Unidad IV conceptos básicos de diseño factorial.

INSTITUTO TECNOLÓGICO SUPERIOR DE

CENTLA

Materia: estadística inferencial II

Carrera: ingeniería industrial

Profesor(a): ing. Ind. María del rocío cruz torres

Alumno: César Augusto García Sánchez

Trabajo: investigación de la unidad 3 diseño bloques

Semestre: 4

Grupo: A
 Unidad IV conceptos básicos de diseño factorial.

INTRODUCCIÓN

El diseño de tratamientos es independiente del diseño experimental que indica la

manera en que los tratamientos se aleatorizan a las diferentes u. e. y las formas
de controlar la variabilidad natural de las mismas.

Así, el diseño experimental puede ser diseños factoriales a 2factores, diseño

factorial general etc. y para cada uno de estos diseños se puede tener arreglo
factorial de los tratamientos, si estos se forman por la combinación de niveles de
varios factores. A ambos tipos de diseños, el de tratamientos y el experimental, les
corresponde un modelo matemático.

La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad

de que el efecto de un factor cambie según los niveles de otros factores, esto es,
que los factores interactúen, o exista interacción.
También se utilizan los arreglos factoriales cuando se quiere optimizar la
respuesta o variable dependiente, esto es, se quiere encontrar la combinación de
niveles de los factores que producen un valor óptimo de la variable dependiente.
(superficie de respuesta) Si se investiga un factor por separado, el resultado
puede ser diferente al estudio conjunto y es mucho más difícil describir el
comportamiento general del proceso o encontrar el óptimo.
 Unidad IV conceptos básicos de diseño factorial.

Conceptos Básicos En Diseños Factoriales

En este resumen se presenta la familia de diseños factoriales completas desde una

perspectiva un tanto general: factoriales para cualquier número de factores y de niveles
de prueba en cada uno de ellos, sin dejar cierto nivel de generalidad, se presentan los
diseños factoriales para dos o para tres factores y el caso con cualquier cantidad de
factores.

Diseño Factorial: es estudiar el efecto de varios factores sobre una o varias respuestas, es
decir, busca estudiar la relación entre los factores y la respuesta, y tiene la finalidad de
conocer mejor como es esta relación y que permita tomar acciones y decisiones que
mejoren el desempeño del proceso.

Uno de los objetivos particulares más importantes que en general tiene un diseño
factorial es determinar una combinación de niveles de los factores en la cual el
desempeño del proceso sea mejor que en las condiciones de operación actuales, es decir,
encontrar nuevas condiciones de operación que eliminen o disminuyan cierto problema
de calidad en la variable de salida.

Los factores pueden ser de tipo cualitativo (maquinas, tipo de material, operador,
presencia o ausencia de una operación previa, etc.) o de tipo cuantitativo (temperatura,
humedad, velocidad, presión, etc.).

Para poder estudiar de manera en que influye cada factor sobre una variable de
respuesta, es necesario elegir al menos dos niveles de prueba para cada uno de ellos.

Factor Cualitativo: Sus niveles toman valores discretos o de tipo nominal que no pueden
ser fracciones.

Factor Cuantitativo: Sus niveles de prueba pueden tomar cualquier nivel de cierto
intervalo. La escala es continua. Cabe mencionar que en la materia solo usamos este tipo
de factores.

Experimento Factorial: Un diseño de experimentos factorial o arreglo factorial es el

conjunto de puntos experimentales o tratamientos que pueden formase considerando
todas las posibles combinaciones de los niveles de los factores.
 Unidad IV conceptos básicos de diseño factorial.

Efecto Principal Y Efecto De Interacción: El efecto de un factor se define como el cambio

observado en la variable de respuesta debido a un cambio del nivel de tal factor. En
particular los efectos principales son los cambios en la media de la variable de respuesta
debidos a la acción individual de cada factor.

Unidad Experimental: Unidad a la cual se le aplica un solo tratamiento (que puede ser
una combinación de muchos factores) en una reproducción del experimento.

En cada diseño de experimentos es importante definir cuidadosamente la unidad

experimental, ya que esta puede ser una pieza o conjunto de piezas producidas,
dependiendo del proceso que se estudia.

Variable De Respuesta: Es la característica del producto cuyo valor interesa mejorar

mediante el diseño de experimento.

