CORPORACIÓN UNIVERSITARIA

AMERICANA

INTRODUCCION A
INTRODUCCION A LOS
LOS DISEÑOS
DISEÑOS
FACTORIALES
FACTORIALES

ING. ANDRÉS PORTO S.

 DEFINICIONES Y PRINCIPIOS BASICOS
 En muchos experimentos interviene el estudio
de los efectos de dos o más factores.
 En general, los diseños factoriales son los
más eficientes para este tipo de
experimentos.
 Por Diseño Factorial se entiende que en
cada ensayo o réplica completa del
experimento se investigan todas las
combinaciones posibles de los niveles de los
factores.
 Por ejemplo, si el factor A tiene a niveles, y
el factor B tiene b niveles, cada réplica
contiene las ab combinaciones de los
tratamientos.
 DEFINICIONES Y PRINCIPIOS BASICOS
 Cuando los factores están incluidos en un diseño
factorial, es común decir que están Cruzados.
 El efecto de un factor se define como el cambio en la
respuesta producido por un cambio en el nivel del factor.
Con frecuencia se le llama Efecto Principal, porque se
refiere a los factores de interés primario en el
experimento.
 Ejemplo :
Efecto principal del Factor “A”:
Figura 5-1
40  52 20  30
30 52
Α   21
+
(Alto)
2 2
Cuando el factor A se incrementa del nivel
bajo al alto se produce un Incremento de la
respuesta promedio de 21 unidades.
-
(Bajo) Efecto principal del Factor “B”:
20 40
30  52 20  40
B   11
- + 2 2
(Bajo)
(Alto) Factor “A”
  En algunos experimentos puede encontrarse que
la diferencia en la respuesta entre los niveles de
un factor no es la misma para todos los niveles
de los otros factores. Cuando esto ocurre, existe
una interacción entre los factores.
 Ejemplo :
Con el nivel bajo del factor B, el efecto de “A” es :
A= 50 – 20 = 30, y
Con el nivel alto del factor B, el efecto de “A” es :
Figura 5-2 A= 12 – 40 = -28.

+ 40 12
(Alto) El efecto de A depende del nivel que se elige para
el factor B.

Magnitud del efecto de interacción es la

-
diferencia promedio de estos 2 efectos.
(Bajo)
20 50 A ó AB =( -28-30) / 2 = -29, esto indica que la
interacción en este experimento es grande.

- +
(Bajo)
(Alto) Factor “A”
EXPERIMENTO FACTORIAL SIN INTERACCION
A
A- A+
B+ 30 52
B
B- 20 40

EXPERIMENTO FACTORIAL SIN INTERACCIONES

Figura 5-3
60
30 52 50
+

Respuestas
40
(Alto) B+
30
B-
20
10
0
- 1 2
(Bajo) Factor A
20 40

- +
(Bajo)
(Alto) Factor “A”
EXPERIMENTO FACTORIAL CON INTERACCION
A
A- A+
B+ 40 12
B
B- 20 50

EXPERIMENTO FACTORIAL CON INTERACCIONES

Figura 5-4
60
40 12 50
+

Respuesta
(Alto) 40
B+
30
B-
20
10
0
- 1 2
(Bajo) Factor A
20 50

- +
(Bajo)
(Alto)
Factor “A”
El concepto de Interacción
El concepto de Interacción (continuación)
El concepto de Interacción (continuación)
El concepto de Interacción (continuación)
VENTAJAS DE LOS DISEÑOS FACTORIALES
 Son más eficientes que los experimentos de
un factor a la vez.

 Es útil para evitar conclusiones incorrectas.

 Permiten estimar los efectos de un factor
con varios niveles con los factores
restantes.
 DISEÑO FACTORIAL DE DOS
FACTORES
 EJEMPLO:
Un ingeniero está diseñando una batería que se usará en un
dispositivo que se someterá a variaciones de temperaturas extremas.
El único parámetro del diseño que puede seleccionar en este punto es
el material de la placa o ánodo de la batería, y tiene tres elecciones
posibles. Cuando el dispositivo esté fabricado y se envíe al campo, el
ingeniero no tendrá control sobre las temperaturas extremas en las
que operará el dispositivo, pero sabe por experiencia que la
temperatura probablemente afectará la vida efectiva de la batería. Sin
embargo, la temperatura puede controlarse en el laboratorio donde se
desarrolla el producto para fines de prueba.
El ingeniero decide probar los tres materiales de la placa con tres
niveles de temperatura 15 oF, 70 oF y 125 oF, ya que estos niveles de
temperatura son consistentes con el medio ambiente donde se usará
finalmente el producto.

