Experimento

Conceptos Factorial
básicos
Efecto
Modelo
principal
Estadístico

Efecto de
Hipótesis y
Interacción
Análisis de
Varianza
Con dos
Diseños Factores
Factoriales
Con tres
Comparacion
Factores
de medidas

Diseño Transformaciones
para estabilizar Dos Factores
Factorial
Varianza Aleatorios
General

Efectos Modelo Mixto

Aleatorios
 Diseño factorial: Diseño experimental
que sirve para estudiar el efecto
individual y de interacción de varios
factores sobre una o varias
respuestas.
 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
estudiar la manera en que influye cada factor sobre la
variable de respuesta es necesario elegir al menos dos
niveles de prueba para cada uno de ellos. Con el
diseño factorial completo se corren aleatoriamente
todas las posibles combinaciones que pueden
formarse con los niveles de los factores a investigar.
• 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 nivel. Por
ejemplo, para los datos de la tabla 5.1, los efectos
principales están dados por
 Así, la matriz de diseño 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.
 1. Permiten estudiar el efecto individual y de interacción de los
distintos factores.
 2. Son diseños que se pueden aumentar para formar diseños
compuestos en caso de que se requiera una exploración más completa.
Por ejemplo, es útil aumentar el diseño si el comportamiento de la
respuesta no es lineal en los factores controlados.
 3. Se pueden correr fracciones de diseños factoriales, las cuales son de
gran utilidad en las primeras etapas de una investigación que
involucra a muchos factores, cuando interesa descartar de manera
económica los que no son importantes, antes de hacer un estudio más
detallado con los factores que sí son importantes.
 4. Pueden utilizarse en combinación con diseños de bloques en
situaciones en las que no puede correrse todo el diseño factorial bajo
las mismas condiciones. Por ejemplo, cuando cada lote de material
sólo alcanza para correr la mitad del experimento, éste se puede
realizar en dos bloques (dos lotes), lo cual implica repartir las pruebas
en los dos lotes de la manera más conveniente posible.
 5. La interpretación y el cálculo de los efectos en los experimentos
factoriales se puede hacer con aritmética elemental, en particular
cuando cada factor se prueba en dos niveles. Todas estas ventajas de
los diseños factoriales se harán patentes en la medida en que nos
adentremos en el tema a lo largo del libro.
El objetivo de un deseño factorial es estudiar el
efecto de varios factores sobre una o varias
respuestas, cuando se tiene el mismo interés en
Diseños Factoriales
todos los factores.
1.-
Conceptos
básicos
Los factores pueden ser cualitativos, cuantitativos o
mixtos

4.-
Bloques Diseños 2.- Diseño
en Factoriale Factorial
Factoriale General
Es necesario elegir al menos dos niveles de prueba s s
para cada factor.

3.-
Superficies
de
El diseño Factorial completo se corren respuesta
aleatoriamente todas las posibles combinaciones
 Ejemplo 5.2
Factorial 4 × 3. Consideremos un experimento en el que se quiere estudiar el efecto de los factores A: profundidad
de corte sobre el acabado de un metal y B: velocidad de alimentación. Aunque los factores son de naturaleza
continua, en este proceso sólo se puede trabajar en 4 y 3 niveles, respectivamente. Por ello, se decide correr un
factorial completo 4 × 3 con tres réplicas, que permitirá obtener toda la información relevante en relación al efecto
de estos factores sobre el acabado. Al aleatorizar las 36 pruebas se obtienen los datos de la tabla 5.3.
El acabado (Y) está en unidades de gramos e interesa minimizar su valor. La representación gráfica del diseño 4 ×
3 se muestra
Modelo en la figura
estadístico 5.3. de interés. El modelo estadístico de efectos para este tipo
e hipótesis
de diseño está dado por:
• Estas hipótesis se prueban mediante la técnica de análisis
de varianza, que para un diseño factorial a × b con n
réplicas resulta de descomponer la variación total como

