TECNOLOGICO NACIONAL DE MXICO

CEDE LZARO CRDENAS

PROFESORA: ARIANA CEBALLOS HUERTA

MATERIA: ANALISIS DE DATOS EXPERIMENTALES
GRADO Y GRUPO: 31X
CARRERA: INGENIERA QUMICA
ALUMNO: Carlos Ulises Cortes Jimnez

DISEO DE EXPERIMENTOS DE 2 O MAS

FACTORES

Cd. Y Pto. Lzaro Crdenas, Mich. 17 de noviembre del 2015

INDICE
INTRODUCCIN..3
DISEO DE EXPERIMENTOS DE 2 O MAS FACTORES4

ALEATORIZAR5
BLOQUEAR..5
FACTORIZAR...6

DISEO COMPLETAMENTE ALEATORIZADO.6

DISEO DE BLOQUESALEATORIZADO......6
DISEOS CON DOS O MS FACTORES BLOQUE7

DISEOS DE CUADRO LATINO....9

DISEOS FACTORIALES...11
DISEOS FACTORIALES CON DOS FACTORES..15
DISEOS FACTORIALES CON TRES FACTORES..21
EJEMPLO 1.- (FACTORIAL)..25
EJEMPLO2.- (CUADRO LATINO).31
CONCLUSIN...34

INTRODUCCIN
Los conceptos y mtodos estadsticos no son slo tiles, sino que con frecuencia
son indispensables para entender el mundo que nos rodea. Proporcionan formas de
obtener ideas nuevas del comportamiento de muchos fenmenos que se
presentarn en su campo de especializacin escogido en ingeniera o ciencia.
Todas nuestras actividades asociadas con planear y realizar estudios de
investigacin tienen implicaciones estadsticas. Los principios que se presentan en
el constituyen la base para la estructura de un estudio de investigacin; a su vez,
esa estructura define la funcin del estudio. Si la estructura es razonable, el estudio
funcionar de manera adecuada y se obtendr la informacin para la que fue
diseado. Si la estructura tiene fallas, el estudio no funcionar bien y presentar
informacin incompleta o errnea. Los principios estadsticos son los asociados con
la recoleccin de aquellas observaciones que proporcionen la mayor cantidad de
informacin para el estudio de investigacin de una manera eficiente. Incluyen el
diseo de tratamientos, el control local de la variabilidad, el nmero de rplicas, la
aleatorizacin y la eficiencia de los experimentos.
Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
inters y, si existe influencia de algn factor, cuantificar dicha influencia.
Considere una situacin en la que haya inters por estudiar el efecto de dos
factores, A y B, sobre alguna respuesta. Por ejemplo, en un experimento qumico
nos gustara variar en forma simultnea la presin de reaccin y el tiempo de
reaccin, y estudiar el efecto que cada uno tiene sobre el producto.
En muchas situaciones experimentales, existen dos o ms factores que son de
inters simultneo. En conclusin, el siguiente trabajo dar una amplia gama de
informacin para investigar tales situaciones multifactoriales.

DISEO DE EXPERIMENTOS DE 2 O MAS FACTORES

El diseo estadstico de experimentos es precisamente la forma ms eficaz de
hacer pruebas. El diseo de experimentos consiste en determinar cules pruebas
se deben realizar y de qu manera, para obtener datos que, al ser analizados
estadsticamente, proporcionen evidencias objetivas que permitan responder las
interrogantes planteadas, y de esa manera clarificar los aspectos inciertos de un
proceso, resolver un problema o lograr mejoras. Algunos problemas tpicos que
pueden resolverse con el diseo y el anlisis de experimentos son los siguientes:
1. Comparar a dos o ms materiales con el fin de elegir al que mejor cumple
los requerimientos.
2. Comparar varios instrumentos de medicin para verificar si trabajan con la
misma precisin y exactitud.
3. Determinar los factores (las x vitales) de un proceso que tienen impacto
sobre una o ms caractersticas del producto final.
4. Encontrar las condiciones de operacin (temperatura, velocidad, humedad,
por ejemplo) donde se reduzcan los defectos o se logre un mejor desempeo
del proceso.
5. Reducir el tiempo de ciclo del proceso.
6. Hacer el proceso insensible o robusto a oscilaciones de variables
ambientales.
7. Apoyar el diseo o rediseo de nuevos productos o procesos.
8. Ayudar a conocer y caracterizar nuevos materiales.

