EXPERIMENTOS FACTORIALES

Los experimentos factoriales se utilizan cuando hay varios factores

de interés en un experimento. En los experimentos factoriales se
deben utilizar en cada réplica, todas las combinaciones de los
factores que se están investigando. Si se tienen dos factores A y B
con niveles a y b respectivamente, cada réplica contendrá todas las
posibles combinaciones ab.

Definiciones:
 Factores: Son las variables controlables en el experimento
Ej:Temperatura, Presión, Velocidad; se designan con letras
mayúsculas A, B,C.
 Niveles: Se refiere a la cantidad de valores que tienen los
factores del experimento. Ej: en un experimento tomamos los
siguientes valores de Temperatura: 15°, 20° ; en este caso
tenemos 2 niveles.
Los niveles se designan con números: “1”, “2” o con signos “-,
+” que representan los niveles “bajo” y “alto” en cada caso.
 Replica: Es el número de repeticiones del experimento.
 Efecto de un factor: es el cambio en la respuesta como
resultado de un cambio en el nivel del factor, se denomina
efecto principal ya que se refiere a los factores primarios del
estudio.
Ej. Consideremos el siguiente Experimento:

FACTOR B

B1 B2

A1 20 30
FACTOR A

A2 40 52
El cálculo de los factores primarios A y B es la diferencia entre la
respuesta promedio en el nivel alto y la respuesta promedio del
nivel bajo.
40  52 20  30
A   21
2 2

30  52 20  40
B   11
2 2

 Tratamientos: son todas las combinaciones posibles de los

factores que se involucran en un experimento. Ej: a, b, c, ab,
ac, bc.
 Interacción: Cuando la diferencia en la respuesta entre los
niveles de un factor no es la misma en todos los niveles de los
otros factores.

Respuesta

B2 B2

B1 B1

A1 A2 A1 A2
a) Sin interacción b) Con interacción

En la gráfica de la izquierda observamos que las líneas B1 y B2 son

paralelas lo cual indica que no hay interacción. En la siguiente
gráfica al estar cruzadas las líneas B1 y B2 significa que existe
interacción.

El cálculo de la interacción AB es la diferencia entre los promedios

del nivel alto de “A” y “B” y el nivel bajo de los mismos

40  30 52  20
AB    19
2 2

Principios básicos del diseño de experimentos:

Normalidad.- Siempre que se conduce un experimento las
muestras son tomadas de poblaciones “normales”, en el análisis de
los experimentos se verifica que se cumpla con este principio, de lo
contrario los resultados obtenidos no serán confiables.
Replicación.- Significa la repetición de un experimento, permitiendo
el experimentador la obtención de un error experimental. El error es
la unidad básica de medida para determinar si las diferencias
observadas en los datos son realmente diferentes
estadísticamente. La replicación permite tener una estimación más
precisa de los efectos.
Aleatoriedad.- Por aleatoriedad entendemos que la posición del
material y el orden en el cual las corridas se realizan en los
experimentos son determinadas aleatoriamente (al azar).
Bloqueo.- Es una técnica usada para incrementar la precisión de un
experimento, Un bloque es una porción del material experimental el
cual es más homogeneo que el material restante.
Diseños factoriales en MINITAB
Supongamos que queremos diseñar un experimento para probar
tres factores: temperatura, presión y tipo de catálisis. Se trata de un
diseño factorial completo 2^3, ya que consta de dos niveles y tres
factores, a continuación se muestra el diseño:

FACTOR NIVEL BAJO NIVEL ALTO

Temperatura 20°C 40°C

Presión 1 atmósfera 4 atmósferas

Catálisis A B

Seleccionamos la opción Stat > DOE > Crear Diseños

Factoriales.
La ventana muestra los diferentes tipos de diseños factoriales que pueden ser creados y el
número de factores, en este ejemplo seleccionamos en el campo number of factors = 3 y

2-level factorial (default generators) en tipo de diseño.

También tiene diferentes iconos, en el cual encontramos información especifica del diseño.
Solamente están habilitados dos iconos: “Display Available Designs” y “Designs”. En la primera
opción se muestran todos los diseños factoriales que contiene el sistema.

