DiseñoFactorial MES PDF

Diseño Factorial
Dra. Katia García Alfaro
Maestría en Estadística - UNSAAC
2 de julio de 2017
(Maestría en Estadística - UNSAAC) 2 de julio de 2017 1 / 61

Introducción
Se llaman Experimentos Factoriales a aquellos experimentos en los

que se estudia simultáneamente dos o más factores, y donde los
tratamientos se forman por la combinación de los diferentes niveles de
cada uno de los factores.
Los experimentos factoriales en si no constituyen un diseño
experimental si no que ellos deben ser llevados a cabo en los diseños
C.A. o D.B.C.A.
Los experimentos factoriales se emplean en todos los campos de la
investigación, son muy útiles en investigaciones exploratorias en las
que poco se sabe acerca de muchos factores.
Un Experimento factorial aplicado en un diseño experimental se le
conoce como Diseño Factorial.
Los diseños factoriales se diferencian entre si, por el número de
factores y por la cantidad de niveles de estos factores que intervienen
en el experimento.

Ventajas y desventajas
Ventajas:
1 Permite estudiar los efectos principales, efectos de interacción de
factores, efectos simples y efectos cruzados.
2 Todas las unidades experimentales intervienen en la
determinación de los efectos principales y de los efectos de
interacción de los factores, por lo que el número de repeticiones
es elevado para estos casos.
3 El número de grados de libertad para el error experimental es
alto, comparándolo con los grados de libertad de los
experimentos simples de los mismos factores, lo que contribuye a
disminuir la variancia del error experimental, aumentando por este
motivo la precisión del experimento.

Ventajas y desventajas
Desventajas:
1 Se requiere un mayor número de unidades experimentales que
los experimentos simples y por lo tanto se tendrá un mayor costo
y trabajo en la ejecución del experimento.
2 Como en los experimentos factoriales c/u de los niveles de un
factor se combinan con los niveles de los otros factores; a fin de
que exista un balance en el análisis estadístico se tendrá que
algunas de las combinaciones no tiene interés práctico pero
deben incluirse para mantener el balance.
3 El análisis estadístico es más complicado que en los
experimentos simples y la interpretación de los resultados se
hace más difícil a medida de que aumenta el número de factores
y niveles por factor en el experimento.
4 El número de tratamientos o combinaciones de niveles de los
factores aumentan rápidamente.
Diseño Factorial
Efecto de un factor:
En un diseño factorial, los factores en estudio se representan por
letras mayúsculas (A,B,C,. . .) y los niveles de cada uno por sus
respectivas letras minúsculas (a,b,c,. . .) con subindices.
Los niveles de un factor cuantitativo toman valores métricos, mientras
que los niveles de un factor cualitativo son las categorías del factor.
Se entiende por efecto de un factor al cambio en la respuesta media
ocasionada por un cambio en el nivel de ese factor. Los tres efectos
de interés en un experimento factorial son los simples, los principales
y los de interacción;

Diseño Factorial
Efecto de un factor:
En los diseños factoriales los tres efectos son:
1 Efecto Simple: son comparaciones entre los niveles de un factor
a un sólo nivel del otro factor.
2 Efecto Principal: son comparaciones entre los niveles de un
factor promediados para todos los niveles del otro factor.
3 Efecto de Interacción: Miden las diferencias entre los efectos
simples de un factor a diferentes niveles de otro factor; es decir, la
diferencia en la respuesta entre los niveles de un factor no es la
misma en todos los niveles de los otros factores.
En un experimento factorial se puede estimar y contrastar hipótesis
acerca de las interacciones y los efectos principales.
Dependiendo del Número de factores el Diseño factorial puede ser de
dos , tres o multi factores.

Diseño Factorial de dos Factores
El diseño factorial más sencillo es el que involucra en su estudio sólo

dos factores. A este tipo de diseño se le llama Bifactorial.
Si A y B son los factores que se van ha estudiar en un diseño factorial,
el factor A tendrá a niveles y el factor B tendrá b niveles. Cada réplica
del experimento contiene todas las ab combinaciones y en general
hay n repeticiones.
El orden en el cual se toman las abn observaciones es aleatorio; de
modo que este es un diseño completamente aleatorizado.

Modelo Estadístico
En términos estadísticos, el comportamiento de la variable respuesta
Y en el experimento con n réplicas se puede escribir mediante:
Yijk = µ + αi + βj + (αβ)ij + εijk (1)

i = 1, ..., a , j = 1, ..., b , k = 1, ..., n
Donde, µ es la media general; P

αi es el efecto del i-ésimo nivel del factor A sujeto a P αi = 0
βj es el efecto del j-ésimo nivel del factor B sujeto a βj = 0
(αβ)ij esP el efecto de interacción
P en la combinación ij de A y B
sujeto a i (αβ)ij = 0 y j (αβ)ijk = 0
εij es el efecto del error, son variables aleatorias independientes con
media cero y varianza común σ 2 .
Los efectos dados en el modelo son desviaciones respecto de la
media global.
Supuestos del Modelo Estadístico

1 Aditividad.- Los factores o componentes del modelo tienen
efectos aditivos.
2 Linealidad.- La relación existente entre los factores es de tipo
lineal.
3 Normalidad.- Los resultados experimentales provienen de una
distribución normal con media µ y variancia σ 2 .
4 Independencia.- Los resultados observados de un experimento
son independientes entre sí.
5 Homogeneidad de Variancias.- Las diversas poblaciones
generadas por la aplicación de dos o más tratamientos tienen
Variancia común.
6 Los efectos del error experimental son v.a. independientes,
εij ∼ N(0; σε2 )

Análisis del Modelo del Diseño Bifactorial
Media y Varianza:
E[Yijk ] = µ + αi + βj + (αβ)ij
Var (Yijk ) = σ2
Arreglo Tabular
El arreglo tabular de los resultados en este Diseño se presenta de la siguiente forma.
Factor Factor B Total (A)

