𝐂𝐓𝐫 = 41629,33333 − 40016,66667

𝐒𝐂𝐓𝐫 = 1612,666667

• Suma de cuadrados de las réplicas

∑𝒊 ∑𝑗 ∑𝑘 𝑌𝑖𝑗𝑘 2 𝑌... 2
𝑺𝑪𝑻𝒓 = − 𝑛
𝑅 2 ∗𝑅

𝐒𝐂𝐑 = 320138 − 40017,25

𝐒𝐂𝐑 = 0,583333333

• Suma de cuadrados del error

𝑺𝑪𝑬 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑟 − 𝑆𝐶𝑅

𝐒𝐂𝐄 = 482,0833333

Suma de cuadrados de A
[𝑬𝑻]𝟐
𝐒𝐂(𝐀) =
𝟐𝒏 × 𝑹

[𝟒]𝟐
𝐒𝐂(𝐀) =
23 × 3

𝐒𝐂(𝐀) = 𝟎, 𝟔𝟔
Suma de cuadrados B
[136]2
𝐒𝐂(𝐁) = 3
2 ×3

𝐒𝐂(𝐁) = 𝟕𝟕𝟎, 𝟔𝟔

Sumas de cuadrados de AB
[−20]2
𝐒𝐂(𝐀𝐁) =
23 × 3

𝐒𝐂(𝐀𝐁) = 𝟏𝟔, 𝟔𝟔

Suma de cuadrados de C
[82]2
𝐒𝐂(𝐂) =
23 × 3

𝐒𝐂(𝐂) = 𝟐𝟖𝟎, 𝟏𝟔

Suma de cuadrados de AC
[−34]2
𝐒𝐂(𝐀𝐂) = 3
2 ×3

𝐒𝐂(𝐀𝐂) = 𝟒𝟖, 𝟏𝟔

Suma de cuadrados de BC
[−106]2
𝐒𝐂(𝐁𝐂) =
23 × 3

𝐒𝐂(𝐁𝐂) = 𝟒𝟔𝟖, 𝟏𝟔

Suma de cuadrados de ABC

[−26]2
𝐒𝐂(𝐀𝐁𝐂) = 3
2 ×3

𝐒𝐂(𝐀𝐁𝐂) = 𝟐𝟖, 𝟏𝟔
 FV gl SC CM RV RV
R 2 0,58333 0,29 0,00000009 3,63
A 1 𝟎, 𝟔𝟔 𝟎, 𝟔𝟔 0,021 4.49
B 1 𝟕𝟕𝟎, 𝟔𝟔 𝟕𝟕𝟎, 𝟔𝟔 25,57 4.49
AB 1 𝟏𝟔, 𝟔𝟔 𝟏𝟔, 𝟔𝟔 0,55 4.49
C 1 𝟐𝟖𝟎, 𝟏𝟔 𝟐𝟖𝟎, 𝟏𝟔 9,29 4.49
AC 1 𝟒𝟖, 𝟏𝟔 𝟒𝟖, 𝟏𝟔 1,59 4.49
BC 1 𝟒𝟔𝟖, 𝟏𝟔 𝟒𝟔𝟖, 𝟏𝟔 16,20 4.49
ABC 1 𝟐𝟖, 𝟏𝟔 𝟐𝟖, 𝟏𝟔 0,93 4.49
E 16 482,0833333 30,13 - -
T 23 2095,333333 - - -
Fuente: Elaboración propia

Gráficos de conclusiones

-Réplicas

Conclusión: A un nivel de confianza

del 95% se acepta la hipótesis nula, por
ende, no existe una diferencia
significativa en las réplicas.

Conclusión: A un nivel de confianza

del 95% se acepta la hipótesis nula, por
ende, no existe una diferencia
significativa.
B

Conclusión: A un nivel de confianza

del 95% se rechaza la hipótesis nula,
por ende, existe una diferencia
significativa

AB

Conclusión: A un nivel de confianza

del 95% se acepta la hipótesis nula, por
ende, existe una diferencia significativa

Conclusión: A un nivel de confianza

del 95% se acepta la hipótesis nula, por
ende, existe una diferencia
significativa.
AC Conclusión: A un nivel de confianza
del 95% se acepta la hipótesis nula, por
ende, no existe una diferencia
significativa.

BC

Conclusión: A un nivel de confianza

del 95% se rechaza la hipótesis nula,
por ende, si existe una diferencia
significativa.

ABC

Conclusión: A un nivel de confianza

del 95% se acepta la hipótesis nula, por
ende, no existe una diferencia
significativa.
• Gráficos de medias

Tabla 10. Interacción del factor A y el factor B.

Factor A/ Factor B Factor B 𝒀𝒊... ̅ .𝒊..

