DISEÑO

FACTORIAL Y
ARREGLO
ORTOGONAL
Felix Ramos Viveros

16 DE JUNIO DE 2018
 INDICE
Diseño Factorial .............................................................................................................................. 2
Facilidades del Diseño Factorial ............................................................................................ 2
Mapa Conceptual Diseños Factoriales ..................................................................................... 3
Diseño factorial 2 ........................................................................................................................... 3
Factor cualitativo ........................................................................................................................ 4
Factor cuantitativo ..................................................................................................................... 4
Arreglo factorial .......................................................................................................................... 4
La matriz de diseño o arreglo factorial ................................................................................. 4
Efecto principal y efecto de interacción .............................................................................. 5
Efecto de un factor..................................................................................................................... 5
Efecto principal ........................................................................................................................... 5
Efecto de interacción ................................................................................................................ 5
Los valores absolutos............................................................................................................... 5
Representación de los efectos principales y la interacción ............................................... 6
Ventajas de los diseños factoriales .......................................................................................... 8
Modelos de efectos aleatorios .................................................................................................... 9
Ejemplo ......................................................................................................................................... 9
Factor Fijo ........................................................................................................................................ 9
Factor aleatorio ............................................................................................................................. 10
Modelo estadístico e hipótesis de interés ............................................................................. 10
Comparaciones de medias .................................................................................................... 11
Transformaciones para estabilizar varianza ..................................................................... 11
Ejemplo de diseño de 2 factores: ........................................................................................ 12
Filosofía Taguchi .......................................................................................................................... 15
Metas ........................................................................................................................................... 15
Arreglos ortogonales .................................................................................................................. 16
Que busca el diseño ortogonal ............................................................................................ 16
¿Cuándo un factor es fijo? Y ¿cuándo es aleatorio? ..................................................... 16
 Ejemplos ................................................................................................................................. 16
Ejemplo de Ejercicio Ortogonal................................................................................................ 17

Diseño Factorial

Diseño experimental que sirve para estudiar el efecto individual y de interacción de

varios factores sobre una o varias respuestas
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una
o varias respuestas, cuando se tiene el mismo interés sobre todos los factores.
Por ejemplo, uno de los objetivos particulares más importantes que
frecuentemente tiene un diseño factorial es determinar una combinación de niveles
de los factores en la que el desempeño del proceso sea mejor.

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, la cantidad de un cierto material, etc.).
Para estudiar la manera en la 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.

Facilidades del Diseño Factorial

•  Mas de un factor a la vez

•  Los efectos de un factor deben tener en cuenta los efectos deotros
factores. (más real)
•  Cada observación proporciona información sobre todos los factores Son
experimentos más eficientes
•  Se pueden estudiar las respuestas de un factor en diferentes niveles de
otro
•  Cuando los efectos de dos o más factores no son independientes
Interacción Análisis para 2 factores posibles efectos de un factor
•  Efecto: Es un cambio en la respuesta medida ocasionado por un cambio
en el nivel de ese factor
•  Efectos Simples: comparaciones entre niveles de un factor (contrastes)
•  Efectos principales: de un factor son comparaciones entre los niveles de
un factor promediados para todos los niveles de otro factor
 •  Efectos de Interacción: son las diferencias entre efectos simples

Mapa Conceptual Diseños Factoriales

Diseño factorial 2

Supongamos que, en un proceso de fermentación tequilera, se tienen dos factores

A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por A1
= 1, A2 = 2 y B1= 22°C, B2 = 30°C, respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 5.1 se muestran los cuatro
tratamientos o puntos del diseño factorial 2, y entre paréntesis se ha indicado cada
nivel con los códigos (1, –1). En el experimento original cada tratamiento se corrió
tres veces (tres réplicas), lo cual da un total de 12 corridas del proceso, pero, por
simplicidad, en la última columna de la tabla 5.1 sólo se anotaron los resultados de
la primera réplica.
A: Levadura B: Temperatura Y: Rendimiento

A1 = 1 (–1) B1 = 22 (–1) 28
A2 = 2 (1) B1 = 22 (–1) 41
A1 = 1 (–1) B2 = 30 (1) 63
A2 = 2 (1) B2 = 30 (1) 45
Factor cualitativo

Sus niveles toman valores discretos o de tipo nominal. Ejemplos: máquinas, lotes,
marcas, etcétera.