A B1 ··· Bb Yi ..
A1 Y111 , · · · , Y11n ··· Y1b1 , · · · , Y1bn Y1 ..
.. .. .. .. ..
. . . . .
Aa Ya11 , · · · , Ya1n ··· Yab1 , · · · , Yabn Ya ..
Tot. (B)
Y .j . Y .1 . ··· Y .b . Y ...
Pb Pn Pa Pn
Yi .. = j=1 k =1 Yijk ; Y .j . = i=1 k =1 Yijk ;
Pa Pb Pn
Y ... = i=1 j=1 k =1 Yijk

Estimadores del modelo por mínimos cuadrados

Sea
a X
X b X
n a X
X b X
n
ϕ = (εijk )2 = (Yijk − µ − αi − βj − (αβ)ij )2
i=1 j=1 k =1 i=1 j=1 k =1
Se debe encontrar
m«ın ϕ
µ, αi , βj , τi , (αβ)ij
Esto significa hallar las derivadas parciales con respecto a cada uno
de los componentes del modelo e igualar a cero:
∂ϕ ∂ϕ ∂ϕ ∂ϕ
= 0; = 0; ; =0; =0
∂µ ∂ αi ∂ βj ∂ (αβ)ij

Estimadores del modelo por mínimos cuadrados
Luego, hallar la solución de las ecuaciones normales resultantes.
µ: abnµ + bnα. + anβ. + n(αβ).. = Y ...
αq : bnµ + bnαq + nβ. + n(αβ)q . = Yq ..; q = 1, · · · , a
(2)
βs : anµ + nα. + anβs + n(αβ).s = Y .s .; s = 1, · · · , b
(αβ)qs : nµ + nαq + nβs + n(αβ)qs = Yqs .; q = 1, · · · , a; s = 1, · · · , b
Aplicando las restricciones del modelo (1) en las ecuaciones normales dadas en la expresión (2)
se obtiene los estimadores
Y ...
µ̂ = = Ȳ ...
abn
Yq .. Y ..
α̂q = − = Ȳq .. − Ȳ ...; q = 1, · · · , a
bn abn
Y .s . Y ..
β̂s = − = Ȳ .s . − Ȳ ...; s = 1, · · · , b
an abn
[
(αβ) = Ȳqs . − Ȳq .. − Ȳ .s . + Ȳ ...; q = 1, · · · , a; s = 1, · · · , b
qs
El número de parámetros a estimar en total es 1 + (a − 1) + (b − 1) + (a − 1)(b − 1)

Estimadores de E[Yijk ] y Var (Yijk )
\
E[Yijk ] = [
Ŷijk = µ̂ + α̂i + β̂j + (αβ)ij
Ŷijk = Ȳ ... + (Ȳi .. − Ȳ ...) + (Ȳ .j . − Ȳ ...) (3)

+(Ȳij . − Ȳi .. − Ȳ .j . + Ȳ ...) = Ȳij .
Los residuos
eijk = Yijk − Ŷijk = Yijk − Ȳij . (4)
por lo tanto para estimar la varianza se usa la suma de cuadrados de los residuos. Así
a X
b X
n
1 X
\
Var (Yijk ) = σ̂ 2 = (Yijk − Ŷijk )2
ab(n − 1)
i=1 j=1 k =1
a X
b X
n
1 X
= (Yijk − Ȳij .)2 (5)
ab(n − 1)
i=1 j=1 k =1

Analisis de Varianza
La descomposición de la variabilidad en términos del modelo
proporciona la ecuación básica del análisis de la varianza dado por:
X n
b X
a X a
X b
X
(Yijk − Ȳ ...)2 = bn (Ȳi .. − Ȳ ...)2 + an (Ȳ .j . − Ȳ ...)2
i=1 j=1 k =1 i=1 j=1
a X
X b
+n (Ȳij . − Ȳi .. − Ȳ .j . + Ȳ ...)2
i=1 j=1
a X
X b X
n
+ (Yijk − Ȳij .)2
i=1 j=1 k =1
SC Total = SC A + SC B + SC AB + SC Error

Analisis de Varianza
El análisis de varianza se resume en la siguiente Tabla
Fuente de Grados de Suma de Cuadrado E(CM)
Variación Libertad Cuadrados Medio M. Fijo
SCA bn P 2
Factor A a−1 SCA CMA = a−1 σ 2 + a−1 αi
SCB an P 2
Factor B b−1 SCB CMB = b−1
σ 2 + b−1 βj
(αβ)2ij
PP
SCAB n
Interacción AB (a − 1)(b − 1) SCAB CMAB = (a−1)(b−1)
σ2 + (a−1)(b−1)
SCE
Residual ab(n − 1) SCE CME = ab(n−1) σ2
Total abn − 1 SCTot
Suma de cuadrados
a X
b X
n 2
X
2 Y···
SCTot = Yijk −
abn
i=1 j=1 k =1

Análisis de Varianza
Suma de cuadrados
Pa 2 2
i=1 Yi·· Y···
SCA = −
bn abn
Pb 2
j=1 Y·j·
2
Y···
SCB = −
an abn
" Pa Pb 2
#
j=1 Yij·
2
Y···
i=1
SCAB = − − SCA − SCB
n abn
a X
b X
n Pa Pb 2
i=1 j=1 Yij·
X
2
SCE = Yijk −
n
i=1 j=1 k =1
= SCTot − SCA − SCB − SCAB

Pruebas de los efectos de los factores

Las pruebas de hipótesis se realizan con respecto a los efectos
principales y de interacción:
Efecto principal de A Las Hipótesis planteadas son:
Ho : α1 = α2 = ... = αa = 0
Ha : no todas las αi son iguales a cero
El estadístico de Prueba
CMA
FcA = ∼ F con(a − 1) y(ab(n − 1))gl.
CME
Punto crítico: F0 = F{α;[(a−1) y (ab(n−1))gl]}

Efecto principal de B Las Hipótesis planteadas son:
Ho : β1 = β2 = · · · = βa = 0
Ha : no todas las βi son iguales a cero
CMB
FcB = ∼ F con(b − 1) y(ab(n − 1))gl.
CME
Punto crítico: F0 = F{α;[(b−1) y (ab(n−1))gl]}