 En la segunda opción “diseños”, seleccionamos el diseño factorial completo “full factorial”.

Y se llenan los siguientes campos, que en este ejemplo los valores son los siguientes:

Number of center points = 0

Number of replicates = 2

Number of blocks = 1
AL Presionar OK el diseño es seleccionado y se regresa al la pantalla principal. En esta

pantalla todos los iconos quedan habilitados

Se seleccionan las siguientes opciones:

 Factores

En esta pantalla se escribe el nombre de los factores así como los diferentes niveles “bajo” y
“alto” para cada factor ( estos últimos son dados por default)
 Opciones:

En la pantalla se escoge la opción: “do not fold” (el sistema la da por default)

La opción “randomize” no debe de estar seleccionada, de lo contrario se cambia el orden de

todo el experimento.La opción “store design in worksheet”: guardar diseño en la hoja de trabajo,
es seleccionada. Presionar OK
Presionar OK en la pantalla principal. El sistema despliega el experimento en la hoja de
trabajo.

En la columna C8 capturamos la respuesta Yield , para cada combinación del experimento.

Para analizar el experimento se selecciona la siguiente opción de la barra de herramientas:

STAT > DOE > Analyze Factorial design.

La pantalla tiene las siguientes opciones: Responses, Graphs, Terms, Covariates, Results,
Storage.

 En el cuadro de Respuestas “Responses” seleccinamos la columna C8, correspondiende a

la variable de respuesta del experimento.
 En la opción “Terms” términos, se muestran los factores y sus interacciones, las cuales se
dan por default, en el caso de que se quiera hacer una modificación el sistema permite
realizarla. Ej.: Ignorar interacciones mayores a grado 2. Si se desea eliminar un factor en
esta pantalla también se puede hacer.

 En la opción “Graphs”, gráficas, se seleccionan las gráficas de efectos deseadas, así

como las gráficas de residuos, estas nos permiten realizar el análisis del experimento.
Seleccionamos las gráficas de Efectos: Normal y Pareto, el nivel alfa deseado que en este caso
es de 0.05 y en la opción “Residual for Plots” seleccionamos la opción regular que viene por
default. En el caso de que queramos más gráficos podemos seleccionar las que vienen en la
parte de “Residual Plots”. Dar click en OK

 En la opción Results (Resultados) se muestra la siguiente ventana:

Seleccionamos la opción por default: coefficients, ANOVA Table, and unusual observations.
En el cuadro Available Terms, se muestran los Factores y las interacciones, estos se
seleccionan y se pasan del lado derecho. Click en OK

Pareto Chart of the Standardized Effects

(response is C8, Alpha = .05)

A: Temperat
B: Presión
C C: Catalisi

BC

AC

ABC

AB

0 1 2 3 4 5 6

En la gráfica de Pareto observamos que los principales efectos son aquellos que pasan la línea
punteada: C, B, y BC. Estos son los que más afectan el experimento.

Normal Probability Plot of the Standardized Effects

(response is C8, Alpha = .05)

1.5 A: Temperat
B B: Presión
C: Catalisi
1.0

0.5
Normal Score

0.0

-0.5
BC
-1.0

C
-1.5
-6 -5 -4 -3 -2 -1 0 1 2 3

Standardized Effect
 La gráfica normal de probabilidad muestra los efectos más significativos que en este
caso son los mismos que en la gráfica de pareto: C, B y BC.

En la tabla observamos los coeficientes de los efectos, así como el análisis de varianza.

