Professional Documents
Culture Documents
Conocer la interacción es más útil que conocer los efectos principales. Una interacción
significativa frecuentemente oscurece la significancia de los efectos principales.
Cuando hay interacción significativa, se deberán examinar los niveles de un factor, digamos
A, con los niveles del o de los otros factores fijos, para tener conclusiones acerca del efecto
principal A.
Dos factores: A con a niveles y B con b niveles. Se dice que se tiene un factorial a × b, con
diseño completamente al azar (bloques, etc.). Se tienen ab tratamientos. [1]
Diseños factoriales con dos factores
Un diseño factorial con dos factores consiste en experimentar con todos los tratamientos
que se obtienen al combinar cada nivel de un factor con los niveles del otro.
En ocasiones, el experimentador está interesado en estudiar el efecto sobre la variable
respuesta de varios factores.
En estos casos la alternativa a la experimentación clásica, en la que se estudia el efecto de
cada factor en experimentos independientes, es el diseño factorial. [1]
Diseño 2k para k = 2 factores
Este diseño, es el más sencillo de la serie. Consideramos dos factores: A y B, cada uno a 2
niveles.
Normalmente consideramos estos niveles como los niveles alto y bajo del factor ojtetivo.
El diseño 22 puede ser representado geométricamente como un cuadrado con 4 ensayos.
Para cualquier diseño 2k con n replicas, la estimación del efecto y de los cuadrados se
estiman de la siguiente forma:
Las cantidades entre corchetes en las ecuaciones anteriores se llaman contrastes. Podemos
utilizar los contrastes para calcular las sumas de cuadrados para A, B y la interacción AB.
donde b0, b1, b2 son los coeficientes de regresión a estimar, x1 y x2 representan los niveles
de
x1 y x2 respectivamente. Suponiendo que se recolectan N³3 valores de respuesta (Y), con
los estimadores b0, b1 y b2 se obtienen b0, b1 y b2 respectivamente. Al reemplazar los
coeficientes de regresión por sus estimadores obtenemos:
donde Yˆ denota el valor estimado de Y dado por x1 y x2.
Superficie de respuesta. La relación Y=f(x1, x2,... xk) entre Y y los niveles de los k
factores x1, x2,... xk representa una superficie. Con k factores la superficie está en k+1
dimensiones. Por ejemplo cuando se tiene Y=f(x1) la superficie esta en dos dimensiones,
mientras que si tenemos Y=f(x1, x2.) la superficie está en tres dimensiones. [3]
Los parámetros del modelo se estiman mediante el método de mínimos cuadrados. Una vez
que se tienen los estimadores se sustituyen en la ecuación y obtenemos el modelo ajustado:
Se puede hacer un análisis del ajuste del modelo con la R2, que es la proporción total de la
variación de las Yi con respecto a la media que se puede explicar con la ecuación de
regresión ajustada. [3]
REFERENCIAS: