Diseño 2k y 3k. Listo

CURSO:
DISEO DE
EXPERIMENTOS
DOCENTE:
Ing. GAMARRA LEIVA,
Pedro.
Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI
2013
INDICE
I.
INTRODUCCIN ....................................................................................................................... 1
II.
OBJETIVOS ............................................................................................................................... 1
III.
MARCO TEORICO ................................................................................................................. 2
3.1.
Conceptos Bsicos En Diseo Factorial: .................................................................. 2
3.2.
Definiciones: .................................................................................................................. 2
3.4.
Diseo Factorial General:............................................................................................ 4
3.5.
Pasos Para El Anlisis Factorial: ............................................................................... 4
3.6.
Diseos factoriales 2k................................................................................................. 16
....................................................................................................................................................... 17
3.7.
IV.
Diseos factoriales 3k................................................................................................. 17

PLANTEAMIENTO Y RESOLUCION DE LOS PROBLEMAS 2K Y 3K ......................................... 19
4.1.
Problema De Diseo Factorial 23 ............................................................................. 19
4.2.
V. APLICACION, DESARROLLO DE NUESTROS PROBLEMAS CON EL PROGRAMA STATGRAPHICS

CENTURIN XVI ............................................................................................................................. 23
5.1.
VI.
6.1.
VII.
7.2.
VIII.

RESULTADOS E INTERPRETACION DE ANALISIS DE VARIANZA EN STATGRAPHICS ........... 31
CONCLUSIONES ................................................................................................................. 33
BIBLIOGRAFA .................................................................................................................... 33
2013
NDICE DE ILUSTRACIONES
Ilustracin 1: DESARROLLO DEL PROBLEMA EN EL PROGRAMA STATGRAPHICS CENTURIN XVI... 23
Ilustracin 2: Elegimos factorial mltiple ya que el diseo tiene dos niveles y tres factores........... 23
Ilustracin 3: Luego colocamos los nombres de los factores a analizar: concentracin de un
reactivo, pH de la mezcla reaccionante y temperatura de reaccin. ............................................... 24
Ilustracin 4: Colocamos el nombre a nuestra variable respuesta: en este caso es el rendimiento
(expresado en %) de un proceso qumico para obtener un compuesto inorgnico. ........................ 25
Ilustracin 5: Luego como no tenemos replicas en nuestro diseo colocamos el nmero 0 y
deseleccionamos aleatorizar ............................................................................................................. 26
Ilustracin 6: Luego nos aparecen nuestros datos en forma codificada. ......................................... 26
Ilustracin 7: Pero como se est trabajando con pocos datos, colocaremos los datos reales. ........ 27
Ilustracin 8: Luego pegamos nuestros resultados y procedemos analizar el diseo. ..................... 27
Ilustracin 9: ANLISIS DE DISEO.................................................................................................... 28
Ilustracin 10: Seleccionamos la variable a analizar en este caso sera RENDIMIENTO ................... 28
Ilustracin 11: Luego establecemos las condiciones para el anlisis: ............................................... 28
Ilustracin 12: Luego seleccionamos las tablas y grficos que se desea: ......................................... 29
Ilustracin 13: Finalmente nos aparece todo el anlisis del diseo
............................................ 30
2013
NDICE DE TABLAS
Tabla 01: Niveles. .............................................................................................................................. 19
Tabla 2: La matriz del diseo y los resultados experimentales con ocho condiciones experimentales
se representa a continuacin: ........................................................................................................... 19
Tabla 03: Efecto de la temperatura del ambiente y viscosidad del lquido en la energa gastada por
las abejas ........................................................................................................................................... 20
Tabla 4: Anlisis de Varianza para REDIMIENTO ............................................................................... 31
2013
Diseo Factorial 2k y 3k. Aplicaciones

con el Software Statgraphics Centurion
XVI
I.
INTRODUCCIN
Los experimentos factoriales se usan en casi todos los campos de
investigacin. Son de gran valor en el trabajo exploratorio (Niveles ptimos
o combinacin ptima de los factores).
Un diseo factoriales aquel en el que el conjunto de tratamientos esta
conformado por todas las posibles combinaciones de los distintos niveles de
los factores involucrados.
En estadstica, un experimento factorial completo es un experimento cuyo
diseo consta de dos o ms factores, cada uno de los cuales con distintos
valores o "niveles", y cuyas unidades experimentales cubren todas las
posibles combinaciones de esos niveles en todo los factores. Este tipo de
experimentos permiten el estudio del efecto de cada factor sobre la variable
respuesta, as como el efecto de las interacciones entre factores sobre la
dicha variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendra en total cuatro combinaciones de tratamiento, y se le
denominara Diseo Factorial De 22.
II.
OBJETIVOS
Desarrollar problemas de diseo factorial 2k y 3k utilizando el software
statgraphics centurion XVI.
Ing. GAMARRA LEYVA, Pedro.
III.
MARCO TEORICO
3.1.
Conceptos Bsicos En Diseo Factorial:
2013
El objetivo de un diseo factorial es estudiar el efecto de varios factores

