Instituto Tecnológico Superior de Las

8-6-2023
Choapas

Roxana Padua Dominguez 211A0339

Ingeniería Industrial

4° “E”

ING. Emmanuel Patraca Fernández

Investigación Unidad V Diseño Factorial

Estadística Inferencial ll
 INDICE

Introducción ……………………………………………………………Pag 2

5.1 Diseños factoriales con dos factores…………………… Pag 3

5.2 Diseños factoriales con tres factores…………………….Pag 22

5.3 Diseño factorial general……………………………………Pag 28

5.4 Modelos de efectos aleatorios ………………………….Pag 29

5.5 Uso de un software estadístico……………………………..Pag 39

Conclusión………………………………………………………………..Pag 48

Referencias bibliográficas………………………………………………Pag 49

1
Introducción:

Es frecuente que en muchos procesos existan varios factores de los que es

necesario investigar de manera simultánea su influencia sobre una o varias
variables de respuesta, donde cada factor tiene la misma importancia a priori desde
el momento que se decide estudiarlo, y es poco justificable suponer de antemano
que los factores no interactúan entre sí. Los diseños experimentales que permiten
estudiar de manera simultánea el efecto de varios factores son los llamados
permiten estudiar objetivo de un diseño factorial es estudiar el efecto de varios
factores sobre una o varias respuestas o características de calidad y determinar una
combinación de niveles de los factores en la cual el desempeño del proceso sea
mejor que en las condiciones de operación actuales; es decir, encontrar nuevas
condiciones de operación del proceso que eliminen o disminuyan ciertos problemas
de calidad en la variable de salida. 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 poder estudiar la manera en que incluye cada factor sobre la variable
respuesta, es necesario elegir al menos dos niveles de prueba para cada uno de
ellos (tres máquinas, dos operadores, tres velocidades, dos temperaturas, etc.). Con
el diseño factorial completa se corren aleatoriamente en el proceso todas las
posibles combinaciones que pueden formarse con los niveles seleccionados. Un
diseño de experimentos factorial 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 de prueba, se forma el diseño factorial 2x2=2
2, que consiste de cuatro combinaciones o puntos experimentales.

2
5.1 DISEÑOS FACTORIALES CON DOS FACTORES.
El experimento factorial más sencillo es en el que intervienen solamente dos
factores, por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El
experimento tiene réplicas y cada réplica contiene todas las combinaciones de
tratamientos ab. 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 así, que
consiste de tratamientos. Se llama replica cada repetición completa del arreglo
factorial. Los diseños factoriales que involucran menos de cuatro factores se corren
replicados para poder tener la potencia necesaria en las pruebas estadísticas
sóbrelos efectos de interés, de tal forma que, si se hacen réplicas, el número total
de corridas experimentales es (así).
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 cuando la factorial. Suponga
que, en un proceso de fermentación tequilera, se tienen dos factores A: tipo de
levadura y B: temperatura, cada uno con dos niveles
denotados por respectivamente. La respuesta de interés es el rendimiento del
proceso de fermentación.

se muestran los cuatro tratamientos o puntos del diseño factorial, y entreparéntesi

s se ha indicado cada nivel con los códigos (1, -1). En el experimento original cada
tratamiento se corrió tres veces (tres réplicas), lo cual da un total de12 corridas del
proceso, pero, por simplicidad, en la última columna de la tabla 4.1sólo se anotaron
los resultados de la primera réplica. Tabla 4.1 Diseño factorial A: Levadura B:
Temperatura Y: Rendimiento28416345Para los datos de la tabla 4.1, los efectos
principales están dados por Efecto A =Efecto B =por lo que en términos absolutos

3
el efecto principal de B es mayor. 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 nivelen
que se encuentra el otro. Por ejemplo, los factores A y B interactúan si el

4
5
6
efecto de A es muy diferente en cada nivel de B, o viceversa. Ahora veamos esto
con los datos de la tabla4.1: el efecto de A cuando B es baja está determinado por
Efecto A (con B bajo) = 41 - 28 = 13y cuando la temperatura es alta, el efecto de A
es Efecto A (con B alta) = 45 - 63 = 13Como estos dos efectos de A en función del
nivel de B son muy diferentes, entonces es evidencia de que la elección más