 PREGUNTAS:
1. ¿Qué efectos tienen el tipo de material y la temperatura sobre la vida
de la batería?.
2. ¿Existe alguna elección del material que produzca de manera regular
una vida larga de la batería independiente de la temperatura?
Este es un ejemplo específico de diseño factorial de dos
factores, para pasar al caso general, sea yijk la respuesta
observada cuando el factor A tiene el nivel i-ésimo
(i= 1, 2, …, a) y el factor B tiene el nivel j-ésimo
(j=1, 2, …, b) en la réplica k-ésima (k=1, 2, …n). En
general, el experimento factorial de dos factores aparecerá
como en la siguiente tabla:
Factor B
Nivel 1 2 …. b
1 y111, y112,…, y11n y121, y122,…, y12n …. y1b1, y1b2,…, y1bn
Factor A 2 y211, y212,…, y21n y221, y222,…, y22n …. y2b1, y2b2,…, y2bn
…. …. …. …. ….
a ya11, ya12,…, ya1n ya21, ya22,…, ya2n …. yab1, yab2,…, yabn

El orden en que se hacen las abn observaciones se

seleccionan al azar, por lo que este diseño es un diseño
completamente aleatorizado
Las observaciones resultantes de llevar a
cabo este experimento se muestra en la
siguiente tabla:

TIPO DE TEMPERATURA ( º F )
MATERIA 15 70 125
L 130 155 34 40 20 70
1
74 180 80 75 82 58
150 188 136 122 25 70
2
159 126 106 115 58 45
138 110 174 120 96 104
3
168 160 150 139 82 60
 Hay varias formas de escribir el modelo de un
experimento factorial:
El modelo de los efectos.
El modelo de las medias.
El modelo de regresión
El interés se encuentra en probar la HIPOTESIS acerca de la igualdad
de los efectos de los tratamientos de los renglones, por ejemplo:
Ho: t 1=t2 =…= ta= 0
H1: al menos una ti ≠ 0
Y de la igualdad de los efectos de los tratamientos de las columnas,
por ejemplo:
Ho : β1= β2 =…= βb= 0
H1 : al menos una βj ≠ 0

Nos interesa determinar si los tratamientos de los renglones y las

columnas interactúan, por lo tanto también querría probarse que:

Ho : (tβ)ij= 0 , para todas las i, j

H1 : al menos una (tβ)ij ≠ 0
 Estas hipótesis se prueban utilizando un
análisis de varianza de dos factores.

Tabla del análisis de varianza para el diseño factorial de dos factores, modelo con efectos fijos
Fuentes de Suma de Grados de
Cuadrado Medio F0
Variación Cuadrados Libertad

 SS A
MS
Tratamiento A SSA a-1 MS F  A
A
a 1 MS
0
E

SS MS
Tratamiento B SSB MS  B
F B
b-1 B
b 1 MS
0
E

SS MS
Interacción SSAB (a-1)(b-1) MS  AB
F  AB
AB
( a  1)( b  1) MS
0
E

SS
Error SSE ab(n-1) MS E
 E

ab ( n  1)

Total SST abn-1

Tabla del análisis de varianza para el diseño factorial de dos factores, modelo con efectos fijos.
 Suma de cuadrados:
2
a b y n

SS     y 
2 ...
T
abn
ijk 2
1 a b 2 y...
i  | j 1 k 1

SS Subtotales   y 
n i 1 j 1 ij. abn
2
1 y a
SS AB  SS Subtotales  SS A  SS B
SS   y 
2 ...

bn abn SS E  SST  SS A  SS B  SS AB
A i ..
i 1

ó
1
2
SS E  SST  SS Subtotales
y b
SS   y 
2 ...

an abn
B . j.
j 1
 RESOLVIENDO EL EJEMPLO
DEL DISEÑO DE BATERIAS
TEMPERATURA ( º F ) a= 3
TIPO DE Yi..
Yij. Yij. Yij.
MATERIAL 15 Yij. 70 Yij. 125 Yij.
Barra Barra Barra b= 3
130 155 34 40 20 70 n= 4
1 539 134,75 229 57,25 230 57,50 998
74 180 80 75 82 58 N = 36
150 188 136 122 25 70
2 623 155,75 479 119,75 198 49,50 1300
159 126 106 115 58 45
138 110 174 120 96 104
3 576 144,00 583 145,75 342 85,50 1501
168 160 150 139 82 60
Y.j. 1738 1291 770 3799 Y…

CALCULOS PARA REALIZAR POSTERIORMENTE EL ANOVA

 Cálculos para el ANOVA
2
y
a b n

SS     y   130  155  ...  60  3799 / 36  77.646,97

2 ... 2 2 2 2
T
abn
ijk
i  | j 1 k 1

2
1 y a 1
SS     (998  1300  1501 )  3799 / 36  10.683,72
2
y ... 2 2 2 2

bn abn 3  4
Material i ..
i 1

2
1 y 1 b
 y   (1738  1291  770 )  3799 / 36  39.118,72
2
SS ... 2 2 2 2

an abn 3  4
Temper . j.
j 1
 Cálculos para el ANOVA (continuación)

2
1 a y
b
SS   y   SS  SS
2 ...
Material Temper
n abn
Interacción ij .
i 1 j 1

1
SS  (539  229  ...  342 )  3799 / 36  10.683,72  39.118,72  9.613,78
2 2 2 2

4
Interacción

SS  SS  SS
E T Material
 SS Temperatur a
 SS Interacción

SS  77.646,97  10.683,72  39.118,72  9.613,78  18.230,75

E
 ANOVA
Tabla del análisis de varianza para el diseño factorial de dos factores, modelo con
Fuentes de Suma de Grados de Cuadrado
F0 Fc P value
Variación Cuadrados Libertad Medio
Tipos de
10683,72 2 5341,86 7,91 3,35 0,00197608
Material
Temperatura 39118,72 2 19559,36 28,97 3,35 0,00000019

Interacción 9613,78 4 2403,45 3,56 2,73 0,01861115

Error 18230,75 27 675,21

Total 77646,97 35
Gráfica Tipo de Material - Temperatura
Tipo de Temperatura Promedio por Tipo de Mateial oF
Material 15 70 125
1 134,75 57,25 57,50
2 155,75 119,75 49,50
3 144,00 145,75 85,50

Gráfica tipo de material-temperatura

180.00
160.00
140.00
Material
Vida promedio

120.00 Tipo 1
100.00 Tipo 2
Tipo 3
80.00
60.00
40.00
20.00
0.00
15
1 2 70
3 4 125
5
Temperatura (oF)
 UNA OBSERVACION POR CELDA
 En ocasiones se encuentran experimentos de dos
factores con una sola réplica, es decir, en los que solo
hay una observación por celda. Entonces cuando hay 2
factores y una observación por celda, el modelo de los
efectos es:

1 y
a
2

SS   y 
2 .. Suma de cuadrados de la no aditividad:
2
A   y  2

b ab
i. a b
i 1
   y y y  y  SS  SS   ..

 ab 
ij i. .j .. A B

SS   i 1 j 1

1 y abSS SS
N
2
a

SS   y 
A B
2 ..
B
a ab
.j
i 1 Con un grado de libertad, y

a y b
2
SS  SS  SS
SS    y 
2 ..
ERROR RESIDUAL N

T
ab
ij
i 1 j 1 Con (a  1)(b  1)  1 grados de libertad.

SS Re sidual  SS  SS  SS
T A B
 ANALISIS DE VARIANZA
El análisis de varianza para esta situación se presenta en esta tabla:

FUENTE DE SUMA DE GRADOS DE CUADRADO CUADRADO

VARIACION CUADRADOS LIBERTAD MEDIO MEDIO
ESPERADO
RENGLONES y
a y 2 2
b i2
(A)   i. ..
a-1 MSA 2 
a 1
b ab
i 1

COLUMNAS by y
2 2
a   j2
 
 
2
(B) .j .. b-1 MSB
b 1
a ab
j 1

RESIDUAL O
   2
ij
AB SUSTRACCION (a-1)( b-1) MSRESIDUAL 2 
 a  1 b  1
a y b
2

 y 
2
TOTAL ..
ab-1
ab
ij
i 1 j 1

Tabla 5.9. Análisis de Varianza de un modelo de dos factores, una observación

por celda.
 EJEMPLO 1
 Las impurezas presentes en un producto
químico son afectadas por dos factores,
la presión y la temperatura. En la
siguiente tabla se muestran los datos de
una sola réplica de un experimento
factorial.
Presión
Temperatura (ºF) 25 30 35 40 45
100 5 4 6 3 5
125 3 1 4 2 3
150 1 1 3 1 2
 FUENTE DE SUMA DE GRADOS DE CUADRADO CUADRADO
VARIACION CUADRADOS LIBERTAD MEDIO MEDIO
ESPERADO
RENGLONES 1 a 2 y..2 b i2
(A)  yi.  ab
b i 1 a-1 MSA   2

a 1
COLUMNAS 1 b
y 2
a   j2
(B) 
a j 1
y.2j 
ab
..
b-1 MSB 2 
b 1
RESIDUAL O
  
2
ij
AB SUSTRACCION (a-1)( b-1) MSRESIDUAL  2

 a  1 b  1
a by 2

TOTAL  y  2 ..
ab-1
ab
ij
i 1 j 1

Tabla 5.9. Análisis de Varianza de un modelo de dos factores, una observación

por celda.

a b
y..2 2
[ yij yi. y. j  y.. ( SS A  SS B  )]
ab
SS N  i 1 j 1
abSS A SS B
Grados de
Fuente de Suma de Cuadrados P
libertad Fo Fc
variacion cuadrados(SS) medios(MS) value
(DOF)
Temperatura 23,33 2 11,67 42,95 4,74 0,0001
Presión 11,60 4 2,90 10,68 4,12 0,0042
No aditividad 0,0985 1 0,0985 0,36 5,59 0,5660
Error 1,9015 7 0,2716
Total 36,93 14

Tabla 5.11
SI Fo>Fα, 1,[ (a-1)(b-1)-1], debe rechazarse F0 =0,36
la hipótesis de que no hay ninguna FC = 5,59 luego no hay
interacción. interacción
DISEÑO FACTORIAL GENERAL
El diseño factorial puede ampliarse al caso general en que hay a
niveles del factor A, b niveles del factor B, c niveles del factor C,
etc., dispuestos en un experimento factorial.
En general, habrá abc…n observaciones totales si se hacen n
réplicas del experimento completo.
Por ejemplo: Considere el modelo del análisis de varianza de tres
factores:

i  1,2,..., a 
 
 j  1,2,..., b
 
y                     
ijkl i j k ij ik jk ijk
 
ijkl 
k  1,2,..., c 
 
 
l  1,2,..., n 
 Análisis de Varianza, para el modelo de tres
factores A, B, C
FUENTE DE SUMA DE GRADOS DE CUADRADO CUADRADO
VARIACION CUADRADOS LIBERTAD MEDIO MEDIO Fo
ESPERADO
bcn i2 Fo 
MS A
A SSA a-1 MSA  MS E
a 1

acn  j2 Fo 
MS B
B SSB b-1 MSB   2
MS E
b 1
abn  k2 Fo 
MS C
C SSC c-1 MSC 2  MS E
c 1
cn   ij MS AB
2

2 Fo 
AB SSAB (a-1)(b-1) MSAB  a  1 b  1 MS E
bn   MS AC
2

 2

ik
Fo 
AC SSAC (a-1)(c-1) MSAC  a  1 c  1 MS E
an    jk MS BC
2

2 Fo 
BC SSBC (b-1)(c-1) MSBC  b  1 c  1 MS E
n   ijk MS ABC
2

 
2
Fo 
ABC SSABC (a-1)(b-1)(c-1) MSABC  a  1 b  1 c  1 MS E
ERROR SSE abc(n-1) MSE 2
TOTAL SST abcn-1
 Suma de cuadrados:
a b y c n
2

SS      y  2 ....

abcn
T ijkl
i 1 j 1 k 1 l 1

1 y 2 1 y a c
2

SS 
a
SS    y   SS  SS 2

y 
....
2 ....
bn abcn
AC i .k . A C
i 1 k 1

bcn abcn
A i ...
i 1

1 y b c
2

1 y b
2 SS   y   SS  SS 2 ....

an abcn
BC . jk . B C

SS   y  2 .... j 1 k 1

acn abcn
B . j ..
j 1

1 a y b c
2

SS    y   SS  SS  SS  SS  SS  SS
2 ....

n abcn
ABC ijk . A B C AB AC BC

1 y 2 i 1 j 1 k 1
c
SS  y 
2 ....

abn abcn
C .. k .
k 1
1 y a b c
2

SS  SS    y  2 ....

n abcn
E T ijk .
i 1 j 1 k 1

1 y a b
2

SS    y   SS  SS 2 ....

cn abcn
AB ij .. A B
i 1 j 1
 EJEMPLO 2
 Una empresa embotelladora de refrescos está interesada en obtener
alturas de llenado más uniformes en las botellas que se fabrican en
su proceso de manufactura. Teóricamente, la máquina de llenado
llena cada botella a la altura objetivo correcta, pero en la práctica,
existe variación en torno a este objetivo, y a la embotelladora le
gustaría entender mejor las fuentes de esta variabilidad y, en última
instancia, reducirla.

El ingeniero del proceso puede controlar tres variables durante el

proceso de llenado: el porcentaje de carbonatación (A), la presión de
operación en el llenador (B) y las botellas producidas por minuto
rapidez de línea (C). Es sencillo controlar la presión y la rapidez, pero
el porcentaje de carbonatación es más difícil de controlar durante la
manufactura real debido a que varía con la temperatura. Sin
embargo, para los fines de un experimento, el ingeniero puede
controlar la carbonatación en tres niveles:10, 12 y 14 %. Elige dos
niveles de presión (25 y 30 psi) y dos niveles para la rapidez de
línea (200 y 250 bpm). El ingeniero decide correr dos réplicas de un
diseño factorial con estos tres factores, haciendo las 24 corridas de
manera aleatoria. La variable de respuesta observada es la
desviación promedio de la altura del llenado objetivo que se observa
en una corrida de producción de botellas con cada conjunto de
condiciones. En la siguiente tabla se muestran los datos que
resultaron de este experimento. Las desviaciones positivas son
alturas de llenado arriba del objetivo, mientras que las desviaciones
negativas son alturas de llenado abajo del objetivo.
 Presion de Operación(B)
Porcentaje de 25 psi 30 psi
carbonatación (A) Rapidez de linea(C) Rapidez de linea(C)
200 250 200 250
10 -3 -1 -1 1
-1 0 0 1
12 0 2 2 6
1 1 3 5
14 5 7 7 10
4 6 9 11

Presion de Operación(B)
Porcentaje de 25 psi 30 psi
yi… Promedio
carbonatación (A) Rapidez de linea(C)
200 Total 250 Total 200 Total 250 Total
10 -3 -1 -1 1
-4 -1 -1 2 -4 -0,5
-1 0 0 1
12 0 2 2 6
1 3 5 11 20 2,5
1 1 3 5
14 5 7 7 10
9 13 16 21 59 7,375
4 6 9 11
Totales B x C y.jk. 6 15 20 34 75 y..
y.j.. 21 54
Promedio 1,75 4,5
y..k. 26 49
 Grados
Suma de Cuadrados
de
Fuente de variacion cuadrados medios Fo Fc P value
libertad
(SS) (MS)
(DOF)

Porcentaje de Carbonatación (A)

