5.1.

- Diseños factoriales con dos factores

En primer lugar vamos a estudiar los diseños más simples, es decir aquellos en los
que intervienen sólo dos factores. Supongamos que hay a niveles para el factor A y
b niveles del factor B, cada réplica del experimento contiene todas las posibles
combinaciones de tratamientos, es decir contiene los ab tratamientos posibles.

5.2 Diseños factoriales con tres factores

Supongamos que hay a niveles para el factor A, b niveles del factor B y c niveles
para el factor C y que cada réplica del experimento contiene todas las posibles
combinaciones de tratamientos, es decir contiene los abc tratamientos posibles.
 5.3 Diseño factorial general
Lo que se ha dicho para los dos diseños 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 ultimofactor
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 axbxc,…,xk, que consiste de axbxc,…xk tratamientos o puntos
deprueba. +Con este diseño se pueden estudiar f efectos principales, f( f – 1 )/2
interacciones dobles, f( f – 1 )( f – 2 )/3x2interacciones triples, y así sucesivamente
hasta que la única interacción de los f factores ( A,B,C,…K ). El cálculo del número
de interacciones de cierta cantidad m de factores se hace mediante la operación
“combinaciones de f en m”,fCm = Que cuenta el número de diferentes maneras de
seleccionar m factores de los f, donde f = fx( f – 1) x…x2x1.
Diseño factorial 2K
Hay ciertos tipos especiales de diseños factoriales que son muy útiles. Uno de estos
es un diseño factorial con k factores, cada uno en dos niveles. Debido a que cada
réplica completa del diseño tiene 2k ejecuciones o combinaciones de tratamiento,
el arreglo e llama un diseño factorial 2K. Estos diseños tienen un análisis estadístico
sumamente simplificado, y además forman la base de muchos otros diseños útiles.
5.4 Modelos de efectos aleatorios
En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.
Formalmente la expresión del modelo es la misma que en el modelo de efectos fijos
dado por la ecuación (??), es decir:

con la diferencia de que ahora τi son variables aleatorias. Además este modelo
requiere que las variables τi y uij sean independientes y sigan distribuciones
normales con media 0 y varianza constante σ 2 τ y σ 2, respectivamente. Así, por la
independencia entre las variables τi y uij , la varianza de cualquier observación de
la muestra, es decir, la varianza total, denotada por σ 2T, vale

La mecánica del Análisis de la Varianza es la misma que en el modelo de efectos

fijos, excepto en el cálculo de las esperanzas de los cuadrados medios, ya que
mientras en el modelo de efectos fijos, los efectos τi eran constantes que cumplían
la condición, 0, ahora son variables aleatorias N(0, στ ), no sometidas a
ninguna restricción. En este modelo, carece de sentido probar la hipótesis que se
refiere a los efectos de tratamiento individuales y, en su lugar, debe realizarse el
contraste:
 5.5 Uso de un software estadístico
Los productos de software de análisis estadístico son programas especializados
diseñados para permitir a los usuarios realizar análisis estadísticos complejos. Estos
productos suelen proporcionar herramientas para la organización, interpretación y
presentación de conjuntos de datos seleccionados. Las soluciones estadísticas
suelen agrupar estas capacidades de gestión de datos con funciones específicas
para el análisis estadístico. Las capacidades de análisis estadístico se refieren a las
capacidades que soportan metodologías de análisis como el análisis de regresión,
el análisis predictivo y la modelización estadística, entre muchas otras.
Las herramientas de software de análisis estadístico suelen ser utilizadas por los
científicos de datos y los matemáticos, pero pueden ofrecer características
específicas de la industria. Pueden ser funciones adaptadas a la investigación
científica, la modelización de costes o las ciencias de la salud; otras herramientas
pueden realizar análisis estadísticos específicos en función del sector o del caso de
uso.
El análisis estadístico tiene muchos sabores diferentes y cada tipo es apropiado o
beneficioso para diferentes casos de uso. Aunque los métodos son muchos, el
objetivo final del análisis se divide en tres tipos: descriptivo, prescriptivo y predictivo.
El análisis descriptivo se limita a observar los datos tal y como son, pero no hace
referencia ni recomienda ningún resultado futuro. El análisis prescriptivo utiliza los
datos históricos para recomendar un resultado concreto. Por último, el análisis
predictivo utiliza datos históricos para predecir datos o resultados futuros. Aparte de
estos métodos generales, el software de análisis estadístico puede realizar los
siguientes tipos de análisis:
Análisis de regresión
Este tipo de análisis permite llevar a cabo varios métodos de regresión, como los
mínimos cuadrados ordinarios, los mínimos cuadrados ponderados o el modelo
lineal generalizado.
Análisis predictivo
El análisis predictivo extrae y analiza patrones de datos históricos para predecir
resultados futuros, extrayendo información de conjuntos de datos para determinar
patrones y tendencias. Mediante una serie de análisis estadísticos y algoritmos, los
analistas utilizan productos de análisis predictivo para crear modelos de decisión
que se utilizan para planificar el mejor resultado posible.
Análisis de supervivencia
Este tipo de análisis permite evaluar duraciones, eventos y fiabilidad en relación con
el análisis estadístico.
Análisis de series temporales
El análisis de series temporales permite a los usuarios identificar patrones dentro
de conjuntos de datos masivos y continuos de series temporales para realizar
informes, previsiones y análisis predictivos.
Análisis bayesiano
Este método de inferencia estadística permite combinar la información previa sobre
un parámetro estadístico con la evidencia de la información contenida en una
muestra para guiar el proceso de inferencia estadística.
Árboles de decisión
Un tipo común de modelo de clasificación es el árbol de decisión. Estos modelos
predicen una serie de posibles resultados basados en una variedad de entradas.
Por ejemplo, si un equipo de ventas construye 1 millón de dólares en cartera, puede
cerrar 100.000 dólares en ingresos, pero si construye 10 millones de dólares en
cartera, debería ser capaz de cerrar 1 millón de dólares en ingresos.
 Referencias
Diseños factoriales con dos factores. (s. f.). Recuperado 10 de mayo de 2023, de
https://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-dos-factores.pdf
Diseños factoriales con tres factores. (s. f.). Recuperado 10 de mayo de 2023, de
http://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-tres-factores.pdf
Diseño factorial general. (s. f.). Recuperado 10 de mayo de 2023, de
https://www.studocu.com/es-mx/document/instituto-tecnologico-de
tlalnepantla/estadistica-inferencial-2/53-diseno-factorial-general/35172042
Modelos unifactoriales de efectos aleatorizados. (s. f.). Recuperado 10 de mayo de
2023, de http://wpd.ugr.es/~bioestad/wp-content/uploads/EfectosAleatorios.pdf
Consultores, B. (2022b). Los Software de Análisis Estadístico. Online Tesis.
https://online-tesis.com/los-software-de-analisis-
estadistico/#:~:text=El%20software%20de%20an%C3%A1lisis%20estad%C3%AD
stico%20permite%20preparar%2C%20mezclar%20y%20analizar,para%20obtener
%20conocimientos%20m%C3%A1s%20profundos.