sobre una o varias respuestas o caractersticas de calidad, es decir, lo que
se busca es estudiar la relacin entre los factores y la respuesta, con la
finalidad de conocer mejor como es esta relacin y generar conocimiento
que permita tomar acciones y decisiones que mejoren el desempeo del
proceso. Por ejemplo uno de los objetivos particulares ms importantes que
en general tiene un diseo factorial es encontrar nuevas condiciones de
operacin del proceso que eliminen o disminuyen cierto problema de
calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de material,
operador, la presencia o ausencia de una operacin previa, etc.), o de tipo
cuantitativo (temperatura, humedad, velocidad, presin, etc.). Para poder
estudiar la manera en que influye cada factor sobre la variable de
respuesta, es necesario elegir al menos dos niveles de pruebas para cada
uno de ellos (tres mquinas, dos operadores, tres velocidades, dos
temperaturas). Con el diseo factorial completo se corren aleatoriamente en
el proceso todas las posibles combinaciones que pueden formarse con los
niveles seleccionados.
3.2. Definiciones:
Diseo factorial: Diseo experimental que sirve para estudiar el efecto
individual y de interaccin de varios factores sobre una o varias respuestas.
Factor cualitativo: Sus niveles toman valores discretos o de tipo nominal
que no pueden ser fracciones. Ejemplos: mquinas, lotes, marcas, etc.
Factor cuantitativo: Sus niveles de prueba pueden tomar cualquier valor
dentro de cierto intervalo. La escala es continua, como por ejemplo
2013
temperatura, velocidad, presin, etc.

Arreglo factorial: Conjunto de puntos experimentales o tratamientos que
pueden formarse al considerar todas las posibilidades de combinacin de
los niveles de los factores.
Efecto de un factor: Es el cambio observado en la variable de respuesta
debido a un cambio de nivel en el factor.
Efecto principal: Es igual a la respuesta promedio observada en el nivel
alto de un factor menos la respuesta promedio en el nivel bajo.
Efecto de interaccin: Dos factores interactan significativamente sobre la
variable de respuesta cuando el efecto de uno depende del nivel en que
est el otro.
3.3. Ventajas De Los Diseos Factoriales:
a) Son diseos que se pueden aumentar para formar diseos compuestos en
caso de que se requiera una exploracin ms completa.
b) Se pueden corres fracciones de diseos factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigacin que involucra a muchos
factores, cuando interesa descartar de manera econmica los que no son
importantes, antes de hacer un estudio ms detallado con los factores que
s son importantes
c) Pueden utilizarse en combinacin con diseos de bloques en situaciones en
las que no puede correrse todo el diseo factorial completo bajo las mismas
condiciones o circunstancias.
d) La interpretacin y clculo de los efectos en los experimentos factoriales se
puede hacer con aritmtica elemental, en particular cuando cada factor se
prueba en dos niveles.
2013
3.4. Diseo Factorial General:

Considere f factores A, B, C,, K con niveles a, b, c,, k respectivamente,
donde la letra K denota al f-simo o ltimo factor del conjunto a estudiar, no
necesariamente al dcimoprimero que es lugar de esta letra en el alfabeto.
Con estos niveles y factores se puede construir el diseo factorial general a
x b x x k, que consiste de a x b x x k tratamientos o puntos de prueba.
Con este diseo se pueden estudiar f efectos principales, f(f-1)/2
interacciones dobles, f(f-1)(f-2)/(3 x 2) interacciones triples, y as
sucesivamente hasta la nica interaccin de los f factores (ABCK). el
clculo del nmero de interacciones de cierta cantidad m de factores se
( )
hace mediante la operacin combinaciones de f en m

)
) que cuenta el nmero de maneras diferentes de seleccionar m
factores de los f, donde f! = f x (f-1) x x 2 x 1. En resumen con el factorial

general descrito se pueden estudiar los siguientes 2f 1 efectos.
3.5. Pasos Para El Anlisis Factorial:
( )
( )
)
)
) )
2013
a) PRIMER PASO: OBJETIVOS DEL ANLISIS FACTORIAL

