Diseño de experimentos factoriales - Introducción a sus conceptos básicos

Diseño de experimentos
Hugo Alexer Pérez Vicente

Experimentos factoriales
Introducción
• Los diseños factoriales se utilizan para estudiar los

efectos en una respuesta o salida de al menos dos
variables o factores cuando éstos cambian de valor
simultáneamente.
• Si tenemos k factores y se eligen variar cada uno a mk

niveles, el número de combinaciones experimentales
es de m1*m2*m3*…*mk
Diseño de experimentos - Hugo Alexer Pérez Vicente

Introducción
• Para estudiar el efecto de factores en la variable de

respuesta es necesario elegir al menos dos niveles de
prueba para cada uno de ellos.
• Uno de sus objetivos es determinar una combinación

de niveles de los factores en la que el desempeño del
proceso sea mejor.

Introducción
• Con el diseño factorial completo se corren

aleatoriamente todas las posibles combinaciones que
pueden formarse con los niveles de los factores a
investigar.
• 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.

El concepto de factorial
2 factores con 2 niveles 3 factores con 2 niveles
• •
850ºC • • 850ºC • •
Temperatura
Temperatura
del horno
del horno
• •
800ºC • • 800ºC • •
Agua Aceite Agua Aceite
Método de enfriamiento Método de enfriamiento
Diseño factorial 2² Diseño factorial 2³

Conceptos básicos
• En general, la familia de diseños factoriales 2k consiste

en k factores, todos con dos niveles de prueba y la
familia de diseños factoriales 3k consiste en k factores,
cada uno con tres niveles de prueba.
• Es claro que si los k factores no tienen la misma
cantidad de niveles, debe escribirse el producto de
manera explícita.
• Los factores pueden ser de tipo cualitativo (máquinas,
tipo de material, operador, etcétera) o de tipo
cuantitativo (temperatura, humedad, etcétera).

Concepto de factorial
2 factores a 3 y 5
niveles cada uno
3 factores a 3, 4 y 5
niveles cada uno

Conceptos básicos
• Los diseños factoriales son los más eficientes para

analizar los posibles efectos combinados de dos o más
factores sobre la variable de respuesta.
• Es un diseño experimental que sirve para estudiar el

efecto individual y de interacción de varios factores
sobre una o varias respuestas.

Ventajas y desventajas
Ventajas Desventajas
• Se pueden estimar • Se pueden volver

interacciones y se pueden imprácticos si no hay
obtener efectos de un pocos recursos
factor con varios niveles experimentales
de los factores restantes. (incluyendo tiempo).
Guardan mucha
información.
Si los recursos y la aplicación lo permiten no se rompan

más la cabeza y utilicen un diseño factorial.

Efecto de un factor
• El efecto de un factor se define como el cambio en la
respuesta, producido por un cambio en el nivel del
factor.
• Consideremos el ejemplo de un experimento de dos
factores con dos niveles en cada factor:

Efecto de un factor
• El efecto principal del factor A puede visualizarse

como la diferencia entre la respuesta promedio con
el nivel bajo de A y la respuesta promedio del nivel
alto de A. Numéricamente esto es:
40  52 20  30
A   21
2 2

Efecto de un factor
• Es decir, cuando el factor A se incrementa del nivel

bajo al nivel alto se produce un incremento en la
respuesta promedio de 21. De manera similar, el
efecto principal de B es:
30  52 20  40
B   11
2 2

Concepto de interacción
• Una interacción ocurre cuando la diferencia en la
respuesta entre los niveles de un factor no es la
misma para todos los niveles de los otros factores.
Considere el ejemplo anterior:
• No se observa una interacción entre el factor A y B.

• Una interacción ocurre cuando la diferencia en la
respuesta entre los niveles de un factor no es la
misma para todos los niveles de los otros factores.
Considere el ejemplo anterior:
• No se observa una interacción entre el factor A y B.

Ahora considere el siguiente experimento factorial 2²:
Con B– el efecto del factor A es: A = 50 – 20 = 30, y con

B+ el efecto de A es: A = 12 – 40 = –28. La magnitud del
efecto de la interacción es: AB = (–28 – 30)/2 = –29.
• En general, cuando una interacción es grande, los

efectos principales correspondientes tienen escaso
significado práctico. En el experimento anterior, la
estimación del efecto de A sería:
50  12 20  40
A  1
2 2

• El cual es muy pequeño y se llegaría a concluir que

no hay un efecto debido a A. Sin embargo, el factor A
tiene en realidad un efecto que depende del nivel del
factor B. Es decir, el conocimiento de la interacción
AB es mas útil que el conocimiento del efecto
principal. Una interacción significativa suele
enmascarar la significación de los efectos principales.

• El efecto principal de una variable debe ser
interpretado individualmente sólo cuando no hay
evidencia de que esa variable interactúa con otras.
Cuando hay evidencia de interacción, las variables
que interaccionan se deben interpretar
conjuntamente. Una ayuda para esto son las gráficas
de factores contra la variable de respuesta.