Factores Controlables: Son variables de proceso que se pueden fijar en un punto o nivel
de operación. Algunos de estos son los que usualmente se controlan durante la operación
normal del proceso, y se distinguen porque para cada uno de ellos existe la manera o el
mecanismo para cambiar o manipular su nivel de operación.Alos factores controlables
también se les llama variables de entrada, condiciones de proceso, variables de
diseño,parámetros del proceso o simplemente factores.

Factores No Controlables: Son variables que no se pueden controlar durante la operación

normal del proceso como la luz, temperatura que se investigan en el experimento para
observar cómo afectan o influyen en la variable de respuesta.

Entrada Proceso Salida

 Factores Controlables Características de calidad o

 Factores No Controlables variables de respuesta

 ¿Cuáles características se van a medir?

 ¿Qué factores controlables deben incluirse en el
experimento?
 ¿Qué niveles debe utilizar cada factor?
 ¿Cuál diseño es experimental es adecuado?
 Unidad IV conceptos básicos de diseño factorial.

Error Aleatorio: Es la variabilidad observada que no se puede explicar por los factores
estudiados; y resulta del pequeño efecto de los factores no estudiados y del error
experimental.

Aleatorizacion: Consiste en hacer corridas experimentales en orden aleatorio; este

principio aumenta la posibilidad de que la independencia del error se cumpla.

Bloqueo: Es nulificar o tomar en cuenta en forma adecuada todos los factores que
pueden afectar la respuesta observada.

Diseño De Bloques Completos Al Azar: En este diseño se consideran tres fuentes de

variabilidad: el factor de tratamientos, el factor de bloques y el error aleatorio, es decir, se
tienen tres posibles culpables de variabilidad presente en los datos.

Diseño De Cuadrado Latino: Diseño en el que se controlan dos factores de bloque y uno
de tratamientos; los tres factores tienen la misma cantidad de niveles. Los tratamientos se
representan por letras latinas y se distribuyen en forma adecuada en un cuadro.

Diseño De Cuadrado Greco- Latino: Diseño en el que se controlan tres factores de

bloques y un factor de tratamientos; los cuatro factores utilizan la misma cantidad de
niveles.

Factores: Las variables independientes relacionadas con una variable de respuesta y se

denominan factores.

Nivel: Es el grado de intensidad de un factor

Tratamiento: Es una combinación especifica de niveles de los factores que intervienen en

un experimento.

Resumen De Pasos Para El Diseño De Experimentos:

1. Seleccionar los datos.

2. Escoger los tratamientos (combinaciones factor-nivel).
3. Determinar el tamaño de la muestra para cada tratamiento.
4. Asignar los tratamientos a las unidades experimentales.
 Unidad IV conceptos básicos de diseño factorial.

Diseños factoriales con dos

factores
En primer lugar vamos a estudiar los diseños más simples, es decir aquellos en los
que intervienen sólo dos factores. Supongamos que hay a niveles para el factor A y b
niveles
del factor B, cada réplica del experimento contiene todas las posibles combinaciones de
tratamientos, es decir contiene los ab tratamientos posibles.

Modelo matemático.

El modelo matemático asociado al diseño de dos factores-tratamiento con

interacción y replicado es el siguiente:

Para cada i = 1,...,I, j = 1,...,J, k = 1,...,K se tiene el siguiente modelo:

con ijk v.a. independientes con distribución N .

Donde,

Y ijk es el resultado del tratamiento i-ésimo, i = 1,2,...,I del factor T y del

tratamiento j-ésimo, j = 1,2,...,ni del factor T , en la replicación t-ésima, t =
1,...,K.
es el efecto global que mide el nivel medio de todos los resultados,
i es el efecto (positivo o negativo) sobre la respuesta debido a que se observa

el nivel i del factor T . Se verifica que I

i = 1 i = 0,

j es el efecto (positivo o negativo) sobre la respuesta debido a que se observa

el nivel j del factor T . Se verifica que J

j=1 i = 0,

ij representa la interacción y es el efecto extra (positivo o negativo) sobre la

respuesta debido a que se observan conjuntamente los niveles i y j de los
factores T y T respectivamente. Mide la desviación de las medias de la
hipótesis de aditividad de los efectos y viene definida por:

Se verifica que I = J = 0, para i = 1,...,I; j = 1,...,J.

i=1 ij j=1 ij
 Unidad IV conceptos básicos de diseño factorial.

ijk es el error experimental o perturbación, son variables aleatorias

independientes idénticamente distribuidas (i.i.d.) con distribución N .