Efecto de Interacción: Las Hipótesis planteadas son:
Ho : (αβ)ij = 0; ∀i = 1, · · · , a; j = 1, · · · , b
Ha : no todas las (αβ)ij son iguales a cero
CMAB
FcAB = ∼ F con(a − 1)(b − 1) y(ab(n − 1))gl.
CME
Punto crítico: F0 = F{α;[(a−1)(b−1) y (ab(n−1))gl]}
Conclusión: en cada caso, a un nivel de significación α

Si se halla el punto crítico F0 , entonces se rechaza la Hipótesis
nula si Fc > F0 , caso contrario se acepta H0
Si se halla el nivel crítico Pv = P(F > Fc ), entonces se rechaza la
Hipótesis nula si Pv < α, caso contrario se acepta H0
Medias y sus errores estándar
Se requieren los errores estándar de las medias de celdas y
marginales para cualquier prueba estadística subsecuente de
comparaciones especificas. q
El error estándar para cualquier media es SȲ = CME n , donde n es el
número de observaciones en la media.
El error estándar
q de la diferencia entre cualquier par de medias es
2CME
SY¯q −Y¯s = n .
intervalos estimados para las medias

La estimación del intervalo para una media es:
IC(µ)100(1−α) % = (LI = Ȳ − t0 SȲ , LS = Ȳ − t0 SȲ )
Donde, t0 = tα/2;gl es el cuantil de la distribución t.

Media, Error estándar e intervalos de confianza

Usando estos conceptos se pueden hallar lor errores estándar de las
medias y estimar los intervalos de confianza del 100(1 − α) % para las
medias de los factores principales A y B y de la interacción
Diseño Bifactorial: Media, Error estándar e intervalos de confianza

Efecto Media Error Estándar
q intervalos de confianza
CME
F. Principal A Ȳi .. SȲi .. = bn Ȳi .. ∓ t0 SȲi ..
q
CME
F. Principal B Ȳ .j . SȲ .j . = an Ȳ .j . ∓ t0 SȲ .j .
q
CME
Interacción AB Ȳij . SȲij . = n Ȳij . ∓ t0 SȲij .
El cuantil de la distribución t es t0 = tα/2;glerror = tα/2;ab(n−1)gl

Diseño Bifactorial
Análisis residual para evaluar las suposiciones
Las suposiciones para el modelo en cuanto a la homogeneidad de las
varianzas y la distribución normal, se pueden evaluar con los
residuales.
Los residuales para el factorial con dos factores se calculan como la
desviación de los valores observados con respecto a las medias
estimadas para cada celda en el arreglo tabular; el residual de
cualquier celda estimado en (4) es eijk = Yijk − Ȳij .
Las gráficas de los residuales contra los valores estimados y de la
probabilidad normal de los residuales nos dan una muestra de la
evaluacion de la homocedasticidad y la normalidad respectivamente.
Las pruebas estadísticas para probar estos supuestos son las
pruebas de Bartlet o Levene para homogeneidad de varianzas, la
prueba de Smirnov para normalidad.
Para probar independencia se usa la prueba de aleatoriedad de
Rachas.
Diseño Bifactorial
Ejemplo
Se aplican pinturas tapaporos para aeronaves en superficies de
aluminio, con dos métodos: inmersión y rociado. La finalidad del
tapaporos es mejorar la adhesión de la pintura, y puede aplicarse en
algunas partes utilizando cualquier método.
Para investigar el efecto que tienen el tipo de pintura tapaporos y el
método de aplicación sobre la adhesión de la pintura, se realiza un
diseño factorial. Para ello, se pintan tres muestras con cada tapaporo
utilizando cada método de aplicación, después se aplica una capa
final de pintura y a continuación se mide la fuerza de adhesión.
Tapaporos Método de Aplicación B

A B1 Yi1 . B2 Yi2 .
A1 4 4,5 4,3 12,8 5,4 4,9 5,6 15,9
A2 5,6 4,9 5,4 15,9 5,8 6,1 6,3 18,2
A3 3,8 3,7 4 11,5 5,5 5 5 15,5
Diseño Bifactorial
Ejemplo
a. Escriba un modelo lineal para el experimento y explique los
términos
b. Calcule el análisis de varianza.
c. Pruebe la hipótesis nula para todos los efectos principales y de
interacción.
d. Calcule las medias de tratamientos y marginales con sus
respectivos errores estándar.

Diseño Bifactorial
Además del modelo de efectos fijos en un Diseño factorial o de dos

factores se presentan el modelo de efectos Aleatorios y el modelo
Mixto.
Modelo de Efectos Aleatorios
En este caso ambos factores son aleatorios entonces los parámetros
del Modelo (1) αi , βj , (αβ)ij y εijk son variables aleatorias; tal que,
αi ∼ NID(0, σα2 ), βj ∼ NID(0, σβ2 ),

2
(αβ)ij ∼ NID(0, σαβ ), εijk ∼ NID(0, σ 2 ).
Y la varianza de cualquier observación Yijk es:
Var (Yijk ) = σα2 + σβ2 + σαβ

2
+ σ2.

Diseño Bifactorial
Modelo Mixto
En este caso un factor es fijo y el otro es aleatorio. supóngase que el
factor A es fijo y el factor B es aleatorio, entonces en el Modelo (1) αi
es un efecto fijo, βj es un efecto aleatorio y la interacción (αβ)ij es un
efecto aleatorio y εijk es variable aleatoria. Por lo tanto;
X
αi = 0, y , βj ∼ NID(0, σβ2 )
El efecto de la hinteracción

i es una variable aleatoria
(αβ)ij ∼ N 0, (a−1) a σ 2
αβ . Sin embargo, la suma del componente de
la
Painteracción sobre el factor fijo es igual a cero. Es decir,
i=1 (αβ)ij = 0 j = 1, · · · , b. A diferentes niveles del factor fijo ciertos
elementos de la interacción no son independientes. Esto es
Cov ((αβ)ij , (αβ)i 0 j ) = − a1 σαβ
2 , i 6= i 0 y Cov ((αβ) , (αβ) 0 ) = 0, para
ij ij
0
j 6= j .
El término del error aleatorio εijk ∼ NID(0, σ 2 ).
Diseño Bifactorial
Esperados Cuadrados Medios

