4.

1 INTRODUCCIÓN A LOS DISEÑOS FACTORIALES

En muchas situaciones experimentales resulta de interés estudiar los efectos

producidos por dos o más factores simultáneamente; esto se logra con la ayuda
de los Diseños Factoriales. En general los Diseños Factoriales producen
experimentos más eficientes, ya que cada observación proporciona información
sobre todos los factores, y es posible ver las respuestas de un factor en diferentes
niveles de otro factor en el mismo experimento. Por lo tanto, se entiende por
Diseño Factorial a aquel diseño en el cual se pueden estudiar los efectos de dos o
más factores de variación a la vez; es decir, que se puede investigar todas las
posibles combinaciones de los niveles de los factores en cada ensayo completo o
réplica del experimento.

Cada uno de los factores en estudio varían en su aplicación, a esta variación se le

llama Niveles del Factor. Las combinaciones de los niveles de cada factor, forman
los respectivos tratamientos.

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,……). Los cuales pueden tomar valores de 2,3,4, ……

Existen experimentos factoriales Balanceados y Desbalanceados; diremos que es

balanceado cuando el número de réplicas es igual para cada uno de los
tratamientos usados en el experimento; en caso contrario es Desbalanceado;
también se puede dar el caso en que sólo exista una sola réplica para cada
tratamiento. Los Diseños factoriales se pueden combinar con los Diseños
Completamente al Azar (Unifactoriales), o con el Diseño de Bloques Aleatorios,
etc., dependiendo de la naturaleza del experimento.

Entre las Ventajas de usar un diseño Factorial, se pueden mencionar las

siguientes:

1) Ahorro y economía del recurso experimental; ya que cada unidad experimental

provee información acerca de dos o más factores, lo que no sucede cuando se
realiza con una serie de experimentos simples.
2) Da información respecto a las interacciones entre los diversos factores en
estudio.
3) Permite realizar estimaciones de las interacciones de los factores, además de
los efectos simples.
4) Permite estimar los efectos de un factor en diversos niveles de los otros
factores, produciendo conclusiones que son válidas sobre toda la extensión de las
condiciones experimentales.

La única desventaja es que si el número de niveles de algunos de los factores o el

número de factores es demasiado grande, entonces el número de todas las
combinaciones posibles de tratamientos de factores llega a ser un número grande,
en consecuencia la variabilidad en el experimento podría ser grande.
Estas dos situaciones, pueden hacer difícil detectar los efectos significativos en el
experimento.

Se entiende por efecto de un factor al cambio en la respuesta media ocasionada

por un cambio en el nivel de ese factor.

En los diseños factoriales existen tres efectos, los cuales 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.

Existe interacción entre los factores, si la diferencia en la respuesta entre los

niveles de un factor no es la misma en todos los niveles de los otros factores.

Una interacción puede ser doble, triple, cuádruple, etc. según el número de
factores que sean considerados en el experimento.

En general, el número de efectos principales y las interacciones se pueden

determinar:

También se puede utilizar el Triángulo de Pascal para encontrar el número de

efectos principales y las interacciones
:
La interacción en la cual intervienen tres o más factores se considera una
interacción de
orden superior. Por ejemplo: ABC, ABD, BCD,ADCE…., etc.

La notación que se utiliza para indicar el número de niveles y el número de

factores de un experimento factorial es sencilla; y podría simbolizarse en general
de la siguiente manera: mxnxoxpx…………, en donde las letras indican el número
de niveles de los factores y el número de veces que aparecen las letras indican el
número de factores. En el siguiente cuadro se presentan algunos ejemplos de ésta
notación:

En los diseños factoriales se pueden estudiar los efectos de dos, tres y más
factores a la vez, en esta unidad se estudiarán los efectos de dos factores en
detalle, tres factores y se hará un planteamiento general para el estudio de los
diseños de más de tres factores.
4.2 DISEÑO FACTORIAL CON DOS FACTORES

PRESENTACIÓN DEL MODELO

El modelo de diseño de experimentos con dos factores tratamiento con interacción

se conoce como modelo completo de dos vías o modelo de análisis de la
varianza de dos vías.

Para presentar las formulas generales para el análisis de varianza de un

experimento de dos factores que utiliza observaciones repetidas en un diseño por
completo aleatorio, debe considerarse el caso de n repeticiones de las
combinaciones del tratamiento, determinadas por α niveles del factor A y b niveles
del factor B. las observaciones pueden clasificarse usando un arreglo
rectangular, donde los renglones representan los niveles del factor A; y las
columnas, los factor B. Cada combinación de tratamiento define una celda del
arreglo. Así, se tienen ab celdas, cada una de las cuales contiene n
observaciones. Se denota con Y ijk la k-èsima observación en el i-èsimo nivel del
factor A y el j-èsimo nivel del factor B.