Por tanto, los parámetros de este modelo son

Parámetros Número
1
i
I-1
j J-1
ij

2
1
Total IJ + 1
Siendo n = IJK el número de observaciones.

El modelo matemático anterior de diseño de experimentos con dos factores

tratamiento con interación se conoce como modelo completo de dos vías o
modelo de análisis de la varianza de dos vías.

Si, ocasionalmente, experimentos similares previos o hechos científicos

contrastados garantizan con una razonable seguridad que ambos factores no
interaccionan, el experimento se modeliza a través de:

(1)

con ijk v.a. independientes con distribución N .

El modelo (1) es un “submodelo” del modelo completo de dos vías y se denomina

modelo de efectos principales de dos vías o modelo aditivo de dos vías dado
que el efecto sobre la respuesta del tratamiento ij se modeliza como la suma de
los efectos individuales de cada factor. Es importante

Usar el modelo de efectos principales sólo cuando se tiene la certeza de que no

existe interacción entre los factores.
 Unidad IV conceptos básicos de diseño factorial.

Si no se tiene un conocimiento razonable acerca de la interacción debe

seleccionarse un modelo completo. El motivo es que la inferencia sobre los
efectos principales cuando no se ha considerado interacción erróneamente puede
ser confusa ya que se está incrementando artificialmente el error experimental.

La estrategia a seguir es:

1. Si se sospecha que hay interacción, en primer lugar, se contrasta el efecto

de la interacción en un modelo completo de dos vías.
2. Si no resulta significativa, se continúa con el análisis examinando los
efectos principales en el mismo modelo. No es conveniente cambiar al
modelo de efectos principales salvo que se esté muy seguro de la no
existencia de interacción.
3. Si resulta significativo el efecto interacción, entonces los contrastes sobre
los efectos individuales no son válidos. Si son significativos los contrastes
sobre los efectos individuales, los resultados pueden darse por válidos.
Pero si los contrastes son no significativos, los resultados no tienen porque
ser correctos.

Si el efecto interacción es significativo, generalmente es preferible pasar a

un modelo de una vía donde los niveles son todas las combinaciones de
niveles y examinar así sus posibles diferencias.

Otra posibilidad es examinar las diferencias entre niveles de un factor

manteniendo fijos los niveles del otro. En este caso las conclusiones son
correctas para la situación concreta estudiada.

Estimación de los parámetros.

Los parámetros del modelo se obtienen por mínimos cuadrados, técnica que se
basa en minimizar la suma de los cuadrados de los residuos.

(5.24)

Proporciona los siguientes estimadores:

 Unidad IV conceptos básicos de diseño factorial.

Donde ij. es la media de las observaciones de la casilla ij. El resto de los términos
tiene la interpretación habitual.

La predicción de la casilla ij es la media de los valores de la casilla, por tanto:

(1)

Los residuos, diferencia entre lo observado y la predicción,

Los residuos verifican la siguiente restricción (la suma de los residuos en cada
casilla es cero)

por tanto, en cada casilla hay residuos independientes y el número de

grados de libertad es: IJ. Al igual que en los modelos estudiados
previamente se utiliza la varianza residual como estimador de la varianza. Este
estimador viene dado por

(2)
 Unidad IV conceptos básicos de diseño factorial.

Descomposición de la variabilidad

La suma de cuadrados global se puede descomponer de la forma:

esto es,

Escrito de otra forma:

 Unidad IV conceptos básicos de diseño factorial.

4.2 Diseño factoriales con tres factores.

El modelo de diseño de experimentos con dos factores se puede generalizar a tres

o más factores, aunque presenta el gran inconveniente de que para su aplicación
es necesario un tamaño muestral muy grande.

El modelo de diseño de experimentos completo con tres factores (T , T y T ),

interacción y replicación (K réplicas) tiene el siguiente modelo matemático:

En este modelo se tienen tres factores-tratamineto: el factor T (efecto ) con

niveles i = 1,...,I, el factor T (efecto ) con niveles j = 1,...,J, y el factor T (efecto
) con niveles r = 1,...,R. Cada tratamiento se ha replicado K veces. Por tanto se
tienen n = IJRK observaciones. El término ijk es la interacción de tercer orden

que, en la mayoría de las situaciones, se suponen nulas.

En este modelo se verifican las siguientes restricciones

El número de parámetros del modelo es

Parámetros Número
1
i I-1
j J-1
r R-1
ij

ir

jr

ijr
2
1
Total IJR + 1
Los estimadores máximo-verosímiles de este modelo son los siguientes (se utiliza
la notación habitual):
 Unidad IV conceptos básicos de diseño factorial.