Principios bsicos en el diseo de experimentos

Al planificar un experimento hay tres principios bsicos que se deben tener
siempre en cuenta:
- El principio de aleatorizacin.
- El bloqueo.
- La factorizacin del diseo.
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para
asignar los tratamientos a las unidades experimentales sin preocuparse de
qu tratamientos considerar. Por el contrario, la factorizacin del diseo
define una estrategia eficiente para elegir los tratamientos sin considerar en
absoluto como asignarlos despus a las unidades experimentales.

 ALEATORIZAR
Aleatorizar todos los factores no controlados por el experimentador en el diseo
experimental y que pueden influir en los resultados sern asignados al azar a las
unidades experimentales.
Ventajas de aleatorizar los factores no controlados:

Transforma la variabilidad sistemtica no planificada en variabilidad no

planificada o ruido aleatorio. Dicho de otra forma, aleatorizar previene contra
la introduccin de sesgos en el experimento.
Evita la dependencia entre observaciones al aleatorizar los instantes de
recogida muestral.
Valida muchos de los procedimientos estadsticos ms comunes.

BLOQUEAR
Se deben dividir o particionar las unidades experimentales en grupos
llamados bloques de modo que las observaciones realizadas en cada bloque se
realicen bajo condiciones experimentales lo ms parecidas posibles.
A diferencia de lo que ocurre con los factores tratamiento, el experimentador no est
interesado en investigar las posibles diferencias de la respuesta entre los niveles de
los factores bloque.
Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.
La ventaja de bloquear un factor que se supone que tienen una clara influencia en
la respuesta, pero en el que no se est interesado, es la siguiente:
Convierte la variabilidad sistemtica no planificada en variabilidad sistemtica
planificada.
Ejemplo
Se desea investigar las posibles diferencias en la produccin de dos mquinas, cada
una de las cuales debe ser manejada por un operario.
En el planteamiento de este problema la variable respuesta es la produccin de
una mquina (en un da), el factor-tratamiento en el que se est interesado es el
tipo de mquina que tiene dos niveles y un factor nuisance es el operario que
maneja la mquina. En el diseo del experimento para realizar el estudio se pueden
utilizar dos estrategias para controlar el factor operario que maneja la mquina.

Aleatorizar: se seleccionan al azar dos grupos de operarios y se asigna al azar

cada grupo de operarios a cada una de las dos mquinas. Finalmente se evala la
produccin de las mismas.
Bloquear: se introduce el factor-bloque operario. Se elige un nico grupo de
operarios y todos ellos utilizan las dos mquinas.
LA FACTORIZACIN DEL DISEO
Un diseo factorial es una estrategia experimental que consiste en cruzar los
niveles de todos los factores tratamiento en todas las combinaciones posibles.
Ventajas de utilizar los diseos factoriales:

Permiten detectar la existencia de efectos interaccin entre los diferentes

factores tratamiento.
Es una estrategia ms eficiente que la estrategia clsica de examinar la
influencia de un factor manteniendo constantes el resto de los factores.