Estos modelos tienen el mismo análisis de varianza, la diferencia está
en la elección del estadístico de prueba por la diferencia de los
Esperados de los cuadrados medios.
Esperados Cuadrados Medios del Diseño Bifactorial

Fuente de E(CM)
Variación M. Aleatorio M. Mixto
2 2 2 2 2 + bn
P 2
Factor A σ + nσαβ + bnσα σ + nσαβ a−1 αi
Factor B σ 2 + nσαβ2 + anσ 2
β σ 2 + anσ 2
β
Interacción AB σ 2 + nσαβ
2 σ 2 + nσαβ
2
Residual σ2 σ2

Diseño Bifactorial
Pruebas de hipótesis de los efectos

Las hipótesis de plantean en terminos de las varianzas de los efectos
aleatorios y en terminos de parámetros del modelo cuando se trata de
efectos fijos.
Resumen de las hipótesis planteadas y sus estadísticos de Prueba
Hipótesis Planteadas - Estadísticos de Prueba

Fuente de M. Aleatorio M. Mixto
Variación Hipótesis(Ho) Fc Hipótesis(Ho) Fc
2 =0 CMA CMA
Factor A σα FcA = CMAB αi = 0, ∀i FcA = CMAB
CMB CMB
Factor B σβ2 = 0 FcB = CMAB σβ2 = 0 FcB = CME
2 =0 CMAB 2 =0 CMAB
Interacción AB σαβ FcAB = CME
σαβ FcAB = CME
La hipótesis Ho : αi = 0, ∀i, significa que la diferencia de niveles del

factor A no tienen efecto significativo sobre la variable respuesta.
Ho : σα2 = 0, significa que la variabilidad en los niveles del factor A no
tienen efecto significativo sobre la variable respuesta.
Diseño Bifactorial
Estimación del Modelo de Efectos Aleatorios

En el caso del Modelo de Efectos Aleatorios los parámetros a estimar
son los componentes de varianza y se logra esta estimacion al igualar
los cuadrados medios observados con los valores esperados
correspondientes los cuales forman un sistema de ecuaciones y se
resuelven tal que,
CME = σ̂ 2 , CMAB = σ̂ 2 + nσ̂αβ

2
CMB = σ̂ 2 + nσ̂αβ
2
+ anσ̂β2 , CMA = σ̂ 2 + nσ̂αβ
2
+ bnσ̂α2 .
Con el siguiente resultado:
CMAB − CME
σ̂ 2 = CME, 2
σ̂αβ =
n
CMB − CMAB CMA − CMAB
σ̂β2 = , σ̂α2 = .
an bn
Diseño Bifactorial
Estimaciónm del Modelo de Efecto Mixto

En el caso del Modelo Mixto suponiendo que el factor A es fijo y el
factor B es aleatorio, se pueden estimar los parámetros del factor fijo
del Modelo mixto, los cuales serán similares a los del Modelo fijo, por
ser el factor A fijo; se tiene:
µ̂ = Ȳ ...
α̂q = Ȳq .. − Ȳ ...; q = 1, · · · , a
También se deben estimar los componentes de varianza del factor

aleatorio (Factor B) y la interacción de ambos factores, estas
estimaciones son similares a las del Modelo de Efectos Aleatorios:
CMAB − CME CMB − CME
σ̂ 2 = CME, 2
σ̂αβ = , σ̂β2 = .
n an

Diseño Bifactorial - Modelo Aleatorio
Ejemplo
Un centro experimental esta estudiando el rendimiento de 10
variedades de sorgo forrajero, por la disposición de las parcelas de
sembrio se decide usar solo tres variedades para analizar la influencia
de la variedad y de la altura de corte sobre su rendimiento.
Se ensayaron 3 variedades y 4 alturas, cultivandose en tres parcelas
elegidas al azar cada combinación. A continuación se muestra los
resultados obtenidos. Expresados en Tms de forraje por Ha.
altura Variedades B
A V1 Yi1 . V2 Yi2 . V3 Yi3 .
A1 = 0, 75 68 65 62 195 52 55 61 168 66 70 68 204
A2 = 1, 00 94 80 86 260 62 62 60 184 61 58 57 176
A3 = 1, 25 90 98 94 282 64 75 74 213 72 66 74 212
A4 = 1, 50 98 95 99 292 68 85 83 236 83 82 78 243

Diseño Bifactorial
Ejemplo
a. Escriba un modelo lineal para el experimento y explique los
términos
b. Calcule el análisis de varianza.
c. Pruebe la hipótesis nula para todos los efectos principales y de
interacción.
d. Estimar los componentes de varianza.

Diseño Factorial de tres Factores
Es el diseño factorial que involucran en su estudio tres factores;.

Recibe el nombre de diseño Trifactorial.
Sean, A,B y C los factores que se van a estudiar en un experimento; el
factor A tiene a niveles, el factor B tiene b niveles y el factor C tiene c
niveles; por lo tanto, cada repetición del experimento tiene todas la
abc combinaciones de niveles y en general hay n repeticiones.
Es un arreglo factorial a × b × c, que consiste de a × b × c
tratamientos donde el orden en el cual se toman las abcn
observaciones es aleatorio; de modo que este es un diseño
completamente aleatorizado.
Existen tres efectos principales (A,B y C), tres efectos de interacción
doble (AB,AC y BC) y un efecto de interacción triple (ABC).
Si los niveles de cada uno de los factores son elegidos de forma
aleatoria, los factores son aleatorios o si son específicados por el
experimentador, los factores son fijos.

Modelo Estadístico
El modelo para un factorial de tres factores en diseño completamente
al azar es:
Yijkh = µ + αi + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (αβγ)ijk + εijkh
i = 1, ..., a , j = 1, ..., b , k = 1, ..., c , h = 1, ..., n (6)
Donde, µ es la media general;

αi es el efecto del i-ésimo nivel del factor A
βj es el efecto del j-ésimo nivel del factor B
γk es el efecto del k -ésimo nivel del factor C
(αβ)ij es el efecto de interacción en la combinación ij de A y B
(αγ)ik es el efecto de interacción en la combinación ik de A y C
((βγ)jk es el efecto de interacción en la combinación jk de B y C
(αβγ)ijk es el efecto de interacción en la combinación ijk de A , B y C
εijkh es el efecto del error, son variables aleatorias independientes con media cero y varianza
común σ 2 .


