1.
INTRODUCCIN AL DISEO DE EXPERIMENTOS
E
l diseo de experimentos es una tcnica estadstica que nos
ayuda a identificar qu factores o variables afectan El
comportamiento de un proceso productivo y de esta manera
poder mejorarlo.
O bien: es una prueba o una serie de pruebas en las cuales se
inducen cambios deliberados en las variables de entrada de un
proceso o sistema, de manera que sea posible observar e identificar
las causas de los cambios en la respuesta de salida.
Experimento: es una prueba o ensayo.
El proceso o sistema bajo estudio puede representarse por medio del
modelo de la figura 1.1.
Factores controlables
x1 x2 x3 x4 ... xp
Entradas Salida
Proceso
y
z1 z2 z3 z4 ... zq
Factores incontrolables
Figura 1. Modelo general de un proceso o sistema
Lo mtodos de diseo experimental tiene un propsito que puede ser
desarrollar un proceso consistente o robusto; esto es, un
proceso que no sea afectado por fuentes de variabilidad
externas o ruido.
En el diseo de experimentos se plantean varias preguntas
importantes:
1. Son estas dos soluciones los nicos medios para lograr la
respuesta de inters?
2. Existen otros factores que pueden afectar la respuesta de las
muestras y que deban ser investigados o controlados?
3. Cuntas muestras deben ser sometidas a cada solucin de
templado?
4. En qu forma debe asignarse cada muestra a los tratamientos,
y en qu orden deben realizarse las mediciones?
5. Qu mtodo de anlisis debe utilizarse?
6. Qu diferencia en los niveles promedio de respuesta entre los
dos tratamientos debe considerarse como significativa?
Estas, y quiz muchas otras preguntas, debern ser contestadas
satisfactoriamente antes de llevar a cabo el experimento.
1.1 Aplicaciones del diseo de experimentos
E
l diseo de experimentos puede servir para mejorar el
rendimiento de un proceso de manufactura, desarrollo de
nuevos procesos con lo que se logra:
1. Mejorar el rendimiento del proceso.
2. Menor variabilidad y mayor apego a los requerimientos
nominales y objetivos.
3. Menor tiempo de desarrollo.
4. Menores costos totales.
Los mtodos de diseo de experimentos tambin se aplican al diseo
de productos como sigue:
1. Evaluacin y comparacin de conceptos de diseo bsicos.
2. Evaluacin de materiales alternativos.
3. Seleccin de parmetros de diseo de modo que el producto
funcione bien desde una amplia variedad de condiciones de uso
real; Esto es, de modo que el producto sea consistente (robusto).
El uso del diseo de experimentos en estas reas puede dar por
resultado productos con mayor confiabilidad y mejor funcionamiento
en el campo, menores costos, y menor tiempo de diseo y desarrollo
del producto.
El diseo estadstico de experimentos es el proceso de planear un
experimento para obtener datos apropiados, que pueden ser
analizados mediante mtodos estadsticos, con objeto de producir
conclusiones validas y objetivas.
Cuando se identifican los factores y su influencia en un sistema
productivo, se pueden tomar decisiones que efectivamente mejoren
la calidad del producto o servicio. Se pueden identificar las fuentes
de variacin reales para su reduccin en la bsqueda de la mejora
continua.
Cuando se usan experimentos pretendemos analizar el efecto de
cambios que nosotros inducimos ms que analizar variaciones al azar.
Por ejemplo, mediante un diagrama causa-efecto podemos identificar
las posibles causas o factores que inciden en un efecto o respuesta
especifica tal y como s muestra en la figura 2
F2 F1
F11
F21
F22 F12
CARACTERISTICA
DE C ALIDAD
F41
F31
F32
F42
F4 F3
Figura 1.2 Diagrama de Causa Efecto
Mediante un experimento podemos inducir cambios en uno varios
factores (F2l. F33 y F11 por ejemplo) y analizar estadsticamente si el
cambio en los factores afecta o no el resultado o efecto del proceso.
Definicin de experimento, diseo de experimentos y
eficiencia de un experimento
Experimento
E s un conjunto de pruebas estructurado y coherente que son
analizadas a fin de comprender la operacin del proceso.
Diseo de experimentos
E
s el proceso de planear, ejecutar y analizar el experimento de
manera que los datos apropiados sean recolectados, y que
estos tengan validez estadstica para obtener conclusiones
validas y tiles. Se entiende por validez estadstica, el que los
resultados se puedan repetir consistentemente sobre todo en la
operacin a gran escala o masiva.