Modelo matemático.

El modelo matemático asociado al diseño de dos factores-tratamiento con

interacción y replicado es el siguiente:  

Y ijk =μ+α i+ β j+ ¿

Para cada

i = 1,2,...,a; j = 1,2,...,b; k = 1,2,...,n,

Con restricciones
Donde:

: Es la media general.

: Es el efecto (positivo o negativo) debido al i-ésimo nivel del factor A.

: Es el efecto (positivo o negativo) del j-ésimo nivel del factor B.

: Representa al efecto de interacción en la combinación ij.

ε ijk : Es el error aleatorio que supone sigue una distribución con media cero

y varianza constante y son independientes entre si.

ESTIMACIÓN DE PARAMETROS

Los parámetros del modelo se obtienen por mínimos cuadrados, técnica que se
basa en minimizar la suma de los cuadrados de los residuos.
a b n

∑ ∑ ∑ ¿¿¿¿
i=1 j=1 k=1

a b
+n ∑ ∑ ¿¿ ¿
i=1 j=1

Simbólicamente la identidad de cuadrados se escribe así:

SST = SSA + SSB +SS(AB) + SSE

Donde SSA y SSB denominan la suma de cuadrados para los efectos principales
A y B, respectivamente, SS(AB) recibe el nombre de suma de cuadrados de la
interacción para A y B, y SSE es la suma de errores al cuadrado. La participación
de los grados de libertad se efectúa de acuerdo con la identidad

abn−1=( a−1 ) + ( b−1 )+ ( a+1 ) ( b−1 )+ ab(n−1)

*Suma de todas las observaciones
a b n
Y ..=∑ ∑ ∑ yijk
i=1 j=1 k=1

*Media global

y ..
ý=
abn

*Total en el nivel i del factor A

b n
y i ..=∑ ∑ y ijk
j=1 k=1

*Media en el nivel i del factor A

y i ..
y´i ..=
bn

*Total en el nivel j del factor B

a n
y . j . =∑ ∑ y ijk
i=1 k=1

*Media en el nivel i del factor B

y. j .
ý . j . =
an
TABLA ANOVA PARAMETROS

Fuent Suma de cuadrados V Suma de F cal

e cuadrados M.

Efecto a–1
A

Efecto b–1
B

Efecto (a-1)(b-
AB 1)

Error ab(n-1)

Total abn-1

Manejo de pruebas de hipótesis

*Hipótesis para el efecto A

H 0 ; ∝1 =∝2=…=∝a =0

H 1 ; ∝1 ≠0 para algun i

La hipótesis nula se rechaza al nivel e significancia

cuando

*Hipótesis para el efecto B

H 0 ; β1 =β2 =…= βb =0

H 1 ; β 1 ≠ 0 para alguni
La hipótesis se rechaza al nivel e significancia cuando

*Hipótesis para el efecto AB

H 0 ;(∝ β)ij =0 para todoi

H 1 ; (∝ β )ij ≠ 0 para algun i

La hipótesis se rechaza al nivel e significancia

cuando

Ejemplo:

La impureza que contiene un producto químico es afectada por dos factores,

presión y temperatura. En la tabla 4.2 se muestran los datos de un experimento
factorial con una sola replica.

La suma de cuadrados son:

a
Yi2 Y ..2 232 +132 +8 2 44 2
SS A =∑ – = − =23.33
i=1 b ab 5 ( 3 ) (5)

b
Y . j 2 Y ..2 92 +62 +132 +62 +102 442
SSB =∑ – = − =11.60
j=1 a ab 3 ( 3 ) (5)
 a b
Y ..2
SSt =∑ ∑ Yij 2 – =166−129.07=36.93
i=1 j=1 ab

SS Residual=SS t – SS a – SS b

SS Residual =36.93−23.33−11.60=2.00

La suma de cuadrados debida a la no aditividad del modelo se calcula mediante la

ecuación siguiente, tal como aparece a continuación.

a b

∑ ∑ YijYi . Y . j=( 5 ) ( 23 ) ( 9 ) +( 4 ) ( 23 )( 6 )+ …+( 2 ) ( 8 ) (10 )=7236

i=1 j=1

a b 2
Y ..2

SSn=
[ (
∑ ∑ YijYi . Y . j – Y .. SS A + SS B+ ab
i =1 j=1
)]
ab SS A SS B

¿
[7236−( 44 ) (23.33+11.60 +129.07)]
( 3 ) ( 5 ) ( 23.33 ) (11.60)
2
[ 20.00 ]
¿ =0.0985
4059.42

