Diseños Factoriales
1
JUSTIFICACIÓN
▪ En aquellos casos donde tenemos 2 o más factores independientes que
pudieran interactuar el uno con el otro, no es apropiado usar un diseño
experimental que se limite a medir los efectos de ambos de manera
independiente.
▪ Una estrategia empleada para examinar varios factores independientes dentro
de un mismo experimento es usar un diseño factorial.
▪ Los diseños factoriales consisten de 2 o más combinaciones de diferentes
factores que pueden tener 2 o más niveles y estos pueden ser cuantitativos o
cualitativos.
▪ Todas las combinaciones factoriales que son de interés en el experimento son
estudiadas.
▪ Algunas combinaciones no son de interés.
▪ Las comparaciones entre los factores seleccionados se realizan en base a los
efectos principales y las interacciones.
2
JUSTIFICACIÓN (continuación)
▪ En un experimento con un solo factor no se puede investigar el efecto de
las interacciones. Además, los niveles de ese solo factor se convierten en
los tratamientos en sí.
▪ Pero cuando hay 2 o más factores y estos interactúan entre si, entonces la
combinación de los niveles de dichos factores constituyen los tratamientos
y el estudio es llamado un diseño factorial.
▪ En general, los estudios que exploran el efecto de dos o más variables
independientes (factores) en la respuesta (y) son estudios factoriales.
3
VENTAJAS
+ Ayuda a economizar los recursos destinados a la investigación.
+ Extiende la valides de los descubrimientos en un mayor rango.
+ Nos permite evaluar el efecto de varios factores al mismo tiempo.
+ Nos permiten detectar interacciones entre los factores.
DESVENTAJAS
– Incrementa la complejidad, tamaño y costo del experimento en la
medida que aumente el número de factores involucrados.
– Cuando los factores son heterogéneos puede resultar en estimaciones
menos precisas conforme el número de tratamientos aumenta.
– Los experimentos factoriales del mismo tamaño que un experimento
con un solo factor (e.g., DCA) tienen un error experimental más
grande. Esto puede controlarse a través del bloqueo.
4
MODELO
Xijk = μ + αi + ßj + (αß)ij + έijk
Xijk = es la respuesta de la unidad experimental kth recibiendo el nivel ith del factor
A y el nivel jth del factor B.
μ = Intercepto o media poblacional; la media promediada de las observaciones de
los factores A & B.
αi = el efecto del nivel ith del factor A, promediado sobre los niveles del factor B.
ßj = el efecto del nivel jth del factor B.
αi & ßj = son los efectos principales.
(αß)ij = el efecto producto de la interacción entre el nivel ith del factor A y el nivel
jth del factor B.
έijk = error aleatorio asociado con la respuesta de la unidad experimental
recibiendo el nivel ith del factor A y el nivel jth del factor B.
Requisito: ~ ε (0, σε2); Además, los ε deben ser independientes.
5
MODELO (continuación)
3 Factores
yijkm = µijk + αi + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (µβγ)ijk + eijkm
3 Factores (pero uno de ellos son bloques)
yijkm = µijk + αi + βj + γk + (αγ)ik + eijkm
6
EJEMPLO #1
1. En cierto experimento factorial queremos medir la respuesta de
un grupo de varones participantes a cierto medicamento y
tomamos en consideración dos factores:
– La edad de las personas: Jóvenes, Maduros y Ancianos.
– La dosificación: 10 y 20 mg.
Este es un ejemplo de un factorial 3 x 2.
7
EJEMPLO #2
2. En un experimento queremos medir la respuesta de los
individuos al manejar luego de ingerir alcohol y cafeína:
– Cafeína: 0 mg, 200 mg y 400 mg.
– Alcohol: si/no.
Este es otro ejemplo de un factorial 3 x 2.
8
EJEMPLO #3
▪ Por causa de la demanda de los consumidores las compañías han
desarrollado una serie de productos cárnicos bajos en grasa.
▪ Varios productos han sido evaluados como potenciales sustitutos de la
grasa animal al tiempo que no se sacrifique ni la palatabilidad del
producto ni incremente los costos de producción.
▪ Entre los sustitutos evaluados esta el concentrado de proteína de soya y
la harina de Konjac siendo esta última útil por su capacidad de
retención de humedad al tiempo que ayuda a reducir el % de grasa
animal.
▪ En el experimento propuesto, se dispuso evaluar el tipo de mescla de la
harina de Konjac, el % de harina de Konjac y el % de concentrado de
proteína de soya.
9
Experimento factorial tipo: 2 x 2 x 3
10
EJEMPLO #4
Un investigador quiere probar la efectividad de 2 drogas (A & B) para el
control de las tenias o solitarias en cachorros de perro. Los veterinarios
conjeturan que la efectividad de ambas drogas puede ser afectada por la dieta
de los cachorros así como por la resistencia genética heredada de la madre de
los cachorros.