𝒀
𝒃𝟎 𝒃𝟏
Factor A 𝒂𝟎 205 283 488 40,66
𝒂𝟏 217 275 492 41
𝒀𝒊... 422 558 980
̅ .𝒊..
𝒀 35,16 46,5
Fuente: Elaboración propia

Título del gráfico

50

45

40

35

30

25

20

15

10

0
0 0,5 1 1,5 2 2,5

Tabla 11. Interacción del factor B y el factor C.

Factor B/ Factor C Factor C 𝒀..𝒌 ̅ ..𝒌

𝒀
𝒄𝟎 𝒄𝟏
Factor B 𝒃𝟎 182 240 422 35,16
𝒃𝟏 267 291 558 46,5
𝒀..𝒌 449 531 980
̅ ..𝒌
𝒀 37,41 44,25
Fuente: Elaboración propia.
 Título del gráfico
50
45
40
35
30
25
20
15
10
5
0
0 0,5 1 1,5 2 2,5

Tabla 12. Interacción del factor A y el factor C.

Factor A/ Factor C Factor C 𝒀..𝒌 ̅ ..𝒌

𝒀
𝒄𝟎 𝒄𝟏
Factor A 𝒂𝟎 197 291 488 40,66
𝒂𝟏 252 240 492 41
𝒀..𝒌 449 531 980
̅ ..𝒌
𝒀 37,41 44,25

45

44

43

42

41

40

39

38

37
0 0,5 1 1,5 2 2,5
Diferencia Mínima Significativa (DMS) para B

2𝐶𝑀𝐴𝐶
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐶𝐴

2(280,82)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
6

̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 20,52

𝒃𝟎 𝒃𝟏
35,16 45,33
𝒃𝟎 35,16 10,17
𝒃𝟏 45,33

Diferencia Mínima Significativa (DMS) para C

2𝐶𝑀𝐴𝐵
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐵𝐴

2(770,67)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
6

̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 33,97

𝑪𝟎 𝑪𝟏
37,41 44,25
𝑪𝟎 37,41 6,84
𝑪𝟏 44,25
Diferencia Mínima Significativa (DMS) para BA

2𝐶𝑀𝐴
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐴

2(0,66)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
3

̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 1,40

. Diferencia de medias de los tratamientos de la interacción CB

𝐶0 𝑏0 𝐶1 𝑏0 𝐶0 𝑏1 𝐶1 𝑏1
30,33 40 44,5 48,5
𝐶0 𝑏0 30,33 - 9,67 14,17 18,17
𝐶1 𝑏0 40 - - 4,5 8,5
𝐶0 𝑏1 44,5 - - - 4
𝐶1 𝑏1 48,5 - - - -
Conclusión: Los tratamientos CB, presentan mayor diferencia significativa; porque tiene
la mayor cantidad de medias siendo un valor obtenido mayor que el valor obtenido en la
prueba DMS.
 - Ejercicio 33
-
IV. Conclusiones:

• A partir de lo expuesto anteriormente, analizamos que al usar diseño factorial 22, 23 y

33, se analizan los efectos principales y las interacciones entre los factores para
determinar si hay diferencias significativas entre los tratamientos. Se utilizan criterios
estadísticos como el valor p y el estadístico F para aceptar o rechazar la hipótesis nula.
Si se rechaza la hipótesis nula, se concluye que hay al menos una diferencia
significativa entre las medias y se procede a realizar pruebas post hoc para determinar
cuáles son las diferencias significativas entre los tratamientos.

• La diferencia principal de los dos diseños es en la cantidad de niveles que pueden

tomar los factores . En el caso de 2^n, los factores tienen dos niveles, por otro lado
en 3^n, los factores tienen tres niveles. Además los dos diseños son usados pars
trabajar múltiples factores al momento de hacer una investigación.
• A través del análisis ANOVA en los diseños factoriales 2^2, 2^3 y 3^3, se encontraron
diferencias significativas en los factores y niveles de los tratamientos, lo que sugiere
que los factores y sus combinaciones tienen un efecto estadísticamente significativo
en los resultados. Estos resultados respaldan la importancia de considerar la
interacción entre los factores en los tratamientos y proporcionan evidencia para
rechazar la hipótesis nula.

V. Cuestionario:
1. ¿Qué diferencias existen en los análisis de varianza ANOVA de un diseño
factorial A*B*C y un diseño 2^n?

En un diseño A*B*C se estudian varios niveles en función de sus tres factores y en

2^n se pueden tener varios factores pero con tan solo dos niveles y en función de la
condición experimental 2^n se limita más en cuanto a su variabilidad y es menos flexible
que el otro diseño y en cuanto a la representación de datos en ANOVA es similar pero en
A*B*C las interacciones y efectos principales son interpretados de acuerdo a los niveles
específicos de los factores y en los efectos principales se traducen en cuanto a las
combinaciones de los niveles de los factores (Pardo et al., 2007).
 2. ¿Cuáles son las principales fuentes generadoras de variabilidad registradas
en el ANOVA de un diseño factorial 2^n?