252,7500 2 126,3750 178,4118 3,8853 0,000000
Presion de Operación(B) 45,3750 1 45,3750 64,0588 4,7472 0,000004
Rapidez de linea(C) 22,0417 1 22,0417 31,1176 4,7472 0,000120
AB 5,2500 2 2,6250 3,7059 3,8853 0,055808
AC 0,5833 2 0,2917 0,4118 3,8853 0,671494
BC 1,0417 1 1,0417 1,4706 4,7472 0,248587
ABC 1,0833 2 0,5417 0,7647 3,8853 0,486871
Error 8,5000 12 0,7083
Total 336,6250 23
Analysis of Variance for Desviación Llenado - Type III Sums of Squares
Source Sum of Squares Df Mean Square F-Ratio P-Value
MAIN EFFECTS
A:% Carbonatación 252,7500 2 126,3750 178,4100 0,000000
B:Presión de Operación 45,3750 1 45,3750 64,0600 0,000000
C:Rapidez de Línea 22,0417 1 22,0417 31,1200 0,000100
INTERACTIONS
AB 5,2500 2 2,6250 3,7100 0,055800
AC 0,5833 2 0,2917 0,4100 0,671500
BC 1,0417 1 1,0417 1,4700 0,248600
ABC 1,0833 2 0,5417 0,7600 0,486900
RESIDUAL 8,5000 12 0,7083
TOTAL (CORRECTED) 336,6250 23
All F-ratios are based on the residual mean square error.

The StatAdvisor
The ANOVA table decomposes the variability of Desviación Llenado into contributions due to various factors.
Since Type III sums of squares (the default) have been chosen, the contribution of each factor is measured
having removed the effects of all other factors. The P-values test the statistical significance of each of the
factors. Since 3 P-values are less than 0.05, these factors have a statistically significant effect on
Desviación Llenado at the 95.0% confidence level.
 Taller 1 en clase: Resistencia a la Torsión
Para mejorar la resistencia a la torsión de las adhesiones de
componentes eléctricos sobre placas, se estudiaron 2 tipos de
pegamentos (A1, A2) y 3 temperaturas de curado (60 ºC, 80 oC y
100 ºC). En cada combinación se analizaron 2 componentes y los
resultados obtenidos son los siguientes:
TIPO DE TEMPERATURA DE CURADO
a) Platee la hipótesis de
PEGAMENTO 60 oC 80 oC 100 oC interés en este problema y
2,50 3,80 4,00
Pegamento A1 el modelo estadístico.
2,80 3,40 4,20
b) Construya el ANOVA y
1,60 3,20 4,30
Pegamento A2 decida cuales efectos están
1,22 2,80 4,70
activos.
 Taller 2 en clase: Resistencia de Cucho Vulcanizado
 Se dese investigar de qué manera afecta el tiempo de curado y el tipo
de acelerante a la resistencia de cucho vulcanizado. Se realiza un
experimento y se obtienen los siguientes datos.
Tiempo de Cura a Acelerante
14 oC (minutos) A B C
40 3900 3600 4300 3700 3700 4100
60 4100 3500 4200 3900 3900 4000
80 4000 3800 4300 3600 3600 3800
a) Señale el nombre del diseño de experimento utilizado en su modelo
estadístico.
b) Formule claramente todas las hipótesis que se puedan probar.

c) Realice el análisis estadístico apropiado para probar las hipótesis que

formuló.
 Taller 3 en clase: Experimento de Microbiología
 Se realizó un experimento de microbiología de suelos para determinar
el efecto de la fertilidad del nitrógeno en la fijación de nitrógeno por
bacterias Rhisobium. El experimento se ejecutó en 4 cosechas; alfalfa,
soya, guar y habas. Se inocularon 2 plantas con el Rhisobium y se
cultivaron en un frasco de Leonard con una de las siguientes 3 tasas de
nitrógeno en el medio: 0, 50 y 100 ppm de N. Se usaron 4 réplicas de
frascos de Leonard para cada una de las 12 combinaciones de
tratamiento. Los tratamientos se arreglaron en un diseño totalmente
aleatorizado en una cámara y se midió la reducción de acetileno para
cada tratamiento en la etapa de florecimiento de la planta. La
reducción de acetileno refleja la cantidad de nitrógeno que fija la
bacteria en la relación simbiótica con la planta.
CULTIVO
NITRÓGENO ALFALFA SOYA GUAR HABAS
2.6 1.1 6.5 2.6 0.3 0.1 0.8 0.9
0
0.9 1.2 3.9 4.3 0.4 0.4 2.2 1.2
0.0 0.0 0.6 0.6 0.0 0.1 0.7 0.4
50
0.0 0.0 0.3 0.8 0.0 0.2 0.3 0.8
0.0 0.0 0.0 0.1 0.0 0.2 0.3 0.1
100
0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.1