Tanto en el modelo fijo como en el modelo aleatorio, el Modelo Lineal
no cambia su forma, sólo existe diferencia en las suposiciones de sus
parámetros.
Términos Modelo Fijo Modelo Aleatorio
2)
P
Factor A α =0 αi ∼ NID(0, σα
P i
Factor B β =0 βj ∼ NID(0, σβ2 )
P j
Factor C γ =0 γk ∼ NID(0, σγ2 )
P k P 2 )
Interac. AB i (αβ)ij = j (αβ)ij = 0 (αβ)ij ∼ NID(0, σαβ
2 )
P P
Interac. AC (αγ)ik = k (αγ)ik = 0 (αγ)ik ∼ NID(0, σαγ
Pi P 2 )
Interac. BC (βγ)jk = k (βγ)jk = 0 (βγ)jk ∼ NID(0, σβγ
Pj P P 2
Interac. ABC i (αβγ)ijk = j (αβγ)ijk = k (αβγ)ijk = 0 (αβγ)ijk ∼ NID(0, σαβγ )
Modelo Mixto
Cuando al menos un factor sea Aleatorio y los demás Fijos el Modelo
que resulta es Mixto. Para tres factores resultan seis Modelos Mixtos


Además de las condiciones de los efectos de los parámetros del
modelo aditivo lineal de este diseño, tambien cumplen con los
supuestos de:
Aditividad, Linealidad de los efectos del modelo.
Normalidad e independencia de los resultados experimentales asi
como del error experimental. εijkh ∼ N(0 , σ 2 )
Homogeneidad de varianzas u homocedasticidad.

Análisis del Diseño Factorial de tres Factores
El estudio factorial de tres factores (A, B y C) permite investigar los

efectos: A, B, C, AB, AC, BC y ABC, por lo que para probar estos
efectos se determina el análisis de varianza, cuyo cuadro resumen es
el siguiente.
Tabla de Análisis de Varianza
Fuente de Grados de Suma de Cuadrado
Variación Libertad Cuadrados Medio
SCA
Factor A a−1 SCA CMA = a−1
SCB
Factor B b−1 SCB CMB = b−1
Factor c c−1 SCC CMC = SCC
c−1
SCAB
Interacción AB (a − 1)(b − 1) SCAB CMAB = (a−1)(b−1)
SCAC
Interacción AC (a − 1)(c − 1) SCAC CMAC = (a−1)(c−1)
SCBC
Interacción BC (b − 1)(c − 1) SCBC CMBC = (b−1)(c−1)
SCABC
Interacción ABC (a − 1)(b − 1)(c − 1) SCABC CMABC = (a−1)(b−1)(c−1)
SCE
Residual abc(n − 1) SCE CME = (abc−1)(n−1)
Total abcn − 1 SCTot

Analisis de Varianza: Suma de cuadrados:

Se hallan las sumas de los cuadrados para cada factor, para cada
interacción, para el error y la suma de cuadrados totales.
a X
b X
c X
n 2
X
2 Y····
SCTot = Yijkh −
abcn
i=1 j=1 k =1 h=1
Pa Pb 2
2
j=1 Y·j··
Y Y 2 Y2
····
SCA = i=1 i···
− SCB = − ····
bcn abcn acn abcn
Pc 2 2
Y Y
SCC = k =1 ··k ·
− ····
abn abcn
" Pa Pb 2
#
j=1 Yij··
2
Y····
i=1
SCAB = − − SCA − SCB
cn abcn

Suma de cuadrados:
" Pa Pc #
2
Yi·k Y2
SCAC = i=1 k =1 ·
− ···· − SCA − SCB
bn abcn
" Pb Pc 2
#
j=1 k =1 Y·jk ·
2
Y····
SCBC = − − SCA − SCB
an abcn
" Pa Pb Pc 2
#
i=1 j=1 k =1 Yijk ·
2
Y····
SCABC = − − SCA − SCB − SCC
n abcn
−SCAB − SCAC − SCBC
a X
b Xc Xn
Pa Pb Pc 2
X
2 i=1 j=1 k =1 Yijk ·
SCE = Yijkh −
n
i=1 j=1 k =1 h=1
= SCTot − SCA − SCB − SCC − SCAB − SCAC − SCBC − SCABC

Hipótesis a evaluar
Suponiendo, un modelo de efectos fijos se presenta el resumen de las
hipótesis planteadas y sus estadísticos de Prueba
Hipótesis Planteadas - Estadísticos de Prueba

Fuente de E(CM) Hipótesis Estadístico
Variación Modelo Fijo Hipótesis(Ho) Hipótesis(Ha) Fc
bcn CMA
σ 2 + a−1 α2i
P
A αi = 0, ∀i αi 6= 0, FcA = CME
acn P 2 CMB
B σ 2 + b−1 βj βj = 0, ∀j βj 6= 0 FcB = CME
abn P 2 CMC
C σ 2 + c−1 γk γk = 0, ∀j γk 6= 0 FcC = CME
(αβ)2
PP
cn CMAB
AB σ2 + (a−1)(b−1)ij (αβ)ij = 0, ∀i, j αβij 6= 0 FcAB = CME
(αγ)2
PP
bn CMAC
AC σ 2 + (a−1)(c−1)ik (αγ)ik = 0, ∀i, k (αγ)ij 6= 0 FcAC = CME
(βγ)2
PP
an CMBC
BC σ 2 + (b−1)(c−1)jk (βγ)jk = 0, ∀j, k (βγ)jk 6= 0 FcBC = CME
(αβγ)2ijk
PP
n CMABC
ABC σ 2 + (a−1)(b−1)(c−1) (αβγ)ijk = 0, ∀i, j, k (αβγ)ijk 6= 0 FcABC = CME
Error σ2