Fractional Factorial Fit

Estimated Effects and Coefficients for Yield (coded units)

Term Effect Coef StDev T P

Constant 74.81 2.561 29.21 0.000

Temperat 1.38 0.69 2.561 0.27 0.795

Presión 14.13 7.06 2.561 2.76 0.025

Catalisis -30.37 -15.19 2.561 -5.93 0.000

Temperat*Presión -0.13 -0.06 2.561 -0.02 0.981

Temperat*Catalisis -1.13 -0.56 2.561 -0.22 0.832

Presión*Catalisi -13.38 -6.69 2.561 -2.61 0.031

Temperat*Presión*Catalisi -0.12 -0.06 2.561 -0.02 0.981

Analysis of Variance for Yield (coded units)

Source DF Seq SS Adj SS Adj MS F P

Main Effects 3 4496.19 4496.19 1498.73 14.28 0.001

2-Way Interactions 3 720.69 720.69 240.23 2.29 0.155

3-Way Interactions 1 0.06 0.06 0.06 0.00 0.981

Residual Error 8 839.50 839.50 104.94

Pure Error 8 839.50 839.50 104.94

Total 15 6056.44

Los efectos principales son los menores al nivel de significancia 0.05, P-Values (columna P),
estos están sombreados en la tabla.
Para generar las gráficas que nos permitirán determinar y visualizar cuales son los niveles
óptimos de los efectos (gráfica de efectos principales, gráfica de interacciones y gráfica de cubo
utilizamos la siguiente opción: Stat > DOE > Factorial plots

Seleccionamos la opción Main effects y damos click en Setup.

Se despliega la ventana Factorial Plots-Main, en la cual seleccionamos en el cuadro

Responses C8. Posteriormente seleccionamos los Factores principales. Damos click en OK

Repetimos los pasos anteriores para las gráficas de interacción y cubica. Damos click en OK y
obtenemos las gráficas deseadas.
En está gráfica obtenemos los niveles que maximizan la respuesta.

Temperatura : nivel “alto” = 40°, Presión nivel “alto” = 4, Catálisis nivel “bajo” = A

Main Effects Plot (data means) for Yield

20 40 1 4 A B
91

83

Yie
ld 75

67

59
Temperatura Presión Catalisis

Interaction Plot (data means) for Yield

1 4 A B

Temperatura 100

40 80

20
60
En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y Catálisis
100 A “nivel
Bajo” Presión

4 80

1
60

Catalisis
 Cube Plot (data means) for Yield

60.0 60.0

102.5 105.0
4

Presión 59.0 59.5

B

Catalisis
75.0 77.5
1 A
20 40
Temperatura
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice 102.5. De
está gráfica también podemos saber cuales son los niveles óptimos de cada factor.

Fórmulas de cálculo para diseños factoriales.


Diseño factorial 22

La siguiente figura muestra la diferentes combinaciones de los tratamientos, así como los
factores A y B en los niveles alto y bajo, para un diseño 2 2

b ab
+

-
(1) a

- +
A

 Cálculo de los efectos

Los efectos de interés en el diseño son los efectos principales de A y B y los efectos de la
interacción AB, se denominan contrastes siendo calculados como sigue:

1
A  ab  a  b   1 
2n

1
B  ab  b  a   1 
2n
1
AB   ab   1  a  b
2n
Donde n = número de replicas
Las cantidades entre paréntesis se denominan contrastes, aquí los coeficientes siempre son
+1 o –1. También se pueden determinar usando una tabla de signos como sigue:

Efectos factoriales

Corrida I A B AB

1 (1) + - - +

2 a + + - -

3 b + - + -

4 ab + + + +

Ejemplo: Para determinar el contraste de A utilizando la tabla de signos obtenemos:

 - 1  a - b  ab

 Suma de cuadrados

Para obtener la suma de cuadrados de A, B, y AB se usa:

( contraste )2
SS 
n ( coeficientes .de .contrastes )2

SS A 
 ab  a  b   1 
2

n* 4

SS B 
 ab  b  a   1 
2

n* 4

SS AB 
 ab   1  a  b 2
n* 4

2 2 n
y2
SST     y 2 ijk 
i 1 j1 k 1 4n

SS E  SST  SS A  SS B  SS AB

Donde

SST = Suma Total de Cuadrados

SSE = Suma de Cuadrados del Error

 Grados de libertad (g.l.)

A=1

B=1

AB = 1

SSE = 4 (n-1)

SST = 4n -1

 Cuadrados Medios (M.S.)