DISEO COMPLETAMENTE ALEATORIZADO

El experimentador asigna las unidades experimentales a los tratamientos al azar.
La nica restriccin es el nmero de observaciones que se toman en cada
tratamiento. De hecho si ni es el nmero de observaciones en el i-simo
tratamiento, i = 1,..,I, entonces, los valores n1,n2,...,nI determinan por completo las
propiedades estadsticas del diseo. Naturalmente, este tipo de diseo se utiliza en
experimentos que no incluyen factores bloque.
El modelo matemtico de este diseo tiene la forma:

Diseo de Bloques Aleatorizado

Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor,
es deseable que las posibles diferencias se deban principalmente al factor de inters
y no a otros factores que no se consideran en el estudio. Cuando esto no ocurre y
existen otros factores que no se controlan o nulifican para hacer la comparacin, las
conclusiones podran ser afectadas sensiblemente. Por ejemplo, supongamos que
se quieren comprar varias mquinas, si cada mquina es manejada por un operador
diferente y se sabe que ste tiene una influencia en el resultado, entonces es claro
que el factor operador debe tomarse en cuenta si se quiere comparar a las mquinas
de manera justa. Un operador ms hbil puede hacer ver a su mquina (aunque
sta sea la peor) como la que tiene el mejor desempeo, lo cual impide hacer una

comparacin adecuada de los equipos. Para evitar este sesgo hay dos maneras de
anular el posible efecto del factor operador: la manera lgica es utilizar el mismo
operador en las cuatro mquinas; sin embargo, tal estrategia no siempre es
aconsejable, ya que utilizar al mismo sujeto elimina el efecto del factor operador,
pero restringe la validez de la comparacin con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores. La otra forma de anular el
efecto operador en la comparacin consiste en que cada operador trabaje durante
el experimento con cada una de las mquinas. Esta estrategia es la ms
recomendable, ya que utilizar a todos los operadores con todas las mquinas
permite tener resultados de la comparacin que son vlidos para todos los
operadores. Esta ltima forma de nulificar el efecto de operadores, recibe el nombre
de bloqueo.
DISEOS CON DOS O MS FACTORES BLOQUE
En ocasiones hay dos (o ms) fuentes de variacin lo suficientemente importantes
como para ser designadas factores de bloqueo. En tal caso, ambos factores bloque
pueden ser cruzados o anidados. Los factores bloque estn cruzados cuando
existen unidades experimentales en todas las combinaciones posibles de los niveles
de los factores bloques.
Diseo con factores bloque cruzados. Tambin denominado diseo fila-columna, se
caracteriza porque existen unidades experimentales en todas las celdas
(intersecciones de fila y columna). El modelo matemtico de este diseo es:

Los factores bloque estn anidados si cada nivel particular de uno de los factores
bloque ocurre en un nico nivel del otro factor bloque.

Diseo con factores bloque anidados o jerarquizados.

Dos factores bloque se dicen anidados cuando observaciones pertenecientes a dos

niveles distintos de un factor bloque estn automticamente en dos niveles distintos
del segundo factor bloque.
En la siguiente tabla puede observarse la diferencia entre ambos tipos de bloqueo .

Generalizar los diseos completos a ms de dos factores es relativamente sencillo

desde un punto de vista matemtico, pero en su aspecto prctico tiene el
inconveniente de que al aumentar el nmero de factores aumenta muy rpidamente
el nmero de observaciones necesario para estimar el modelo. En la prctica es
muy raro utilizar diseos completos con ms de factores.
Un camino alternativo es utilizar fracciones factoriales que son diseos en los que
se supone que muchas de las interacciones son nulas, esto permite estudiar el
efecto de un nmero elevado de factores con un nmero relativamente pequeo de
pruebas. Por ejemplo, el diseo en cuadrado latino, en el que se supone que todas
las interacciones son nulas, permite estudiar tres factores de k niveles con
solo k2 observaciones. Si se utilizase el diseo equilibrado completo se necesitan k3
observaciones.