Tres diferentes dietas (Factor A) son combinadas con ambas drogas (Factor
B) dando como resultado un diseño factorial 3 x 2 con 6 tratamientos.
Para el estudio, 4 grupos de cachorros con 6 cachorros cada uno fueron
seleccionados ya que cada grupo de cachorros tenían diferente madre. De esta
forma, los 4 grupos de cachorros representan los bloques para aislar el efecto
de la resistencia heredada.
Posteriormente, los 6 tratamientos fueron asignados de manera aleatoria a
cada cachorro dentro de cada manada.
11
EJEMPLOS #5
1. Si tenemos un experimento en el cual tenemos 3 factores (e.g.,
A, B & C) y el Factor A tiene 2 niveles, mientras que el Factor B
tiene 4 niveles & el Factor C tiene 3 niveles al tiempo que cada
nivel tiene 5 repeticiones entonces al final se recolectaran un
total de:
2 x 4 x 3 = 24 tratamientos x 5 rep = 120 observaciones.
2. En cierto experimento factorial tenemos 4 factores (A, B, C, D) y
cada factor tiene 3 niveles con 5 repeticiones cada uno entonces
al final se recolectaran un total de:
3 x 3 x 3 x 3 = 81 tratamientos x 5 rep = 405 observaciones.
12
INTERACCIÓN
▪ Esta ocurre cuando un factor responde de diferente forma cuando
está bajo el efecto de los niveles del otro factor.
AUSENCIA DE INTERACCIÓN
▪ Ocurre cuando la respuesta de un factor es similar aun cuando se
encuentra bajo el efecto de los niveles de otro factor.
13
REPRESENTACIÓN GRÁFICA DE UNA INTERACCIÓN
Con interacción Sin interacción
17
INTERPRETACIÓN DE INTERACCIONES
▪ Para poder interpretar las interacciones se requiere de la prueba
de significancia apropiada.
▪ Sí existen interacciones significativas, calcule su efecto y
regístrelo en el cuadro de ANAVA.
▪ Aquí es donde la cosa se torna complicada.
▪ La interacción entre dos o más factores solo puede ser medida sí
ambos factores son probados juntos en el mismo experimento.
▪ Cuando escriba el reporte centre sus observaciones y
conclusiones entorno a las interacciones sí estas existen, es
decir, si son significativas.
▪ Solo en caso que las interacciones no sean significativas
prestamos atención a los efectos principales.
18
REQUISITOS DEL ANÁLISIS
▪ Normalidad de errores experimentales (Distribución Gaussiana).
• Para determinar la normalidad de una población de datos se puede usar una
grafica de dispersión a fin de graficar los residuos o errores experimentales.
• Se grafica los residuos o errores experimentales, la normalidad de una base de
datos no determina a través de los datos en si.
• Una vez graficados, se puede calcular una línea de regresión a fin de observar
si los residuos se aproximan a la misma.
• Entre más se acerquen a la línea de regresión mayor será la normalidad de su
distribución. En contraste, entre más se alejen de la línea de regresión se
reduce la probabilidad de una distribución normal.
REQUISITOS DEL ANÁLISIS (continuación)
▪ NORMALIDAD DE ERRORES EXPERIMENTALES (Continuación).
• Prueba de Shapiro-Wilk. Cuando n ≤ 50.
• Prueba de Kolmogorov-Smirnov. Cuando n > 50.
Hipótesis:
Ho : Los residuos están normalmente distribuidos.
Ha : Los residuos no están normalmente distribuidos.
• Sí el pvalor ≤ 0.05 entonces se rechaza la Ho en favor de la Ha.
• Sí el pvalor > 0.05 entonces se acepta la Ho.
21
REQUISITOS DEL ANÁLISIS (continuación)
▪ HOMOGENEIDAD DE VARIANZAS (σ²)
La homogeneidad de σ² se verifica bajo la siguiente hipótesis:
• Ho: σ2 = σ2 = σ2 = σ2 =....... σ2.
• Ha: al menos una σ2 es diferente.
Sí el pvalor ≤ 0.05 entonces se rechaza la Ho en favor de la Ha.
Sí el pvalor > 0.05 entonces se acepta la Ho.
La homocedasticidad puede verificarse a través de varias pruebas estadísticas
entre las cuales sobresalen:
• La Prueba de Levene.
• La Prueba de Bartlett.
22
REQUISITOS DEL ANÁLISIS (continuación)
• LOS RESIDUOS DEBEN SER INDEPENDIENTES UNOS DE OTROS.
Verificamos esta condición a través del test de Durbin-Watson.
Ho: Los errores experimentales son independientes.
Ha: Los errores experimentales están correlacionados.