Medias y sus errores estándar

Errores estándar para las medias de los factores principales e
interacciones en un diseño factorial con tres factores Medias de los
factores principales
Diseño de tres factores: Media y Error estándar

Efecto Media Error Estándar
q
CME
F. Principal A Ȳi ... SȲ ... = bcn
i q
CME
F. Principal B Ȳ .j .. SȲ . .. = acn
j q
CME
F. Principal C Ȳ ..k . SȲ .. =
k. q abn
CME
Interacción AB Ȳij .. SȲ =
ij .. q cn
CME
Interacción AC Ȳi·k . SȲ =
i·k . q bn
CME
Interacción BC Ȳ .jk . SȲ . =
jk . q an
CME
Interacción ABC Ȳijk . SȲ =
ijk . n

Ejemplo
Se desea estudiar esfuerzo de compresión de teja (kg/cm2 ) fabricada
con varios tipos de arena y de arcilla a distintos porcentajes de
mezcla. Para tal efecto se toman muestras aleatorias de 5 unidades
de cada clase combinación de los factores.
Tipo de Arena
Mezcla& A B C
Arcilla↓ 50/50 70/30 80/20 50/50 70/30 80/20 50/50 70/30 80/20
0,94 1,47 1,38 0,97 2,12 1,04 1,49 2,55 1,26
Arcilla 0,88 1,43 1,24 1,26 1,07 0,99 1,34 2,44 1,56
de 1,03 1,7 1,43 1,36 2,19 1,18 1,24 2,42 1,63
1ra 1,08 1,63 1,31 1,03 1,95 1,06 1,27 2,48 1,41
1,15 1,61 1,29 1,06 2,21 1,15 1,43 2,32 1,38
1,49 1,89 2,1 0,88 1,41 2,09 1,95 2,16 2,5
Arcilla 1,68 1,98 2 0,99 1,49 2,02 1,98 2,3 2,76
de 1,72 1,95 2,07 0,94 1,59 2,14 2,14 2,42 2,46
2da 1,64 1,8 2,09 0,76 1,64 2,1 1,91 2,1 2,69
1,56 1,93 2,19 0,71 1,56 2,05 1,8 2,33 2,49

Ejemplo
Este es un experimento Factorial conducido en un diseño
completamente al azar que considera tres factores ( Tipo de Arcilla,
Tipo de Arena y Dosis de la mezcla), es un diseño factorial 2A3B3C.
Probar si hay diferencias significativas en el esfuerzo de compresión
de teja (kg/cm2 ) fabricada con los tres factores.
Es un modelo de efectos fijos. donde:
Factor A : Tipo de Arcilla, A1 = Arcilla de primera; A2 = Arcilla de
segunda
Factor B : Tipo de Arena, B1 = Arena tipo A; B2 = Arena tipo B; B3 =
Arena tipo C
Factor C : Dosis o porcentaje de mezcla Arena/Arcilla, C1 = 50/50 %,
C2 = 70/30 %, C3 = 80/20 %

Ejemplo: Análisis de varianza
Tabla de Análisis de Varianza

Fuente GL SC CM F P
Arcilla 1 3,608 3,608 152,18 0
Arena 2 5,2774 2,6387 111,29 0
Mezcla 2 6,0622 3,0311 127,84 0
Arcilla*Arena 2 0,9239 0,4619 19,48 0
Arcilla*Mezcla 2 4,09 2,045 86,25 0
Arena*Mezcla 4 0,4515 0,1129 4,76 0,002
Arcilla*Arena*Mezcla 4 1,2294 0,3074 12,96 0
Error 72 1,7071 0,0237
Total 89 23,3495

Factores cruzados, anidados
Por la forma como se combinan los niveles de los factores en un

experimento factoriales, un factor puede ser cruzado o anidado
1 Factores cruzados.- se caracterizan porque cada nivél de uno
de los factores se combina con todos los niveles de los otros
factores.
2 Factores anidados.- los niveles de cada factor no se pueden
combinar con todos los niveles de los otros factores.
Para tres factores se tiene los siguientes modelos:
Caso 1 A, B, C factores cruzados:
a1 a2
b1 b2 b1 b2
c1 c2 c1 c2 c1 c2 c1 c2

Caso 2 A primer factor B y C anidados; El esquema es:

a1 a2
b1 b2 b3 b4
c1 c2 c3 c4 c5 c6 c7 c8
Caso 3 A y C cruzados y B anidado en A;
a1 a2
b1 b2 b3 b4
c1 c2 c1 c2 c1 c2 c1 c2
Caso 4 A y B cruzados y C anidado en AB;
a1 a2
b1 b2 b1 b2
c1 c2 c3 c4 c5 c6 c7 c8

Interacción de factores.
La interacción es una fuente muy importante en el estudio de los
experimentos con factoriales, permite evaluar las diferencias de
niveles de un factor en la combinación de un tercero.
Las interacciones se presentan solo en los casos que ambos son
factores cruzado o cuando un factor Anidado antecede a un cruzado.
Así, para los casos presentados, las interacciones que pueden
estudiarse son:
Caso 1 : AB, AC, BC y ABC
Caso 2 : Ninguna interacción.
Caso 3 : AC y B(A) con C
Caso 4 : AB

Diseño Anidado
Introducción
Llamado también Diseño jerarquico
En ciertos casos, un factor esta anidado dentro de otro. Por ejemplo,
en un estudio sobre el efecto de dos medicamentos, se prueba cada
uno de ellos en dos hospitales distintos. Los hospitales son un factor
anidado dentro de los tratamientos.
Ciertos niveles de B están ligados a ciertos niveles de A.
La presencia de un nivel de B depende de la de un cierto nivel de A;
en este caso diremos que el factor B está anidado en el factor A, y con
βj(i) indicaremos que el j-ésimo nivel de B corresponde al i-ésimo de A.
Se presenta en el Diseño jerarquico:
Modelo equilibrado: Un factor anidado con el mismo número de
observaciones por celda
Modelo no-equilibrado: Un factor anidado con distinto número de
observaciones por celda