DISEO EN CUADRO LATINO

En el diseo en cuadro latino (DCL) se controlan dos factores de bloque y se estudia
un factor de tratamientos, por lo que se tienen cuatro fuentes de variabilidad que
pueden afectar la respuesta observada, stas son: los tratamientos, el factor de
bloque I (columnas), el factor de bloque II (renglones) y el error aleatorio. Se llama
cuadro latino por dos razones: es un cuadro debido a que tiene la restriccin
adicional de que los tres factores involucrados se prueban en la misma cantidad de
niveles, y es latino porque se utilizan letras latinas para denotar a los tratamientos
o niveles del factor de inters. Sean A, B, C, , K, los k tratamientos a comparar,
por lo tanto, ambos factores de bloques tienen tambin k niveles cada uno.
Cuadro latino: Diseo en el que se controlan dos factores de bloque y uno de
tratamientos; los tres factores tienen la misma cantidad de niveles. Los tratamientos
se representan por letras latinas y se distribuyen en forma adecuada en un cuadro.
El modelo de cuadrado latino
En un diseo de experimentos completo de tres factores, todos ellos con K niveles,
necesita K3 observaciones, nmero elevado si K es grande. Un diseo ms eficaz que
solo utiliza K2 observaciones para el mismo problema es el cuadrado latino. Este
modelo se basa en aprovechar la simetra del experimento factorial seleccionando un
conjunto de condiciones experimentales con la condicin de que cada nivel de un factor
aparezca una vez con cada uno de los niveles de los otros factores. Por tanto, el diseo
de cuadrado latino se puede utilizar si se verifican las siguientes condiciones:

1. Es un diseo de experimentos con tres factores.

2. Los tres factores tienen el mismo nmero de niveles: K.
3. No hay interacciones entre los tres factores.
El diseo en cuadrado latino est especialmente indicado para estudiar un factortratamiento con K niveles y con dos factores-bloque de K bloques cada uno. Este
diseo se basa en el concepto de cuadrado latino que es el siguiente
Un cuadrado latino K K es una disposicin de K letras en una matriz K K de
forma que todas las letras aparecen una vez en cada fila y una vez en cada
columna. Por ejemplo, un cuadrado latino 3 3 es el siguiente:

Un cuadrado latino es un cuadrado latino estndar cuando las letras de la primera

fila y de la primera columna estn dispuestas en orden alfabtico.
Un cuadrado latino es un cuadrado latino cclico si las letras de cada fila se
generan cclicamente de la anterior segn el orden alfabtico. El cuadrado
latino 3 3 es estndar y cclico.
Existe un nico cuadrado latino 3 3 estndar, sin embargo, hay cuatro cuadrados
latinos 4 4.

Modelo matemtico
Se tiene un diseo en cuadrado latino de dos factores bloque y un factor tratamiento,
el primer factor bloque se denota por B y se coloca en filas, el segundo factor
bloque se denota por B y se coloca en columnas, el factor tratamiento se denota
por T y sus niveles se colocan segn el cuadrado latino. Por tanto, el cuadrado
latino condiciona el nivel de T que se utiliza en la casilla ij (bloque i de B y
bloque j de B ) y este nivel no se elige.

La formulacin matemtica del modelo es la siguiente:

para cada i = 1,...,K, j = 1,...,K, (el ndice k
lo impone el diseo en cuadrado latino) se tiene

10

Donde:

Y ij es el resultado del bloque i-simo, i = 1,...,K del factor bloque B y del

bloque j-simo, j = 1,...,J del factor-bloque B , y del nivel k-simo del factor T
.Se denota la k entre parntesis, para indicar que este ndice no se elige
sino que viene condicionado por el par ij.
es el efecto global que mide el nivel medio de todos los resultados,
i es el efecto (positivo o negativo) sobre la media global debido al
I
bloque i de B . Se verifica que
i = 1 i = 0,
j es el efecto (positivo o negativo) sobre la media global debido al
J
bloque j de B . Se verifica que
j = 1 j = 0,
k es el efecto (positivo o negativo) sobre la media global debido al nivel k del
K
factor F . Se verifica que
k=1
k = 0,
ij es el error experimental, son variables aleatorias i.i.d. con distribucin N

