Diseños factoriales

Concepto
Diseño experimental que sirve para estudiar el efecto individual y de interacción de varios
factores sobre una o varias respuestas.

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una o varias
respuestas, cuando se tiene el mismo interés sobre todos los factores.

Características

- Factores
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador, la
presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para estudiar la manera en que
influye cada factor sobre la variable de respuesta es necesario elegir al menos dos
niveles de prueba para cada uno de ellos. Con el diseño factorial completo se corren
aleatoriamente todas las posibles combinaciones que pueden formarse con los
niveles de los factores. Los niveles de un factor se definen como los valores reales
que se utilizan en el experimento.

- Arreglo factorial
Así, la matriz de diseño o arreglo factorial es el conjunto de puntos experimentales o
tratamientos que pueden formarse considerando todas las posibles combinaciones
de los niveles de los factores.

Por ejemplo, con k = 2 factores, ambos con dos niveles, se forma el diseño factorial
2 × 2 = 22, que consiste en cuatro combinaciones o puntos experimentales.

En la práctica cuando el número de factores a considerar es mayor que 3, se suelen

utilizar experimentos 2k (k factores con dos niveles cada uno), experimentos 3k (k
factores con tres niveles cada uno), experimentos factoriales fraccionados, etc.

Para obtener el número de corridas experimentales se multiplica el número de

tratamientos por el número de réplicas, donde una de éstas se lleva a cabo cada
vez que se corre el arreglo completo.

Efecto principal y efecto de interacción.

El efecto de un factor se define como el cambio observado en la variable de

respuesta debido a un cambio de nivel de tal factor. En particular, los efectos
principales son los cambios en la media de la variable de respuesta que se deben a
la acción individual de cada factor. En términos matemáticos, el efecto principal de
un factor con dos niveles es la diferencia entre la respuesta media observada
cuando tal factor estuvo en su primer nivel, y la respuesta media observada cuando
el factor estuvo en su segundo nivel.

Por otra parte, se dice que dos factores interactúan entre sí o tienen un efecto de
interacción sobre la variable de respuesta, cuando el efecto de un factor depende
del nivel en que se encuentra el otro.
Aquí se usa el término efecto positivo para indicar que el producto o la respuesta se
incrementa conforme los niveles de un factor dado aumentan de acuerdo con cierto
orden definido. En el mismo sentido, un efecto negativo corresponde a una
disminución de la respuesta al aumentar los niveles del factor.

Como hemos visto antes, la interpretación de la interacción es de vital importancia

tanto para entender cómo actúan los factores sobre la variable de respuesta, como
para acumular conocimiento sobre el sistema o proceso correspondiente. Cuando
se concluye que una interacción doble (de dos factores) tiene un efecto
estadísticamente importante sobre la respuesta, su interpretación tiene prioridad
sobre los correspondientes efectos principales, aunque éstos también sean
significativos. Esto se debe a que la interacción termina dominando en el proceso.

Ventajas de los diseños factoriales

1. Permiten estudiar el efecto individual y de interacción de los distintos factores.

2. Son diseños que se pueden aumentar para formar diseños compuestos en caso
de que se requiera una exploración más completa.
3. Se pueden correr fracciones de diseños factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigación que involucra a muchos
factores, cuando interesa descartar de manera económica los que no son
importantes, antes de hacer un estudio más detallado con los factores que sí son
importantes
4. Pueden utilizarse en combinación con diseños de bloques en situaciones en
las que no puede correrse todo el diseño factorial bajo las mismas condiciones.
5. La interpretación y el cálculo de los efectos en los experimentos factoriales se
puede hacer con aritmética elemental, en particular cuando cada factor se prueba
en dos niveles

Diseños factoriales con dos factores

Un diseño factorial con dos factores consiste en experimentar con todos los
tratamientos que se obtienen al combinar cada nivel de un factor con los niveles del
otro.
Considere los factores A y B con a y b (a, b ≥ 2) niveles de prueba, respectivamente.
Con ellos se puede construir el arreglo o diseño factorial a × b, el cual consiste en a
× b tratamientos. Algunos casos particulares de uso frecuente son: el factorial 22, el
factorial 32 y el factorial 3 × 2. Se llama réplica a cada corrida completa del arreglo
factorial. Los diseños factoriales que involucran menos de cuatro factores por lo
regular se corren replicados para tener la potencia necesaria en las pruebas
estadísticas sobre los efectos de interés. Si se hacen n réplicas, el número total de
corridas experimentales es n(a × b).

