Leidy Jiménez
Angge Ortiz
Shirley Quiroga
Tarea
Introducción a los diseños factoriales
Leidy Johanna Jiménez Cañón (cod: 201811870)
Angge Katherinne Ortiz Zambrano (Cod: 201812645)
Shirley Adriana Quiroga Pérez (cod: 201812602)
.
Diseño Experimental
Universidad Pedagógica y Tecnológica de Colombia
Escuela de Ciencias Químicas
2021
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
1. ¿Qué es un experimento factorial completo?
En estadística, un diseño factorial completo es un diseño que crea puntos
experimentales utilizando todas las combinaciones posibles de los niveles de los
factores en cada ensayo completo o réplica de los experimentos. Los puntos de diseño
experimental en un diseño factorial completo son los vértices de un hipercubo en el
espacio de diseño n-dimensional definido por los valores mínimo y máximo de cada uno
de los factores. Estos puntos experimentales también se denominan puntos factoriales.
Para tres factores que tienen cuatro niveles de cada factor, considerando el diseño
factorial completo, se debe realizar un total de 4 3 (64) números de experimentos. Si
hay n réplicas de experimentos completos, entonces habrá n-tiempos de los
experimentos de replicación única que se van a realizar. En la experimentación, debe
tener al menos dos réplicas para determinar una suma de cuadrados debido al error si
todas las posibles interacciones están incluidas en el modelo.
2. ¿Cuántos efectos se pueden estudiar con un factorial 4 x 3 x 2? Bosqueje su tabla
de análisis de varianza.
Se están evaluado 3 tratamientos, cada uno con los siguientes niveles:
A=4
B=3
C=2
Se pueden estudiar 7 efectos (3 efectos de factor y 4 efectos de interacción):
Efecto AB
Efecto AC
Efecto B C
Efecto ABC
Efecto A
Efecto B
Efecto C
F.V SC gl CM Fexp
Factor A SCA a-1 CMA CMA/ CMe
Factor B SCB b-1 CMB CMB/ CMe
Factor C SCC c-1 CMC CMC/ CMe
AXB SC(AB) (a-1)(b-1) CM(AB) CM(AB)/ CMe
AXC SC(AC) (a-1)(c-1) CM(AC) CMA(AC)/
CMe
BXC SC(BC) (b-1)(c-1) CM(BC) CMA(BC)/ CMe
AXBXC SC(ABC) (a-1)(b-1)(c-1) CM(ABC) CMA(ABC)/
CMe
Error SCe Abc(n-1) CMe
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
Total SCT abcn-1 CMT
(Porras, L. 2021) (Gutiérrez, 2008, pp. 142–143)
3. En una investigación experimental se tienen factores con dos niveles cada uno,
pero surge la propuesta de usar tres niveles. ¿Cuál es la implicación práctica de
utilizar tres niveles de prueba en lugar de dos en un factor dado?
Si un factor se prueba en 2 niveles, todo su efecto marginal (Efecto en la variable
dependiente que resulta de cambiar un poco una variable independiente.) Individual es
lineal, ósea que su efecto individual no se puede descomponer, Por ejemplo tenemos un
factorial AXB, el factor A y el factor B, y su interacción AXB, en este caso ningún
factor se puede descomponer.Pero si tuviera 3 niveles su efecto marginal se puede
descomponer en una parte lineal y otra cuadrática pura, por ejemplo si tenemos un
factorial AXBXC, y tenemos lo siguiente factores e interacciones:
A
B
C
AXB
AXC
BXC
AXBXC
Observamos que efectivamente se puede descomponer en una parte lineal y el otra
cuadrática pura. [2][3] (Porras, L. 2021) (Marin, J.)
4. ¿Cuáles son los supuestos del modelo en un diseño factorial y con cuáles gráficas
de residuos se puede verificar cada uno de los supuestos?