DISEOS FACTORIALES
En el estudio sobre la mejora de procesos industriales (control de calidad) es usual
trabajar en problemas en los que hay muchos factores que pueden influir en la
variable de inters. La utilizacin de experimentos completos en estos problemas
tiene el gran inconveniente de necesitar un nmero elevado de observaciones,
adems puede ser una estrategia ineficaz porque, por lo general, muchos de los
factores en estudio no son influyentes y mucha informacin recogida no es
relevante. En este caso una estrategia mejor es utilizar una tcnica secuencial

11

donde se comienza por trabajar con unos pocos factores y segn los resultados que
se obtienen se eligen los factores a estudiar en la segunda etapa.
Los diseos factoriales 2k son diseos en los que se trabaja con k factores, todos
ellos con dos niveles (se suelen denotar + y -). Estos diseos son adecuados para
tratar el tipo de problemas descritos porque permiten trabajar con un nmero
elevado de factores y son vlidos para estrategias secuenciales.
Si k es grande, el nmero de observaciones que necesita un diseo factorial 2k es
muy grande (n = 2k). Por este motivo, las fracciones factoriales 2k-p son muy
utilizadas, stas son diseos con k factores a dos niveles, que mantienen la
propiedad de ortogonalidad de los factores y donde se suponen nulas las
interacciones de orden alto (se confunden con los efectos simples) por lo que para
su estudio solo se necesitan 2k-p observaciones (cuanto mayor sea p menor nmero
de observaciones se necesita, pero mayor confusin de efectos se supone).
Conceptos bsicos en diseos factoriales
El objetivo de un diseo factorial es estudiar el efecto de varios factores sobre una
o varias respuestas, cuando se tiene el mismo inters sobre todos los factores. Por
ejemplo, uno de los objetivos particulares ms importantes que en ocasiones tiene
un diseo factorial es determinar una combinacin de niveles de los factores en la
que el desempeo del proceso sea mejor.
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.).
As, la matriz de diseo o arreglo factorial es el conjunto de puntos experimentales
o tratamientos que pueden formarse considerando todas las posibles
combinaciones de los niveles de los factores. Por ejemplo, con k = 2 factores, ambos
con dos niveles, se forma el diseo factorial 2 2 = 22, que consiste en cuatro
combinaciones o puntos experimentales. Si ahora uno tiene tres niveles y el otro
dos, se pueden construir 3 2 combinaciones que dan lugar al diseo factorial 32.

12

Ejemplo de Diseo factorial 22

Supongamos que, en un proceso de fermentacin tequilera, se tienen dos factores
A: tipo de levadura y B: temperatura, cada uno con dos niveles.

Denotados por A1=1, A2=2 y B1=22C, B2=30C, respectivamente. La respuesta de

inters es el rendimiento del proceso de fermentacin. En la tabla 5.1 se muestran
los cuatro tratamientos o puntos del diseo factorial 22, y entre parntesis se ha
indicado cada nivel con los cdigos (1, 1). En el experimento original cada
tratamiento se corri tres veces (tres rplicas), lo cual da un total de 12 corridas del
proceso, pero, por simplicidad, en la ltima columna de la tabla 5.1 slo se anotaron
los resultados de la primera rplica.
Efecto principal y efecto de interaccin.
El efecto de un factor se define como el cambio observado en la variable de
respuesta debido a un cambio de nivel de tal factor. En particular, los efectos
principales son los cambios en la media de la variable de respuesta que se deben
a la accin individual de cada factor. En trminos matemticos, el efecto principal
de un factor con dos niveles es la diferencia entre la respuesta media observada
cuando tal factor estuvo en su primer nivel, y la respuesta media observada cuando
el factor estuvo en su segundo nivel. Por ejemplo, para los datos de la tabla 5.1, los
efectos principales estn dados por:

Por lo que en trminos absolutos el efecto principal de B es mayor. Por otra parte,
se dice que dos factores interactan entre s o tienen un efecto de interaccin sobre
la variable de respuesta, cuando el efecto de un factor depende del nivel en que se
encuentra el otro. Por ejemplo, los factores A y B interactan si el efecto de A es

13

muy diferente en cada nivel de B, o viceversa. Ahora veamos esto con los datos de
la tabla 5.1: el efecto de A cuando B es baja est determinado por:
Efecto A (con B bajo) = 41 28 = 13
y cuando la temperatura es alta, el efecto de A es:
Efecto A (con B alto) = 45 63 = 18
Como estos dos efectos de A en funcin del nivel de B son muy diferentes,
entonces es evidencia de que la eleccin ms conveniente del nivel de A depende
del nivel en que est B, y viceversa. Es decir, eso es evidencia de que los factores
A y B interactan sobre Y. En la prctica, el clculo del efecto de A en cada nivel de
B no se hace, y ms bien se calcula el efecto global de la interaccin de los dos
factores, que es denotado por AB y se calculan como la diferencia entre la respuesta
media cuando ambos factores se encuentran en el mismo nivel: (1, 1); (1, 1), y la
respuesta media cuando los factores se encuentran en niveles opuestos: (1, 1) (1,
1). Para el ejemplo, el efecto de interaccin tiempo temperatura est dado por:

Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interaccin son una medida de importancia de su efecto sobre la variable
de respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si
los efectos son estadsticamente significativos (diferentes de cero) se requiere el
anlisis de varianza (ANOVA).
1.
2.

3.

4.

Ventajas de los diseos factoriales

Permiten estudiar el efecto individual y de interaccin de los distintos
factores.
Son diseos que se pueden aumentar para formar diseos compuestos en
caso de que se requiera una exploracin ms completa. Por ejemplo, es til
aumentar el diseo si el comportamiento de la respuesta no es lineal en los
factores controlados .
Se pueden correr 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.
Pueden utilizarse en combinacin con diseos de bloques en situaciones en
las que no puede correrse todo el diseo factorial bajo las mismas
condiciones. Por ejemplo, cuando cada lote de material slo alcanza para

14

correr la mitad del experimento, ste se puede realizar en dos bloques (dos
lotes), lo cual implica repartir las pruebas en los dos lotes de la manera ms
conveniente posible.
5. La interpretacin y el clculo de los efectos en los experimentos factoriales
se puede hacer con aritmtica elemental, en particular cuando cada factor se
prueba en dos niveles.

DISEOS FACTORIALES CON DOS FACTORES

Considere los factores A y B con ay b (a,b 2) niveles de prueba, respectivamente.
Con ellos se puede construir el arreglo o diseo factorial ab, el cual consiste en
ab tratamientos. Algunos casos particulares de uso frecuente son: el factorial 22,
el factorial 32 y el factorial 32. Se llama rplica a cada corrida completa del arreglo
factorial. Los diseos factoriales que involucran menos de cuatro factores por lo
regular se corren replicados para tener la potencia necesaria en las pruebas
estadsticas sobre los efectos de inters. Si se hacen n rplicas, el nmero total de
corridas experimentales es n(a b).
Anlisis de varianza de dos factores
Al presentar las frmulas generales para el anlisis de varianza de un experimento
de 2 factores utilizando observaciones repetidas en un diseo completamente
aleatorizado, debe considerarse el caso de n rplicas de las combinaciones del
tratamiento, determinadas por a niveles del factor A y b niveles del factor B. Las
observaciones se podran clasificar usando un arreglo rectangular, donde los
renglones representan los niveles del factor A y las columnas representan los
niveles del factor B. Cada combinacin de tratamiento define una celda del arreglo.
As, se tienen ab celdas, cada una de las cuales contiene n observaciones. Se
denota con Yijk, la k-sima observacin tomada en el i-simo nivel del factor A y el
j-simo nivel del factor B. En la tabla 14.1 se muestran las abn observaciones.

