UNIVERSIDAD DE COLIMA

FACULTAD DE CIENCIAS QUIMICAS

DISEÑO DE EXPERIMENTOS

INGENIERO QUÍMICO EN ALIMENTOS

5to. Semestre.

ACTIVIDAD No10 “Diseño de Experimentos de un Factor y Factoriales”

ERNESTO MEDINA AHUMADA

Semestre Agosto- Diciembre

Profesora:

M.C Sofía Martínez García

01 de Noviembre del 2019. Coquimatlán, Colima.

INDICE

Contenido
1. Explique en qué consiste y cuando se deben aplicar cada uno de los siguientes diseños de un
factor: .................................................................................................................................................. 4
a) Diseño completamente al azar :.................................................................................................. 4
b) Diseño de bloques completos al azar : ....................................................................................... 4
c) Diseño en cuadrado latino : ........................................................................................................ 4
d) Diseño grecolatino : .................................................................................................................... 4
2. ¿Qué mide el cuadrado medio del error en el ANOVA de un experimento?.................................. 5
3. ¿Qué son los grados de libertad en una suma de cuadrados en un análisis de varianza? ............. 5
4. ¿Qué diferencia hay entre un DBCA y los diseños en cuadrado latino? ......................................... 5
5. ¿Por qué se reduce el error aleatorio cuando se aplica un modelo estadísticos de un diseño en
bloques? .............................................................................................................................................. 6
6. ¿Qué es un método factorial completo? ........................................................................................ 6
7. ¿Cuántos efectos se pueden estudiar con un factorial 4 X 3 X 2? Bosqueje la tabla de ANOVA
correspondiente. ................................................................................................................................. 6
8. Represente en el plano cartesiano un diseño factorial 4 X 4 .......................................................... 7
9.- Mencione por lo menos 3 ventajas del análisis factorial con respecto a estudiar un factor a la
vez. ...................................................................................................................................................... 7
10.- ¿Cuál es la implicación práctica de utilizar tres niveles de prueba en lugar de dos en un factor
dado?................................................................................................................................................... 8
11.- ¿Cuáles son los supuestos del modelo en un diseño factorial y con cuales gráficos de residuos
se pueden verificar cada uno de estos supuestos? ¿Cómo se vería en estos gráficos un punto
aberrante? ........................................................................................................................................... 8
12.- ¿Cuándo es preferible realizar un diseño factorial fraccionado en lugar de uno completo?
Ejemplo 2 k-p en lugar de 2 k o un 3 k-p en lugar de 3 k .................................................................... 9
13.- ¿Cómo se determina la fracción que se estudia en un diseño fraccionado? ............................ 10
14.- ¿Cuáles son las principales ventajas de los diseños fraccionados con respecto a los completos
y viceversa? ....................................................................................................................................... 10
15.- ¿Qué es el análisis discriminante y cuáles son sus principales aplicaciones?............................ 10
16.- De los supuestos de la pregunta anterior ¿cuál afectaría más el análisis en caso de no
cumplirse? ......................................................................................................................................... 11
17.-¿Con base en que se pueden encontrar una transformación de la variable de respuesta
adecuada cuando no se cumplen los supuestos? ............................................................................. 11

2
18.- ¿Qué significa que el modelo estadístico sea de efectos aleatorios?........................................ 12
19.- ¿En que cambian las hipótesis de interés en factor aleatorio con respecto de uno fijo? ......... 12
20. Defina cada uno de los siguientes términos: .............................................................................. 13
Bibliografía: ...................................................................................................................................... 14

3
Instrucciones: Los estudiantes contestaran el siguiente cuestionario:

1. Explique en qué consiste y cuando se deben aplicar cada uno de los

siguientes diseños de un factor:
a) Diseño completamente al azar :

Es el más simple de todos los diseños que se utilizan

para comparar dos o más tratamientos, dado que sólo consideran dos fuentes de
variabilidad: los tratamientos y el error aleatorio.