El punto de comienzo en el anlisis factorial es el problema objeto de
investigacin. El propsito general de las tcnicas analticas de factores es
encontrar una manera de resumir la informacin contenida en una serie de
variables originales en una serie mas pequea de dimensiones compuestas
o factores nuevos con una mnima perdida de datos.
Las tcnicas del anlisis factorial pueden satisfacer cualquiera de estos 2
objetivos:
a.1. La identificacin de estructura mediante el resumen de datos.
a.2. La reduccin de datos
a.1. La identificacin de estructura mediante resumen de datos
El anlisis factorial puede identificar la estructura de las relaciones entre las
variables mediante la investigacin de las correlaciones entre las variables.
Por ejemplo supongamos que tenemos 100 encuestados basados en 10
caractersticas. Si el objetivo de la investigacin fuera el resumen de las
caractersticas, se aplicara el anlisis factorial a una matriz de correlacin
de las variables. A este tipo de anlisis factorial se le conoce como anlisis
factorial R. ste analiza una serie de variables para identificar las
dimensiones que son latentes (que no son fciles de observar). Tambin se
puede aplicar el anlisis factorial a la matriz de correlacin de los
encuestados individuales basada en sus caractersticas. A ste tipo se le
denomina anlisis factorial Q, siendo un mtodo para combinar grandes
grupos de personas en grupos claramente diferentes dentro de una
poblacin mayor. Pero generalmente para analizar este tipo de cuestiones
se utiliza el tipo de anlisis cluster.
a.2. Reduccin de datos
El anlisis factorial tambin puede: identificar las variables suplentes de una
2013
serie de variables ms grande para su utilizacin en anlisis de

multivariantes posteriores o crear una serie de valores completamente
nueva, mucho ms pequea en nmero, para reemplazar parcial o
completamente la serie original de variables para su inclusin en tcnicas
posteriores. En ambos casos el propsito es retener la naturaleza y el
carcter de las variables originales, pero reducir su nmero.
El resumen de datos hace que la identificacin de los factores sean fines de
por s; las estimaciones de los factores y las contribuciones de cada
variable a los factores constituyen todo lo que se necesita para el anlisis.
b) SEGUNDO PASO: EL DISEO DE UN ANLISIS FACTORIAL
El diseo de un anlisis factorial implica tres decisiones bsicas:
b.1. Clculo de datos de entrada
b.2. El diseo de estudio en termino de numero de variables, las propiedades de
medicin y los tipos permisibles
b.3. El tamao de muestra
b.1. Las correlaciones entre las variables
La primera decisin en el diseo se concentra en la aproximacin que se
usa para calcular la matriz de correlacin tanto para el anlisis de tipo R
como para el del tipo Q. el investigador puede ocupar la matriz de datos de
entrada a partir del clculo de las correlaciones entre las variables,
empleando el anlisis del tipo R. el investigador tambin pude elegir la
matriz de correlacin de las correlaciones entre los encuestados
individuales. En este tipo de anlisis, el resultado ser una matriz factorial
que identifica sujetos similares.
b.2. La seleccin de variables y cuestiones de medicin
Ahora es necesario abordar 2 preguntas: Cmo se miden las variables? Y
Cuntas variables deberan ser? Se supone que las variables a incluir en
2013
el anlisis tienen escala mtrica. En algunos casos, se pueden utilizar

variables ficticias (codificadas 0-1), aunque se consideran como no
mtricas.
Adems, el investigador debe intentar minimizar el nmero de variables
que se incluyen; no obstante, debe mantener un numero razonable de
variables por factor. Si se est diseando un estudio para valorar una
estructura propuesta, el investigador deber incluir varias variables (cinco o
ms) que deban representar cada factor propuesto.
b.3. Tamao muestral
Generalmente el investigador no usara el anlisis factorial para una muestra
inferior a 50 observaciones, y preferiblemente el tamao muestral debera
ser 100 o ms grande. Como regla general, el mnimo es tener por lo
menos un nmero de observaciones cinco veces mayor que el nmero de
variables a ser analizadas.
c) TERCER PASO: SUPUESTOS EN EL ANLISIS FACTORIAL
Los supuestos bsicos subyacentes del anlisis factorial son ms de tipo
conceptual que estadstico. Desde un punto de vista estadstico, se pueden
obviar supuestos de normalidad, homocedasticidad y linealidad siendo
consientes de que su incumplimiento produce una disminucin en las
correlaciones observadas. En realidad, solo es necesaria la normalidad
cuando se aplica una prueba estadstica a la significacin de los factores;
sin embargo, raramente se utilizan estas pruebas. De hecho es deseable
que haya cierto grado de multicolinealidad, dado que el objetivo es
identificar series de variables interrelacionadas.
Adicionalmente a las bases estadsticas para las correlaciones de la matriz
de datos, el investigador tiene que asegurarse tambin de que la matriz
tiene suficientes correlaciones para justificar la aplicacin de dicho anlisis.
2013
Si la inspeccin visual revela que no hay nmero sustancial de

correlaciones mayores a 0.30, entonces el anlisis es inapropiado.
Otra manera de determinar la conveniencia del anlisis es examinar la
matriz de correlacin entera. El contraste de esfericidad de Bartlett, una
prueba estadstica para la presencia de correlaciones entre variables, es
una de estas herramientas. Proporciona la probabilidad estadstica de que
la matriz de correlacin de las variables sea una matriz identidad.
Otra medida para cuantificar el grado de intercorrelaciones entre las
variables y la conveniencia del anlisis es la medida de suficiencia de
muestreo (MSA). Este ndice se extiende de 0 a 1, llegando a 1 cuando
cada variable es perfectamente predicha sin error por las otras variables.
Los supuestos conceptuales que subyacen en el anlisis factorial se
relacionan con la serie de variables seleccionadas y la muestra elegida. Un
supuesto bsico del anlisis factorial es que existe una estructura
subyacente en la serie de variables seleccionadas. Es responsabilidad del
investigador asegurarse
de que las pautas observadas sean validas y
conceptualmente apropiadas para utilizar el anlisis factorial.