15

Las observaciones en la celda (ij)-sima constituyen una muestra aleatoria de

tamao n de una poblacin que se supone tiene distribucin normal con media ij y
varianza 2. Se supone que todas las ab poblaciones tienen la misma varianza
2. Se definen los siguientes smbolos tiles, algunos de los cuales se utilizan en la
tabla 14.1:

16

Ejemplo Factorial 4x3

Consideremos un experimento en el que se quiere estudiar el efecto de los factores
A: profundidad de corte sobre el acabado de un metal y B: velocidad de alimentacin.
Aunque los factores son de naturaleza continua, en este proceso slo se puede
trabajar en 4 y 3 niveles, respectivamente. Por ello, se decide correr una factorial
completa 4 3 con tres rplicas, que permitir obtener toda la informacin relevante
en relacin al efecto de estos factores sobre el acabado. Al aleatorizar las 36
pruebas se obtienen los datos de la tabla 5.3. El acabado (Y) est en unidades de
gramos e interesa minimizar su valor. La representacin grfica del diseo 4 3 se
muestra en la figura 5.3.

17

Modelo estadstico e hiptesis de inters con 2 factores

El modelo estadstico de efectos para este tipo de diseo est dado por:

En este modelo para el ejemplo 5.2 a = 4, b = 3 y n = 3 rplicas. Las hiptesis

de inters para los tres efectos en el modelo anterior son:

Estas hiptesis tambin se pueden plantear con los efectos descritos en el modelo
(5.1):

18

Estas hiptesis se prueban mediante la tcnica de anlisis de varianza, que para

un diseo factorial a b con n rplicas resulta de descomponer la variacin total
como,

donde los respectivos grados de libertad de cada una de ellas son:

El factor (n 1) en los grados de libertad de la suma de cuadrados del error

(SCe) seala que se necesitan al menos dos rplicas del experimento para calcular
este componente y, por ende, para construir una tabla de ANOVA. Recordemos que
las sumas de cuadrados divididas entre sus correspondientes grados de libertad se
llaman cuadrados medios (CM). Al dividir stos entre el cuadrado medio del error
(CME) se obtienen estadsticos de prueba con distribucin F. Toda esta informacin
se sintetiza en la tabla 5.4.
Si el valor-p es menor al nivel de significancia a prefijado, se rechaza la hiptesis nula y se concluye que el correspondiente efecto est activo o influye en la
variable de respuesta.

19

Con esta notacin la suma de cuadrados totales es:

donde N = abn es el total de observaciones en el experimento. Las sumas de

cuadrados de efectos son:

20

y al final, al restar stas del total, se obtiene la suma de cuadrados del error como:

DISEOS FACTORIALES CON TRES FACTORES

Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o ms
variables de respuesta, y el nmero de niveles de prueba en cada uno de los
factores es a, b y c, respectivamente, 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 en aplicaciones diversas se encuentran:
el factorial 23, el factorial 33 y los factoriales mixtos con no ms 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.
Ejemplo Factorial con tres factores
El experimento. Se desea investigar el efecto del tipo de suspensin (A), abertura
de malla (B) y temperatura de ciclaje (C) en el volumen de sedimentacin Y(%) de
una suspensin. Para ello se decide correr un experimento factorial 3 2 2 con
seis rplicas, y las observaciones obtenidas en las 72 corridas experimentales se
muestran en la siguiente tabla:

Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla:

21

La representacin geomtrica del experimento se muestra en la figura 5.8. Ntese

que el factor A tiene tres niveles porque interesa evaluar precisamente tres
suspensiones.