• Una interacción también puede presentarse como
una diferencia en la magnitud de la respuesta; por
ejemplo, medimos la calificación final de una
asignatura en base a dos factores: las horas de
estudio y los días de asistencia. Los resultados se
muestran en las siguientes gráficas:
3 9
30 • • 9 •30
Calificación
asistencia
7
Días de
5
30
1 3
3 • •3
3 • • 1 3•
2 Horas de 40 2 Horas de 40
. estudio estudio

Tipos de interacción

Ventajas de los diseños factoriales
Permiten estudiar el efecto individual y de interacción de los distintos
factores.
Son diseños que se pueden aumentar para formar diseños compuestos en

caso que se requiera una exploración más completa.
Se pueden correr fracciones de diseños factoriales.
Pueden utilizarse en combinación con diseños en bloques en situaciones en

las que no puede correrse todo el diseño factorial bajo las mismas
condiciones.
Son más eficientes que el tradicional experimento de mover un factor a la
vez.

Diseño factorial con dos factores
• Consta de a niveles del factor A y b niveles del factor B,
los cuales se disponen en un diseño factorial con n
réplicas; es decir, cada réplica del experimento contiene
todas las ab combinaciones de los tratamientos.
Factor B
1 2 … b
1 y111, y112, ..., y11n ... ... y1b1, y1b2, ..., y1bn
Factor A
2 y211, y212, ..., y21n ... ... y2b1, y2b2, ..., y2bn
⁞ ... ... ... ...
a ya11, ya12, ..., ya1n ... ... yab1, yab2, ..., yabn
• El orden en que se hacen las abn observaciones es aleatorio.

Ejemplo de un experimento factorial
• 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.

Ejemplo de un experimento factorial
• 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.

Ejemplo ilustrativo
• El ingeniero decide probar los tres materiales de la
placa con tres niveles de temperatura, por ser
consistentes con el medio ambiente donde se usará
finalmente el producto.
• Se prueban cuatro baterías con cada combinación
del material de la placa, la temperatura y las 36
pruebas se corren de manera aleatoria.
a. ¿Qué efectos tienen el tipo de material y la temperatura sobre
la vida de la batería?
b. ¿Existe alguna elección del material que produzca de manera
regular una vida larga de la batería independientemente de la
temperatura?

Ejemplo ilustrativo
• Factores: tipo de material y las temperaturas con tres
niveles cada una. Variable de respuesta: vida efectiva
de las baterías (en horas).
Entonces a = 3, b = 3, n = 4 y N = abn = 36.
Temperatura (ºF)
Tipo de
15 70 125
material
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

Hipótesis del modelo factorial
Normalidad: εijk ~ N(0, σ²) e independientes entre sí
Puede haber interacción entre los factores
Los factores y sus interacciones son fijos
Hay n réplicas para cada combinación ab de tratamientos
El orden de las observaciones se determina al azar

Modelo de los efectos
observación media error aleatorio
global tal que εijk ~
ijk-ésima N(0, σ²)
i  1,2,...,a

yijk     i   j  ( )ij   ijk  j  1,2,...,b
k  1,2,...,n

efecto del efecto del efecto de la
nivel i-ésimo nivel j-ésimo interacción
del factor A del factor B
(renglones) entre αi y βj
(columnas)

Modelos de los efectos
• Observemos que:
E ( yijk )    i   j  ( )ij
• Por otro lado, los efectos de los tratamientos y de las

interacciones entre factores se consideran como
desviaciones respecto a la media global, por lo que:
a b a b

i 1
i  0, j 1
j 0 y  ( )   ( )
i 1
ij
j 1
ij  0

Prueba de hipótesis de un diseño de
dos factores
• Las hipótesis de ambos factores son de interés, así

que:
H 0 : 1   2  ...   a  0
H1 : i  0 para al menosuna i
H 0 : 1   2  ...   b  0
H1 :  j  0 para al menos una j

Prueba de hipótesis de un diseño de
dos factores
• También existe interés en determinar si los

tratamientos de los renglones y las columnas
interactúan, por lo que:
H 0 : ( )ij  0 para todaslas i, j
H1 : al menosuna ( )ij  0

Análisis estadístico del modelo con
efectos fijos
• Definamos lo siguiente:
b n

yi
yi  yijk yi   i  1, 2, ..., a
bn
j 1 k 1
a n

y j 
y j   yijk y j   j  1, 2, ...,b
an
i 1 k 1
n

yij i  1, 2, ..., a
yij  yijk yij  
n  j  1, 2, ...,b
k 1
a b n
y  
i 1 j 1 k 1
yijk y 
y
N
N  abn