Eficiencia de un experimento
Un experimento es eficiente cuando:
1. Se obtiene la informacin requerida.
2. Con el mnimo consumo de recursos.
Esto es, un experimento eficiente debe ser lo ms simple y
econmico posible pero efectivo. Las tcnicas del diseo de
experimentos pretenden que los experimentos sean eficientes.
1. 2 Principios bsicos del diseo de experimentos
P ara que un experimento pueda tener validez estadstica se deben
de observar al menos tres principios:
Reproduccin. Esto significa que el experimento se pueda llevar
a cabo o repetir bajo las mismas condiciones en ms de una
ocasin.
La diferencia observada como resultado de un experimento es real, o
se debe a simple error aleatorio, o aun ms a otro factor como por
ejemplo diferente tipo del material. Para aclarar esto, es necesario
repetir el experimento y cuantificar si se presenta consistentemente o
no la variacin detectada.
La reproduccin por lo tanto es importante por al menos dos razones:
i) Permite cuantificar el error aleatorio inherente al proceso y
ii) Permite una mejor estimacin de los parmetros.
Aleatoriedad. Esto significa que tanto el material asignado a un
experimento en particular, como el orden en que se efectan
las pruebas se efectu de una manera aleatoria.
Anlisis por bloques. Es una tcnica que se usa para
incrementar la precisin del experimento. Un bloque es una
porcin del material experimental que sea ms homognea que
el total del material o cuando las condiciones son ms
homogneas. Al realizar un experimento por bloques se hacen
las comparaciones entre las condiciones de inters del
experimento dentro de cada bloque.
1.3. Metodologa general para realizar un
experimento
S e sugieren varias metodologas en la literatura, la siguiente es una
de ellas:
1. Identifique claramente el problema o situacin a resolver. Antes de
poder planear un experimento necesitamos definir claramente que es
la que estamos buscando, aun cuando esto puede parecer trivial en
ocasiones es tanta la presin para tomar decisiones que corremos a
experimentar sin por lo menos definir claramente nuestros objetivos.
En este paso es necesario definir que tipo de informacin es
exactamente la que nos interesa, ya que no podemos medir o variar
todos y cada uno de los componentes de un experimento.
En ocasiones escuchamos que el experimento fue un xito pero la
calidad no mejor. Antes de planear un experimento se debe de
investigar y. analizar el conocimiento y datos que ya se tengan sobre
este problema. La participacin activa del personal involucrado en el
problema es de vital importancia en este paso.
En conclusin como resultado de este paso, la hiptesis a probar debe
quedar bien definida. Un diagrama causa-efecto es una buena ayuda
en este paso.
2. Identificar variables. En este paso dos tipos de variables se deben
de identificar, variables dependientes y factores o variables
independientes.
La variable dependiente o variable de respuesta es la caracterstica
de calidad que queremos mejorar y cuyo comportamiento deseamos
conocer, ejemplos de esta son: porcentaje de contaminacin,
satisfaccin de un cliente, desgaste de una herramienta, tiempo, de
falla, etc.
Es deseable que una variable dependiente rena las caractersticas
siguientes:
Cuantitativa
Precisa.
Que tenga algn significado fsico.
Las variables independientes o factores representan aquellas causas
o factores cuyo efecto sobre la variable dependiente se quiere
analizar. Cada uno de estos factores se deber probar al menos a dos
valores diferentes para evaluar su efecto, a cada uno de estos valores
o niveles se les llama tratamientos. Por ejemplo, si queremos
conocer el efecto de la temperatura sobre la dureza de un material y
para ello se realizan pruebas a 70, 80 y 90C se dice que tenemos un
experimento de un solo factor con tres tratamientos. Otra vez es de
vital importancia la participacin del personal involucrado en el
problema a fin de seleccionar apropiadamente los factores o variables
independientes y los niveles de cada factor o tratamiento de inters.
Cmo seleccionar los diferentes niveles de un factor?, En general un
factor puede ser cualitativo (proveedor, turno, operario, etc), o
cuantitativo (temperatura, presin, altura, tiempo, etc.). Los niveles
especficos en cualquier caso se pueden seleccionar ya sea
aleatoriamente dentro de un cierto rango o a un nivel fijo definido por
el experimentador previamente, esto nos lleva a cuatro situaciones
generales:
A. Factor fijo, cualitativo.
En este caso, de entre los diferentes niveles o tratamientos posibles
para el factor, el experimentador esta interesado en el efecto que
ciertos niveles seleccionados por l previamente tienen sobre la
variable de respuesta. Adems, el factor es del tipo cualitativo. Por
ejemplo tres proveedores, tres turnos, dos procesos diferentes, etc.
