Diseños Factoriales 3k

Ahora consideraremos en el experimento factores de interés con tres niveles cada uno, en total
tendremos 3k tratamientos. Puede observarse que para muchos factores el diseño requiere
muchos tratamientos, sin embargo, para pocos factores es una buena alternativa pues entre sus
ventajas es que permite el estudio de curvaturas; también resulta útil en el caso en que un factor
es categórico con tres niveles.

Existen varias notaciones y nomenclaturas para los puntos del diseño 3k, las más comunes es
denotar a los tres niveles como bajo, medio y alto; en algunos libros utilizan los números -1, 0 y 1
y en otros los número 1, 2 y 3:
Tratamiento A B A B Yates
Bajo Bajo -1 -1 1 1 00
Medio Bajo 0 -1 2 1 10
Alto Bajo 1 -1 3 1 20
Bajo Medio -1 0 1 2 01
Medio Medio 0 0 22 11
Alto Medio 1 0 32 21
Bajo Alto -1 1 1 3 02
Medio Alto 0 1 23 12
Alto Alto 1 1 33 22
Diseño Factorial 32

Diseño factorial 32

Para este diseño consideraremos dos factores A y B con tres niveles cada uno, el modelo
estadístico es:

1,2,3; 1,2,3; 1,… , ,

donde es el efecto del factor A, es el efecto del factor B, es el efecto de la interacción de

ambos, es el número de réplicas en el experimento y es la componente del error aleatorio tal
que ~ 0, .

Podemos descomponer la suma total de cuadrados como sigue:

""# ""$ ""% ""$% ""&,

con los respectivos grados de libertad:

3’ 1 2 2 4 3’ 1 .
Ahora creamos la tabla del análisis de varianza:
Efecto Suma de Grados de Cuadrados Medios )*
Cuadrados Libertad
A ""$ 2 +"$ ""$/2 +"$

+"&
B ""% 2 +"% ""%/2 +"%

+"&
AB ""$% 4 +"$% ""$%/4 +"$%

+"&
Error ""& 3’ 1 +"& ""&/3 ’ 1
Total ""# 3’ 1

La desventaja de este análisis es que considera los efectos A, B y AB de forma agrupada, si

estamos interesados en estudiar el efecto cuadrático, podemos descomponer cada efecto en sus
partes lineales y cuadráticas; visto como una regresión lineal tendríamos:

-* -./. - / -../. - / -. /./ -.. /. / -. /./ -.. /. / ,

donde /. representa el valor codificado del efecto A, / representa el valor codificado del efecto
B. Aquí se ha descompuesto, por ejemplo, el efecto A en /. y /. , una parte lineal y una parte
cuadrática; cada efecto individual tendrá 1 grado de libertad.

La tabla de análisis de varianza será ahora:

Efecto Suma de Grados de Cuadrados Medios )*
Cuadrados Libertad
AL ""$0 1 +"$0 ""$0/1 +"$0

+"&
AQ ""$1 1 +"$1 ""$1/1 +"$1

+"&
BL ""%0 1 +"%0 ""%0/1 +"%0

+"&
BQ ""%1 1 +"%1 ""%1/1 +"%1

+"&
ALBL ""$0%0 1 +"$0%0 ""$0%0/1 +"$0%0
 +"&

AQBL ""$1%0 1 +"$1%0 ""$1%0/1 +"$1%0

+"&
ALBQ ""$0%1 1 +"$0%1 ""$0%1/1 +"$0%1

+"&
AQBQ ""$1%1 1 +"$1%1 ""$1%1/1 +"$1%1

+"&
Error ""& 3’ 1 +"& ""&/3 ’ 1
Total ""# 3’ 1

Donde el subíndice L representa el término lineal y Q el cuadrático.

Ejemplo.- En un proceso de fabricación de cajas se utiliza pegamento, con la idea de mejorar el

desempeño de las cajas se realiza un experimento para estudiar la fuerza de adhesión del
pegamento en diferentes condiciones de humedad y temperatura. La variable de respuesta es la
fuerza necesaria en libras para despegar la caja. Los resultados obtenidos son:
Temperatura

Humedad Frío Ambiente Caliente

50% 1.5 1.2 3.5 3.2 4.0 4.2
70% 1.4 1.3 2.9 2.5 3.8 3.4
90% 0.8 1.2 1.8 2.0 2.7 3.0

Analizaremos el diseño utilizando Minitab.