Descomposición de la suma de
cuadrados total
• La suma de cuadrados total corregida puede
expresarse como:
a b n
SCT  
i 1 j 1 k 1
( yijk  y...)2
a b n
 
i 1 j 1 k 1
[( yi  y )  ( y j   y )  ( yij  yi  y j   y )  ( yijk  yij )]2
a b a b
 bn  i 1
( yi  y ) 2  an  j 1
( y j   y ) 2  n 
i 1 j 1
( yij  yi  y j   y ) 2
a b n
 
i 1 j 1 k 1
( yijk  yij ) 2

cuadrados total
• La ecuación anterior representa una partición de la
suma de cuadrados total, la cual puede escribirse
como:
SCT  SCA  SCB  SCAB  SCE
• Donde SCA es la suma de cuadrados debida a los
renglones o factor A, SCB es la suma de cuadrados
debida a las columnas o factor B, SCAB es la suma de
cuadrados debida a la interacción entre A y B; y SCE
es la suma de cuadrados debida al error.
Diseño de experimentos - Hugo Alexer Pérez Vicente 35

cuadrados total
• Donde los respectivos grados de libertad de cada una

de ellas son:
nab  1  (a  1)  (b  1)  (a  1)(b  1)  ab(n  1)
• Es importante observar que para el factor n-1 en los

grados de libertad de SCE señala que se necesitan al
menos dos réplicas del experimento para calcular
este componente.

Tabla ANOVA para un diseño factorial
de dos factores
• El procedimiento de prueba se resume mediante la
siguiente tabla:
Fuente de Suma de Grados de Cuadrado
F0
variación cuadrados libertad medio
CMA
Efecto A SCA a–1 CMA F0 
CME
CMB
Efecto B SCB b–1 CMB F0 
CME
Interacción AB SCAB (a – 1)(b – 1) CMB CMAB
F0 
Error SCE ab(n – 1) CME CME
Total SCT abn – 1
Criterio de decisión
valor-p = P(Fg.l.n, ab(n –1) ≥ F0)
• Si el valor-p es menor que el nivel de significancia

prefijado se rechaza la hipótesis nula y se concluye
que el correspondiente efecto es significativo o
influye en la variable de respuesta.
Ejemplo ilustrativo
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. Al
aleatorizar las 36 pruebas se obtienen los datos de la
siguiente tabla. El acabado (Y) está en unidades de gramos
e interesa minimizar su valor.

Ejemplo ilustrativo
• Debido a que el valor-p es menor que un nivel de

significancia de 0.05, se rechaza la hipótesis nula y se
concluye que son significativos los efectos principales y la
interacción doble de los factores y que por tanto influyen
en la variable de respuesta.
Interpretación
• La significancia de la interacción detectada por el ANOVA se

observa en el hecho de que las líneas 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.
Comparación de medias
• El ANOVA sólo indica que al menos un par de niveles

del factor significativo son diferentes entre sí pero no
dice cuáles son.
• Puede utilizarse cualquiera de los métodos para

comparar las medias de los tratamientos vistos
anteriormente.

• Cuando existe una interacción significativa las

comparaciones entre las medias de uno de los
factores (por ejemplo, A) pueden ser oscurecidas por
la interacción AB. Una forma de abordar esta
cuestión consiste en fijar el factor B en un nivel
específico de interés y aplicar las pruebas
correspondientes a las medias del factor A con ese
nivel.

• La estimación del error estándar para las medias de

cualquier tratamiento (combinación de un nivel del
factor A con un nivel del factor B) es de: (CME/n)½.
• Cuando no hay interacción entre los tratamientos, se

puede estimar el error estándar para la media de
cualquier nivel de uno solo de los factores. En este
caso, el error estándar para el factor A sería
(CME/bn)½ y para el factor B sería (CME/an)½.

Intervalos de confianza para
tratamientos
• Un intervalo de confianza al 100(1−α)% para la media

µij del nivel i-ésimo del factor A con el nivel j-ésimo
del factor B es:
CME CME
yij  t / 2 ,ab ( n1)  ij  yij  t / 2 ,ab ( n1)
n n

Intervalos de confianza para
tratamientos
• Un intervalo de confianza al 100(1−α)% para la

diferencia entre las medias de dos tratamientos
cualesquiera µij – µkl es:
2CME 2CME
yij  ykl   t / 2 ,ab ( n1)  ij   kl  yij  ykl   t / 2 ,ab ( n1)
n n

Intervalos de confianza cuando no
hay interacción

µi∙ del nivel i-ésimo del factor A es:
CME CME
yi  t / 2 ,ab ( n1)  i  yi  t / 2 ,ab ( n1)
bn bn

hay interacción

diferencia entre las medias de dos niveles distintos
del factor A: µi∙ – µl∙ es:
2CME 2CME
yi  yl   t / 2 ,ab ( n1)  i   l  yi  yl   t / 2 ,ab ( n1)
bn bn

hay interacción

µ∙j del nivel j-ésimo del factor B es:
CME CME
y j  t / 2 ,ab ( n1)   j  y j  t / 2 ,ab ( n1)
an an

hay interacción

diferencia entre las medias de dos niveles distintos
del factor B: µ∙j – µ∙l es:
2CME 2CME
y j  yl   t / 2 ,ab ( n1)   j  l  y j  yl   t / 2 ,ab ( n1)
an an

R² y R²Ajustada del modelo
• La R² del modelo se obtiene mediante:

SCA  SCB  SCAB
2 SCE
R   1 , 0  R2  1
SCT SCT
• La R²Ajustada de nuestro diseño factorial se obtiene

con:
2 MCE
R Ajustada  1 
SCT glTo tal

Estimación de los parámetros del
modelo
• Pueden estimarse los parámetros μ, αi , βj y (αβ)ij por
el método de los mínimos cuadrados.
yijk    i   j  ( )ij   ij
ˆ  y...
ˆi  yi  y i  1,2,...,a

ˆ j  y j   y  j  1,2,...,b

( )ij  yij  yi  y j   y

Estimación de los parámetros del
modelo
• Podemos también encontrar el valor estimado o
ajustado de yijk mediante:

yˆ ijk  ˆ  ˆi  ˆ j  ( )ij
 y  ( yi  y )  ( y j   y )  ( yij  yi  y j   y )
 yij 
• Es decir, la observación k-ésima de la celda ij-ésima

se estima con el promedio de las n observaciones de
esa celda.

Verificación de la adecuación del
modelo
• Puede verificarse la adecuación del modelo factorial

de dos factores mediante el análisis de residuales.
eijk  yijk  yˆ ijk

 yijk  yij 
Residual de la observación k-ésima de la celda ij-ésima

Verificación de la adecuación del
modelo
• Los residuales se utilizan para verificar la igualdad de
la varianza contra cada uno de los factores. Tampoco
deberá haber relación entre el tamaño de los
residuales y los valores ajustados ŷijk = ӯij..
• En tales casos, podríamos usar alguna

transformación para estabilizar la varianza. También
podemos usar los residuales estandarizados
dijk = eijk /(CME)½ para verificar que no existan puntos
atípicos.

Observaciones
Siempre trataremos de buscar el modelo más sencillo que
explique bien la variable de respuesta.
Por ejemplo, si aceptamos H0 : (αβ)11 = · · · = (αβ)ab = 0,

concluimos que la interacción no influye de manera
apreciable en la respuesta, entonces pasaríamos a
considerar un modelo con dos factores sin interacción y
calcularíamos de nuevo la tabla ANOVA.
Si además, aceptamos que uno de los factores no influye

en la respuesta, lo eliminaríamos del modelo y
trabajaríamos con un modelo de un solo factor.

Metodología de los diseños
factoriales
1. Identificar los factores que pueden influir en la variable respuesta y proponer un
modelo.
2. Establecer los niveles de los factores y la cantidad de réplicas necesarias (n).
3. Realizar el experimento, tomando las observaciones necesarias.
4. Estimar los parámetros del modelo.
5. Contrastar si los factores influyen en la respuesta y detectar dónde radican las

diferencias.
6. Si algún factor o interacción no influye, tratar de eliminarlo simplificando el modelo y
repitiendo los pasos anteriores.
7. Realizar la diagnosis del modelo mediante el análisis de los residuales.

Ejemplo del experimento del diseño
de la batería
Considere el experimento del diseño de la batería. Los números
encerrados en un círculo son los totales de las celdas:
Temperatura (ºF)
Tipo de
material
15 70 125 yi..
130 ,155, 34, 40, 20, 70,
1 539 229 230 998
74, 180 80, 75 82, 58
150,188, 136, 122, 25, 70,
2 623 479 198 1300
159, 126 106,115 58, 45
138, 110, 174, 120, 96, 104,
3 576 583 342 1501
168, 160 150, 139 82, 60
y.j. 1738 1291 770 y... = 3799
Hipótesis del experimento del diseño
de la batería

Ejemplo del experimento del diseño
de la batería
• Las sumas de cuadrados requeridas se calculan como
sigue:
a b n
 y2 2
2 2 2 2 2 2 3799
SCT  yijk   130  155  74    82  60   77,646.97
N 36
i 1 j 1 k 1
a
SCA 
1
bn i 1
2
yi  
y2
N

1
(3)(4)
2 2 2
(998  1300  1501 ) 
37992
36
 10,683.72
b
SCB 
1
an  j 1
y2
y2j    
N
1
(3)(4)
(17382  12912  7702 ) 
37992
36
 39,118.72
a b
SCAB 
1
n i 1 j 1
2
yij  
y2
N
 SCA  SCB 
1
4
(5392
   3422
) 
37992
36
 10683.72  39118.72
 9613.78
SCE  SCT  SCA  SCB  SCAB  77,646.97  10,683.72  39,118.72  9,613.78  18,230.75

ANOVA del experimento del diseño
de la batería
F0 Valor P
Tipos de material 10,683.72 2 5,341.86 7.91 0.0020
Temperatura 39,118.72 2 19,559.36 28.97 1.9 E–7
Interacción 9,613.78 4 2,403.44 3.56 0.0186
Error 18,230.75 27 675.21
Total 77,646.97 35
Puesto que F0AB (= 3.56) > F0.05, 4, 27 (= 2.73), se concluye que hay
una interacción significativa entre los factores. Además,
F0.05, 2, 27 = 3.35, por lo que los efectos del tipo de material y la
temperatura también son significativos.
Gráfica del experimento del diseño de la
batería
• Gráfica de las respuestas promedio para cada
combinación de tratamientos. Observe la interacción
entre los factores. Note que el “Material tipo 3”
parece producir los mejores resultados.