Este diseño se llama completamente al azar porque todas las corridas

experimentales
se realizan en orden aleatorio completo. De esta manera, si durante el estudio
se hacen en total N pruebas, éstas se corren al azar, de manera que los posibles
efectos ambientales y temporales se vayan repartiendo equitativamente entre los
tratamientos.

b) Diseño de bloques completos al azar :

Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor,

es deseable que las posibles diferencias se deban principalmente al factor de
interés y no a otros factores que no se consideran en el estudio. Cuando esto no
ocurre y existen otros factores que no se controlan o nulifican para hacer la
comparación
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición
será el resultado del efecto del tratamiento donde se encuentre, del efecto del
bloque al que pertenece y de cierto error que se espera sea aleatorio.

c) Diseño en cuadrado latino :

La regla fundamental es que cada letra debe aparecer sólo una vez en cada
renglón y en
cada columna. Siempre es fácil construir un cuadro lati no estándar: en el que en
la
primera columna y en el primer renglón aparecen las letras en orden alfabético.

d) Diseño grecolatino :

Con el diseño en cuadro grecolatino (DCGL) se controlan tres factores de bloque,

además del factor de tratamientos. Se llama cuadro grecolatino porque los cuatro

4
factores involucrados se prueban en la misma cantidad de nive les, de aquí que se
pueda escribir como un cuadro (véase tabla 4.8); además, se utilizan letras latinas
para denotar a los tratamientos y letras griegas para nombrar a los niveles del
tercer
factor de bloque.

2. ¿Qué mide el cuadrado medio del error en el ANOVA de un experimento?

señala que se necesitan al menos dos réplicas del experimento para calcular
este componente y, por ende, para construir una tabla de ANOVA

3. ¿Qué son los grados de libertad en una suma de cuadrados en un análisis de

varianza?
cuadrados medios (CM). Al dividir éstos entre el cuadrado medio del error
(CME) se obtienen estadísticos de prueba con distribución F. oda esta información
se sintetiza en la tabla 5.4

4. ¿Qué diferencia hay entre un DBCA y los diseños en cuadrado latino?

DBCA=1 factor de bloque, ANOVA con 2 criterios de clasificación

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗

DCL=2 factores de boques, ANOVA con 3 criterios de clasificación

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝛿𝑘 + 𝜀𝑖𝑗

5
5. ¿Por qué se reduce el error aleatorio cuando se aplica un modelo estadísticos
de un diseño en bloques?
La aleatorización se hace dentro de cada bloque; por lo tanto, no se realiza de
manera total como en el diseño completamente al azar. El hecho de que existan
bloques hace que no sea práctico o que incluso sea imposible aleatorizar en su
totalidad.
La restricción de aleatorización es que sólo se aleatoriza dentro de bloque, La
restricción de aleatorización se debe al hecho de que no se aleatoriza el orden de
las corridas experimentales en relación a los bloques. El experimento supone que
sólo se aleatoriza el orden de las corridas dentro de cada bloque, lo cual
evita sesgos en la comparación de los tratamientos, pero no los impide en la
comparación de los bloques
Ejemplo:
La imposibilidad de aleatorizar de bloque a bloque se aprecia clara mente cuando
se bloquean factores como día o turno,ya que no tiene sen tido pensar en
seleccionar al azar el orden de los días o los turnos porque es imposible regresar
el tiempo

6. ¿Qué es un método factorial completo?

Un diseño factorial es un método de selección de tratamientos (es decir,
combinaciones factor-nivel) que se incluirán en un experimento. Un experimento
factorial completo es unoen el que los tratamientos consisten en todas las
combinaciones factor- nivel.

7. ¿Cuántos efectos se pueden estudiar con un factorial 4 X 3 X 2? Bosqueje la

tabla de ANOVA correspondiente.
Se pueden estudiar 7 efectos en este modelo y son A, B, C, AB, AC, BC y ABC.

FV SC GL CM F0 Valor - p

Efecto A SCA a-1 CMA CMA/ CM£ P( F ˃ F0A)

Efecto B SCB b-1 CMB CMB/ CM£ P( F ˃ F0B)

Efecto C SCC c-1 CMC CMC/ CM£ P( F ˃ F0C)

Efecto AB SCAB (a-1) (b-1) CMAB CMAB/ CM£ P( F ˃ F0AB)

Efecto AC SCAC (a-1) (c-1) CMAC CMAC /CM£ P( F ˃ F0AC)

Efecto BC SCBC (b-1) (c-1) CMBC CMBC/ CM£ P( F ˃ F0AC)

6
 Efecto SCABC (a-1) (b- CMABC CMABC/ CM£ P( F ˃ F0ABC)
ABC 1)(c-1)

Error SC£ Abc(n-1) CM£

Total SC Abcn-1

8. Represente en el plano cartesiano un diseño factorial 4 X 4

9.- Mencione por lo menos 3 ventajas del análisis factorial con respecto a
estudiar un factor a la vez.