Para crear el diseño factorial en “Estadísticas” seleccionamos “DOE”, después “Factorial” y por
último “Crear diseño factorial”:
En el menú de “Crear diseño factorial” elegimos la opción “Diseño factorial completo general”,
para nuestro ejemplo sólo requerimos de dos factores:

En el menú “Diseños” elegimos el nombre de las variables y el número de niveles, en nuestro

ejemplo los factores son A: Temperatura y B: Humedad, cada uno con tres nieveles y dos réplicas:
En el menú “Factores” elegimos los valores en cada nivel y si es de tipo numérico o texto (podemos
dejar los valores por defecto: 1, 2 y 3):

En “Opciones” no aleatorizaremos las corridas, por último aceptamos y se creará el diseño, al cual
sólo debemos agregarle la variable de respuesta:
Los gráficos de efectos principales, así como los de interacción serán siempre útiles:
En la primera gráfica se observa que ambos efectos pueden ser significativos, así como que
posiblemente no existe curvatura (ambas siguen una tendencia casi lineal). En la segunda gráfica
tenemos que no hay mucha evidencia a favor de la interacción y si existe, no es muy fuerte.
Ahora confirmaremos estas observaciones mediante el análisis de varianza. Para el análisis de
efectos A, B y AB de forma agrupada sólo analizamos el diseño en la sección de diseño de
experimentos (DOE):

Elegimos la fuerza como respuesta, los términos del modelo serán A, B y AB:

Aceptamos y obtenemos el análisis de varianza:

Modelo lineal general: Fuerza vs. Temperatura, Humedad

Factor Tipo Niveles Valores

Temperatura fijo 3 Frío, Ambiente, Caliente
Humedad fijo 3 50, 70, 90

Análisis de varianza para Fuerza, utilizando SC ajustada para pruebas

Fuente GL SC Sec. SC Ajust. CM Ajust. F P
Temperatura 2 15.9433 15.9433 7.9717 170.82 0.000
Humedad 2 3.1633 3.1633 1.5817 33.89 0.000
Temperatura*Humedad 4 0.6933 0.6933 0.1733 3.71 0.047 Error
9 0.4200 0.4200 0.0467
Total 17 20.2200

S = 0.216025 R-cuad. = 97.92% R-cuad.(ajustado) = 96.08%

A un nivel de significancia de 2 0.05 concluimos que los efectos de la Temperatura y la Humedad

son significativos al igual que la interacción, aunque por muy poco.

Para realizar el análisis de los efectos cuadráticos haremos una regresión lineal, pero primero es
necesario tener los datos en forma codificada:

Ahora el análisis lo haremos en la sección de regresión general:

Necesitamos introducir al modelo todos los factores cuadráticos:

En “Opciones” seleccionamos que la suma de cuadrados para las pruebas sea secuencial (tipo I):
Aceptamos y obtendremos el siguiente resultado:

Análisis de regresión general: Fuerza versus Temperatura, Humedad

Ecuación de regresión

Fuerza = -4.2 + 6.375 Temperatura + 2.725 Humedad - 1.175

Temperatura*Temperatura - 2.825 Temperatura*Humedad - 0.425
Humedad*Humedad + 0.625 Temperatura*Temperatura*Humedad + 0.325
Temperatura*Humedad*Humedad - 0.075
Temperatura*Temperatura*Humedad*Humedad

Coeficientes

EE del
Término Coef coef. T P
Constante -4.200 2.90230 -1.44713 0.182
Temperatura 6.375 3.29570 1.93434 0.085
Humedad 2.725 3.29570 0.82683 0.430
Temperatura*Humedad -2.825 3.74244 -0.75486 0.470
Temperatura*Temperatura -1.175 0.81548 -1.44088 0.183
Humedad*Humedad -0.425 0.81548 -0.52117 0.615
Temperatura*Temperatura*Humedad 0.625 0.92601 0.67494 0.517
Temperatura*Humedad*Humedad 0.325 0.92601 0.35097 0.734
Temperatura*Temperatura*Humedad*Humedad -0.075 0.22913 -0.32733 0.751