R² del experimento del diseño de la
batería
• La R² del modelo es de 0.7652. Esto significa que el

76.5% de la variabilidad de la vida de la batería es
explicada por el material de la placa de la batería, la
temperatura y la interacción entre el tipo de material
y la temperatura.
2SCE 18,230.75
R  1  1  0.7652
SCT 77,646.97

Ejemplo del experimento de diseño
de la batería
• Si quisiéramos un intervalo de confianza de 95% para
la vida promedio de la batería (en horas) utilizando
un material tipo 3 para el ánodo y a una temperatura
constante de 125ºF, éste sería:
MCE MCE
yij   t / 2,a b( n1)  ij  yij   t / 2,a b( n1)
n n
675.21 675.21
85.5  t0.0 2 5, 2 7  3 3  85.5  t0.0 2 5, 2 7
4 4
85.5  2.052(12.992)  3,1 2 5 F  85.5  2.052(12.992)
.
58.84  3,1 2 5 F  112.16

Diseño factorial sin interacción
 Puede haber ocasiones en que el experimentador
considere que la interacción entre los factores sea
despreciable.
 Para estos casos, podemos eliminar el efecto de la

interacción en nuestro modelo de datos.
i  1,2,...,a

yijk     i   j   ijk  j  1,2,...,b
k  1,2,...,n


 Antes de eliminar el efecto de interacción, es

conveniente evaluar la presencia o no de este efecto
mediante un ANOVA para experimentos con más de
una réplica o mediante la prueba de interacción de
Tukey para experimentos con una sola réplica.

El análisis estadístico de un modelo factorial de dos factores
sin interacción es directo, con SCE = SCT – SCA – SCB. Note
que la SCAB queda ahora “absorbida” por la SCE. En la
siguiente tabla se presenta el análisis de los datos del
ejemplo de la vida de la batería, suponiendo que no hay
interacción.
F0 Valor P
Tipos de material 10,683.72 2 5,341.86 5.95 0.0065
Temperatura 39,118.72 2 19,559.36 21.78 1.2 E–6
Error 27,844.52 31 898.21
.
Total 77,646.97 35

Al realizar un análisis de residuales del experimento de la
vida de la batería se pone de manifiesto que el modelo sin
interacción es inadecuado. Para el modelo de dos factores
sin interacción los valores ajustados son ŷijk = ӯi∙∙ + ӯ∙j∙ – ӯ∙∙∙
los cuales se grafican a continuación contra ӯij∙ – ŷijk .

Análisis de residuos
Realizarlo en Minitab 17

Formación de bloques en un diseño
factorial
En ocasiones no es factible o práctico hacer la aleatorización
completa de todas las corridas de un diseño factorial.
La presencia de un factor perturbador puede hacer necesario

que el experimento se corra en bloques.
Los conceptos básicos de la formación de bloques pueden

incorporarse en un diseño factorial.
En el caso de tener dos factores perturbadores o de bloqueo,

cada uno con p = ab niveles, entonces el diseño factorial puede
hacerse en un cuadrado latino p × p.

Ejemplo de formación de bloques
• Suponga que para realizar un experimento factorial se
necesita una materia prima particular. Esta materia prima está
disponible en lotes cuyo tamaño no es suficiente para
permitir que se corran todas las abn combinaciones de los
tratamientos con el mismo lote; sin embargo, si un lote
contiene material suficiente para hacer ab observaciones,
entonces un diseño alternativo es correr cada una de las n
réplicas utilizando un lote separado de materia prima.
• Por consiguiente, los lotes de materia prima representan una
restricción sobre la aleatorización o un bloque, y se corre una
sola réplica completa dentro de cada bloque.

Hipótesis del modelo factorial con
bloques
Normalidad: εij ~ N(0, σ²) e independientes entre sí
Puede haber interacción entre los factores de

interés
La interacción entre los bloques y los tratamientos

es insignificante
Cada bloque contiene una réplica completa de los

ab tratamientos
Dentro de cada bloque las observaciones se

determinan al azar

Modelo de datos del diseño factorial
con bloques
i  1,2,...,a

yijk     i   j  ( )ij   k   ijk  j  1,2,...,b
k  1,2,...,n


con bloques
observación media error aleatorio
global tal que εijk ~
ijk-ésima N(0, σ²)
i  1,2,...,a

yijk     i   j  ( )ij   k   ijk  j  1,2,...,b
k  1,2,...,n

efecto del efecto del efecto del
efecto de la
nivel i-ésimo nivel j-ésimo bloque k-
interacción
del factor A del factor B ésimo
entre αi y βj
(renglones) (columnas)