Factor cuantitativo

Sus niveles de prueba pueden tomar cualquier valor dentro de cierto intervalo. La
escala es continua, como, por ejemplo: temperatura, velocidad, presión, etcétera.

Arreglo factorial

Conjunto de puntos experimentales o tratamientos que pueden formarse al

considerar todas las posibilidades de combinación de los niveles de los factores.

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.
Para afinar ideas, si se sigue teniendo dos factores, pero ahora uno tiene tres
niveles y el otro dos, se pueden construir 3 × 2 combinaciones que dan lugar al
diseño factorial 3 × 2. Observe que en el nombre del diseño factorial va implícito el
número de tratamientos que lo componen.
Para obtener el número de corridas experimentales se multiplica el número de
tratamientos por el número de réplicas, donde una de éstas se lleva a cabo cada
vez que se corre el arreglo completo.
En general, la familia de diseños factoriales 2k consiste en k factores, todos con
dos niveles de prueba (las factoriales 2 k se estudian con detalle en el capítulo 6);
y la familia de diseños factoriales 3k consiste en k factores, cada uno con tres
niveles de prueba (capítulo 7). Es claro que, si los k factores no tienen la misma
cantidad de niveles, debe escribirse el producto de manera explícita; por ejemplo,
con k = 3 factores, el primero con cuatro niveles y los dos restantes con dos
niveles, se tiene el diseño factorial 4 × 2 × 2 o 4 × 2 2.
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 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 nivel alto,
y la respuesta media observada cuando el factor estuvo en su nivel bajo se dice que dos
factores interactúan entre sí o tienen un efecto de interacción sobre la variable de
respuesta, cuando el efecto de un factor depende del nivel en el que se encuentra el otro.
Por ejemplo, los factores A y B interactúan si el efecto de A es muy diferente en cada nivel
de B, o viceversa.

Efecto de un factor

Es el cambio observado en la variable de respuesta debido a un cambio de nivel en el

factor.

Efecto principal

Es igual a la respuesta promedio observada en el nivel alto de un factor, menos la

Respuesta promedio en el nivel bajo.

Efecto de interacción

Dos factores interactúan de manera significativa sobre la variable de respuesta cuando el

efecto de uno depende del nivel en que está el otro.

Los valores absolutos

(sin importar el signo) de los efectos principales y del efecto de interacción son una
medida de importancia de su efecto sobre la variable de respuesta. Sin embargo, como se
tienen estimaciones muéstrales, para saber si los efectos son estadísticamente
significativos (diferentes de cero) se requiere el análisis de varianza (ANOVA).
Representación de los efectos principales y la interacción

El efecto principal de un factor se representa de manera gráfica como en la figura

5.1a), en cuyo eje horizontal se ubican los niveles del factor y en el eje vertical se
encuentra la media de la respuesta observada en los correspondientes niveles. En
la figura referida se aprecia que, en el ejemplo 5.1, el efecto principal (individual)
del factor B es mayor que el del factor A.
El efecto de interacción de los dos factores de la tabla 5.1 se pueden graficar
como en la figura 5.1b); en el eje vertical se pone una escala que represente la
magnitud de la variable de respuesta, luego uno de los factores se representa con
sus dos niveles en el eje horizontal, y en dirección vertical de cada uno de estos
niveles se anota un punto que represente la respuesta promedio en cada nivel del
otro factor ,al final, cada punto del lado izquierdo se une con su correspondiente
punto del lado derecho mediante una línea recta. Resulta que cuando existe
interacción las líneas obtenidas tienen una pendiente muy diferente (véase figura
5.1b), y si no hay interacción las líneas tienen pendientes similares, que son
aproximadamente paralelas (véase figura5.2). Por ejemplo, en la figura 5.1b) se
muestra la interacción AB, poniendo el factor B en el eje horizontal, mientras que
en la figura 5.1c) se representa el mismo efecto de interacción, pero ahora con el
factor A en el eje horizontal.
Para entender e interpretar de qué manera un efecto de interacción afecta la
variable de respuesta, se debe ser cuidadoso y analizar con detalle lo que pasa en
Y cuando se mueve un factor dependiendo del nivel en el que esté el otro. Por
ejemplo, en el caso del inciso c) de la fi gura 5.1 se aprecia que si A se cambia de
su nivel (–1) al (1), cuando B = –1, la respuesta Y también se incrementa; pero si
B = 1, la respuesta decrece de manera importante. En otras palabras, el factor A
tiene un efecto positivo o negativo sobre Y, dependiendo del nivel de B. En el caso
del inciso b) de esta misma figura, se puede ver que si B se incrementa (cambia)
de (–1) al (1), cuando A = l, la respuesta Y se incrementa ligeramente; pero si A =
–1, la respuesta se incrementa mucho.
De esta manera, con un efecto de interacción como el de la figura 5.1, si se quiere
maximizar, minimizar o llevar a un valor objetivo a Y, no se puede mover al factor
A sin tomar en cuenta en qué nivel está B, y viceversa.
Cabe señalar que en muchos procesos industriales y biológicos hay factores que
tienen un efecto fuerte de interacción sobre Y, y que, si esto se ignora, lo que
algunas veces es una solución (incrementar B cuando A = –1), en otras ocasiones
es insuficiente o incluso contraproducente (incrementar B cuando A =1). Esto en la
práctica provoca desconcierto a los ingenieros e investigadores, les genera
explicaciones falsas y finalmente los lleva a ignorar aspectos básicos de sus
procesos.
Ventajas de los diseños factoriales

