Instituto Tecnológico de Nogales

INSTITUTO TECNOLÓGICO DE NOGALES

INGENIERIA INDUSTRIAL

Trabajo 2³ fraccionado

Equipo 10:
Adriana Juarez Hernandez

Delgado Acuña Nelson Arath

Escarrega Leal Valeria

Eliseo Guillermo Shequen

Maestro

H. Nogales, Sonora 24 – Mar-2025

 1. Diseño factorial 2ᵏ

El primer diseño de la serie 2 k es el que sólo tiene dos factores, por ejemplo, A y B; cada
uno se corre a dos niveles. Los niveles de los factores pueden denominarse
arbitrariamente "bajo" y "alto". Como un ejemplo, considere la investigación del efecto de
la concentración del reactivo y de la cantidad del catalizador sobre la conversión
(rendimiento) de un proceso químico. Sea la concentración del reactivo el factor A, y sean
15 y 25 por ciento los dos niveles de interés. El catalizador es el factor B, con el nivel alto
denotando el uso de 2 libras del catalizador y el nivel bajo denotando el uso de 1 libra. Se
hacen tres réplicas del experimento, y los datos son los siguientes:

Factor Combinación de Replica

A B tratamientos I II III TOTAL
- - A bajo, B bajo 28 25 27 80
+ - A alto, B bajo 36 32 32 100
- + A bajo, B alto 18 19 23 60
+ + A alto B alto 31 30 29 90

Las combinaciones de los tratamientos se ilustran gráficamente. Por convención, el efecto

de un factor se denota con una letra mayúscula latina. Por lo tanto, "A" se refiere al efecto
del factor A, "B" al efecto del factor B, y "AB" a la interacción AB. En el diseño 2 2, los
niveles bajo y alto de A y B se denotan por "-" y "+", respectivamente, en los ejes A y B.
Por lo tanto, - en el eje A representa el nivel bajo de la concentración (15%), mientras que
+ representa el nivel alto (25%), y en el eje B representa el nivel bajo del catalizador,
mientras que + denota el nivel alto.
Las cuatro combinaciones de tratamientos suelen representarse con letras minúsculas. Se
observa que el nivel alto de cualquiera de los factores en una combinación de tratamientos
se denota por la letra minúscula correspondiente y que el nivel bajo de un factor en una
combinación de tratamientos se denota por la ausencia de la letra respectiva. Por
lo tanto, a representa la combinación de tratamientos con A en el nivel alto y B en el nivel
bajo, b representa A en el nivel bajo y B en el nivel alto, y ab representa ambos factores en
el nivel alto. Por convención, se usa (1) para denotar que ambos factores están en el nivel
bajo. Esta notación se utiliza en todas las series 2k.
 Grafica de combinaciones de tratamiento
b = (18+19+23)=60 ab=(31+30+29)=90

Alto(2libas
)
Cantidad de catalizado B

Bajo concentración de reactivo A

(1)= (28+25+27)=80 a= (36+32+32)=100

En un diseño factorial con dos niveles, el efecto promedio de un factor puede definirse
como el cambio en la respuesta producido por un cambio en el nivel de ese factor
promediado para los niveles del otro factor. Asimismo, los símbolos (1), a, b y ab
representan ahora el total de las n réplicas hechas con la combinación de los tratamientos.

3.- FORMULACIÓN DE HIPÓTESIS

H0: Hay una variación significativa en los factores del diseño de 1% y 5%.
H1: No hay variación significativa en los factores del diseño.

4.- DESARROLLO DE CÁLCULOS

4.1 EFECTOS PRINCIPALES E INTERACCIONES
Efecto principal de A:
1. Efecto principal de A en el nivel bajo de B es:
[a−( 1 ) ]
n
2. Efecto principal de A en el nivel más alto de B es:

[ab−b]
n
3. Así en el efecto principal de A queda:
[a− (1 )] [ab−b]
A= +
n n
1
A= [ (a−( 1 ) )+ ( ab−b ) ]
2n
1
A= [( ab+a−b−( 1 ))]
2n
Efecto principal de B:
1. Efecto de B en el nivel bajo de A es:

[b−(1)]
n
2. Efecto principal de B en el nivel más alto de A es:
[ab−a]
n
3. Así en el efecto principal de B queda:

B=
[ b−( 1 ) ] + [ab−a ]
n n
1
B= [(b−( 1 ))+(ab−a)]
2n
1
B= [(ab+ b−a−( 1 ) )]
2n
Efecto de la interacción AB
El efecto de la interacción AB se define como la diferencia promedio entre la diferencia A
con el nivel más alto de B y el efecto de A con el nivel más bajo de B:
[ab−b] [a−( 1 ) ]
AB= −
n n
1
AB= [ (ab−b)−(a−( 1 ) ) ]
2n
1
AB= [(ab+(1)−a−b)]
2n
SUSTITUCIÓN DE VALORES
Efecto principal de A:
1
A= [( ab+a−b−( 1 ))]
2n
1
A= [(90+ 100−60−80)]
2(3)
A=8.33
Efecto principal de B:
1
B= [(ab+ b−a−( 1 ) )]
2n
1
B= [(90+60−100−80)]
2(3)
B=−5.00
Efecto de la interacción AB
1
AB= [(ab+(1)−a−b)]
2n
 1
AB= [( 90+80−100−60)]
2(3)
AB=1.67

INTERPRETACIONES
a) El efecto de A (concentración de reactivo) es positivo. Esto sugiere que al
incrementar A del nivel bajo (15%) al nivel alto (25%), el rendimiento se incrementa.
b) El efecto de B (catalizador) es negativo, esto sugiere que al incrementar la
cantidad del catalizador que se agrega al proceso se reduce el rendimiento.
c) El efecto de la interacción AB parece ser pequeño en comparación con los dos
efectos principales.
4.2 USO DE GRAFICOS.
5.CALCULOS DE VARIANZA
Se considerará las sumas de cuadrados de A, B y AB.
Constraste A=ab +a−b− (1 )
Suma de Cuadrados entre Tratamientos
Calcular SSA
SSA=¿ ¿
SSA=¿ ¿
SSA=¿ ¿
SSA=208.33
Calcular SSB
SSB=¿ ¿
SSB=¿ ¿
SSB=¿ ¿
SSB=75.00
Calcular SSAB
SSAB=¿ ¿
SSAB=¿ ¿
SSA=¿ ¿
SSA=8.33
Suma de Cuadrados Total (SST)
2 2 n
Y…
SST=∑ ∑ ∑ Y ijk−
2

i=1 j=1 ñ=1 4n

2
330
SST =( 28 +25 +27 +36 +32 +32 +18 +19 +23 +31 +30 +29 ) −
2 2 2 2 2 2 2 2 2 2 2 2

4 ( 3)
SST=9398−9075=323

Suma de Cuadrados del Error (SSE)

SSE = SST – SSA – SSB - SSAB
SSE = 323.00 - 238.33 - 75.00 - 8.33 = 31.34
6.-TABLA ANOVA FORMULAS
Fuente de Suma de Grados Cuadrado F calculada
variación cuadrados libertad
 Medio (MS)
Tratamiento A SSA a-1 = (2-1) SSA MSA
MSA = F0cal =
a−1 MSE
Tratamiento B SSB b-1 = (2-1) SSB MSB
MSB = F0cal =
b−1 MSE
Interacción SSAB (a-1) (b-1) = MSAB = F0cal =
1 SSAB MSAB
( a−1 ) (b−1) MSE

Error SSE ab (n-1) SSE

MSE =
ab(n−1)

Total SST abn - 1

7.-TABLA ANOVA CALCULOS USO DE DISTRIBUCION F (USO DE NIVELES DE

SIGNIFICACION DEL 1 Y 5%)
TABLA DE ANÁLISIS DE VARIANZA(ANOVA)

Fuente Suma de Grados de Cuadrado F0 F0 Teórico F0

de cuadrados libertad medio Calculada 1% V1, V2 Teórico
variación (MS) 5% V1,
V2
A 208.33 1 208.33 53.15 F.01 F.05
1,8= 11.26 1,8= 5.32

B 75.00 1 75.00 19.13 F.01 F.05

1,8= 11.26 1,8= 5.32

AB 8.33 1 8.33 2.13 F.01 F.05

1,8= 11.26 1,8= 5.32

Error 31.34 8= (2)(2)(3- 3.92 -

1)

Total 323.00 11=(2)(2)(3)- - -

1
8.- INTERPRETACIÓN EN GRÁFICOS DE DISTRIBUCIÓN F
Nivel de Significancia del 1% (α = 0.01)
Factor A:
 F Calculada (53.15) > F Teórica (1%) (11.26)

 Rechazamos H₁ y aceptamos H₀ → Hay evidencia estadística para concluir que el

factor A tiene una variación significativa en la respuesta.
Factor B:
 F Calculada (19.13) > F Teórica (1%) (11.26)