d) CUARTO PASO: LA ESTIMACIN DE LOS FACTORES Y LA VALORACIN DEL
AJUSTE GENERAL
Una vez que se especifican las variables y se separa la matriz de
correlacin, ya se est preparado para aplicar el anlisis factorial que
identifique la estructura subyacente de las relaciones. Para realizar esta
operacin, es necesario tomar decisiones con respecto a: el mtodo de
extraccin de los factores; y el nmero de factores seleccionados para
representar la estructura subyacente de los datos. La seleccin del mtodo
depende del objetivo del investigador. Se utiliza el anlisis de componentes
principales cuando el objetivo es resumir la mayora de la informacin
original (varianza) en una cantidad mnima de factores con propsitos de
2013
prediccin. Por el contrario, se utiliza el anlisis factorial comn para

identificar los factores subyacentes o las dimensiones que reflejan qu es lo
que las variables comparten en comn.
d.1. El anlisis factorial comn frente a anlisis de componentes
El investigador puede usar dos modelos bsicos para obtener soluciones
factoriales. Estos se conocen como anlisis factorial comn y anlisis de
componentes principales. Con el fin de seleccionar el modelo apropiado, en
primer lugar el investigador tiene que comprender las diferencias entre los
tipos de varianzas. Para los propsitos del anlisis factorial, existen tres
tipos de varianza total:
1. Comn
2. Especifica (nica)
3. Error
Se define la varianza comn como aquella que se comparte con todas las
otras variables en el anlisis. La varianza especfica es aquella asociada
solamente con una variable especfica. La varianza de error es aquella que
se debe a la poca fiabilidad en el proceso de recoleccin de datos, error de
medicin o componente aleatorio en el fenmeno medido.
El anlisis de componentes principales considera la varianza total y estima
los factores que contienen proporciones bajas de la varianza nica, y en
algunos casos, de la de error.
En el anlisis factorial comn se incorporan las varianzas compartidas en la
diagonal.
La seleccin de un modelo u otro se basa en 2 criterios:
1. Los objetivos del anlisis factorial
2. El grado de conocimiento anterior acerca de las varianzas
El anlisis de componentes principales
2013
es apropiado cuando el inters
principal se centra en la prediccin o el mnimo numero de factores

necesarios para justificar la porcin mxima de la varianza representada en
la serie de variables original, y cundo el conocimiento previo sugiere que la
varianza especifica y de error representan una porcin relativamente
pequea de la varianza total. Por el contrario cuando el objetivo es
identificar las dimensiones latentes o las construcciones representadas en
las variables originales y el investigador tiene poco conocimiento acerca de
la varianza especifica y de error, lo mas apropiado es usar el modelo
factorial comn.
d.2. Criterios para el clculo del nmero de factores a ser extrados
En general se utilizan los siguientes criterios para la extraccin del nmero
de factores:
Criterio de raz latente. Es la tcnica ms utilizada por su sencillez. La
racionalidad que se usa es que cualquier factor individual debera justificar
la varianza de por lo menos una nica variable. Cada variable contribuye
con un valor de 1 para el autovalor total. Por tanto, slo se consideran los
factores que tienen races latentes; explican al menos una variable, se
considera que todos los factores con races latentes menores que 1 no son
significativas y por tanto, se desestiman a la hora de incorporarlos a la
interpretacin.
Criterio a priori. El criterio a priori es un criterio simple y a la vez razonable
bajo ciertas circunstancias. Con su aplicacin, el investigador ya sabe
cuntos factores hay que extraer antes de iniciar el anlisis factorial. El
investigador simplemente instruye al computador para parar el anlisis
cuando se haya extrado el nmero de factores deseado.
Criterio de porcentaje de la varianza. El criterio de porcentaje de varianza
es una aproximacin que se basa en obtener un porcentaje acumulado
especificado de la varianza total extrada. El propsito es asegurar una
10
2013
significacin prctica de los factores derivados, asegurando que explican