Diseño Anidado de dos factores
Modelo Aditivo lineal
Se dice que un factor B está anidado en otro factor A (o que sus
niveles están anidados en los de A) cuando cada nivel del factor B
aparece asociado a un único nivel del factor A. Se denota como B(A) o
B ⊂ A.
El modelo de dos factores con el factor B anidado en el factor A se
expresa como
Yijk = µ + τi + βj(i) + εijk (7)
Donde, ; i = 1, · · · , a; j = 1, · · · , b; k = 1, · · · , r
µ: media global
τi : es el efecto principal del i-ésimo nivel del factor A
βj(i) : es el efecto del factor B anidado al factor A
εijk : es el error del experimento. El subíndice k , se refiere a
las repeticiones
Diseño Anidado de dos factores
Supuestos del Modelo Aditivo lineal

Al igual que en los diseños factoriales, para hacer las estimaciones y
pruebas de los efectos se deben considerar las suposiciones de sus
parámetros de los modelos de efecto fijo y de efecto aleatorio.
Factor Término Modelo Fijo Modelo Aleatorio

τi ∼ NID(0, στ2 )
P
A τi τ =0
P i
B(A) βj(i) βj(i) = 0 βj(i) ∼ NID(0, σβ2 )
En el modelo fijo, βj(i) representa el efecto medio adicional del nivel

j-ésimo anidado en el nivel i del factor A.
Por otro lado, b es el número de niveles anidados en cada nivel i, de
modo que el número total de niveles de B es a · b y la suma de los
efectos del factor B dentro de cada nivel de A es 0.

Analisis del Diseño Anidado de dos factores
Arreglo Tabular
El arreglo tabular de los resultados es como sigue:
A1 ··· Aa
B1 ··· Bb ··· Bm−b+1 ··· Bm
Y111 ··· Y1br ··· Ya11 ··· Yab1
.. .. .. .. .. .. ..
. . . . . . .
Y11r · · · Y1br ··· Ya1r · · · Yabr
Y11 . · · · Y1b . ··· Ya1 . · · · Yab .
Y1 .. ··· Ya ..
Pa Pb Pr 2
Pa Pb Pr 2
Y ... = i=1 j=1 k =1 Yijk ; i=1 j=1 k =1 Yijk
Esta tabla sirve para hallar la suma por tratamiento y de los factores
principales.

Tabla ANOVA
F. V. G. L. S. C. M. C. Fc
Factor A a−1 SCA CMA = SCA/(a − 1) Fc = CMA/CME
Factor B: B(A) a(b − 1) SCB(A) CMB(A) = SCB(A)/a Fc = MCB(A)/CME
Residual ab(r − 1) SCE CME = SCE/ab(r − 1)
Total abr − 1 SCTot
Suma de cuadrados
a X
b X
r 2
Pa 2 2
X
2 Y··· i=1 Yi·· Y···
SCTot = Yijk − ; SCA = −
abr br abr
i=1 j=1 k =1
Pa Pb 2 Pa
Yij· 2
Yi··
i=1 j=1 i=1
SCB(A) = −
r br
a X
b X r
Pa Pb 2
X i=1 j=1 Yij·
2
SCE = Yijk −
r
i=1 j=1 k =1
SCE = SCTot − SCA − SCB(A)

Contraste de hipótesis
Los contrastes de hipótesis que se realizan son:
Efecto principal del Factor A: Las hipótesis nula y alterna son:
H0 : τ1 = · · · = τa = 0 (el factor A no influye)

H1 : algún τi 6= 0 (el factor A influye)
en este caso
(SCA/(a − 1)) CMA
Fc = =
SCE/ab(r − 1) CME
de modo que se rechaza H0 a nivel de significación α si

Fc > F [(a − 1), ab(r − 1), α]

Efecto del factor B anidado en A.- La hipótesis que se contrasta
es, ∀ i = 1, ..., a
H0 : β1(i) = · · · = βb(i) = 0 (el factor B anidado en A no influye)

H1 : algún βj(i) 6= 0 (el factor B anidado en A influye)
El estadístico de prueba es:
(SCB(A)/a(b − 1)) CMB(A)

Fc = =
SCE/ab(r − 1) CME
de modo que se rechaza H0 a nivel α si

Fc > F [a(b − 1), ab(r − 1), α]
En este caso, se contrasta la hipótesis de que todos los niveles
del factor anidado B son iguales dentro del factor A donde están
anidados.
Ejemplo del Diseño Anidado de dos factores
Un geólogo estudia el contenido en trazas radiactivas de 4 tipos

diferentes de suelo. Para ello recoge cuatro muestras de contenido en
sustancias radiactivas en tres localidades diferentes que están
situadas sobre cada tipo de suelo. Se obtienen los siguientes datos:
A1 A2 A3 A4
B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12
6 13 7 10 2 4 1 7 11 5 1 0
2 3 10 9 1 3 11 5 2 10 8 8
0 9 7 7 1 4 4 6 5 6 8 9
8 6 9 12 10 9 1 5 7 7 4 4

Modelo de Diseño Anidado de tres factores
Modelo aditivo lineal

También se dice anidado en tres etapas Sean A, b y C tres factores tal
que A es el primer factor, B anidado en A y C anidado en A y B;
Yijkl = µ + τi + βj(i) + γk (ij) + εl(ijk )

i = 1, · · · , a; j = 1, · · · , b; k = 1, · · · , c; l = 1, · · · , r
Donde, µ: media global

τi : es el efecto principal del i-ésimo nivel del factor A
βj(i) : es el efecto del factor B anidado al factor A
γk (ij) : es el efecto del factor C anidado a los factores A y B
εijkl : es el error del experimento.
Restricciones
a
X b
X c
X
τi = 0, para cada i, βj(i) = 0 y para cada i, j γk (ij) = 0
i=1 j=1 k =1