Permiten estudiar el efecto individual y de interacción de los distintos factores.

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.

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

7
 importantes, antes de hacer un estudio más detallado con los factores que sí
son importantes.

10.- ¿Cuál es la implicación práctica de utilizar tres niveles de prueba en lugar

de dos en un factor dado?
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una
o más variables de respuesta, y el número de niveles de prueba en cada uno
de los factores es a, b y c, respectivamente, se puede construir el arreglo
factorial a × b × c, que consiste de a × b × c tratamientos o puntos
experimentales. Entre los arreglos de este tipo que se utilizan con frecuencia
en aplicaciones diversas se encuentran: el factorial 23, el factorial 33 y los
factoriales mixtos con no más de cuatro niveles en dos de los factores, por
ejemplo, el factorial 4 × 3 × 2 y el factorial 4 × 4 × 2, por mencionar dos de
ellos.

11.- ¿Cuáles son los supuestos del modelo en un diseño factorial y con cuales
gráficos de residuos se pueden verificar cada uno de estos supuestos? ¿Cómo
se vería en estos gráficos un punto aberrante?

Normalidad

Gráfica de probabilidad normal

Varianza constante

Grafica de predichos contra los residuos (Yˆ ij vs. ei )

Gráfica de niveles de factor contra residuos.

Independencia de los residuos

Grafica de orden en que se colectó un dato contra el residuo

correspondiente.

8
12.- ¿Cuándo es preferible realizar un diseño factorial fraccionado en lugar de
uno completo? Ejemplo 2 k-p en lugar de 2 k o un 3 k-p en lugar de 3 k
El primer diseño que se puede fraccionar (aunque veremos que no se
recomienda hacerlo) es el factorial completo 23, el cual, escrito en la notación
estándar, se muestra en la tabla 8.2. Si queremos fraccionar a la mitad este
diseño, entonces es necesario seleccionar cuatro de entre los ocho
tratamientos. De entrada sabemos que existen

4
( )= 70 posibles grupos de 4 tratamientos, por lo
8
que surge la interrogante sobre cuál o cuáles de
esas 70 posibles fracciones son las más apropiadas.
Es adecuada aquella fracción (diseño factorial
fraccionado 23 – 1) que permita estimar los efectos de
mayor interés. Recordemos que con el diseño 2 3
completo se pueden estimar siete efectos: A, B, C,
AB, AC, BC y ABC. De acuerdo con su jerarquía, el
efecto menos importante a priori es la interacción
triple ABC, así que éste es el efecto más sacrificable para generar la fracción a
la mitad, de manera que se pierda un mínimo de información. La generación de
la fracción se hace con base en los signos del contraste ABC: los signos “+” del
contraste ABC señalan a los tratamientos que conforman la llamada fracción
principal, y los signos “–” indican la fracción complementaria (véase tabla 8.2).
Los dos diseños factoriales fraccionados 23 – 1 así generados, proporcionan la
misma calidad de información sobre los efectos potencialmente importantes.
Se puede mostrar que cualquier otra elección de cuatro tratamientos daría
peores resultados

9
13.- ¿Cómo se determina la fracción que se estudia en un diseño fraccionado?
La generación de la fracción se hace con base en los signos del
contraste ABC: los signos “+” del contraste ABC señalan a los
tratamientos que conforman la llamada fracción principal, y los signos “–
” indican la fracción complementaria

14.- ¿Cuáles son las principales ventajas de los diseños fraccionados con
respecto a los completos y viceversa?
La teoría de diseños fraccionados se basa en una jerarquización de los
efectos: son más importantes los efectos principales, seguidos por las
interacciones dobles, luego las triples, cuádruples, etcétera.

