Documente Academic
Documente Profesional
Documente Cultură
CAPÍTULO 4
Conceptos básicos en diseños factoriales
Competencias
Considerando otra vez k = 2 factores, pero ahora uno con tres niveles y el otro
con dos niveles, se pueden construir 3 x 2 combinaciones que dan lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número de
tratamientos que lo componen. Para obtener el número de corridas experimentales se
multiplica el número de tratamientos por el número de réplicas, donde una réplica se
lleva a cabo cada vez que se repite el arreglo completo.
cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe escribirse el
producto de manera más explícita: por ejemplo con k = 3 factores, el primero con cuatro
niveles y los dos restantes con dos niveles, se tiene el diseño factorial
, que consiste de 16 combinaciones de niveles diferentes.
Ejemplo
Diseño factorial . Suponga que en un proceso de fermentación tequilera, se tienen
dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por
respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial , y entre paréntesis se ha indicado cada
nivel con los códigos (1, -1). En el experimento original cada tratamiento se corrió tres
veces (tres réplicas), lo cual da un total de 12 corridas del proceso pero, por simplicidad,
en la última columna de la tabla 4.1 sólo se anotaron los resultados de la primera
réplica.
Para los datos de la tabla 4.1, los efectos principales están dados por
115 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 115
115
115
Efecto A =
Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte, se
dice que dos factores interactúan entre sí o tienen un efecto de interacción 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 interactúan si el efecto de A es muy
diferente en cada nivel de B, o viceversa. Ahora veamos esto con los datos de la tabla
4.1: el efecto de A cuando B es baja está determinado por
Como estos dos efectos de A en función del nivel de B son muy diferentes,
entonces es evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción de los dos factores, que se
denotan por AB y se calculan como la diferencia entre la respuesta media cuando ambos
factores se encuentran en el m ismo 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 interacción levadura x temperatura está dado por
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interacción 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 estadísticamente significativos (diferentes de coro) se requiere el análisis de
varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el efecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que el
comportamiento de la respuesta Y en el experimento con k réplicas se podría describir
mediante el modelo de efectos:
combinación es el error aleatorio que supone sigue una distribución con media
cero y varianza constante y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las restricciones:
y al final, al restar éstas del total, se obtiene la suma de cuadrados del error como:
Ejemplo
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 alimentación.
Aunque los factores son de naturaleza continua, en este proceso sólo se puede trabajar
en 4 y 3 niveles, respectivamente. Por ello, se decide correr un factorial completo 4 x 3
con tres réplicas, que permitirá obtener toda la información relevante en relación al
efecto de esos factores sobre el acabado. Al aleatorizar las 36 pruebas se obtienen los
datos de la siguiente tabla:
118 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 118
118
118
La suma de cuadrados totales y la suma de cuadrados del error están dadas por
Se rechaza
Se rechaza
Se acepta
Factores: 2 Réplicas: 3
Corridas base: 12 Total de corridas: 36
Bloques base: 1 Total de bloques: 1
Número de niveles: 4; 3
Comparación de medias
Para probar estas hipótesis con el método LSD habría que calcular las
diferencias muestrales en el valor absoluto y compararlas con la diferencia mínima
significativa. Cabe aclarar que este análisis es engañoso cuando el efecto de interacción
es significativo. Por ello, y sólo por ilustrar el método, se prueban las hipótesis del
factor A ignorando por el momento la interacción. La diferencia mínima significativa
para comparar los niveles del factor A, está dada por:
Ejercicios
Resultado en Minitab
Diseño factorial de múltiples niveles
Factores: 2 Réplicas: 3
Corridas base: 6 Total de corridas: 18
Bloques base: 1 Total de bloques: 1
Número de niveles: 3; 2
Dado que utilizamos un = 0.05 y puesto que el valor de tanto para el factor
A (tipo de pintura) como para el factor B(tipo de aplicación), con su nivel de
significancia como con sus grados de libertad respectivamente tenemos
y . Se concluye que los efectos principales del tipo de pintura
tapaporo y del método de aplicación afectan la fuerza de adherencia. Además, puesto
que 1,5 , no hay indicios de interacción entre estos factores. En la
última columna del ANOVA se muestra el valor P para cada cociente F. Obsérvese que
los valores P de los dos estadísticos de prueba para los efectos principales son
considerablemente menores que 0,05 mientras que el valor P para el estadístico de
prueba de la interacción es mayor que 0,05.