Son los efectos principales de cada factor, las interacciones entre los factores viendo
si uno depende del otro y el error experimental en el cual sabemos que este valor es
impredecible porque se tienen valores aleatorios todo esto es obteniendo sumas de
cuadrados de cada parámetro mencionado y sacando los grados de libertad al final
realizando los respectivos cálculos para ver la significancia de cada uno (Vallejo &
Livacic-Rojas, 2010).

3. Justifique con argumentos ¿Cuándo resulta útil aplicar un diseño factorial

2^n, 2^k-p y factorial A*B+1?

- Ejercicio 33

VI. Conclusiones:

• A partir de lo expuesto anteriormente, analizamos que al usar diseño

factorial 22, 23 y 33, se analizan los efectos principales y las interacciones entre los
factores para determinar si hay diferencias significativas entre los tratamientos. Se
utilizan criterios estadísticos como el valor p y el estadístico F para aceptar o rechazar
la hipótesis nula. Si se rechaza la hipótesis nula, se concluye que hay al menos una
diferencia significativa entre las medias y se procede a realizar pruebas post hoc para
determinar cuáles son las diferencias significativas entre los tratamientos.

• La diferencia principal de los dos diseños es en la cantidad de niveles que pueden

tomar los factores . En el caso de 2^n, los factores tienen dos niveles, por otro lado
en 3^n, los factores tienen tres niveles. Además los dos diseños son usados pars
trabajar múltiples factores al momento de hacer una investigación.
• A través del análisis ANOVA en los diseños factoriales 2^2, 2^3 y 3^3, se encontraron
diferencias significativas en los factores y niveles de los tratamientos, lo que sugiere
que los factores y sus combinaciones tienen un efecto estadísticamente significativo
en los resultados. Estos resultados respaldan la importancia de considerar la
interacción entre los factores en los tratamientos y proporcionan evidencia para
rechazar la hipótesis nula.

VII. Cuestionario:En el diseño factorial 3^n, se estudian tres o más factores, cada uno
con solo tres niveles y se usa para detectar interacciones de alto orden, la
 posibilidad de analizar efectos no lineales y la capacidad para ajustar mejor el
modelo a los datos. En 2^k-p hay k factores y cada factor tiene dos niveles y
permite reducir el número de combinaciones posibles y su eficacia para detectar
interacciones de bajo orden. La interpretación de los resultados es más sencilla en
el diseño factorial 2^k-p que en la factorial 3^n, ya que se usan menos factores y
se reducen las posibles interacciones (León, 2004).

4. Mencione los componentes del modelo matemático que explica el diseño

factorial 3^n

Siendo µ el efecto promedio global, τ^ el efecto del nivel i-esímo del factor A, β el
nivel j-ésimo del factor B, (τβ) el efecto de la interacción entre τ^ y β`, y ε^`b un
componente del error aleatorio. Con i=1,2,3 ; j=1,2,3; k=1,…,n (Fernández, 2020).

5. Justifique con argumentos ¿Cuándo resulta útil aplicar un diseño factorial

3^n?

Las ventajas del diseño factorial 3^n son su capacidad para detectar interacciones de
alto orden, la posibilidad de analizar efectos no lineales y la capacidad para ajustar mejor
el modelo a los datos proporciona una mayor cantidad de información y permite detectar
patrones de comportamiento más complejos (Gutiérrez & De la Vara, 2012).

VIII. Bibliografía:

Fernández Bao, S. (2020). Diseño de experimentos: Diseño factorial (Master's thesis,

Universitat Politècnica de Catalunya).

Gutiérrez, H., & De la Vara, R. (2012). Analisis y Diseño de experimentos. In

Interamericana (Ed.), Métodos Y Técnicas Cualitativas Y Cuantitativas Aplicables a
La Investigación En Ciencias Sociales (tercera ed).

León Adams, G. D. (2004). Análisis y propuestas sobre algunos aspectos de la aplicación

del diseño de experimentos en la industria. Universitat Politècnica de Catalunya.

Pardo, A., Garrido, J., Ruiz, M. Á., & San Martín, R. (2007). La interacción entre factores
en el análisis de varianza: errores de interpretación. Psicothema, 19(2), 343-349.
Vallejo, G., Fernández, P., & Livacic-Rojas, P. (2010). Pruebas robustas para modelos
ANOVA de dos factores con varianzas heterogéneas. Psicológica, 31(1), 129-148.

Huerta, J. F. (2017). Diseños factoriales complejos en la investigación psicodidactica.

Revista Española de Pedagogía, 14(54), 172-183.

Zubcoff, J. (2012). Construcción de diseños factoriales. Introducción al Diseño

Experimental y al Análisis de Datos.