 Rechazamos H₁ y aceptamos H₀ → El factor B también tiene una variación

significativa en la respuesta.
Interacción AB:
 F Calculada (2.13) < F Teórica (1%) (11.26)

 No rechazamos H₁ → La interacción AB no tiene una variación significativa en la

respuesta.
Nivel de Significancia del 5% (α = 0.05)
Factor A:
 F Calculada (53.15) > F Teórica (5%) (5.32)

 Rechazamos H₁ y aceptamos H₀ → El factor A tiene una variación significativa en la

respuesta.
Factor B:
 F Calculada (19.13) > F Teórica (5%) (5.32)

 Rechazamos H₁ y aceptamos H₀ → El factor B también tiene una variación

significativa en la respuesta.
Interacción AB:
 F Calculada (2.13) < F Teórica (5%) (5.32)

 No rechazamos H₁ → La interacción AB no tiene una variación significativa en la

respuesta.
9.-USAR SOFTWARE MINITAB PARA SOPORTAR CÁLCULOS MANUALES.
F.05,1,8=5.32
10.- CONCLUSION.

Podemos concluir que, el método de diseño de experimentos factorial es de gran utilidad

para cualquier proceso de ingeniería química, 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. Cuando este software se utiliza de forma adecuada, es decir,
cuando se adapta al experimento y a los recursos que tiene a su alcance el
experimentador, se puede conseguir un resultado óptimo, o lo más cerca posible del
óptimo.
Esto se debe a que se pueden modelar los parámetros, en los que se tiene que mantener
el experimento, de una forma sencilla. Además, con este trabajo se ha podido concluir
también, que existen experimentos en los que sí solo se estudian las variables
independientes se llega a conclusiones erróneas. Por ello es muy importante el diseño de
experimentos factorial, el cual nos muestra el efecto de las interacciones y todas las
combinaciones posibles entre las variables, que sí nos lleva a respuestas válidas.
 1. Diseño factorial 23
Suponga que tres factores, A, B y C, cada uno con dos niveles, son de interés. Al diseño
se le llama diseño factorial 2', y en este caso la representación geométrica de las ocho
combinaciones de tratamientos puede hacerse con un cubo Utilizando la notación "+" y "-"
para representar los niveles alto y bajo de los factores, las ocho corridas del diseño 23. Se
le conoce en ocasiones como la matriz del diseño las combinaciones de los tratamientos
en el orden estándar se escriben como (1), a, b, ab, c, ac, bc y abc. Recuerde que estos
símbolos representan también el total de las n observaciones hechas con esta
combinación de tratamientos partícula.
Corrida A B C Etiquetas A B C
1 - - - (1) 0 0 0
2 + - - A 1 0 0
3 - + - B 0 1 0
4 + + - AB 1 1 0
5 - - + C 0 0 1
6 + - + AC 1 0 1
7 - + + BC 0 1 1
8 + + + ABC 1 1 1

Corrida A B C
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +
El efecto promedio de A:
1
A= [a−(1)+ab−b+ ac−c +abc−bc]
4n
1
A= [1−(−4 ) +5− (−1 )+3−(−1 ) +11−2]
8
1
A= [ 24 ] =3.00
8
El efecto promedio de B:
1
B= [b+ ab+bc +abc− (1 )−a−c−ac]
4n
1
B= [−1+5+ 2+ 11−(−4 )−1−(−1)−3]
8
1
B= [ 18 ] =2.25
8
El efecto promedio de C=
1
C= [c +ac +bc +abc− (1 )−a−b−ab]
4n
1
C= [−1+3+2+11−(−4 ) −1−(−1)−5 ]
4n
1
C= [ 14 ]=1.75
4n
El efecto promedio de AB=
1
AB= [ab−a−b+(1)+ abc−bc−ac+ c]
4n
1
AB= ¿
8
1
AB= [ 6 ] =0.75
8
El efecto promedio de AC=
1
AC= [ ( 1 )− A+ B− AB−C+ AC −BC + ABC ]
4n
1
AC= [−4−1+(−1)−5−(−1)+3−2+11]
8
1
AC= [ 2 ] =0.25
8
El efecto promedio de BC=
1
BC= [ ( 1 ) + A−B− AB−C− AC + BC + ABC ]
4n
1
BC= [−4+1−(−1 )−5−(−1 )−3+ 2+ 11]
8
1
BC= [ 4 ] =0.50
8
El efecto promedio de ABC=
1
ABC= [ ABC−BC −AC + C−AB+ B+ A−(1)]
4n
1
ABC= [11−2−3+(−1)−5+(−1)+ 1−(−4)]
8
1
ABC= [ 4 ] =0.50
8

Factores Desviación de la Niveles de factor

codificados altura de llenado
Corrid A B C Replica 1 Replica 2 Bajo (-1) Alto
a (+1)
1 -1 -1 -1 -3 -1 A(psi) 10 12
2 1 -1 -1 0 1 B(psi) 25 30
3 -1 1 -1 -1 0 C (b/min) 250
200
4 1 1 -1 2 3
5 -1 -1 1 -1 0
6 1 -1 1 2 1
7 -1 1 1 1 1
8 1 1 1 6 5
Suma de los cuadrados
2
(24)
SSA= =36.00
16
2
(18)
SSB= =20.25
16
2
(14)
SSc= =12.25
16

Fuente de Suma de Grados Cuadrado F0 Valor P

variación cuadrados de medio
libertad
Porcentaje de 36.00 1 36 57.60 0.0001
carbonatacion
Presión (B) 20.25 1 20.25 32.40 0.0005
Velocidad de 12.25 1 12.25 19.60 0.0022
línea (C)
AB 2.25 1 2.25 3.60 0.0943
AC 0.25 1 0.25 0.40 0.5447
BC 1.00 1 1 1.60 0.2415
ABC 1.00 1 1 1.60 0.2415
Error 5.0 8 0.625
Total 78.0 15

Modelo de regresión para la desviación

=1.0+ ( 3.02 ) X 1+( 2.252 ) X 2+( 1.752 ) X 3+( 0.252 ) X 1 X 2

Sumas Totales y Promedios

1. Suma Total de las respuestas (ST\text{ST}ST): La suma de todas las observaciones.

 ST=5+8+6+9+4+7+5+8=52\text{ST} = 5 + 8 + 6 + 9 + 4 + 7 + 5 + 8 =
52ST=5+8+6+9+4+7+5+8=52

2. Promedio General (YˉTotal\bar{Y}_{\text{Total}}YˉTotal): El promedio de todas las

observaciones.

YˉTotal=STn=528=6.5\bar{Y}_{\text{Total}} = \frac{\text{ST}}{n} = \frac{52}{8} =

6.5YˉTotal=nST=852=6.5

Paso 3: Cálculo de las sumas de cuadrados (SS)

Las sumas de cuadrados son la base para el cálculo de la varianza. Debemos calcular las sumas de
cuadrados para los efectos principales y las interacciones.

1. Suma de cuadrados total (SST):

SST=∑i=18(Yi−YˉTotal)2\text{SST} = \sum_{i=1}^{8} (Y_i - \bar{Y}_{\

text{Total}})^2SST=i=1∑8(Yi−YˉTotal)2

Donde YiY_iYi son las respuestas de cada corrida. Esto implica restar el promedio total
(YˉTotal\bar{Y}_{\text{Total}}YˉTotal) de cada observación y elevarlo al cuadrado, luego
sumarlos.

2. Suma de cuadrados para A (SSA), B (SSB) y C (SSC): Para cada factor (A, B y C), la
suma de cuadrados se calcula de la siguiente manera:

SSA=n×(YˉA+−YˉTotal)2\text{SSA} = n \times \left( \bar{Y}_{A+} - \bar{Y}_{\

text{Total}} \right)^2SSA=n×(YˉA+−YˉTotal)2

Donde YˉA+\bar{Y}_{A+}YˉA+ es el promedio de las respuestas cuando el factor A está en

el nivel alto, y así para los otros factores.

3. Suma de cuadrados para las interacciones (SSAB, SSAC, SSBC): La suma de cuadrados
para cada interacción se calcula de manera similar:

SSAB=n×(YˉAB+−YˉA+−YˉB++YˉTotal)2\text{SSAB} = n \times \left( \bar{Y}_{AB+}

- \bar{Y}_{A+} - \bar{Y}_{B+} + \bar{Y}_{\text{Total}} \right)^2SSAB=n×(YˉAB+
−YˉA+−YˉB++YˉTotal)2

4. Suma de cuadrados del error (SSE): La suma de cuadrados del error se calcula restando
las sumas de cuadrados de los efectos principales y las interacciones de la suma de cuadrados
total:

SSE=SST−SSA−SSB−SSC−SSAB−SSAC−SSBC\text{SSE} = \text{SST} - \text{SSA} - \

text{SSB} - \text{SSC} - \text{SSAB} - \text{SSAC} - \
text{SSBC}SSE=SST−SSA−SSB−SSC−SSAB−SSAC−SSBC
Paso 4: Cálculo de los grados de libertad (df)

Los grados de libertad se calculan de la siguiente manera:

 df para los efectos principales (A, B y C): dfA=1,dfB=1,dfC=1df_A = 1, df_B = 1, df_C =

1dfA=1,dfB=1,dfC=1
 df para las interacciones (AB, AC, BC): dfAB=1,dfAC=1,dfBC=1df_{AB} = 1, df_{AC}
= 1, df_{BC} = 1dfAB=1,dfAC=1,dfBC=1
 df para el error (E): dfE=n−kdf_E = n - kdfE=n−k, donde kkk es el número de parámetros
estimados (en este caso, 7 efectos: 3 factores + 3 interacciones + 1 total).

Paso 5: Cálculo de la media cuadrática (MS)

Una vez que se tienen las sumas de cuadrados, se dividen entre los grados de libertad para obtener
las medias cuadráticas (MS):

 MSA: SSAdfA\frac{\text{SSA}}{\text{df}_A}dfASSA
 MSB: SSBdfB\frac{\text{SSB}}{\text{df}_B}dfBSSB
 MSC: SSCdfC\frac{\text{SSC}}{\text{df}_C}dfCSSC
 MSAB: SSABdfAB\frac{\text{SSAB}}{\text{df}_{AB}}dfABSSAB
 MSAC: SSACdfAC\frac{\text{SSAC}}{\text{df}_{AC}}dfACSSAC
 MSBC: SSBCdfBC\frac{\text{SSBC}}{\text{df}_{BC}}dfBCSSBC
 MSE: SSEdfE\frac{\text{SSE}}{\text{df}_E}dfESSE

Paso 6: Cálculo del valor F y comparación con valores críticos de F

El valor F se calcula para cada efecto (principal e interacción) como:

F=MS de la fuenteMS del errorF = \frac{\text{MS de la fuente}}{\text{MS del

error}}F=MS del errorMS de la fuente

Comparamos los valores F calculados con los valores críticos de F obtenidos de la tabla de la
distribución F, para un nivel de significancia de 1% (0.01) y 5% (0.05). Los valores críticos de F
dependen de los grados de libertad del numerador y denominador.

Paso 7: Decisión

 Si el valor F calculado es mayor que el valor crítico de F para el nivel de significancia

seleccionado (1% o 5%), se rechaza la hipótesis nula y concluimos que el factor o la
interacción tienen un efecto significativo sobre la variable de respuesta.
 Si el valor F calculado es menor que el valor crítico de F, no se rechaza la hipótesis nula,
indicando que el factor o interacción no tiene un efecto significativo.
Solución con software estadístico
Conclusión

Al organizar las combinaciones de tratamientos en una matriz estándar como la que se ha

descrito (con las ocho combinaciones posibles: a, b, ab, c, ac, bc, abc), se facilita la
identificación de los efectos principales de cada factor y sus interacciones, lo que es
crucial para comprender cómo cada factor influye en el proceso o experimento.
Este diseño proporciona una forma ordenada y sistemática de recolectar datos que luego
se pueden analizar para determinar qué factores son los más significativos y cómo
interactúan entre sí. En términos generales, se obtiene información valiosa para optimizar
el proceso experimental y mejorar la eficiencia en la toma de decisiones.
En resumen, el diseño factorial 2³ es una herramienta poderosa para estudiar efectos
principales e interacciones de factores, y la representación en forma de matriz ayuda a
visualizar y organizar las combinaciones de tratamientos de manera clara.
Un ingeniero está interesado en los efectos de la velocidad de corte (4), la geometría de la
herramienta (B) y el ángulo de corte (C) sobre la vida (en horas) de una máquina
herramienta. Se eligen dos niveles de cada factor y se corren tres réplicas de un diseño
factorial 2. Los resultados fueron los siguientes:

A B C Combinación de Replica I Replica II Replica III

tratamientos

- - - (1) 22 31 25

+ - - a 32 43 29

- + - b 35 34 50

+ + - ab 55 47 46

- - + c 44 45 38

+ - + ac 40 37 36

- + + bc 60 50 54

+ + + abc 39 41 49

β0+β1A+β2B+β3C+β12AB+β13AC+β23BC+β123ABC