Se rechaza
Se rechaza
Se acepta
Material Temperatura (
Baja Media Alta
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
Posición Temperatura ( )
800 825 850
1 570 1 063 565
565 1 080 510
583 1 043 590
2 528 988 526
547 1 026 538
521 1 004 532
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores es
a, b y c, respectivamente, se puede construir el arreglo factorial , que consiste
de tratamientos o puntos experimentales. Entre los arreglos de este tipo que se
utilizan con frecuencia en aplicaciones diversas se encuentran: el factorial , el
124 CAPÍTULO 4 Diseños factoriales Ejercicios 123
factorial y los factoriales mixtos con no más de cuatro niveles en dos de los factores,
por ejemplo, el factorial 4 x 3 x 2 y el factorial 4 x 4 x 2, por mencionar dos de ellos.
Hipótesis de interés
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 número de niveles utilizando 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 cuadrática pura.
En resumen, se tienen siete efectos de interés sin considerar desglose, y con ellos
se pueden plantar las siete hipótesis nulas
cada una aparejada con su correspondiente hipótesis alternativa. El ANOVA para probar
estas hipótesis se muestran en la siguiente tabla.
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadísticamente significativo o se dice que está activo. Las sumas de cuadrados son
muy similares a las obtenidas para dos factores; habrá que considerar un subíndice
adicional para el tercer factor, y comenzando otra vea, por la suma total de cuadrados,
éstas resultan ser:
de efectos son:
Al restar éstas del total, la suma de cuadrados del error resulta ser
cuyos respectivos grados de libertad se dan en la tabla 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.
Ejemplo
El experimento. Se desea investigar el efecto del tipo de suspensión (A), abertura de
malla (B) y temperatura de ciclaje (C) en el volumen de sedimentación Y(%) de una
suspensión. Para ello se decide correr un experimento factorial 3 x 2 x 2 con seis
réplicas, y las observaciones obtenidas en las 72 corridas experimentales se muestran en
la siguiente tabla:
60, 75, 75 67, 73, 73 62, 68, 65 71, 80, 80 76, 71, 75 75, 75, 75
86, 70, 70 67, 68, 68 76, 65, 65 72, 80, 80 70, 68, 73 75, 75, 77
55, 53, 53 52, 52, 57 44, 44, 45 60, 60, 60 52, 51, 50 56, 55, 57
55, 55, 55 52, 54, 54 48, 48, 45 67, 67, 65 52, 48, 54 59, 50, 55
Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla
126 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 126
126
126
Factores: 3 Réplicas: 6
Corridas base: 12 Total de corridas: 72
Bloques base: 1 Total de bloques: 1
Número de niveles: 3; 2; 2
Residuo
Obs Respuesta Ajuste Ajuste SE Residuo estándar
23 60,0000 72,6667 1,5290 -12,6667 -3,70 R
36 76,0000 66,8333 1,5290 9,1667 2,68 R
52 86,0000 72,6667 1,5290 13,3333 3,90 R
Ejercicios
1.- Se investigan el porcentaje de la concentración de madera dura en la pulpa cruda, la
libertad de orientación de la fibra o lof, y el tiempo de cocción de la pulpa en cuanto a
sus efectos sobre la resistencia del papel. En la siguiente tabla se muestran los datos de
un experimento factorial con tres factores.
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
2.- El departamento de control de calidad de una planta de acabados textiles estudia los
efectos de varios factores sobre el teñido de una tela combinada de algodón y fibra
sintética que se usa para hacer camisas. Se seleccionan tres operadores, tres duraciones
del ciclo y dos temperaturas, y tres ejemplares de prueba pequeños de tela se tiñeron
bajo cada conjunto de condiciones. La tela terminada se comparó con un patrón y se
asigno una puntuación numérica. Los resultados se presentan en la tabla siguiente
Temperatura
300 350
Operador Operador
Duración del ciclo 1 2 3 1 2 3
40 23 27 31 24 38 34
24 28 32 23 36 36
25 26 28 28 35 39
50 36 34 33 37 34 34
35 38 34 39 38 36
36 39 35 35 36 31
60 28 35 26 26 36 28
24 35 27 29 37 26
27 34 25 25 34 34
128 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 128
128
128
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede extenderse
fácilmente para cuando se tienen más factores. Considerarse factores A, B, C,…, K
con niveles respectivamente, donde la letra K denota al -ésimo o último
factor del conjunto a estudiar, no necesariamente el undécimo, que es el lugar de esta
letra en el alfabeto. Con estos niveles y factores se puede construir el diseño factorial
general que consiste de tratamientos o puntos de prueba.