7
conveniente del nivel de A depende del nivelen que esté B, y viceversa. Es decir,
eso es evidencia de que los factores de A y Interactúan sobre Y. En la práctica, el
cálculo del efecto A en cada nivel de B no se hace, y más bien se calcula el efecto
global de la interacción de los dos factores, que se denotan por AB y se calculan
como la diferencia entre la respuesta media cuando ambos factores se encuentran
en el m ismo nivel: (-1, -1); (1, 1), y la respuesta media cuando los factores se
encuentran en niveles opuestos: (-1, 1) (1,-1). Para el ejemplo, el efecto de
interacción levadura x temperatura está dado por Los valores absolutos (sin importar
el signo) de los efectos principales y del efecto de interacción son una medida de
importancia de su efecto sobre la variable de respuesta. Sin embargo, como se
tienen estimaciones muestrales, para saber si los efectos son estadísticamente
significativos (diferentes de coro) se requiere el análisis de varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y elefecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que
el comportamiento de la respuesta Y en el experimento con k réplicas se podría
describir mediante el modelo de efectos:

8
donde es la media general, es el efecto debido al i-éxito nivel del
factor el efecto del j-
ésimo nivel del factor B, representa al efecto de interacciónen la combinación es el
error aleatorio que supone sigue una distribucióncon media cero y varianza const
ante y son independientes entre sí. Para que la estimación de los parámetros en
este modelo sea única, se introducen las restricciones: Es decir, los efectos dados
en el modelo son desviaciones respecto de la media global. Puede usarse el análisis
de varianza para probar hipótesis relativas a los efectos principales de los factores
A y B y la interacción Aben este modelo, las hipótesis de interés para los tres efectos
son: Estas hipótesis se prueban mediante la técnica de análisis de varianza que
para
undiseño factorial con réplicas resulta de descomponer la variación total como,
donde los respectivos grados de libertad de cada una de ellas son:

9
10
11
12
13
14
15
16
El factor en los grados de libertad de la suma de cuadrados del
e r r o r ( ) señala que se necesitan al menos dos réplicas del experimento para
calcular ese componente y, por ende, para construir una tabla de ANOVA.
Recordemos que las sumas de cuadrados divididas entre sus correspondientes
grados de libertad

17
sellama cuadrados medios. Al dividir éstos entre el cuadrado medio del errorse
obtienen estadísticos de prueba con distribución F. Toda esta información se
sintetiza en la siguiente tabla: ANOVA para el diseño factorial SC GL CM Valor-
perfecto A Efecto Efecto Efecto el valor-p es menor al nivel de
significancia prefijado, se rechaza la hipótesis nula y se concluye que el
correspondiente efecto está activo o influye en la variable de respuesta.
Recordemos la notación de puntos para representar sumas y medias:

18
19
20
21
5.2 DISEÑOS FACTORIALES CON TRES FACTORES.
El modelo de diseño de experimentos con dos factores se puede generalizar a tres
o más factores, aunque presenta el gran inconveniente de que para sus aplicaciones
necesario un tamaño muestral muy grande. E l m o d e l o d e d i s e ñ o d e
e x p e r i m e n t o s c o m p l e t o c o n t r e s f a c t o r e s ( T , T y T ) , interacción
y replicación (K réplicas) tiene el siguiente modelo matemático: En
este modelo se tienen tres factores-tratamiento: el factor T (efecto) con
niveles i = 1, I, el factor T (efecto) con niveles j = 1,
J, y el factor T (efecto) con niveles r = 1, R. Cada tratamiento se ha replicado K
veces. Por tanto, se tienen n = IJRK observaciones. El término
ija
es la interacción de tercer orden que, en la mayoría de las situaciones, se suponen
nulas.
El número de parámetros del modelo es Parámetros

Número

1, i, I – 1, j, J – 1, r, R – 1, ir, ir, Jr.

