Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
En los diseños vistos hasta el momento (DCA, DBCA, DCL) se han estudiado diseños con un solo
factor (con sus niveles o tratamientos), pero en muchos casos para interpretar los efectos de un factor
debe tenerse en cuenta los efectos de otros factores. En este capítulo se hace el estudio de dos
factores tanto en DCA como en DBCA y se consideran como tratamientos a las diferentes
combinaciones de los niveles de los factores en estudio.
Los diseños factoriales producen experimentos más eficientes, pues cada observación proporciona
información sobre todo los factores y es posible apreciar las respuestas de un factor en los diferentes
niveles del otro factor. Además, se puede observar si los factores actúan en las unidades
experimentales en forma independiente, en cuyo caso se dice que no hay interacción entre ellos.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una o varias
respuestas o características de calidad, es decir, lo que se busca es estudiar la relación entre los
factores y la respuesta, con la finalidad de conocer mejor cómo es esta relación y generar
conocimiento que permita tomar acciones y decisiones que mejoren el desempeño del proceso. Por
ejemplo, 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
del proceso que eliminen o disminuyen cierto problema de calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador, la presencia o
ausencia de una operación previa, etc.) , o de tipo cuantitativo (temperatura, humedad, velocidad,
presión, etc.). Para poder estudiar la manera en cómo influye cada factor sobre la variable respuesta,
es necesario elegir al menos dos niveles de prueba para cada uno de ellos. Con el diseño factorial
completo se corren aleatoriamente en el proceso todas las posibles combinaciones que pueden
formarse con los niveles seleccionados.
DISEÑO FACTORIAL
CONCEPTO
VENTAJAS
Al considerarse en el estudio dos factores se puede analizar los efectos simpes, los efectos
principales y los efectos de interacción.
El número de grados de libertad para el error experimental es elevado, comparándolo con los de
los experimentos simples de los mismos factores. Esto contribuye a disminuir la varianza de error
experimental y aumentar la precisión del experimento
DESVENTAJAS
Se requieren un mayor número de unidades experimentales que en los experimentos de un solo
factor.
Como se consideran todas las combinaciones de los niveles de los factores, en algunos casos se
tendrán combinaciones que no son de interés para el investigador.
El análisis estadístico de interpretación de resultados es más complicado que con los
experimentos de un solo factor.
CONCEPTOS GENERALES
FACTOR.- Es sinónimo de tratamiento e involucra diferentes niveles. Por ejemplo el Nitrógeno
en la formación del abono, este puede contener diferentes porcentajes, cada uno constituye un
nivel que también representa un tratamiento.
FACTORIAL.- Es una combinación de factores para formar tratamientos.
NIVEL.- Es la dosis o cantidad del ingrediente (Factor) empleado en el tratamiento. Ejemplo. 2
% de nitrógeno
EFECTO PRINCIPAL.- Es el efecto promedio del factor sobre los otros niveles del mismo
factor independiente de los otros factores. Ejemplo: Efecto de nitrógeno en las unidades
experimentales al aplicar un abono formado por nitrógeno, fósforo y potasio.
EFECTO INTERACCION.- Es el efecto adicional debido a la influencia combinada de dos o
más factores. Ejemplo. Efecto conjunto Nitrógeno-Fósforo en la unidad experimental.
EFECTO SIMPLE.- Es el efecto de los niveles del factor en un nivel de otro factor. Ejemplo.
Efecto del nitrógeno bajo la presencia de 0.5 % de fósforo. Es un efecto derivado del efecto de la
Interacción.
EFECTO SIMPLE SIMPLE.- Es el efecto de los niveles del factor a una combinación de los
otros factores, por ejemplo, el efecto del nitrógeno en las unidades experimentales, bajo la
presencia de 0.5% de fósforo y 1% de Potasio.
de 0.5% de fósforo y 1% de Potasio.
TIPOS DE FACTORES
EFECTOS SIMPLES
El análisis de los efectos simples se realiza cuando existe una interacción de dos factores por ejemplo
A y B.
Los efectos simples se calculan a partir del cuadro de promedios de la combinación de factores.
Ejemplo:
A con niveles (a1 , a2 , a3 )
B con niveles (b1 , b2 ).
Aplicados en un DCA con 5 repeticiones.
Los efectos simples son: A(B) y B(A).
A(B): A(b1 ), A(b2 )
B(A): B(a1 ), B(a2 ), B(a3 )
La prueba estadística se realiza mediante la prueba de F, los grados de libertad del efecto en estudio
para el numerador y los grados de libertad del error para el denominador.
El valor de F calculado:
Fc = CM(del efecto) / CM(error)
Así para A(b2 ) : Fc = CM( A(b2 ) ) /CM(error).
Si el valor de Fc es superior o igual al valor crítico (FÂ), entonces se afirma estadísticamente que
hay diferencia en los niveles del factor A bajo la presencia del nivel b2. Si esto ocurre, puede realizar
una prueba de t o Duncan, con los promedios; así por ejemplo mediante t-student:
para la comparación en A(b2 ), requiere la siguiente información:
Promedios:
2 𝐶𝑀
a1 = 3 𝑆𝑑 = √ ; tα (gl error)
𝑟
a2 = 2 ;
a3 = 8
DLS(t-student) = tα sd
Notar que en la desviación estándar de la diferencia se considera el valor de "r", es el número de
datos que genera un promedio en estos efectos simples.
DISEÑO FACTORIAL 2 X 2
Supongamos que se tienen dos factores
A: tiempo
B: velocidad,
Cada uno con dos niveles (bajo y alto), la respuesta es la cantidad de aditivo. En el experimento,
cada tratamiento se corrió tres veces (tres réplicas) lo que da un total de 12 corridas del proceso. Por
simplicidad sólo se muestra los resultados de la primera réplica:
16.26+18.16 17.10+18.76
Efecto A: Tiempo = − = −0.72
2 2
18.76+18.16 17.10+16.26
Efecto B: Velocidad = − = 1.78
2 2
Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto de interacción sobre
la variable respuesta, cuando el efecto de un factor depende del nivel en que se encuentra el otro. Por
ejemplo, los factores tiempo y velocidad interactúan si el efecto del tiempo es muy diferente en cada
nivel de velocidad, o viceversa, si el efecto de la velocidad depende del tiempo. Veamos esto con los
datos:
Efecto A con B bajo: 16.26 – 17.10 = -0.84
Y cuando la velocidad es alta el efecto de A es:
Efecto A con B alto: 18.16 – 18.76 = -0.6
Si estos dos efectos de A en función del nivel B fueran diferentes, entonces eso sería evidencia de
que la elección más conveniente del nivel de A depende del nivel en que esté B y viceversa. Es decir,
eso sería evidencia de que los factores A y B interactúan entre sí. En la práctica el cálculo del efecto
de A en cada nivel de B no se hace, y más bien se calcula el efecto global de la interacción entre los
dos factores. El efecto de interacción entre A y B, denotado por AB se calcula como la diferencia
entre la respuesta media cuando ambos factores se encuentran en el mismo nivel
((bajo,bajo),(alto,alto)), y la respuesta media cuando los factores se encuentran en niveles opuestos
((bajo, alto),(alto, bajo)). Para el ejemplo el efecto de la interacción tiempo x temperatura está dado
por:
17.10 + 18.16 16.26 + 18.76
AB = − = 0.12
2 2
Los valores absolutos de los efectos principales y del efecto de la interacción son una medida de la
magnitud de su efecto sobre la variable respuesta. Así, entre más grande sea el valor absoluto de un
efecto, mayor influencia tendrá sobre la variable respuesta. Sin embargo, para saber si los efectos son
estadísticamente significativos se requiere del análisis de varianza.
Modelo Estadístico:
Con un diseño factorial a x b se pueden estudiar los efectos individuales y el efecto de interacción de
ambos factores. En términos estadísticos lo que se afirma es que el comportamiento de la variable
respuesta Y en el experimento con k réplicas se podrá escribir mediante:
Y_ijk=μ+α_i+β_j+(αβ)_ij+ε_ijk
i=1,2,…,a j=1,2,…,b k=1,2,…,n
Donde μ es la media general, α_i es el efecto del i-ésimo nivel del factor A, β_j es el efecto del j-
ésimo nivel del factor B, (αβ)_ij representa el efecto de interacción en la combinación ij y ε_ijk es el
error aleatorio que supone sigue una distribución con media cero y varianza constante σ^2 y son
independientes entre sí. Para que la estimación de los parámetros en este modelo sea única, se
introducen las restricciones:
Es decir, los efectos dados en el modelo son desviaciones respecto de la media global.
Hipótesis a evaluar y análisis de varianza
Para el Factor A
H0 : Efecto A = 0
H1 : Efecto A ≠ 0
H0 : α1 = α2 = ⋯ = αa = 0
H1 : αi ≠ 0 para algún i
Para el Factor B
H0 : Efecto B = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 ≠ 0
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0
𝐻1 : 𝛽𝑗 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑗
𝐻0 : 𝐸𝑓ecto AB = 0
H1 : Efecto AB ≠ 0
El ANOVA para un diseño factorial a x b con n réplicas resulta de descomponer la variación total como:
SST=SSA+SSB+SSAB+SSE