Con este diseño se pueden estudiar efectos principales, interacciones
dobles, interacciones triples, y así sucesivamente hasta la
única interacción de los factores (ABC…K). El cálculo del número de interacciones
de cierta cantidad de factores se hace mediante la operación ¨combinaciones de en
¨ que cuenta el número de diferentes maneras de seleccionar
factores de los , donde =
FV SC GL
Error
Total
Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o
factores fijos, lo cual significa que todos los niveles de prueba en cada factor son todos
los disponibles para ese factor, o bien, se estudian todos los niveles de interés en ese
factor; es en este sentido que los niveles están fijos. Éste es el caso, por ejemplo, cuando
en el factor operador se toman los tres únicos operadores como los niveles de prueba, o
cuando los niveles del factor máquinas son las cuatro máquinas existentes. O bien,
cuando se comparan tres tipos de material porque son los que interesa comprar aunque
existan otros materiales de ese tipo. Con factores fijos, las conclusiones obtenida s sólo
son validas para los niveles de prueba que se estudian en el experimento.
como en efectos fijos. Lo que ahora (con efectos aleatorios) tiene sentido es hablar de la
varianza con la que el factor aleatorio contribuye a la variación total; es decir, es preciso
estimar dicha varianza y probar si su contribución a la variabilidad total es significativa.
+ + +
Los cálculos necesarios para probar estas hipótesis involucran las mismas sumas
de cuadrados del modelo de efectos fijos (diseños factoriales con dos factores), de las
cuales se obtienen los correspondientes cuadrados medios. Para obtener los estadísticos
de prueba apropiados debe tomarse en cuenta que los valores esperados de los
cuadrados medios son
132 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 132
132
132
de tal forma que para probar la hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son
Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios
para los componentes de varianza, se obtienen estimadores de éstos en función de los
cuadrados medios del error, esto es,
Ejemplo
En una compañía dedicada a la fabricación de bombas y válvulas, algunos componentes
críticos tienen tolerancias muy estrechas que son difíciles de cumplir. De aquí que sea
necesario estimar el error de medición con el fin de ver la posibilidad de reducirlo para
cumplir con las especificaciones. El ancho de una pieza particular es una característica
de calidad crítica, cuyas especificaciones son 69 0,4mm. Se eligen dos inspectores al
azar y siete piezas para correr un experimento, a fin de estimar la contribución de los
inspectores, de las piezas y del error aleatorio (repetibilidad) en la variabilidad total
observada. El experimento utilizado se muestra en la siguiente tabla:
133 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 133
133
133
Nótese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con siete
niveles, en ambos casos seleccionados al azar. El modelo de componentes de varianza
propuesto para describir estos datos es donde es el componente de varianza de los
inspectores, es el componente debido a las piezas, es el componente de
interacción de ambos factores y es el componente aleatorio.
Interesa probar las hipótesis:
FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: Pieza 0,7516 6 0,1252 24,07 0,0000
AB 0,0313 6 0,0052 0,75 0,6169
Error 0,097 14 0,0069
Total 0,8803 27
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos,
pero las dos últimas deben corregirse de acuerdo con el estadístico de prueba apropiado
para un modelo de efectos aleatorios ( y
). Los valor-p indican que la variabilidad de las piezas es
estadísticamente diferente a cero, mientras que la variabilidad de los inspectores y de la
interacción inspector x pieza no es significativa (es igual a cero). Desde el punto de
vista del objetivo del experimento, los resultados del ANOVA son los deseados: la
reproducibilidad ( + ) es estadísticamente igual a cero, es decir, los inspectores no
afectan el proceso de medición. La estimación de los componentes de varianza, a partir
de los cuadros medios, queda como:
134 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 134
134
134
Utilizando Minitab
debe oprimir el botón de la opción <<Diseños>> para poder escoger su diseño, número
de repeticiones y otras opciones.
6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón. El
siguiente paso es regresar al paso 1.