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 (capítulo 12).
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 (capítulo 8).
4.-Pueden utilizarse en combinación con diseños en 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.

Modelos de efectos aleatorios

Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o
factores fijos, lo cual significa que todos los niveles de prueba en cada factor son
todos los disponibles para ese factor, o bien, se estudian todos los niveles de
interés en ese factor; es en este sentido que los niveles están fijos. Éste es el
caso, por ejemplo, cuando en el factor operador se toman los tres únicos
operadores como los niveles de prueba, o cuando los niveles del factor máquinas
son las cuatro máquinas existentes o bien, cuando se comparan tres tipos de
material porque son los que interesa comparar, aunque existan otros materiales de
ese tipo. Con factores fijos, las conclusiones obtenidas sólo son válidas para los
niveles de prueba que se estudian en el experimento.
En ocasiones, los niveles de prueba son una muestra aleatoria de la población de
niveles posibles. es más apropiado utilizar un modelo de efectos o factores
aleatorios.

Ejemplo

Se prueban cinco instrumentos de medición, pero la población de los mismos es

de 100 instrumentos; obviamente, no es posible experimentar con todos los
equipos.
Entonces se experimenta sólo con cinco de ellos elegidos al azar, y para obtener
conclusiones para toda la población de instrumentos es necesario aplicar métodos
apropiados (modelo de efectos aleatorios).

Factor Fijo

Se refiere a que los niveles de prueba en un factor son todos los niveles
disponibles para éste.
Factor aleatorio

Cuando los niveles de prueba utilizados en un factor son una muestra aleatoria de
la población de niveles para ese factor.

¿Por qué un único análisis para dos factores, en vez de dos análisis separados?

•  eficacia
•  disminuir la probabilidad de cometer un error Tipo I
•  mayor información (efecto combinado de los factores)

Modelo estadístico e hipótesis de interés

El modelo estadístico de efectos para este tipo de diseño está dado por:
Comparaciones de medias

Procedimiento mediante el cual se idéntican a las medias que causan las

diferencias detectadas en el ANOVA.

Transformaciones para estabilizar varianza

En la práctica, algunas variables de respuesta no siguen una distribución normal,