Y la suma de cuadrados del error mediante la ecuación siguiente es:

SS Error =SS Residual−SS N

¿ 2.00−0.0985=1.9015

El análisis de varianza completo se muestra en la siguiente tabla. La estadística

para aprobar la no aditividad es, Fo = 0.0985/0.2716 = 0.36. por lo que se
concluye que estos datos no proporcionan evidencia de una interacción. Los
efectos principales de la temperatura y la presión son significativos.
Datos de impureza
Tabla 4.2
Temperatura Presión
(oF) 25 30 35 40 45 Yi.
100 5 4 6 3 5 23
125 3 1 4 2 3 13
150 1 1 3 1 2 8
Y.j 9 6 13 6 10 44 = Y..

Análisis de varianza para el ejemplo anterior

Tabla 4.3
FUENTE DE SUMA DE GRADOS DE MEDIA DE FO
VARIACION CUADRADOS LIBERTAD CUADRADOS
TEMPERATURA 23.33 2 11.67 42.97
PRESION 11.60 4 2.90 10.68
NO ADITIVIDAD 0.0985 1 0.0985 0.36
ERROR 1.9015 7 0.2716
TOTAL 36.93 14

4.3 DISEÑO FACTORIAL CON TRES FACTORES

ESTIMACION DE LOS PARAMETROS DEL MODELO DE EFECTOS FIJOS

Cuando se tiene tres factores (A B y C) y el numero de niveles de prueba en cada

uno de ellos son a, b y c, 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 entre aplicaciones diversas se encuentra. El factorial 2 3,
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.

El estudio factorial de tres factores (A, B y C) permitir investigar los efectos: A, B,

C, AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden
estudiarse depende el número de niveles utilizado en cada factor. Por ejemplo, si
un factor se prueba en dos niveles todo su efecto marginal (individual) es lineal, o
sea que su efecto individual no se pueda descomponer; pero si tuviera tres
niveles, su efecto marginal se puede descomponer en una parte lineal y otra
cuadrática pura.

CUADRO DE ANALISIS DE VARIANZA

Tabla ANOVA Para el diseño factorial a*b*c

FV SC GL CM F0 Valor-p
Efecto A SCA a-1 CMA CMA/CME P(F> F0A)
Efecto B SCB b-1 CMB CMB/CME P(F> F0B)

Efecto C SCC c-1 CMC CMC/CME P(F> F0C)

Efecto AB SCAB (a-1)(b-1) CMAB CMAB/CME P(F> F0AB)

Efecto AC SCAC (a-1)(c-1) CMAC CMAC/CME P(F> F0AC)

Efecto BC SCBC (b-1)(c-1) CMBC CMBC/CME P(F> F0BC)

Efecto ABC SCABC (a-1)(b-1)(c-1) CMABC CMABC/CME P(F> F0ABC)

Error SCE abc(n-1) CME

Total SCT abcn-1

donde:

FV: Fuente de Variación.

SC: Suma de Cuadrados.

GL: Grados de Libertad.

CM: Cuadrado Medio.
FO: f Fisher calculado.
Al efecto cuyo valor-p sea menor al valor especificado para ∞, se declara
estadísticamente significativo o se dice que está activo. El ANOVA de tres factores
dado en la tabla anterior tiene cuatro renglones adicionales, por los nuevos cuatro
efectos que pueden estudiarse. Las sumas de cuadrados son muy similares a las
obtenidas para dos factores.

FORMULAS
Suma de Cuadrados

Las sumas de cuadrados son muy similares a las obtenidas para dos factores;
habrá que considerar un subíndice adicional para el tercer factor, comenzando
otra vez por la suma de cuadrados total, éstas resultan ser:

a b c n
2 γ 2. . .
SC T =∑ ∑ ∑ ∑ γ ijk − ,
i=1 j=1 k =1 l=1 N

donde:

N = abcn es el total de observaciones en el experimento; el subíndice k representa

ahora el tercer factor y l las repeticiones. Las sumas de cuadrados de efectos son:
Restando éstas del total, la suma de cuadrados del error resulta ser:

SC E =SCT −SC A−SC B−SCC −SC AB−SC AC−SC BC −SC ABC

Cuyos respectivos grados de libertad se dan en la tabla ANOVA anterior. Una vez
hecho el ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente después) a diagnosticar la calidad del modelo.
Cuadrado Medio

SC
CM =
GL

Donde:

CM = Cuadrado Medio del efecto

SC = Suma de cuadrado del efecto

GL = Grados de libertad del efecto

Modelo estadístico

En un diseño factorial a*b*c se supone que el comportamiento de la respuesta Y

puede describirse mediante el modelo de efectos dado por:

Yijkl = μ +ai + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (αβγ)ijk + εijkl;

I=1,2,…,a; j=1,2,…,b; k=1,2,…,c; l=1,2,…,n

Donde:

μ = media general
αi = efecto del nivel i-ésimo del factor A
βj = efecto del nivel j del factor B
γk = efecto del nivel k en el factor C
(αβ)ij, (αγ)ik, (βγ)jk = efectos de interacciones dobles (de dos factores) en los niveles
ij, ik, jk, respectivamente.
(αβγ)ijk : efecto de interacción triple en la combinación o punto ijk
εijkl : error aleatorio en la combinación ijkl
l : repeticiones o replicas del experimento

Todos los efectos cumplen la restricción de sumar cero, es decir, son desviaciones
respecto a la medida general μ.
EJERCICIO
4.4 DISEÑO FACTORIAL GENERAL

Todos los Análisis hechos para los Diseños de dos y tres Factores pueden
extenderse al caso General en el que existen "a" niveles del Factor A, "b" niveles
del Factor B, "c" niveles del Factor C,…., y así sucesivamente, ordenados en un
Experimento Factorial. Por lo tanto, en general habrá un total de abc…n
observaciones si existen n réplicas en el Experimento Completo.

Una generalización del Modelo Lineal del Diseño Factorial General estaría dado
por:

REGLAS PARA LAS SUMAS DE CUADRADOS

Las reglas que se presentan a continuación son utilizadas para encontrar las
fórmulas matemáticas de las Sumas de Cuadros, cuando se analizan diseños
experimentales de tres o más factores; ya que a medida aumenta el número de
factores estas expresiones o fórmulas no se pueden determinar fácilmente.

A continuación se plantean estas Reglas tomando como ejemplo el caso de tres

factores, para encontrar la suma de cuadrados del factor C:
Regla 3

Los subíndices de cada término del Modelo deben dividirse en tres partes:

i) Activos: son aquellos que se hallan en el término y no están entre paréntesis.

ii) Pasivos: son los subíndices que están presentes en el Modelo pero que se
encuentran entre paréntesis.

iii) Ausentes: son aquellos subíndices que están presentes en el Modelo pero que
no ocurren en ese término en particular.

Regla 4. Grados de Libertad

Los grados de libertad de cualquier término del Modelo corresponden al producto
del número de niveles asociados con cada subíndice pasivo, y el número de
niveles menos uno, asociados con cada subíndice activo.

Regla 5. Suma de Cuadrados

Para obtener las fórmulas con el fin de calcular las sumas de cuadrados de
cualquier efecto, primero se deben desarrollar los grados de libertad de dicho
efecto.
b) Los signos de sumatoria deben acomodarse de manera que los relacionados
con los subíndices de la forma simbólica de interés (en este caso C), aparezca
primero. El resto de los elementos se deben encerrar entre paréntesis. Para C se
obtiene.

c) La cantidad entre paréntesis debe transformarse en la notación estándar “punto

en el subíndice”, donde el punto que reemplaza al subíndice indica una sumatoria
en este
De tres factores.

Nota: SSAC se obtiene de la combinación de las sumas de cuadrados no

corregida en el último renglón, de acuerdo con los signos en la parte superior de
cada columna.

REGLAS PARA LAS MEDIAS DE CUADRADOS

Estas reglas son muy útiles para encontrar las Medias de Cuadrados para
cualquiera de los Modelos que resultan de un Diseño Factorial de tres o más
factores. A continuación se presentan estas reglas, que serán aplicadas a un
Diseño con tres factores.
c) En las restantes columnas de los renglones se escribe el número de niveles
correspondientes al encabezado de esa columna.

d) Para obtener el valor esperado de la media de cuadrados de cualquier

componente del Modelo, primero se cubren todas las columnas encabezadas por
los subíndices activos de ese componente. A continuación, en cada renglón que
contenga al menos los mismos subíndices que el componente considerado, se
calcula el producto de los números visibles y se multiplica por el factor fijo o
aleatorio apropiado, obtenido mediante la Regla 1. La suma de estas cantidades
corresponden al valor esperado de la media de cuadrados del componente del
Modelo considerado.

Estas reglas pueden ser aplicadas a los Modelos que se van estudiando, para
obtener los valores esperados de un Modelo de Efectos Mixtos de tres Factores,
considerando que el factor A es fijo, el factor B y factor C es aleatorio. Se tiene:
Utilizando estas mismas reglas se obtienen las Medias de Cuadrados Esperados
para un Modelo de Efectos Fijos.