Ir ,2,1

Total

IJR + 1
Los estimadores máximo-verosímiles de este modelo son los siguientes (se utilízala
notación habitual

22
):

23
24
De la media global de los efectos principales,
de las interacciones de segundo orden
de las interacciones de tercer orden
La descomposición de la variabilidad se obtiene la siguiente tabla ANOVA
(Tabla5.4.), a partir de la cual se pueden obtener contrastes como en la sección
anterior. CUADRO DEL ANÁLISIS DE LA VARIANZA
—
MODELO COMPLETO DE TRES VÍAS
—
Fuente de variación Suma de cuadrados anter i o r .
C U A D R O T a c t o = J R K
i = 1Ii2
I-1

25
F a c t o r T s c T = I R K
j = 1J j2
J - 1F a c t o r T s c T = I J K
r = 1Rr 2
R - 1Inter.s c = R K
i = 1I

j = 1Jij2
(I - 1) (J - 1) Inter.sc = J K
i = 1I

r = 1R

ir 2
(I - 1) (R - 1) Inter.sc = I K
j = 1J

r = 1R jr 2
(J - 1) (R - 1) Inter.sc = K
i = 1I

j = 1J

r = 1Rijr 2
(I - 1) (J - 1) (R - 1) ResidualscR =
i = 1I

j = 1J

r = 1R

26
t = 1K
e
ijrk2
IJR (K - 1) GlobalscG =
i = 1I

j = 1J

r = 1R

t = 1K
e
ijrk2
IJRK - 1Tabla 5.4. Cuadro del análisis de la varianza para un diseño completo de
tres factores.

27
5.3 DISEÑO 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. Considerarse
factores A, B, C, K con niveles
respectivamente, donde la letra Denota al -éxito 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 factoresse puede construir el diseño factorial general que consiste detratamiento
s o puntos de prueba. Con este diseño se pueden estudiar
efectos principales, interacciones dobles, interacciones triples, y así sucesivamente
hasta la única interacción de los
factores (ABC…K). El cálculo del número de interacciones de
cierta cantidad defactores se hace mediante la operación ¨combinaciones de en
interesan los efectos.
Pero resulta que, con excepción de la factorial, en una factorial completa
prácticamente nunca interesan todos sus posibles efectos, puesto que en términos
generales sólo algunos de ellos están activos. El principio de Pareto, que en este
contexto también se llama principio de esparcida 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.

28
 5.4 MODELOS 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 comprar, 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. Un ejemplo de esta situación es cuando
se prueban cinco instrumentos de medición, pero la población de los mismos es de
100 instrumentos; obviamente, no es posible experimentar con todos los equipos.
Entonces se experimenta sólo con cinco de ellos elegidos al azar, y las conclusiones
obtenidas se infieren como válidas para la población entera de instrumentos. 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 del nivel

Modelo de efectos aleatorios como en 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.
El caso de dos factores aleatorios
.Si se consideran dos factores aleatorios A y B, de los cuales se prueban niveles
elegidos de una población grande de niveles, entonces si

29
lostratamientos se replican veces, el modelo de efectos aleatorios esdonde es la m
edia general, es el efecto debido al nivel del factor A,es el efecto del nivel del facto
r B, representa al efecto deinteracción en la combinación y es el error aleatorio qu
e se supone sigue unadistribución normal con media cero y varianza constante, y
sonindependientes entre sí. El aspecto de este modelo es igual al de efectos fijos,
pero el hecho de que los efectos sean aleatorios implica que no tiene sentido probar
hipótesis directamente sobre tales efectos (medidas), sino que ahora el interés se
enfoca en estudiar la varianza de dichos efectos.
Para ello, se supone que los términos son variables aleatoriasindependientes nor
males, con media cero y varianzas, y, respectivamente.
De esta manera, si se calcula la varianza en ambos lados del modelo anterior,
se obtiene el modelo de componentes de varianza dado por: donde,
son las contribuciones de cada efecto a la variación total y sellaman componentes
de varianza; es el componente de varianza debido al erroraleatorio. Las hipótesis
de interés son