B. Factor fijo, cuantitativo.
Este caso es similar al anterior excepto que el factor es cuantitativo,
por ejemplo: temperatura, presin, tiempo, concentracin de un
componente, etc. Para este caso es recomendable que los diferentes
niveles o tratamientos se tomen equiespaciados, esto es, por ejemplo
10, 20, 30 y 40 C: 5, 10, 15, 20 y 25 psi; 8, 12, 16 y 20 minutos, etc.
La conclusin a que se puede llegar con este caso es si la variable de
respuesta es diferente para cada uno de los tratamientos que se
seleccionaron y de ser as el tipo de relacin que existe entre el factor
y la variable de respuesta (lineal, cuadrtica, etc.).
C. Factor aleatorio, cualitativo.
En este caso los niveles o tratamientos se seleccionan al azar de
entre varios posibles. Por ejemplo: se tienen varios lotes de un mismo
proveedor, se selecciona al azar cules de ellos analizar, en este caso
la conclusin del experimento se extiende para cubrir todos los
posibles niveles..
D. Factor aleatorio, cuantitativo.
Igual que en el caso anterior los diferentes niveles o tratamientos son
seleccionados al azar.
Por ejemplo para la temperatura si el rango de inters es de 0 a 100.
Se puede al azar seleccionar 5 niveles 7, 36, 46, 80 y 8 C. La
conclusin que se puede obtener en este caso es similar al caso c.
En este material, a menos que se especifique lo contrario, los factores
se consideran fijos.
3. Definir el diseo del experimento. Esto imp1ica definir de qu
manera se efectuaran las pruebas y qu modelo matemtico describe
mejor el experimento. En el resto de este material se describen varios
tipos de experimentos de los cuales se tomar el que mejor se ajuste
a la situacin particular.
4. Efectuar el experimento. Esto de acuerdo a lo que se defina en el
paso 3.
5. Anlisis de los datos. Estos son bsicamente anlisis estadsticos.
6. Conclusiones y toma de decisiones.
Una metodologa (alterna) desarrollada por Douglas C.
Montgomery es la siguiente:
P
ara usar un enfoque estadstico al disear y analizar un
experimento se requiere que todos los participantes en l
tengan de antemano una idea clara de qu es exactamente lo
que se va a estudiar, cmo se van a recopilar los datos y, al menos,
una idea cualitativa de cmo se van a analizar. A continuacin, se
ofrece una gua del procedimiento recomendado:
1. Comprensin y planteamiento del problema.
Este punto pudiera parecer obvio; sin embargo, en la prctica no es
sencillo darse cuenta de que existe un problema que requiere
experimentacin, ni disear un planteamiento claro y aceptable del
mismo. Es necesario desarrollar todas las ideas sobre los objetivos del
experimento. Suele ser importante solicitar la opinin de todas las
partes implicadas. Un planteamiento claro del problema contribuye a
menudo en forma sustancial a un mejor conocimiento del fenmeno y
de la solucin final del problema.
2. Eleccin de factores y niveles.
El experimentador debe elegir los factores que variarn en el
experimento, los intervalos de dicha variacin y los niveles
especficos de inters a los cuales se har el experimento. Tambin
debe considerarse la forma en que se controlarn estos factores para
mantenerlos en los valores deseados, y cmo se les medir. Para ello
es necesario conocer el proceso de manera prctica y terica.
3. Seleccin de la variable de respuesta.
Al seleccionar la respuesta o variable dependiente, el experimentador
debe estar seguro de que la respuesta que se va a medir realmente
provea informacin til acerca del proceso de estudio. Con mayor
frecuencia, el promedio o la desviacin estndar (o ambos) de la
caracterstica medida sern la variable de respuesta. No son raras las
respuestas mltiples. La capacidad de medicin (o el error de
medicin) tambin es un factor importante. Si la capacidad de
medicin es deficiente, slo puede esperarse que el experimento
detecte efectos relativamente grandes de los factores; en caso
contrario deben hacerse repeticiones.