De la media global de los efectos principales, de las interacciones de segundo

orden de las interacciones de tercer

orden.

La descomposición de la variabilidad se obtiene la siguiente tabla ANOVA (Tabla

siguiente), a partir de la cual se pueden obtener contrastes como en la sección
anterior.

CUADRO DEL ANÁLISIS DE LA VARIANZA

— MODELO COMPLETO DE TRES VÍAS —
Fuente de Suma de cuadrados g.l.
variación
Factor T I 2 I–1
scT = J RK i=1 i

Factor T J 2 J–1
scT = IRK j=1 j

Factor T R 2 R–1
scT = IJK r=1 r

Inter. I J 2 (I - 1)(J - 1)
sc = RK i=1 j=1 ij

Inter. I R 2 (I - 1)(R - 1)
sc = JK i=1 r=1 ir

Inter. J R 2 (J - 1)(R - 1)
sc = IK j=1 r=1 jr

Inter. I J R (I - 1)(J - 1)(R -

sc =K i=1 j=1 r=1
2 1)
ijr

Residual I J R IJR(K - 1)
scR = i=1 j=1 r=1 t=
K 2
1 eijrk

Global I J R IJRK – 1
scG = i=1 j=1 r=1 t=
K 2
1 eijrk

Tabla 3 Cuadro del análisis de la varianza para un diseño completo de tres

factores.

4.3 Diseño factorial general

Los resultados del ANOVA para dos factores pueden ser extendidos a un caso
general en donde a son los niveles del factor A, b son los niveles del factor B, c
son los factores del nivel C, y así sucesivamente, los cuales pueden ser
arreglados en un experimento factorial, en el cual el número de réplicas es n.
 Unidad IV conceptos básicos de diseño factorial.

Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una

aproximación al diseño de experimentos con el objetivo de reducir los costos
emanados de la experimentación, esta aproximación es más práctica que teórica y
se interesa más por la productividad y los costos de producción que en las reglas
estadísticas. Los conceptos de estas técnicas están basados en las relaciones de
costos y ahorros.

Diseñar un sistema de manufactura para elaborar un producto requiere de

conocimientos técnicos además de una gran experiencia en el área a la cual
pertenece el producto.

Los diseños factoriales son ampliamente utilizados en experimentos en los que

intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que
resultan importantes porque se usan ampliamente en el trabajo de investigación, y
porque constituyen la base para otros diseños de gran valor práctico.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.

El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para

identificar con rapidez y de manera eficiente el subconjunto de factores que son activos, y
para obtener alguna información sobre la interacción. La propiedad de proyección de
estos diseños hace posible en muchos casos examinar los factores activos con más
detalle. La combinación secuencia de estos diseños a través del plegamiento es una
forma muy eficaz de obtener información extra acerca de las interacciones, la cual puede
identificarse en un experimento inicial como potencialmente importante.

4.4 MODELO DE EFECTOS ALEATORIOS

Diseño Factorial General 2k

Los diseños factoriales son a ampliamente utilizados en experimentos en los que

intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que
resultan importantes porque . se usan ampliamente en el trabajo de investigación,
y porque constituyen la base para otros diseños de gran valor práctico.
El más importante de estos casos especiales ocurre cuando se tienen k factores,
cada uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el
caso de dos valores de temperatura presión o tiempo. También pueden ser
cualitativos como sería el caso de dos máquinas, dos operadores, los niveles
"superior" e "inferior" de un factor, o quizás, la ausencia o presencia de un factor.
 Unidad IV conceptos básicos de diseño factorial.

Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 = 2 k

observaciones y se conoce como diseño general 2k.
El segundo caso especial es el de k factores con tres niveles cada uno, conocido
como diseño factorial 3k.

Se supone que:

a) los factores son fijos

b) los diseños son completamente aleatorios

c) se satisface la suposición usual de normalidad

El diseño 2k es particularmente útil en las primeras fases del trabajo experimental,

cuando es probable que haya muchos factores por investigar.
Conlleva el menor número de corridas con las cuales pueden estudiarse k factores
en un diseño factorial completo. Debido a que sólo hay dos niveles para cada
factor, debe suponerse que la respuesta es aproximadamente lineal en el intervalo
de los niveles elegidos de los factores.