30
31
32
33
34
Los cálculos necesarios para probar estas hipótesis involucran las mismas sumase
cuadrados del modelo de efectos fijos (diseños factoriales con dos factores), de las
cuales se obtienen los correspondientes cuadrados medios. Para obtener
losestadísticos de prueba apropiados debe tomarse en cuenta que los valoresespe
rados de los cuadrados medios son de tal forma que, para probar las hipótesis
mencionadas, los estadísticos de prueba apropiados en el ANOVA son
respectivamente. Observe que en el modelo de efectos aleatorios los cuadrados
medios de los efectos principales se comparan con el cuadrado medio de la
interacción, y no con el cuadrado medio del error, como se hace en el modelo
defectos fijos. En caso de rechazar alguna de las hipótesis sobre las varianzas, se
concluye que el efecto correspondiente contribuye de manera significativa a la
variación de la respuesta. La conclusión práctica no consiste en determinar el mejor
tratamiento, sino que generalmente se traduce en tomar medidas para que la
contribución del componente de varianza se reduzca.

35
Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios
para los componentes de varianza, se obtienen estimadores de éstos en función de
los cuadrados medios del error, esto es,
Ejemplo
En una compañía dedicada a la fabricación de bombas y válvulas, algunos
componentes críticos tienen tolerancias muy estrechas que son difíciles de cumplir.
De aquí que sea necesario estimar el error de medición con el fin de ver la
posibilidad de reducirlo para cumplir con las especificaciones. El ancho de una pieza
36
particular es una característica de calidad crítica, cuyas especificaciones
son69 0,4mm. Se eligen dos inspectores al azar y siete piezas para correr
un experimento, a fin de estimar la contribución de los inspectores, de las piezas y
del error aleatorio (repetibilidad) en la variabilidad total observada. El experimento
utilizado se muestra en la siguiente tabla: Modelo de efectos aleatorios Número
aleatorios Número Z Inspector W1 2 1 2123456769,38 69,6039,72 69,8069,58
69,7069,50 69,5069,48 69,4069,56 69,4069,90 70,0269,62 69,5269,78 69,9069,70
69,9269,46 69,5069,50 69,4269,68 69,6469,94 69,88Nótese que cada inspector
mide dos veces cada pieza. Sean los inspectores el factor A y las piezas el factor B,
el primero con dos niveles y el segundo con siete

niveles, en ambos casos seleccionados al azar. El modelo de componentes

devarianza propuesto para describir estos datos es donde es el componente devar
ianza de los inspectores, es el componente debido a las piezas, es elcomponente
de interacción de ambos factores y es el componente aleatorio. Interesa probar las
hipótesis: y estimar los componentes de varianza. El ANOVA para probar estas
hipótesis se muestran en la siguiente se muestran SC GL CM Valor-p A: Imp.:
Pieza ABErrorTotal0,000360,75160,03130,0970,880316614270,000360,12520,00
520,00690,06924,070,750,80430,00000,6169
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos, pero
las dos últimas deben corregirse de acuerdo con el estadístico de prueba
apropiado para un modelo de efectos aleatorios (y).
Los valor-p indican que la variabilidad de las piezas es estadísticamente diferente
a cero, mientras que la variabilidad de los inspectores de la interacción inspector x
pieza no es significativa (es igual a cero). Desde el punto de vista del objetivo del
experimento, los resultados del ANOVA son los d e s e a d o s :
la reproducibilidad () es estadísticamente igual
a c e r o , e s d e c i r , los inspectores no afectan el proceso de medición. La
estimación de los componentes de varianza, a partir de los cuadros medios, queda
como:

37
ésta, cuando lo deseables que este porcentaje sea menor al 10%, por lo que el
instrumento es inadecuado para discriminar entre piezas buenas y malas.

38
5.5 USO DE UN SOFTWARE ESTADÍSTICO.
Utilizando Minitab
El primer paso consiste en seleccionar la opción Estadísticas del Menú Principal de
Minitab y, dentro de esa opción, seleccionar la opción DOE luego Factorial y Crear
diseño factorial como se presenta en la siguiente Figura.2. Como consecuencia de
la acción anterior le debe aparecer la siguiente pantalla<<Crear diseño factorial>>.
El paso en esta pantalla será seleccionar en Tipo de diseño la casilla de Diseño
factorial completo general luego escoger el

1.