Los supuestos del modelo de un diseño factorial son los supuestos de normalidad,
varianza constante independencia de los residuos los cuales se verifican principalmente
con los métodos gráficos y con los métodos analíticos. Se grafican los residuos vs.
predichos, y se observa que si se cumple el supuesto de varianza constante, al caer todos
los puntos dentro de una banda horizontal. Así mismo se cumple la normalidad si los
residuos siguen una distribución normal, al graficarlos con la probabilidad tienden a
quedar alineados en una línea recta; por lo tanto, si claramente se alinean se concluye
que el supuesto de normalidad es correcto. La suposición de independencia en los
residuos puede verificarse si se grafica el orden en que se colectó un dato contra el
residuo correspondiente. De esta manera, si al graficar en el eje horizontal el tiempo
(orden de corrida) y en el eje vertical los residuos, si el comportamiento de los puntos es
aleatorio dentro de una banda horizontal, el supuesto se está cumpliendo. (Gutiérrez,
2008, pp. 142–143)
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
5. ¿Cuándo es necesario verificar los supuestos del modelo?
Principalmente es necesario verificar los supuestos de normalidad, varianza constante e
independencia de los residuos en diseño factorial cuando se trabaja con los métodos
para diseños de uno y dos factores.
6. ¿Cuál de los supuestos puede afectar más el análisis en caso de no cumplirse?
Los supuestos que pueden afectar más el análisis de un diseño factorial en caso de no
cumplirse son los supuestos de normalidad y varianza constante. Sin embargo estos dos
supuestos no tienen que cumplirse de forma estricta pues el Anova es muy robusto y
permite pequeñas desviaciones en estos dos supuestos. (Gutiérrez, 2008.)
7. ¿Qué significa que el modelo estadístico sea de efectos aleatorios? ¿En qué
cambian las hipótesis de interés en factor aleatorio con respecto de uno fijo?
¿Qué significa que el modelo estadístico sea de efectos aleatorios?
En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria de
una población de niveles. Este modelo surge ante la necesidad de estudiar un factor que
presenta un número elevado de posibles niveles, que en algunas ocasiones puede ser
infinito. En este modelo las conclusiones obtenidas se generalizan a toda la población de
niveles del factor, ya que los niveles empleados en el experimento fueron seleccionados
al azar. (García Leal, J., 1998. pp, 1-2)
Tales modelos ayudan en el control de la heterogeneidad no observada cuando esta
heterogeneidad es constante en el tiempo y correlacionado con variables independientes.
Esta constante puede ser retirada de los datos a través de diferenciación, por ejemplo,
mediante la adopción de una primera diferencia, lo que eliminará cualquier componente
invariante en el tiempo del modelo. (wikipedia.org. 2021)
Hay dos supuestos comunes realizados sobre el efecto específico individual, el supuesto
de efectos aleatorios y el supuesto de efectos fijos. El supuesto de efectos aleatorios
(hecho en un modelo de efectos aleatorios) es que los efectos específicos individuales
no están correlacionados con las variables independientes. Si el supuesto de efectos
aleatorios sostiene, el modelo de efectos aleatorios es más eficiente que el modelo de
efectos fijos. Sin embargo, si esta hipótesis no se sostiene (es decir, si la prueba de
Durbin-Watson falla), el modelo de efectos aleatorios no es consistente. (García Leal, J.,
1998. pp, 1-2)
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
¿En qué cambian las hipótesis de interés en factor aleatorio con respecto de uno fijo?
Las hipótesis de interés en un factor aleatorio cambian con respecto a un factor fijo,
cuando los niveles de prueba utilizados en un factor son una muestra aleatoria de la
población de niveles para ese factor.
La diferencia entre las hipótesis aleatorias y las hipótesis fijas son:
Las hipótesis fijas se basan en el efecto sobre la variabilidad de respuesta
(variables independientes).
Las hipótesis aleatorias se basan en la varianza
8. A continuación se muestra parte del análisis de varianza para un diseño
factorial 3 x 5 con dos réplicas, el factor A con tres niveles y el factor B con cinco.