por lo menos una cantidad especificada de la varianza. En las ciencias
naturales, el procedimiento de factores normalmente no debera ser
detenido hasta que los factores extrados cuenten con por lo menos un 95%
de la varianza o hasta que el factor justifique solamente una pequea
porcin (menos del 5%). Por contraste, en las ciencias sociales, donde la
informacin muchas veces es menos precisa, es normal considerar una
solucin que represente un 60% de la varianza total como satisfactoria.
Criterio de contraste de cada. El contraste de cada se utiliza para
identificar el nmero ptimo de factores que pueden ser extrados antes de
que la cantidad de la varianza nica empiece a dominar en la varianza
comn. Se estima el contraste de cada con el trazo de races latentes en
funcin del nmero de factores en su orden de extraccin, y se utiliza la
forma de la curva consiguiente para evaluar el punto de corte.
Heterogeneidad de la muestra. La existencia de varianza compartida
entre las variables es el ncleo tanto de los modelos de factores comunes
como de los de componentes. Un supuesto subyacente es que la varianza
compartida se extiende a lo largo de toda la muestra. Si la muestra es
heterognea al menos con respecto a un subconjunto de variables, los
primeros
factores
representaran
aquellas
variables
que
son
ms
homogneas a lo largo de toda la muestra. Las variables con mayor

capacidad de discriminar entre subconjuntos muestrales cargaran sobre los
ltimos factores.
e) QUINTO PASO: INTERPRETACIN DE LOS FACTORES
Para interpretar los factores y seleccionar la solucin factorial definitiva se
deben seguir tres pasos.
En primer lugar, se calcula la matriz inicial de factores no rotados para que
nos d una indicacin preliminar acerca del nmero de factores a extraer.
La matriz de factores contiene las cargas factoriales para cada variable
11
2013
sobre cada factor. Al calcular la matriz de factores no rotada, el investigador

simplemente est interesado en la mejor combinacin lineal de variables, es
decir, en encontrar aquella combinacin particular de las variables
originales que cuenta con el mayor porcentaje de varianza de los datos. En
consecuencia, el primer factor puede contemplarse como el mejor resumen
de las relaciones lineales que los datos manifiestan.
El segundo factor se define como la segunda mejor combinacin lineal de
las variables, sujeta a la restriccin de que sea ortogonal al primer factor.
Para ser ortogonal al primer factor el segundo factor debe derivarse de la
varianza restante tras la extraccin del primer factor. As, el segundo factor
puede definirse como la combinacin lineal de las variables que da cuenta
del mayor porcentaje de la varianza residual una vez se ha eliminado de los
datos el efecto del primer factor. Los factores subsiguientes se definen de
forma anloga hasta haber agotado la varianza de los datos.
Las soluciones factoriales no rotadas alcanzan el objetivo de reduccin de
los datos, pero el investigador debe preguntarse si la solucin factorial no
rotada facilita una informacin que ofrezca la interpretacin ms adecuada
de las variables examinadas. La mayor de las veces no resulta as. La
carga factorial es el medio para interpretar la funcin que cada variable
desempea al definir cada factor. Las cargas factoriales son la correlacin
entre cada variable y el factor. Las cargas indican el grado de
correspondencia entre cada variable y el factor, haciendo una variable con
mayor carga representativa del factor. La solucin factorial no rotada puede
no dar un patrn significativo de cargas de las variables. Si se espera que
los factores no rotados sean significativos, el usuario puede especificar que
la rotacin no se lleve a cabo. Generalmente la rotacin es deseable porque
simplifica la estructura de los factores, y habitualmente es difcil determinar
si los factores no rotados sern significativos. Por tanto, el segundo paso
hace un uso de un mtodo de rotacin para lograr soluciones factoriales
12
2013
ms simples y tericamente ms significativas. En muchos casos la rotacin

de los factores mejora la interpretacin disminuyendo alguna de las
ambigedades que a menudo acompaan a las soluciones factoriales
inicialmente no rotadas.
En una tercera etapa, el investigador valora la necesidad de especificar de
nuevo el modelo de factores debido a:
1. La eliminacin de variables en el anlisis
2. El deseo de emplear un mtodo de rotacin diferente para la interpretacin
3. La necesidad de extraer un numero diferente de factores
4. El deseo de cambiar de un mtodo de extraccin a otro
La especificacin nueva del modelo factorial viene acompaada de la vuelta
a la etapa de extraccin, rotacin de factores y de nuevo a su
interpretacin.
e.1. Rotacin de factores
Una herramienta importante al interpretar los factores es la rotacin de
factores. El termino rotacin significa exactamente lo que indica.
Concretamente, se giran en el origen los ejes de referencia de los factores
hasta alcanzar una determinada posicin. Como se indico previamente, las
soluciones factoriales no rotadas extraen factores segn su orden de
importancia. El primer factor tiende a ser un factor general por el que casi
toda variable se ve afectada significativamente dando cuenta del mayor
porcentaje de varianza. El segundo y siguientes factores se basan en la
varianza residual. Cada uno explica porcentajes de varianza cada vez
menores. El efecto ltimo de rotar la matriz de factores es redistribuir la
varianza de los primeros factores a los ltimos para lograr un patrn de
factores ms simple y tericamente ms significativo.
13
2013
ANOVA para el diseo factorial general a x b x x k