39
40
número de factores considerados en el experimento (en nuestro ejemplo son dos
factores: A y B), por tanto, en la casilla <<Número de factores>> usted deberá tener
el número 2. Luego debe oprimir el botón de la opción<<Diseños>> para poder
escoger su diseño, número de repeticiones y otras opciones.

En la siguiente ventana escribir el nombre de nuestros factores A y B, además de

indicar el número de niveles para ambos (4 y 3 respectivamente), también indicará
que realizamos tres repeticiones por tratamiento, para esto en la casilla<<Número
de réplicas>>, usted deberá tener el valor de 3. Finalice esta pantalla oprimiendo
<<Aceptar>>. Esto lo devolverá a la pantalla anterior <<Crear diseño
factorial>>.4. De vuelta en la pantalla <<Crear diseño factorial>>. Seleccionar
factores aparecerá una siguiente ventana.
hoy

2.

41
En la casilla <<Tipo>> seleccionar texto para ambos factores, <<Valores de nivel>>,
indicar los valores correspondientes tanto para el factor A, así como para el factor
B, luego indicar aceptar, lo que lo llevara nuevamente a la pantalla<<Crear diseño
factorial>>.5. De vuelta a la pantalla <<Crear diseño factorial>> oprima
<<Aceptar>>.MINITAB le creará la siguiente pantalla. Minitab crea las columnas de
los tratamientos, lo único que usted tiene que ingresar a MINITAB es una columna
con la respuesta del experimento. Proceda entonces a ingresar los datos en la
columna C76. Una vez capturados los datos (estos datos deberán corresponder al
factor A con respecto a factor B de acuerdo a la tabla original) en su correspondiente
renglón. El siguiente paso es regresar al paso 1.

42
43
sólo que esta vez seleccionaría la secuencia: <<Estadísticas>> seguida
de<<DOE>>, <<Factorial>> y <<Analizar diseño factorial>>. Esta acción resultará
en la pantalla donde sólo es necesario indicar la columna de la variable de
respuesta <<Respuesta>> seguido de aceptar y MINITAB le ofrecerá el resultado
correspondiente.

44
45
46
Para capturar los datos en Minitab,
de tres factores
, es idéntico al de dos factores, solo que en la ventana correspondiente indicar que
se trata de tres factores, y se aplica la misma secuencia.

47
Conclusión
En esta investigación aprendimos mucho acerca de los diseños factoriales Los
principales beneficios de la experimentación diseñada es que la información críticas
obtenida de manera más rápida, económica y confiable de lo que sería si se aplicara
un enfoque no planeado. También puedo lograr mejoras en el rendimiento del
proceso y reducción de los costos globales. En el sector industrial el diseño de
experimentos se aplica en dos áreas: a) el diseño, y b) la mejora de procesos y
productos. Por eso todas las industrias o empresas deberían intentar responder
antes de realizar sus experimentos a la siguiente pregunta: ¿Cómo puedo obtener
de los experimentos la mayor información posible de la manera más eficiente? En
este contexto, herramientas como los diseños factoriales, diseño factorial 2
k
, diseños anidados y superficies de respuesta pueden ser un adecuado punto de
partida en la mejora de procesos. El diseño de experimentos permite entender un
proceso y determinar cómo las variables de entrada (factores) afectan a las
variables de salida (respuesta).

48
Referencias bibliográficas
Johnson Richard.
“Probabilidad y estadística para ingenieros”.
Quinta edición. Editorial Prentice Hall. México 1997Levin, Richard. Rubín, David.
“Estadística para administradores”.
Sexta edición Editorial Prentice Hall. México 1996Mendelhall, William. Rubín,
James.
“Estadística para administración de economía”.
editorial: Iberoamérica, México 1978Montgomery, Douglas C.
probabilidad y estadística para ingeniería‖. Tercera edición.
Editorial Continental CECSA. Año 1993. Páginas 263-278.Stevenson, William.
“Estadística

para administración y economía: conceptos y aplicaciones”.

Editorial Alfa Omega. México 1981

49