En la tabla 8.1 se muestra el número de

efectos potencialmente de mayor interés
para diferentes diseños factoriales 2k ,
de ahí se observa que el primer diseño
factorial completo que genera un
importante exceso de información es el
factorial completo 25, ya que éste
permite estimar 31 efectos, de los
cuales sólo 15 son potencialmente
importantes (los 5 efectos principales más las 10 interacciones dobles) y los 16
efectos restantes, conformados por las interacciones de tres o más factores,
práctica mente se pueden ignorar a priori. Más adelante se muestra que con
1
una fracción a la mitad del diseño factorial completo 2 5 ( 25 = 25−1 ), se
2
pueden estimar limpiamente los 15 efectos potenciales importantes,
sacrificando la información relativa a las 16 interacciones de alto orden que no
interesan. Así, con un diseño factorial fraccionado 2 5 – 1 se obtiene
esencialmente la misma información que con el factorial completo 2 5, pero con
la mitad del costo experimental

15.- ¿Qué es el análisis discriminante y cuáles son sus principales aplicaciones?

El Análisis Discriminante es una técnica estadística multivariante cuya
finalidad es analizar si existen diferencias significativas entre grupos de
objetos respecto a un conjunto de variables medidas sobre los mismos
para, en el caso de que existan, explicar en qué sentido se dan y facilitar

10
 procedimientos de clasificación sistemática de nuevas observaciones de
origen desconocido en uno de los grupos analizados.

El análisis discriminante está muy relacionado con el análisis

multivariante de la varianza con un factor, aunque el papel que juegan
los distintos tipos de variables está invertido en uno y otro método. Así,
en el análisis de la varianza la variable categórica (el factor) es la
variable explicativa, mientras que en el análisis discriminante la variable
categórica es precisamente la variable dependiente.

16.- De los supuestos de la pregunta anterior ¿cuál afectaría más el análisis en

caso de no cumplirse?
Tener una variable categórica y el resto de variables son de intervalo o de
razón y son independientes respecto de ella.

17.-¿Con base en que se pueden encontrar una transformación de la variable

de respuesta adecuada cuando no se cumplen los supuestos?
En general, siempre se debe investigar por qué no se ha cumplido el supuesto
de varianza constante, ya que eso ayuda a entender mejor el proceso o
sistema con el que se experimenta. Por ejemplo, una razón frecuente que hace
que tal supuesto no se cumpla es que algunas variables tienen una dispersión
directamente proporcional a su magnitud, de tal forma que si sus valores son
pequeños, éstos tienden a ser más homogéneos en comparación con la
variabilidad que entre sí tienen los valores grandes.

Se debe ver en qué sentido resultan afectadas las conclusiones que se

obtienen con el ANOVA y las pruebas de rangos múltiples. Por ejemplo, si se
aprecia que el mejor tratamiento también es el que tiene menor dispersión,
entonces se debe mantener tal tratamiento como la elección correcta, y ver si
es de interés investigar por qué la diferencia en variabilidad con algunos de los
otros tratamientos. Pero, si al que se le considera el mejor tratamiento es el
que tiene la varianza más grande, entonces es difícil mantenerlo como la
elección correcta.

11
18.- ¿Qué significa que el modelo estadístico sea de efectos aleatorios?
Cuando se decide utilizar un DBCA, el experimentador piensa que cada
medición será el resultado del efecto del tratamiento donde se encuentre, del
efecto del bloque al que pertenece y de cierto error que se espera sea
aleatorio. El modelo estadístico para este diseño está dado por:

𝑖 = 1,2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 ; { }
𝑗 = 1,2, … , 𝑏

Donde 𝑌𝑖𝑗 es la medición que corresponde al tratamiento i y al bloque j (ver

tabla 4.1) 𝜇 es la media global poblacional; 𝜏𝑖 es el efecto debido al tratamiento
i, 𝛾𝑗 es el efecto debido al bloque j, y 𝜀𝑖𝑗 es el error aleatorio atribuible a la
medición 𝑌𝑖𝑗 . Se supone que los errores se distribuyen de manera normal con
media cero y varianza constante 𝜎 2 [N (0, 𝜎 2 )], y que son independientes entre
sí.