Fórmulas para calcular las sumas de
cuadrados
a b n
SCT  
i 1 j 1 k 1
2
yijk 
y2
abn
a
SCA 
1
bn i 1
2
yi 
y2
abn
b
SCB 
1
an j 1
2
y j  
y2
abn
a b
SCAB 
1
n  i 1 j 1
2
yij 
y2
 SCA  SCB
abn
n
SCBloques
1
ab k 1
2
yk 
y2
abn
SCE  SCT  SCA  SCB  SCAB  SCBloques

Grados de libertad
Efecto Grados de libertad

A a–1
B b–1
Interacción AB (a – 1)(b – 1)
Bloques n–1
Error (ab – 1) (n – 1)
Total abn – 1

Análisis estadístico
• Las pruebas de hipótesis de los dos efectos
principales y su interacción son iguales que para los
diseños factoriales:
MCA MCB MCAB
F0 A  , F0 B  y F0 AB 
MCE MCE MCE
Si las tres hipótesis nulas son ciertas, cada uno de estos

cocientes se distribuye como F con a – 1, b – 1 y (a – 1)(b – 1)
grados de libertad en el numerador, respectivamente y (ab –
1)(n – 1) grados de libertad en el denominador. Cada H0 se
rechazaría si F0 > Fcrítica. El valor P = P(Fg.l.n, (ab –1)(n –1) > F0)

ANOVA de un diseño de dos factores
en bloques
F0
MCA
Factor A SCA a–1 MCA F0 
MCE
MCB
Factor B SCB b–1 MCB F0 
MCE
MCAB
Interacción SCAB (a – 1)(b – 1) MCAB F0 
MCE
Bloques SCBloque n–1 MCBloque
Error SCE (ab – 1)(n – 1) MCE
Total SCT abn – 1

Ejemplo del acabado en piezas
metálicas
• Un ingeniero realiza un experimento para medir el

acabado superficial de una pieza metálica utilizando
tres velocidades de alimentación y dos niveles de
profundidad de corte. Como hay sólo cuatro
operadores disponibles con diferente nivel de
destreza parece lógico usar los operadores como
bloques. Por lo tanto, cada operador realiza una
corrida del experimento factorial 3 × 2 en un bloque
completo aleatorio.

metálicas
• Los datos son los siguientes:
Operadores (bloques) 1 2 3 4
Profundidad de corte (mm) 0.15 0.18 0.15 0.18 0.15 0.18 0.15 0.18
Velocidad de alimentación
Baja 90 86 96 84 100 92 92 81
Media 102 87 106 90 105 97 96 80
Alta 114 93 112 91 108 95 98 83

metálicas
• Las hipótesis de interés son:

metálicas
La suma de cuadrados de la velocidades de
alimentación, de la profundidad de corte y de su
interacción se calculan de la manera usual. La suma de
cuadrados debida a los bloques se encuentra a partir
de los totales de los operadores (y∙∙k) de la siguiente
manera: n

2
1 y
SCBloque y2k 
ab abn
k 1
1 2 2 2 2 22782
 (572  579  597  530 ) 
(3)(2) (3)(2)(4)
 402.17

ANOVA del acabado en piezas
metálicas
F0 Valor P
Velocidad 3335.58 2 167.79 15.13 0.0003
Profundidad 1066.67 1 1066.67 96.19 6.4 E–8
Interacción 77.08 2 38.54 3.48 0.0573
Bloques 402.17 3 134.06
Error 166.33 15 11.09
Total 2047.83 23
Tanto la velocidad de alimentación como la profundidad de corte son
significativos en el nivel de 1%, mientras que su interacción sólo lo es
en el nivel de 10%. El valor elevado del MCBloque indica que resultó
útil el bloqueo del experimento.
Diseño factorial general
Los resultados del diseño factorial de dos factores pueden

ampliarse para el caso de tres o más factores de interés.
Si todas las interacciones posible están incluidas en el modelo,

se requiere de un mínimo de dos réplicas (n ≥ 2) para estimar la
SCE.
Las hipótesis del modelo son las mismas que para el diseño
factorial de dos factores.
Los estadísticos de prueba para cada efecto principal e

interacción se obtienen dividiendo el cuadrado medio
correspondiente entre el cuadrado medio del error.

de tres factores
yijkl     i   j   k  ( )ij  ( )ik  (  ) jk

i  1, 2, ...,a

 j  1, 2, ...,b
 ( )ijk   ijkl 
k  1, 2, ...,c
l  1, 2, ...,n


Pruebas de hipótesis para diseños de
tres factores
H 0 : 1   2  ...   a  0 H 0 : ( )ij  0 para todaslas i, j
H1 :  i  0 para al menosuna i H1 : al menosuna ( )ij  0
H 0 : 1   2  ...   b  0 H 0 : ( ) ik  0 para todas las i, k

H1 :  j  0 para al menos una j H1 : al menos una ( ) ik  0
H 0 :  1   2  ...   c  0 H 0 : (  ) jk  0 para todaslas j , k

H1 :  k  0 para al menosuna k H1 : al menosuna (  ) jk  0
H 0 : ( )ijk  0 para todaslas i, j , k