DISEÑO 22

El primer diseño de la serie 2k es aquel que tiene sólo dos factores, A y B, cada
uno con dos niveles. Arbitrariamente, los niveles del factor pueden llamarse
"inferior" y "superior".

DISEÑO 23

Suponga que se encuentran en estudio tres factores A, B y C, cada uno con dos
niveles. Este diseño se conoce como diseño factorial, 2 3 y las ocho combinaciones
de tratamientos pueden representarse gráficamente mediante un cubo.
Existen en realidad tres notaciones distintas que se usan ampliamente para las
corridas o ejecuciones en el diseño 2k:

1. La primera es la notación "+,-", llamada "geométrica".

2. La segunda consiste en el uso de letras minúsculas para identificar las
combinaciones de tratamientos.
3. En la tercera se utilizan los dígitos 1 y 0 para denotar los niveles alto y bajo
del factor, respectivamente.
 Unidad IV conceptos básicos de diseño factorial.

1.3 Diseño Factorial General 3k

Este diseño es una variación del diseño 2k y son muy útiles como las que se
emplean cuando todos los factores actúan a tres niveles.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.

Este es un diseño que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras mayúsculas. Los tres
niveles de los factores pueden referirse como nivel inferior, intermedio y superior.

Estos niveles se representan mediante los dígitos 0 (nivel inferior), 1 (intermedio) y

2 (superior).

Cada combinación de tratamientos de un diseño 3k se presenta mediante k dígitos,

donde el primero incida el nivel de A, el segundo señale al nivel de B, ..... y el k-
ésimo dígito, el nivel del factor k.

Por ejemplo, es un diseño 32 el 00 representa la combinación de tratamientos, en

la que tanto el factor A como el B están en el nivel inferior, y el 01 representa la
combinación de tratamientos que corresponde al factor A en el nivel inferior y a B
en el nivel intermedio.

En éste, el sistema de notación que se prefiere usar es el de + - en virtud de que

facilita la interpretación geométrica del diseño y de que es directamente aplicable
al modelado por regresión, la formación de bloques y la construcción de factoriales
fraccionarios.
La adición de un tercer nivel permite modelar con una relación cuadrática la
relación entre la respuesta y cada factor.

DISEÑO 32

El diseño más simple es el 32 que consta de dos factores con tres niveles cada
uno.
Como hay 32 = 9 combinaciones de tratamientos, existen 8 grados de libertad
entre ellas, Los efectos principales A y B tienen dos grados de libertad cada uno, y
la interacción AB tiene cuatro grados de libertad. Si hay n réplicas habrá un total
 Unidad IV conceptos básicos de diseño factorial.

de n32 - 1 grado de libertad, correspondiendo para el error 3 2 (n-1) grados de

libertad.

DISEÑO 33

Si se supone que se están estudiando tres factores (A, B, C) y que cada factor
tiene tres niveles acomodados en un experimento factorial. Este es un diseño
33. Las 27 combinaciones tienen 26 grados de libertad.

FACTOR A

Bajo Medio Alto

0 1 2

Bajo 0 0 10 20
FACTOR B
Medio 1 1 11 21

Alto 2 2 12 22

4.5. USO DE UN SOFTWARE ESTADÍSTICO

El procedimiento (PROC) GLM del programa estadístico SAS ha sido la rutina mas
comúnmente utilizada para analizar datos provenientes de diseños con parcelas
divididas. Sin embargo, este procedimiento fue desarrollado para evaluar modelos
de componentes fijos y no considera que en realidad este tipo de diseño se
corresponde a un modelo mixto con factores fijos y aleatorios, por lo que se hace
necesario evaluar rutinas que consideren los modelos mixtos. El PROC MIXED del
SAS fue desarrollado explícitamente para evaluar datos provenientes de modelos
mixtos, eliminándose los problemas que presenta el PROC GLM para este tipo de
análisis. Se discuten las ventajas del PROC MIXED en comparación con PROC
GLM, por medio de un ejemplo analizado con ambos procedimientos. Se concluye
que el PROC MIXED proporciona los errores estándares adecuados a cada nivel
de análisis, realizando las comparaciones de media en la forma correcta, por lo
que se 15recomienda su utilización ampliamente en sustitución del PROC GLM
para análisis de parcelas divididas.
 Unidad IV conceptos básicos de diseño factorial.

CONCLUSIÓN

Bibliografía utilizada

* Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la Varianza

y Temas Relacionados: Tratamiento Informático mediante SPSS.” Proyecto

Sur de Ediciones.