4. Eleccin del diseo experimental.
Para elegir el diseo es necesario considerar el tamao muestral
(nmero de repeticiones), seleccionar un orden adecuado para los
ensayos experimentales, y determinar si hay implicado bloqueo u
otras restricciones de aleatorizacin.
Es importante tener presente los objetivos experimentales al
seleccionar el diseo, se tiene inters en identificar qu factores
causan diferencias en estimar la magnitud del cambio de la
respuesta. En otras situaciones habr ms inters en verificar la
uniformidad. Por ejemplo, pueden compararse dos condiciones de
produccin A y 8, siendo A la estndar y B una alternativa de menor
costo. El investigador estar interesado en demostrar que no hay
diferencia en cuanto a la productividad (por ejemplo), entre las dos
condiciones.
5. Realizacin del experimento.
Cuando se realiza el experimento, es vital vigilar el proceso
cuidadosamente para asegurar que todo se haga conforme a lo
planeado. En esta fase, los errores en el procedimiento suelen anular
la validez experimental. La planeacin integral es decisiva para el
proceso. En un complejo entorno de manufactura o investigacin y
desarrollo, es fcil subestimar los aspectos logsticos y de planeacin
de la realizacin de un experimento diseado.
6. Anlisis de datos.
Deben emplearse mtodos estadsticos para analizar los datos, de
modo que los resultados y conclusiones sean objetivos ms que
apreciativos. Existen muchos excelentes paquetes de software para el
anlisis de datos, y varios mtodos grficos sencillos son importantes
en la interpretacin de tales datos. El anlisis de residuos y la
verificacin de la idoneidad del modelo son tambin tcnicas de
anlisis de gran utilidad.
Hay que recordar que los mtodos estadsticos slo proporcionan
directrices para la veracidad y validez de los resultados. Los mtodos
estadsticos, aplicados adecuadamente, no permiten probar algo
experimentalmente, slo hacen posible obtener el probable error de
una conclusin, o asignar un nivel de confiabilidad a los resultados. La
principal ventaja de los mtodos estadsticos es que agregan
objetividad al proceso de toma de decisiones. Las tcnicas
estadsticas, aunadas aun buen conocimiento tcnico o del proceso y
al sentido comn, suelen llevar a conclusiones razonables.
7. Conclusiones y recomendaciones.
Una vez que se han analizado los datos, l experimentador debe
extraer conclusiones prcticas de los resultados y recomendar un
curso de accin. En esta fase a menudo son tiles los mtodos
grficos, en especial al presentar los resultados a otras personas.
Tambin deben realizarse corridas de seguimiento y pruebas de
confirmacin para validar las conclusiones del experimento.
1.4. Aplicaciones del diseo de experimentos.
E
n muchas ocasiones l termino experimento se considera
asociado exclusivamente para cuestiones cientficas y tericas;
sin embargo tienen varias aplicaciones prcticas.
Es necesario tener claros y en todo caso revisar los siguientes
conceptos estadsticos antes de seguir:
Qu es una prueba de hiptesis?
Qu e s un error tipo I y Qu es un error tipo II?
Qu es una prueba t para comparar dos medias?
Qu es la potencia de una prueba de hiptesis?
Qu es control estadstico?.
Qu es nivel de significancia?.
3. EXPERIMENTOS CON UN SOLO FACTOR: EL
ANALISIS DE VARIANZA
2.1 Introduccin
El anlisis de la varianza de un factor (ANOVA) es una metodologa
para analizar la variacin entre muestras y la variacin al interior de
las mismas mediante la determinacin de varianzas. Es llamado de
una va porque analiza un variable independiente o Factor ejemplo:
Velocidad. Como tal, es un mtodo estadstico til para comparar dos
o ms medias poblacionales. El ANOVA de un criterio nos permite
poner a prueba hiptesis tales como:
H 0 1 2 3 .... k
H 1 : Al menos dos medias poblaciona les son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que
utiliza muestras independientes son:
1. Ambas poblaciones son normales.
12 22 .
2. Las varianzas poblacionales son iguales, esto es,
El estadstico tiene una distribucin muestral resultando:
sb2
Fc 2
sw
El valor crtico para la prueba F es:
F , ( k 1), k ( n 1))
Donde el nmero de grados de libertad para el numerador (Sb^2 >
Sw^2) es k-1 y para el denominador es k(n-1), siendo el nivel de
significancia.
k = nmero de muestras.