H1 : al menosuna ( )ijk  0

Fórmulas para calcular las SC de tres
factores
a b c n

2
y
SCT  2
yijkl  
abcn
i 1 j 1 k 1 l 1
a
SCA 
1
bcn 
i 1
2
yi 
y2
abcn
b
SCB 
1
acn 
j 1
2
y j  
y2
abcn
c
SCC 
1
abn 
k 1
2
yk  
y2
abcn

Fórmulas para calcular las SC de tres
a b
factores
SCAB 
1
cn i 1 j 1
2
yij 
y2
abcn
 SCA  SCB
a c

2
1 y
SCAC  yi2k     SCA  SCC
bn abcn
i 1 k 1
b c
SCBC 
1
an j 1 k 1
2
y jk  
y2
abcn
 SCB  SCC
a b c
SCABC 
1
n 
i 1 j 1 k 1
2
yijk 
y2
abcn
 SCA  SCB  SCC  SCAB  SCAC  SCBC
SCE  SCT  SCA  SCB  SCC  SCAB  SCAC  SCBC  SCABC

Grados de libertad para diseños de
tres factores
Efecto Grados de libertad
A a–1
B b–1
C c–1
Interacción AB (a – 1)(b – 1)
Interacción AC (a – 1)(c – 1)
Interacción BC (b – 1)(c – 1)
Interacción ABC (a – 1)(b – 1)(c – 1)
Error abc(n – 1)
Total abcn – 1

ANOVA de un diseño factorial de tres
factores
Fuente de Suma de Cuadrado
Grados de libertad F0
variación cuadrados medio
MCA
Factor A SCA a–1 MCA F0 
MCE
MCB
Factor B SCB b–1 MCB F0 
MCE
MCC
Factor C SCC c–1 MCC F0 
MCE
Interacción AB SCAB (a – 1)(b – 1) MCAB F0 
MCAB
MCE
Interacción AC SCAC (a – 1)(c – 1) MCAC F0 
MCAC
MCE
Interacción BC SCBC (b – 1)(c – 1) MCBC F0 
MCBC
MCE
Interacción ABC SCABC (a – 1)(b – 1)(c – 1) MCABC MCABC
F0 
MCE
Error SCE abc(n – 1) MCE
Total SCT abcn – 1

Análisis estadístico de un diseño con
tres factores
• Cada H0 se rechazaría si F0 > Fα, g.l.n, abc(n –1).
• El valor P para cada prueba se calcula mediante:

valor P = P(Fg.l.n, abc(n –1) > F0)
• La R² del modelo se obtiene mediante:

2 SCE
R  1 , 0  R2  1
SCT

Análisis estadístico de un diseño con
tres factores
• Por el método de los mínimos cuadrados obtenemos:
ˆ  y
ˆ i  yi  y
ˆ j  y j   y
ˆk  yk   y
i  1, 2,...,a

  j  1, 2,...,b
( )ij  yij  yi  y j   y k  1, 2,...,c
 
( )ik  yi k   yi   yk   y

(   ) jk  y jk   y j   yk   y

(  )ijk  yijk   yij   yik   y jk   yi  y j   yk   y

Estimación de parámetros de un
diseño con tres factores
• Podemos también encontrar el valor estimado o
ajustado de yijkl mediante:
   
yˆ ijkl  ˆ  ˆ i  ˆ j  ˆk  ( )ij  ( )ik  (  ) jk  ( )ijk
 yijk 
• Es decir, la observación l-ésima de la celda ijk-ésima

se estima con el promedio de las n observaciones de
esa celda.
• Los residuales se obtienen mediante:
eijkl  yijkl  yˆ ijkl Residual de la observación
 yijkl  yijk l-ésima de la celda ijk-ésima


Ejemplo de un experimento con tres
factores
• En una empresa embotelladora, un ingeniero de

proceso desea reducir la variabilidad de las alturas de
llenado de las botellas mediante el control de tres
variables:
1) El porcentaje de carbonatación (A)

2) La presión de operación en el llenador (B)
3) La rapidez de línea o botellas por minuto (C)

factores
• Se eligen tres niveles para la carbonatación: 10%,

12% y 14%, dos niveles para la 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. Los resultados se
muestran en la siguiente lámina.

factores
• Los círculos contienen los totales de las celdas yijk∙.

factores
Los cálculos de las sumas de cuadrados totales y de los
factores son:
a b c n
SCT  
i 1 j 1 k 1 l 1
2
yijkl 
y2
abcn
 571
752
24
 336.625
a
SCA 
1
bcn  i 1
2
yi 
y2
abcn
1 2 2 2
 [(4)  20  59 ] 
8
752
 252.75
24
b
SCB 
1
acn  j 1
2
y j  
y2
abcn

