Universidad Tecnológica de Honduras
Catedrática: Ing. Alejandro Bosco Menocal
Asignatura: Diseño y Experimentación
Alumno: Jean Carlo Flores Mejía
Tema: Tarea Individual #1 (Segundo Parcial)
(Diseño General Factorial 3k )
N° de Cuenta: 201510011603
Fecha: 11/Julio/2020
Diseños factoriales 3k
El diseño factorial 3k considera k factores con tres niveles cada uno y tiene 3k tratamientos.
La primera desventaja de los diseños 3k es que al aplicarse requieren mayor cantidad de
pruebas que el diseño 2k. Por ejemplo, si se quieren estudiar cuatro factores, y se considera
sólo una repetición, el diseño 34 requiere en total 81 pruebas, una para cada tratamiento;
mientras que el diseño 24 sólo necesita 16 pruebas. De esta forma, cuando se tienen
muchos factores, cuatro o más, prácticamente es prohibitivo pensar en correr un diseño 3k.
Sin embargo, cuando se tienen pocos factores, tres como máximo, o en el peor de los casos
cuatro, hay algunas situaciones prácticas en las que el diseño 3k es una buena alternativa.
De manera específica, hay dos razones que hacen viable el diseño 3k:
Se tienen factores de tipo continuo e interesa estudiar efectos cuadráticos como A2,
B2,…, A2B, B2A, A2B2,… (Efectos de curvatura). Esto se hace cuando se cree que la
variable de respuesta no es lineal, ni aproximadamente lineal en el rango de
variación de los factores estudiados (ver figura 7.1b).
Los factores son categóricos o discretos y de manera natural tienen tres niveles cada
uno. Esto ocurre en factores como tipo de material, diferentes medios de cultivos,
factor máquina, etc., los cuales pueden tener naturalmente tres niveles. Por ejemplo,
si uno de los factores es un reactivo del cual existen tres marcas, resulta natural que
el experimentador quiera probar las tres marcas con la idea de comparar su
desempeño en las diferentes combinaciones de los factores restantes.
Ahora, profundizando en la posible existencia de curvatura, consideremos un factor X de
tipo continuo que se supone tiene efecto sobre la respuesta Y. Dicho efecto desconocido
podría ser de tipo lineal, al menos en forma aproximada, como en la figura 7.1a, o de tipo
cuadrático como en la figura 7.1b. En esta misma figura se observa que para estudiar un
efecto lineal, o aproximadamente lineal, basto con probar el factor X en dos niveles,
mientras que para estudiar un efecto cuadrático son necesarios al menos tres niveles del
factor X. El problema es que de antemano no se sabe cómo será el efecto del factor y a veces
se corre el riesgo de utilizar dos niveles, cuando en realidad se requerían de al menos tres.
Entonces, se recomienda contar con una estrategia experimental que permita detectar de
manera económica la presencia de curvatura. Ése es precisamente el propósito de agregar
puntos al centro en un diseño 2k. Sin embargo, con esta estrategia sólo se detecta si hay
curvatura, pero no es posible estudiarla (modelarla). El diseño factorial 3k es una de las
alternativas experimentales que permite estudiar efectos de curvatura, además de efectos
lineales y de interacción
Historia
Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y Henry J.
Gilbert de la Estación experimental de Rothamsted.
Ronald Fisher discutió en 1926 que los diseños complejos, como diseños factoriales, eran
más eficientes que estudiando un factor a la vez. Fisher escribió: ningún aforismo se repite
tan frecuentemente respecto de las pruebas de campo, que aquel de que a la Naturaleza
debemos hacerle pocas preguntas, o, idealmente, hacérselas de a una. Quien escribe es un
convencido de que este punto de vista está totalmente equivocado.
Un diseño factorial permite el efecto de varios factores e incluso interacciones entre ellas
que se determinarán con el mismo número de ensayos que son necesario determinar de los
efectos por sí mismo con el mismo grado de exactitud.
Yates realizó importantes contribuciones significativas hechas, particularmente en el análisis
de diseños, por Análisis de Yates.
El término factorial no se pudo haber utilizado en la impresión antes de 1935, cuando Fisher
la utilizó en su libro El diseño de experimentos.
Análisis de Yates
La técnica fundamental consiste en repartir el total en componentes mediante sumas de
cuadrados. Esta técnica tuvo efectos secundarios en el modelo. Por ejemplo, demostramos
el modelo para un ANOVA simplificado con un tipo de tratamiento en diversos niveles.
Los grados de libertad se pueden repartir de manera similar y especifican distribuciones chi-
cuadrado que describen las sumas asociadas de cuadrados.
Prueba F de Fisher
Se utiliza para las comparaciones de los componentes de la desviación total. Por ejemplo, en
una forma, o el solo-factor ANOVA, la significación estadística es probada para comparando
la estadística de la prueba de F
Donde:
F-distribución con el del I-1, secundario< del > n< T> /sub grados de libertad. Usar la F-
distribución es un candidato natural porque la estadística de la prueba es el cociente de dos
sumas malas de los cuadrados que tienen a distribución del chi-cuadrado.
Ejemplo #1
Se están investigando los efectos sobre la resistencia del papel que producen la
concentración de fibra de madera (factor A), la presión del tanque (factor B) y el tiempo de
cocción de la pulpa (factor C). Se seleccionan dos niveles de la concentración de madera (τ 1,
τ 2), tres niveles de la presión (β1, β2, β3) y dos niveles del tiempo de cocción (γ1, γ2).
Pueden considerarse todos los factores fijos. Analizar los resultados y obtener las
conclusiones apropiadas
Ejemplo #2
Supongamos de nuevo la situación del Ejemplo 6.2 en la que, en este caso, se seleccionan
tres niveles de la concentración de madera (τ 1, τ 2, τ 3) y dos niveles de la presión (β1, β2) y
del tiempo de cocción (γ1, γ2). Pueden considerarse todos los factores fijos. Se realiza un
experimento factorial con dos réplicas y se recopilan los siguientes datos. Analizar los
resultados y obtener las conclusiones apropiadas.
Análisis
Un experimento factorial se puede analizar usando ANOVA o el análisis de regresión . Es
relativamente fácil estimar el efecto principal de un factor. Para calcular el efecto principal
de un factor de "A", restar el promedio de respuesta de todas las corridas experimentales
para los que A era en su baja (o primero) Nivel de la respuesta media de todas las corridas
experimentales para los que A era en su alta (o segundo) nivel.
Otras herramientas de análisis exploratorios útiles para experimentos factoriales
incluyen efectos principales parcelas, parcelas de interacción , parcelas de Pareto , y
un gráfico de probabilidad normal de los efectos estimados.
Cuando los factores son continuas, diseños factoriales de dos niveles asumen que los efectos
son lineales . Si un cuadrática se espera efecto de un factor, un experimento más complicado
debe ser utilizado, tal como un diseño compuesto central . Optimización de los factores que
podrían tener efectos de segundo grado es el objetivo principal de la metodología de
superficie de respuesta .