Por ejemplo:
2.2 Tipos de variacin y sumas de cuadrados
1. Variacin total entre los 14 empleados, su puntuacin no fue
igual con todos
VARIACIN TOTAL RESPECTO A LA MEDIA GENERAL
r c 2
SCT ( Xij X )
i 1 j 1
SCT = (85-82.14)2 + (72-82.14)2+(83-82.14)2+.....+(88-82.14)2
SCT = 251.7
2. Variacin entre los diferentes tratamientos o Variacin entre
muestras o variacin entre programa 1, programa 2 y programa 3
EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA
GENERAL
r
SCTR rj ( X j X ) 2
j 1
SCTR = 4(79.5 - 81.3333)2 + 5(81 - 81.3333)2 + 5(85 - 81.333)2
SCTR = 65.71
3. Variacin dentro de un tratamiento o muestra o programa
dado que no todos los empleados dentro de un mismo programa
obtuvieron los mismos puntajes. Se denomina Variacin dentro de los
tratamientos.
VARIACIN DENTRO DEL TRATAMIENTO O VARIACIN DEL ERROR
CADA VALOR RESPECTO A LA MEDIA DE SU TRATAMIENTO
r c
SCE (X ij X j )2
i 1 j 1
SCE = SCT - SCTR = 186
4. Grados de libertad
Grados de libertad totales = n - 1 = 14-1 = 13
Grados de libertad de los tratamientos = c - 1 = 3 - 1 = 2
Grados de libertad del error = gl. Totales - gl. Tratamientos = 13 - 2 =
11
gl SCT = gl SCTR + gl SCE
gl SCE = gl SCT - gl SCTR = (n -1) - (c - 1) = n -c
5. Cuadrados medios (Suma Cuadrados/ Grados libertad)
CMT = Cuadrado medio total = SCT / (n-1) = 19.4
CMTR = Cuadrado medio del tratamiento = SCTR / (c -1) = 32.9
CME = Cuadrado medio del error = SCE/ gle.= 16.9
6. Estadstico de prueba Fc y estadstico F crtico de alfa
Fc = CMTR / CME= 1.946745562
Falfa, [Link], [Link] min ador F ,c 1,n c
y ij
2.5 Grafica de residuos contra el valor ajustado de
S
i el modelo es correcto y las suposiciones se satisfacen, los
residuos no deben tener algn patrn, ni deben estar
relacionados con alguna variable, incluyendo la respuesta Y ij.
Una comprobacin sencilla consiste en graficar los residuos contra los
y ij
valores ajustados (debe recordarse que para el modelo en un
y ij - yi.
sentido , el promedio del tratamiento i-simo). En esta grafica no
debe revelarse ningn patrn obvio en la siguiente figura se grafican
los residuos contra los valores ajustados de los datos de la resistencia
a la tensin del ejemplo 2.3 Ningn patrn inusual es evidente.
Grafica de residuos contra valores ajustados
Un efecto que en ocasiones revela la grafica es el de una varianza
variable. Algunas veces la varianza de las observaciones lo hace. Esto
resulta cuando el error es proporcional a la magnitud de la
observacin (comnmente esto sucede en instrumentos de medicin
el error es proporcional a la escala de la lectura). Si este es el caso,
los residuos aumenta a medida que Yij lo hace, y la grafica de los
Yij
residuos contra parecer un embudo que se ensancha o un
altavoz. La varianza variable tambin ocurre en casos cuyos datos no
tienen distribucin normal y estn sesgados, porque en las
distribuciones sesgadas la varianza tiende a ser funcin de la media.
5. INTRODUCCION A LOS DISEOS FACTORIALES
5.1 Principios y definiciones bsicas
M
uchos experimentos se llevan a cabo para estudiar los
efectos producidos por dos o ms factores. Puede
mostrarse que en general los diseos factoriales son los
ms eficientes para este tipo de experimentos. Por diseo factorial se
entiende aquel en el que se investigan todas las posibles
combinaciones de los niveles de los factores en cada ensayo
completo o rplica del experimento. Por ejemplo, si existen a
niveles del factor A y b niveles del factor B, entonces cada rplica
del experimento contiene todas las ab combinaciones de los
tratamientos. A menudo, se dice que los factores estn cruzados
cuando stos se arreglan en un diseo factorial.