SS
MS 
gl .

 La tabla de Análisis de varianza (ANOVA) queda como sigue:

Fuente de Suma de Grados de Cuadrado

variación cuadrados libertad medio Fo .

Factor A SSA a -1 MSA Fo = MSA / MSE

Factor B SSB b- 1 MSB Fo = MSB / MSE

Interacción SSAB (a –1)(b-1) MSAB Fo = MSAB / MSE

AB

Error SSE ab(n-1) MSE

Total SST abn-1

 Valor crítico

Calculamos el Valor de F en la tabla mediante: F ( , a, n)

Donde:  = nivel de significancia.

a = número de niveles del factor A

n = tamaño de muestra del Factor A

De la misma manera se calcula para los demás factores.


Regla de decisión: Si F0 > F, el factor es significativo.

 Análisis Residual

Para obtener los residuos se utiliza la ecuación de regresión siguiente:

y   0   1 x1   2 x 2  

El valor de la intersección 0 es el promedio del número total de observaciones y cada

coeficiente de regresión  1,  2 es la mitad del efecto estimado del factor correspondiente .

Los valores X1 y X2 representan los efectos A y B. Estos valores se codifican en los niveles alto
y bajo del experimento (-1 y +1)

Este modelo es usado para predecir los valores de y en los cuatro puntos del experimento.

Utilizando la ecuación se buscan todas las combinaciones posibles, que en este tipo de diseño
son cuatro. Al obtener la respuesta óptima, determinamos cuales son los niveles más
favorables para nuestro experimento.

Ej.

B0  27.5
 1  8.33
 2  5

El modelo de regresión es:

 8.33   5
y  27.5    x1    x2
 2   2 

Realizando las diferentes combinaciones tenemos:

 8.33   5
y  27.5   ( 1)   ( 1) = 29.165
 2   2 

 8.33   5
y  27.5   (1)   (1)  34.165
 2   2 
  8.33   5
y  27.5   (1)   (1)  20.835
 2   2 

 8.33   5
y  27.5   ( 1)   ( 1)  25.835
 2   2 

La respuesta óptima es 34.165, por lo cual los níveles más favorables en este experimento son
x1 = +1 y x2 = -1.

Para obtener los residuos, se resta el valor observado (en la muestra) del valor predicho
( ecuación de regresión)

Ej:

Tenemos los siguientes valores observados: 28, 25 y 27. utilizando la primera ecuación donde y
= 29.165 el calculo de residuos sería:

e1 = 28-25.835 = 2.165

e2 = 25-25.835 = -0.835

e3 = 27-25.835 = 1.165

Los demás residuos se calculan de la misma manera, utilizando el valor predicho

correspondiente (de cada ecuación), existen tantos residuos como número de observaciones.

Posteriormente los residuos se grafican en el papel normal de probabilidad. Para determinar si

cumplen con el supuesto de normalidad.


Diseño factorial 2k

El diseño de 3 factores es un cubo con ocho combinaciones factoriales, permite estimar

tres efectos principales (A, B, y C), tres interacciones de dos factores (AB, BC, y AC) y una
interacción de tres factores (ABC). Considerando que las letras minúsculas representan la
suma de las n replicas de cada uno de los ocho experimentos, se tiene:
 1
A ( a  ab  ac  abc  b  c  bc  ( 1 ))
4n
1
B ( b  ab  bc  abc  a  c  ac  ( 1 ))
4n
1
C ( c  ac  bc  abc  a  b  ab  ( 1 ))
4n
1
AB  ( ab  ( 1 )  abc  c  b  a  bc  ac )
4n
1
AC  ( ac  ( 1 )  abc  b  a  c  ab  bc )
4n
1
BC  ( bc  ( 1 )  abc  a  b  c  ab  ac )
4n
1
ABC  ( abc  bc  ac  c  ab  b  a  ( 1 ))
4n

Las cantidades entre paréntesis se denominan contrastes de las ocho combinaciones de

niveles y factores. También pueden obtenerse de la tabla siguiente:

Tabla de Signos para los efectos en el diseño 23

Combinación del Efectos factoriales

Tratamiento I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +

Propiedades de la tabla:

1. Excepto por la columna identidad I, cada columna tiene un número igual de signos más y
menos.

2. La suma de productos de los signos con cualquier par de columnas es cero, o sea que se
trata de una tabla ortogonal.

3. Al multiplicar cualquier columna por la columna I se obtiene la misma columna, entonces I es

el elemento identidad.