Fuente de Variacin
Suma de Cuadrados
Grados de libertad
SCA
a-1
SCK
k-1
SCAB
(a-1)(b-1)
SC(K-1)K
(l-1)(k-1)
SCABC
(a-1)(b-1)(c-1)
SC(K-2)(K-1)K
(m-1)(l-1)(k-1)
SCABK
(a-1)(b-1)(k-1)
Error
SCE
abck(n-1)
Total
SCT
(abckn)-1
La suma de cuadrados totales est dada por
Donde N = abc kn es el total de observaciones en el experimento; los

subndices k y m representan al tercero y ltimo factor, respectivamente.
14
2013
Las sumas de cuadrados de efectos son:
Finalmente, la suma de cuadrado del error se calcula por

)
Slo en el caso irreal de que todos los posibles efectos en el factorial general
estn activos, es necesario realizar al menso dos rplicas del experimento.
En las situaciones reales se replican al menso dos veces (y no siempre) slo
los diseos factoriales consistentes de 16 o menos puntos de prueba.
15
2013
3.6. Diseos factoriales 2k

En diseos industriales es frecuente considerar dos niveles para cada uno
de los factores que pueden intervenir en el diseo experimental. Un diseo
con k factores que tienen dos niveles requiere un nmero de replicaciones
igual a 2k observaciones. En este tipo de Modelos se asume que los efectos
son fijos y la aleatorizacin completa y se consideran las mismas
restricciones que en el caso de los diseos factoriales tpicos.
a) EL DISEO 23
Se introduce un breve resumen de este modelo. Supongamos que se tienen
tres factores binarios A, B y C. El nmero de posibles combinaciones es 8, y
con n replicaciones se tiene un total de8nobservaciones.
Para calcular los efectos se puede usar la siguiente tabla o matriz de
diseo:
La primera fila es la identidad y cualquier fila multiplicada por ella

permanece invariante. El resto de filas tiene el mismo nmero de signos + y
signos. Se pueden obtener los contrastes y los efectos sustituyendo los
signos +por 1 y lospor1, como se vea continuacin.
Por otro lado se pueden obtener las distintas filas a partir del producto
16
2013
entre ellas, por ejemplo:
3.7. Diseos factoriales 3k

Este diseo es una variacin del diseo 2k y son muy tiles como las que se
emplean cuando todos los factores actan a tres niveles.
En los ltimos aos se ha observado un creciente inters por algunas de las
ideas del profesor Genechi Taguchi acerca del diseo experimental y su
aplicacin al mejoramiento de la calidad.
Este es un diseo que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras maysculas.
Los tres niveles de los factores pueden referirse como nivel inferior,
intermedio y superior. Estos niveles se representan mediante los dgitos 0
(nivel inferior), 1 (intermedio) y 2 (superior).
Cada combinacin de tratamientos de un diseo 3k se presenta mediante k
dgitos, donde el primero incida el nivel de A, el segundo seale al nivel de
B, ..... y el k-simo dgito, el nivel del factor k.
Por ejemplo, es un diseo 32 el 00 representa la combinacin de
tratamientos, en la que tanto el factor A como el B estn en el nivel inferior,
y el 01 representa la combinacin de tratamientos que corresponde al factor
A en el nivel inferior y a B en el nivel intermedio.
En ste, el sistema de notacin que se prefiere usar es el de + - en virtud de
que facilita la interpretacin geomtrica del diseo y de que es directamente
17
2013
aplicable al modelado por regresin, la formacin de bloques y la

construccin de factoriales fraccionarios.
La adicin de un tercer nivel permite modelar con una relacin cuadrtica la
relacin entre la respuesta y cada factor.
a) DISEO 32
El diseo ms simple es el 32 que consta de dos factores con tres niveles
cada uno.
Como hay 32= 9 combinaciones de tratamientos, existen 8 grados de
libertad entre ellas, Los efectos principales A y B tienen dos grados de
libertad cada uno, y la interaccin AB tiene cuatro grados de libertad. Si
hay n rplicas habr un total de n32- 1 grado de libertad, correspondiendo
para el error 32(n-1) grados de libertad.
18
2013
IV.
PLANTEAMIENTO Y RESOLUCION DE LOS PROBLEMAS 2K Y 3K
4.1. Problema De Diseo Factorial 23

Se desea estudiar el efecto sobre el rendimiento (expresado en %) de un
proceso qumico para obtener un compuesto inorgnico de tres factores de
manera simultnea: concentracin de un reactivo, pH de la mezcla
reaccionante y temperatura de reaccin.
Con este objetivo se disea un experimento factorial 2 3 bajo las siguientes
condiciones experimentales:
Tabla 01: Niveles.
c(mol/L)
pH
T(C)
Nivel(-)
0.8
50
Nivel(+)
1.2
70
Tabla 2: La matriz del diseo y los resultados experimentales con ocho

condiciones experimentales se representa a continuacin:
Exp.
c(mol/L)
pH
T(C)
Rendimiento (%)
56
52.5
37.8
54.2
69
72
49.1
70.6
19
2013