Hiptesis de inters
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A, B,
C,AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden
estudiarse depende del nmero 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 puede descomponer; pero, si tuviera tres niveles
su efecto marginal se puede descomponer en una parte lineal y otra cuadrtica pura.
En resumen, se tienen siete efectos de inters sin considerar desglose, y con ellos
se pueden plantear las siete hiptesis nulas H0: Efecto A = 0, H0: Efecto B = 0, ,
H0: Efecto ABC=0, cada una aparejada con su correspondiente hiptesis alternativa.
El ANOVA para probar estas hiptesis se muestra en la tabla 5.6.
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadsticamente significativo o se dice que est activo. Las sumas de cuadrados
son muy similares a las obtenidas para dos factores; habr que considerar un
subndice adicional para el tercer factor, y comenzando otra vez por la suma total
de cuadrados, stas resultan ser:

22

donde N = abcn es el total de observaciones en el experimento. Las sumas de

cuadrados de efectos son:

Al restar stas del total, la suma de cuadrados del error resulta ser:

23

cuyos respectivos grados de libertad se dan en la tabla 5.6. Una vez hecho el
ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente despus) a diagnosticar la calidad del modelo. El anlisis de
varianza para el caso del ejemplo 5.3 se muestra en la tabla 5.7.
De aqu se concluye que no influyen los efectos ABC, AC ni A, dado que su valor-p
es mayor que a = 0.05. Por otra parte, se encuentran activos los efectos B, C, AB y
en menor medida BC. stos son los cuatro efectos que se deben interpretar. Los
efectos que no influyeron se pueden eliminar mandndolos al trmino error.1 El
ANOVA simplificado, pero con el efecto A se muestra en la tabla 5.8. Note que el
CME en ambos ANOVA es prcticamente igual. En general se recomienda
interpretar slo los efectos significativos.

24

EJEMPLO 1.- (FACTORIAL) DISEO DE EXPERIMENTOS DE 2 O MAS

FACTORES

25

26

27

28

29

30

EJEMPLO 2.- (CUADRO LATINO) DISEO DE EXPERIMENTOS DE 2 O MAS

FACTORES

31

32

CONCLUSIN
En el campo de la industria es frecuente hacer experimentos o pruebas con la
intencin de resolver un problema o comprobar una idea (conjetura, hiptesis); por
ejemplo, hacer algunos cambios en los materiales, mtodos o condiciones de
operacin de un proceso, probar varias temperaturas en una mquina hasta
encontrar la que da el mejor resultado o crear un nuevo material con la intencin de
lograr mejoras o eliminar algn problema.
En conclusin, las tcnicas y mtodos que se usaron en este trabajo, observando y
analizando dichos factores son importantes en el campo de la investigacin,
aplicndolos en el anlisis de dichos experimentos que comprobarn su veracidad.
Con el fin de obtener resultados y estos aplicarlos a la realidad.
Es muy importante que todo ingeniero, cuando pretenda realizar una investigacin,
planifique adecuadamente sus procedimientos y pasos a seguir, esto quiere
decir que disee un buen plan de accin.

33

Bibliografa
Corua, U. d. (s.f.). Principios bsicos del diseo de experimentos. Obtenido de
http://www.udc.es/dep/mate/estadistica2/sec2_5.html
Devore, J. L. (2005). Probabilidad y Estadstica para ingenieria y ciencias . Mexico,
D.F.: Thomson.
Gallego Serrano, R. (2003). INTRODUCCIN AL ANLISIS DE DATOS
EXPERIMENTALES . Castelln de la Plana: Universidad Jaume.
Gutierrez Pulido , H., & de la Vara Salaz, R. (2008). Anlisis y diseo de
Experimentos. Mexico, D.F.: McGraw-Hill.
Kuehl, R. O. (2001). Diseo de experimentos . Mexico, D.f.: Thomson.
Montgomery, D. C. (2004). DISEO Y ANLISIS DE EXPERIMENTOS. Mexico,
D.F.: Limusa Wiley.
Varillas, C. R. (2012). Estadstica y diseo de experimentos. Peru,Lima: Universidad
Nacional de Ingeniera.
Walpole E., R., Myers H., R., & Myers L., S. (1999). Probabilidad y Estadstica para
ingenieros. Mexico, D.F.: Pearson.

34

35

36