DISEÑOS FACTORIALES

5.1 DEFINICIONES Y PRINCIPIOS BASICOS 
El efecto de un factor se define como el cambio en la respuesta producida por un cambio del nivel del factor. Con frecuencia se le llama efecto principal referido a los factores primarios del experimento

Figura 5.1 experimento factorial Dos factores del diseño tienen 2 niveles a estos niveles se les denomina ³alto´ y ³bajo´ y se denotan como ´-´ y ´+´ El efecto principal de este factor A de este diseño se visualiza como la diferencia entre la respuesta promedio con el nivel bajo de A y el nivel alto de A numericamente esto es: .

A=(40+52/2)-(20+30/2 ) =21 Es decir cuando el factor A se incrementa del nivel bajo al nivel alto se produce un incremento de la respuesta promedio de 21 unidades .

De manera similar el efecto principal de B es: B= (30+52/2)-(20+40/2)=11 Cuando los factores tienen mas de 2 niveles es necesario modificar el procedimiento anterior .

cuando esto ocurre existe una interacciòn .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.

La magnitud del efecto de la interaccion es la diferencia promedio de estos dos efectos A o AB=(-28-30)/2=-29 graficando esta interaccion obtenemos: .

1 contra A para ambos niveles del factor B. La figura 5.4 indica que de manera similar se grafican los datos de la figura 5.2 en este caso se observa que las B no son paralelas esto indica una interaccion entre los factores A y B .  La figura 5.3 indica que los datos son comparados de la figura 5.

x2 se definen en una escala codificada de -1 a +1 los niveles altos y bajos de A y B ademas de x.y.x2 representan la interaccion de X1 y X2. .Si los dos factores del diseño fueran cuantitativos se podria realizar un modelo de regresion se podria escribir: Y=Bo+B1X1+B2X2+B12X1X2+E Donde y es la respuesta para las B que son parametros cuyos valores deben determinarse x1 es una varible que representa el factor al factor A.

1 que se encuentra en los efectos principales A y B son A=21 y B=11 .Las estimaciones de los parametros en este modelo de regresion resultan estar relacionadas con las estimaciones de los efectos. Para el experimento ilustrado fig 5.

1 es AB=1 por lo que el valor del coeficiente de la interaccion en el modelo de regresion `B12=1/2=0.5x1x2 .5  El efecto de la interaccion de la figura 5.5x2+0.5 y `B2=11/2=5.5  Por lo que el modelo resultante es: `y=35. Las estimaciones de B1 y B2 son la mitad del valor del efectoprincipal correspondiente por lo tanto `B1=21/2=10.5x1+5.5  El parametro B0 se estima con el promedio de las cuatro respuestas `B0=(20+40+30+52)/4=35.5+10.

El modelo de superficie de respuesta de un experimento es de gran importancia y utilidad cuando una interaccion es grande los efectos principales correspondientes no tienen un significado practico en la figura 5.2 la estimacion del efecto principal de A seria A=(50+12/2)-(20+40/2)=1 .

podria obtenerse informacion acerca de ambos factores haciendolo variar uno a la vez como se muestra en la figura 5.A+.2 LA VENTAJA DE LOS DISEÑOS FACTORIALES  Es sencillo ilustrar la ventaja de los diseños factoriales suponga que se tienen dos factores A y B cada uno con dos niveles  Los niveles de los factores se denotan por A-.7 .B-.5.B+.

B+ . El efecto de cambiar el factor de A esta dado por A-.B-.A+.

el experimento que pueda apoyarse en las curvas de operación caracteristica.b-1 (a-1)(b-1) ab(n-1) ab(n-1) ab(n-1) .3.5.  Incluyen grados de libertad del numerador y grados de libertad del denominador  A-1.5 Eleccion del tamaño de la muestra  Para determinar un tamaño de la muestra apropiado en un diseño factorial de los dos factores.

20) .«.5.«.3.2.b k = 1.n (5.2.6 El supuesto de no interacción en un modelo de dos factores Ocasionalmente un experimentador siente que es apropiado un modelo de dos factores sin interacción por ejemplo: i = 1.a Yijk = + i+ j+ ijk j = 1.2.«.

El análisis estadístico de un modelo factorial de dos factores sin interacción es directo. .

se pone de manifiesto que el modelo sin interacción es inadecuado.Suponiendo que el modelo es valido sin interacción ( ecuación 5. . tan pronto como se efectúa el análisis residual de estos datos.20) Sin embargo.

2.5. Cuando hay dos factores y una sola observación por celda.a Yijk = + i+ j +( )ij+ ij j = 1. es decir.b (5.7 Una observación por celda Experimentos de dos factores con una sola réplica.21) .3.2. el modelo de los efectos es i = 1.«. en los que sólo hay una observación por celda.«.

Al examinar los cuadrados medios esperados. que el efecto de la interacción de los dos factores ( ) y el error ij experimental no puede separarse de alguna manera obvia. se observa que la varianza del error 2 es no estimable. . es decir.

Si no hay una interaccion presente. y un modelo plausible es i = 1. entonces ( )ij = 0 para toda i y j. y los efectos principales pueden probarse comparando MSA y MSB con MSResidual .«.«.22) Si el modelo (ecuacion 5. entonces el cuadrado medio de los residuales de la tabla 5.22) es apropiado.a Yijk = + i+ j+ ij j = 1.b (5.9 es un estimador insesgado de 2 .2.2.

5.4 DISEÑO FACTORIAL GENERAL  .

Todas las pruebas de F serán de una cola superior .Para un modelo con efectos fijos. los estadisticos de prueba para cada efecto principal e interpretación pueden construirse dividiendo el cuadrado medio correspondiente del efecto del efecto o interacción por el cuadrado medio del error.

y el numero de grados de libertad de una interacción es el producto del numero de grados de libertad asociados con los componentes individuales de un interaccion .El numero de grados de libertad de cualquier efecto principal es el numero de niveles del factor menos uno.

2.Considere el modelo del analisis de variancia de tres factores  Yijk = + i+ j +yk +( )ij+ ( y)ik+ ( y)jk  +( by)ijk+ ijkl i=1.c L=1. a J=1.«..«..«.2.. d ..2..«.. b K=1..2. .

 Suponiendo que ABC son fijos la tabla del análisis de varianza se presenta tabla 5.12 .

 .

 .

Sign up to vote on this title
UsefulNot useful