19.- ¿En que cambian las hipótesis de interés en factor aleatorio con respecto
de uno fijo?
Las hipótesis de interés son 𝐻0 : 𝜎𝛼2 = 0, 𝐻0 : 𝜎𝛽2 = 0 𝑦 𝐻0 : 𝜎𝛼𝛽
2
= 0. Los cálculos
necesarios para probar estas hipótesis involucran las mismas sumas de
cuadrados del modelo de efectos fijos de las cuales se obtienen los
correspondientes cuadrados medios

12
 En el modelo de efectos aleatorios los cuadrados medios de los efectos
principales se comparan con el cuadrado medio de la interacción, y no con el
cuadrado medio del error, como se hace en el modelo de efectos fijos.
20. Defina cada uno de los siguientes términos:
Análisis de varianza :
Consiste en separar la variación
total observada en cada una de
las fuentes que contribuye a la
misma.
Arreglo factorial :
Conjunto de puntos
experimentales
o tratamientos que
pueden formarse al considerar
todas las posibilidades de
combinación
de los niveles de los
factores.
Bloque completo
En el DBCA se refiere a que en
cada bloque se prueban todos
los tratamientos.
Comparaciones de
medias :
Técnicas que tienen como
objeto investigar las medias
que causan las diferencias
detectadas
en el ANOVA.
Comparaciones de
varianza
comparar más de dos medias es
incorrecto utilizar repetidamente
el contraste basado en la t de
Student.
Contraste
Combinación lineal de medias
poblacionales donde la suma
de los coeficientes es igual a
cero.
Contraste ortogonales
Diagramas de caja
Gráficos basados en los cuartiles
de un conjunto de datos.
Diferencia mínima
significativa
Es la diferencia mínima que
debe haber entre dos medias
muestrales para considerar que
dos tratamientos son diferentes.
Diseño balanceado
Es cuando se utiliza el mismo
número de repeticiones en
cada tratamiento.
Diseño factorial :
Diseño experimental que sirve
para estudiar el efecto individual
y de interacción de varios
factores sobre una o varias
respuestas.
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.
Efecto de un factor :
Es el cambio observado en la
variable de respuesta debido a
un cambio de nivel en el factor.
Efectos principales :
Fuentes de Variabilidad
Son los factores que provocan
la variabilidad en los datos.
Gráfica de probabilidad
Sirve para verificar visualmente
si los datos siguen una
distribución
de probabilidad específica.
Método Sheffé
Sirve para probar todos los
contrastes
de medias que pudieran
ser de interés, en particular
aquellos que involucran a más
de dos medias.
Método de
comparaciones múltiples
Técnicas para comparar todos
los posibles pares de medias
de tratamientos.
Modelo de efectos fijos
Son experimentos en los que
se consideran factores aleatorios
y factores fijos.
Notación de puntos
Sirve para representar sumas y
medias que se obtienen a partir
de los datos experimentales
Principio de Pareto :
13
Cuando la suma del producto
de los coeficientes de dos
contrastes es igual a cero.
Cuadrados medios :
Las sumas de cuadrados
divididos
entre sus correspondientes
grados de libertad.
Cuadro grecolatino
Diseño en el que se controlan
tres factores de bloques y un
factor de tratamiento; los cuatro
factores utilizan la misma
cantidad
de niveles.
Cuadro 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.
Cuadro latino estándar
Cuadro latino que tiene en la
primera columna y en el primer
renglón las letras en orden
alfabético.
Bibliografía:
Gutiérrez Pulido, Humberto. (2008), Análisis y diseño de experimentos,
Segunda edición, Mc Hill, México,
Montgomery, Douglas C. (2005), Diseño y Análisis de Experimentos, Editorial
Limusa Willey, México,
Es igual a la respuesta promedio
observada en el nivel alto
de un factor, menos la respuesta
promedio en el nivel bajo.
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.
Factores aleatorios
Cuando los niveles de prueba
utilizados en un factor son una
muestra aleatoria de la población
de niveles para ese factor.
Factores fijos
Se refiere a que los niveles de
prueba en un factor son todos
los niveles disponibles para
éste.
Se refiere a que la mayoría de
la variabilidad observada se
debe a unos pocos de los efectos
posibles.
Réplica :
Es cada corrida de todos los
tratamientos
del arreglo factorial.
Tabla de análisis de
varianza
En ésta se resume el análisis
de varianza de un experimento,
que sirve para probar las
hipótesis
de interés.
Tratamiento control
Se refiere a un tratamiento
estándar
de referencia o a la ausencia
de tratamiento
Varianza constante
Es un procedimiento para juzgar
si una propiedad que se supone
en una población estadística es
compatible con lo observado en
una muestra de dicha población.
14