Tabla ANOVA para un diseño factorial 3 x 5 con dos réplicas
Factores de
SC gl CM
variación
A 800 2 400
B 900 4 225
AB 300 8 37,5
Error 400 15 26,667
Total 2400 29
Dónde:
a=3 b=5 n=2(réplicas)
Cálculos para completar la tabla ANOVA:
Suma de cuadrados total (SC total)
SC total=SC A + SC B+ SC ( AB ) + SC E=2400
Grados de libertad (gl)
Para el factor A:
a−1=3−1=2
Para el factor B:
b−1=5−1=4
Para la interacción AB:
( a−1 )( b−1 ) =( 3−1 ) ( 5−1 ) =( 2 ) x ( 4 )=8
Para el error:
ab ( n−1 )=( 3 x 5 )( 2−1 )=( 15 ) ( 1 )=15
Para el total:
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
nab−1=( 5 x 3 x 2 )−1=75−1=29
Cuadrado medio (CM)
SCA 800
CMA= = =400
a−1 2
SCB 900
CMB= = =¿225
b−1 4
SCAB 300
CMAB= = =37,5
( a−1 )( b−1 ) 8
SCE 400
CME= = =26,667
ab ( n−1 ) 15
a. Suponga efectos fijos, anote el modelo estadístico apropiado y formule las
hipótesis a probar para este experimento.
Modelo estadístico:
y ijk =μ +α i + β j+(αβ )ij + ε ijk (1)
i=1,2 , … , a ; j=1,2 , … , b ; K=1,2. . ,n.
Dónde µ es la media global;α i es el efecto debido al i-ésimo nivel del factor A;β j es
el efecto del j-ésimo nivel del factor B;(αβ)ij representa al efecto de interacción entre
el i-ésimo nivel del factor A y el j-ésimo nivel del factor B y ε ijk es el error aleatorio
que se supone sigue una distribución normal con media cero y varianza constante
s2(N(0,s2)) y son independientes entre sí. [4]
Para que la estimación de los parámetros de este modelo sea única, se introducen las
a b a b
restricciones ∑ α i=0 , ∑ β j=0 y ∑ α i ∑ β j ( αβ)ij =0. [4]
i=1 j=1 i=1 j=1
Es decir, los efectos dados en el modelo son desviaciones relacionadas con la media
global.
Hipótesis de interés:
Las hipótesis de interés para los efectos del modelo anterior son:
Para el factor A:
H 0=Efecto de A=0
H a=Efecto de A ≠ 0
Para el factor B:
H 0=Efecto de B=0
H a=Efecto de B ≠ 0
Para la interacción AB:
H 0=Efecto de AB=0
H a=Efecto de AB ≠ 0
(Gutiérrez, 2012, pp. 134-138).
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
b. ¿Cuáles de las fuentes de variación son significativas estadísticamente?
Argumente su respuesta.
F* F-tabla p-valor
14,9998 3,6823 0,0026401
8,4374 3,0556 0,000896918
1,4062 2,6408 0,270934909
Conclusión:
Como el F*>F crítico y el p-valor <0,05 de los factores A y B, se puede decir que se
encuentra evidencia estadística que demuestra que ambos factores presentan medias
significativamente diferentes, con un nivel de significancia del 0,05. (Gutiérrez,
2012, pp. 134-138).
c. Responda a. y b., pero ahora suponiendo que ambos efectos son aleatorios.
Modelo estadístico:
y ijk =μ +α i + β j+(αβ )ij + ε ijk (1)
i=1,2 , … , a ; j=1,2 , … , b ; K=1,2. . ,n.
Var ( Y ijk ) =σ 2α +σ 2β + σ 2αβ +σ 2 (3)
Dónde µ es la media global;α i es el efecto debido al i-ésimo nivel del factor A;β j es
el efecto del j-ésimo nivel del factor B;(αβ)ij representa al efecto de interacción entre
el i-ésimo nivel del factor A y el j-ésimo nivel del factor B y ε ijk es el error aleatorio
que se supone sigue una distribución normal, con varianza constante e
independencia entre sí; σ 2α, β son la contribución de cada efecto a la varianza
constante; σ 2 es el componente de la varianza debido al error aleatorio.