• donde los respectivos grados de libertad de cada una de

ellas son:
• El factor (n – 1) en los grados de libertad de la suma de cuadrados del error (SCe) señala
que se necesitan al menos dos réplicas del experimento para calcular este componente y,
por ende, para construir una tabla de ANOVA. Recordemos que las sumas de cuadrados
divididas entre sus correspondientes grados de libertad se llaman cuadrados medios
(CM). Al dividir éstos entre el cuadrado medio del error (CME) se obtienen estadísticos
de prueba con distribución F. Toda esta información se sintetiza en la tabla 5.4. Si el
valor-p es menor al nivel de significancia a prefijado, se rechaza la hipótesis nula y se
concluye que el correspondiente efecto está activo o influye en la variable de respuesta.
Con esta información se construye el análisis de varianza de
la tabla 5.5. Del ANOVA se concluye que los tres efectos
A : vel, B : prof y AB están activos o influyen en el
acabado. Dado que el efecto de interacción AB resulta
significativo, prácticamente toda la información relevante
del experimento se aprecia en su representación gráfica
(figura 5.4). Nótese que aparecen tantas líneas como niveles
tenga el factor que se dibuja en la parte de arriba, que en
este caso es la profundidad con sus cuatro niveles que se
denotan con una escala de –1 a 1. La significancia de la
interacción detectada por el ANOVA se observa en el hecho
de que las líneas en la figura 5.4 tienen pendientes
relativamente diferentes. Como lo que interesa es
minimizar la variable de respuesta, se observa que a mayor
velocidad y profundidad hay una tendencia a obtener peores
acabados. Además se ve que cuando se tiene velocidad alta
(A+) el efecto de profundidad es menor (véase la dispersión
de las líneas en la figura cuando la velocidad es alta). Por lo
tanto, las condiciones de operación o tratamiento que
convienen es profundidad y velocidad bajas (A–, B–). El
ANOVA de la tabla 5.5 se dice que no está desglosado, ya
que cuando en un experimento hay factores cuantitativos
con más de dos niveles, el ANOVA se puede

COMPARACION DE MEDIAS
Las comparaciones de medias se introdujeron en la sección
“Diseño completamente al azar y ANOVA” para después
de un ANOVA en el que se rechaza H0, investigar cuáles
medias causan las diferencias detectadas. El ANOVA sólo
indica que al menos un par de niveles del factor
significativo son diferentes entre sí, pero no dice cuáles
son. Por facilidad, denotemos los cuatro niveles de la
profundidad (A) en el ejemplo 5.2 como Al , A2, A3 y A4,
así como los tres niveles de la velocidad (B) como B1, B2
y B3. Entonces, los seis pares de hipótesis para comparar
las medias del factor A son:
Para probar estas hipótesis con el método LSD habría que
calcular las diferencias muestrales en valor absoluto y
compararlas con la diferencia mínima significativa. Por
ello, y sólo por ilustrar el método, se prueban las hipótesis
del factor A ignorando por el momento la interacción. La
diferencia mínima significativa para comparar los niveles i
y l del factor A, está dada por:
donde ta/2, ab(n – 1) es el punto porcentual 100(1 – a/2)
de la distribución T de Student, ab(n – 1) los grados de
libertad del cuadrado medio del error (tabla 5.5), nAi y
nAl son el total de observaciones en los niveles i y l del
factor A, que se están comparando. De esta manera, en
el ejemplo, como es un diseño balanceado nAi = nAl =
9; entonces
Tomando en cuenta la interacción Para hacer comparaciones
Si observamos el efecto de interacción en la figura 5.4, es
múltiples de medias de un factor, tomando en cuenta el efecto
fácil notar que las medias de las tres últimas profundidades
de interacción, éstas se realizan de manera separada en cada
(denotadas –0.33, 0.33 y 1) están más cercanas entre sí cuando
nivel del otro factor. Por ejemplo, las comparaciones que
la velocidad está en su nivel intermedio que cuando está en su
acabamos de hacer para el factor A se realizan dentro de cada
nivel bajo. Veámoslo de manera analítica en la velocidad
nivel del factor B; de esta forma, se toma en cuenta el efecto de
intermedia (B2) (tabla 5.3), donde las medias muestrales del
interacción, y por ende, se tiene una interpretación más cercana
factor A : prof en la velocidad intermedia son:
a la realidad del proceso.

donde n es el número de réplicas de los tratamientos a

comparar. Note que la diferencia entre esta expresión para la
LSD y la que no toma en cuenta la interacción, expresión
(5.4), está precisamente en el factor dentro de la raíz
cuadrada que acompaña al CME, ya que ahí se anota el
inverso del número de observaciones con las que se
construyeron las medias muestrales para calcular las
diferencias. Así en este caso n = 3, y:
Verificación de supuestos
Los supuestos de normalidad, varianza constante e
independencia de los residuos en un diseño factorial se verifican
principalmente con los métodos gráficos presentados en el
capítulo 3 para diseños con un solo factor. También se pueden
aplicar los métodos analíticos descritos en ese capítulo.

Para el ejemplo 5.2, la independencia no la verificamos por no

tener el orden en el cual se hicieron las corridas experimentales.
En la figura 5.7 se grafican los residuos vs. predichos, y se
observa que si se cumple el supuesto de varianza constante, al
caer todos los puntos dentro de una banda horizontal.
Asimismo, se cumple la normalidad al caer los residuos
alineados en la gráfica de probabilidad normal. Otro