Ejemplo 1:
http://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-dos-factores.pdf

Ejemplo 2:
Diseños factoriales con tres factores

Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los
factores es a, b y c, respectivamente, se puede construir el arreglo factorial a × b ×
c, que consiste de a × b × c tratamientos o puntos experimentales. Entre los arreglos
de este tipo que se utilizan con frecuencia en aplicaciones diversas se encuentran:
el factorial 23, el factorial 33 y los factoriales mixtos con no más de cuatro niveles en
dos de los factores, por ejemplo, el factorial 4 × 3 × 2 y el factorial 4 × 4 × 2, por
mencionar dos de ellos.

Ejemplo 1 (6.1):
http://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-tres-factores.pdf

Diseños factorial general

Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede
extenderse fácilmente para cuando se tienen más factores. Considere f factores A,
B, C, …, K con niveles a, b, c, …, k, respectivamente, donde la letra K denota al
f-ésimo o último factor del conjunto a estudiar, no necesariamente el undécimo, que
es el lugar de esta letra en el alfabeto. Con estos niveles y factores se puede
construir el diseño factorial general a × b × … × k, que consiste de a × b × … × k
tratamientos o puntos de prueba. Con este diseño se pueden estudiar f efectos
principales, f (f – 1)/2 interacciones dobles, f ( f – 1)( f – 2)/(3 × 2) interacciones
triples, y así sucesivamente hasta la única interacción de los f factores (ABC … K).
El cálculo del número de interacciones de cierta cantidad m de factores se hace
mediante la operación “combinaciones de 𝑓 en 𝑚” que cuenta el número de
diferentes maneras de seleccionar m factores de los f, donde f ! = f × (f – 1) × … × 2
× 1.

El principio de Pareto, que en este contexto también se llama principio de

esparcidad de efectos, dice que la mayoría de la variabilidad observada se debe a
unos pocos de los efectos posibles; por lo común se debe a algunos efectos
principales e interacciones dobles.

Modelo de efectos aleatorios

Hasta aquí los modelos de efectos que se han utilizado son modelos de
efectos o factores fijos, lo cual significa que todos los niveles de prueba en
cada factor son todos los disponibles para ese factor, o bien, se estudian
todos los niveles de interés en ese factor; es en este sentido que los niveles
están fijos. Éste es el caso, por ejemplo, cuando en el factor operador se
toman los tres únicos operadores como los niveles de prueba, o cuando los
niveles del factor máquinas son las cuatro máquinas existentes. O bien,
cuando se comparan tres tipos de material porque son los que interesa
comparar aunque existan otros materiales de ese tipo. Con factores fijos, las
conclusiones obtenidas sólo son válidas para los niveles de prueba que se
estudian en el experimento.
En ocasiones, los niveles de prueba son una muestra aleatoria de la
población de niveles posibles. En este caso es más apropiado utilizar un
modelo de efectos o factores aleatorios.
La aplicación de un modelo de efectos aleatorios conlleva la necesidad de
considerar la incertidumbre asociada con la elección aleatoria de los niveles
de prueba. Es decir, ya no tiene sentido, para un factor A, preocuparse por el
efecto ai del nivel i como con efectos fijos. Lo que ahora (con efectos
aleatorios) tiene sentido es hablar de la varianza con la que el factor aleatorio
contribuye a la variación total; es decir, es preciso estimar dicha varianza y
probar si su contribución a la variabilidad total es significativa.

Links de info:
https://gc.scalahed.com/recursos/files/r161r/w19537w/analisis_y_diseno_experimentos.pdf

https://vereniciafunez94hotmail.files.wordpress.com/2014/08/8va-probabilidad-y-estadistica-
para-ingenier-walpole_8.pdf
https://profefily.com/wp-content/uploads/2017/12/Estad%C3%ADstica-para-administraci%C3
%B3n-y-economia-Richard-I.-Levin.pdf