Analisis del Diseño Anidado de tres factores
Tabla ANOVA
F. V. G. L. S. C. M. C. Fc
A a−1 SCA CMA = SCA/(a − 1) Fc = CMA/CME
B(A) a(b − 1) SCB(A) CMB(A) = SCB(A)/a Fc = MCB(A)/CME
C(BA) ab(c − 1) SCC(BA) CMC(BA) = SCC(BA)/a Fc = MCC(BA)/CME
Residual abc(r − 1) SCE CME = SCE/abc(r − 1)
Total abr − 1 SCTot
Suma de cuadrados
a X
b X
c X
r 2
Pa 2 2
X
2 Y···· i=1 Yi··· Y····
SCTot = Yijkl − ; SCA = −
abcr bcr abcr
i=1 j=1 k =1 l=1
Pa Pb 2 Pa
Yij·· 2
Yi···
i=1 j=1 i=1
SCB(A) = −
cr bcr
Pa Pb Pc 2
Pa Pb 2
i=1 j=1 k =1 Yijk · i=1 j=1 Yij··
SCC(BA) = −
r cr
a X
b X
c X r
Pa Pb Pc 2
X i=1 j=1 k =1 Yijk ·
2
SCE = Yijkl −
r
i=1 j=1 k =1 l=1
SCE - UNSAAC)
(Maestría en Estadística = SCTot − SCA − SCB(A) − SCC(BA) 2 de julio de 2017 57 / 61
Efecto principal del Factor A: Las hipótesis nula y alterna son:
H0 : τ1 = · · · = τa = 0 (el factor A no influye)

H1 : algún τi 6= 0 (el factor A influye)
en este caso el estadistico de prueba es,
(SCA/(a − 1)) CMA

Fc = =
SCE/ab(r − 1) CME
de modo que se rechaza H0 a nivel de significación α si

Fc > F [(a − 1), ab(r − 1), α]

Efecto del factor B anidado en A.- La hipótesis que se contrasta
es, ∀ i = 1, ..., a
H0 : β1(i) = · · · = βb(i) = 0 (el factor B anidado en A no influye)

H1 : algún βj(i) 6= 0 (el factor B anidado en A influye)
El estadístico de prueba es:
(SCB(A)/a(b − 1)) CMB(A)

Fc = =
SCE/ab(r − 1) CME

Fc > F [a(b − 1), ab(r − 1), α]
En este caso, se contrasta la hipótesis de que todos los niveles
del factor anidado B son iguales dentro del factor A donde están
anidados.
Efecto del factor C anidado a AB.- ∀ i = 1, ..., a ; j = 1, ..., b.
Las hipotesis que se plantean son:
H0 : γ1(ij) = · · · = γc(ij) = 0 (el factor C anidado a AB no influye)

H1 : algún γk (ij) 6= 0 (el factor C anidado a AB influye)
en este caso el estadistico de prueba es,
(SCC(AB))/(ab(c − 1)) CMC(AB)

Fc = =
SCE/abc(r − 1) CME

Fc > F [(ab(c − 1))(abc(r − 1)), α]

Ejemplo del Diseño Anidado de tres factores
Se usa un diseño anidado de tres etapas para estudiar la dureza de

una aleación. Con los datos que se presentan en la tabla analizar el
diseño. Los factores son la aleación química, las hornadas y los
lingotes.
Aleación Química
A1 A2
Hornadas H1 H2 H3 H4 H5 H6
Lingotes L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 L12
40 27 97 70 65 74 21 27 83 75 61 36
63 30 68 49 54 45 11 35 62 65 78 43

DiseñoFactorial MES PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

DiseñoFactorial MES PDF

Caricato da

Copyright:

Formati disponibili

Diseño Factorial

Dra. Katia García Alfaro

Maestría en Estadística - UNSAAC

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 1 / 61

Se llaman Experimentos Factoriales a aquellos experimentos en los

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 2 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 3 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 5 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 6 / 61

El diseño factorial más sencillo es el que involucra en su estudio sólo

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 7 / 61

Yijk = µ + αi + βj + (αβ)ij + εijk (1)

Donde, µ es la media general; P

Supuestos del Modelo Estadístico

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 9 / 61

Factor Factor B Total (A)

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 10 / 61

Estimadores del modelo por mínimos cuadrados

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 11 / 61

El número de parámetros a estimar en total es 1 + (a − 1) + (b − 1) + (a − 1)(b − 1)

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 12 / 61

Estimadores de E[Yijk ] y Var (Yijk )

Ŷijk = Ȳ ... + (Ȳi .. − Ȳ ...) + (Ȳ .j . − Ȳ ...) (3)

eijk = Yijk − Ŷijk = Yijk − Ȳij . (4)

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 13 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 14 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 15 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 16 / 61

Pruebas de los efectos de los factores

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 17 / 61

Efecto principal de B Las Hipótesis planteadas son:

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 18 / 61

Conclusión: en cada caso, a un nivel de significación α

intervalos estimados para las medias

IC(µ)100(1−α) % = (LI = Ȳ − t0 SȲ , LS = Ȳ − t0 SȲ )

Donde, t0 = tα/2;gl es el cuantil de la distribución t.

Media, Error estándar e intervalos de confianza

Diseño Bifactorial: Media, Error estándar e intervalos de confianza

El cuantil de la distribución t es t0 = tα/2;glerror = tα/2;ab(n−1)gl

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 21 / 61

Tapaporos Método de Aplicación B

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 24 / 61

Además del modelo de efectos fijos en un Diseño factorial o de dos

αi ∼ NID(0, σα2 ), βj ∼ NID(0, σβ2 ),

Y la varianza de cualquier observación Yijk es:

Var (Yijk ) = σα2 + σβ2 + σαβ

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 25 / 61

El efecto de la hinteracción

Esperados Cuadrados Medios

Esperados Cuadrados Medios del Diseño Bifactorial

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 27 / 61

Pruebas de hipótesis de los efectos

Resumen de las hipótesis planteadas y sus estadísticos de Prueba

Hipótesis Planteadas - Estadísticos de Prueba

La hipótesis Ho : αi = 0, ∀i, significa que la diferencia de niveles del

Estimación del Modelo de Efectos Aleatorios

CME = σ̂ 2 , CMAB = σ̂ 2 + nσ̂αβ

Con el siguiente resultado:

Estimaciónm del Modelo de Efecto Mixto

También se deben estimar los componentes de varianza del factor

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 30 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 31 / 61

(Maestría en Estadística - UNSAAC) 2 de julio de 2017 32 / 61

El efecto de la hinteracción