Hipótesis de interés:
Las hipótesis de interés para los efectos del modelo anterior son:
Para el factor A:
H 0=σ 2α =0
H a=σ 2α ≠0
Para el factor B:
H 0=σ 2β =0
H a=σ 2β ≠0
Para la interacción AB:
H 0=σ 2αβ =0
H a=σ 2αβ ≠0
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
F* F-tabla p-valor
10,667 3,6823 0,0013
8,4374 3,0556 0,0009
1,4062 2,6408 0,2709
Conclusión:
Como el F*>F crítico y el p-valor <0,05 de los factores A y B, se puede decir que se
encuentra evidencia estadística que demuestra que ambos factores presentan medias
significativamente diferentes, con un nivel de significancia del 0,05. (Gutiérrez,
2012, pp. 153-155).
d. Responda a. y b., pero suponga que el factor A es fijo y el factor B es aleatorio.
Modelo estadístico:
y ijk =μ +α i + β j+(αβ )ij + ε ijk (1)
i=1,2 , … , a ; j=1,2 , … , b ; K=1,2. . ,n.
Var ( Y ijk ) =σ 2β +σ 2αβ +σ 2 (3)
Dónde µ es la media global;α i es el efecto debido al i-ésimo nivel del factor A;β j es
el efecto del j-ésimo nivel del factor B;(αβ)ij representa al efecto de interacción entre
el i-ésimo nivel del factor A y el j-ésimo nivel del factor B y ε ijk es el error aleatorio
que se supone sigue una distribución normal, con varianza constante e
independencia entre sí; σ 2α, β son la contribución de cada efecto a la varianza
constante; σ 2 es el componente de la varianza debido al error aleatorio.
Hipótesis de interés:
Las hipótesis de interés para los efectos del modelo anterior son:
Para el factor A:
H 0=Efecto de A=0
H a=Efecto de A ≠ 0
Para el factor B:
H 0=σ 2β =0
H a=σ 2β ≠0
Para la interacción AB:
H 0=σ 2αβ =0
H a=σ 2αβ ≠0
F* F-tabla p-valor
10,667 3,6823 0,0013
6 3,0556 0,0043
Leidy Jiménez
Angge Ortiz
Shirley Quiroga
1,4062 2,6408 0,2709
Conclusión:
Como el F*>F crítico y el p-valor <0,05 de los factores A y B, se puede decir que se
encuentra evidencia estadística que demuestra que ambos factores presentan medias
significativamente diferentes, con un nivel de significancia del 0,05. (Gutiérrez,
2012, pp. 156-157).
Referencias
Gutiérrez, H. (2008). Análisis y diseño de experimentos (2.a ed.). Mac Graw Hill.
https://gc.scalahed.com/recursos/files/r161r/w19537w/analisis_y_diseno_experi
mentos.pdf
Jiju A. (2014). Full Factorial Desings. (2.a ed.). Design of Experiments for
Engineers and Scientists https://www.sciencedirect.com/topics/engineering/full-
factorial-design /
Porras, L. Diseños factoriales con tres factores. swp0000.dvi,
http://wpd.ugr.es/~bioestad/wp-content/uploads/Factorial-tres-factores.pdf
Marin, J. (s. f.). Modelo de diseños factoriales y diseños 2k. halweb.uc3m.es.
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema3DE.pd
f
García Leal, J. and Lara Porras, A., 1998. Diseño estadístico de experimentos.
Granada: [Grupo Editorial Universitario], capítulo 4(pág. 1-2).
http://wpd.ugr.es/~bioestad/wp-content/uploads/EfectosAleatorios.pdf
Es.wikipedia.org. 2021. Modelo de efectos aleatorios - Wikipedia, la
enciclopedia libre. [online] Disponible en:
https://es.wikipedia.org/wiki/Modelo_de_efectos_aleatorios#:~:text=En
%20estad%C3%ADstica%2C%20un%20modelo%20de,se%20refieren%20a
%20esa%20je
Kuehl, R., 2001. Diseño de experimentos. 2nd ed. México [etc.]: Thomson
Learning, pp.182-187.