sino que se distribuyen, por ejemplo: Poisson, binomial o Gamma, por mencionar
tres casos. Resulta que en estas distribuciones la media está relacionada con la
desviación estándar (variabilidad) y, naturalmente, al cambiar la media de un
tratamiento a otro, con ella cambia la variabilidad de la respuesta. También es
cierto que, al suponer normalidad y varianza constante, éstas no se tienen que
cumplir de manera estricta, dado que el procedimiento de ANOVA es robusto o
admite desviaciones moderadas de dichos supuestos.
Existen al menos tres maneras de solucionar o minimizar el problema por falta de
normalidad y de varianza heterogénea en los residuos: 1) utilizar métodos de
análisis no paramétricos, que no requieren las suposiciones de normalidad y
varianza constante (véase Conover, 1980); 2) hacer el análisis mediante modelos
lineales generalizados (GLM), en los que se ajusta un modelo lineal usando otras
distribuciones diferentes a la normal, donde la varianza no tiene por qué ser
constante (Myers, etal.2002),y 3) hacer el análisis sobre la respuesta transformada
a una escala en la que los supuestos se cumplan.
En este libro sólo se presenta el tercer enfoque.
La transformación más apropiada de la respuesta para corregir o minimizar los
problemas de falta
de normalidad y de varianza constante, depende del tipo de relación que existe
entre la media y la varianza de Y. Esta relación se puede visualizar en la gráfica
de residuos vs.predichos.
Según lo pronunciado que sea la “forma de corneta” de los puntos en dicha
gráfica, se determina la transformación más apropiada. Con un paquete
estadístico se pueden probar varias transfor naciones para elegir aquella en la
cual los supuestos se cumplan de mejor manera. Las transformaciones más
usuales se muestran en la tabla de la página siguiente.
En la tabla el símbolo μ significa “ l es proporcional a”. A medida que se da la
relación de proporcionalidad con respecto a mayor potencia de la media o valor
esperado, se requiere una transformación más fuerte para lograr igualdad de
varianzas en el análisis de la respuesta transformada. El grado de
proporcionalidad se puede ver en la gráfica de residuos vs. predichos.

Ejemplo de diseño de 2 factores:

Hipótesis 1: la abundancia total de los peces litorales mediterráneos responde a la

protección pesquera en las reservas marinas

Hipótesis 2: pueden haber diferencias regionales de abundancia, achacables a

variaciones puramente espaciales (debidas a otros factores además de la
protección)
Filosofía Taguchi

Taguchi establece que la calidad de un producto debe ser medida en térmi nos de
abatir al mínimo las pérdidas que ese producto causa a la sociedad, desde que
inicia su fabricación hasta que concluye su ciclo de vida; estas pérdidas sociales
se traducen en pérdidas de la empresa en el mediano y largo plazos. Asimismo,
se plantea el enfoque al cliente (sociedad), en vez del enfoque al fabricante.
Taguchi retoma el concepto del control de calidad fuera de línea (offline QC),
planteando que la inspección y el control del proceso no son suficientes para
alcanzar una calidad competitiva, y que los niveles elevados de calidad sólo
pueden lograrse, en términos económicos, en las fases de diseño (producto y
proceso).
Decimos que un producto o proceso es robusto cuando su funcionamiento es
consistente al exponerse a las condiciones cambiantes del medio. El objetivo del
diseño robusto de parámetros es, precisamente, lograr productos y procesos
robustos. El concepto parámetro se refiere a los parámetros del sistema, es decir,
son los factores o variables del proceso. La metodología Taguchi establece tres
metas:

1. Diseños robustos (insensibles) ante el medio ambiente para productos y

procesos.
2. Diseño y desarrollo de productos, de modo que sean robustos a la variación de
componentes.
3. Minimización de las variaciones con respecto a un valor objetivo.

Metas

Estas tres metas se concretan en tres etapas del desarrollo de un producto:

1. Diseño del sistema: el ingeniero utiliza principios científicos y de ingeniería
para determinar la configuración básica.
2. Diseño de parámetros: se determinan los valores específicos para los
parámetros del sistema, minimizando la variabilidad aportada por las variables de
ruido.
3. Diseño de tolerancias: se determinan las mejores tolerancias para los
parámetros.
Arreglos ortogonales
Los arreglos ortogonales son diseños propuestos por Taguchi que, como su
nombre lo indica, tienen la propiedad de ortogonalidad, misma que también
poseen los diseños factoriales clásicas. Estos arreglos son diseños factoriales
completos, fraccionados o mixtos, dependiendo del número de factores a estudiar
en un caso particular. Por ejemplo, el arreglo ortogonal L8 (AO_L8) tiene ocho
corridas experimentales, y con él se 2 Matrices de diseños factoriales completos,
fraccionados o mixtos que tienen la propiedad de ortogonalidad. pue den estudiar
desde dos hasta siete factores en dos niveles cada uno Si se estudian siete
factores equivale a un diseño factorial fraccionado 2III 7– 3, mientras que con dos
factores sería una factorial completa 22 con dos réplicas. Para menos de siete
factores es necesario saber a cuáles columnas del arreglo deben asignarse los
factores, para tener la estructura alias que permita estudiar lo más claro posible a
esos factores. Por ejemplo, al estudiar cuatro factores con el arreglo L8, éstos se
deben asignar a las columnas 1, 2, 4 y 7, para obtener la información con la
calidad de la fracción 2 IV con generador I = ABCD