4. El producto de cualquier par de columnas resulta en otra columna en la tabla, AxB = AB,
ABxABC = A2B2C = C dado que una columna multiplicada por si misma da la columna
identidad.
El estimado de cualquier efecto principal o interacción se determina como sigue:

Contraste
Efecto 
n2 k  1

La suma de cuadrados de cualquier efecto es:

( contraste )2
SS 
n2 k

Ejemplo Se realizó un experimento para investigar el acabado superficial de una parte de

metal. El experimento es un diseño factorial 2 3 con los factores Velocidad de ataque (A),
profundidad de corte (B) y ángulo de corte (C), con n = 2 réplicas. En la tabla siguiente se
observan los resultados del acabado superficial.

Datos del experimento

Factores de Diseño Acabado
Corrida A B C Superficial Total
1 (1) -1 -1 -1 9,7 16
2 a +1 -1 -1 10,12 22
3 b -1 +1 -1 9,11 20
4 ab +1 +1 -1 12,15 27
5 c -1 -1 +1 11,10 21
6 ac +1 -1 +1 10,13 23
7 bc -1 +1 +1 10,8 18
8 abc +1 +1 +1 16,14 30

Los efectos principales se calculan como sigue, por ejemplo para el factor A:

A =(22 + 27 +23 + 30 – 20 – 21 –18 – 16) / 4(2) = 3.375

De la misma forma

B = 1.625

C = 1.375

AB = 1.375

AC = 0.125
BC = -0.625

ABC = 1.125

Calculando la suma de cuadrados como sigue:

SSA 
 ContrasteA ^ 2  45.56
2 *8
gl.SSA = 1

De la misma forma para los demás factores, se tiene:

SSB = 10.5625 todos con gl. = 1

SSC = 3.065

SSAB = 7.5625

SSAC = 0.0625

SSBC = 1.5625

SSABC = 5.5625

SSErr = 19.500 con (16 – 7 ) = 8 gl. MSE = 2.4375

SST = 92.9375 con 15 gl.

Formando la tabla ANOVA y calculando los valores de Fc para cada factor se tiene (Fcrítica
(0.1, 1, 8) = 3.45

Fuente Fc

A 18.69

B 4.33

C 1.26

AB 3.1

AC 0.03

BC 0.64

ABC 2.08

Por tanto sólo son significativos los factores A y B por ser Fc > Fcrítica.

Para probar normalidad se puede utilizar la ecuación de regresión anterior para las dos
variables A y B, con sus niveles codificados en (-1, +1), tomando la media general y los
estimados de los efectos de los factores A y B y de su interacción, se tiene:
  3.375   1.625   1.375 
y   0   1 x1   2 x 2   3 x1 x 2    11 .0625    x1    x2    x1 x 2
 2   2   2 

Con esta ecuación se pueden evaluar los residuos, que se calculan para cada
combinación de las dos variables A y B ya que la C no fue relevante. Por ejemplo para el caso
de

A = -1 y B = -1 se tiene:

Yest = 9.25

Los valores observados para A = -1, B = -1 y

C = -1, corresponden a las respuestas 7 y 9. Obteniendo los residuos contra el valor estimado
de 9.25 se tiene:

r1 = 9 – 9.25 = - 0.25

r2 = 7 – 9.25 = - 2.25

Graficando estos residuos en papel normal no se observan anormalidades mayores.

Como el menor valor se obtiene al tener A y B en nivel bajo, esta es la solución que se
recomienda.