• Sí el valor la Dcalculada < Dlímite inferior tabulado entonces rechazamos la Ho.
• Sí el valor de Dcalculada > Dlímite superior tabulado entonces no rechazamos la Ho.
• Si Dlímite inferior tabulado < Dcalculada < Dlímite superior tabulado entonces la prueba es inconclusa.
HIPOTESIS
Xijk = μ + αi + ßj + (αß)ij + έijk
Ho: µ1 = µ4 = µ3 = µ4 = µ5 = µ6 =µ7 = µ8……µx
Ha: al menos una µ es diferente.
Ho: ß1 = β2 = β3 = β4 = ……βx
Ha: al menos una β es diferente.
Ho: No hay interacción entre α & β
Ha: α & β si interactúan.
ANAVA - 2 FACTORES
Xijk = μ + αi + ßj + (αß)ij + έijk
Fuente de variación GL SC Medias Cuadradas FCalculada FTabulada
Efectos principales: 5% 1%
Factor A. A– 1 SC A SC A / (A – 1) MC A / MC Error ? ?
Factor B. B–1 SC B SC B / (B – 1) MC B / MC Error ? ?
Interacción doble:
AB. (A – 1) (B – 1) SC AB SC AB /(A – 1)(B – 1) MC AB / MC Error ? ?
Error. AB(n–1) SC Error SC Error / AB(n–1)
Total. ABn-1 SC Total
n = número de unidades experimentales/Observaciones.
GL = grados de libertad.
SC = suma de cuadrados.
28
ANAVA - 2 FACTORES (continuación)
Fuente de variación GL SC Medias Cuadradas FCalculada FTabulada
Efectos principales: 5% 1%
Factor A. A– 1 SC A / (A – 1) MC A / MC Error ? ?
Factor B. B–1 SC B / (B – 1) MC B / MC Error ? ?
Interacción doble:
AB. (A – 1) (B – 1) SC AB /(A – 1)(B – 1) MC AB / MC Error ? ?
Error. AB(n–1) SC Error / AB(n–1)
Total. ABn-1
n = número de unidades experimentales/Observaciones.
GL = Grados de libertad.
SC = Suma de cuadrados.
ANAVA - 3 FACTORES
yijkm = µijk + αi + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (µβγ)ijk + eijkm
Fuente de variación GL SC Medias Cuadradas FCalculada FTabulada
Efectos principales: 5% 1%
Factor A. A– 1 SC A / (A – 1) MC A / MC Error ? ?
Factor B. B–1 SC B / (B – 1) MC B / MC Error ? ?
Factor C. C–1 SC C / (C – 1) MC C / MC Error ? ?
Interacciones dobles:
AB. (A – 1) (B – 1) SC AB / (A – 1) (B – 1) MC AB / MC Error ? ?
AC. (A – 1) (C – 1) SC AC / (A – 1) (C – 1) MC AC / MC Error ? ?
BC. (B – 1) (C – 1) SC BC / (B – 1) (C – 1) MC BC / MC Error ? ?
Interacciones triples:
ABC. (A – 1) (B – 1) (C – 1) SC ABC / (A – 1) (B – 1) (C – 1) MC ABC / MC Error ? ?
Error. ABC(n–1) SC Error / ABC(n–1)
Total. ABCn-1
n = número de unidades experimentales/Observaciones.
GL = Grados de libertad.
SC = Suma de cuadrados.
30
SORGO FORRAJERO
yijkl= µ + αi + βj + γk + + δl + (α*γ)ik + (α*δ)il + (α*γ*δ)ijk + ɛijkl donde:
yijkl: es la respuesta de la unidad experimental recibiendo el nivel i del factor α, el nivel j
del factor β, el nivel k del factor γ y el nivel l del factor δ.
µ: es el intercepto o la media de la población.
α: es el efecto de los tratamientos (15 tratamientos).
β: es el efecto de los bloques (j: I, II, III & IV).
γ: es el efecto del país (k: Honduras, USA, Nicaragua, El Salvador & Guatemala).
δ: es el efecto del año (l: 2010 & 2011).
(α*γ)ik: es el efecto de la interacción del nivel i del Factor α con el nivel k del Factor γ.
(α*δ)il: es el efecto de la interacción del nivel i del Factor α con el nivel l del Factor δ.
(α*γ*δ)ikl: es el efecto de la interacción del nivel i del Factor α con el nivel k del Factor γ
con el nivel l del Factor δ.
ɛijkl: el efecto del error experimental aleatorio que deberá satisfacer los siguientes
requisitos ɛ: ~ N (0, σε2).
Factorial tipo: 15 x 4 x 5 x 2 = 600 observaciones recolectadas.
= 600 unidades experimentales.
PRODUCCIÓN DE GRANO DE SORGO