Se presenta un experimento en donde un entomlogo realizo un
experimento sobre la energa consumida por las abejas al beber un lquido ,
para determinar el efecto de la temperatura del ambiente y la viscosidad del
lquido en el consumo de energa. Los niveles de temperatura (T) fueron 20,
30 y 40 C, la viscosidad del lquido se control por las concentraciones de
sacarosa (S), que eran de 20, 40 y 60% del total de slidos disueltos en el
lquido que beban las abejas. El entomlogo registro la energa gastada por
las abejas en joules/segundo. Los datos que se presentan en la tabla
corresponden a tres rplicas de cada uno de los nueve tratamientos.
Tabla 03: Efecto de la temperatura del ambiente y viscosidad del lquido en
la energa gastada por las abejas
Sacarosa ( %)
Temperatura
( C )
20
30
40
20
40
60
3.1
5.5
7.9
3.7
6.7
9.2
4.7
7.3
9.3
11.5
17.5
6.9
12.9
15.8
7.5
13.4
14.7
7.7
15.7
19.1
8.3
14.3
18
9.5
15.9
19.9
El modelo propuesto para este conjunto de datos es:
20
2013
con i; j = 0; 1; 2 y k = 1; 2; 3 y, donde; yijk es la energa gastada en la iesima temperatura j-esima concentracin de sacarosa y k-esima rplica, i
es el efecto de la i-esima temperatura, j es el efecto de la j-esima
concentracin de sacarosa y ()ij es el efecto de interaccin entre la iesima temperatura y j-esima concentracin de sacarosa.
a) ANLISIS DE VARIANZA
a.1. Suma de cuadrados:
21
2013
b) RESULTADOS:
gl
SC
CM
Temperatura
(T)
293,16
146,58
162,00
Sacarosa (S)
309,96
154,98
171,25
T*S
27,13
6,78
7,49
Error
18
16,28
0,905
Total
26
646,53
22
2013
V.
APLICACION, DESARROLLO DE NUESTROS PROBLEMAS CON EL

PROGRAMA STATGRAPHICS CENTURIN XVI

Ilustracin 1: DESARROLLO DEL PROBLEMA EN EL PROGRAMA
STATGRAPHICS CENTURIN XVI
Ilustracin 2: Elegimos factorial mltiple ya que el diseo tiene dos

niveles y tres factores.
23
2013
Ilustracin 3: Luego colocamos los nombres de los factores a analizar:

concentracin de un reactivo, pH de la mezcla reaccionante y temperatura
de reaccin.
24
2013
Ilustracin 4: Colocamos el nombre a nuestra variable respuesta: en este

caso es el rendimiento (expresado en %) de un proceso qumico para obtener
un compuesto inorgnico.
25
2013
Ilustracin 5: Luego como no tenemos replicas en nuestro diseo colocamos

el nmero 0 y deseleccionamos aleatorizar
Ilustracin 6: Luego nos aparecen nuestros datos en forma codificada.
26
2013
Ilustracin 7: Pero como se est trabajando con pocos datos, colocaremos los
datos reales.
Ilustracin 8: Luego pegamos nuestros resultados y procedemos analizar el

diseo.
27
2013
Ilustracin 9: ANLISIS DE DISEO
Ilustracin 10: Seleccionamos la variable a analizar en este caso sera

RENDIMIENTO
I
28
2013
lustracin 11: Luego establecemos las condiciones para el anlisis:
Ilustracin 12: Luego seleccionamos las tablas y grficos que se desea:
29
2013
Ilustracin 13: Finalmente nos aparece todo el anlisis del diseo
30
2013
VI.
RESULTADOS E INTERPRETACION DE ANALISIS DE VARIANZA

EN STATGRAPHICS

Tabla 4: Anlisis de Varianza para REDIMIENTO
Fuente
Suma De
Cuadrados
Gl
Cuadrado
Medio
Razn-F
Valor-P
A:Concentracin
118.08
118.08
481.96
0.0290
B:Ph
81.4536
81.4536
332.46
0.0349
C:Temperatura
1.9375
1.9375
7.91
0.2175
Ab
184.32
184.32
752.33
0.0232
Ac
16.82
16.82
68.65
0.0765
Bc
2.88
2.88
11.76
0.1807
Error Total
0.245
0.245
Total (Corr.)
1010.72
a) INTERPRETACIN
= nivel de significancia= 0.05 5%
P= Probabilidad de significacin experimental
P<
se rechaza la hiptesis.
P>
se acepta la hiptesis.
Vemos que los valores de probabilidad de significacin experimental tanto

de la concentracin y Ph son menores que el nivel de significancia, por lo
tanto se procede a rechazar la hiptesis Ho. Pero el valor de probabilidad
de significacin experimental para la temperatura es mayor que el nivel de
significancia, entonces en este caso se acepta la hiptesis Ho.
31
2013
Tabla 5: Anlisis de Varianza para ENERGIA

Fuente
Suma de
Cuadrados
Gl
Cuadrado
Medio
Razn-F
Valor-P
280.056
280.056
287.54
0.0000
304.222
304.222
312.35
0.0000
AA
13.103
13.103
13.45
0.0014
AB
22.9633
22.9633
23.58
0.0001
BB
5.7363
5.7363
5.89
0.0243
Error total
20.4537
21
0.973986
Total (corr.)
646.534
26
A:Temperatura
B:Concentraciones
de sacarosa
a) INTERPRETACIN:
= nivel de significancia= 0.05 5%

P= Probabilidad de significacin experimental
P<
se rechaza la hiptesis.
P>
se acepta la hiptesis.
Vemos que todos los valores de probabilidad de significacin experimental

son menores que el nivel de significancia, por lo tanto se procede a
rechazar la hiptesis Ho.
32
VII.
2013
CONCLUSIONES

La temperatura influye significativamente en la variable respuesta que viene
a ser el rendimiento mientras que la concentracin y el pH no influyen
significativamente en el rendimiento del diseo experimental.
Demostramos que el rendimiento del proceso qumico para obtener un
compuesto inorgnico se ve afectada por la temperatura de reaccin mas
no por la concentracin de un reactivo ni por el pH de la mezcla.
Las abejas al beber el lquido en cuestin, registraron valores de prdidas
de energa, pero los factores en este caso la temperatura y la viscosidad del
lquido, no influyeron significativamente en este proceso ya que como se
observa la hiptesis fue rechazada.
VIII.
BIBLIOGRAFA
A.M, L. P. (2001). DISEO ESTADSTICO DE EXPERIMENTOS, ANLISIS
DE LA VARIANZA. Proyecto Sur.
Kuehl, R. O. (2001). DISEO DE EXPERIMENTOS. International Thomson.
Montgomery, D. C. (1991). DISEO Y ANLISIS DE EXPERIMENTOS. .
Grupo Editorial Iberoamrica.
http://argo.urv.es/quimio/general/doecast.pdf
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema3D
E.pdf
http://www.est.uc3m.es/esp/nueva_docencia/leganes/ing_industrial/estadisti
ca_II/practicas/Practica%20de%20Disenios2.pdf
33

Diseño 2k y 3k. Listo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diseño 2k y 3k. Listo

Uploaded by

Copyright:

Available Formats

CURSO:

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

MARCO TEORICO ................................................................................................................. 2

Conceptos Bsicos En Diseo Factorial: .................................................................. 2

Diseo Factorial General:............................................................................................ 4

Pasos Para El Anlisis Factorial: ............................................................................... 4

Diseos factoriales 2k................................................................................................. 16

Diseos factoriales 3k................................................................................................. 17

Problema De Diseo Factorial 23 ............................................................................. 19

Problema De Diseo Factorial 32 ............................................................................. 20

V. APLICACION, DESARROLLO DE NUESTROS PROBLEMAS CON EL PROGRAMA STATGRAPHICS

Problema De Diseo Factorial 23 ............................................................................. 23

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

Diseo Factorial 2k y 3k. Aplicaciones

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

Conceptos Bsicos En Diseo Factorial:

El objetivo de un diseo factorial es estudiar el efecto de varios factores

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

temperatura, velocidad, presin, etc.

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

3.4. Diseo Factorial General:

hace mediante la operacin combinaciones de f en m

) que cuenta el nmero de maneras diferentes de seleccionar m

factores de los f, donde f! = f x (f-1) x x 2 x 1. En resumen con el factorial

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

a) PRIMER PASO: OBJETIVOS DEL ANLISIS FACTORIAL

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

serie de variables ms grande para su utilizacin en anlisis de

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

el anlisis tienen escala mtrica. En algunos casos, se pueden utilizar

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

Si la inspeccin visual revela que no hay nmero sustancial de

de que las pautas observadas sean validas y

conceptualmente apropiadas para utilizar el anlisis factorial.

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

prediccin. Por el contrario, se utiliza el anlisis factorial comn para

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

El anlisis de componentes principales

es apropiado cuando el inters

principal se centra en la prediccin o el mnimo numero de factores

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

significacin prctica de los factores derivados, asegurando que explican

homogneas a lo largo de toda la muestra. Las variables con mayor

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

sobre cada factor. Al calcular la matriz de factores no rotada, el investigador

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

ms simples y tericamente ms significativas. En muchos casos la rotacin

Ing. GAMARRA LEYVA, Pedro.

Diseo Factorial 2k y 3k . Aplicaciones con el Software Statgraphics Centurion XVI

ANOVA para el diseo factorial general a x b x x k

La suma de cuadrados totales est dada por

Donde N = abc kn es el total de observaciones en el experimento; los

Ing. GAMARRA LEYVA, Pedro.