DISEO FACCTORIAL

FRACCIONADO
 Los diseos factoriales simples requieren cantidades
excesivas de tiempo, material, conviene encontrar otros
diseos que requieran menores pruebas de diseo, pero
que no desdear una gran cantidad de informacin
sobre la naturaleza del vector respuesta que se expresa
con los experimentos.
 Si se est dispuesto a conformarse con una
investigacin algo menos completa, incluyendo los
efectos principales y las interacciones de dos factores y
excluyendo los efectos de tres factores o interacciones
de alto orden.
Los diseos factoriales fraccionadas se usan
principalmente para la depuracin o seleccin, es
decir, para identificar la variable ms importante que
influye en la respuesta
 En cualquier diseo que utilice menos pruebas de los
que requiera uno de tipo factorial completo, se tendrn
los mismos efectos de confusin.
Por ejemplo, un efecto principal se puede confundir con
uno o ms efectos de interaccin de alto orden, esto es,
la estadstica que mide un ejemplo principal puede ser
igual a la estadstica que determina algunos de los
efectos de las interacciones. Por lo tanto, la estadstica
en cuestin puede indicar que existe algn efecto, pero
no sealar si est presente el efecto principal, el de
interaccin o alguna combinacin aditiva de efectos.
DISEO FACTORIAL 2 k-P

Este tipo de diseo es uno de los ms tiles desde el

punto de vista prctico, pues permite obtener una
informacin de varios factores o variables a la vez,
realizando un mnimo de experiencias (fraccionando un
diseo factorial completo).
Es particularmente til cuando:
Se tiene poca materia prima para realizar las
experiencias o cuando estas son costosas, lo cual obliga
a realizar pocas pruebas experimentales.
Se requiere informacin rpida.
Existe escasez de recursos humanos y materiales
 Un diseo factorial fraccionada est definido por:
2k-P
Donde:
k: Es el nmero de factores a estudiar.
p: Es el nmero de factores a confundir.
De esta manera es posible estudiar por ejemplo el
efecto de cuatro o ms factores, realizando un mnimo
de ocho experiencias. Para esto se requiere que
algunas de las interacciones de orden superior sean
nulas o despreciables
MEDIA FRACCIN DEL DISEO 2 k-p

Se estudia a partir de k=3 factores en dos niveles cada

uno, para lo cual utilizaremos un diseo factorial
fraccionado del tipo (1/2)n2k, donde n es la cantidad
que debe disminuirse la fraccin. Mediante esta
ecuacin se puede generar factoriales de , 1/8, 1/16
etc.
Ejemplo 5: se desea evaluar un diseo 23=8 pero
queremos una media fraccin, por lo tanto tendremos
(1/2)123=4 combinaciones de tratamiento.

 Notase que el diseo 23-1 se forma al seleccionar slo las
combinaciones de tratamiento que producen la
multiplicacin de signos, donde C=AB.

Es posible construir la combinacin de tratamientos del

diseo 2k-1 completo igualando el factor C por la
interaccin AB, de amplia aplicacin cuando los
efectos principales son negativos pero tienen una gran
influencia en el proceso.
 Ecuacin Generatriz (I= X1X2X3)
En un diseo 23 = 8 experiencias, existe una interaccin
de tercer orden, X1X2X3 que puede considerarse nula o
despreciable y lo cual puede ser utilizado para
examinar otro factor como X4, igualando X4 a X1X2X3 (lo
que puede hacerse como X4 =+/- X1X2X3).
 Si se tiene conocimiento previo de la no existencia de
interacciones entre los factores X1 X2 se puede suponer,
por ejemplo, que la interaccin X1X2 es nula o
despreciable y puede utilizarse para estimar el efecto
de un quinto factor X5, igualando X5 = +/- (X1X2) y as
sucesivamente.
De este modo un diseo factorial fraccional con ocho
observaciones puede ser til para:
Estimar los efectos de tres factores y todas las
interacciones entre ellos (diseo 23 completo).
Estimar los efectos de cuatro factores y tres
interacciones de segundo orden, todas las restantes se
consideran nulas o despreciables.
 Estimar los efectos de cinco factores y 2 interacciones
de segundo orden, todas las restantes se consideran
nulas o despreciables.
Estimar los efectos de seis factores y una interaccin de
segundo orden, todos las restantes se consideran nulas
o despreciables.
Estimar los efectos de los siete factores, todas las
interacciones se consideran nulas o despreciables.
Ley de Multiplicacin de Factores
Para dos efectos principales X1 y X2 la interaccin es
denotada por X1X2 , para las interacciones X1X2 X3X4 la
interaccin entre ellos se denota por : X1X2X3X4.
Pero dos interacciones con un elemento comn, por
ejemplo X1X2X3 Y X3X4X5 su producto es X1X2X32X4X5 =
X1X2X4X5, esto deja implcito que el cuadrado de
cualquier efecto es igual a la unidad (tal como X12= X22
= =1).
Sistema para un diseo factorial fraccionado
Supongamos que queremos buscar una aproximacin
lineal, para una pequea rea de una superficie
respuesta con cuatro variables independientes.

Como mencionamos arriba, podemos asumir que la

interaccin de tercer orden X1X2X3 es aproximadamente
igual a cero o despreciable, e igualando a un cuarto
factor o variable obtenemos:
 X 4 = X1 X2 X3
El cual es conocido como relacin de generacin
 Aplicando la ley de multiplicacin de factores, multiplicando
ambos lados de la relacin de generacin por X. obtenemos:

La ltima relacin es conocida como contraste de

definicin.
Seguidamente, para ver cul es lo que estamos midiendo y
que efectos estamos perdiendo, se construye una tabla
denominada Tabla de aliases, esto es, multiplicando la
definicin de contraste con la combinacin de factores del
diseo base (23), como puede observarse en la tabla. Por
ejemplo:
 Los parmetros del modelo matemtico estn definidos
como:
 En la prctica las interacciones de tercer orden son
aproximadamente iguales a cero, ms frecuentes que
las interacciones de segundo orden.
 La interpretacin que puede deducirse es la siguiente: si
estimamos el coeficiente b1 lo que realmente vemos es
la suma de 1 y 234, es decir que se encuentran
confundidos. Pero, como mencionamos anteriormente,
que las interacciones de tercer orden son
aproximadamente cero, lo que obtenemos es un buen
estimado de los trminos lineales del modelo
matemtico, mas no as de los trminos con interaccin,
que estn confundidos.
 Por lo tanto, la relacin de generacin escogida (X4 =
X1X2X3) es apropiada para la estimacin de efectos
principales o trminos lineales del modelo matemtico.
Si seleccionamos ahora una nueva relacin de
generacin:
X4 = X1X2
Aplicando la ley de multiplicacin de factores,
obtenemos la definicin de contraste:
 La tabla de aliases se muestra en la tabla siguiente, se
obtiene multiplicando la definicin de contraste por la
columna correspondiente al diseo base.
 Los parmetros del modelo matemtico estn definidos.

Interpretacin: Utilizando la relacin de generacin (X4 =

X1X2), obtenemos es un buen estimado de los
coeficientes de los trminos de interaccin doble del
modelo matemtico, lo que puede utilizarse si el inters
es investigar las interacciones dobles entre las variables.
La tabla (*) resume las distintas posibilidades de investigar
ms de 3 variables, tomando diferentes combinaciones de
definicin de contrataste, utilizando la siguiente notacin
 EJEMPLO
En la primera etapa de optimizacin se investiga la
influencia de cuatro factores, tiempo de molienda, pH,
dosificacin del colector y espumante en la
recuperacin de cobre en un proceso de flotacin de
un mineral sulfurado de cobre. La tabla siguiente
muestra, los niveles a considerar durante el experimento,
para cada uno de los factores.
Como colector se us Z-200 y como espumante Dowfroth-200.
Podemos estudiar cuatro variables (k=4) utilizando 8 pruebas experimentales,
es decir, que podemos fraccionar para p=1:

Como mencionamos anteriormente, podemos elegir como relacin de

generacin a: X4=X1X2X3 si nuestro inters fundamental es investigar el efecto
de cada una de las variables independientemente.
 Calculo de Efectos
 F de tabla para un nivel de significancia de 0.01 y para 1
y 2 grados de libertad es 98.5. Por lo tanto, las variables
en forma independiente, tempo de molienda y
dosificacin de colector son significativas, mientras que
el pH y la adicin de espumante resultaron
insignificantes

Modelo Matemtico
Yest. = 87.65 + 1.6 X1 - 1.75 X3
 Reemplazando los valores codificadas de X1 y X2 en el
modelo matemtico obtenemos valores estimados
(Yest.). Luego podemos hacer un anlisis de residuales
 Aplicando la ecuacin, calculamos la suma de
cuadrados de residuales:

SCMR= 0.748
La suma del cuadrado medio del error as 0.04 con 2
grados de libertad. As el valor de Fo es:

Fo = 0.748 / 0.04 = 18.7

 Comparando Fo con el F de tabla a un nivel de
significancia de 0.05 y para 4 y 2 grados de libertad,
respectivamente, (Ftabla = 19.30). Este valor es mayor que
F de tabla, por lo tanto el modelo matemtico hallado
ajusta o representa adecuadamente al fenmeno.

Como ya se analiz, las variables principales X1 y X3 son

significativas. Ahora analicemos que factores estn
confundidos y que es lo que estamos midiendo:
 Como mencionamos anteriormente, en la prctica los
trminos de interaccin de tercer orden son iguales a
cero, por lo que tendremos un buen estimado de las
variables o factores principales X1 y X3, as decir:
Grafica del modelo matemtico:
Utilizando las frmulas de decodificacin del captulo
anterior, el modelo matemtico a escala natural es:
YEST = 85.967 + 1.067 Z1 - 35 Z3