El efecto de un factor se define como el cambio en la respuesta
producida por un cambio en el nivel del factor. Con frecuencia, ste se
conoce como efecto principal porque se refiere a los factores de
inters primordial del experimento. Por ejemplo, consideremos los
datos de la tabla 1. El efecto principal del factor A podra interpretarse
como la diferencia entre la respuesta promedio en el primer y
segundo nivel de ese factor. Numricamente:
Factor B
B1 B2
A1 20 30
Factor A
A2 40 52
Tabla 1 Un experimento factorial
40 52 20 30
A 21
2 2
En otras palabras, incrementar el factor A del nivel 1 al 2 produce un
cambio en la respuesta promedio de 21 unidades. Similarmente, el
efecto principal de B es:
30 52 20 40
B 11
2 2
Si los factores tienen ms de dos niveles, el procedimiento anterior
debe ser modificado ya que las diferencias entre las respuestas
promedio pueden expresarse de muchas formas.
En algunos experimentos puede encontrarse que la diferencia en la
respuesta entre los niveles de un factor no es la misma en todos los
niveles de los otros factores. Cuando esto ocurre existe una
interaccin entre los factores. Por ejemplo, considrense los datos de
la Tabla 2.
Factor B
B1 B2
A1 20 40
Factor A
A2 50 12
Tabla 2. Un experimento factorial con interaccin
En el primer nivel del factor B, el efecto de A es:
A = 50 - 20 = 30
Mientras que en el segundo nivel de B, el efecto de A es:
A = 12 - 40 = 28
Puede observarse que existe una interaccin entre los factores A y B
porque el efecto de A depende del nivel elegido de B.
Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra
una grfica de la respuesta de los datos de la Tabla 1 contra los
niveles del factor A para ambos niveles del factor B. Se observa que
las rectas B1 y B2 son, aproximadamente, paralelas. Esto indica que no
hay interaccin entre los factores. De manera similar, en la Fig. 2 se
presenta una grfica de la respuesta de los datos de la Tabla 2.
60
B2
50
B1
40
30 B2
20
B1
10
A1 A2
Factor A
Figura 1 Un experimento factorial sin interacciones
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto
muestra que existe una interaccin entre A y B. Sin embargo, no debe
ser la nica tcnica para analizar los datos, porque su interpretacin
es subjetiva y su apariencia, a menudo, es engaosa.
60 B1
50
B2
40
30
20
B1
10 B2
A1 A2
Factor A
Figura 2 Un experimento factorial con interacciones
Hay que notar que cuando una interaccin es grande los
correspondientes efectos principales tienen poco significado prctico.
Una estimacin del efecto principal de A de los datos de la Tabla 2 es:
50 12 20 40
A 1
2 2
El cual resulta ser muy pequeo corrindose el riesgo de concluir que
no existe un efecto debido a A. Sin embargo, cuando se examin el
efecto de A en niveles diferentes de B se concluy que ste no era el
caso. El factor A tiene un efecto, pero depende del nivel del factor B.
En otras palabras, es ms til conocer la interaccin AB que el efecto
principal. Una interaccin significativa oculta a menudo el significado
de los efectos principales.
5.2 Ventajas de los diseos factoriales
L
as ventajas de los diseos factoriales pueden ilustrarse
fcilmente. Supongamos que se tienen dos factores, A y B, cada
uno con dos niveles. Estos niveles se representan mediante A 1,
A2, B1 y B1. La informacin acerca de ambos factores puede obtenerse
variando un factor a la vez como aparece en la tabla 3. El efecto de
variar el factor A est dada por A 2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos
observaciones de cada combinacin de tratamientos y hacer una
estimacin de los efectos de los factores usando las respuestas
promedio. Por lo tanto, se requiere un total de seis observaciones.
Factor B
B1 B2
Tabla 3 El mtodo de un factor a la vez
A1 A1B1 A1B2
Factor A
A2 A2B1 12
Los diseos factoriales poseen algunas ventajas.
Son ms eficientes que los experimentos de un factor a la vez.
Los diseos factoriales son necesarios cuando alguna
interaccin puede estar presente, para evitar hacer
conclusiones engaosas.
Los diseos factoriales permiten estimar los efectos de un
factor en diversos niveles de los otros factores, produciendo
conclusiones que son vlidas sobre toda la extensin de las
condiciones experimentales.
5.3 Diseo factorial de dos niveles
E
l primer diseo de la serie 2 2 es aquel en el que solo dos
factores, A y B, cada uno con dos niveles. Este diseo se
conoce como diseo factorial 22. Arbitrariamente, los niveles
del factor pueden llamarse bajo y alto.