Resumen del modelo

S = 0.216025 R-cuad. = 97.92% R-cuad.(ajustado) = 96.08%

PRESS = 1.68 R-cuad.(pred.) = 91.69%
Análisis de varianza
Fuente GL SC Sec. SC Ajust. CM sec.
Regresión 8 19.8000 19.8000 2.4750
Temperatura 1 15.6408 0.1746 15.6408
Humedad 1 3.1008 0.0319 3.1008
Temperatura*Humedad 1 0.4050 0.0266 0.4050
Temperatura*Temperatura 1 0.3025 0.0969 0.3025
Humedad*Humedad 1 0.0625 0.0127 0.0625
Temperatura*Temperatura*Humedad 1 0.2817 0.0213 0.2817
Temperatura*Humedad*Humedad 1 0.0017 0.0057 0.0017
Temperatura*Temperatura*Humedad*Humedad 1 0.0050 0.0050 0.0050
Error 9 0.4200 0.4200 0.0467
Total 17 20.2200

Fuente F P
Regresión 53.036 0.000001
Temperatura 335.161 0.000000
Humedad 66.446 0.000019
Temperatura*Humedad 8.679 0.016328
Temperatura*Temperatura 6.482 0.031400
Humedad*Humedad 1.339 0.276950
Temperatura*Temperatura*Humedad 6.036 0.036351
Temperatura*Humedad*Humedad 0.036 0.854300
Temperatura*Temperatura*Humedad*Humedad 0.107 0.750906
Error
Total

Ajustes y diagnósticos para observaciones poco comunes

No hay observaciones poco comunes

Se concluye que las partes lineales son significativas al igual que la interacción y posiblemente
los términos Temperatura2, Temperatura2*Humedad.

Aún hay otra forma de verificar si existen curvaturas en el modelo, en el modelo de regresión
sólo introducimos los efectos principales y la interacción:
Aceptamos y obtenemos el siguiente resultado:
Análisis de regresión general: Fuerza versus Temperatura, Humedad

Ecuación de regresión
Fuerza = 0.3 + 1.59167 Temperatura - 0.0583333 Humedad - 0.225
Temperatura*Humedad

Coeficientes

Término Coef EE del coef. T P

Constante 0.30000 0.456841 0.65668 0.522
Temperatura 1.59167 0.211476 7.52645 0.000
Humedad -0.05833 0.211476 -0.27584 0.787
Temperatura*Humedad -0.22500 0.097895 -2.29839 0.037
Resumen del modelo

S = 0.276887 R-cuad. = 94.69% R-cuad.(ajustado) = 93.55%

PRESS = 1.84871 R-cuad.(pred.) = 90.86%

Análisis de varianza

Fuente GL SC Sec. SC Ajust. CM sec. F P

Regresión 3 19.1467 19.1467 6.3822 83.246 0.0000000
Temperatura 1 15.6408 4.3430 15.6408 204.011 0.0000000
Humedad 1 3.1008 0.0058 3.1008 40.446 0.0000177
Temperatura*Humedad 1 0.4050 0.4050 0.4050 5.283 0.0374643
Error 14 1.0733 1.0733 0.0767 Falta de ajuste
5 0.6533 0.6533 0.1307 2.800 0.0853066 Error puro
9 0.4200 0.4200 0.0467 Total 17 20.2200
Se observa que la falta de ajuste no es significativa, por lo que un modelo lineal es suficiente.

Finalmente se verifican los supuestos usuales del modelo:

Se enfatiza la búsqueda de curvaturas debido a que será de mucha utilidad en la metodología de

superficie de respuesta.

Con todo lo aprendido hasta ahora es posible analizar diseños factoriales, en bloques, con
factores fijos o aleatorios y analizar si existen curvaturas. Se han hecho análisis de dos casos
especiales: diseños 2k y 3k con puntos al centro y sin réplicas.

Referencias:
[1] Douglas C. Montgomery, “Diseño y Análisis de Experimentos”, Grupo Editorial
Iberoamericana, México 1991.
[2] Humberto Gutiérrez Pulido, “Análisis y Diseño de Experimentos”, McGraw Hill, México
2004.