Técnica de confusión en los diseños 2k

Existen muchos problemas en los cuales es imposible desarrollar replicas completas de un

diseño factorial en un solo bloque,

La confusión es una técnica de diseño que sirve para arreglar un experimento factorial
completo en bloques, donde el tamaño del bloque es más pequeño que el número de
combinaciones del tratamiento en una réplica. La técnica origina información acerca de ciertos
efectos del tratamiento (usualmente de mayor orden que las interacciones) que son
confundidas con los bloques.

Diseños factoriales 2k en dos bloques.-

Supongamos que deseamos dividir en dos bloques un diseño 2 2 . La figura muestra un posible
diseño para este problema. Aquí observamos que las combinaciones de los tratamientos en
diagonales opuestas son asignados a los diferentes bloques.

= corrida en el bloque 1
B
= corrida en el bloque 2

-
- +
A
Notamos que el bloque 1 está compuesto por las combinaciones de los tratamientos (1) y ab,
el bloque 2 esta compuesto por a y b.

Bloque 1 Bloque 2

(1) a

ab b

Dado que las dos combinaciones con el signo positivo [ (1) y ab] están en el bloque uno, y las
dos combinaciones [ a y b] están en el bloque 2, el efecto de los bloques y la interacción AB
son idénticas. Esto significa que AB es confundida con los bloques.

Los signos de las combinaciones mencionadas los encontramos en la columna AB de la tabla.

(1) y ab tienen signo positivo, a y b tienen signo negativo.

Corrida I A B AB

1 (1) + - - +

2 a + + - -
 3 b + - + -

4 ab + + + +

Este método puede ser usado para confundir cualquier efecto (A, B o AB) en bloques. Por
ejemplo, si (1) y b hubieran sido asignados al bloque 1, a y ab al bloque 2, entonces el efecto
principal A hubiera sido confundido en bloques.

Método de combinación lineal

Otro método para construir este tipo de diseños consiste en el uso de la combinación lineal:

L   1 x1   2 x 2  ................. k xk

donde

xi = nivel del factor que aparece en una combinación particular del tratamiento.

xi = 0 (nivel bajo) ó 1 nivel alto.

 i  es el exponente del factor en el efecto que es confundido.

i = 0 ó 1

Las combinaciones del tratamiento que producen el mismo valor de L serán acomodadas en el
mismo bloque. Dado que los valores de L pueden ser 0 ó 1 el número de bloques en un diseño
2k son dos.

Ejemplo:

Consideremos un diseño 23 con ABC confundida en bloques.

X1 corresponde a A, X2 corresponde a B, X3 corresponde a C, y a1   2   3  1

La combinación lineal correspondiente a ABC es:

L = X1+ X2+ X3
 Para determinar los valores Xi de la combinación lineal L utilizamos la tabla de signos del
diseño 23 , Donde el signo “-“ = 0 y “+” = 1

Combinación del Efectos factoriales

Tratamiento I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +

Para obtener la combinación del tratamiento (1) procedemos de la siguiente manera:

Observando el renglón del tratamiento (1) y tomando los signos de los efectos A, B, y C
obtenemos los valores de X1, X2, X3. = 000. Por tanto:

L = 1(0)+1(0)+1(0) = 0

De la misma manera la combinación del tratamiento a sería:

L = 1(1) + 1(0) + 1(0) = 1

Calculando las demás combinaciones tenemos:

 b: L = 1(0)+1(1)+1(0) = 1 = 1

ab: L = 1(1)+1(1)+1(0) = 2 = 0

c: L = 1(0)+1(0)+1(1) = 1 = 1

ac: L = 1(1)+1(0)+1(1) = 2 = 0

bc: L = 1(0)+1(1)+1(1) = 2 = 0

abc: L = 1(1)+1(1)+1(1) = 3 = 1

Nota cuando el valor de L>1 entonces L= 0, por ejemplo en la combinación ab obtuvimos L = 2,

entonces L = 0

Para formar el bloque 1, tomamos todas las combinaciones L = 0, el bloque dos se forma con
las combinaciones L = 1, resultando:

Bloque 1 Bloque 2

(1) a
ab b
ac c
bc abc