12
1 2 2
[21  54 ] 
752
24
 45.375
c
SCC 
1
abn k 1
2
yk  
y2
abcn 12

1 2 2
[26  49 ] 
752
24
 22.042

factores
Los cálculos de las sumas de cuadrados de las interacciones
son: a b
cn 
1 y2 2   SCA  SCB
SCAB  y ij 
abcn
i 1 j 1
1 2 2 2 2 2 2 752
 [(5)  1  4  16  22  37 ]   252.75  45.375  5.25
4 24
a c
SCAC 
1
bn 
i 1 k 1
2
yi k  
y2
abcn
 SCA  SCC
1 2 2 2 2 2 2 752
 [(5)  1  6  14  25  34 ]   252.75  22.042  0.583
4 24
b c
SCBC 
1
an j 1 k 1
y2jk  
y2
abcn
 SCB  SCC
1 2 2 2 2 752
 [6  15  20  34 ]   45.375  22.042  1.042
6 24

factores
Las sumas de cuadrados de la interacción de los tres
factores y del error son:
a b c
SCABC 
1
n 
i 1 j 1 k 1
2
yijk 
y2
abcn
 SCA  SCB  SCC  SCAB  SCAC  SCBC
1 2 2 2 2 752
 [(4)  (1)    16  21 ] 
2 24
 252.75  45.375 22.042  5.25  0.583 1.042
 1.083
SCE  SCT  SCA  SCB  SCC  SCAB  SCAC  SCBC  SCABC

 336.625 252.75  45.375 22.042  5.25  0.583 1.042  1.083
 8.5
ANOVA del experimento con tres
factores
• Tabla ANOVA del experimento del nivel de llenado de
botellas:
• Se observa que el porcentaje de carbonatación, la presión de

operación y la rapidez de línea afectan significativamente el
volumen de llenado.
• El valor P para la interacción carbonatación-presión indica
cierta interacción entre estos factores.
Gráficas de los efectos principales
• Gráficas de la desviación promedio del nivel de
llenado de botellas para los niveles de los factores:

• Gráficas de la desviación promedio de llenado de
botellas para los niveles del factor rapidez de línea y
para la interacción carbonatación-presión:

• Gráficas de la desviación promedio de la altura de
llenado con rapidez alta y presión baja para
diferentes niveles de carbonatación:

Referencias
• Gutiérrez, H. y de la Vara, R. (2012). Análisis y diseño de experimentos. México: McGraw Hill.
• Minitab 17 Statistical Software (2010). [Computer software]. State College, PA: Minitab, Inc.
(www.minitab.com)
• Montgomery, D. (2007). Design and analysis of experiments. EUA: Limusa Wiley.

Diseño de experimentos factoriales - Introducción a sus conceptos básicos

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diseño de experimentos factoriales - Introducción a sus conceptos básicos

Diunggah oleh

Hak Cipta:

Format Tersedia

Diseño de experimentos

Hugo Alexer Pérez Vicente

• Los diseños factoriales se utilizan para estudiar los

• Si tenemos k factores y se eligen variar cada uno a mk

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Para estudiar el efecto de factores en la variable de

• Uno de sus objetivos es determinar una combinación

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Con el diseño factorial completo se corren

• La matriz de diseño o arreglo factorial es el conjunto

Diseño de experimentos - Hugo Alexer Pérez Vicente

2 factores con 2 niveles 3 factores con 2 niveles

Diseño factorial 2² Diseño factorial 2³

Diseño de experimentos - Hugo Alexer Pérez Vicente

• En general, la familia de diseños factoriales 2k consiste

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Los diseños factoriales son los más eficientes para

• Es un diseño experimental que sirve para estudiar el

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Se pueden estimar • Se pueden volver

Si los recursos y la aplicación lo permiten no se rompan

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

• El efecto principal del factor A puede visualizarse

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Es decir, cuando el factor A se incrementa del nivel

Diseño de experimentos - Hugo Alexer Pérez Vicente

• No se observa una interacción entre el factor A y B.

• No se observa una interacción entre el factor A y B.

Con B– el efecto del factor A es: A = 50 – 20 = 30, y con

• En general, cuando una interacción es grande, los

Diseño de experimentos - Hugo Alexer Pérez Vicente

• El cual es muy pequeño y se llegaría a concluir que

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

Son diseños que se pueden aumentar para formar diseños compuestos en

Se pueden correr fracciones de diseños factoriales.

Pueden utilizarse en combinación con diseños en bloques en situaciones en

Diseño de experimentos - Hugo Alexer Pérez Vicente

• El orden en que se hacen las abn observaciones es aleatorio.

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Cuando el dispositivo esté fabricado y se envíe al

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

Puede haber interacción entre los factores

Los factores y sus interacciones son fijos

Hay n réplicas para cada combinación ab de tratamientos

El orden de las observaciones se determina al azar

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente

E ( yijk )    i   j  ( )ij

• Por otro lado, los efectos de los tratamientos y de las

Diseño de experimentos - Hugo Alexer Pérez Vicente

• Las hipótesis de ambos factores son de interés, así

Diseño de experimentos - Hugo Alexer Pérez Vicente

• También existe interés en determinar si los

Diseño de experimentos - Hugo Alexer Pérez Vicente

Diseño de experimentos - Hugo Alexer Pérez Vicente