Que busca el diseño ortogonal

•  Buscamos explorar más de un factor experimental simultáneamente y en

combinación
•  Cada nivel de un factor está presente en el experimento en combinación con
cada nivel del otro factor (ortogonalidad)
•  Debemos asegurar la ortogonalidad con el fin de investigar las interacciones
entre factores
¿Cuándo un factor es fijo? Y ¿cuándo es aleatorio?

Ejemplos

Niveles de protección, Regiones, Estaciones, Años, etc. un factor será fijo si nos interesa
saber si existen subconjuntos homogéneos (hacer un contraste a posterior). En otro caso,
será aleatorio.
El análisis con factores fijos es más potente, pero requiere más análisis a posteriori, no
siempre justificado y no siempre racional.
•  No hay límites matemáticos a la adición de factores ortogonales
•  Los límites están en… … imaginar las hipótesis subyacentes… interpretar las
interacciones
Ejemplo de Ejercicio Ortogonal

En el ejemplo 9.1 del color del pigmento, en la parte interior de la figura de la

izquierda, se aplica un arreglo interno L8 para decidir qué combinación de los seis
factores controlables se correrán.

Las columnas se asignaron a los factores en forma consecutiva y no en la forma

que se recomienda, por lo que la fracción resultante quizá no tenga la máxima
resolución.

Mientras que el arreglo externo, que indica las combinaciones de los tres factores
de ruido, se seleccionó de acuerdo con un arreglo L4 (véase parte superior de las
figuras 9.4 y 9.6), pero sustituyendo el nivel “1” por el “2” y el “2” por el “1”, en el
factor de ruido M.
Con el arreglo ortogonal L16 se pueden estudiar desde cuatro hasta 15 factores
(para menos de cuatro factores es mejor utilizar un L8). Cuando se estudian cuatro
factores, éstos se deben asignar a las columnas 1, 2, 4 y 8, para estimar de
manera separada a las interacciones, y en este caso equivaldría a un diseño
factorial completo 2 4.
Si se estudian 15 facto res, el arreglo L16 equivaldría a una fracción 15 – 11 2III.
Ocurre que, en la medida en la que se estudian más factores, se tienen menos
grados de libertad para estudiar interacciones; sin embargo, Taguchi no hace
énfasis en el estudio de las interacciones, prefiere saturar lo más posible los
arreglos y analizar sólo los efectos principales de cada factor.
En la figura 9.6 se muestran seis de los arreglos ortogonales de uso más
frecuente, que son: L4,L8, L12, L16, L9 y L18, y en la parte inferior de cada uno de
ellos se lista la manera de asignar los factores a las columnas, lo cual es
importante si no se van a ocupar todas, ya que una buena asignación evita
confundir los efectos principales o incluso separar algunos efectos de interacción.
El subíndice en la notación Li indica el número de combinaciones de niveles que
conforman el arreglo. Los arreglos L9 y L18 permiten estudiar factores con tres
niveles (1, 2, 3).
Nótese que Taguchi acomoda las columnas de los arreglos ortogonales en un
orden diferente al orden de Yates que se estudió en los diseños factoriales. La
primera columna de cada arreglo ortogonal es aquella en la que los niveles
aparecen lo más agrupados posible, de manera que el factor correspondiente se
cambia de nivel un número mínimo de veces si el arreglo se corre en este orden.
Taguchi recomienda asignar a la primera columna aquel factor que sea más difícil
de manipular durante el experimento; es decir, el factor al que sea difícil cambiarle
su nivel de una prueba a otra. De lo anterior se concluye que Taguchi no enfatiza
la necesidad de correr el experimento en orden aleatorio como se recomienda en
diseño clásico, sino más bien presupone las complicaciones prácticas que se han
señalado, y estructura el orden de las columnas conforme a esas dificultades.